Fuzzy force learning controller of flexible wiper system
Ali Zolfagharian﹒P.Valipour﹒S.E.Ghasemi
Received: 17 July 2014/Accepted: 22 February 2015/Published online: 7 March 2015
copy;The Natural Computing Applications Forum 2015
A. Zolfagharian
Department of System Dynamics and Control, Universiti Teknologi Malaysia, Johor Bahru, Johor, Malaysia
P. Valipour
Department of Textile and Apparel, Qaemshahr Branch,
Islamic Azad University, Qaemshahr, Iran
S. E. Ghasemi (amp;)
Young Reseachers and Elite Club, Qaemshahr Branch, Islamic Azad University, Qaemshahr, Iran e-mail: s.ebrahim.ghasemi@gmail.com
Abstract Wiper blade of automobile is among those types of flexible system that is required to be operated in quite high velocity to be efficient in high load conditions. This causes some annoying noise and deteriorated vision for occupants. The modeling and control of vibration and low-frequency noise of an automobile wiper blade using soft computing techniques are focused in this study. The flexible vibration and noise model of wiper system are estimated using artificial intelligence system identification approach. A PD-type fuzzy logic controller and a PI-type fuzzy logic controller are combined in cascade with active force control (AFC)-based iterative learning (IL). A multiobjective genetic algorithm is also used to determine the scaling factors of the inputs and outputs of the PID-FLC as well as AFC-based IL gains. The results from the proposed controller namely fuzzy force learning (FFL) are compared with those of a conventional lead–lag-type controller and the wiper bang–bang input. Designing controllers based on classical methods could become tedious, especially for systems with high-order model. In contrast, FFL controller design requires only tuning of some scaling factors in the control loop and hence is much simpler and efficient than classical design methods.
Keywords Automotive wiper System identification Intelligent control Multi-objective genetic algorithm
1 Introduction
Flexibility feature of wiper blade structure has made it a critical apparatus in terms of control matter in spite of its uncomplicated operational mechanism. A desirable wiper system is characterized by a homogeneous disposal of the water, without noise generation and by limiting as much as possible the phenomenon of wear (loss of wiping or noise presence). Low-frequency noise known as chatter noise was identified in wiper system during operation and is subjected to be suppressed while does not violate other oscillatory attributions of wiper system in time domain [3]. This noise causes annoying sound to automobile occupant during the wiper operation especially in the heavy rain and snow.
Flexible dynamic of a wiper system requires a reliable system identification method to model transfer function of wiper system for helping designer in developing more accurate controller. Modeling of wiper system as a flexiblemanipulator with several modes needs a trustworthy system identification method featuring capability at fast-varying dynamics and non-minimum phase systems modeling [22, 28]. A nonlinear auto-regressive exogenous (NARX) [8] in cascade with Elman neural network (ENN) is utilized for the purpose of system identification of nonlinear wiper system [9, 24].
Pole placement controller was applied in vibration reduction in flexible smart structures [13]. Adaptive and robust pole placement approaches were proposed for vibration and noise reduction in cantilever beams [25, 31]. Inverse dynamics control in cooperation with input shaping was developed to achieve minimum vibration within bounded speed of actuator [21]. The vibration control of chaotic motion in a two-blade wiper system was investigated by Wang and Chau [27]. A hybrid control method for a flexible inverted pendulum on a moving cart deals with the vibration of system with minimum actuator effort [2]. Yanyan et al. [29] proposed a control approach by sensing the rain extent on windscreen using infrared rain sensor that commands the motor velocity proportionally. Prakash and Anita [20] employed fuzzy logic controller along with a conventional model reference adaptive control (MARC) to deal with nonlinear traits of system.
For systems subject to external disturbances, nonlinearities, uncertainties, and signal limits, obtaining a precise model of the system in various operating conditions is very difficult. Thus, model-free controllers have been recently emerged in the literature [12]. Although the model of the system is required in the controller design stage, an exact model of the system is not required for controller synthesis. PD-type fuzzy controller (PD-FLC) and PI-type fuzzy controller (PI-FLC) are the most common reported methods in the literature [19]. The advantage of using the PDFLC is that unlike conventional controller design methods, the exact model of the system is not required at the controller design stage. PD-FLC improves the transient response of the system. However, the steady state error of the system will remain large when PD-FLC is employed. PIFLC control is known to be more practical than PD-FLC, because it results in zero steady state error [14]. Since PIFLC is still known to give poor performance for high-order processes due to the integral action, the three-term PIDFLC control should enhance the performance.
In order for three-term PID-FLC control to enhance the performance, it needs three inputs to the fuzzy controller, which makes the design of rule-bases very difficult (Ni*Nj* Nk, where Ni, Nj, and Nk are the number of membership functions of the inputs) [7]. An alternative appr
剩余内容已隐藏，支付完成后下载完整资料
基于模糊力学的柔性雨刷控制系统
摘要
汽车的刮水片也是属于一种柔性系统，它需要在高负载条件下,以相当高的速度进行有效操作。如此会给人带来噪声以及视觉障碍。这就需要通过建模，控制振动和使用计算机软件技术研究设计出低频噪声汽车雨刮器。并使用人工智能系统识别方法估计雨刮器系统的柔性振动和噪声模型。将PD型和PI型两种模糊逻辑控制器与基于动态力学控制（AFC）的迭代学习（IL）相结合。多目标遗传算法也用于确定PID-FLC的输入和输出的缩放因子以及基于AFC的IL增益。将所提出的控制器即模糊力学习（FFL）的结果与常规超前-滞后型控制器和雨刮器臂输入的结果进行比较。以经典方法来设计控制器太过普通乏味，特别是对于具有高阶模型的系统。相比之下，FFL控制器设计仅需要调整控制回路中的一些缩放因子，因此比经典设计方法更简单和有效。
关键词：汽车雨刮器 系统识别 智能控制 多目标遗传算法
1 简介
刮水片是一种十分简单的操作机制，但其结构的柔性特征使其成为关于控制事项的关键装置。理想的雨刮器系统的特征在于水的均匀处理，通过尽可能多地限制磨损现象（擦除或噪声存在的损失）消除噪声。在操作期间，雨刮器系统识别出被称为抖动噪声的低频噪声，该低频噪声在时域中不会因为雨刮器系统其它振荡属性的抑制而受到抑制，这种噪声在暴风雪天气，将对汽车乘客造成十分恼人的声音。
雨刮器系统的动态性能灵活，这需要一种可靠的系统识别方法来模拟雨刮器系统的传递函数，帮助设计人员开发更精确的控制器。 同时该系统具有多种建模形式，而多种模式的操纵器需要一种可信的系统识别方法，其结合了在快速变化下的动力学知识以及具有非最小相位系统的建模能力[22,28]。在此基础上，一个与Elman神经网络（ENN）级联的非线性自回归外生（NARX）[8]被用于非线性雨刮器系统的系统识别[9,24]。
本系统中的柔性智能结构通过应用极位置控制器达到减振目的[13]。自适应和鲁棒的极点放置方法被提出用于降低悬臂梁的振动和噪声 [25,31]。通过开发逆动态控制下输入整形来实现在致动器有界速度内的最小振动[21]。Wang和Chau [27]研究了两叶雨刮器系统中混沌运动的振动控制。 它是一种用于移动车上的柔性倒立摆的混合控制方法,是以最小的致动器作用力处理系统的振动[2]。Yanyan et al。[29]提出了另一种控制方法，通过使用红外雨传感器来感应风挡玻璃上的雨量，从而成比例地控制电机速度。 Prakash和Anita [20]采用模糊逻辑控制器和传统模型参考自适应控制（MARC）来处理系统的非线性特性。
对于受到外部干扰，非线性，不确定性和限制信号的情况，获得精确模型的系统在这些操作条件下非常难。因此，最近，无模型控制器出现在文献[12]。虽然在控制器设计阶段需要系统的模型，但是控制器合成不需要系统的精确模型。PD型模糊控制器（PD-FLC）和PI型模糊控制器（PI-FLC）在文献中最常使用[19]。使用PD-FLC的优点在于它的设计方法与传统控制器不同，在控制器设计阶段不需要系统的精确型号。而且PD-FLC改善了系统的瞬态响应。 然而，当采用PD-FLC时，系统的稳态误差一直较大。 多数情况下,PI-FLC控制比PD-FLC更实用，因为它稳态误差为零[14]。由于PI-FLC在积分作用下给高阶过程带来比较差的性能表现，所以三项PIDFLC控制应当增强性能。
为了使三项PID-FLC控制性能增强，模糊控制器需要有三个输入，这使得规则库的设计非常困难（Ni*Nj* Nk，其中Ni，Nj和Nk是输入的隶属函数的数量）[7]。另外一种方法是在PD-FLC的输出端添加一个积分器,并将其加到PD部分。这样一来，它可能基本上等效于于一个PD-FLC [15]。
为了设计一个PID-FLC，我们结合了两个独立的PI-FLC和PD-FLC。因为两个规则库都是二维的,这种结构简化了配置并使控制器更容易实现。然后问题变成设计PI和PD规则库，这降低了设计的复杂性[10]。在设计模糊控制器之后，可以进行微调以提高控制器的性能。可以对隶属函数或缩放因子进行调整（注意，模糊控制器一般使用归一化的输入和输出，因此需要缩放因子来归一化这些输入和输出）。然而，因为规则库传达了一般的控制策略，所以优选保持规则库不变，将调整练习集中在比例因子上。在多目标控制问题中，有必要估计控制方案的多个参数，这又会对系统引入更多的复杂性。为了解决这个问题，利用多目标遗传算法（MOGA）来优化PID-FLC比例因子，以实现所期望的目标函数之间的最佳权衡[18,23]。通过蜜蜂群落等演化出的基于群体的优化技术被成功应用,利用模糊隶属函数的最合适的参数，简化了模糊控制设计，同时提高了控制效果[5]。
迭代学习（IL）方法是一种智能学习算法，用于在一段时间内执行重复操作以改善系统的机制性能。换句话说，IL控制是一种学习方法，随着时间的增加产生与期望输出接近的最佳输出响应。Arimoto提出了许多学习算法并证明了它们的收敛性，稳定性和鲁棒性[1]。 从那时起，IL控制已经成功应用于不同的重复柔性控制系统[4,26,30]。
在本次调查的第一阶段采用可靠的非线性系统识别，即非线性自回归外生Elman神经网络（NARXENN），用获得的实验数据模拟刮水片的柔性动力学。基于从系统识别中提取并应用在参考输入路径上的雨刮器系统的动力学性质设计超前滞后控制器。然后，PD-FLC和PI-FLC与基于主动力控制（AFC）的IL级联,而且通过模糊力学习（FFL），实现用于在雨刮器的操作期间可能发生的不确定性的鲁棒控制器。为了处理在时域和频域中出现的控制多冲突目标的复杂性，利用MOGA来调节所提出的控制器的相应参数。所提出的控制器的细节在图1中示出。
本文在第二节提出数据采集方法和控制器的设计，在第三节讨论系统识别的结果和控制器的有效性，最后在第四节提出结论。
ө
ӫ
图1使用MOGA的FFL控制器
2方案
2.1数据采集
首先，在数据采集阶段需要对雨刮器系统信号进行在线记录。然后，离线运行数据分析和处理记录的数据,在不断的实验测试中来开发高效控制器。通过将由Proton Iswara发现的单臂式雨刮器和其相应的DC集电器中的DC雨刮器电动机，以及测量装置，接口卡和数字处理器驱动结合进行实验。刮水片可以被认为是无针的柔性臂，其在挡风玻璃的水平面中自由移动，而轴向力的影响可忽略。在挡风玻璃顶部安装带有自来水的管道软管，模拟雨天或潮湿条件，以便以雨击打玻璃带来的抨击的输入速度操作雨刮器。测量传感器包括Kistler8794A500类型三轴加速度计,使用蜂蜡进行测量安装在端点的刮水片端点加速度,而放置在轴上的轴编码器用于测量轮毂角度的雨刷轮毂。在实验中，以1kHz的数字采样率记录输入信号并使用16输入通道PAK MK II Muller BBM信号分析仪。
柔性操纵器的模拟是用两个模拟输出（即毂角和端点加速度）进行的。用每个具有80Hz截止频率的低通滤波器来频带限制系统中每个第一谐振模式的响应输出。此外，为了将柔性运动控制回路与刚体动力学分离，使用具有5Hz截止频率输出的高通滤波器。在这里,系统阻尼比是可忽略的，并且有效载荷被测量为7.4N / m。电机驱动放大器（电流放大器）提供与输入电压成比例的电流用于启动双向电机。线性驱动放大器LA5600也可以用作电动机驱动器。置于雨刷轮毂上的轴编码器在转换为数字值后，将雨刷轮毂角度的模拟信息发送给控制器的处理单元。与此同时,需要一个接口电路PCL 812PG来连接雨刮器系统与主机PC，并在处理器，执行器和传感器之间进行数据采集和控制，25 ls的传感器用于A / D转换，同时D / A转换建立时间也为20 ls。 本文工作中使用的控制器接口的示意图如图2所示。
图2参考使用的控制器接口示意图
2.2基于AFC的IL
尽管拥有无障碍的数学算法，AFC技术被证明在鲁棒的精确定位任务中是相当有效的[11]。比较了AFC方法,将扰动抑制器方案成功运行到传统的控制方法如PID控制器,这在文献中 [16,17,24]得到了证明。在本研究中应用AFC作为干扰抑制的其它优点是由于其在实时系统中的低计算负担和很少的输入信息。如图3所示，AFC仅需要擦拭器尖端的加速度信息。
在旋转体中，牛顿的第二定律表示施加到系统的所有转矩的总和等于（I）的质量矩与系统的角加速度（alpha;）的乘积。
根据远近闻名的牛顿第二旋转体运动定律可知：
Sigma;tau;= Ialpha; （1）
其中tau;是雨刮器电动机的施加扭矩，I和alpha;分别是雨刮器叶片的质量惯性矩和角加速度。
其中tau;d是外部干扰：
tau; tau;d=I(ө)alpha; （2）
AFC的关键点在于扰动必须以某种方式估计为:
tau;*d=tau;-EIalpha; （3）
其中EI是可以通过粗略近似或其他智能方法（例如迭代学习，模糊逻辑）获得的估计惯性矩阵。在本文中使用MOGA来估计EI的最合适的值，这样即使在存在外部干扰,也可以在所有目标之间实现期望。tau;是可以由电流传感器或直接由力或扭矩传感器估计的用于测量的施加控制扭矩，并且测量的角加速度可以由加速度计获得。从（3）可以清楚地看出，如果使用测量仪器准确地获得对系统的总施加转矩和致动关节的角加速度，则适当地近似用于干扰抑制AFC环路中所需的估计惯性参数，而不必去了解关于干扰的实际幅度。为了减轻总扭矩扰动，IL补偿器也并入AFC环路中（图3）。
大多数由Arimoto等人提出的算法已在文献中表明，通过第k个输入加上轨迹可能误差系数(TE=qdesired-qactual)轨迹误差的导数和积分组成的误差系数，可以获得系统的(k 1)th输入。这些数学表达式类似于经典PID控制器的描述;因此，IL算法可以被描述为如下的比例积分（PI）型学习算法：
tau;*dk 1=tau;*dk 1 (phi; psi;int;dt)ek （4）
其中tau;*dk 1和tau;*dk分别是AFC环路的下一步和当前估计惯量，ek是输出误差（TE=qdesired-qactual），psi;和phi;是PI型迭代学习算法的学习参数。 使用粗略近似来仔细获得最适当的phi;和psi;的值。
tau;*dk 1
迭代
学习
_
tau;
ӫ
雨刮电机转矩
图3基于AFC的IL
2.3 PID-FLC
为了减少在常规三输入PID型模糊控制器中使用的规则的数量，在本文中使用两个单独的Sugeno型FLC结构。实际上，PID动作被分为PI-FLC和PD-FLC部分。来自两个模糊控制器的输出然后被加在一起以产生最终的PID-FLC。PI-FLC和PD-FLC部分的输入是缩放误差（e（t））和误差变化的缩放率（ecirc;（t））。输入和输出隶属函数的大小选择为三。要使用的PI-FLC和PD-FLC的输入和输出变量的隶属函数是三角形类型的，具体原因在图4和表1中有了很好的解释。由于PD-FLC和PI-FLC部件共享相同的输入，规则的数量已经减到3*3 3*3代替常规三输入PID-FLC控制器（3 * 3 * 3）规则。注意，一直以来讨论的PI-FLC和PDFLC都仅在[-1,1]之间归一化。因此，在以下部分中需要使用MOGA来设计和调谐三个缩放因子，即STE，SdTE和Su（图5）。
表1具有轨道误差和轨道误差率的FLC规则库
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[484795]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
|
轨道误差（TE） |
轨道误差率 （dTE） |
||
|
N |
Z |
P |
|
|
N |
P |
P |
Z |
|
Z |
P |
Z |
N |
|
P |
Z |
N |
N |
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
