一种基于BP神经网络的PID自适应整定算法.pdf

信息记录材料 2023 年 7 月 第 24 卷第 7 期一种基于 BP 神经网络的 PID 自适应整定算法潘禹之1,余艳玲2(1 翱捷科技股份有限公司 上海 201203)(2 东南大学电子科学与工程学院 江苏 南京 210096)【摘摘要要】提出了一种应用于光学图像稳定器(optical image stabilization,ois)系统中闭环控制模块的基于反向传播算法(backpropagation algorithm,BP)神经网络的 PID(Proportion,比例;Integration,积分;Differentiation,微分)自适应整定算法,即 BP-PID 控制算法。音圈马达存在非线性和迟滞问题,对光学防抖算法的实现造成了巨大挑战,为了解决这个问题,提出了在光学防抖算法中引入 BP 神经网络的解决方案。通过神经网络的学习能力,所提出的算法在自适应不同音圈马达个性化差异方面有着明显的提升。还进行了二阶系统的 BP-PID 控制仿真,证实了 BP 神经网络整定 PID 参数的有效性,相对于传统 PID 控制算法具备更好的跟踪与控制特性。【关关键键词词】B BP P 算算法法;P PI ID D;B BP P-P PI ID D;o oi is s;音音圈圈马马达达【中中图图分分类类号号】TP39 【文文献献标标识识码码】A 【文文章章编编号号】1009-5624(2023)07-0243-040 引言近年来,光学图像稳定器(optical image stabilization,OIS)技术发展势头迅猛,市场需求快速增长,随着多摄像头的进一步普及,大众对手机拍照性能的要求越来越高,OIS 份额随之逐年上升,市场前景极为广阔。OIS 靠驱动芯片实时控制相关执行器调整到达图像传感器的光路来抵消相机的抖动,使得在图像传感器上的成像本身就是清晰的,因此可以减轻手机应用处理器负担,并且可以获得最佳质量的影像。目前,高端手机均使用 OIS 技术,OppoReno、华为 Mate 30 Pro、小米 Redmi K30 Pro 更是均使用了双 OIS 技术。OIS 已成为提升智能机拍照性能的确定性发展方向。基于 VCM 技术的 OIS 执行器是目前市场上最为成熟的执行器。VCM 实现 OIS 的基本原理是通过控制音圈电机移动光学镜头,以实现对手部抖动的补偿。VCM 通过围绕在镜头桶周围的磁铁与线圈产生的电磁力不仅可以平移镜头桶以实现对焦,还可以倾斜整个相机模块以实现OIS 功能1-4。Hsieh 等5指出 VCM 由于其高性能的动态特性、可大规模量产性及低成本等优势已经是市场上最成熟的 OIS模组技术。从 OIS 系统所控制的光学组件上来划分,OIS系统可以分为移动镜头、移动图像传感器(Sensor-Shift)和镜头与图像传感器同步移动 3 种类型。镜头与图像传感器同步移动的方案主要应用于主流的数码相机,而对于智能手机的相机而言该方案不仅成本高昂,且需要更多的宝贵空间。而对于移动图像传感器的方案而言,由于图像传感器在曝光的过程中需要移动传感器,因此需要镜头输出的成像尺寸大于图像传感器尺寸。而且与镜头移动的距离相比,图像传感器的移动范围要大得多,并不适用于长焦距和慢速快门的应用。因此基于镜头移动的光学稳定系统成为研究的主要方向。1 OIS 系统OIS 系统包括抖动检测和补偿处理等模块。在 OIS系统中,精确地估计手的抖动和控制算法是防抖性能的最关键环节。OIS 系统框图,如图 1 所示。手部抖动检测,通常通过获取和处理陀螺仪传感器的数据得到,陀螺仪数据的处理包括窗口式均值滤波、低通滤波器、高通滤波器和积分等。控制算法是为了保证相机模组镜头能够有效抵消手部抖动带来的模糊现象,本文提出了一种基于反向传播算法(backpropagation algorithm,BP)神经网络的闭环控制系统。图 1 OIS 系统框图 从控制算法上来看,有研究提出了基于开环的控制策略,但由于其精度和可靠性的问题,工业界和学术界往往采用不需要模型支持的 PID 及其变种的控制方法。KIM等6研究了 OIS 系统的控制建模问题,提出了一种基于控342信息记录材料 2023 年 7 月 第 24 卷第 7 期制性能指标的反馈控制器设计方法学。也有实现了双PID 控制算法,可以实现不同应用场景的防抖效果,该算法需要较长的建立时间并且建模难度较大7。这些算法没有很好地解决不同厂商,甚至同一厂商同一型号的音圈马达存在较大的性能差异的问题。这种音圈马达性能参数的随机分布特性使得传统控制算法的参数调教非常低效,往往需要为采用不同音圈马达的光学防抖系统进行个性化的参数调整,大大降低了算法的鲁棒性,增加了为不同手机型号设计光学防抖系统的成本。为了解决这个问题,本文创新地提出了在光学防抖算法中引入 BP 神经网络的解决方案。通过神经网络的学习能力,本文所提出的算法在自适应不同音圈马达个性化差异方面有着明显的提升。2 BP-PID 自适应整定算法及闭环控制步骤在实际应用场景中,传统 PID 控制器参数整定困难。本文研究采用 BP 神经网络整定 PID 参数,相对于传统PID 控制算法具备更好的跟踪与控制特性。2.1 BP 神经网络 PID 控制器PID 控制器由比例、积分、微分器组成,经典增量式数字 PID 的控制算式表示为式(1)。u(k)=Kpe(k)-e(k-1)+Kie(k)+Kde(k)-2e(k-1)+e(k-2)。(1)其中,u(k)=u(k)-u(k-1),e(k)=r(k)-y(k)。式中:u(k)、r(k)、y(k)分别为 k 采样时刻的控制量、期望输出和系统实际输出值;e(k)为当前时刻的误差;Kp、Ki、Kd分别为比例、积分、微分系数。PID 控制效果的好坏很大程度上受到 Kp、Ki、Kd参数的影响,对于复杂控制对象,手动调节 PID 参数比较费时且参数的选择达不到最优。本文提出基于 BP 神经网络的 PID 控制算法,利用神经网络的非线性表达能力,在线学习并实时更新 PID 参数,实现 Kp、Ki、Kd参数迭代寻优与 PID 控制器的稳定控制效果。2.2 BP 神经网络BP 神经网络结构如图 2 所示,主要由输入层、隐藏层和输出层组成,m 为输入节点数,p 为隐藏层节点数,s 为输出层节点数,隐藏层的层数通常为 1。图 2 BP 神经网络结构BP 神经网络输入层的输入可表示式(2)O(1)j=x(j),j=1,2,3,m。(2)隐藏层的输入可表示式(3)net(2)i(k)=mj=1(2)ijO(1)j,i=1,2,3,p。(3)输出层的输入可表示式(4)net(3)l(k)=qi=1(3)liO(2)i(k),l=1,2,3,s。(4)在 BP-PID 中,BP 神经网络的输出为 PID 控制器参数,见式(5)O(3)1(k)=KpO(3)2(k)=KiO(3)3(k)=Kd(5)式(2)、式(3)、式(4)、式(5)中:上标(1)为输入层;上标(2)为隐藏层;上标(3)为输出层;(2)ij为输入层至隐藏层的权重系数矩阵;(3)li为隐藏层至输出层的权重系数矩阵。BP 神经网络采用误差平方作为性能指标函数,其表达式为式(6):E(k)=12(r(k)-y(k)2。(6)为了最小化 E(k),BP 神经网络使用最速下降法来更新各层的权重系数,并将输出层的误差向前传递。按照E(k)的负梯度方向搜索调整,可得(3)li的公式为式(7):(3)li(k)=(3)lO(2)i(k)+(3)li(k-1)。(7)其中,(3)l的表达式为式(8):(3)l=e(k)signy(k)-y(k-1)u(k)-u(k-1)()u(k)O(3)l(k)f(net(3)l(k)。(8)同理,可求得隐藏层的权值矩阵(2)ij的更新式(9)(2)ij(k)=(2)lO(1)j(k)+(2)ij(k-1)。(9)(2)i的表达式(10)(2)i=g(net(2)i(k)3l=1(3)l(3)li(k)。(10)2.3 闭环控制算法步骤基于 BP 神经网络的 PID 控制算法步骤如下:步骤 1 搭建如图 2 所示的 BP 神经网络结构,根据输入输出数据维度确定输入层、隐藏层和输出层的神经单元个数,初始化权值矩阵、学习率和惯性系数。步骤 2 采样获得控制对象的输出值 y(k)和目标值r(k),得出误差值 e(k)。步骤 3 计 算 获 得 BP 神 经 网 络 的 前 向 输 出 值O(3)l(k),即 PID 控制器参数 Kp、Ki、Kd。步骤 4将误差进行反向传播,计算各级链式偏导数。步骤 5 更新权值矩阵,在线调整(2)ij和(3)li,实现PID 参数的自我优化调整。步骤 6 迭代次数 k=k+1,返回步骤 2。442信息记录材料 2023 年 7 月 第 24 卷第 7 期3 仿真实验3.1 实验参数设置本文仿真实验选定的控制对象为式(11)y(k)=-0.4y(k-1)-0.048y(k-2)+3.748u(k-1)+0.083u(k-2)。(11)参考输入分别为阶跃信号和幅值频率随时间变化的正弦信号,采样频率为 f=1 000 Hz,正弦信号见式(12)r(t)=A(t)(t)t)。(12)其中,t=kts,ts=1/f 是采样时间,A(t)、(t)的表达式见式(13)A(t)=0.15sin(0.525+0.475sin(4t)(t)=2(7+5cos(1.4t)(13)本文实验采用 Matlab R2021b 工具对式(11)所示的控制对象进行控制仿真,并搭建 BP 神经网络,网络结构参数配置见表 1。表 1 BP 神经网络结构参数结构参数数值输入层单元m3隐藏层单元p5输出层单元s3学习率0.3惯性项0.053.2 阶跃信号跟踪实验输入信号为单位阶跃信号时,仿真的实验结果可以看出,BP-PID 相比于经典的 PID 控制器具有更好的跟踪速率,在克服扰动信号时具有更小的跟踪误差。在阶跃信号跟踪实验中,基于 BP 神经网络的 PID 参数整定结果如图 3 所示,从上至下依次为 Kp、Ki、Kd参数曲线,可以看出 PID 参数具有自整定效果,同时在参考信号扰动发生时能快速自我调整,相比于经典 PID 的参数固化具有更好的抗干扰能力。图 3 BP 网络整定的 PID 参数变化曲线3.3 正弦信号跟踪实验输入信号为式(12)所示的频率、幅值随时间变化的正弦信号时,仿真实验结果可以看出,BP-PID 相比于经典的 PID 控制器具有更小的跟踪误差与更小的跟踪超调。正弦信号跟踪实验中,基于 BP 神经网络的 PID 参数整定结果如图 4 所示,从上至下依次是 Kp、Ki、Kd参数曲线,可以看出 PID 参数随时间在一定范围内变化且收敛,说明使用 BP 神经网络进行参数整定的算法具备有效性。图 4 BP 网络整定的 PID 参数变化曲线4 结论本文主要面向 OIS 中闭环防抖控制模块,针对姿态角度解算中传统 PID 控制器参数整定困难的问题,提出了BP-PID 控制方案,并进行了二阶系统的 BP-PID 控制仿真,证实了 BP 神经网络整定 PID 参数的有效性,相对于传统 PID 控制算法具备更好的跟踪与控制特性。【参考文献】1 李翁衡,卢琴芬.微型音圈电机在手机摄像模组中的应用J.微电机,2018,51(7):8-11.2 兴连国,周惠兴,侯书林,等.音圈电机研究及应用综述J.微电机,2011,44(8):82-87.3 潘高.光盘机聚焦驱动电路的研究 D.成都:电子科技大学,2005.4 常雪峰,陈幼平,艾武,等.音圈直线电动机设计、控制及应用综述 J.微电机,2008,41(11):66-69,83.5 HSIEH C L,CHANG Y H,CHEN Y T,et al.Design of VCMactuator with L-shape coil for smartphone cameras J.Microsyst Technol,2018,24(2):1033-1040.6 KIM W Y,SEO H T,KIM S,et al.Practical approach forcontrolling optical image stabilization system J.InternationalJournal of Control,Automation and Systems,2020,18(4):824-833.7 YU H C,LIU T S.Adaptive model-following control for slimvoice coil motor type optical image stabilization actuator J/OL.Journal of Applied Physics,2008,103(7):21.https:/doi.org/10.1063/1.2835447.作者简介:潘禹之(1972),男,天津,本科,工程师,研究方向:信息处理。542