湯世松，程向紅，塔高明，弓靜

（東南大學儀器科學與工程學院，南京210096）

?

相機穩(wěn)定平臺的RBF神經(jīng)網(wǎng)絡(luò)PID控制方法

湯世松，程向紅，塔高明，弓靜

（東南大學儀器科學與工程學院，南京210096）

相機穩(wěn)定平臺是作為飛行器航拍的一種外掛式設(shè)備，可以采用先進的控制策略避免飛機姿態(tài)變化和機身抖動對航拍質(zhì)量造成的影響。常規(guī)的PID控制需要人為手動調(diào)節(jié)參數(shù)，提出一種基于RBF神經(jīng)網(wǎng)絡(luò)PID參數(shù)自整定的控制方法。通過設(shè)定初始PID參數(shù)，利用RBF神經(jīng)網(wǎng)絡(luò)自學習能力進行在線參數(shù)整定。仿真結(jié)果表明，與傳統(tǒng)PID相比，RBF神經(jīng)網(wǎng)絡(luò)PID具有較高的精度和較強的適應(yīng)性，平臺跟蹤精度可以達到3′以內(nèi)。

穩(wěn)定平臺；PID；RBF神經(jīng)網(wǎng)絡(luò)

0　引言

航空拍攝技術(shù)對于航測、偵察等軍事領(lǐng)域技術(shù)的應(yīng)用有著特殊的意義。航空相機因機動性好、時效性高、目的性強、攜帶儀器多、相對投入較低等優(yōu)點，成為獲取圖像信息的主要途徑［1］。相機穩(wěn)定平臺在飛行器航拍中應(yīng)用十分普遍。相機/攝像頭通過支架安裝在相機穩(wěn)定平臺的臺體上，當臺體由于飛行器姿態(tài)變化、機身抖動和氣流等因素影響偏離水平位置時，MEMS陀螺和光柵編碼器敏感到角速度和姿態(tài)角的變化，誤差量被輸入控制器，控制器輸出控制電壓驅(qū)動電機工作，繼而帶動臺體轉(zhuǎn)動，使其保持水平，為相機/攝像頭提供穩(wěn)定的水平基準面，最終獲得高質(zhì)量圖像。因此，提高穩(wěn)定平臺的水平跟蹤精度是提高攝像精度的關(guān)鍵之一。

在工業(yè)控制中，PID控制是工業(yè)控制中最常用的方法。PID控制系統(tǒng)結(jié)構(gòu)簡單、控制效果良好，在目前的控制系統(tǒng)中占絕大多數(shù)［2］。但是，傳統(tǒng)的控制方法具有一定的局限性：要人為地手動調(diào)節(jié)PID參數(shù)以達到良好的控制效果。同時，當面對不同的控制對象或控制對象的數(shù)學模型不精確時，控制器的參數(shù)難以自動調(diào)整以適應(yīng)外界環(huán)境的變化，需要再次重新整定。為了使控制器具有良好的自適應(yīng)性，實現(xiàn)控制器參數(shù)的自動調(diào)整，本文采用RBF（Radial Basis Function）神經(jīng)網(wǎng)絡(luò)控制的方法［3-5］。利用人工神經(jīng)網(wǎng)絡(luò)的自學習這一特性，并結(jié)合傳統(tǒng)的PID控制理論，構(gòu)造RBF神經(jīng)網(wǎng)絡(luò)PID控制器，實現(xiàn)控制器參數(shù)的自動調(diào)整。通過相機穩(wěn)定平臺控制仿真表明RBF神經(jīng)網(wǎng)絡(luò)PID具有較高的精度和較強的適應(yīng)性，驗證了本文所提控制策略的有效性。

1　相機穩(wěn)定平臺結(jié)構(gòu)及工作原理

1.1相機穩(wěn)定平臺總體結(jié)構(gòu)設(shè)計

圖1所示為所加工的相機穩(wěn)定平臺框架結(jié)構(gòu)，主要由鋁制材料加工而成。所設(shè)計穩(wěn)定平臺框架結(jié)構(gòu)主要由俯仰框架、橫滾框架和基座框架構(gòu)成。依次對應(yīng)圖1的內(nèi)框、中框和外框?；蚣芎蜋M滾框架分別連有直流力矩電機和光柵編碼器。IMU模塊、控制電路模塊和電子水平儀安裝在俯仰框架底部。相機/攝像頭通過支架與內(nèi)框相連，從底部伸出。

圖1　相機穩(wěn)定平臺Fig.1Camera stable platform

1.2相機穩(wěn)定平臺工作原理

系統(tǒng)開機啟動時，首先由電子水平儀水平調(diào)平；其次由IMU和光柵編碼器分別敏感出相機穩(wěn)定平臺旋轉(zhuǎn)的角速率以及旋轉(zhuǎn)的角度，將角速率信息和角度信息分別輸入到控制電路模塊，控制電路模塊根據(jù)輸入的的角速率和角度，采用所設(shè)計的控制策略，控制電機轉(zhuǎn)動；最終控制相機穩(wěn)定平臺內(nèi)框的水平穩(wěn)定。

1.3系統(tǒng)原理描述

圖2所示為相機穩(wěn)定平臺的坐標系圖，坐標系定義如下：

1）地理坐標系n：xn、yn、zn分別指向載體所在地的東、北、天方向。

2）載體坐標系b：與載體固連，xb、yb、zb分別指向載體的右、前、上方向。

3）中框（橫滾框）坐標系r：與橫滾環(huán)固連，yr軸沿橫滾環(huán)軸，與yb軸指向相同，r系相對b系只能繞yb軸旋轉(zhuǎn)，產(chǎn)生橫滾環(huán)角θr。

4）內(nèi)框（俯仰框）坐標系f：與俯仰環(huán)固連，xf軸沿俯仰環(huán)軸，與xr軸指向相同，f系相對r系只能繞xr軸旋轉(zhuǎn)，產(chǎn)生俯仰環(huán)角θf。

圖2　相機穩(wěn)定平臺坐標系圖Fig.2Coordinates of camera stable platform

同時，俯仰環(huán)相對地理坐標系的角速度如下：

為使連接相機/攝像頭的內(nèi)框始終保持在水平位置，則要求相機穩(wěn)定平臺在初始水平校準后，內(nèi)框相對地理坐標系的角速度為0，即滿足：

聯(lián)立式（2）和式（3）可得兩電機驅(qū)動各自負載產(chǎn)生的角速度需滿足：

當控制結(jié)果滿足式（4）時，內(nèi)框?qū)⒈３炙健?/p>

1.4相機穩(wěn)定平臺控制框圖

由于內(nèi)外框架采用相同的控制回路結(jié)構(gòu)，本文以俯仰框為例，介紹圖3所示俯仰軸控制結(jié)構(gòu)。俯仰軸控制結(jié)構(gòu)采用雙環(huán)路控制，外環(huán)為位置環(huán)，內(nèi)環(huán)為速度環(huán)。速度環(huán)由IMU測得的角速率反饋，從而加快系統(tǒng)響應(yīng)速度，及時克服外在干擾；位置環(huán)在實際系統(tǒng)中采用光柵編碼器測得的角度進行反饋，本文仿真中采用陀螺數(shù)據(jù)解算的方式求得，進而實現(xiàn)相機穩(wěn)定平臺與當?shù)厮矫姹３炙健?/p>

圖3　俯仰軸伺服回路控制框圖Fig.3The control block diagram of pitch axis

2　RBF神經(jīng)網(wǎng)絡(luò)PID控制

相機穩(wěn)定平臺是一個具有強非線性的機電控制系統(tǒng)［9］。機械諧振、摩擦、隨機干擾、軸間力矩耦合、陀螺漂移等不確定干擾因素使得平臺系統(tǒng)的準確數(shù)學模型無法確定。RBF神經(jīng)網(wǎng)絡(luò)PID控制是一種具有自學習能力的在線參數(shù)整定的控制，在設(shè)計過程中不需要建立被控對象的準確數(shù)學模型，因此適用于非線性穩(wěn)定平臺的控制。

2.1RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

RBF神經(jīng)網(wǎng)絡(luò)是一種具有單隱層的三層前饋網(wǎng)絡(luò)。它模擬人腦局部調(diào)整、相互覆蓋接收域，因此，是一種局部逼近網(wǎng)，已證明它能以任意精度逼近任意連續(xù)函數(shù)。RBF網(wǎng)絡(luò)是一種三層前向網(wǎng)絡(luò)，由輸入到輸出是非線性的，而隱含層到輸出層是線性的［8］。圖4所示RBF網(wǎng)絡(luò)結(jié)構(gòu)中，x= ［x1，x2，…，xn］T為網(wǎng)絡(luò)的輸入向量，h=［h1，h2，…，hm］T為徑向基向量，wj為網(wǎng)絡(luò)的輸出權(quán)系數(shù)。ym為辨識網(wǎng)絡(luò)的輸出。辨識器的輸出ym=w1h1+w2h2+…+ wmhm。本文在速度環(huán)采用RBF神經(jīng)網(wǎng)絡(luò)PID控制，網(wǎng)絡(luò)為3-6-1結(jié)構(gòu)，即輸入層3個節(jié)點，隱含層6個節(jié)點，輸出層1個節(jié)點。輸入量為：系統(tǒng)實際值輸出y，系統(tǒng)上一次實際值輸出y_1，PID輸出量的增量Δu。hj為高斯基函數(shù)，其中：

式中，Cj為網(wǎng)絡(luò)的第j個節(jié)點的中心矢量：Cj=［cj1，cj2，…，cjn］，i=1，2，…，n。bj為節(jié)點j的基寬度參數(shù)。

圖4　RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.4The block diagram of RBF neural network

2.2RBF神經(jīng)網(wǎng)絡(luò)學習機理

RBF神經(jīng)網(wǎng)絡(luò)辨識器的性能J=1/2（y-ym）2，根據(jù)梯度下降法，進行輸出權(quán)、節(jié)點中心及節(jié)點基寬參數(shù)的迭代。迭代過程中，引入α、η分別作為學習速率和動量因子。

輸出權(quán)的迭代算法如下：

Jacobian陣（對象的輸出對控制輸入變化的靈敏度信息）算法為：

網(wǎng)絡(luò)通過輸入端x1，x2，…，xn，正向計算求解ym，繼而根據(jù)y與ym的差值，逆向更新網(wǎng)絡(luò)的輸出權(quán)、基寬參數(shù)和節(jié)點中心。

2.3RBF神經(jīng)網(wǎng)絡(luò)PID整定原理

采用增量式PID控制器，控制誤差為：

yd（k）為理論值，y（k）為實際值。此時，PID的三項輸入為：

控制算法為：

3　仿真及分析

仿真條件設(shè)置為MEMS陀螺常值漂移為0.007（°）/s，電機峰值扭矩為40N·m，伺服采樣頻率為1000Hz。載體運動采用雙正弦波疊加晃動，幅值分別為25°和20°，頻率分別為0.125Hz和0.1Hz，相位差為60°。神經(jīng)網(wǎng)絡(luò)動量因子α=0.05，學習速率h=0.5，PID參數(shù)初始值分別為：kp0= 10，ki0=5，kd0=1，仿真時間設(shè)為60s。圖5所示為不同控制策略下的俯仰方向平臺跟蹤精度。表1列出了兩種控制結(jié)果的參數(shù)對比：常規(guī)PID控制的跟蹤精度在5'左右；RBF神經(jīng)網(wǎng)絡(luò)PID控制的跟蹤精度在3'左右?？梢姡琑BF神經(jīng)網(wǎng)絡(luò)PID控制較常規(guī)PID控制下平臺的跟蹤精度提高約2'。同時，在人為將kd設(shè)置較大時，傳統(tǒng)PID由于不具有參數(shù)自調(diào)節(jié)功能，仿真所得結(jié)果超調(diào)較大，而RBF神經(jīng)網(wǎng)絡(luò)PID很好地控制了系統(tǒng)的超調(diào)。如圖6所示，在20s的時刻加上一個8N·m的階躍干擾力矩，對比傳統(tǒng)PID控制和RBF神經(jīng)網(wǎng)絡(luò)PID控制，傳統(tǒng)PID有一個接近10s的調(diào)整過程，而采用RBF神經(jīng)網(wǎng)絡(luò)PID幾乎不受影響，一直穩(wěn)定在精度范圍內(nèi)。綜上，RBF神經(jīng)網(wǎng)絡(luò)PID控制較傳統(tǒng)PID控制下的平臺的抗干擾能力顯著增強。

表1　仿真數(shù)據(jù)Table 1The data of simulation

4　結(jié)論

圖5　不同控制策略下俯仰方向平臺跟蹤精度Fig.5The platform's tracking accuracy in pitch axis under different control methods

圖620　s加階躍力矩擾動俯仰方向平臺跟蹤精度Fig.6The platform's tracking accuracy in pitch axis during the step disturb

本文提出了一種用于相機穩(wěn)定平臺的RBF神經(jīng)網(wǎng)絡(luò)PID控制策略。運用神經(jīng)網(wǎng)絡(luò)自學習能力實現(xiàn)PID參數(shù)的在線調(diào)整，從而改善相機穩(wěn)定平臺控制系統(tǒng)的精度和適應(yīng)能力。通過以上兩種仿真結(jié)果表明：與傳統(tǒng)PID控制相比，采用RBF神經(jīng)網(wǎng)絡(luò)PID控制能使相機穩(wěn)定平臺抗干擾能力顯著增強，同時能將跟蹤精度由5′提高到3′，為實現(xiàn)高精度飛行器航拍系統(tǒng)提供了一種新的途徑。盡管本文提供了一種用于相機穩(wěn)定平臺的RBF神經(jīng)網(wǎng)絡(luò)PID控制方法，但所做工作仍然有限，將RBF神經(jīng)網(wǎng)絡(luò)與模糊控制相結(jié)合，以及RBF神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制，將在未來工作中繼續(xù)研究。

［1］毛武軍，王樂勇，趙文普，等.航空相機穩(wěn)定平臺設(shè)計與仿真［J］.航空兵器，2009（4）：48-52. MAO Wu-jun，WANG Le-yong，ZHAO Wen-pu，et al.Design and simulation of aerial camera stabilized platform ［J］.Aero Weaponry，2009（4）：48-52.

［2］曾軍，方厚輝.神經(jīng)網(wǎng)絡(luò)PID控制及其Matlab仿真［J］.現(xiàn)代電子技術(shù)，2004，27（2）：51-52. ZENG Jun，F(xiàn)ANG Hou-hui.Neural network PID controller and its Matlab simulation［J］.Modern Electronic Technology，2004，27（2）：51-52.

［3］王旭東，邵惠鶴.RBF神經(jīng)網(wǎng)絡(luò)理論及其在控制中的應(yīng)用［J］.信息與控制，1997，26（4）：272-284. WANG Xu-dong，SHAO Hui-he.RBF neural network theory and its application in control field［J］.Information and Control，1997，26（4）：272-284.

［4］Musavi M T，Ahmed W，Chan K H，et al.On the training of radial basis function classifiers［J］.Neural Networks，1992，5（4）：595-603.

［5］Park J，Sandberg I W.Approximation and radial-basisfunction networks［J］.Neural Computation，1993，5（2）：305-316.

［6］Park J，Sandberg I W.Universal approximation using radial-basis-function networks［J］.Neural Computation，1991，3（2）：246-257.

［7］秦永元.慣性導(dǎo)航［M］.北京：科學出版社，2006. QIN Yong-yuan.Inertial navigation［M］.Beijing：Science Press，2006.

［8］Wei Ji，Qi Li，Bo Xu.Adaptive fuzzy PID composite control with hysteresis-band switching for line of sight stabilization servo system［J］.Aerospace Science and Technology，2011，15（1）：25-32.

［9］劉金琨.先進PID控制MATLAB仿真［M］.北京：電子工業(yè)出版社，2014. LIU Jin-kun.Matlab simulation of advanced PID control ［M］.Beijing：Electronics Industry Press，2014.

RBF Neural Network PID Control Method Used in Camera Stable Platform

TANG Shi-song，CHENG Xiang-hong，TAGao-ming，GONG Jing
（School of Instrument Science&Engineering，Southeast University，Nanjing 210096）

The camera stable platform is used for the aerial to shooting the pictures by hanging outside which can avoid influence of changes in aircraft attitude and body mass caused by jitter on aerial.Conventional PID control parameters need to be adjusted manually，so we propose a parameter self-tuning PID control method based on RBF neural network.By setting the initial PID parameters and using self-learning ability of RBF neural network，we tune the PID parameters online.The simulation results show that，the PID control based on RBF neural network can improve the accuracy and adaptability for the camera stable platform.The accuracy of the camera stable platform attitude can be controlled within 3′.

stable platform；PID；RBF neural network

U666.1

A

1674-5558（2016）01-01046

10.3969/j.issn.1674-5558.2016.01.001

湯世松，男，碩士，研究方向為導(dǎo)航制導(dǎo)與控制。

2014-12-10