基于模糊逻辑PID的反应堆压盖主螺栓植入机器人非线性运动控制算法

陈侃，奉明忠，张君凯，王泽平，张智，帅雨忠



基于模糊逻辑PID的反应堆压盖主螺栓植入机器人非线性运动控制算法

陈侃*，奉明忠，张君凯，王泽平，张智，帅雨忠

（四川日机密封件股份有限公司，四川 成都 610045）

研制了主螺栓植入机器人（MSIR）及模拟试验装置。提出了采用扭矩、称重两种传感器信号分阶段介入，模糊逻辑控制器可切换的PID算法。建立了输入输出误差和误差变化率与参数K、K、K的模糊逻辑规则。通过对PID参数在线自整定来提高MSIR螺栓植入过程中对多种变化工况的自适应能力，提高螺栓植入质量。将不同幅值和变化规律的阶跃仿真信号作为输入，仿真对比了PID和本文提出的FLA-PID算法的效果。完成了反应堆压盖主螺栓自动植入的实验，实时在线记录了信号数据，对比了PID算法和FLA-PID算法作用于MSIR系统的不同效果。结果表明具有FLA-PID算法的MSIR抗击异常情况的能力及调整时间都较经典PID算法有所提高。

反应堆压盖；主螺栓植入机器人；PID；伺服控制；模糊逻辑

某型反应堆压力容器（Reactor Pressure Vessel，RPV）主法兰通过40颗M155×1400的主螺栓联接，每颗螺栓自重约260 kg，属重型螺栓[1]。为了保证主螺栓植入到法兰底座的质量，使各个螺栓的植入初始状态相同，减小螺栓螺纹与法兰螺纹孔螺牙之间的摩擦力，需要采用机器人手臂在克服螺栓自重的情况下将螺栓安定、平稳、无阻力地植入到螺栓孔中[2]。MSIR（Main Studs Implantation Robert，主螺栓植入机器人）可降低螺栓卡滞的可能性，减小螺纹与螺牙相互作用，减小植入过程中因摩擦磕碰而产生细小碎屑的可能性，提高主螺栓植入的效率和质量，以机器替代人工操作，降低操作人员操作期间受到的辐射剂量。

作者[11-13]在以前的智能模式识别系统研究工作基础上，提出采用扭矩、称重两种传感器信号分阶段介入，并基于模糊逻辑来优化PID算法，通过PID参数在线自整定来提高螺栓植入过程中对多种变化工况的自适应能力，提高螺栓植入质量，降低系统冲击。

1 MSIR结构及功能框架

MSIR属于重要核电检维修专用装备，主要应用于反应堆压力容器开、闭盖过程。MSIR主要结构如图1所示。

图1 MSIR结构图

1.1 机械结构

主框架结构、举升系统（左右对称两组独立控制）、旋进系统（左右对称两组独立控制）。其中举升机构由伺服、齿轮副、丝杠副、L形称重传感器平台组成。旋进系统由旋进伺服、扭矩转速传感器、齿轮副、轴承箱、输出轴1/2/3、集电环、锁紧解锁执行电动推杆、三球爪、称重传感器、激光位移传感器、磁栅位移传感器组成。

1.2 运动控制系统

NI-PCI7340运动控制卡联接四台科尔摩根伺服电机。一台工控机装有ADC带2路模拟输出、16位数字输出。CB-Y1扭矩传感器、MG-05磁栅位移传感器、P+F接近开关信号均通过ADC卡采集并显示。模拟输出至继电器控制LIM-Tech-03电推杆运动换向。

1.3 MSIR运动控制流程

MSIR控制程序由上层逻辑和模糊逻辑PID控制程序两层组成，上层逻辑由系统所处运动阶段决定是扭矩信号还是称重信号参与模糊逻辑PID控制程序，两种信号参与模糊逻辑PID控制的方式相同，此处以扭矩信号为例进行说明。

如图2所示，扭矩传感器（扭矩Sig）或称重传感器（称重Sig）参与模糊逻辑PID控制器，并影响空载竖直运动、接触螺栓、旋入首扣、耦合旋入螺栓等运动环节（图2中虚线）。

图2 运动控制程序流程

2 模糊逻辑PID算法的应用

2.1 经典PID控制算法

MSIR采用的控制算法以经典比例积分微分（Proportion Integration Differentiation，PID）控制算法为基础。

经典PID算法形成的是线性控制器，根据目标值()与观测值()构成控制偏差()为[9]：

PID的输入输出控制函数以偏差()对采样间隔时间求积分、微分、乘积运算得到[9]：

由于MSIR各个运动阶段状态与控制参数不同，一些运动控制阶段的控制参数决策具有重叠交叉逻辑，即该系统具有非线性性和不确定性。经典PID算法不能完全胜任MSIR运动全过程的任务。为了达到竖直运动伺服与旋进伺服耦合同步，系统需要综合多个传感器的信息，应用模糊逻辑算法，对各运动步骤进行成员函数运算，得出不同运动阶段的、、三参数取值并在线调整PID控制器。通过多次调试，并观测扭矩、称重等传感器的信号，可制定模糊变量论域。

2.2 模糊逻辑算法

本项目采用模糊逻辑算法（Fuzzy Logic Algorithm，FLA）[14-16]对经典PID算法进行优化。模糊逻辑控制算法是一种非线性控制算法，属于人工智能控制的范畴，通常有三种FLA优化PID的形式[17]：

（1）把FLA输出作为参考幅度信号通过加减运算作用于PID控制器的指定值（输入）。

（2）FLA与PID控制器并行工作，两个控制器的输出相加。正常工况下FLA输出信号为0，只有在异常工况下FLA控制器参与控制。

（3）FLA串行作用于PID控制器的三个参数，该方式尤其适用于结构随时间改变特征的控制流程。

本项目中螺栓接触、螺纹旋拧首扣、低速旋进、高速旋进等过程具有典型的结构随时间改变的特征。因此，在本项目中采用第三种方式优化经典PID控制算法。

2.3 FLA-PID控制算法

图3为项目采用的FLA-PID（Fuzzy Logic Algorithm PID）控制器的示意图。它由模糊化语言表、规则集和去模糊化模块构成。在实时控制过程中通过不停地解析过程反应并计算最佳、、增益参数来形成柔性PID控制器。

图2 FLA-PID流程

完成该FLA-PID控制器需要以下步骤：

（1）模糊系统输入参数及语言变量。扭矩信号和称重信号的PID控制过程偏差和偏差变化率作为模糊系统的输入参数，即e、ec、e、ec，其中下标表示扭矩信号、表示称重信号。称重信号算法模式与扭矩信号类似，本文不重复描述，仅在作系统输入量的时候描述。

通过Kollmorgen WorkBench软件自动调节功能，可根据负载的质量及加速要求获得PID控制器在旋拧首扣阶段的初始参数：K＝50、K＝0、K＝300，反馈信号采样间隔时间为250 μs。经多次调试整理出称重和扭矩信号各阶段监测变化值的平均值如表1所示。

表1 螺栓植入全程扭矩信号与称重信号变化

运动阶段Δ称重/kgΔ扭矩/N·m 空载运行0.10.5 接触首扣20.5 旋拧首扣512 耦合旋进2010

（3）创建隶属函数（Member Functions，MbF）。所有输入输出参数对应的隶属函数均采用最常用的Λ型函数，图3为参数dK的隶属函数图作为一个示例，其他参数与其类似。其他的参数隶属函数定义如表2、表3所示。

图3 dKd隶属函数

表2 输入参数隶属函数

MbF函数控制范围点 eec -多-12; -12; -8-2.4; -2.4; -1.6 -中-12; -8; -4-2.4; -1.6; -0.8 -少-8; -4; 0-1.6; -0.8; 0 零-4; 0; 4-0.8; 0; 0.8 +少0; 4; 80; 0.8; 1.6 +中4; 8; 120.8; 1.6; 2.4 +多6; 12; 121.6; 2.4; 2.4

表3 输出参数隶属函数

MbF函数控制范围点 dKpdKidKd -多-10; -10; -6.66-0.06; -0.06; -0.04-60; -60; -40 -中-10; -6.66; -3.33-0.06; -0.04; -0.02-60; -40; -20 -少-6.66; -3.33; 0-0.04; -0.02; 0-40; -20; 0 零-3.33; 0; 3.33-0.02; 0; 0.02-20; 0; 20 +少0; 3.33; 6.660; 0.02; 0.020; 20; 40 +中3.33; 6.66; 100.02; 0.04; 0.0620; 40; 60 +多6.66; 10; 100.04; 0.06; 0.0640; 60; 60

（4）创建模糊逻辑规则表。根据系统控制要求和多次调试情况所获得的经验，制定输入与输出参数间逻辑规则表[18]，如表4～表6。

表4 输出参数dK

ec/e负多负中负少零正少正中正多 负多+多+多+中+中+少零零 负中+多+多+中+少+少零-少 负少+中+中+中+少+少-少-少 零+中+中+少零零-中-中 正少+少+少零-少-少-中-中 正中零零-少-中-中-中-多 正多零零-中-中-中-多-多

表5 输出参数dK

ec/e负多负中负少零正少正中正多 负多+多+多+多+多+少-中-多 负中+多+多+中+中-少-少-多 负少+中+少零零-少-多-多 零-多-多零零零-多-中 正少-中-少零+少+少+中+多 正中零零+少+少+中+多+多 正多零零+少+中+中+多+多

表6 输出参数dK

ec/e负多负中负少零正少正中正多 负多+少-少-多-多-多-中+少 负中+多+多+中-中零-少零 负少零-少-中-中-少-少零 零零-少-少-少-少-多零 正少+多+多+中-少+少+中零 正中+中+少零-中+中+多+多 正多-少-中-多+少+中+多+多

（5）去模糊化。通常有面积中心法、加权中心法、最大值中心法、最大值平均法。其中能较好地保持输入输出连续的是前三种。作PID闭环控制时，这三种算法都适用，本文采用了面积中心法。

3 实验系统及结果

实验系统及结构如图5所示。

图4 MSIR及试验台

所有自动程序运行于MSIR控制系统，基于FLA-PID的控制程序运行正常，两个机械手臂同时平稳顺滑地完成了主螺栓的植入。其中FLA-PID输入输出控制曲面如图6所示。

图6 FLA-PID输入输出控制曲面

建立以上模糊逻辑输入输出映射关系后，在Matlab环境中对其进行仿真分析。

由于扭矩传感器和称重传感器的模拟量输出值范围均为±10 V，故采用-10～+10 V范围内不同幅值阶跃信号，对经典PID和FLA-PID算法完成精确调整至误差水平≤1E-6进行程序计时，结果如表7所示。

表7 PID FLA-PID耗时对比

可以发现，FLA-PID算法的精确调整耗时较经典PID算法少，最多省时36.4%、最少省时16.2%。FLA-PID算法在扭矩信号具有相同的冲击变化时，能更快达到控制目标量。

对比FLA-PID和经典PID算法的超调量，以考察新算法调整过程中最大偏离，如图7、图8所示。

图7 5～0 V阶跃变化不同算法响应

图8 10～0 V阶跃变化不同算法响应

可以发现FLA-PID算法的超调量在10～0 V、5～0 V等情况下明显较经典PID算法小，在±5 V等信号的超调量对比中却没有明显的优势。具体对比如表8所示。

综合以上实验情况，本文所提出的FLA-PID控制算法较经典PID算法在精确调整速度上具有明显改进，超调量在一些工况下也明显低于PID算法。整个螺栓植入流程中扭矩信号的设定值、测量值、输出值的对比，如图9所示。

表8 PID和FLA-PID超调量对比

图9 螺栓植入全程扭矩不同算法对比

4 结论

（1）本项目研制了一台反应堆压盖主螺栓植入机器人及实验台。具有两个可独立或联合工作的机器人手臂，能自动完成机器人手臂自适应对中、寻找螺纹首扣、旋拧螺纹首扣、螺纹螺牙耦合旋进植入等功能。能提供螺栓植入最大扭矩300 N·m、植入深度控制精度0.01 mm，全程智能化控制扭矩，螺纹螺牙接触力。

（2）项目提出了FLA-PID算法，所编制的上层运动逻辑分阶运动段决定扭矩或称重模糊逻辑介入PID参数在线整定。选取了PID控制的误差和误差变化率作为输入参数，K、K、K作为输出参数。并建立了7级语言变量和三角形隶属函数。根据多次调试的经验制定了模糊逻辑规则表。

（3）MSIR所具有的FLA-PID算法高精度（误差≤1E-6）控制速度较经典PID算法提高了16.2%～36.4%，依不同控制阶段的输入信号变化情况而各有不同。

（4）从整个植入运动过程可观察到MSIR所具有的FLA-PID算法的超调量也较经典PID算法低。在10～0 V，即旋进伺服从螺栓卡死到停止旋进伺服的运动阶段，超调量最多降低了42%。运动各阶段没有发现FLA-PID超调量大于经典PID算法的情况。

根据反应堆压盖主螺栓植入运动逻辑和多次实验调试的经验而制定的模糊逻辑规则很好地适应了运动阶段变化之间的冲击，并加速了PID算法的调整时间，提高了控制精度。具有FLA-PID算法的MSIR提高了螺栓植入的质量，降低了运动阶段切换调整的冲击。

[1]M A Rinckel. Reactor pressure vessel integrity program[J]. Nuclear Engineering and Design，1998，181（1-3）：17-39.

[2]Y Bangash. Reactor pressure vessel design and practice[[J]. Progress in Nuclear Energy，1982（10）：69-124.

[3]Astrom K J，T Hagglund C C，Hang, W K Ho. Automatic tuning and adaptation for PID controllers: a survey[J]. Control Engineering Practice，1993，1（4）：699-714.

[4]John Yen，Reza Langari, Lofti A. Zadeh. Industrial Applications of Fuzzy Logic and Intelligent Systems[M]. Piscataway，NJ：IEEE Press，1995，PP.5-8.

[5]S Dettori，V lannino，V Colla，A signorini. An adaptive Fuzzy logic-based approach to PID control of steam turbines in solar applications[J]. Applied Energy，2018（227）：655-664.

[6]Rahul Patel，Vijay Kumar. Arificial Neuro Fuzzy Logic PID controller based on BE-PSO Algorithm[J]. Procedia Computer Science，2015（54）：463-471.

[7]Y I. Kudinov，V. A. Kolesnikov，F. F. Pashchenko，A. F. Pashchenko，L. Papic. Optimization of fuzzy PID controller’s parameters[J]. Procedia Computer Science，2017（103）：618-622.

[8]Feng Liu，Hua Wang. Fuzzy PID controller for optoelectronic stabilization platform with two-axis and two-frame[J]. International journal for light and electron Optics，2017（140）：158-164.

[9]Dusan Fister，Iztok Fister，Iztok Fister，Riko Safaric. Parameter tuning of PID controller with reactive nature-inspired algorithms[J]. Robotics and Autonomous System，2016（84）：64-75.

[10]Meric Cetin，Serdar Iplikci. A novel auto-tuning PID control mechanism for nonlinear systems[J]. ISA Transactions，2015（58）：292-308.

[11]Kan Chen，Pan Fu，Weiqing Cao，Weilin Li. The application of multiple model fusion based on correctable weight in tool wear pattern recognizing[J]. Third International Workshop on Advanced Computational Intelligence，2010（8）：454-458.

[12]Kan Chen，Pan Fu. The Feature Selection in Rolling Bearing Fault Diagnosing Based on Parts-Principle Component Analysis[J]. 5th International conference on Natural Computation，2009（2）：613-616.

[13]Kan Chen，Pan Fu. The PPCA - a new method to select features in process of rolling bearing fault diagnosing[J]. International Conference on Mechatronics and Automation，2009（8）：4419-4426.

[14]Lotfi A Zadeh. Making computers think like people[J]. Fuzzy set theory，1984，21（8）：26-32.

[15]Lotfi A Zadeh. Interpolative reasoning in fuzzy logic and neural network theory[J]. IEEE International Conference on Fuzzy Systems，1992：1.

[16]Lotfi A Zadeh. Soft computing, fuzzy logic and recognition technology[J]. Fuzzy System Proceedings，1998（2）：1678-1679.

[17]András Bárdossy. The Use of Fuzzy Rules for the Description of Elements of the Hydrological cycle [J]. Ecological Modelling，1996，85（1）：59-65.

[18]Lotfi A Zadeh. Fuzzy logic and calculus of fuzzy if-then rules[J]. Proceedings The Twenty-Second International Symposium on Multiple-Valued Logic，1992：480.

Non-linear Motion Control Algorithm of RPV Main Studs Implantation Robot Based on Fuzzy Logic PID

CHEN Kan，FENG Mingzhong，ZHANG Junkai，WANG Zeping，ZHANG Zhi，SHUAI Yuzhong

( Sichuan Sunny Seal Co., Ltd., Chengdu 610045, China )

A MSIR (Main Stud Implanting Robot) and a simulation experimental facility had been built. A novel fuzzy-PID algorithm with two phases had been proposed. Signals acquired by torque and gravity sensor took effect in different motion stages. The fuzzy-logical rules between input (e, ec) and output (K,K,K) parameters had been obtained. A group of step-signals with different amplitude had been taken into controller to simulate the response of classic PID controller and FLA-PID controller. A full motion experiment by MSIR had been finished. Monitoring data of system had been recorded. The results show that the FLA-PID can move more smoothly and promptly, and not sensitive to system impact.

reactor pressure vessel；main stud implanting robot；PID；servo control；fuzzy logic

TL351+.6

A

10.3969/j.issn.1006-0316.2018.09.008

1006－0316 (2018) 09－0048－07

2018－07－02

全国博士后科研工作站自筹项目（K17-06）

*通信作者：陈侃（1983－），男，四川广安人，工学博士，高级工程师，主要研究方向为机械制造及自动化、流体机械、旋转机械故障智能诊断、测控系统、薄膜流体润滑。