ОПТИМИЗАЦИЯ ПИД-ПАРАМЕТРОВ СЕРВОСИСТЕМ С ИСПОЛЬЗОВАНИЕМ ГЕНЕТИЧЕСКОГО АЛГОРИТМА И НЕЙРОСЕТЕВОГО КЛАССИФИКАТОРА
Аннотация
Алгоритмы машинного обучения играют жизненно важную роль в повышении производительности промышленных систем, обеспечивая высокую точность и операционную эффективность в режиме реального времени. В системах управления серводвигателями эти алгоритмы способствуют снижению шума и вибраций, что повышает эффективность работы и продлевает срок службы оборудования. В данной статье рассматриваются различные типы возникающих шумов и их негативное воздействие на промышленные процессы. Основной целью исследования является оптимизация параметров ПИД-регулятора (PID) в сервосистемах с использованием комбинированного алгоритма, сочетающего нейронные сети и генетические алгоритмы. В отличие от традиционных методов, таких как генетические алгоритмы (GA) и метод роя частиц (PSO), которые отличаются медленной сходимостью и риском повреждения двигателей, предложенное решение основано на программной платформе управления. Эта платформа обеспечивает безопасное взаимодействие с серводвигателем в режиме реального времени. Разработана система управления на основе CAN Bus, которая позволяет разработчикам: считывать все параметры серводвигателя (скорость, ток, напряжение, положение энкодера); изменять коэффициенты ПИД-регулятора одним нажатием, исключая необходимость ручной настройки, как в MOTO-MASTER. Применение разработанной системы управления позволило использовать обученный нейронный классификатор для ограничения параметров PID в безопасных пределах, что сокращает пространство поиска и ускоряет процесс оптимизации. Экспериментальные результаты на серводвигателях SPH-S показали значительное снижение шума и механических вибраций при работе в реальном времени, с сохранением стабильности в широком диапазоне скоростей (0–1500 об/мин).
Список литературы
1. Saini S., Hernandez J., Nayak S. Auto-Tuning PID Controller on Electromechanical Actuators Using Machine Learning, SAE Technical Paper, 2023.
2. Shi G., Dai C., Liu S., Li D., Ding Y. The Design of a Reference Model-Based Proportional-Integral-Derivative Controller with the Generalized Derivative, 2023 23rd International Conference on Control, Automation and Systems (ICCAS). IEEE, 2023, pp. 547-552.
3. Majeed D.A., Yaseen M., Ghaffori A.J., Ahmed S.R., Hakim B.A., Hussain A.-S.T. Advanced Optimiza-tion Techniques for CNC Machining: A Comparative Study of Genetic Algorithms, Simulated Anneal-ing, and Particle Swarm Optimization, 2024 International Congress on Human-Computer Interaction, Optimization and Robotic Applications (HORA). IEEE, 2024, pp. 1-6.
4. Akhmad Z. Sravnenie kolets PID-regulirovaniya i nechetkikh regulyatorov dlya regulirovaniya skorosti servodvigatelya [Comparison of PID control loops and fuzzy controllers for servo motor speed control], Mater. XV vserossiyskoy konferentsii s mezhdunarodnym uchastiem "Mashinostroenie: traditsii i inno-vatsii (MTI –2022)" [Proceedings of the XV All-Russian Conference with International Participation "Mechanical Engineering: Traditions and Innovations (MIT-2022)"]. Moscow: Moskovskiy gosudar-stvennyy tekhnologicheskiy universitet "STANKIN", 2022, pp. 141-148.
5. Wang J.S., Wang J.C., Wang W. Self-tuning of PID parameters based on particle swarm optimization, Control and Decision, 2005, Vol. 20, pp. 73-76.
6. Mishra D.P., Raut U., Gaur A.P., Swain S., Chauhan S. Particle swarm optimization and genetic algo-rithms for PID controller tuning, 2023 5th International Conference on Smart Systems and Inventive Technology (ICSSIT). IEEE, 2023, pp. 189-194.
7. Isa S.S.M., Azri M., Ibrahim Z., Talib M., Sulaiman M., Meng Q., Khanipah N.H.A., Rahim N. Experi-mental investigation on scaling factor of fuzzy logic speed control for induction motor drives, 2017 6th International Conference on Electrical Engineering and Informatics (ICEEI), 2017.
8. Servoprivod SPŠ [Servo drive SPSh]. Available at: https://www.servotechnica.ru/catalog/type/brand/ index.pl?id=18 (accessed 19 April 2025).
9. Servotekhnika [Servo technology]. – URL: http://servotechnica.ru/ (дата обращения: 18.04.2025).
10. Balachandra D., Mani K., Ramesh B. Anti-windup Robust Controller Considering Saturation of Current and Speed for Speed Servo System, International journal of engineering research and technology, 2014.
11. Kaneko K., Ohishi K. Anti-windup robust controller considering motor dynamics for speed servo sys-tem, 2013 IEEE International Conference on Mechatronics (ICM), 2013.
12. Hinokimoto K. [et al.]. A Data‐driven Design Method of PID Controller with Noise Filter, IEEE Transactions on Electrical and Electronic Engineering, 2017.
13. Zhivkovich T., Draganovich M. Zashchita ot shuma v okruzhayushchey srede goroda Belgrada [Noise protection in the environment of the city of Belgrade], Alternative Energy and Ecology, 2015.
14. Akhmad Z., Martinov G.M. Razrabotka sistemy upravleniya servoprivodom na baze shiny CAN i mikrokomp'yutera Raspberry Pi [Development of a servo drive control system based on the CAN bus and the Raspberry Pi microcomputer], Avtomatizatsiya v promyshlennosti [Automation in Industry], 2025, No. 5.
15. Kanojiya R.G., Meshram P.M. Optimal tuning of PI controller for speed control of DC motor drive using particle swarm optimization, 2012 International Conference on Advances in Power Conversion and Energy Technologies (APCET), 2012.
16. Kamal M., Mathew L., Chatterji S. Speed control of brushless DC motor using intelligent controllers, 2014 Students Conference on Engineering and Systems, 2014.
17. Meena D., Chauhan S. Speed control of DC servo motor using genetic algorithm, 2017 International Conference on Information, Communication, Instrumentation and Control (ICICIC), 2017.
18. Mishra P., [et al.]. Optimization of PID Controller with First Order Noise Filter, 2015 International Conference on Futuristic Trends on Computational Analysis and Knowledge Management (ABLAZE), 2015.
19. Kravchenko Yu.A. Postroenie prognoznykh modeley dinamicheskikh sistem na osnove integratsii ney-ronnykh setey i geneticheskikh algoritmov [Construction of predictive models of dynamic systems based on the integration of neural networks and genetic algorithms], Izvestiya YuFU. Tekhnicheskie nauki [Izvestiya SFedU. Engineering Sciences], 2006, Vol. 64, No. 9-1, pp. 103-104.
20. Gladkov L.A., Kureychik V.V., Kureychik V.M. Geneticheskie algoritmy [Genetic algorithms], 2010
