大型磁极线圈切割柔性力控研究

摘要：大型水轮发电机磁极线圈绝缘胶切削作业长期依赖人工，存在加工精度低、作业环境差等问题，工业机器人柔顺力控是实现该工序自动化的核心技术。针对传统固定参数PID控制器在绝缘胶变载荷切削工况下响应滞后、力超调量大、易引发工件损伤的缺陷，本文提出一种融合蜣螂优化算法（DBO）与遗传算法（GA）的混合优化策略，对PID控制器参数进行自适应整定。首先阐述PID、蜣螂算法与遗传算法的基础原理，结合两种算法优势构建GA-DBO混合优化框架，利用蜣螂算法实现快速局部寻优，引入遗传算法的交叉、变异算子解决蜣螂算法易早熟收敛的问题。在MATLAB平台开展接触力阶跃响应与算法收敛性仿真实验，结果表明：相较于传统PID、GA-PID、DBO-PID，本文所提GA-DBO-PID控制器超调量仅为0.78%，调节时间缩短至10ms，算法全局寻优能力与稳定性显著提升。该控制策略可有效抑制切削接触冲击，满足磁极线圈绝缘胶自动化切削的力控要求，可为同类复杂工件接触式加工提供技术参考。

关键词：磁极线圈；柔顺力控；PID控制；蜣螂优化算法；遗传算法

1. 绪论

在国内能源转型与“双碳”目标推进背景下，水力发电作为清洁可再生能源，在电力系统中占据核心地位。磁极线圈是大型水轮发电机组的关键部件，其表面绝缘胶的切削质量直接决定机组运行稳定性与使用寿命。目前国内磁极线圈残胶清理仍以人工操作为主，操作人员长期在半封闭狭小空间内作业，不仅劳动强度大、粉尘污染严重，且受视觉疲劳、手部抖动影响，易出现切削面凹凸、胶层残留、铜排基材划伤等缺陷，加工一致性难以保障。采用工业机器人实现绝缘胶自动化切削，是解决该行业痛点、推进水电装备制造智能化的必然趋势。

机器人切削属于典型的接触式作业，柔顺力控[1-5]技术是保障加工安全与质量的关键。传统刚性位置控制无法应对绝缘胶厚度不均、切削阻力突变的工况，极易造成刀具崩裂或工件损坏。柔顺力控可使机器人根据接触力实时调整运动状态，实现柔性接触加工，现已广泛应用于打磨、抛光、切削等工业场景。当前主流柔顺控制方案以PID控制器为基础，配合群体智能算法完成参数整定。蜣螂优化算法（DBO）作为新型群体智能算法，具备收敛速度快、局部搜索精度高的优点，但迭代后期易出现种群多样性下降、陷入局部最优的问题；遗传算法（GA）全局探索能力强，可有效跳出局部极值，但单独使用时收敛速度较慢。

针对磁极线圈内腔半封闭空间、切削载荷动态变化的工况特点，本文以PID力控算法为基础，融合蜣螂算法与遗传算法的优势，设计GA-DBO混合优化算法对PID参数进行自适应寻优。通过仿真实验验证算法的动态响应能力与抗干扰性能，旨在开发一套适配磁极线圈切削的柔顺力控方案，为该类大型复杂工件自动化加工提供技术支撑。

2. 基础算法理论

2.1 传统PID控制算法

PID 控制凭借结构简单、可靠性高、易于工程实现的特点，成为工业机器人力控系统的主流控制器。其核心原理是根据系统期望值与实际输出的偏差，通过比例、积分、微分三个环节协同调节控制量，连续修正机器人末端运动状态。连续域下PID控制数学表达式为：

比例环节快速响应瞬时偏差，提升系统响应速度；积分环节消除稳态误差，保证控制精度；微分环节预判偏差变化趋势，抑制系统超调与震荡。在磁极线圈切削力控场景中，固定参数PID难以适配时变的切削阻力，参数整定不当会出现接触力超调、响应滞后等问题，因此需要智能算法完成参数动态优化。

2.2 蜣螂优化算法（DBO）

蜣螂优化算法是模拟蜣螂滚球、觅食、繁殖等生物行为的群体智能算法，全局探索与局部开发能力均衡。算法将种群分为滚球蜣螂、繁殖蜣螂、觅食蜣螂等不同个体，通过不同行为完成解空间搜索：滚球行为实现大范围全局探索，跳舞行为规避搜索障碍，繁殖与觅食行为完成局部深度挖掘。

该算法收敛速度快、局部寻优精度高，十分适用于 PID 参数整定这类连续域优化问题。但在处理磁极线圈切削这种强非线性、多扰动的复杂优化问题时，迭代中后期种群会快速向局部最优解聚集，种群多样性丧失，出现早熟收敛现象，导致控制器参数并非全局最优，影响力控效果。

2.3 遗传算法（GA）

遗传算法模拟生物自然选择、交叉、变异的进化过程，以适应度函数为评价标准，对种群不断迭代优化。算法采用实数编码方式，通过轮盘赌选择、模拟二进制交叉、随机变异等操作，持续拓展解空间搜索范围，有效跳出局部最优陷阱。

遗传算法全局搜索能力突出，但局部精细搜索能力较弱，单独用于 PID 参数整定时存在收敛速度慢、后期精度不足的问题。结合蜣螂算法与遗传算法的互补特性，构建混合优化算法，可兼顾收敛速度与全局寻优能力。

3. 基于GA-DBO的混合优化柔顺PID算法

3.1 混合算法设计思路

本文采用算子嵌入式融合策略构建GA-DBO混合算法：以蜣螂算法为主框架，发挥其快速收敛、局部高精度搜索的优势；在每轮迭代末尾引入遗传算法的选择、交叉、变异算子，对陷入局部最优的种群进行扰动，恢复种群多样性，解决 DBO 算法早熟缺陷。同时引入精英保留机制，保护迭代过程中筛选出的优质PID参数组合，避免优良解被破坏。

算法以积分时间绝对误差（ITAE）、超调量、调节时间构建综合适应度函数，综合评价 PID 参数的控制效果，适应度值越高，对应参数组合的力控性能越优。

3.2 GA-DBO算法执行流程

参数初始化：设置种群规模、最大迭代次数、PID参数搜索区间、精英比例、交叉与变异概率，在安全范围内随机生成初始种群。

DBO基础迭代：种群个体按照蜣螂五种仿生行为更新位置，完成全局探索与局部初步寻优，并执行边界约束检查，避免参数越界。

适应度排序与精英保留：计算所有个体的适应度并降序排列，选取前10%~20%的精英个体直接保留至下一代，保证算法性能单调不减。

遗传算子优化：对剩余普通个体执行轮盘赌选择、模拟二进制交叉与实数变异操作，生成新个体，丰富种群多样性。

迭代终止判断：更新全局最优解，若达到最大迭代次数则输出最优PID参数；否则继续下一轮迭代。

将GA-DBO算法与PID控制器结合，得到GA-DBO-PID柔顺力控策略：算法实时根据切削力反馈动态整定K_P，Ki，Kd，控制器依据最优参数输出调节指令，驱动机械臂动态调整姿态与进给量，实现恒定切削力控制。

3.3 切削力控约束

结合磁极线圈绝缘胶切削工艺，设定目标接触力为20N，当接触力超过20N时机械臂主动退让，低于15N则主动贴合工件，算法在15~20N的安全力区间内完成动态调节，既保证残胶切削效果，又避免划伤铜排基材。

4. 仿真实验与结果分析

为验证GA-DBO-PID算法的有效性，在MATLAB平台搭建单自由度接触力仿真模型，将传统 PID、GA-PID、DBO-PID与本文算法进行对比，仿真环境模拟真实切削的刚度与阻尼参数，分别开展阶跃响应实验与算法收敛实验。

4.1 接触力阶跃响应实验

阶跃响应模拟刀具从自由空间接触工件的瞬时过程，核心评价指标为超调量、上升时间、调节时间，实验数据如表1所示。

表1不同控制策略阶跃响应性能对比

由数据可知，传统PID接触冲击大、调节速度慢；两种单一智能优化算法性能有所提升；本文算法超调量仅0.78%，调节时间最短，可快速稳定切削力，有效抑制接触冲击。

4.2 算法收敛性实验

设置统一种群规模与迭代次数，对比三种优化算法的收敛曲线如图4.1：

图4.1 迭代收敛曲线图

结果显示：传统遗传算法迭代早期收敛快，但 20 次迭代后陷入局部最优；基础蜣螂算法收敛速度适中，最终寻优精度优于 GA，但仍存在停滞现象；本文 GA-DBO 混合算法初始适应度更高，全程无收敛停滞，寻优精度远优于另外两种算法，全局搜索能力显著提升。

仿真结果证明，GA-DBO-PID 控制器在动态响应、抗干扰、全局寻优方面均具备明显优势，适配磁极线圈变载荷切削工况。

5. 结论

针对大型水发磁极线圈绝缘胶自动化切削的柔顺力控需求，本文提出一种基于蜣螂算法与遗传算法混合优化的 PID 控制策略。结合两种智能算法的优势，以 DBO 算法实现快速局部寻优，利用 GA 算法的交叉、变异算子解决种群早熟问题，同时通过精英保留机制保障算法稳定性。仿真实验表明，相较于传统控制算法，GA-DBO-PID 控制器大幅降低了切削接触力超调量，缩短系统调节时间，动态性能与鲁棒性显著提升，能够满足磁极线圈内腔复杂工况下的恒力切削要求。

本文研究成果可为水电装备、大型构件等接触式加工机器人柔顺力控设计提供参考。后续可结合六维力反馈，进一步优化算法，实现复杂曲面工件的力位混合控制，推动该技术在工业现场的落地应用。

参考文献：

[1] 陶荣顺,陈昌宜,张国杰,等.基于协作机器人的柔顺控制打磨[J].科学技术与工程,2025,25(36):15594-15604.

[2] 蔡虎,李倩,曹英荣,等.基于3D视觉与力控的舵机柔性自动装配技术研究[J].航天制造技术,2025,(06):58-65.DOI:10.20177/j.cnki.htzzjs.2025.06.010.

[3] Haiqing Chen, Jixiang Yang, Han Ding,Robotic grinding of curved parts with two degrees of freedom active compliant force-controlled end-effector using decoupling control algorithm,Robotics and Computer-Integrated Manufacturing, Volume 93,2025,102935,ISSN 0736-5845,https://doi.org/10.1016/j.rcim.2024.102935

[4] Bottero, S.; Muscolo, G.G.; Ferraresi, C. A New Soft RCC Device with Pneumatic Regulation. Robotics 2020, 9, 98. https://doi.org/10.3390/robotics9040098

[5] 匡民兴.基于被动力控制的机器人砂带磨抛振动抑制研究[D].华中科技大学,2022.DOI:10.27157/d.cnki.ghzku.2022.002303.