CN103950471A - 双履带行走装置自适应转向系统及实现方法 - Google Patents

Abstract

本发明公开了一种双履带行走装置自适应转向系统及实现方法，该系统包括GPS接收器、光电编码器组、数据采集卡、工控机、D/A转换单元、驱动电机控制单元和电源，所述的光电编码器组与数据采集卡连接；GPS接收器和数据采集卡的输出端与工控机的输入端连接，工控机的输出端与D/A转换单元的输入端连接；D/A转换单元的输出端与驱动电机控制单元连接；整个系统由电源供电；本发明提供的系统及方法解决了双履带行走装置转向时所发生的滑移和滑转现象，提高了露天采矿机械的安全性和工作效率；利用模糊神经网络技术通过控制双履带行走装置的驱动电机，使双履带行走装置的实际转向半径与理论所需的转向半径相吻合，实现智能转向。

Description

双履带行走装置自适应转向系统及实现方法

技术领域

本发明涉及双履带行走装置智能控制技术领域，特别涉及一种基于模糊神经网络的双履带行走装置自适应转向系统及实现方法。 

背景技术

双履带行走装置广泛应用于斗轮挖掘机、排土机、移动式破碎站等露天采矿装备，这些机械动辄数百吨，甚至上千吨。双履带行走装置采用电机驱动，通过变频器调整两条履带的转速实现转向。 

现有技术中，露天采矿机械驾驶员在操纵双履带行走装置进行转向时，由于履带与地面之间存在滑移和滑转现象，导致其实际转向半径总是大于理论转向半径，双履带行走装置行驶轨迹的准确性较低，这直接影响到露天采矿机械的安全性和工作效率。 

发明内容

针对现有技术中双履带行走装置转向时所发生的滑移和滑转现象，提出了一种双履带行走装置自适应转向系统及实现方法，采用模糊神经网络技术使行走装置的实际转向半径与理论所需的转向半径相吻合，实现智能转向。 

为解决上述技术问题，本发明通过以下技术方案实现： 

一种双履带行走装置自适应转向系统，包括GPS接收器1、光电编码器组2、数据采集卡3、工控机4、D/A转换单元5、驱动电机控制单元6和电源7。所述的光电编码器组2与数据采集卡3连接；GPS接收器1和数据采集卡3的输出端与工控机4的输入端连接，工控机4的输出端与D/A转换单元5的输入端连接；D/A转换单元5的输出端与驱动电机控制单元6连接；整个系统由电源7供电。 

所述的GPS接收器1安装在双履带行走装置上，获取双履带行走装置的位置信息及行驶轨迹。GPS接收器1在跟踪四颗GPS卫星的过程中相对地球而运动，计算出相对这四颗卫星的距离，用这些信息可以得到自身的位置，即待测点的坐标x，y，z。 

所述的光电编码器组2包括左、右两个光电编码器，分别安装在左、右履带架上，检测双履带行走装置左、右履带的行驶速度v₁、v₂，速度信息通过数据采集卡3后输送入工控机4进行处理。 

所述的工控机4固定在驾驶室内，方便驾驶员通过显示屏查看自适应转向系统运行结果。所述的工控机4是自适应转向系统的核心，包含信号处理模块41、模糊神经网络控制模块42。工控机4中的信号处理模块41对GPS接收器1的位置信号处理和光电编码器组2的速度信 号处理。 

所述的D/A转换单元5的输入端接工控机4，输出端接驱动电机控制单元6，D/A转换单元5将工控机4输出的两路电压数字信号转换为两路电压模拟信号，输出到驱动电机控制单元6。 

所述的驱动电机控制单元6包括左、右变频器和左、右驱动电机。左、右变频器接收D/A转换单元5的两路电压模拟信号，从而控制左、右驱动电机，进而通过减速机控制左、右驱动轮，改变双履带行走装置转向半径。 

所需的理论转向半径R_L由驾驶员输入到自适应转向系统中，进行提前设定。 

所述的GPS接收器1将采集得到的位置信息、行驶轨迹通过RS232接口传输入工控机4，工控机4中的信号处理模块41通过计算得到双履带行走装置行驶时的实际转向半径R_S。根据实际转向半径R_S和提前设定的理论转向半径R_L得到双履带行走装置转向半径差e、半径差变化率ec。半径差e和半径差变化率ec作为模糊神经网络控制模块42的输入层节点。 

工控机4中的模糊神经网络控制模块42的解模糊输出层IV输出信号为左右履带速度差Δv，再根据左、右履带的行驶速度v₁、v₂，计算实际左、右履带所需速度v₁ ^*、v₂ ^*： 

$\left\{\begin{array}{c}{v_1}^{*}=v_1+\frac{\mathrm{\Δv}}{2}\\ {v_2}^{*}=v_2-\frac{\mathrm{\Δv}}{2}\end{array}\right.---\left(1\right)$

然后，信号处理模块41根据左、右履带所需速度v₁ ^*、v₂ ^*输出两路电压数字信号，通过D/A转换单元5后变成两路电压模拟信号，送入驱动电机控制单元6的左、右变频器，进而控制左、右驱动电机，改变左、右履带速度。 

驱动电机控制单元6中的左、右变频器分别根据所需速度与实际速度之间的差值v₁ ^*-v₁、v₂ ^*-v₂得到频率改变量，进而控制左、右驱动电机，将实际速度v₁、v₂调整至所需速度v₁ ^*、v₂ ^*。这样，通过调整左右履带速度差，实现了改变转向半径的目的，从而使得双履带行走装置的实际转向半径与理论所需的转向半径相吻合，实现智能转向。 

一种双履带行走装置自适应转向的实现方法，包括以下步骤： 

（1）设定理论转向半径R_L；由GPS接收器1接收位置信息、行驶轨迹，并由工控机4的信号处理模块41计算得到实际转向半径R_S、半径差e、半径差变化率ec； 

（2）将半径差e和半径差变化率ec输入模糊神经网络控制模块42，通过运算得到左右履带速度差Δv； 

（3）工控机4的信号处理模块41根据左右履带速度差Δv以及左、右履带的行驶速度v₁、v₂，计算实际左、右履带所需速度v₁ ^*、v₂ ^*； 

（4）信号处理模块41根据左、右履带所需速度v₁ ^*、v₂ ^*控制左、右变频器，进而控制左、右驱动电机，改变左、右履带速度； 

（5）完成转向。 

步骤（1）中计算双履带行走装置实际转向半径R_S的具体方法如图4所示。圆弧ABC为 双履带行走装置行驶过的轨迹，根据圆弧上任意三点坐标来确定双履带行走装置转向半径，所示三点包括：B点为GPS接收器1放置的位置、A点为其前一时刻位置、C点为其后一时刻位置。E点及D点分别为直线AB及BC的中点，根据中点坐标公式可以得到D点和E点的坐标。直线EO₁及DO₁分别垂直于直线AB及直线BC，两直线交点即为转动中心点O₁，转向半径R就是GPS放置的位置（B点）到O₁点的距离。 

根据点的坐标确定出直线AB及BC的斜率，由kk₁＝-1可以得到直线DO₁及直线EO₁的斜率；再结合D点和E点的坐标就可得到直线DO₁及EO₁的方程，联立方程可求得双履带行走装置的转动中心O₁（x_o1，y_o1）（在双履带行驶平面内z坐标值一样，不考虑）。GPS的位置（B点）是已知的，为（x_B，y_B），所以实际转向半径R_S可由下式得到： 

$R_S=\sqrt{{(x_{o1}-x_B)}^2+{(y_{o1}-y_B)}^2}---\left(2\right)$

步骤（2）的具体运算方法为： 

依据样本进行自学习修正，构建基于自学习、自适应的模糊神经网络控制模块42。然后，将训练好的模糊神经网络控制模块应用于实际转向控制过程，完成整个自适应转向过程。 

如图5所示，所述的模糊神经网络控制模块42包括输入层I、模糊化层II、规则层III和解模糊输出层IV，输入信号为双履带行走装置转向半径差e、半径差变化率ec，输出信号为左右履带速度差Δv。 

输入层为第Ⅰ层：2个节点，代表输入为双履带行走装置转向半径差e、半径差变化率ec。 

模糊化层为第Ⅱ层：16个节点，代表16个隶属度函数，完成隶属度函数值的求取。其中，半径差采用9个模糊集合描述，半径差变化率采用7个模糊集合表示，各个模糊集合隶属函数都采用高斯函数。 

规则层为第Ⅲ层：63个节点，代表63条模糊规则，完成模糊规则的前件计算。模糊推理采用代数积-加法（sum-product）方法。 

解模糊输出层为第Ⅳ层：1个节点，代表输出为左右履带速度差Δv。解模糊采用加权平均法。 

下面具体介绍模糊神经网络控制模块的设计。 

为便于叙述，半径差e表示为x₁，半径差变化率ec表示为x₂，组成输入向量：输出信号左右履带速度差Δv表示为y，因此，x₁=e，x₂=ec，y=Δv。 

半径差x₁采用9个模糊集合描述，对应9个隶属函数。半径差变化率x₂用7个模糊集合表示，对应7个隶属函数。 

各个模糊集合隶属函数都采用高斯函数： 

$A_1^j\left(x_1\right)=\exp [-{(x_1-c_{1j})}^2/{\mathrm{\σ}}_{1j}^2]---\left(3\right)$

其中，j＝1,2,…,9。 

$A_2^i\left(x_2\right)=\exp [-{(x_2-c_{2i})}^2/{\mathrm{\σ}}_{2i}^2]---\left(4\right)$

其中，i＝1,2,…,7。 

式中：c_1j、c_2i为隶属函数的均值，σ_1j、σ_2i为隶属函数的标准差。 

模糊推理共有9×7=63条规则，采用代数积-加法（sum-product）方法。 

解模糊采用加权平均法，则系统的输出为： 

$y=\underset{l=1}{\overset{63}{\mathrm{\Σ}}}{\stackrel{\‾}{y}}_l{a}_l---\left(5\right)$

式中：a_l为第l条模糊规则的激活度，由模糊推理方法得： 

$a_l=A_1^l\left(x_1\right)A_2^l\left(x_2\right)---\left(6\right)$

用表示第k层的第i个输入，表示第k层的第j个节点的净输入，表示第k层的第j个输出。 

（1）输入层I 

${\mathrm{net}}_j^1=x_i^1,j=i,y_j^1={\mathrm{net}}_j^1---\left(7\right)$

其中，为网络的第i个输入。 

（2）模糊化层II 

${\mathrm{net}}_j^2=-\frac{{(x_i-c_{\mathrm{ij}})}^2}{{\mathrm{\σ}}_{\mathrm{ij}}^2},y_j^2=\exp \left({\mathrm{net}}_j^2\right)---\left(8\right)$

其中，c_ij和σ_ij分别是第i个输入变量的第j个模糊集合的高斯型隶属函数的均值和标准差。 

（3）规则层III 

${\mathrm{net}}_j^3=x_1^3\×x_2^3,y_j^3={\mathrm{net}}_j^3---\left(9\right)$

其中，即第j条规则的激活度α_j。 

（4）解模糊输出层IV 

${\mathrm{net}}_1^4=\underset{i=1}{\overset{63}{\mathrm{\Σ}}}{\stackrel{\‾}{y}}_i{x}_i^4,y_1^4={\mathrm{net}}_1^4---\left(10\right)$

其中，即为网络输出，为第三层和第四层间的可调权系数。 

可见，此模糊神经网络中只有参数值c_ij，σ_ij和需要训练调整，各个模糊集合隶属函数的形状和位置可以根据各个采样信号进行调整，实现系统的自适应。由GPS接收器1得到的半径差、半径差变化率和光电编码器组2得到的左右履带速度差，为所述工控机中的模糊神经网络控制模块42提供了训练样本数据。 

定义学习误差： 

$E=\frac{1}{2}{(d-y_1^4)}^2=\frac{1}{2}{e}^2---\left(11\right)$

其中，d为速度差教师信号。 

各层的局部梯度为： 

（1）输出层IV 

${\mathrm{\δ}}_1^4=-\frac{\∂E}{\∂{\mathrm{net}}_1^4}=d-y_1^4=e---\left(12\right)$

$\mathrm{\Δ}{\stackrel{\‾}{y}}_i=\frac{-\∂E}{\∂{\stackrel{\‾}{y}}_i}=\frac{-\∂E}{\∂{\mathrm{net}}_1^4}\frac{{\∂\mathrm{net}}_1^4}{\∂{\stackrel{\‾}{y}}_i}={\mathrm{\δ}}_1^4{\stackrel{\‾}{y}}_i^3---\left(13\right)$

其中，i＝1,2,…,63。 

（2）规则层III 

${\mathrm{\δ}}_j^3=-\frac{\∂E}{\∂{\mathrm{net}}_j^3}=\frac{\∂E}{\∂{\mathrm{net}}_1^4}\frac{{\∂\mathrm{net}}_1^4}{{\∂\mathrm{net}}_j^3}---\left(14\right)$

其中，j＝1,2,…,63。 

（3）模糊化层II 

$\begin{array}{c}{\mathrm{\δ}}_p^2=-\frac{\∂E}{{\∂\mathrm{net}}_j^2}=\frac{\∂E}{{\∂y}_j^2}\frac{{\∂y}_j^2}{{\∂\mathrm{net}}_j^2}\\ =\left(\underset{k}{\mathrm{\Σ}}\frac{-\∂E}{\∂{\mathrm{net}}_k^3}\frac{\∂{\mathrm{net}}_k^3}{\∂y_j^2}\right)\frac{\∂y_j^2}{\∂n_j^2}=\left(\underset{k}{\mathrm{\Σ}}{\mathrm{\δ}}_k^3{y}_i^2\right)y_j^2\end{array}---\left(15\right)$

其中，k代表与j结点相连的第三层中的节点，i代表与第三层中k结点相连的第二层中的另个节点(i≠j)，j＝1，2，…，13。 

输入隶属函数的参数修正值为： 

$\left\{\begin{array}{c}{\mathrm{\Δc}}_{\mathrm{ij}}=\frac{-\∂E}{\∂c_{\mathrm{ij}}}=\frac{-\∂E}{{\∂\mathrm{net}}_j^2}\frac{\∂{\mathrm{net}}_j^2}{\∂c_{\mathrm{ij}}}={\mathrm{\δ}}_j^2\frac{2(y_i^1-c_{\mathrm{ij}})}{{\mathrm{\σ}}_{\mathrm{ij}}^2}\\ \mathrm{\Δ}{\mathrm{\σ}}_{\mathrm{ij}}=\frac{-\∂E}{\∂{\mathrm{\σ}}_{\mathrm{ij}}}=\frac{-\∂E}{{\∂\mathrm{net}}_j^2}\frac{\∂{\mathrm{net}}_j^2}{\∂{\mathrm{\σ}}_{\mathrm{ij}}}={\mathrm{\δ}}_j^2\frac{2(y_i^1-{\mathrm{\σ}}_{\mathrm{ij}})}{{\mathrm{\σ}}_{\mathrm{ij}}^3}\end{array}\right.---\left(16\right)$

综上所述，各个可调参数的学习算法可归纳为： 

$\left\{\begin{array}{c}{c}_{\mathrm{ij}}(t+1)=c_{\mathrm{ij}}\left(t\right)+{\mathrm{\η}}_1\mathrm{\Δ}{c}_{\mathrm{ij}}\\ {\mathrm{\σ}}_{\mathrm{ij}}(t+1)={\mathrm{\σ}}_{\mathrm{ij}}\left(t\right)+{\mathrm{\η}}_2\mathrm{\Δ}{\mathrm{\σ}}_{\mathrm{ij}}\\ {\stackrel{\‾}{y}}_l(t+1)={\stackrel{\‾}{y}}_l\left(t\right)+{\mathrm{\η}}_3\mathrm{\Δ}{\stackrel{\‾}{y}}_l\end{array}\right.---\left(17\right)$

其中，η₁，η₂，η₃分别为可调参数c_ij，σ_ij和的学习率，t是离散时间变量。 

本发明的有益效果在于： 

（1）解决了双履带行走装置转向时所发生的滑移和滑转现象，提高了露天采矿机械的安全性和工作效率。 

（2）采用GPS定位技术监测双履带行走装置的行驶轨迹，进而有效、准确、实时的获 取双履带行走装置行驶时如转弯半径、方位等运动参数。 

（3）采用模糊神经网络技术，通过神经网络来实现模糊逻辑，同时利用神经网络的自学习能力，实现隶属函数的动态调整和控制规则的在线优化。 

（4）通过控制双履带行走装置的驱动电机，使双履带行走装置的实际转向半径与理论所需的转向半径相吻合，实现智能转向。 

附图说明

图1为本发明的双履带行走装置自适应转向系统的总体示意图； 

图2为一种典型露天采矿机械上安装本发明的示意图； 

图3为本发明的双履带行走装置自适应转向的实现方法流程图； 

图4为计算双履带行走装置实际转向半径的示意图； 

图5为工控机中的模糊神经网络控制模块结构图。 

图中： 

1—GPS接收器；2—光电编码器组；3—数据采集卡；4—工控机； 

5—D/A转换单元；6—驱动电机控制单元；7—电源； 

41—信号处理模块；42—模糊神经网络控制模块； 

Ⅰ—输入层；Ⅱ—模糊化层；Ⅲ—规则层；Ⅳ—解模糊输出层。 

具体实施方式

下面结合附图对本发明进行详细说明。 

图1为本发明的双履带行走装置自适应转向系统的总体示意图，其包括GPS接收器1、光电编码器组2、数据采集卡3、工控机4、D/A转换单元5、驱动电机控制单元6和电源7。所述的光电编码器组2与数据采集卡3连接；GPS接收器1和数据采集卡3的输出端与工控机4的输入端连接，工控机4的输出端与D/A转换单元5的输入端连接；D/A转换单元5的输出端与驱动电机控制单元6连接；整个系统由电源7供电。 

所述的GPS接收器1安装在双履带行走装置上，获取双履带行走装置的位置信息及行驶轨迹。GPS接收器1在跟踪四颗GPS卫星的过程中相对地球而运动，计算出相对这四颗卫星的距离，用这些信息可以得到自身的位置，即待测点的坐标x，y，z。 

所述的光电编码器组2包括左、右两个光电编码器，分别安装在左、右履带架上，检测双履带行走装置左、右履带的行驶速度v₁、v₂，速度信息通过数据采集卡3后输送入工控机4进行处理。 

所述的工控机4固定在驾驶室内，方便驾驶员通过显示屏查看自适应转向系统运行结果。所述的工控机4是自适应转向系统的核心，包含信号处理模块41、模糊神经网络控制模块42。工控机4中的信号处理模块41对GPS接收器1的位置信号处理和光电编码器组2的速度信号处理。 

所述的D/A转换单元5的输入端接工控机4，输出端接驱动电机控制单元6，D/A转换单元5将工控机4输出的两路电压数字信号转换为两路电压模拟信号，输出到驱动电机控制单元6。 

所述的驱动电机控制单元6包括左、右变频器和左、右驱动电机。左、右变频器接收D/A转换单元5的两路电压模拟信号，从而控制左、右驱动电机，进而通过减速机控制左、右驱动轮，改变双履带行走装置转向半径。 

所需的理论转向半径R_L由驾驶员输入到自适应转向系统中，进行提前设定。 

所述的GPS接收器1将采集得到的位置信息、行驶轨迹通过RS232接口传输入工控机4，工控机4中的信号处理模块41通过计算得到双履带行走装置行驶时的实际转向半径R_S。根据实际转向半径R_S和提前设定的理论转向半径R_L得到双履带行走装置转向半径差e、半径差变化率ec。半径差e和半径差变化率ec作为模糊神经网络控制模块42的输入层节点。 

工控机4中的模糊神经网络控制模块42的解模糊输出层IV输出信号为左右履带速度差Δv，再根据左、右履带的行驶速度v₁、v₂，计算实际左、右履带所需速度v₁ ^*、v₂ ^*： 

$\left\{\begin{array}{c}{v_1}^{*}=v_1+\frac{\mathrm{\Δv}}{2}\\ {v_2}^{*}=v_2-\frac{\mathrm{\Δv}}{2}\end{array}\right.---\left(18\right)$

然后，信号处理模块41根据左、右履带所需速度v₁ ^*、v₂ ^*输出两路电压数字信号，通过D/A转换单元5后变成两路电压模拟信号，送入驱动电机控制单元6的左、右变频器，进而控制左、右驱动电机，改变左、右履带速度。 

驱动电机控制单元6中的左、右变频器分别根据所需速度与实际速度之间的差值v₁ ^*-v₁、v₂ ^*-v₂得到频率改变量，进而控制左、右驱动电机，将实际速度v₁、v₂调整至所需速度v₁ ^*、v₂ ^*。这样，通过调整左右履带速度差，实现了改变转向半径的目的，从而使得双履带行走装置的实际转向半径与理论所需的转向半径相吻合，实现智能转向。 

图2是一种典型露天采矿机械上安装本发明的示意图。该露天采矿机械为机械式挖掘机。GPS接收器1安装在机械式挖掘机的双履带行走装置上，随着挖掘机的移动不断采集位置信息，通过RS232串口传入工控机4；光电编码器组2由左、右两个光电编码器组成，分别安装在机械式挖掘机的左、右履带架上，采集到的速度信号通过数据采集卡3送入工控机4。工控机4和电源7固定在机械式挖掘机的驾驶室内；工控机4输出的两路数字量信号通过D/A转换单元5后，送入驱动电机控制单元6；驱动电机控制单元6通过左、右变频器控制左、右驱动电机，完成自适应转向过程。 

图3为本发明的双履带行走装置自适应转向的实现方法，包括以下步骤： 

（1）设定理论转向半径R_L；由GPS接收器1接收位置信息、行驶轨迹，并由工控机4的信号处理模块41计算得到实际转向半径R_S、半径差e、半径差变化率ec； 

（2）将半径差e和半径差变化率ec输入模糊神经网络控制模块42，通过运算得到左右履带速度差Δv； 

（3）工控机4的信号处理模块41根据左右履带速度差Δv以及左、右履带的行驶速度v₁、v₂，计算实际左、右履带所需速度v₁ ^*、v₂ ^*； 

（4）信号处理模块41根据左、右履带所需速度v₁ ^*、v₂ ^*控制左、右变频器，进而控制左、 右驱动电机，改变左、右履带速度； 

（5）完成转向。 

步骤（1）中计算双履带行走装置实际转向半径R_S的具体方法如图4所示。圆弧ABC为双履带行走装置行驶过的轨迹，根据圆弧上任意三点坐标来确定双履带行走装置转向半径，所示三点包括：B点为GPS接收器1放置的位置、A点为其前一时刻位置、C点为其后一时刻位置。E点及D点分别为直线AB及BC的中点，根据中点坐标公式可以得到D点和E点的坐标。直线EO₁及DO₁分别垂直于直线AB及直线BC，两直线交点即为转动中心点O₁，转向半径R就是GPS放置的位置（B点）到O₁点的距离。 

根据点的坐标确定出直线AB及BC的斜率，由kk₁＝-1可以得到直线DO₁及直线EO₁的斜率；再结合D点和E点的坐标就可得到直线DO₁及EO₁的方程，联立方程可求得双履带行走装置的转动中心O₁（x_o1，y_o1）（在双履带行驶平面内z坐标值一样，不考虑）。GPS的位置（B点）是已知的，为（x_B，y_B），所以实际转向半径R_S可由下式得到： 

$R_S=\sqrt{{(x_{o1}-x_B)}^2+{(y_{o1}-y_B)}^2}---\left(19\right)$

步骤（2）的具体运算方法为： 

依据样本进行自学习修正，构建基于自学习、自适应的模糊神经网络控制模块42。然后，将训练好的模糊神经网络控制模块应用于实际转向控制过程，完成整个自适应转向过程。 

如图5所示，所述的模糊神经网络控制模块42包括输入层I、模糊化层II、规则层III和解模糊输出层IV，输入信号为双履带行走装置转向半径差e、半径差变化率ec，输出信号为左右履带速度差Δv。 

输入层为第Ⅰ层：2个节点，代表输入为双履带行走装置转向半径差e、半径差变化率ec。 

模糊化层为第Ⅱ层：16个节点，代表16个隶属度函数，完成隶属度函数值的求取。其中，半径差采用9个模糊集合描述，半径差变化率采用7个模糊集合表示，各个模糊集合隶属函数都采用高斯函数。 

规则层为第Ⅲ层：63个节点，代表63条模糊规则，完成模糊规则的前件计算。模糊推理采用代数积-加法（sum-product）方法。 

解模糊输出层为第Ⅳ层：1个节点，代表输出为左右履带速度差Δv。解模糊采用加权平均法。 

下面具体介绍模糊神经网络控制模块的设计。 

为便于叙述，半径差e表示为x₁，半径差变化率ec表示为x₂，组成输入向量：输出信号左右履带速度差Δv表示为y，因此，x₁=e，x₂=ec，y=Δv。 

半径差x₁采用9个模糊集合描述，对应9个隶属函数。半径差变化率x₂用7个模糊集合表示，对应7个隶属函数。 

各个模糊集合隶属函数都采用高斯函数： 

$A_1^j\left(x_1\right)=\exp [-{(x_1-c_{1j})}^2/{\mathrm{\σ}}_{1j}^2]---\left(20\right)$

其中，j＝1,2,…,9。 

$A_2^i\left(x_2\right)=\exp [-{(x_2-c_{2i})}^2/{\mathrm{\σ}}_{2i}^2]---\left(21\right)$

其中，i＝1,2,…,7。 

式中：c_1j、c_2i为隶属函数的均值，σ_1j、σ_2i为隶属函数的标准差。 

模糊推理共有9×7=63条规则，采用代数积-加法（sum-product）方法。 

解模糊采用加权平均法，则系统的输出为： 

$y=\underset{l=1}{\overset{63}{\mathrm{\Σ}}}{\stackrel{\‾}{y}}_l{a}_l---\left(22\right)$

式中：a_l为第l条模糊规则的激活度，由模糊推理方法得： 

$a_l=A_1^l\left(x_1\right)A_2^l\left(x_2\right)---\left(23\right)$

用表示第k层的第i个输入，表示第k层的第j个节点的净输入，表示第k层的第j个输出。 

（1）输入层I 

${\mathrm{net}}_j^1=x_i^1,j=i,y_j^1={\mathrm{net}}_j^1---\left(24\right)$

其中，为网络的第i个输入。 

（2）模糊化层II 

${\mathrm{net}}_j^2=-\frac{{(x_i-c_{\mathrm{ij}})}^2}{{\mathrm{\σ}}_{\mathrm{ij}}^2},y_j^2=\exp \left({\mathrm{net}}_j^2\right)---\left(25\right)$

其中，c_ij和σ_ij分别是第i个输入变量的第j个模糊集合的高斯型隶属函数的均值和标准差。 

（3）规则层III 

${\mathrm{net}}_j^3=x_1^3\×x_2^3,y_j^3={\mathrm{net}}_j^3---\left(26\right)$

其中，即第j条规则的激活度α_j。 

（4）解模糊输出层IV 

${\mathrm{net}}_1^4=\underset{i=1}{\overset{63}{\mathrm{\Σ}}}{\stackrel{\‾}{y}}_i{x}_i^4,y_1^4={\mathrm{net}}_1^4---\left(27\right)$

其中，即为网络输出，为第三层和第四层间的可调权系数。 

可见，此模糊神经网络中只有参数值c_ij，σ_ij和需要训练调整，各个模糊集合隶属函数的形状和位置可以根据各个采样信号进行调整，实现系统的自适应。由GPS接收器1得到的半径差、半径差变化率和光电编码器组2得到的左右履带速度差，为所述工控机中的模糊神经网络控制模块42提供了训练样本数据。 

定义学习误差： 

$E=\frac{1}{2}{(d-y_1^4)}^2=\frac{1}{2}{e}^2---\left(28\right)$

其中，d为速度差教师信号。 

各层的局部梯度为： 

（1）输出层IV 

${\mathrm{\δ}}_1^4=-\frac{\∂E}{\∂{\mathrm{net}}_1^4}=d-y_1^4=e---\left(29\right)$

$\mathrm{\Δ}{\stackrel{\‾}{y}}_i=\frac{-\∂E}{\∂{\stackrel{\‾}{y}}_i}=\frac{-\∂E}{\∂{\mathrm{net}}_1^4}\frac{{\∂\mathrm{net}}_1^4}{\∂{\stackrel{\‾}{y}}_i}={\mathrm{\δ}}_1^4{\stackrel{\‾}{y}}_i^3---\left(30\right)$

其中，i＝1,2,…,63。 

（2）规则层III 

${\mathrm{\δ}}_j^3=-\frac{\∂E}{\∂{\mathrm{net}}_j^3}=\frac{\∂E}{\∂{\mathrm{net}}_1^4}\frac{{\∂\mathrm{net}}_1^4}{{\∂\mathrm{net}}_j^3}---\left(31\right)$

其中，j＝1,2,…,63。 

（3）模糊化层II 

$\begin{array}{c}{\mathrm{\δ}}_p^2=-\frac{\∂E}{{\∂\mathrm{net}}_j^2}=\frac{\∂E}{{\∂y}_j^2}\frac{{\∂y}_j^2}{{\∂\mathrm{net}}_j^2}\\ =\left(\underset{k}{\mathrm{\Σ}}\frac{-\∂E}{\∂{\mathrm{net}}_k^3}\frac{\∂{\mathrm{net}}_k^3}{\∂y_j^2}\right)\frac{\∂y_j^2}{\∂n_j^2}=\left(\underset{k}{\mathrm{\Σ}}{\mathrm{\δ}}_k^3{y}_i^2\right)y_j^2\end{array}---\left(32\right)$

其中，k代表与j结点相连的第三层中的节点，i代表与第三层中k结点相连的第二层中的另个节点(i≠j)，j＝1，2，…，13。 

输入隶属函数的参数修正值为： 

$\left\{\begin{array}{c}{\mathrm{\Δc}}_{\mathrm{ij}}=\frac{-\∂E}{\∂c_{\mathrm{ij}}}=\frac{-\∂E}{{\∂\mathrm{net}}_j^2}\frac{\∂{\mathrm{net}}_j^2}{\∂c_{\mathrm{ij}}}={\mathrm{\δ}}_j^2\frac{2(y_i^1-c_{\mathrm{ij}})}{{\mathrm{\σ}}_{\mathrm{ij}}^2}\\ \mathrm{\Δ}{\mathrm{\σ}}_{\mathrm{ij}}=\frac{-\∂E}{\∂{\mathrm{\σ}}_{\mathrm{ij}}}=\frac{-\∂E}{{\∂\mathrm{net}}_j^2}\frac{\∂{\mathrm{net}}_j^2}{\∂{\mathrm{\σ}}_{\mathrm{ij}}}={\mathrm{\δ}}_j^2\frac{2(y_i^1-{\mathrm{\σ}}_{\mathrm{ij}})}{{\mathrm{\σ}}_{\mathrm{ij}}^3}\end{array}\right.---\left(33\right)$

综上所述，各个可调参数的学习算法可归纳为： 

$\left\{\begin{array}{c}{c}_{\mathrm{ij}}(t+1)=c_{\mathrm{ij}}\left(t\right)+{\mathrm{\η}}_1\mathrm{\Δ}{c}_{\mathrm{ij}}\\ {\mathrm{\σ}}_{\mathrm{ij}}(t+1)={\mathrm{\σ}}_{\mathrm{ij}}\left(t\right)+{\mathrm{\η}}_2\mathrm{\Δ}{\mathrm{\σ}}_{\mathrm{ij}}\\ {\stackrel{\‾}{y}}_l(t+1)={\stackrel{\‾}{y}}_l\left(t\right)+{\mathrm{\η}}_3\mathrm{\Δ}{\stackrel{\‾}{y}}_l\end{array}\right.---\left(34\right)$

其中，η₁，η₂，η₃分别为可调参数c_ij，σ_ij和的学习率，t是离散时间变量。 

Claims (6)

1.一种双履带行走装置自适应转向系统，包括GPS接收器（1）、光电编码器组（2）、数据采集卡（3）、工控机（4）、D/A转换单元（5）、驱动电机控制单元（6）和电源（7），其特征在于：

所述的光电编码器组（2）与数据采集卡（3）连接；GPS接收器（1）和数据采集卡（3）的输出端与工控机（4）的输入端连接，工控机（4）的输出端与D/A转换单元（5）的输入端连接；D/A转换单元（5）的输出端与驱动电机控制单元（6）连接；整个系统由电源（7）供电；

所述的GPS接收器（1）安装在双履带行走装置上，获取双履带行走装置的位置信息及行驶轨迹；所述的光电编码器组（2）包括左、右两个光电编码器，分别安装在左、右履带架上，检测双履带行走装置左、右履带的行驶速度，速度信息通过数据采集卡（3）后输送入工控机（4）进行处理；

所述的工控机（4）固定在驾驶室内，包含信号处理模块（41）和模糊神经网络控制模块（42）；工控机（4）中的信号处理模块（41）对GPS接收器（1）的位置信号处理和光电编码器组（2）的速度信号处理；

所述的D/A转换单元（5）的输入端接工控机（4），输出端接驱动电机控制单元（6），所述的驱动电机控制单元（6）包括左、右变频器和左、右驱动电机；左、右变频器接收D/A转换单元（5）的信号，控制左、右驱动电机，改变双履带行走装置转向半径。

2.根据权利要求1所述的一种双履带行走装置自适应转向系统，其特征在于：

所述的模糊神经网络控制模块（42）包括输入层（I）、模糊化层（II）、规则层（III）和解模糊输出层（IV），输入信号为双履带行走装置转向半径差e、半径差变化率ec，输出信号为左右履带速度差Δv。

3.根据权利要求2所述的一种双履带行走装置自适应转向系统，其特征在于：

所述的模糊神经网络控制模块（42）的具体结构为：

输入层为第Ⅰ层：2个节点，代表输入为双履带行走装置转向半径差e、半径差变化率ec；

模糊化层为第Ⅱ层：16个节点，代表16个隶属度函数，完成隶属度函数值的求取；其中，半径差采用9个模糊集合描述，半径差变化率采用7个模糊集合表示，各个模糊集合隶属函数都采用高斯函数；

规则层为第Ⅲ层：63个节点，代表63条模糊规则，完成模糊规则的前件计算；模糊推理采用代数积-加法方法；

解模糊输出层为第Ⅳ层：1个节点，代表输出为左右履带速度差Δv；解模糊采用加权平均法。

4.根据权利要求2或3所述的一种双履带行走装置自适应转向系统的实现方法，其特征在于：包括以下步骤：

（1）设定理论转向半径R_L；由GPS接收器（1）接收位置信息、行驶轨迹，并由工控机（4）的信号处理模块（41）计算得到实际转向半径R_S、半径差e、半径差变化率ec；

（2）将半径差e和半径差变化率ec输入模糊神经网络控制模块（42），通过运算得到左右履带速度差Δv；

（3）工控机（4）的信号处理模块（41）根据左右履带速度差Δv以及左、右履带的行驶速度v₁、v₂，计算实际左、右履带所需速度v₁ ^*、v₂ ^*；

（4）信号处理模块（41）根据左、右履带所需速度v₁ ^*、v₂ ^*控制左、右变频器，进而控制左、右驱动电机，改变左、右履带速度；

（5）完成转向。

5.根据权利要求4所述的一种双履带行走装置自适应转向的实现方法，其特征在于：

所述的步骤（1）中计算双履带行走装置实际转向半径R_S的具体方法如下：

根据双履带行走装置行驶过的轨迹圆弧ABC，确定双履带行走装置转向半径，其中B点为GPS接收器（1）放置的位置、A点为其前一时刻位置、C点为其后一时刻位置，圆弧ABC中心为O₁则实际转向半径R_S可由下式得到：

$R_S=\sqrt{{(x_{o1}-x_B)}^2+{(y_{o1}-y_B)}^2}$

6.根据权利要求4所述的一种双履带行走装置自适应转向的实现方法，其特征在于：

所述的步骤（3）中计算实际左、右履带所需速度v₁ ^*、v₂ ^*的具体方法为：

根据左右履带速度差Δv以及左、右履带的行驶速度v₁、v₂，计算实际左、右履带所需速度v₁ ^*、v₂ ^*为：

$\left\{\begin{array}{c}{v_1}^{*}=v_1+\frac{\mathrm{\Δv}}{2}\\ {v_2}^{*}=v_2-\frac{\mathrm{\Δv}}{2}\end{array}\right..$