(19)國家知識產(chǎn)權(quán)局地址132013吉林省吉林市濱江東路3999號孟祥(普通合伙)37432本發(fā)明公開了一種機械臂云臺動態(tài)自適應(yīng)算法對機械臂云臺控制系統(tǒng)的PID控制器模塊的控制參數(shù)進行優(yōu)化，得到最優(yōu)的一組控制參數(shù)；2S1、通過一種基于局部梯度的適應(yīng)性調(diào)整機制來更新酶作用優(yōu)化算法的自適應(yīng)因子AF,該策略結(jié)合了種群中個體的局部梯度信息和搜索空間多樣性熵的變化，實時反饋和調(diào)整算法在尋優(yōu)過程中自適應(yīng)因子AF的大?。籗2、通過一種軌道擾動誘導位置更新策略改進成非動態(tài)酶勢場因子U(iter)和微擾動因子T(iter)步驟三、獲取機械臂云臺當前位置和目標位置之間的誤差，通過改進的酶作用優(yōu)化算法對機械臂云臺控制系統(tǒng)的PID控制器模塊的控制參數(shù)進步驟四、根據(jù)步驟三中得到的一組最優(yōu)控制參數(shù)輸入PID控制器，通過PID控制器角度誤差e(t),通過角度誤差e(t),PID控制器模塊使用改進的酶作用優(yōu)化算法模塊進行控過一種基于局部梯度的適應(yīng)性調(diào)整機制來更新酶作用優(yōu)化算法的自適應(yīng)因子AF,首先進行調(diào)整自適應(yīng)因子AF的值，如果局部梯度和分布熵H的值變大，則說明當前解空間的范圍廣局部梯度，,f表示當前個體位置的適應(yīng)度值，Jses表示種群中最優(yōu)個3過一種軌道擾動誘導位置更新策略改進酶作用優(yōu)化算法中的第二個底物的位置更新的數(shù)接更新個體位置，而是構(gòu)建非動態(tài)酶勢場因子U(iter)和微擾因子T(iter),個體在擾動軌然后設(shè)置個體位置更新的步長調(diào)控因子y,y=ymax/1+log(1+iter),ymax表示步長最大X(iter+1)=X(iter)+y·(U(iter)-T(iter))(7);中，通過改進的酶作用優(yōu)化算法對機械臂云臺控制系統(tǒng)的PID控制器模塊的控制參數(shù)進行step1、對改進的酶作用優(yōu)化算法進行參數(shù)的初始化，包括種群個體數(shù)量N,問題維度4dim,最大迭代次數(shù)max_iter,搜索空間上限ub,搜索空間下限1b;step2、將改進的酶作用優(yōu)化算法與構(gòu)建的機械臂云臺控制系統(tǒng)中的PID控制器模塊進進的酶作用優(yōu)化算法的問題維度dim=3,每個個體的位置包含三個維度對應(yīng)PID控制器的器并返回控制的實時誤差值e(t),通過適應(yīng)度值函數(shù)計算每組參數(shù)的適應(yīng)度值大小作為尋step5、判斷當前迭代次數(shù)是否達到了最大迭代次數(shù)，如果沒有達到返回執(zhí)行step45技術(shù)領(lǐng)域[0001]本發(fā)明屬于PID控制優(yōu)化技術(shù)領(lǐng)域，尤其涉及一種機械臂云臺動態(tài)自適應(yīng)控制方法。背景技術(shù)[0002]隨著智能制造、機器人技術(shù)及無人系統(tǒng)的快速發(fā)展，機械臂與云臺系統(tǒng)在工業(yè)自一種多自由度的執(zhí)行機構(gòu)，具備靈活的軌跡控制能力；云臺系統(tǒng)則廣泛應(yīng)用于視覺感知與姿態(tài)調(diào)整任務(wù)，常用于搭載攝像頭、傳感器等設(shè)備進行目標追蹤與環(huán)境監(jiān)測，傳統(tǒng)的云臺控制方法多依賴于固定參數(shù)的PID控制策略，難以適應(yīng)環(huán)境動態(tài)變化，如載荷擾動、機械臂關(guān)節(jié)震動、運行路徑變更等，帶來的姿態(tài)偏差與抖動問題，在復雜應(yīng)用場景下，云臺需要根據(jù)機械臂末端狀態(tài)、自身負載特性及目標反饋信息進行實時調(diào)節(jié)，這對控制系統(tǒng)的響應(yīng)速度、魯棒性與自適應(yīng)能力提出了更高要求。[0003]PID控制策略通過比例、積分和微分三部分的加權(quán)組合來調(diào)節(jié)系統(tǒng)控制調(diào)節(jié)輸出，廣泛應(yīng)用于工業(yè)過程控制中，PID控制器由于其結(jié)構(gòu)控制領(lǐng)域中得到了廣泛應(yīng)用，但是傳統(tǒng)PID控制策略也存在一些缺點，首先其性能高度依賴于比例、積分和微分系數(shù)的設(shè)置，且這些參數(shù)在不同工況下需要手動調(diào)整，缺乏自適應(yīng)能力，其次，對于復雜的非線性系統(tǒng)或存在外部擾動的情況下，固定參數(shù)的PID控制器無法實時應(yīng)對系統(tǒng)變化，容易導致控制不穩(wěn)定，通過智能優(yōu)化算法與PID控制技術(shù)結(jié)合，用來自動優(yōu)化PID參數(shù)，這種方法可以有效解決PID參數(shù)選擇時的經(jīng)驗依賴問題，并提高控制器的精度和魯棒性。[0004]酶作用優(yōu)化算法(EAO)是一種新穎的生物啟發(fā)式優(yōu)化算法，模仿了生物系統(tǒng)中酶算法根據(jù)觀察到的性能動態(tài)調(diào)整探索和開發(fā)策略，平衡探索解空間的不同區(qū)域和對有前景區(qū)域的精細化搜索，EA0融合了隨機元素和自適應(yīng)因子，類似于生物過程，從而避免了過早發(fā)明內(nèi)容[0005]本發(fā)明的目的在于：對酶作用優(yōu)化算法進行改進，利用改進的酶作用優(yōu)化算法優(yōu)化機械臂云臺控制系統(tǒng)中的PID控制器的控制參數(shù)，改進后的酶作用優(yōu)化算法在尋優(yōu)過程中的性能更好，適應(yīng)能力更強，可以更好的適應(yīng)于云臺控制的場景，可以在更短的迭代次數(shù)下尋得最優(yōu)解，同時通過優(yōu)化后的PID控制器對機械臂云臺控制系統(tǒng)的角度進行控制，提高的系統(tǒng)的自適應(yīng)能力，增強了系統(tǒng)的控制精度，在復雜的控制場景下，云臺也可以快速做出響應(yīng)并旋轉(zhuǎn)至目標角度，便于機械臂進行抓取工作，有效解決了PID控制器由于固定參數(shù)帶來的適應(yīng)能力差的問題，進而提高了機械臂云臺控制系統(tǒng)的魯棒性。[0006]為了實現(xiàn)上述目的，本發(fā)明采用了如下的技術(shù)方案。6子AF,該策略結(jié)合了種群中個體的局部梯度信息和搜索空間多樣性熵的變化，實時反饋和過生成非動態(tài)酶勢場因子U(iter)和微擾動因子T(iter角度誤差，通過改進的酶作用優(yōu)化算法對機械臂云臺控制系統(tǒng)的PID控制器模塊的控制參標位置計算出云臺需要調(diào)整的角度誤差e(t),通過角度誤差e(t),PID控制器模塊使用改進制的過程中云臺實時位置檢測模塊實時更新云臺位置并反饋給位置獲取模塊進行實時調(diào)改進酶作用優(yōu)化算法優(yōu)化PID控制器的得到的比例增益參數(shù)、積分增益參數(shù)和微分增益參法的自適應(yīng)因子AF,首先進行局部梯度XT的計算，局部梯度由當前個體的位置相對于種群7式(4)中，N表示種群個體數(shù)量，@表示分布權(quán)重值，取值為[0,1]之間的隨機數(shù)，始帶寬，取值為0.5,r表示調(diào)節(jié)系數(shù)，取值為1.2,Hprev表示上一次迭代的分布熵的值，因子T(iter),個體在擾動軌道中沿著微擾動態(tài)躍遷路徑進行移動，非動態(tài)酶勢場因子U8然后設(shè)置個體位置更新的步長調(diào)控因子y,y=ymax/1+log(1+iter),ymax表示步長X(iter+1)=X(iter)+y·(U(iter)-T(iter))(7);度dim,最大迭代次數(shù)max_iter,搜索空間上限塊進行映射，具體為將改進的酶作用優(yōu)化算法的優(yōu)化過程與PID控制器的參數(shù)整定進行結(jié)合，改進的酶作用優(yōu)化算法的問題維度dim=3,每個個體的位置包含三個維度對應(yīng)PID控制器并返回控制的實時誤差值e(t),通過適應(yīng)度值函數(shù)計算每組參數(shù)的適應(yīng)度值大小作為尋step41、首先更新改進的酶作用優(yōu)化算法的自適應(yīng)因子AF,具體的公式如式(3)9step42、進行個體第一個底物的位置更新，具體的更新公式如式(9)所示：X(iter)=(Xbest-X(iter))+p·sin(AF·X(iter))(9);式(9)中，X(iter+1)表示更新的個體位置，X(iter)表示當前個體位置，XBest表示最優(yōu)個體位置，p表示[0,1]之間的隨機數(shù)，AF表示自適應(yīng)因子，具體的公式如式(3)所示；step43、進行個體第二個底物的位置更新，具體的更新公式如式(7)所示；step44、選取兩個底物更新后適應(yīng)度值更好的個體作為最終的更新位置；step5、判斷當前迭代次數(shù)是否達到了最大迭代次數(shù)，如果沒有達到返回執(zhí)行step4進行尋優(yōu)，如果達到則完成算法尋優(yōu)輸出最優(yōu)解。[0018]通過采用上述技術(shù)方案，發(fā)明的優(yōu)益之處為：對酶作用優(yōu)化算法的尋優(yōu)的數(shù)學模型進行了改進，并將改進的酶作用優(yōu)化算法應(yīng)用于機械臂云臺控制系統(tǒng)中PID控制器參數(shù)的優(yōu)化過程中，通過引入新的尋優(yōu)機制，改進后的算法在搜索效率、解的質(zhì)量以及適應(yīng)不同控制需求方面表現(xiàn)更加優(yōu)越，能夠更有效地適配云臺控制系統(tǒng)的動態(tài)特性，在優(yōu)化過程中，改進后的算法能夠以更快的速度收斂于高質(zhì)量解，顯著縮短迭代時間，借助優(yōu)化后的PID控制器對云臺姿態(tài)角進行精準調(diào)節(jié)，系統(tǒng)在多變環(huán)境中展現(xiàn)出更強的自適應(yīng)能力與角度控制精度，確保云臺能在短時間內(nèi)快速響應(yīng)控制指令并完成對目標方向的對準，從而提高機械臂執(zhí)行抓取任務(wù)的效率與準確性，相比于傳統(tǒng)固定參數(shù)的PID控制方式，該方法有效克服了參數(shù)適應(yīng)性差、響應(yīng)滯后等問題，顯著增強了云臺控制系統(tǒng)在復雜應(yīng)用場景下的魯棒性與附圖說明[0019]圖1為一種機械臂云臺動態(tài)自適應(yīng)控制方法流程圖。[0020]圖2為構(gòu)建機械臂云臺控制系統(tǒng)模型圖。[0021]圖3為改進的酶作用優(yōu)化算法與原酶作用優(yōu)化算法尋優(yōu)過程中適應(yīng)度值變化對比[0022]圖4為改進的酶作用優(yōu)化算法與原酶作用優(yōu)化算法優(yōu)化機械臂云臺控制系統(tǒng)中PID控制器的響應(yīng)對比圖。具體實施方式[0023]下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚，完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例；基于本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例都屬于本發(fā)明保護的范圍。[0024]本發(fā)明提供了一種技術(shù)方案：一種機械臂云臺動態(tài)自適應(yīng)控制方法，具體包括一下步驟，如圖1所示。[0025]步驟一、構(gòu)建機械臂云臺控制系統(tǒng)，所述控制系統(tǒng)包括：位置獲取模塊、角度計算[0026]進一步地，所述步驟一中構(gòu)建的機械臂云臺控制系統(tǒng)，位置獲取模塊是獲取云臺目標位置計算出云臺需要調(diào)整的角度誤差e(t),通過角度誤差e(t),PID控制器模塊使用改控制的過程中云臺實時位置檢測模塊實時更新云臺位置并反饋給位置獲取模塊進行實時改進酶作用優(yōu)化算法優(yōu)化PID控制器的得到的比例增益參數(shù)、積分增益參數(shù)和微分增益參子AF,該策略結(jié)合了種群中個體的局部梯度信息和搜索空間多樣性熵的變化，實時反饋和過生成非動態(tài)酶勢場因子U(iter)和微擾動因子T(iter)對個體位置進行更新。算法的自適應(yīng)因子AF,首先進行局部梯度XT的計算，局部梯度由當前個體的位置相對于種群中的最優(yōu)位置的差值和當前個體位置的適應(yīng)度值和最優(yōu)位置的適應(yīng)度值來確定，然后引局部梯度和熵變化的反饋，動態(tài)調(diào)整自適應(yīng)因子AF的值，如果局部梯度和分布熵H的值變擾因子T(iter),個體在擾動軌道中沿著微擾動態(tài)躍遷路徑進行移動，非動態(tài)酶勢場因子U然后設(shè)置個體位置更新的步長調(diào)控因子y,y=ymax/1+log(1+iter),ymax表示步長X(iter+1)=X(iter)+y·(U(iter)-T(iter))(7);角度誤差，通過改進的酶作用優(yōu)化算法對機械臂云臺控制系統(tǒng)的PID控制器模塊的控制參度dim,最大迭代次數(shù)max_iter,搜索空間上限塊進行映射，具體為將改進的酶作用優(yōu)化算法的優(yōu)化過程與PID控制器的參數(shù)整定進行結(jié)合，改進的酶作用優(yōu)化算法的問題維度dim=3,每個個體的位置包含三個維度對應(yīng)PID控制器并返回控制的實時誤差值e(t),通過適應(yīng)度值函數(shù)計算每組參數(shù)的適應(yīng)度值大小作為尋step41、首先更新改進的酶作用優(yōu)化算法的自適應(yīng)因子AF,具體的公式如式(3)X(iter)=(Xbest-X(iter))+p·sin(AF·X(iter))(9);step5、判斷當前迭代次數(shù)是否達到了最大迭代次數(shù)，如果沒有達到返回執(zhí)行functiontheta=simulate%Kp,Ki,Kd-PID控制器參數(shù)%t仿真時間%初始化變量theta=zeros(1,n);%角度theta(t)dtheta=zeros(1,n);%角速度dθ/dt%當前誤差e(i)=ref-theta(i-1);%積分項%微分項derivative=(e(i)-e(i-1))/(t(i)-t%PID控制器輸出U(t)u(i)=Kp*e(i)+Ki*integral+Kd*d%更新角速度與角度(數(shù)值積分)dtheta(i)=dtheta(i-1)+ddtheta*theta(i)=theta(i-1)+dtheta(i)*(t(i)-題維度dim設(shè)置為3,種群數(shù)量設(shè)置為100,搜索空間上限ub設(shè)置為100,下限1b設(shè)置為0.001,作用優(yōu)化算法與原酶作用優(yōu)化算法尋優(yōu)過程中適應(yīng)度值變化對比圖和改進的酶作用優(yōu)化算法與原酶作用優(yōu)化算法優(yōu)化機械臂云臺控制系統(tǒng)中PID[0035]更進一步地，從圖3中可以看出改進的酶作用優(yōu)化算法在尋優(yōu)過程中適應(yīng)度值變繼續(xù)尋優(yōu)，并且最終尋得的解的適應(yīng)度值更小，尋優(yōu)精度更好，將控制的目標值設(shè)置為1個單位量，從圖4中可以看出原酶作用優(yōu)化