应用于起重机稳钩控制系统自适应神经模糊推理系统
- 格式:pdf
- 大小:2.76 MB
- 文档页数:4
基于模糊神经网络的浮式起重机电气控制系统研究的开题报告一、研究背景与意义:随着工业化进程的不断推进,浮式起重机在海洋工程、海底油气开采等领域得到了广泛应用。
浮式起重机这一重要设备的性能和控制系统的稳定性对于海上作业的安全和工作效率具有重要的影响,因此,机电控制技术在浮式起重机的研究和应用中显得尤为重要。
目前,已经有一些关于浮式起重机电气控制系统的研究,但是,现有的研究往往使用传统的控制方法,具有局限性。
为了在复杂的海上环境中实现浮式起重机的稳定性控制,需要一种能够适应复杂环境、具有较强鲁棒性的控制方法。
模糊神经网络作为一种新型的控制方法,具有自适应、鲁棒性强的特点,能够实现对系统的自适应控制和建模,可以用于对浮式起重机电气控制系统的研究。
因此,本研究将基于模糊神经网络来研究浮式起重机电气控制系统,以实现浮式起重机的稳定性控制,为海上作业提供更为安全、高效的保障。
二、研究内容:1、浮式起重机电气控制系统的分析与建模。
2、模糊神经网络在电气控制系统中的应用。
3、基于模糊神经网络的浮式起重机电气控制系统设计与仿真。
4、仿真结果分析及控制效果评估。
三、研究方法:1、搜集与浮式起重机电气控制系统相关的文献资料与技术数据。
2、对浮式起重机电气控制系统进行建模,并采用模糊神经网络进行控制。
3、使用Matlab等仿真软件进行仿真测试及结果分析。
四、研究计划:第一阶段:综合相关文献和技术资料,对浮式起重机电气控制系统的原理和控制方法进行分析,并建立相关的数学模型。
第二阶段:设计模糊神经网络控制器,并与传统控制方法进行对比分析。
第三阶段:使用仿真软件进行仿真测试,并对仿真结果进行分析。
第四阶段:评估控制效果,提出改进措施并进行探讨。
五、预期成果:1、对浮式起重机电气控制系统的原理和控制方法进行全面的研究,并建立相关的数学模型。
2、设计出一种基于模糊神经网络的电气控制系统,并与传统控制方法进行对比分析。
3、通过仿真测试,评估控制效果,并提出改进措施。
第38卷第5期2021年5月机㊀㊀电㊀㊀工㊀㊀程JournalofMechanical&ElectricalEngineeringVol.38No.5May2021收稿日期:2020-09-17基金项目:广东省普通高校特色创新类资助项目(2018KTSCX262)作者简介:王华荣(1977-)ꎬ女ꎬ湖南双峰人ꎬ硕士ꎬ讲师ꎬ主要从事智能控制及应用方面的研究ꎮE ̄mail:wanghuarong1977@126.com.cnDOI:10.3969/j.issn.1001-4551.2021.05.016基于IPSO的桥式起重机吊重防摆系统模糊PID控制研究∗王华荣1ꎬ谢海智2(1.广东科技学院机电工程学院ꎬ广东东莞523083ꎻ2.中移铁通有限公司广东分公司ꎬ广东广州510088)摘要:针对桥式起重机吊运工作过程中易发生吊重摇摆的问题ꎬ为保证作业安全ꎬ提高运行稳定性ꎬ提出了一种基于改进粒子群优化(IPSO)的吊重防摆模糊PID控制策略ꎮ首先ꎬ利用Lagrange动力学微分方程分析了影响吊重稳定性的因素ꎬ确定了控制参数指标ꎻ然后ꎬ对粒子群算法的更新策略进行了改进ꎬ并通过改进算法对模糊PID控制器的参数进行了优化ꎬ实现了系统参数的在线整定ꎻ最后ꎬ分析了影响吊重摆动的主要因素ꎬ并以小车的位置和吊重的摆角作为研究对象ꎬ进行了仿真分析和实验测试ꎮ研究结果表明:所提出的控制策略可有效实现小车的精确定位ꎬ并能快速消除吊重摆动ꎻ与传统PID控制相比ꎬ该控制策略的定位精度提高了73.3%ꎬ消除摆角时间缩短了43%ꎬ并具有较好的鲁棒性ꎮ关键词:桥式起重机ꎻ改进粒子群优化ꎻ模糊PID控制ꎻ防摆控制中图分类号:TH215ꎻTP273㊀㊀㊀㊀文献标识码:A文章编号:1001-4551(2021)05-0623-05FuzzyPIDcontrolforliftinganti ̄swingsystemofoverheadcranebasedonIPSOWANGHua ̄rong1ꎬXIEHai ̄zhi2(1.SchoolofElectricalandMechanicalEngineeringꎬGuangdongUniversityofScience&TechnologyꎬDongguan523083ꎬChinaꎻ2.GuangdongBranchꎬChinaMobileTietongCo.ꎬLtd.ꎬGuangzhou510088ꎬChina)Abstract:Aimingattheliftingandswingingproblemsoccurredduringtheliftingofbridgecranesꎬinordertoensurethesafetyoftheopera ̄tionandimprovethestabilityoftheoperationꎬaliftinganti ̄swingfuzzyPIDcontrolstrategybasedonimprovingparticleswarmoptimization(IPSO)wasproposed.FirstꎬtheLagrangedynamicdifferentialequationwasusedtoanalyzethefactorsthataffectedthestabilityofthehoist ̄inganddeterminethecontrolparameterindex.ThentheupdatestrategyoftheparticleswarmalgorithmwasimprovedꎬandtheparametersofthefuzzyPIDcontrollerwereoptimizedthroughtheimprovedalgorithmtorealizetheonlinetuningofthesystemparameters.Finallyꎬthemainfactorsthataffectedtheswingofthehoistingweightwereanalyzedꎬthepositionofthetrolleyandtheswingangleofthehoistingweightweretakenastheresearchobjectstocarryoutsimulationanalysisandexperimentaltesting.Theresultsshowthattheproposedcontrolstrate ̄gycaneffectivelyrealizetheprecisepositioningofthetrolleyandquicklyeliminatetheswingoftheliftingload.Comparingwiththetradition ̄alPIDcontrolꎬthepositioningaccuracyisimprovedby73.3%ꎬthetimetoeliminatetheswingangleisshortenedby43%ꎬandproposedcontrolstrategyhasgoodrobustness.Keywords:bridgecraneꎻimprovedparticleswarmoptimizationꎻfuzzyPIDcontrolꎻanti ̄swingcontrol0㊀引㊀言近年来ꎬ桥式起重机作为货物吊装㊁转运过程中必不可缺的吊装设备ꎬ在机场㊁港口等场所的应用愈加广泛ꎮ但是ꎬ由于起重机钢丝绳吊重之间存在刚柔耦合特性ꎬ吊重在惯性作用下吊运不可避免地会产生摆动ꎮ传统的减摆方法常以降低工作效率为代价ꎬ通过降低吊装时的运行速度ꎬ并依靠货物重力自然衰减摆动幅度ꎬ在消除吊重摆动和定位上花费了大量的时间ꎬ增加了工人的操作难度ꎬ也存在一定的安全隐患ꎬ这就需要寻求一种有效的方法对小车的摆动进行控制[1ꎬ2]ꎮPID控制是最早应用于防摆控制的方法ꎬ具有简单㊁易实现的特点ꎬ但由于桥式起重机是一个多变量㊁参数不确定的系统ꎬPID控制的参数无法实时调整ꎬ控制效果受到很大影响ꎮ为提高吊装效率ꎬ使桥式起重机精确定位和快速消摆ꎬ学者们进行了大量研究ꎬ相继提出了模糊控制[3]㊁神经网络控制[4]㊁遗传算法等智能控制手段ꎮ胡艳丽[5]设计了一种模糊自整定PID防摆控制方法ꎬ采用模糊规则对PID的参数进行了调节ꎬ取得了较好的控制效果ꎮ但是由于模糊规则的制定有一定难度ꎬ取决于专家的经验ꎬ存在收敛速度慢㊁准确度不高的问题ꎮ针对这一问题ꎬ赵华洋等[6]提出了一种基于神经元PID控制策略ꎬ利用神经网络自学习功能实现了系统参数的实时调节ꎮ但神经网络算法存在计算周期长㊁运行效率较低的问题ꎮ基于此ꎬ本研究根据混沌理论ꎬ提出一种基于改进粒子群优化(IPSO)模糊PID控制策略ꎬ利用粒子群算法寻址速度快的特点对模糊PID控制器的参数进行优化ꎬ提高系统收敛速度和控制精度ꎻ同时ꎬ对影响吊重摆角的因素进行分析讨论ꎬ利用所设计的方法进行仿真和实验ꎬ实现吊运小车的精确定位以及摆动幅度的快速抑制ꎬ为提高桥式起重机的作业效率提供参考ꎮ1㊀系统运动特性分析桥式起重机的吊运系统是一个非常复杂的非线性系统ꎬ小车与吊重之间通常采用柔性连接ꎬ当起重机的大车或小车在做加速或减速运动时ꎬ在惯性作用下ꎬ吊重会产生摇摆运动ꎮ吊重的摇摆可以分成两种运动形式:(1)大车和小车同时运动ꎬ此时吊重会以悬挂点为中心ꎬ以钢绳为半径做球冠面运动[7]ꎻ(2)大车或小车单独运动ꎬ此时吊重在行进平面内做类似单摆的运动ꎮ吊重摆动降低了作业效率ꎬ并存在一定的安全隐患ꎬ因此ꎬ需要采用有效的防摆控制方法ꎬ控制摆角在规定的范围内ꎻ或者当摆角超过规定范围时ꎬ摆幅在最短时间内衰减到规定范围内ꎬ以利于起重机的快速定位ꎬ降低工人劳动强度ꎮ为便于分析ꎬ根据起重机实际工作情况ꎬ笔者作以下假设:(1)大车和小车在各自运动方向上自然解耦ꎬ对吊重摆动影响效果相同ꎬ加之起重机在进行吊装作业时ꎬ大车通常处于静止状态ꎬ因此ꎬ为简化分析ꎬ在建立力学模型时ꎬ不考虑小车机构的运动ꎻ(2)不计钢丝绳的质量ꎬ并忽略钢丝绳的弹性变形以及空气阻力的影响ꎮ根据小车运动时的受力情况ꎬ笔者建立系统的简化力学模型ꎬ如图1所示ꎮ图1㊀桥式起重机的简化模型当小车运行距离为x时ꎬ在广义坐标系统(θꎬl)中ꎬ小车的拉格朗日动力学微分方程为[8]:(M+m)㊆x+mlθ㊆cosθ+ml㊆sinθ+㊀2ml θ cosθ-mlθ 2sinθ+μ̇x=F(1)lθ㊆+2l θ㊆+㊆xcosθ+gsinθ=0(2)ml㊆+m㊆xsinθ-mlθ 2-mgcosθ=f(3)式中:M 小车质量ꎻm 吊重质量ꎻθ 吊重摆角ꎻl 钢丝绳长度ꎻμ 小车与轨道间摩擦系数ꎻx 小车移动距离ꎻF 小车受到的驱动力ꎻf 钢丝绳的提升力ꎮ考虑到起重机实际工作情况ꎬ根据之前假设条件ꎬ此处忽略钢丝绳长度的变化ꎬ则l㊆=l =0ꎻ同时ꎬ由于工作中吊重的摆角较小ꎬ取sinθ=0ꎬcosθ=1ꎬ则系统模型可简化为:(M+m)㊆x+mlθ㊆+μ̇x=F(4)lθ㊆+㊆x+gθ(5)由上式可见ꎬ当吊重质量一定时ꎬ钢丝绳的长度和小车的加(减)速度是影响吊重摆角的关键因素ꎮ因此ꎬ这就需要设计一种有效的小车位置控制策略ꎬ对小车的位置及运动状态进行实时的控制ꎮ2㊀控制策略2.1㊀改进PSO算法基于鸟群行为通过迭代过程寻求最优解的优化算法称为粒子群算法ꎮ将粒子看作是一个解向量ꎬ通过个体之间的协作以跟踪粒子的速度和位置ꎬ寻求最优解ꎬ广泛应用于对连续域的优化问题[9]ꎮ假设在一个N维空间中ꎬ由m个粒子构成一个群426 机㊀㊀电㊀㊀工㊀㊀程第38卷落ꎬ设Xi和Vi代表粒子i的空间位置和速度ꎬd为变量的维数ꎬ且i=1ꎬ2ꎬ ꎬmꎬd=1ꎬ2ꎬ ꎬNꎻ利用目标函数计算适应值ꎬ再由适应度函数决定粒子的优劣ꎬ通过迭代不断更新粒子的位置和速度ꎬ可实现全局寻优ꎮt时刻粒子的更新策略可表示为[10]:V(k+1)id=ω V(k)id+c1r1(p(k)id-X(k)id)+c2r2(p(k)gd-X(k)id)(6)X(k+1)id=X(k)id+V(k+1)id(7)ω=ωmax-ωmax-ωminkmaxˑk(8)式中:p(k)idꎬp(k)gd t时刻个体最优解和全局最优解ꎻc1ꎬc2 学习因子ꎻω 惯性权重ꎻr1ꎬr2 [0ꎬ1]之间均匀分布的随机数ꎻkmaxꎬk 最大迭代次数和当前迭代次数ꎮ传统的粒子群算法容易陷入局部最优ꎬ出现早熟现象ꎬ使寻址精度受到影响ꎮ因此ꎬ为增加粒子认知能力及搜索范围ꎬ笔者对PSO算法进行改进ꎬ提出一种新的惯性权重调整方法ꎬ即:ω=1mLðNd=1(xid-xd)+0.45(9)式中:L 搜索空间长度ꎻxid 粒子i的d维坐标值ꎻxd d维坐标值平均值ꎮ对PSO算法改进后ꎬ粒子在寻址过程中ꎬω先变大ꎬ随后又变小ꎬ这样不仅扩大了搜索范围ꎬ还能够大大提高搜索的精度ꎬ从而可以克服粒子群算法的早熟问题ꎮ2.2㊀基于IPSO的模糊PID控制由于PID参数不能自动调节ꎬ无法适应非线性时变系统ꎮ为了获得更好的控制效果ꎬ通过把模糊推理运用于PID参数的整定ꎬ来补偿同步系统因非线性和时变性所导致的同步误差ꎬ该方法的应用比较广泛ꎮ但是ꎬ模糊规则的制定过程较为复杂ꎬ准确性取决于规则制定者的经验[11ꎬ12]ꎮ因此ꎬ本文采用IPSO方法对隶属度函数进行优化ꎬ可以大幅提高系统收敛速度ꎬ解决PSO算法效率低的问题ꎬ从而实现PID参数的动态调整ꎮ其具体步骤如下:(1)确定适应函数ꎬ并初始化参数ꎮ确定粒子的位置㊁速度㊁学习因子以及迭代次数等参数ꎻ(2)计算粒子的适应度数值ꎮ对训练样本进行学习ꎬ得到各粒子的训练误差ꎬ记为各粒子的适应度值ꎬ并与该粒子的最优适应度值进行对比判断并更新ꎻ(3)采用式(8)计算惯性权重ꎬ并通过式(9)进行权重改进ꎬ然后利用式(6ꎬ7)更新粒子的速度和位置ꎻ(4)将粒子的位置和速度依次赋值给模糊控制器ꎬ优化隶属度函数ꎬ运行控制系统模型ꎬ并输出性能指标ꎻ(5)判断是否满足终止条件ꎬ如果满足则求出最优解ꎬ否则转至步骤(2)ꎮIPSO优化PID参数的流程如图2所示ꎮ图2㊀IPSO优化模糊PID参数的流程笔者将吊重的摆角和小车位移作为系统输入ꎬ误差结果作为输出ꎬ来设计模糊控制器ꎻ采用IPSO优化PID参数ꎬ通过目标函数计算粒子适应度值ꎬ调整模糊论域的取值范围ꎬ实现系统参数的优化ꎻ通过不断调整PID控制参数ꎬ用以降低目标函数的输出值ꎬ从而达到提高系统精度的目的ꎮ控制器结构如图3所示ꎮ图3㊀基于IPSO的模糊PID控制器结构3㊀仿真分析笔者将改进粒子群优化的模糊PID控制策略应用于桥式起重机控制系统中ꎬ采用MATLAB软件编写算法程序ꎬ并在Simulink模块环境中进行仿真分析ꎮ为避免适应值评估和计算时间过长ꎬ提高粒子的寻优精度和寻址速度ꎬ此处函数设置为10维ꎬ迭代次数为200次ꎬ粒子数量为20ꎬ学习因子c1=0.8ꎬc2=1.2ꎻ同时ꎬ为使算法前期拥有较强的全局搜索能力和后期拥有较强的局部搜索能力ꎬ使其保持整体平衡ꎬ此526第5期王华荣ꎬ等:基于IPSO的桥式起重机吊重防摆系统模糊PID控制研究处分别取最大和最小权重为ωmax=0.9ꎬωmin=0.4ꎮ此处以单位阶跃信号作为系统输入ꎬ仿真时间为10sꎮ在实际工作中ꎬ受环境影响较大ꎬ为检验系统的抗干扰能力ꎬ在仿真的第5s时ꎬ加入一个干扰信号ꎬ并与其他控制方法进行对比ꎮ单位阶跃信号仿真结果如图4所示ꎮ图4㊀单位阶跃信号仿真结果由图4可见:IPSO优化模糊PID控制的超调量小ꎬ响度速度快ꎬ达到稳态状态时间短ꎬ控制效果好ꎬ抗干扰能力强ꎮ为进一步分析控制策略的有效性ꎬ笔者将采用3种控制方法得到仿真结果进行对比ꎬ如表1所示ꎮ表1㊀仿真结果对比控制方法超调量σp/%调整时间ts/s误差/%传统PID242.9811.6模糊PID192.043.25IPSO模糊PID41.760.2㊀㊀由表1可以看出:与传统PID控制相比ꎬISPO优化模糊PID控制策略超调量缩减了20%ꎬ稳态时间缩短了40.4%ꎬ误差减少了11.4%ꎮ该结果说明ꎬ笔者所提出的控制方法得到的控制精度最高ꎬ可以满足桥式起重机吊减摆要求ꎮ4㊀吊重摆动影响因素分析由式(4ꎬ5)可知ꎬ当起吊的重量一定时ꎬ钢丝绳的长度和小车的加速度是影响减摆系统的主要指标ꎮ为分析各因素对吊重摆动的影响ꎬ笔者首先保持起吊重量为m=500kgꎬ位移x=2mꎬ小车加速度为a=0.15m/s2不变ꎬ分别采用钢丝绳长度l=2mꎬl=2.5mꎬl=3m进行仿真ꎻ然后ꎬ保持起吊重量为m=500kgꎬ位移x=2mꎬ钢丝绳长度为l=2.5m不变ꎻ分别取小车的加速度为a=0.2m/s2ꎬa=0.3m/s2ꎬa=0.4m/s2进行仿真ꎮ钢丝绳长度对摆动的影响的仿真结果如图5所示ꎮ由图5可以看出:在起升重量不变的情况下ꎬ不同图5㊀钢丝绳长度对摆动的影响长度的钢丝绳对吊重摆角影响不大ꎬ摆角衰减时间几乎不受影响ꎬ这说明不能把改变绳长作为减摆的主要措施ꎮ小车加(减)速度对摆动的影响的仿真结果如图6所示ꎮ图6㊀小车加(减)速度对摆动的影响由图6可以看出:在起升重量不变的情况下ꎬ小车的加(减)速度对吊重摆角影响较大ꎬ摆动幅度随小车加(减)速度的增大而增大ꎮ该结果说明ꎬ可以通过改变小车的运行状态来抑制吊重摆动ꎬ但小车的运行速度又影响了工作效率ꎬ所以在实际工作中ꎬ应该基于防摆系统合理控制小车的运行状态ꎮ5㊀实验测试与结果分析为验证所用控制策略的有效性ꎬ笔者基于某型桥式起重机进行实验测试ꎮ该起重机的各项参数如下:跨度为20mꎬ小车驱动电机功率6.3kWꎬ电机转速1000r/minꎬ制动力矩200N mꎮ在实验过程中ꎬ起吊重量为500kgꎬ小车以0.25m/s2的加速度运行距离为1.2m时开始制动ꎬ采用不同的控制策略进行防摆控制ꎬ然后对小车的位置和吊重摆角进行数据采集ꎬ时间为50sꎮ不同控制方式位移变化的测试结果如图7所示ꎮ不同控制方式摆角变化的测试结果如图8所示ꎮ 626 机㊀㊀电㊀㊀工㊀㊀程第38卷图7㊀不同控制方式位移变化图8㊀不同控制方式摆角变化为进一步说明所用方法的有效性ꎬ笔者将采用3种控制方法得到的实验结果进行对比ꎬ如表2所示ꎮ表2㊀实验结果对比控制方法最大幅值/m调整时间/s最大摆角/rad摆角衰减时间/s传统PID0.3017.50.3628.4模糊PID0.1214.60.2220.8本文算法0.088.80.1716.2㊀㊀由表2可以看出:IPSO优化模糊PID方法能使小车准确定位ꎬ并有效消除吊重的摆动ꎻ相比传统PID控制策略ꎬ小车的定位精度提高了73.3%ꎬ定位时间缩短了49.7%ꎬ消除摆角的时间缩短了43%ꎬ控制效果更为有效ꎮ6㊀结束语为解决桥式起重机吊工作过程中吊重定位精度差㊁吊重摇摆以及工作效率低的问题ꎬ笔者在保证作业安全性和运行稳定性的基础上ꎬ提出了一种基于改进粒子群优化的模糊PID控制策略ꎬ具体过程和结果如下:(1)利用Lagrange动力学微分方程分析影响吊重稳定性的因素ꎬ确定了控制参数指标ꎻ㊀㊀(2)对粒子群算法的更新策略进行改进ꎬ并通过改进算法优化模糊PID控制器的参数ꎬ使其更具适应性ꎮ同时ꎬ以运动小车的位置和吊重的摆角作为研究对象ꎬ进行了仿真分析和实验测试ꎬ并分析了钢丝绳的长度及小车加(减)速度对减摆效果的影响ꎻ(3)当吊重的质量一定时ꎬ通过仿真分析发现:钢丝绳的长度变化对吊重摆角的影响并不明显ꎬ而小车的加(减)速度对摆角影响较大ꎬ摆动幅度随加(减)速度的增加而变大ꎮ由此可以得到结论:基于IPSO优化的模糊PID控制策略可有效地实现小车精确定位和快速消除吊重摇摆ꎬ克服了吊重扰动对小车位置的影响ꎻ该控制策略的抗干扰能力强㊁控制效果好ꎮ与传统PID控制方法相比ꎬ采用该控制策略后小车的定位精度提高了73.3%ꎬ消除摆角时间缩短了43%ꎬ大大提高了起重机的作业效率和安全性ꎮ参考文献(References):[1]㊀杨㊀斌ꎬ刘振兴ꎬ刘惠康ꎬ等.桥式起重机动力学模型参数辨识及其防摆控制器设计[J].机床与液压ꎬ2020ꎬ48(10):193 ̄196.[2]㊀高春立.桥式起重机防摇控制系统设计与研究[D].成都:西南交通大学机械工程学院ꎬ2019.[3]㊀刘汉忠ꎬ俞㊀鹏.模糊PID自适应控制在微型齿轮泵恒流控制系统中的应用[J].流体机械ꎬ2018ꎬ46(12):50 ̄53ꎬ64.[4]㊀苏一新ꎬ马彦会ꎬ石㊀倩ꎬ等.基于BP神经网络模型的磁悬浮水泵PDI参数优化[J].流体机械ꎬ2018ꎬ46(1):20 ̄24ꎬ33.[5]㊀胡艳丽.基于模糊PID的桥式起重机防摆控制研究[D].焦作:河南理工大学电气工程与自动化学院ꎬ2011.[6]㊀赵华洋ꎬ李㊀理ꎬ张春友ꎬ等.基于神经元控制的桥式起重机吊重防摆系统[J].实验室研究与探索ꎬ2017ꎬ36(11):64 ̄67.[7]㊀曾伍杨.塔机偏摆模糊自抗扰控制研究[D].长沙:中南大学交通运输工程学院ꎬ2014.[8]㊀朱发渊ꎬ汪朝晖ꎬ李欣欣.桥式起重机定位和消摆的非线性优化PID控制研究[J].制造业自动化ꎬ2014ꎬ(12):76 ̄79[9]㊀张继荣ꎬ张㊀天.基于改进粒子群算法的PID控制参数优化[J].计算机工程与设计ꎬ2020ꎬ41(4):1035 ̄1040.[10]㊀金林骏ꎬ方建安ꎬ潘磊宁.一种基于改进的粒子群优化算法的神经网络PID控制器[J].机电工程ꎬ2015ꎬ32(2):295 ̄300.[11]㊀孙艳芬.桥式起重机模糊自适应PID控制系统的应用[J].山东农业大学学报:自然科学版ꎬ2018ꎬ49(6):1020 ̄1023.[12]㊀OMARHMꎬNAYFEHAH.Gainschedulingfeedbackcontrolfortowercranes[J].JournalofVibrationandControlꎬ2013ꎬ9(3):399 ̄4l8.[编辑:李㊀辉]本文引用格式:王华荣ꎬ谢海智.基于IPSO的桥式起重机吊重防摆系统模糊PID控制研究[J].机电工程ꎬ2021ꎬ38(5):623 ̄627.WANGHua ̄rongꎬXIEHai ̄zhi.FuzzyPIDcontrolforliftinganti ̄swingsystemofoverheadcranebasedonIPSO[J].JournalofMechanical&ElectricalEngi ̄neeringꎬ2021ꎬ38(5):623 ̄627.«机电工程»杂志:http://www.meem.com.cn726 第5期王华荣ꎬ等:基于IPSO的桥式起重机吊重防摆系统模糊PID控制研究。
基于模糊补偿的塔式起重机自适应模糊滑模控制
赵志杰;柴琳;刘惠康;孙家骏
【期刊名称】《科学技术与工程》
【年(卷),期】2024(24)2
【摘要】塔式起重机在工作时,负载会产生摆动,且系统具有欠驱动性、非线性和强耦合性的特征,定位与消摆控制难度大。
大多数现有控制方法未考虑系统的摩擦项
或者考虑系统摩擦项时由固定公式计算得出,而工程实际应用中摩擦项易受到工作
环境的影响,引起控制效果的降低。
为解决上述问题,提出了一种基于模糊补偿的自
适应模糊滑模控制器。
首先,通过对原有的系统动力学模型进行改造,构造出新的动
力学模型,解决了系统由于欠驱动特性导致控制律难以设计的问题。
随后采用模糊
逼近的方式对系统的摩擦项进行逼近,解决了不确定性的工作环境对摩擦项的影响。
其次在此基础上与滑模控制理论相结合设计控制器,并经严格的稳定性分析,证明了
系统是渐进稳定的。
最后,经仿真和实验结果验证了所提方法的有效性。
【总页数】10页(P639-648)
【作者】赵志杰;柴琳;刘惠康;孙家骏
【作者单位】武汉科技大学信息科学与工程学院
【正文语种】中文
【中图分类】TP273;TH213.3
【相关文献】
1.基于模糊树模型的自适应模糊滑模控制方法
2.基于RBF神经网络优化模糊规则的USV自适应模糊滑模控制
3.基于扰动补偿的多轴车辆主动悬架自适应模糊动态滑模控制策略研究
4.基于模糊补偿的康复机器人的自适应滑模控制研究
因版权原因,仅展示原文概要,查看原文内容请购买。
自适应神经模糊控制在机械手臂中的应用研究自适应神经模糊控制(ANFIS)是一种现代控制技术,在机械手臂控制中被广泛应用。
ANFIS结合了神经网络和模糊逻辑两种技术,具有高度的智能和适应性,在机械手臂动作控制中展现出良好的效果。
一、ANFIS的基本原理和特点ANFIS通过对控制对象进行建模,使用反向传播算法对神经网络进行训练,得到神经网络的权值和偏置。
同时,使用模糊逻辑对传感器输入进行处理,获得与输出变量相关的语言变量。
将神经网络和模糊逻辑相结合,得到一个包含多个输入、一个输出的模糊神经网络,并使用最小均方误差法对其进行调整,最终得到一个能够自适应控制的ANFIS模型。
ANFIS的主要特点包括:1)神经网络部分的训练和模糊逻辑部分的调整是分开进行的,可以减小计算量和计算误差;2)ANFIS采用的模糊逻辑的输出与人的思考过程相似,易于理解和应用;3)ANFIS具有强大的自适应性和学习能力,能够适应不同工况的机械手臂控制要求。
二、ANFIS在机械手臂控制中的应用研究目前,ANFIS已经广泛应用于机械手臂控制中,特别是在力控制和轨迹追踪方面。
例如,在装卸机械加工零件过程中,ANFIS可以对机械手臂的位置、力量和速度等参数进行实时监测和自适应控制,从而实现高效、精准和安全的操作。
具体来说,ANFIS在机械手臂控制中的应用研究包括以下几个方面:1)力控制机械手臂在操作过程中需要对加工对象施加适当的力量,以确保工件的质量和加工效率。
ANFIS可以通过对传感器输入进行模糊化处理,通过神经网络进行学习和训练,从而生成能够自适应控制机械手臂力量的控制模型。
实现了机械手臂对工件的柔性力控制,提高了工件的加工质量和加工效率。
2)轨迹追踪机械手臂的操作需要按照预设的轨迹进行,并能够根据实际情况进行自适应调整。
ANFIS可以通过遗传算法优化神经网络结构和参数,利用模糊逻辑对传感器输入进行处理,从而实现机械手臂的精确定位和轨迹追踪控制。
应用于起重机稳钩控制的自适应神经模糊推理系统
胡全义;黄士涛;马进元;乔桐
【期刊名称】《起重运输机械》
【年(卷),期】2007(000)009
【摘要】提出一种基于自适应神经模糊推理系统(ANFIS)的控制方法应用于起重机的稳钩控制,该方法采用反向传播算法(BP)和最小二乘算法(LS)的混合算法对小车-吊重系统样本数据进行学习,调整各变量的隶属度函数,自动产生模糊规则.仿真结果表明,这种控制方法对小车-吊重系统的摇摆角度和小车位置的控制过程具有良好的动态性能和较强的鲁棒性能,说明了自适应神经模糊推理系统在起重机稳钩控制中的有效性.
【总页数】4页(P10-13)
【作者】胡全义;黄士涛;马进元;乔桐
【作者单位】郑州大学机械工程学院;郑州大学机械工程学院;郑州大学机械工程学院;郑州大学机械工程学院
【正文语种】中文
【中图分类】TH2
【相关文献】
1.门式起重机操作的稳钩技术探究 [J], 刘小正
2.自适应神经模糊推理系统在起重机稳钩控制中的应用 [J], 黄士涛;胡全义;马进元;乔桐
3.基于T-S模型的旋转式起重机稳钩保性能控制 [J], 罗枚;周灌中;王鑫
4.虚拟海浪环境中船舶起重机的自动稳钩研究 [J], 夏小新
5.浅谈港口起重机械的稳钩操作 [J], 郭英轩;朱节宏;郑俊华
因版权原因,仅展示原文概要,查看原文内容请购买。
塔式起重机的智能化作业指导系统智能化作业指导系统(Tower Crane Intelligent Operation Guidance System)随着科技的快速发展和工程施工的不断推进,人们对于施工工程的效率和安全性要求也越来越高。
在这个背景下,塔式起重机的智能化作业指导系统应运而生。
本文将详细介绍塔式起重机智能化作业指导系统的定义、功能、特点以及应用前景。
一、定义塔式起重机的智能化作业指导系统是一种通过对塔式起重机进行感知、分析和决策的系统,能够为起重机操作员提供全方位、多角度的作业指导和监控。
二、功能1. 作业指导:智能化作业指导系统可以为起重机操作员提供实时的作业指令,包括吊装、移动、停止等操作,减少了操作员的心理负担,提高了作业效率;2. 安全监控:系统能够实时监测起重机的工作状态,包括吊钩位置、载重情况、风速等参数,及时发出报警并提供相应的处理建议,保障施工安全;3. 数据分析:系统能够对起重机的工作数据进行采集和分析,对于施工进度、作业效率等进行评估,为工程管理提供依据;4. 环境感知:智能化作业指导系统可以通过传感器对周围环境进行感知,及时发现隐患并采取相应的措施,确保施工的安全进行。
三、特点1. 自动化:智能化作业指导系统通过对起重机进行自动化控制,减少了人为因素的干扰,提高了作业的准确性和稳定性;2. 实时性:系统能够实时地获取起重机的工作状态和周围环境信息,对于操作员提供准确的指导和预警;3. 智能化:系统采用智能算法和机器学习技术,能够学习和分析起重机的工作数据,并根据实际情况进行决策,适应各类复杂环境;4. 扩展性:系统支持模块化设计和功能扩展,可以根据工程需求进行定制和升级。
四、应用前景塔式起重机的智能化作业指导系统已经在多个工程领域得到应用,如建筑施工、桥梁建设、港口装卸等。
随着系统技术的不断成熟和应用范围的扩大,预计在未来几年内将会在更多领域得到应用,如高铁建设、风力发电等。