Processing math: 100%
  • ISSN 0258-2724
  • CN 51-1277/U
  • EI Compendex
  • Scopus 收录
  • 全国中文核心期刊
  • 中国科技论文统计源期刊
  • 中国科学引文数据库来源期刊

基于差分能量图和CGBP的微表情识别

于明 王英资 于洋 刘依

陈萍, 史天成, 于明月, 单磊. 基于模型参考自适应的自学习悬浮控制策略[J]. 西南交通大学学报, 2023, 58(4): 799-807. doi: 10.3969/j.issn.0258-2724.20220752
引用本文: 于明, 王英资, 于洋, 刘依. 基于差分能量图和CGBP的微表情识别[J]. 西南交通大学学报, 2016, 29(6): 1222-1229. doi: 10.3969/j.issn.0258-2724.2016.06.024
CHEN Ping, SHI Tiancheng, YU Mingyue, SHAN Lei. Self-Learning Model Reference Adaptive Levitation Control Strategy[J]. Journal of Southwest Jiaotong University, 2023, 58(4): 799-807. doi: 10.3969/j.issn.0258-2724.20220752
Citation: YU Ming, WANG Yingzi, YU Yang, LIU Yi. Micro-expression Recognition Based on Differential Energy Maps and CGBP[J]. Journal of Southwest Jiaotong University, 2016, 29(6): 1222-1229. doi: 10.3969/j.issn.0258-2724.2016.06.024

基于差分能量图和CGBP的微表情识别

doi: 10.3969/j.issn.0258-2724.2016.06.024
基金项目: 

国家自然科学基金资助项目(60302018)

天津市科技计划资助项目(14RCGFGX00846)

河北省自然科学基金资助项目(F2015202239)

详细信息
    作者简介:

    于明(1964-),男,教授,博士,研究方向为图像处理与模式识别、智能媒体接口及生物信息识别,E-mail:yuming@hebut.edu.cn

Micro-expression Recognition Based on Differential Energy Maps and CGBP

  • 摘要: 微表情是一种不能自主控制和伪装的面部表情,其与诚信度的关系密切,具有持续时间短且难以识别的特征.为提高计算机自动识别微表情的准确性,提出一种基于差分能量图和中心化Gabor二值模式(centralized Gabor binary patterns,CGBP)的微表情识别方法.该方法首先利用差分法计算微表情序列的能量得到差分能量图,获得人脸面部肌肉相位的变化;其次将Gabor与中心二值模式CBP相结合,得到CGBP算子对能量图进行微表情的特征提取;最后利用ELM分类器进行微表情分类识别.在CASME微表情库上的实验结果表明,该方法比LBP-TOP、DTSA3、Gabor、VLBP、CBP-TOP算法更能有效地获得微表情序列的时空纹理特征,平均识别率为86.54%.

     

  • 磁浮列车因其无接触运行、爬坡能力强、噪声小等优点得到了研究人员的广泛关注. 但是悬浮系统的敏感性、开环不稳定性和非线性给控制器的设计带来很大挑战[1]. 控制器的指令响应速度与闭环鲁棒性相互矛盾,需要权衡两者的关系[2].

    消除悬浮架撞击轨道梁现象需要提高指令响应速度;当列车运行在不平顺的轨道梁上或停车上下客时,会影响稳定悬浮,从而需要增加控制系统的鲁棒性. 但提高指令响应速度与增加系统的闭环鲁棒性两者相互矛盾,因为线路情况多变并且环境较为恶劣[3],提升算法鲁棒性显得更为重要[4-5].

    针对文献[6]提出的悬浮控制器,其非线性、模型不确定性和轨道不平顺产生的干扰力被视为对简化线性模型的扰动,通常采用扩张状态观测器观测和抑制扰动[7-9],并采用反馈控制实现对期望间隙的跟踪,但是其算法的反馈系数是固定的,影响了列车对不同线路的适应能力. 针对多变的运行工况,文献[10]提出一种实用的变结构滑模控制算法,但滑模控制在系统达到滑模面附近有颤振现象,易导致悬浮架紧固件松动,增加检修工作量;文献[11]提出一种神经网络自适应控制算法应对车体质量变化的影响.

    变化的工况使得磁浮列车传递函数具有不确定性,需要对所受干扰力进行实时参数估计和补偿[5]. 定参数控制很难适应这种状态,每隔一段时间都需要针对现场运营状态重新调整以控制参数[12].

    当被控对象结构已知,且参数变化不大时,模型参考自适应(MRAC)控制是提高跟踪精度的一个很好的选择[13-14],算法的稳态误差较小[15]. 本文以中低速磁浮列车为对象,基于MRAC控制器需要固定的参数少,相同的代码可以适应不同线路的特点[6],开展自学习模型参考自适应(SMRAC)悬浮控制策略研究. 为维持稳定悬浮效果,对微分信号加入了限幅,并将学习率与参数稳定值联系起来,悬浮过程采用变步长迭代. 通过李雅普诺夫稳定性判据证明了控制器的稳定性,通过仿真和实验验证所设计的控制器在大误差时有较快的跟踪性能. 仿真和实验表明,与比例-积分-微分(PID)算法和线性二次型调节器(LQR)算法[16]相比,所提出的自学习模型参考自适应控制算法能够适应不同的线路工况,且稳定时的悬浮间隙波动更小.

    中低速磁悬浮列车中一个悬浮架上有8个电磁铁,分为4组,每组2个电磁铁形成一个控制点,如图1所示. 控制器独立控制电磁铁的电流,有独立的传感器测量电流、间隙和加速度,悬浮架结构左右互相悬吊,控制点之间相互解耦. 车体载荷由空气弹簧传递至悬浮架上;悬浮架由电磁铁产生的电磁力吸附轨道实现悬浮;位移加速度传感器安装在电磁铁端部,测量悬浮间隙和电磁铁加速度;电流传感器测量电磁铁线圈电流. 根据间隙传感器输出值计算出目标电流,通过电流传感器的输出值动态调节线圈电流[4],使列车在运行中悬浮架与F轨保持名义悬浮间隙[17].

    图  1  列车悬浮架结构
    Figure  1.  Structure of levitation frame

    电磁铁控制电路如图2所示,图中:L为电感;R为电磁铁电阻;IGBT为绝缘栅双极型晶体管. 由控制器产生的脉冲宽度调制波形(PWM)控制通断,驱动电压为DC 330 V.

    图  2  悬浮电磁铁控制电路
    Figure  2.  Control circuit of levitation electromagnet

    对于电磁力的计算[18]

    F=μ0N2S4(ix)2
    (1)

    式中:N为电磁铁线圈的匝数;S为电磁铁极板正对面积;µ0为真空磁导率;x为极板与F轨的距离.

    磁悬浮系统的非线性控制模型为

    m¨x=F(x,i)+mg+f
    (2)

    式中:g为重力加速度;m为一个悬浮控制点承担的等效质量;f为轨道不平顺及传感器噪声带来的干扰力.

    电感量L随间隙的变化为

    L=μ0N2S2x.
    (3)

    电磁铁两端的电压u与电流i的关系为

    u=Ri+ddt(Li)=Ri+μ0N2S2x˙iμ0N2Si2x2˙x.
    (4)

    为了简化控制问题,目前稳定控制器经典的设计方法是将系统视为基于给定名义工作点(x0,i0)附近的小扰动线性模型[6],其泰勒级数展开式为

    F(x,i)=F(x0,i0)+F(x,i)i|(x0,i0)(ii0)+F(x,i)x|(x0,i0)(xx0)+o=F(x0,i0)+μ0N2i0S2x20(ii0)μ0N2i20S2x30(xx0)+o=mg+μ0N2i0S2x20iμ0N2i20S2x30x+o
    (5)

    式中:o为$F(x,i)$的高阶项.

    将式(5)代入式(2),有

    m¨x=μ0N2i20S2x30xμ0N2i0S2x20i+f+o.
    (6)

    进而得到电磁铁的状态方程[19]如式(7). 实际控制系统中,加速度中的干扰力和高阶项在仿真时用噪声信号代替.

    {˙x1=x2,˙x2=μ0N2S4m(x3x1)2+g,˙x3=x2x3x1+2x1μ0N2S(ux3R,)y=x1,
    (7)

    式中:x1=xx2=v(速度);x3=i.

    被控对象状态方程可以简化为

    {˙x=Ax+Bu,y=Cx+Du,
    (8)

    式中:${\boldsymbol{A}}{\rm{ = }}\left[ {010μ0N2Si202mx300μ0N2Si02mx200i0x02Rx0μ0N2S

    } \right] $;${\boldsymbol{B}}{\rm{ = }}\left[ {002x0μ0N2S
    } \right] $;${\boldsymbol{C}} = [ {100
    } ] $;${\boldsymbol{D}} = [ 0 ] $;x = [x1 x2 x3]T.

    设定参考模型的状态方程为

    {˙x=Amx+Bmyr,y=Cmx+Dmyr,
    (9)

    式中:${{\boldsymbol{A}}_m} = \left[ {010101ω2ms0ω2m2ζmωms0s02ζmωm

    } \right]$,${\omega _{\rm{m}}}$为参考模型的自然角频率,${\zeta _{\rm{m}}}$为阻尼比(取${\zeta _{\rm{m}}} \geqslant 1$以保证系统稳定),$ {s_0} $为参考模型的实数极点;$ {{\boldsymbol{B}}_{\rm{m}}} = {\left[ {00ω2ms0
    } \right]^{\rm{T}}} $;$ {{\boldsymbol{C}}_{\rm{m}}} = [ {100
    } ] $;$ {{\boldsymbol{D}}_{\rm{m}}} = [0] $;yr为参考输入;xm为参考模型.

    转化为具体的传递函数后,整个系统连接如图3所示[6]图3中:$ {{\boldsymbol{K}}_{\boldsymbol{x}}} $为对应被控对象x的可调参数;kr为对应参考输入yr的可调参数.

    图  3  模型参考自适应控制器结构
    Figure  3.  Structure of model reference adaptive controller

    控制器的输出可表示为

    u=Kxx+kryr.
    (10)

    控制器与被控对象组成的闭环系统最终应当与参考模型一致,设定可调参数的误差值${{\boldsymbol{\tilde K}}_{\boldsymbol{x}}}(t){\rm{ = }} {{\boldsymbol{K}}_{\boldsymbol{x}}}(t) - {\boldsymbol{K}}_{\boldsymbol{x}}^*$,${\tilde k_{\rm{r}}}(t) = {k_{\rm{r}}}(t) - $$k_{\rm{r}}^*$. 其中:$ {{\boldsymbol{\tilde K}}_{\boldsymbol{x}}} $为$ {{\boldsymbol{K}}_{\boldsymbol{x}}} $的误差值;${\tilde k_{\rm{r}}}$为${k_{\rm{r}}}$的误差值;t为时间;${\boldsymbol{K}}_{\boldsymbol{x}}^* $和$k_r^* $分别为${{\boldsymbol{K}}_{\boldsymbol{x}}}(t) $和${k_r}(t) $稳定后的数值,${\boldsymbol{K}}_{\boldsymbol{x}}^*{\rm{ = }}\left[ {kx1kx2kx3

    } \right] $;Kx = [kx1 kx2 kx3]. 当参数达到稳定时,有$ {\boldsymbol{A}} + {\boldsymbol{B}}{\boldsymbol{K}}_{\boldsymbol{x}}^*{\text{ = }}{{\boldsymbol{A}}_{\rm{m}}} $,${\boldsymbol{B}}k_{\rm{r}}^*{\text{ = }}{{\boldsymbol{B}}_{\rm{m}}}$.

    对于控制器和被控对象组成的状态方程有

    ˙x=Ax+Bu=(A+BKx)x+Bkryr=(A+BKx+B˜Kx)x+B(kr+˜kr)yr=(Am+B˜Kx)x+Bmyr+B˜kryr.
    (11)

    设定参考模型和被控对象的误差为

    e=xmx.
    (12)

    对误差求导得到:

    ˙e=˙xm˙x=Am(xmx)+Bmyr+Amx(A+BKx)xBkryr=AmeB˜KxxB˜kryr.
    (13)

    设定一个满足李雅普诺夫函数的方程为

    V(e,˜Kx,˜kr)=eTPe+˜KxΓ1x˜KTx+˜k2rγr
    (14)

    式中:${\boldsymbol{\varGamma }}_{ \boldsymbol{x}}$为矩阵${{{\tilde {\boldsymbol{K}}}}_{\boldsymbol{x}}}$的学习率;P为待求矩阵;$ {\gamma _{\rm{r}}} $为$ {\tilde k_{\rm{r}}} $的学习率.

    为求解李雅普诺夫方程,引入对称矩阵P=PT,并且有

    ATmP+PAm=Q
    (15)

    式中:Q为正定矩阵.

    对式(14)求导,代入式(13)可得:

    ˙V(e,˜Kx,˜kr)=eTQe+2eTP(B˜KxxB˜kryr) + 2˜KxΓ1x˙˜KTx + 2˜kr˙˜krγr.
    (16)

    因为$ {{\boldsymbol{e}}^{\text{T}}}{\boldsymbol{PB}} $的计算结果为标量,有$2{{\boldsymbol{e}}^{\text{T}}}{\boldsymbol{PB}}{{{\tilde {\boldsymbol{K}}}}_{\boldsymbol{x}}}{\boldsymbol{x}}{\text{ = }}$$2{{{\tilde {\boldsymbol{K}}}}_{\boldsymbol{x}}}{\boldsymbol{x}}{{\boldsymbol{e}}^{\text{T}}}{\boldsymbol{PB}}$,则式(16)可以改写为

    ˙V(e,˜Kx,˜kr)=eTQe+2˜Kx(xeTPB+Γ1x˙˜KTx)+2kr(eTPByr+˙˜krγr).
    (17)

    为了使$\dot V\left( {{\boldsymbol{e}},{{{{\tilde {\boldsymbol{K}}}}}_{\boldsymbol{x}}},{{\tilde k}_{\rm{r}}}} \right) \leqslant 0$,对于自适应律应当满足

    {˙˜KTx = ΓxxeTPB,˙˜kr = γreTPByr.
    (18)

    可调参数学习率矩阵展开为

    Γx = [γx1000γx2000γx3].
    (19)

    则式(17)可以写为

    ˙V(e,˜Kx,˜kr)=eTQeλmin(Q)e20.
    (20)

    因为$\dot V\left( {{\boldsymbol{e}},{{{{\tilde {\boldsymbol{K}}}}}_{\boldsymbol{x}}},{{\tilde k}_{\rm{r}}}} \right) \leqslant 0$,所以${\boldsymbol{e}}\left(t\right)、{{\boldsymbol{K}}}_{{\boldsymbol{x}}}\left(t\right)和{k}_{{\rm{r}}}\left(t\right)$是有界的.

    对李雅普诺夫函数求2阶导可得

    ¨V(e,˜Kx,˜kr)=˙eTQeeTQ˙e=eT(QAm+ATmQ)e2eTQ(AmeB˜KxxB˜kryr).
    (21)

    根据Barbalat引理,$\dot V\left( {{\boldsymbol{e}},{{{{\tilde {\boldsymbol{K}}}}}_{\boldsymbol{x}}},{{\tilde k}_r}} \right) \to 0$,误差矩阵e渐进稳定,所以该算法控制器和被控对象组成的整体结构最终会与参考模型一致.

    学习率越大,可调参数每次的变化量越小,跟踪速度越快,迭代越精确,越有利于提高响应速度,适合稳定悬浮时应对轨道不平顺及上下坡造成的干扰. 初始悬浮时,因为悬浮间隙有较大变化,应当降低学习率以提升响应速度. 为此,提出根据参数的最终稳定值动态调整学习率的方案,如式(22).

    {˙˜KTx=ΓxxeTPB(ymy)l|ymy|,˙˜kr=γreTPByr(ymy)l|ymy|,
    (22)

    式中:l为学习率的下降速率.

    为对比模型参考自适应控制和自学习模型参考自适应控制效果,引入PID控制和LQR控制.

    PID控制的输出可以表示为[20]

    u=kp(gapym)+ki(gapym)dt+kdaccdt+kaacc
    (23)

    式中:kpkikd分别为误差的比例、积分和微分项系数;ka为误差的高阶影响系数;gap为间隙传感器检测值,具有较好的低频性能;acc为加速度传感器检测值,具有较好的高频性能,gapacc综合作用可互补控制器的频率特性.

    LQR控制器具有较强的鲁棒性和动态特性,计算后的控制参数能使系统达到预想状态[21].

    设定系统的性能指标函数为

    J=12t0(xTQLx+uTLRuL)dt
    (24)

    式中:QL为半正定矩阵;R为正定矩阵;uL为控制器的输出函数,如式(25).

    uL=R1BPLx
    (25)

    式中:PL为正定矩阵,且PL满足黎卡提矩阵代数方程

    PLA+ATPL+PLBR1BTPLQL=0.
    (26)

    最优反馈增益k

    k=R1BPL.
    (27)

    通过在实验基地对悬浮架进行调试实验得到以下仿真、测试结果,为更好地了解SMRAC算法的优越性,加入了PID、LQR、MRAC算法作为对比.

    表1为悬浮架主要参数,为尽可能与实际情况相符,需要代入到电磁悬浮模型中.

    表  1  悬浮架参数
    Table  1.  Parameters of levitation frame
    参 数数 值
    等效质量/kg510
    电磁铁等效内阻/Ω0.98
    电磁铁等效电感/mH36
    电磁铁匝数 N640
    正对横截面积/m20.078 4
    真空磁导率/(H·m−14π × 10−7
    下载: 导出CSV 
    | 显示表格

    为衡量各算法控制效果,引入EITAE(t)用于描述误差积分的时间历程,如式(28).

    EITAE(t)=t0τ|e(τ)|dτ
    (28)

    式中:${e(\tau )} $为时刻τ目标值与当前值的误差.

    为衡量全局误差大小,引入EIAE(t),如式(29).

    EIAE(t)=t0|e(τ)|dτ.
    (29)

    ERMSE(t)衡量全程算法的波动,波动越小最终计算值越小,计算方式为

    ERMSE(t)=1tt0e2(τ)dτ.
    (30)

    对于误差的计算,为能准确衡量算法性能,没有将起浮和降落阶段纳入计算范围,悬浮指标应当满足超调量$\sigma \leqslant 5{\text{%}} $,${t_{\rm{s}}} \leqslant $1 s(ts为调节时间,表示间隙到达并保持在目标间隙5%误差带内所需时间). 所以,设计的参考模型参数为${\omega _{\rm{m}}} = 31.62$,${\xi _{\rm{m}}} = 11.06$,$ {s_0} $=100. 为了简化运算,Q设定为单位矩阵I,代入式(15)可求得

    P=[2506210511001004005009200240060120020040050092002160610951100100500501200200400601200200500501200200400401200200].
    (31)

    将式(31)代入式(18)中,得到迭代公式为

    {˙˜kx1=(0.84e11.05e20.84e3)x1,˙˜kx2=(0.84e11.05e20.84e3)x2,˙˜kx3=(0.84e11.05e20.84e3)x3,˙˜kr=(0.84e11.05e20.84e3)yr.
    (32)

    根据表1计算出可调参数矩阵代入方程(18)得到理想值为$ k_{x1}^* = - 0.16 $,$ k_{x2}^* = 0.2 $,$ k_{x3}^* = 0.2 $,$k_r^*{\rm{ = }} {\mu _0}{N^2}S\omega _{\rm{m}}^2{s_0}/\left( {2x_0^{}} \right){\rm{ = }}0.125 $.

    根据经验,PID控制方法的系数取值ki=300,kp=300,kd=20,ka=2,LQR的参数取值为

    QL = [1000010000.5]R=I.

    采用前述4种控制算法对一个包含起浮、悬浮和降落3个阶段的完整悬浮过程进行仿真计算,结果如图4所示. 其中,SMRAC 2采用SMRAC算法,但是可调参数设定为最终的稳定值. 计算中,设置t=1 s时发送起浮指令,t=25 s时发送降落指令,起浮和降落阶段的间隙变化采用过阻尼. 计算结果取悬浮阶段的数据进行分析.

    图  4  正常悬浮仿真
    Figure  4.  Normal levitation in simulation

    图4显示:从起浮到降落的全过程中,4种控制算法都能很好地跟踪参考信号. 各种算法性能对比如表2中“正常悬浮”一栏所示;不同算法上升时间和调节时间对比如表3所示,上升时间tr表示调节量从10%到90%所用的时间.

    表  2  仿真中不同参考信号算法误差的对比
    Table  2.  Comparison of reference signal errors of different algorithms in simulation
    参考信号
    控制器
    正常悬浮方波信号正弦信号
    EITAEEIAEERMSEEITAEEIAEERMSEEITAEEIAEERMSE
    PID38.673.820.2438.683.820.2438.683.820.24
    LQR51.205.100.2851.445.120.2851.435.110.28
    MRAC16.721.690.1134.343.30.22164.7816.440.92
    SMRAC19.511.970.1243.234.280.27128.2313.370.76
    下载: 导出CSV 
    | 显示表格

    图4表2可知:t=5~25 s范围,PID算法能很好地跟踪参考信号,但间隙波动最大,对噪声抑制能力差;LQR算法波动较小,但是稳态误差最大;MRAC算法能完全跟踪参考输入,对噪声抑制性能好;SMRAC算法通过调整学习率,增大了上升时间和调节时间,但是提升了舒适度和系统的鲁棒性.

    表  3  仿真中不同算法上升时间和调节时间对比
    Table  3.  Comparison of rising time and adjustment time of different algorithms in simulation s
    控制算法上升时间调节时间
    PID1.572.03
    LQR1.401.71
    MRAC1.572.03
    SMRAC1.021.41
    下载: 导出CSV 
    | 显示表格

    MRAC和SMRAC的kx1kx2kx3kr变化如图5(a)所示. 由图5(a)可知:由于干扰很强,误差的微分很难收敛,需要对kx2限幅才会使系统稳定,kx1kr能最终收敛;由于SMRAC的kx2能更快达到收敛,所以SMRAC控制能更快实现稳定悬浮.

    图  5  仿真中可调参数的比较
    Figure  5.  Comparison of tunable parameters in simulation

    SMRAC不同初值可调参数变化对比如图5(b)所示,实线表示未设定初值的可调参数变化,虚线表示在正常悬浮时设定合适初值的可调参数变化. 由图5(b)可知,设定合适初值后,kx1kx2kx3kr变化可以忽略,系统一直处于稳定状态直至降落.

    4种算法的仿真跟踪误差变化如图6所示. 由图6可知:在悬浮阶段,MRAC和SMRAC算法误差最小;但在起浮和降落阶段,MRAC和SMRAC算法因为有学习过程,误差较其他算法明显增大.

    图  6  仿真跟踪误差
    Figure  6.  Tracking error in simulation

    在运营线路中,轨道紧固件可能出现松动,低速跨越不同轨道时间隙会有突变,为了模拟该工况,在悬浮阶段加入0.125 Hz的方波激励,幅度变化为3 mm,目标间隙(REF)在8 mm和10 mm间交替变化. 4种算法得到的间隙变化如图7所示,性能对比如表2中“方波信号”一栏所示. 由图7表2可知:t=5~25 s范围,MRAC、SMRAC需要0.50 s的调节时间才能跟踪参考输入信号,这导致与参考间隙有很大的误差;PID和LQR跟随性能较好,但是PID算法间隙波动较大,LQR算法稳态误差较大.

    图  7  输入方波时4种算法跟踪性能的对比
    Figure  7.  Comparison of tracking performance of four algorithms after square wave input

    为了测试不同算法的动态跟踪性能,在悬浮阶段加入${y_{\rm{r}}}(t) = 8.5 + 2\sin (3{\text{π}}t)$的正弦激励,4种算法得到的间隙变化如图8所示,性能对比如表2中“正弦信号”一栏所示. 由图8表2可知:t=5~25 s范围,MRAC、SMRAC在可调参数收敛后与参考间隙有一定的相位差,这是由参考模型的传递函数决定的;PID和LQR没有学习过程,但是PID算法稳定时间隙波动较大,LQR算法的稳态误差较大.

    图  8  输入正弦波时4种算法跟踪性能的对比
    Figure  8.  Comparison of tracking performance of four algorithms after sinusoidal wave input

    为验证算法的鲁棒性,将被控对象质量增大为原来的3倍[18],控制器的其余参数保持不变,得到的波形如图9所示. 由图9可知:悬浮架质量变为3倍后,MRAC 和 SMRAC波动变大,但LQR 和 PID波动更为明显;MRAC 和 SMRAC 算法产生的间隙波动范围显著小于 LQR 和 PID 算法的间隙变化,说明 MRAC和 SMRAC 算法具有良好的鲁棒性.

    图  9  悬浮架质量变为 3 倍后不修改参数时的4 种算法间隙对比
    Figure  9.  Comparison of four algorithms without modifying parameters after mass increase by three times

    质量变为3倍后不同算法性能对比如表4所示,上升时间和调节时间对比如表5所示. 由表45可知,MRAC和SMRAC的误差比PID和LQR更小,而SMRAC增加了上升时间和调节时间,即使在重载情况下也能提升舒适度.

    表  4  悬浮架质量变为 3 倍后不同算法的误差对比
    Table  4.  Comparison of different algorithms after mass increase by three times
    控制算法PIDLQRMRACSMRAC
    EITAE35.1051.0726.5557.22
    EIAE3.545.092.707.23
    ERMSE0.220.280.170.45
    下载: 导出CSV 
    | 显示表格
    表  5  质量增加3倍后不同算法的上升时间和调节时间
    Table  5.  Rising time and adjustment time of different algorithms after mass increase by three times s
    控制算法上升时间调节时间
    PID1.842.02
    LQR1.572.02
    MRAC1.371.74
    SMRAC1.571.78
    下载: 导出CSV 
    | 显示表格

    图10为悬浮架质量突变间隙仿真.

    图  10  悬浮架质量突变间隙仿真
    Figure  10.  Simulation of mass change

    当正常悬浮时,在t=15 s时质量突然变为初始值的3倍,以此验证控制算法的鲁棒性,可以看出:PID算法和LQR算法在质量突变的时刻间隙有很大的跳变,出现打轨的现象;PID算法在稳定后依旧有很大的波动,LQR算法的稳态误差在质量变化后更大;MRAC算法在仿真时可调参数和微分后的信号未做限幅,在质量突变之后微分值很大,导致悬浮架无法稳定悬浮;相比之下SMRAC算法能够较好地跟踪输入信号,稳定时间隙波动也更小.

    对本文所提算法,利用如图11所示的单悬浮架实验平台开展实验验证. 控制系统采用基于TMS320F28379D和FPGA的自制板卡,上位机安装有MATLAB/Simulink,通过CAN网络解析控制器回传的传感器信息.

    图  11  单悬浮架实验平台
    Figure  11.  Experimental platform of single levitation frame

    在单悬浮架台架实验中,MRAC和SMRAC引入的系统状态包括间隙和加速度,设

    {x1=gap,x2=accdt,x3=cur,
    (33)

    式中:cur为读取的电流数据,降落状态下的间隙为13.69 mm.

    单悬浮架实测数据性能对比如表6所示,实测不同算法的上升时间和调节时间对比如表7所示,间隙变化如图12所示,电流变化如图13所示.

    表  6  实测中不同算法的性能对比
    Table  6.  Comparison of performance indexes in experiment
    控制算法EITAEEIAEERMSE
    PID57.573.380.16
    LQR83.724.820.19
    MRAC79.784.130.22
    SMRAC77.154.150.21
    下载: 导出CSV 
    | 显示表格
    表  7  实测中不同算法的上升时间和调节时间
    Table  7.  Rising time and adjustment time of different algorithms in experiment s
    控制算法上升时间调节时间
    PID2.202.80
    LQR1.411.70
    MRAC1.472.06
    SMRAC1.212.04
    下载: 导出CSV 
    | 显示表格
    图  12  实测不同算法悬浮间隙变化
    Figure  12.  Gap variation during static levitation in experiment

    结果表明:SMRAC由于在输出时引入了加速度反馈,稳定时间有所增加,但是稳定时波动最小,没有超调,降落时跟踪性能也较好;4种算法电流值相差不大,说明控制算法并不能降低能耗,但是SMRAC在悬浮过程中能动态调整学习率,控制器性能更好.

    图  13  实测不同算法悬浮电流变化
    Figure  13.  Current variation during static levitation in experiment

    本文提出的自学习模型参考自适应控制器与其他控制算法相比,具有较短的调节时间,较小的波动,且正常悬浮时有较强的鲁棒性.

    在设置合理学习率的前提下,所提算法可将基于运行状态可调参数向趋于稳定的状态调整,学习率过大,收敛时间长,学习率过小,达到平衡时的波动大. 由于本文提出的算法所需要的固定参数少,在实际调试中很快就能使系统稳定,提高了控制器的适用范围.

  • 贲晛烨,杨明强,张鹏,等. 微表情自动识别综述[J]. 计算机辅助设计与图形学学报,2014,26(9):1385-1395. BEN Xianye, YANG Mingqiang, ZHANG Peng, et al. Survey on automatic micro expression recognition methods[J]. Journal of Computer-Aided Design Computer Graphics, 2014, 26(9):1385-1395.
    YAN W J, WANG S J, LIU Y J, et al. For micro-expression recognition:database and suggestions[J]. Neurocomputing, 2014, 136:82-87.
    EKMAN P. Telling lies:clues to deceit in the marketplace, politics, and marriage[M]. Revised Edition. New York:WW Norton Company, 2009:123-161.
    EKMAN P. Lie catching and microexpressions:the philosophy of deception[M]. Oxford:Oxford University Press, 2009:118-133.
    POLIKOVSKY S, KAMEDA Y, OHTA Y. Facial micro-expressions recognition using high speed camera and 3D-gradient descriptor[C]//3rd International Conference on Imaging for Crime Detection and Prevention(ICDP 2009). London:IEEE Computer Society Press, 2009:1-6.
    SHREVE M, GODAVARTHY S, GOLDGOF D, et al. Macro-and micro-expression spotting in long videos using spatio-temporal strain[C]//2011 IEEE International Conference on Automatic Face Gesture Recognition and Workshops (FG 2011). Santa Barbara:IEEE Computer Society Press, 2011:51-56.
    FRANK M G, HERBASZ M, SINUK K, et al. I see how you feel:training laypeople and professionals to recognize fleeting emotions[C]//The Annual Meeting of the International Communication Association. New York:, 2009:1-35.
    于明,胡全胜,阎刚,等. 基于LGBP特征和稀疏表示的人脸表情识别[J]. 计算机工程与设计,2013,34(5):1787-1791. YU Ming, HU Quansheng, YAN Gang, et al. Facial expression recognition based on LGBP features and sparse representation[J]. Computer Engineering and Design, 2013, 34(5):1787-1791.
    EKMAN P, FRIESEN W V. Nonverbal leakage and clues to deception[J]. Psychiatry, 1969, 32(1):88-106.
    PORTER S, BRINKE L. The truth about lies:what works in detecting high-stakes deception?[J]. Legal and Criminological Psychology, 2010, 15(1):57-75.
    SHREVE M, GODAVARTHY S, MANOHAR V, et al. Towards macro-and micro-expression spotting in video using strain patterns[C]//2009 Workshop on Applications of Computer Vision (WACV). Snowbird:IEEE Computer Society Press, 2009:1-6.
    PFISTER T, LI X, ZHAO G, et al. Recognising spontaneous facial micro-expressions[C]//Proceedings of IEEE International Conference on Computer Vision (ICCV). Barcelona:IEEE Computer Society Press, 2011:1449-1456.
    WU Q, SHEN X, FU X. The machine knows what you are hiding:an automatic micro-expression recognition system[C]//Affective Computing and Intelligent Interaction. Berlin:Springer Berlin Heidelberg, 2011:152-162.
    YAN W J, WU Q, LIU Y J, et al. CASME database:a dataset of spontaneous micro-expressions collected from neutralized faces[C]//Proceedings of the 10th IEEE International Conference and Workshops on Automatic Face and Gesture Recognition(FG). Shanghai:IEEE Computer Society Press, 2013:1-7.
    BASHIR K, XIANG T, GONG S. Feature selection on gait energy image for human identification[C]//Proceedings of IEEE International Conference on Acoustics, Speech and Signal Processing.:IEEE, 2008:985-988.
    吴奇,申寻兵,傅小兰. 微表情研究及其应用[J]. 心理科学进展,2010,18(9):1359-1368. WU Qi, SHEN Xunbing, FU Xiaolan. The research and application of micro-exprsion[J]. Advances in Psychological Science, 2010, 18(9):1359-1368.
    FU X, WEI W. Centralized binary patterns embedded with image euclidean distance for facial expression recognition[C]//Proceedings of the Fourth International Conference on Natural Computation(ICNC'08). Jinan:IEEE Computer Society Press, 2008, 4:115-119.
    YAN K, CHEN Y, ZHANG D. Gabor surface feature for face recognition[C]//Proceedings of First Asian Conference on Pattern Recognition (ACPR). Beijing:IEEE Computer Society Press, 2011:288-292.
    RAVI J, TEVARAMANI S S, RAJA K B. Face recognition using DT-CWT and LBP features[C]//Proceedings of International Conference on Computing, Communication and Applications (ICCCA). Dindigul, Tamilnadu:IEEE Computer Society Press, 2012:1-6.
    HUANG G B, ZHOU H, DING X, et al. Extreme learning machine for regression and multiclass classification[J]. IEEE Transactions on Systems, Man, and Cybernetics, Part B:Cybernetics, 2012, 42(2):513-529.
  • 期刊类型引用(10)

    1. 阴利利,文华,李坤鹏. 加筋重力式挡土墙承载性能研究(英文). 施工技术(中英文). 2023(02): 88-94+113 . 百度学术
    2. 李乾威,张信贵,蔡晓飞,黄辉辉. 利用装配式柔性生态挡墙技术对高空间错层区域挡土墙的优化设计. 建筑技术开发. 2023(04): 98-100 . 百度学术
    3. 关晓迪,秦泽轩. 二级边坡织物袋挡墙的侧向承载特性研究. 人民珠江. 2022(11): 88-97 . 百度学术
    4. 张呈斌,王建磊,樊科伟,陈爽,来志强,宋迎俊. 土工袋挡土墙模型试验及临界高度上限解. 中国农村水利水电. 2021(03): 158-162 . 百度学术
    5. 董知恩,赵国兴,文华,张玉林,王梓龙,薛伟. 反包式建渣土工袋挡土墙承载性状研究. 施工技术. 2021(05): 131-135 . 百度学术
    6. 中国路基工程学术研究综述·2021. 中国公路学报. 2021(03): 1-49 . 百度学术
    7. 张玉林,文华,王梓龙,王学君,席茜. 加筋长度对反包式建渣土工袋挡土墙边坡支护效果的影响. 施工技术. 2020(17): 65-69+112 . 百度学术
    8. 杨蒙,王建磊,宋迎俊,王涛. 土工袋挡墙变形特性有限元分析. 长江科学院院报. 2019(02): 106-110+121 . 百度学术
    9. 盛涛,肖畅,李水明,金红亮. 砂袋垫层的竖向承载力试验研究. 工业建筑. 2018(06): 96-100+184 . 百度学术
    10. 孙永帅,胡瑞林. 土石混合体变形破坏的基覆面效应研究. 西南交通大学学报. 2018(02): 330-336 . 本站查看

    其他类型引用(6)

  • 加载中
计量
  • 文章访问数:  533
  • HTML全文浏览量:  77
  • PDF下载量:  191
  • 被引次数: 16
出版历程
  • 收稿日期:  2015-05-20
  • 刊出日期:  2016-12-25

目录

/

返回文章
返回