基于量子粒子群優(yōu)化的動態(tài)標定辨識方法*

陸建山，周鴻波，謝偉東（浙江工業(yè)大學機械工程學院，浙江杭州310014）

基于量子粒子群優(yōu)化的動態(tài)標定辨識方法*

陸建山，周鴻波，謝偉東
（浙江工業(yè)大學機械工程學院，浙江杭州310014）

針對傳統(tǒng)辨識方法對非線性系統(tǒng)辨識效果不理想的情況，提出將量子粒子群優(yōu)化（QPSO）算法引入到力傳感器的動態(tài)標定辨識中來。搭建了基于垂直正弦力加載的力傳感器動態(tài)標定裝置優(yōu)化，該系統(tǒng)使用正弦運動機構作為激勵裝置，動態(tài)力由安裝在正弦機構上的質量塊產生。為驗證QPSO算法進行系統(tǒng)辨識的可行性，進行了兩組對比實驗。結果顯示：相比于遞推最小二乘（RLS）法，QPSO算法的辨識精度較高，適用于非線性系統(tǒng)的參數(shù)辨識。

量子粒子群優(yōu)化算法；動態(tài)標定；力傳感器；正弦力；系統(tǒng)辨識

0　引言

在航空航天、車輛、艦船、兵器、機器人、材料試驗等諸多領域，力電測系統(tǒng)（即以計算機—力傳感器為平臺的力測量系統(tǒng)）已被廣泛使用。但是在力傳感器的計量校準方面，長期以來是以“靜標動用”的方法進行，即以計量器具靜態(tài)校準時的數(shù)據(jù)結果作為動態(tài)測試時的依據(jù)。但在靜態(tài)校準中精度很高的測試裝置，動態(tài)測試中也可能出現(xiàn)極大的誤差，而致使整個測試裝置在動態(tài)情形下失去其預定的功能，且極易造成人們的錯誤判斷。

力傳感器動態(tài)標定要求有精確的動態(tài)力發(fā)生裝置，根據(jù)標準動態(tài)力發(fā)生裝置輸出信號的形式，目前國內外可查的力源裝置主要分為穩(wěn)態(tài)正弦力源［1～4］和瞬變力源，瞬變力源又包括脈沖式力源［5，6］和階躍式力源［7～10］等。力傳感器動態(tài)標定技術要求對力傳感器施加幅值和頻率已知的精確力，由于正弦力的動態(tài)性能指標易于控制，精度及可靠性較高，因此，正弦力是傳感器動態(tài)標定中比較理想的力源信號。從公開發(fā)表的學術論文情況看，關于力傳感器動態(tài)標定技術的研究單位不多，國外主要有德國聯(lián)邦物理技術研究院（PTB）［1，2］、日本群馬大學［3］和英國特丁頓國立物理研究所（NPL）［4］等。國內南京航空航天大學振動工程研究所［11］和北京長城計量測試技術研究所［12，13］等單位也進行了相關研究，國內的標定設備多借鑒于PTB系統(tǒng)。

目前對傳感器的動態(tài)標定，研究人員多關注于傳感器的動態(tài)靈敏度。當需要研究系統(tǒng)的動態(tài)響應過程時，還要對系統(tǒng)的傳遞函數(shù)進行辨識。傳統(tǒng)的系統(tǒng)辨識方法雖然發(fā)展的比較成熟和完善，但仍存在許多問題，如基于最小二乘（RLS）法的系統(tǒng)辨識對線性系統(tǒng)具有較好的辨識結果，但對非線性系統(tǒng)往往得不到滿意的辨識結果；普遍存在著不能同時確定系統(tǒng)的結構與參數(shù)以及往往得不到全局最優(yōu)解的缺點［14］。目前，隨著系統(tǒng)辨識要求的提高及其理論的不斷發(fā)展，各種智能優(yōu)化算法也相繼被引入到了系統(tǒng)辨識領域。粒子群優(yōu)化（PSO）算法是一種基于群智能的計算技術，具有計算簡單、易于實現(xiàn)、控制參數(shù)少等優(yōu)點，在辨識領域引起了人們的重視，并得到了成功應用［15］。其后，孫俊等人從量子力學角度出發(fā)，建立了基于量子δ勢阱的粒子群模型，提出了量子粒子群優(yōu)化（quantum-behaved particle swarm optimization，QPSO）算法［14］。本文擬將量子粒子群算法引入到力傳感器的動態(tài)標定中，實現(xiàn)對力電測系統(tǒng)傳遞函數(shù)的辨識。

1　QPSO算法

粒子群算法假設在一個多維目標搜索空間中，每個粒子無體積、無重量，并在搜索空間中以一定速度飛行，飛行速度由粒子個體飛行經驗和群體飛行經驗共同決定［16］。設第i個粒子在N維搜素空間中的位置表示為Xi=［xi1，xi2，…，xiN］，相應地，其速度和個體最優(yōu)位置分別表示為Vi=［vi1，vi2，…，viN］和，種群的全局最優(yōu)位置表示為。粒子根據(jù)式（1）、式（2）更新其速度和位置［15］

式中c1，c2為學習因子，一般取c1+c2≤4；r1，r2為［0，1］區(qū)間內的隨機值；w為慣性權重，可由下式確定

式中j為當前迭代次數(shù)；itermax為最大迭代次數(shù)；wmax和wmin為慣性權重的上、下限值。

粒子群優(yōu)化算法從理論上講，不是一個全局收斂算法，算法的速度與位置進化公式使得粒子群的隨機性和智能性較低，算法性能對速度上限的依賴使其魯棒性降低［17］。針對這些問題，文獻［17］提出了QPSO算法。在QPSO算法中，粒子并無確定的飛行軌跡，以一定概率取加或減，更新位置，在整個可行解空間中搜索，故具有更強的全局搜索能力［16］。粒子的更新方程為［15～19］

式中M為種群規(guī)模；α1和α2為（0，1）區(qū)間內的隨機數(shù)；Xmbest為中值最優(yōu)位置；β為收縮擴張系數(shù)；μ為（0，1）區(qū)間內的隨機數(shù)。循環(huán)迭代過程中，式（6）中的“±”由隨機數(shù)μ的大小決定，若μ＞0.5，取負號，否則取正號。

2　動態(tài)標定系統(tǒng)

借助于正弦示功機，搭建了一種類似PTB標定系統(tǒng)的垂直正弦力加載的動態(tài)標定裝置，如圖1所示。

圖1　垂直正弦加載的動態(tài)標定裝置Fig 1　Dynamic calibration device with vertical sine force loading

不同于PTB系統(tǒng)的是，本文所述標定裝置使用了一種正弦機構代替PTB系統(tǒng)中的激振臺。力傳感器安裝在正弦機構上，質量塊連接在力傳感器上。根據(jù)運動學分析有

式中s和a分別為正弦機構主滑塊的位移和加速度，r為偏心曲柄盤的旋轉半徑，ω為其旋轉角速度，φ0為初相位。力傳感器與質量塊之間的連接可看成剛性，其感受到的力可根據(jù)牛頓第二定律得到

式中m為標準質量塊與其它附加質量總和。本系統(tǒng)中，觀測信號來自位移傳感器與待標定力傳感器，因此，以位移傳感器為輸入，力傳感器信號為輸出，并以二階傳遞函數(shù)描述輸入輸出之間的傳遞關系［20］

式中ak和bk為待辨識參數(shù)，這些參數(shù)中包含了傳感器剛度和阻尼等信息［21］，因此，本文將使用QPSO算法對這些參數(shù)進行辨識。

3　實驗與分析

為驗證QPSO算法進行系統(tǒng)辨識的可行性，使用圖1所示裝置進行了兩組辨識實驗，力傳感器分別采用美國INTERFACE公司的應變式雙向力傳感器1010AJ—5KN（實驗1）和1010AJ—12.5KN（實驗2），位移傳感器為MINOR的KTC拉桿系列線性位置傳感器，使用PCI—1716L數(shù)據(jù)采集卡采集力傳感器和位移傳感器的信號。

兩組實驗中，正弦機構的工作頻率均為3 Hz，通過三階低通巴特沃斯濾波器濾除了測量信號中的高頻雜波。為減少QPSO辨識時的運算量，對測量信號進行了重采樣，并使用前34個數(shù)據(jù)點作為辨識數(shù)據(jù)進行模型的辨識，后100多個數(shù)據(jù)作為測試數(shù)據(jù)驗證模型的準確性。QPSO采用如下參數(shù)：種群規(guī)模M為200，最大迭代次數(shù)itermax為2 000，適應度值為均方誤差值（MSE）。同時為比較QPSO的辨識效果，使用了遞推RLS進行了對比實驗。實驗結果如圖2～圖7及表1所示。

圖2　實驗1中QPSO的參數(shù)識別收斂過程Fig 2　Parameter identification convergence process of QPSO in experiment 1

圖3　實驗1辨識誤差曲線Fig 3　Identification error curves in experiment 1

圖4　實驗1模型驗證曲線Fig 4　Model verification curves in experiment 1

圖5　實驗2中QPSO的參數(shù)識別收斂過程Fig 5　Parameter identification convergence process of QPSO in experiment 2

圖6　實驗2辨識誤差曲線Fig 6　Identification error curves in experiment 2

圖7　實驗2模型驗證曲線Fig 7　Model verification curves in experiment 2

表1　模型驗證結果Tab 1　Model verification results

從圖2～圖7看出，兩組實驗的結果基本一致。圖2和圖5的適應度值曲線顯示，辨識過程中QPSO可以較快的速率收斂到全局最優(yōu)，兩組實驗均不到1000次迭代便辨識出了模型的參數(shù)。接著對比RLS和QPSO的性能。圖3和圖6為前34個辨識數(shù)據(jù)點的誤差曲線，雖然兩組實驗中RLS的辨識誤差均稍小于QPSO，但兩者相差并不大。而圖4和圖7的測試曲線卻顯示QPSO辨識出的模型要明顯優(yōu)于RLS，QPSO的測試結果與實測數(shù)據(jù)更為接近。表1的數(shù)據(jù)也驗證了這一點，兩組實驗中QPSO的測試MSE均優(yōu)于RLS10倍以上。因此，QPSO算法可以應用于辨識力電測系統(tǒng)的參數(shù)，為解決非線性系統(tǒng)的辨識問題提供一條有效途徑。

4　結論

本文在分析目前國內外力傳感器動態(tài)標定系統(tǒng)研究現(xiàn)狀的基礎上，借鑒德國PTB標定系統(tǒng)，搭建了垂直加載的正弦力標定裝置，并對其工作原理進行了介紹。針對RLS法等辨識方法對非線性系統(tǒng)辨識效果不理想的問題，提出將QPSO算法引入到力傳感器的動態(tài)標定辨識中來。文中進行了兩組實驗，并同時使用QPSO算法和遞推RLS法對系統(tǒng)的模型參數(shù)進行辨識，實驗結果顯示：QPSO算法的辨識效果要明顯優(yōu)于遞推RLS法，為非線性系統(tǒng)參數(shù)辨識提供了新思路，具有一定的應用價值。

［1］Kumme R.Dynamic investigations of force transducers［J］.Ex-perimental Techniques，1993，17（6）：51-53.

［2］Schlegel Ch，Kieckenap G，Glockner B，et al.Traceable periodic force calibration［J］.Metrologia，2012，49：224-235.

［3］Yusaku Fujii.A method for calibrating force transducers against oscillation force［J］.Meas Sci Technol，2003，14：1259-1264.

［4］鄭正.2種不同動態(tài)力測量系統(tǒng)的比對結果［J］.航空計測技術，1995，15（4）：35-38.

［5］Bruns Th，Kumme R，Kobusch M，et al.From oscillation to impact：The design of a new force calibration device at PTB［J］. Measurement，2002，32：85-92.

［6］Yusaku Fujii.Toward dynamic force calibration［J］.Measurement，2009，42：1039-1044.

［7］Yusaku Fujii.Proposal for a step response evaluation method for force transducers［J］.Meas Sci Technol，2003，14：1741-1746.

［8］孫金鋒，謝殿煌，張訓文.氣動助推負階躍力校準裝置研究［J］.儀器儀表學報，2010，31（2）：459-463.

［9］黃俊欽，王效葵，李行善，等.力傳感器動態(tài)重復性、線性度與性能改進的研究［J］.測試技術學報，1994，8（2）：53-64.

［10］魏燕定.標準負階躍力的實現(xiàn)及其測量儀測量研究［J］.實驗力學，2001，16（1）：7-12.

［11］顧寶棟，陳懷海，申凡.力傳感器動態(tài)標定及其精度分析研究［J］.振動與沖擊，2005，24（2）：95-98.

［12］王宇，張力，洪寶林，等.正弦力校準中降低質量塊振動響應不均勻影響的設計方案［J］.振動與沖擊，2010，29（7）：228-231.

［13］張力.激光干涉法進行正弦力校準研究［J］.計量學報，2005，26（4）：337-342.

［14］趙吉.群體智能算法研究及其應用［D］.無錫：江南大學，2010.

［15］黃宇，韓璞，劉長良，等.改進量子粒子群算法及其在系統(tǒng)辨識中的應用［J］.中國電機工程學報，2011，31（10）：114-120.

［16］李志農，蔣靜，陳金剛，等.基于量子粒子群優(yōu)化的Volterra核辨識算法研究［J］.振動與沖擊，2013，32（3）：60-63.

［17］孫俊.量子行為粒子群優(yōu)化算法研究［D］.無錫：江南大學，2009.

［18］王艷萍，張惠敏，劉新貴.基于量子粒子群優(yōu)化算法的無線傳感器網絡節(jié)點優(yōu)化［J］.傳感器與微系統(tǒng)，2010，29（2）：32-34.

［19］趙吉，紀志成.基于量子行為粒子群優(yōu)化算法的定位技術研究［J］.傳感器與微系統(tǒng)，2012，31（5）：58-61.

［20］Lu Jianshan，Xie Weidong，Zhou Hongbo.Combined fitness function based particle swarm optimization algorithm for system identification［J］.Computers&Industrial Engineering，2016，95：122-134.

［21］Schlegel Ch，Kieckenap G，Glckner B，et al.Traceable periodic force calibration［J］.Metrologia，2012，49：224-235.

周鴻波，通訊作者，E—mail：paper_Lu@163.com。

Dynamic calibration and identification method based on quantum-behaved particle swarm optimization*

LU Jian-shan，ZHOU Hong-bo，XIE Wei-dong
（College of Mechanical Engineering，Zhejiang University of Technology，Hangzhou 310014，China）

In order to improve unsatisfactory effect of traditional identification methods for nonlinear systems，quantum-behaved particle swarm optimization（QPSO）algorithm is introduced to dynamic calibration identification of force transducers.A dynamic calibration facility with vertical sine force loading is built up.A sine mechanism is employed to generate sinusoidal motion in the facility，and dynamic force can be obtained based on determination of inertia force as a mass mounted on sine mechanism.To verify feasibility of QPSO for system identification，two groups of experiments are carried out.The results indicate that the identification precision of QPSO is superior to recursive least squares method，and it is feasible for nonlinear system identification.

quantum-behaved particle swarm optimization（QPSO）algorithm；dynamic calibration；force transducer；sine force；system identification

TP301.6

A

1000—9787（2016）06—0027—04

10.13873/J.1000—9787（2016）06—0027—04

2016—04—14

國家自然科學基金資助項目（51405437）

陸建山（1986-），男，江蘇鹽城人，博士，講師，主要研究方向為動態(tài)測試技術、汽車電子技術。