CN107290960A - 一种大型智能割草机器人的复合智能控制系统 - Google Patents

一种大型智能割草机器人的复合智能控制系统 Download PDF

Info

Publication number
CN107290960A
CN107290960A CN201710463218.4A CN201710463218A CN107290960A CN 107290960 A CN107290960 A CN 107290960A CN 201710463218 A CN201710463218 A CN 201710463218A CN 107290960 A CN107290960 A CN 107290960A
Authority
CN
China
Prior art keywords
control
module
removing robot
intelligent grass
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710463218.4A
Other languages
English (en)
Inventor
周结华
周继强
陈世红
郑友胜
刘浩
陈林杰
陈寿辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangxi Hongdu Aviation Industry Group Co Ltd
Original Assignee
Jiangxi Hongdu Aviation Industry Group Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangxi Hongdu Aviation Industry Group Co Ltd filed Critical Jiangxi Hongdu Aviation Industry Group Co Ltd
Priority to CN201710463218.4A priority Critical patent/CN107290960A/zh
Publication of CN107290960A publication Critical patent/CN107290960A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/0285—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks and fuzzy logic
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Feedback Control In General (AREA)

Abstract

一种大型智能割草机器人的复合智能控制系统，采用双闭环控制模式对割草机器人进行控制，由复合智能控制器、电机、编码器组成内闭环控制机构，依靠复合智能控制器控制，由智能割草机器人、GPS及轨迹纠偏器组成外闭环控制机构，依靠轨迹纠偏器控制，分层递阶式控制智能割草机器人，探索模糊控制、CMAC与D‑FNN学习在大型智能割草机器人系统PID综合控制应用中的新方法，从而实现智能控制方法在大型智能割草机器人高性能及高可靠性控制中的工程应用。

Description

一种大型智能割草机器人的复合智能控制系统
技术领域
本发明涉及智能控制技术领域，尤其涉及一种大型智能割草机器人的复合智能控制系统。
背景技术
大型智能割草机器人的控制对象具有非线性和不确定性，存在很多不利于提高系统性能的因素，其中负载变化和电机波动力矩导致的系统参数不确定性最为明显；由于控制系统被控对象的这种不确定性和复杂性，要建立精确的数学模型很困难。同时在传统的控制系统中，通常针对不同的负载建立不同的模型，在使用中根据需要选择相应的控制方法和进行参数整定，根据前期研究结果表明，这种方法设计起来工作量很大、非常繁琐，且不方便控制系统的操作和灵活应用；正因如此，非线性PID、智能控制以及智能方法对PID参数进行动态调整和优化已是一个新的研究热点。
发明内容
本发明所解决的技术问题在于提供一种大型智能割草机器人的复合智能控制系统，以解决上述背景技术中的缺点。
本发明所解决的技术问题采用以下技术方案来实现：
一种大型智能割草机器人的复合智能控制系统，采用双闭环控制模式对割草机器人进行控制，由复合智能控制器、电机、编码器组成内闭环控制机构，依靠复合智能控制器控制，复合智能控制器中设置有控制管理模块、神经网络学习模块、前馈控制模块、PID控制模块、模糊控制模块、专家系统模块、控制决策模块、传感器及比较器，传感器与电机、比较器连接，控制管理模块、神经网络学习模块与传感器连接，反馈输入端与前馈控制模块连接，比较器接入控制管理模块、神经网络学习模块、PID控制模块、模糊控制模块，控制管理模块、神经网络学习模块、PID控制模块、模糊控制模块依次根据输出误差反馈递进最后输出至控制决策模块，专家系统模块与控制决策模块组成输出循环，而后专家系统模块与控制管理模块连接，控制决策模块接入电机；由智能割草机器人、GPS及轨迹纠偏器组成外闭环控制机构，依靠轨迹纠偏器控制，分层递阶式控制智能割草机器人，有利于提高智能割草机器人的性能与可靠性。
在本发明中，模糊控制模块包括适应大负载变化的模糊控制器。
在本发明中，PID控制模块包括主控制器，主控制器根据输出误差反馈学习。
在本发明中，神经网络学习模块采用动态模糊神经网络学习的扰动补偿控制，以克服系统干扰影响。
在本发明中，神经网络学习模块采用D-FNN方式学习，具有更快速的学习速度。
在本发明中，专家系统模块在模仿人工控制的基础上，通过理论分析和实际实验相结合，总结专家系统模块中的知识表达方法、知识库及推理规则，使其根据控制系统不同的状态和任务，能够对智能学习的递进模式和复合控制的组合方式式进行动态调整，以保证在快速性和稳定性的前提下逐步提高控制精度。
有益效果：本发明针对大型智能割草机器人系统的时变非线性、参数和负载不确定性带来的控制问题，采用分层递阶式控制系统结构，探索模糊控制、CMAC与D-FNN学习在大型智能割草机器人系统PID综合控制应用中的新方法，从而实现智能控制方法在大型智能割草机器人高性能及高可靠性控制中的工程应用。
附图说明
图1是本发明的较佳实施例的流程图。
图2是本发明的较佳实施例中的复合智能控制器结构示意图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示，进一步阐述本发明。
一种大型智能割草机器人的复合智能控制系统，采用双闭环控制模式对割草机器人进行控制，由复合智能控制器、电机、编码器组成内闭环控制机构，依靠复合智能控制器控制，复合智能控制器中设置有控制管理模块、神经网络学习模块、前馈控制模块、PID控制模块、模糊控制模块、专家系统模块、控制决策模块、传感器及比较器，传感器与电机、比较器连接，控制管理模块、神经网络学习模块与传感器连接，反馈输入端与前馈控制模块连接，比较器接入控制管理模块、神经网络学习模块、PID控制模块、模糊控制模块，控制管理模块、神经网络学习模块、PID控制模块、模糊控制模块依次根据输出误差反馈递进最后输出至控制决策模块，专家系统模块与控制决策模块组成输出循环，而后专家系统模块与控制管理模块连接，控制决策模块接入电机；由智能割草机器人、GPS及轨迹纠偏器组成外闭环控制机构，依靠轨迹纠偏器控制，分层递阶式控制智能割草机器人，有利于提高智能割草机器人的性能与可靠性。
在本实施例中，复合智能控制器调试步骤如下：
1）模糊控制模块：设计、调试适应大负载变化的模糊控制器；
2）PID控制模块：先在FC（fuzzy controller，模糊控制器）引导下学习，而后脱离FC，以PID为主控制器，根据输出误差反馈学习；
3）神经网络学习模块：主要进行扰动补偿控制，在PID控制模块基础上，采用基于动态模糊神经网络学习的扰动补偿控制，以克服系统干扰影响；
4）控制管理模块、控制决策模块、专家系统模块：建立专家系统模块对FC、PID、扰动补偿控制、神经网络学习进行管理和综合，以实现FC→PID→参数调整→叠加扰动补偿的递进智能学习控制，不断提高系统的控制性能；
5）提高神经网络学习的收敛速度：基于信度分配的CA-CMAC-AMS学习算法将被激活单元先前学习的次数与权值联系在一起，有效提高学习的速度和精度，但从特征空间到输出空间非常复杂，网络输出值不仅与先前学习次数有关，而且还要与特征空间中信号所在的位置有关，故在CA-CMAC-AMS学习算法的基础上，进一步考虑信号位置，采用D-FNN（dynamicfuzzy neural network，动态模糊神经网络），与类似方法相比，具有更快速的学习速度，给于分级学习、自组织结构和修剪技术等，建立最佳的D-FNN构建方法，提高学习速度；
6）构建有效的专家系统模块知识库与推理机：在模仿人工控制的基础上，通过理论分析和实际实验相结合，总结出专家系统模块中的知识表达方法、知识库及推理规则，使其根据控制系统不同的状态和任务，能够对智能学习的递进模式和复合控制的组合方式式进行动态调整，以保证在快速性和稳定性的前提下逐步提高控制精度。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (6)

1.一种大型智能割草机器人的复合智能控制系统，其特征在于，采用双闭环控制模式对割草机器人进行控制，由复合智能控制器、电机、编码器组成内闭环控制机构，依靠复合智能控制器控制，复合智能控制器中设置有控制管理模块、神经网络学习模块、前馈控制模块、PID控制模块、模糊控制模块、专家系统模块、控制决策模块、传感器及比较器，传感器与电机、比较器连接，控制管理模块、神经网络学习模块与传感器连接，反馈输入端与前馈控制模块连接，比较器接入控制管理模块、神经网络学习模块、PID控制模块、模糊控制模块，控制管理模块、神经网络学习模块、PID控制模块、模糊控制模块依次根据输出误差反馈递进最后输出至控制决策模块，专家系统模块与控制决策模块组成输出循环，而后专家系统模块与控制管理模块连接，控制决策模块接入电机；由智能割草机器人、GPS及轨迹纠偏器组成外闭环控制机构，依靠轨迹纠偏器控制，分层递阶式控制智能割草机器人。
2.根据权利要求1所述的一种大型智能割草机器人的复合智能控制系统，其特征在于，模糊控制模块包括适应大负载变化的模糊控制器。
3.根据权利要求1所述的一种大型智能割草机器人的复合智能控制系统，其特征在于，PID控制模块包括主控制器。
4.根据权利要求1所述的一种大型智能割草机器人的复合智能控制系统，其特征在于，神经网络学习模块采用动态模糊神经网络学习的扰动补偿控制。
5.根据权利要求1所述的一种大型智能割草机器人的复合智能控制系统，其特征在于，神经网络学习模块采用D-FNN方式学习。
6.根据权利要求1所述的一种大型智能割草机器人的复合智能控制系统，其特征在于，专家系统模块在模仿人工控制的基础上，通过理论分析和实际实验相结合，总结专家系统模块中的知识表达方法、知识库及推理规则，使其根据控制系统不同的状态和任务，能够对智能学习的递进模式和复合控制的组合方式式进行动态调整，以保证在快速性和稳定性的前提下逐步提高控制精度。
CN201710463218.4A 2017-06-19 2017-06-19 一种大型智能割草机器人的复合智能控制系统 Pending CN107290960A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710463218.4A CN107290960A (zh) 2017-06-19 2017-06-19 一种大型智能割草机器人的复合智能控制系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710463218.4A CN107290960A (zh) 2017-06-19 2017-06-19 一种大型智能割草机器人的复合智能控制系统

Publications (1)

Publication Number Publication Date
CN107290960A true CN107290960A (zh) 2017-10-24

Family

ID=60097719

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710463218.4A Pending CN107290960A (zh) 2017-06-19 2017-06-19 一种大型智能割草机器人的复合智能控制系统

Country Status (1)

Country Link
CN (1) CN107290960A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020186404A1 (zh) * 2019-03-15 2020-09-24 深圳拓邦股份有限公司 一种割草机器人调节控制方法、系统及装置
CN113759868A (zh) * 2021-08-16 2021-12-07 浙江运达风电股份有限公司 一种基于神经网络的工业以太网故障预测方法
CN117311366A (zh) * 2023-11-21 2023-12-29 南京禄口国际机场空港科技有限公司 一种应用于机场草坪的割草机的路径控制方法、系统及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101590323A (zh) * 2009-07-08 2009-12-02 北京工业大学 一种独轮机器人系统及其控制方法
CN101607151A (zh) * 2009-01-09 2009-12-23 湖南华博科技开发有限公司 嵌入式智能加药控制器及其控制方法
CN201993646U (zh) * 2011-01-27 2011-09-28 合肥工业大学 工业型激光导引agv的双闭环控制系统
US20130208430A1 (en) * 2001-12-14 2013-08-15 Frank N. Perkins, III Mount Platform for Multiple Military Radios
CN105157708A (zh) * 2015-10-10 2015-12-16 南京理工大学 基于图像处理与雷达的无人机自主导航系统及方法
CN105159235A (zh) * 2015-01-08 2015-12-16 北方工业大学 回转窑煅烧过程综合协调控制方法及系统
CN106647900A (zh) * 2017-03-01 2017-05-10 合肥倍豪海洋装备技术有限公司 一种基于惯性测量的船舶用位置与速度双闭环控制系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130208430A1 (en) * 2001-12-14 2013-08-15 Frank N. Perkins, III Mount Platform for Multiple Military Radios
CN101607151A (zh) * 2009-01-09 2009-12-23 湖南华博科技开发有限公司 嵌入式智能加药控制器及其控制方法
CN101590323A (zh) * 2009-07-08 2009-12-02 北京工业大学 一种独轮机器人系统及其控制方法
CN201993646U (zh) * 2011-01-27 2011-09-28 合肥工业大学 工业型激光导引agv的双闭环控制系统
CN105159235A (zh) * 2015-01-08 2015-12-16 北方工业大学 回转窑煅烧过程综合协调控制方法及系统
CN105157708A (zh) * 2015-10-10 2015-12-16 南京理工大学 基于图像处理与雷达的无人机自主导航系统及方法
CN106647900A (zh) * 2017-03-01 2017-05-10 合肥倍豪海洋装备技术有限公司 一种基于惯性测量的船舶用位置与速度双闭环控制系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李少远: "《智能控制》", 31 August 2009, 机械工业出版社 *
陈哲盼，等: "大滞后系统的专家-模糊PID控制器设计", 《计算机仿真》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020186404A1 (zh) * 2019-03-15 2020-09-24 深圳拓邦股份有限公司 一种割草机器人调节控制方法、系统及装置
CN113759868A (zh) * 2021-08-16 2021-12-07 浙江运达风电股份有限公司 一种基于神经网络的工业以太网故障预测方法
CN117311366A (zh) * 2023-11-21 2023-12-29 南京禄口国际机场空港科技有限公司 一种应用于机场草坪的割草机的路径控制方法、系统及存储介质
CN117311366B (zh) * 2023-11-21 2024-02-13 南京禄口国际机场空港科技有限公司 一种应用于机场草坪的割草机的路径控制方法、系统及存储介质

Similar Documents

Publication Publication Date Title
Tong et al. Adaptive fuzzy decentralized control fora class of large-scale nonlinear systems
CN107160398B (zh) 基于确定学习的全状态受限刚性机械臂安全可靠控制方法
CN102825603B (zh) 网络遥操作机器人系统及时延克服方法
Wai et al. Intelligent tracking control for robot manipulator including actuator dynamics via TSK-type fuzzy neural network
CN102902203B (zh) 时间序列预测与智能控制结合的参数在线整定方法与系统
CN105773623A (zh) 基于预测型间接迭代学习的scara机器人轨迹跟踪控制方法
CN110275436A (zh) 一种多单臂机械手的rbf神经网络自适应控制方法
CN107290960A (zh) 一种大型智能割草机器人的复合智能控制系统
CN104493826A (zh) 结合神经网络控制的重载机器人位置控制器
CN104317299A (zh) 一种基于轮式移动机器人轨迹跟踪的混合控制方法
CN105538325A (zh) 一种液压四足机器人单腿关节解耦控制方法
CN108453732A (zh) 控制体系封闭机器人自适应动态力/位置混合控制方法
Antic et al. Anti-swing fuzzy controller applied in a 3D crane system
Li A method for design of a hybrid neuro-fuzzy control system based on behavior modeling
CN102591203B (zh) 一种伺服电机的基于微分器的直接神经网络控制方法
CN106569503A (zh) 一种基于触发式预测控制的飞行器控制方法
CN108132596B (zh) 一种微分超前广义智能内部模型集pid控制器设计方法
Yu et al. Bionic swarm control based on second-order communication topology
RU83728U1 (ru) Интеллектульная система управления перемещением робота-манипулятора
CN114012733A (zh) 一种用于pc构件模具划线的机械臂控制方法
CN114955856A (zh) 一种基于轨迹规划的桥式起重机吊具防摇方法
Bao et al. A Data-driven MPC algorithm for bridge cranes
Zhixin et al. Electro Hydraulic Position Servo System of Automatic Assembly Platform Based on Neural Network PID Control
Belikov et al. Application of neural networks based SANARX model for identification and control liquid level tank system
Wang et al. Research on Trajectory Tracking Control for SCARA Manipulator of Tea Picking Robot

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20171024