一种基于人工神经网络的多模态桥吊摆动抑制控制方法

技术领域

本发明涉及的桥吊防摇运动控制技术领域，尤其涉及一种基于人工神经网络的多模态桥吊摆动抑制控制方法。

背景技术

随着现代工业智能化程度的不断提高，起重机的应用越来越广泛。传统针对起重机的控制方法大多是依靠操作员的经验，因此在控制的效率与稳定性上就会有所欠缺。并且，由于起重机系统的欠驱动特性，吊钩以及负载的角度作为欠驱动量，难以直接控制。

考虑到经济性与便捷性，桥式起重机被广泛的应用于各类工业场所，而与之配套的控制算法大多数都是开环控制算法，常用的开环控制算法有轨迹规划、输入整形等，轨迹规划方法是通过分析系统的输入输出特性来规划出一条可以抑制系统震荡的曲线，并让小车跟踪这条曲线来实现消摆，其特点是需要将模型线性化，并求解一系列约束方程，输入整形同样也需要将系统首先进行线性化，它针对系统各个模态频率进行分析，求解出一系列可以抑制系统振荡的脉冲信号，并将其与初始系统输入信号做卷积运算生成最终输入信号，然而，在实际应用中，由于吊钩与负载间不可忽略的绳长，起重机系统通常呈现出双摆特性，因此为了充分抑制起重机每个模态的振荡，在针对输入整形器进行设计时，就必须考虑到每个模态频率，传控制器如ZVDD、DZV等，它们本质上都是离散的脉冲序列，当它们与输入信号做卷积之后，生成的控制信号并不光滑，这就导致了控制系统寿命的降低。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明解决的技术问题是：大多数输入整形控制方法都需要首先将模型进行线性化，因此对于初始非线性模型的控制效果就会有所欠缺。另外，传统输入整形器离散脉冲序列的特性会导致驱动系统寿命的降低。

为解决上述技术问题，本发明提供如下技术方案：一种基于人工神经网络的多模态桥吊摆动抑制控制方法，所述方法包括如下步骤：

构建具有分布式质量负载的桥吊多模态动态模型；

计算历史不同起重机参数下的第一最优连续脉冲序列，并构建最优连续脉冲数据集；

计算人工神经网络的权值与偏置参数，并构建人工神经网络辨识相关参数；

利用人工神经网络计算当前实时测得起重机参数下的第二最优连续脉冲序列并得出最终加速度信号；

通过PD控制器跟踪最终加速度信号的二次积分曲线，实现定位消摆。

作为本发明所述的基于人工神经网络的多模态桥吊摆动抑制控制方法的一种优选方案，其中：所述方法还包括如下步骤：

根据拉格朗日方程以及桥吊模型，获取桥吊模型参数，通过桥吊模型参数构建具有分布式质量负载的桥吊多模态动态模型；

根据桥吊多模态动态模型，利用适应度函数、粒子群最优化算法离线计算历史不同起重机参数下的第一最优连续脉冲序列，构建最优连续脉冲数据集；

根据最优连续脉冲数据集，利用粒子群最优化算法计算人工神经网络的权值与偏置参数，并根据权值与偏置参数构建人工神经网络辨识相关参数；

根据人工神经网络，计算实时测得起重机参数下的第二最优连续脉冲序列，将第二最优连续脉冲序列与初始加速度信号作卷积运算并得出最终加速度信号；

根据最终加速度信号，进行二次积分并得到位移轨迹，通过PD控制器对所述位移轨迹进行跟踪，实现桥吊的定位与消摆。

作为本发明所述的基于人工神经网络的多模态桥吊摆动抑制控制方法的一种优选方案，其中：所述桥吊多模态动态模型表示为：

其中，m为运输车的质量，m

作为本发明所述的基于人工神经网络的多模态桥吊摆动抑制控制方法的一种优选方案，其中：所述根据桥吊多模态动态模型，利用适应度函数、粒子群最优化算法离线计算历史不同系统参数下的第一最优连续脉冲序列，构建最优连续脉冲数据集中的适应度函数的表达式为：

其中，λ

作为本发明所述的基于人工神经网络的多模态桥吊摆动抑制控制方法的一种优选方案，其中：所述连续脉冲序列的幅值函数的表达式为：

τρe

S(t)＝{(κ-τ)ρe

0 τ>κ

其中，ε和κ为影响连续脉冲延迟时间的参数，ρ为影响连续脉冲整体幅值的参数，ξ为系统阻尼比，ω为系统自然震荡角频率。

作为本发明所述的基于人工神经网络的多模态桥吊摆动抑制控制方法的一种优选方案，其中：所述ρ，ε和κ的值，通过粒子群最优化算法进行最优计算。

作为本发明所述的基于人工神经网络的多模态桥吊摆动抑制控制方法的一种优选方案，其中：所述构建最优连续脉冲数据集包括：

在进行控制之前对历史不同起重机参数的第一最优连续脉冲序列进行迭代计算，根据迭代计算结果构建最优连续脉冲数据集。

作为本发明所述的基于人工神经网络的多模态桥吊摆动抑制控制方法的一种优选方案，其中：所述根据最优连续脉冲数据集，利用粒子群最优化算法计算人工神经网络的权值与偏置参数，并根据权值与偏置参数构建人工神经网络辨识相关参数包括：

所述人工神经网络包括三个输入层、四个隐藏层和三个输出层，三个输入层分别对应分部质量负载质心与吊钩的距离、分部质量负载的质量、分部质量负载的长度，三个输出层分别对应连续脉冲序列的参数ρ，ε和κ，每个隐藏层与输入层之间的关系如下式：

其中，α和β分别代表着所述最优连续脉冲数据集输入参数最大值和最小值的向量，v为隐藏层每个神经元所对应的偏置参数，ω

每个输出层与隐藏层之间的关系如下式：

其中，χ和δ分别为所述最优连续脉冲数据集输出参数最大值和最小值的向量，

通过粒子群最优化算法辨识ω

其中：yd

作为本发明所述的基于人工神经网络的多模态桥吊摆动抑制控制方法的一种优选方案，其中：所述得出最终加速度信号包括：

结合所述人工神经网络，在输出层输入分布质量负载的参数，输出层获得最优连续脉冲序列的相关参数，并将其与初始加速度信号进行卷积运算，得出最终加速度信号。

作为本发明所述的基于人工神经网络的多模态桥吊摆动抑制控制方法的一种优选方案，其中：所述根据最终加速度信号，进行二次积分并得到位移轨迹，通过PD控制器对所述位移轨迹进行跟踪，实现桥吊的定位与消摆包括：

将所述最终加速度信号进行二次积分，得到一条含有连续脉冲序列信息的曲线，PD控制器对该曲线轨迹进行跟踪，所述PD控制器的具体表达式如下：

其中，e

本发明的有益效果：本发明通过粒子群最优算法，对连续脉冲序列进行寻优，很好的解决了传统开环控制器针对非线性系统所存在的不良表现，并且通过人工神经网络对最优参数集进行学习，可以避免繁琐的离线迭代步骤，实时地生成所需要的最优脉冲序列，提高了控制器的效率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明第一个实施例所述的基于人工神经网络的多模态桥吊摆动抑制控制方法的流程示意图；

图2为本发明第一个实施例所述的基于人工神经网络的多模态桥吊摆动抑制控制方法的具有分布式质量负载的桥式起重机结构原理图；

图3为本发明第二个实施例所述的基于人工神经网络的多模态桥吊摆动抑制控制方法的实验平台结构图；

图4为本发明第二个实施例所述的基于人工神经网络的多模态桥吊摆动抑制控制方法的控制器的实验结果图；

图5为本发明第二个实施例所述的基于人工神经网络的多模态桥吊摆动抑制控制方法的控制器ZVDD的实验结果图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

参照图1～2，为本发明的一个实施例，提供了一种基于人工神经网络的多模态桥吊摆动抑制控制方法，包括：

S1：根据拉格朗日方程以及桥吊模型，构建具有分布式质量负载的桥吊二维动态模型，其中需要说明的是，

结合应用过程中的摩擦力，利用拉格朗日建模方程构建具有分布式质量负载桥吊多模态动态模型，所述多模态动态模型表示为：

其中，m为运输车的质量，m

所建立的具有分布式质量负载桥吊多模态动态模型考虑了实际应用中负载的转动惯量等特性，并且充分贴切实际起重机的非线性特性。

S2：结合适应度函数与粒子群最优化算法，离线计算不同系统参数下的最优连续脉冲序列，构建最优连续脉冲数据集。其中需要说明的是，

在所述多模态动态模型中，为了研究控制方法的性能，提出适应度函数来作为一种分析指标，其详细表达式为：

其中：λ

τρe

S(t)＝{(κ-τ)ρe

0 τ>κ

其中，ε和κ为影响连续脉冲延迟时间的参数，ρ为影响连续脉冲整体幅值的参数，ξ为系统阻尼比，其值一般取0，ω为系统自然震荡角频率，其值可以通过将所述多模态动态模型解耦得到。

S3：根据所述最优连续脉冲数据集，构建人工神经网络，利用粒子群最优化算法计算人工神经网络的权值与偏置参数，

其中需要说明的是，由于大多数传统开环控制器的设计步骤大多都包含对系统模型的线性化，因此将会降低控制效果的精确性，为了实现连续脉冲序列对于控制的精确性，结合所述粒子群最优化算法与所述适应度函数，对ρ，ε和κ的值进行最优计算，在实际应总当中，系统参数变化将导致所述最优连续脉冲序列的变化，而所述最优脉冲序列的生成需要所述粒子群最优算法离线迭代，因此控制器的效率将不可避免的降低，为了便于辨识所述人工神经网络参数，需要在进行控制之前对于不同系统参数下的最优连续脉冲序列进行迭代计算，构建最优连续脉冲数据集。

为了提高控制器的效率，避免由于系统参数变化所产生的繁琐的所述粒子群最优化算法的迭代过程，利用所述人工神经网络来进一步对最优连续脉冲数据集进行学习，并随即选取一部分数据进行神经网络参数的有效性进行验证，所述人工神经网络包含三个输入层，它们分别对应着分部质量负载质心与吊钩的距离、分部质量负载的质量以及分部质量负载的长度，所述人工神经网络包含四个隐藏层，每层隐藏层与输入层之间的关系如下：

其中，α和β分别代表着所述最优连续脉冲数据集输入参数最大值和最小值的向量，v为隐藏层每个神经元所对应的偏置参数，ω

其中，χ和δ分别为所述最优连续脉冲数据集输出参数最大值和最小值的向量，

其中，yd

S4：根据所述人工神经网络，利用它实时计算不同参数下的最优连续脉冲序列，结合PD控制器跟踪最终加速度信号的二次积分值，完成定位与消摆。

其中需要说明的是，所述最终加速度信号进行二次积分，得到一条可用于PD控制器跟踪的曲线，该曲线含有连续脉冲序列的信息，可以充分抑制系统振荡，并且在PD控制器下，运输车可以精准定位，所述PD控制器的具体表达式如下：

其中，e

可以看出，本发明主体上是利用PD控制器来跟踪规划好的曲线，该思路类似与开环控制中的轨迹规划方法，但是，本发明的出发点仍然是基于脉冲响应的输入整形器。

对于传统基于脉冲响应的输入整形器来说，它们几乎都需要将一系列离散的脉冲信号与初始输入信号作卷积运算，而卷积后的最终输入信号由于包含了离散脉冲的信息，将会呈现出一个不平滑的特征，因此会对驱动系统产生不好的影响，本发明针对多模态桥吊系统，设计了一种最优连续脉冲序列的控制方法，通过粒子群最优化算法，在基本连续脉冲序列幅值与延迟时间周围进行寻优，通过所设计的适应度函数，可以充分考虑运输车的定位，以及负载的最优摆动抑制，为了提高控制器的运行效率，采用人工神经网络对不同参数下的最优连续脉冲数据集进行学习，利用粒子群最优化算法得到最优的人工神经网络参数，最后，可以实时的根据所测量的起重机参数得到最优连续脉冲序列，并将其与初始加速度信号作卷积运算，并用PD控制器跟踪最终加速度信号的二次积分，既保证了精准定位，也充分抑制了吊钩以及负载的摆动。

实施例2

参照图3～5，为本发明另一个实施例，为对本方法中采用的技术效果加以验证说明，本实施例采用传统ZVDD控制器与本发明方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。

参照图3，为了对本发明的有益效果进行验证，搭建了一个桥式起重机硬件平台，该平台依据实际起重机进行类似模拟，所搭建平台共有6个绝对编码器，在本发明中，用到了其中三个绝对编码器，包括吊钩角度编码器100、负载角度编码器101、位移编码器102，它们分别用来实时测量吊钩与负载的角度值以及运输车与导轨的位移，对于驱动单元103，本发明用到了反馈运输车位移的绝对编码器，所搭建平台的数据交互由一块运动控制板卡104与工控机105完成，具体来说，三个编码器所测得的数据输入到运动控制板卡104当中，再通过运动控制板卡104将数据传输到工控机105中，进而利用工控机105端的MATLAB仿真模块对反馈的数据进行整合处理，形成实时控制信号通过运动控制板卡104反馈到所构建平台的驱动单元103，MATLAB仿真的采样时间为0.05s。

平台搭建完成后，对传统ZVDD输入整形器和本发明控制方法进行测试，其中传统的控制器ZVDD的离散脉冲为：

对于ZVDD输入整形器，首先通过模态解耦得到具有分布质量负载的二维桥吊模型的频率分量，进而用上述公式分别计算它们对应的离散脉冲序列，并将所得到的两个脉冲序列进行卷积运算，最后，任意选取积分为0.5的初始加速度信号与卷积后的脉冲序列再次进行卷积运算得到最终加速度曲线。结合PD控制器，跟踪所得到的最终加速度曲线的二次积分，利用上述构建的实验平台计算使用本方法与ZVDD输入整形器所用方法的振幅，其结果如下表1所示：

表1：振幅实验对比结果。

同时参照图4与图5可见，显而易见的是，采用了前馈补偿摩擦力的方法之后，两种方法都可以完成精准定位的任务，由于θ

应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。

此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。

进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。

如在本申请所使用的，术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如，组件可以是，但不限于是：在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例，在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中，并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外，这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如，来自一个组件的数据，该组件与本地系统、分布式系统中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系统进行交互)的信号，以本地和/或远程过程的方式进行通信。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。