基于模糊PI控制的自由活塞内燃发电机动力系统优化控制方法

技术领域

本发明涉及自由活塞内燃发电机控制技术领域，具体涉及一种基于模糊PI控制的自由活塞内燃发电机动力系统优化控制方法。

背景技术

自由活塞内燃发电机(Free Piston Engine Linear Generator，简称FPEG)是一种新型动力装置。和传统的往复活塞式内燃机相比，FPEG将自由活塞式内燃机与直线发电机耦合成为一体，活塞与直线发电机的动子相连，组成唯一的显著运动部件。FPEG具有高能量转换效率、高功率密度、可变压缩比运行、较少的摩擦和磨损等特点，同时结构紧凑，是近年来在新型动力机械装置方向的研究热点之一。活塞运动控制是FPEG工作过程中重要的一个环节。由于其工作需要较强的快速性和稳定性，一般考虑使用传统PID控制方法。PID控制结构容易实现，但是进行参数整定比较繁琐，都是基于工程师经验手动调节PID的参数，需要进行不断调整，这样结果误差比较大，对于整个控制系统的运行效果难以达到理想状态。因此，虽然PID控制算法是工业生产控制过程最常用的控制方案，但对于一些较为复杂的系统无法满足其控制要求。

随着各行业的发展，尤其在电驱动车辆动力和船舶动力等领域，对动力装置的效率要求越来越高，那么对FPEG的活塞控制提出了更高的要求。因此为了提高控制精度，研发一种新型的FPEG活塞运动控制器有着重要的应用价值。实际的FPEG是大型复杂的系统，其中存在很多时变的不确定性和非线性，很难精确建模，于是，亟需找到一种不需要精确的数学模型控制方法。而模糊控制是模仿人的模糊推理和判断决策过程的一种智能控制方法。模糊控制以模糊集理论、模糊语言变量和模糊逻辑推理为基础，不需要精确控制对象的数学模型，是通过大量的实际操作数据归纳总结出的控制规则，用自然语言表达控制策略。该方法首先将操作人员或专家经验编成模糊规则，然后将来自传感器的实时信号模糊化，将模糊化后的信号作为模糊规则输入，完成模糊推理，将推理后得到的输出量加到执行器上。对于某些被控对象具有滞后性、非线性和耦合性等特点的较为复杂的控制系统，人们难以获取大量针对其精准控制所需的系统知识，那么可以采用模糊控制，从而满足对这些复杂系统精准控制的需求。鉴于模糊控制有着不需要精确数学模型、鲁棒性强等优点，通过模糊PID控制器对系统进行控制。模糊PID控制器在传统PID基础上通过一定的模糊算法对PID的参数进行自整定、实时优化，克服传统PID参数不能够实时调整的缺点，从而提高了控制效果。

为满足动力系统更精确的输出要求，采用优化算法对模糊PID控制器的参数进行优化。遗传算法(Genetic Algorithm,GA)是一种基于自然选择和群体遗传机理的搜索算法。它借鉴了达尔文的进化论和孟德尔的遗传学说，模拟了自然选择和自然遗传过程中的繁殖、杂交、突变现象，采用“物竞天择，适者生存”的原理，淘汰每一代“坏”的个体，保留“好”的个体。其本质是一种高效、并行、全局搜索的方法。

遗传操作实际上是模拟生物基因的操作，因此，在利用遗传算法求解问题时，首先要对变量进行编码，问题的每一个潜在解都被编码成一个“染色体”，即个体，若干个个体构成了群体(所有可能解)。在遗传算法开始时，随机地产生一些个体(即初始解)，根据预定的目标函数对每个个体进行评估，给出一个适应度值，基于此适应度值，进行选择操作。从群体中选择优良个体并淘汰劣质个体，适应度越大的个体，被选中上的可能性就越大，体现了“适者生存”的原理。被选择出来的个体放入配对库中，随机选择配对库中的两个个体，经过交叉和变异操作，生成新的一代(子代)。子代个体继承了父代的优良基因，因而在性能上要优于上一代，即进化。循环上述流程，直到满足收敛条件。总的来看，选择实现了“优胜劣汰”的作用，交叉保证了种群的稳定性，朝着最优解的方向进化；选择和交叉基本上完成了遗传算法的大部分搜索功能，变异操作保证了种群的多样性，避免交叉操作可能导致的局部收敛，增加了遗传算法找到最优解的能力。

目前采用PID控制方法对FPEG系统中活塞进行控制时，存在跟踪误差较大、跟踪速度较慢、参数整定繁琐等问题，因此急需将PID控制方法进行优化以解决上述问题。

发明内容

本发明的目的在于，提出一种结合模糊控制算法与PID控制方法形成的模糊PID控制，对FPEG系统活塞行程进行控制，具有提高响应速度、减小跟踪误差等优点。

为实现上述目的，本申请提出的一种基于模糊PI控制的自由活塞内燃发电机动力系统优化控制方法，包括：

构建FPEG系统工作状态下的动力学方程，根据所述动力学方程得到动力学模型；

建立模糊PI控制器，该模糊PI控制器包括模糊控制器和PI控制器，所述模糊控制器用于调整PI控制器的比例参数K

将模糊PI控制器应用至动力学模型，形成双闭环反馈，对FPEG系统的活塞行程进行控制。

进一步的，还包括：采用遗传算法对所述模糊PI控制器的参数进行优化。

进一步的，所述FPEG系统处于电动机模式工作时，活塞在汽缸里做往复直线运动，电动机的控制目标是使活塞运动轨迹跟踪一定频率的正弦信号。

进一步的，将FPEG系统的活塞运动组件看作质量-弹簧-阻尼系统，其整体动力学方程为：

进一步的，通过模糊控制器与PI算法之间的输入输出关系，将模糊控制器与PI控制器结合起来，形成模糊PI控制器。

更进一步的，所述模糊控制器的输入信号为活塞运动组件行程的位置偏差e

更进一步的，所述模糊控制器的输入变量模糊子集为{负大NB、负中NM、负小NS、零ZE、正小PS、正中PM、正大PB}，且输入变量的隶属度函数均为三角形，输出的隶属度函数均为中间三角形，两端高斯型；模糊控制器采用Mamdani推理法，设置控制规则，以if-then的形式表达规则表，共49条模糊规则。

作为更进一步的，所述动力学模型将模糊PI控制器应用至外环，内环采用PI控制器，形成双闭环反馈控制；其模糊PI控制器输出活塞运动组件速度控制指令，PI控制器输出活塞运动组件的电流I

作为更进一步的，采用GA遗传算法对外环的模糊PI控制器的量化因子与比例因子进行优化。

本发明采用的以上技术方案，与现有技术相比，具有的优点是：本发明结合模糊控制算法与PI控制方法形成的模糊PI控制，对FPEG系统的活塞行程进行控制，具有提高响应速度、减小跟踪误差等优点，进而实现更佳的轨迹控制效果。再利用遗传算法对在正弦输入参考信号下设计的模糊PI控制器的参数进行寻优，实现对FPEG系统的控制优化。本发明提出的方法较好地改善了动力系统活塞行程的动态与稳态性能，鲁棒性强，适用性广。

附图说明

图1为实施例中基于模糊PI控制的自由活塞内燃发电机动力系统优化控制方法实现流程图；

图2为实施例中动力学模型结构示意图；

图3为实施例中模糊PI控制器结构图；

图4为实施例中模糊控制器规则控制图；

图5为实施例中模糊PI控制器仿真模型图；

图6为实施例中FPEG系统控制原理图；

图7为实施例中FPEG系统控制仿真图；

图8为实施例中GA遗传算法优化流程图；

图9为实施例中GA遗传算法优化仿真示意图；

图10为实施例中FPEG系统控制指标对比图；

图11-13为实施例中FPEG系统控制效果对比图。

具体实施方法

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请，即所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。

实施例1

如图1所示，本发明提供一种基于模糊PI控制的自由活塞内燃发电机动力系统优化控制方法，该方法包括以下步骤：

S1、构建FPEG系统工作状态下的动力学方程，根据所述动力学方程得到动力学模型；

在该实施例中，以双活塞双气缸FPEG系统为主要研究对象，直线电机的动子和活塞相连置于两个发动机气缸之间，形成该结构中唯一的主要运动部件，两个气缸内交替完成膨胀做功行程，由燃烧爆发压力驱动活塞运动组件克服另一侧气缸中的气体压缩力。所述FPEG系统处于电动机模式工作时，活塞在汽缸里做往复直线运动，电动机的控制目标是使活塞运动轨迹跟踪一定频率的正弦信号。

具体的，将FPEG系统的活塞运动组件看作质量-弹簧-阻尼系统，其整体动力学方程为：

再根据上述的电流I

S2、建立模糊PI控制器，该模糊PI控制器包括模糊控制器和PI控制器，所述模糊控制器用于调整PI控制器的比例参数K

具体的，分析FPEG系统控制目标，将模糊控制方法与PI控制进行结合，建立一种模糊PI控制器，则模糊PI控制器包括模糊控制器和PI控制器，所述模糊控制器用于调整PI控制器的控制参数K

需要说明的是：如图3所示，模糊控制器结构选择二维结构，即将不同时刻变化的误差e

本发明中采用的模糊控制器含有4个控制参数，其中2个量化因子，2个比例因子。模糊控制器的量化因子为K

在模糊论域U上，给定了一个映射：

A:U→[0,1],x→μ

则集合A是模糊论域U上的模糊集合(模糊子集)；用μ

在FPEG系统中，模糊子集为{NB、NM、NS、ZE、PS、PM、PB}；选用Mamdani型推理算法，它的模糊蕴涵关系可以通过模糊集合A和B的笛卡尔积求得，控制规则如图4所示。

综上所述，模糊PI控制器将初始的误差e

S3、将模糊PI控制器应用至动力学模型，形成双闭环反馈，对FPEG系统的活塞行程进行控制；

在该实施例中，根据控制目标与FPEG系统结构，将整个控制系统设计为双闭环反馈模型，如图6所示。将模糊PI控制器应用至动力学模型，分别在外环(位置控制环)使用模糊PI控制器，内环(速度控制环)使用PI控制器进行控制。那么，外环的模糊PI控制器输入信号为活塞运动组件实际行程与目标轨迹的位置偏差e

接着进行控制模拟仿真，其仿真图如图7所示。调节外环模糊控制器的量化因子与比例因子，可实现FPEG系统的活塞行程控制。

S4、采用遗传算法对所述模糊PI控制器的参数进行优化。

在该实施例中，针对FPEG系统更高的输出要求，采用GA遗传算法对模糊PI控制器进行参数寻优。首先确定待优化的变量与目标函数(即适应度函数)，再进行GA优化。先对待优化的变量进行二进制编码，其次，根据各个个体对应的适应度值，进行选择操作，然后进行交叉和变异操作产生下一代。重复上述的评估、选择、交叉、变异的过程，直至满足收敛条件或迭代代数，如图8所示。

具体优化参数(即待优化变量)为：处于外环的模糊PI控制器的量化因子与比例因子。采用时间乘绝对误差积分准则(integrated time absolute error criterion，简称为ITAE准则)作为优化的适应度函数，该准则既能体现出误差的大小(控制精度)，又能体现误差收敛的速度，使系统响应的快速性和稳态性能均得到关注，其公式为：

仿真结果对应的评价指标如表1及图10所示。模拟仿真效果如图11、12、13所示。针对FPEG系统输入的目标正弦曲线，模糊控制方法与传统PI控制方法相比，加快了响应速度，提高了稳态精度，减小了输出误差，同时也减小了相位偏差。采用GA优化外环的模糊PI控制器，能够更快速和精确地实现活塞的行程轨迹控制。

表1不同控制方式对应的评价指标

前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。