CN108190751A - 一种基于神经网络pid的桥式起重机防摇控制方法 - Google Patents

Abstract

一种基于神经网络PID的桥式起重机防摇控制方法，涉及桥式起重机领域，采用BP神经网络与传统PID控制相结合,采用神经网络作在线估计器，实时的给出最佳PID控制参数。设计了角度神经网络PID控制器、位置神经网络PID控制器，对起重机吊物的摆角和位置进行控制。同时针对起重机大车运行过程中由于负载扰动导致的两侧电机转速失衡，设计了一种电机转速同步控制器，用作转矩补偿。本发明不仅能实现起重机的精确定位、消除吊物摆动，还能解决起重机运输过程中大车两电机转速不等导致的啃轨现象。

Description

一种基于神经网络PID的桥式起重机防摇控制方法

技术领域

本发明涉及桥式起重机领域，具体为设计的桥式起重机防摇定位控制系统同时具有防啃轨功能。

背景技术

桥式起重机作为必不可少的运输工具，已广泛运用于车间、港口等场所。然而起重机在装卸货物和运输过程中，由于大车、小车的加减速以及外界干扰因素的影响，会使得负载来回摆动，不但影响生产效率还存在一定的安全隐患。而且随着自动化、机械化程度的提高，生产规模的不断扩大，生产效率的日益提高，起重机在现代化生产、运输过程中的应用越来越广，作用越来越大，因此对起重机的安全和效率提出越来越高的要求。一个好的起重机防摇控制系统可以避免一系列意外事故的发生，更能提高生产效率。

起重机防摇控制经历了人工手动(依赖操作人员经验)方式，机械式防摆，以及电子式防摆。机械式防摆是通过机械手段来消耗吊物摆动的能量使其最终消除摇摆，这类防摆装置机构通常结构十分复杂，可靠性差，维修麻烦，而且防摆效果并不好；电子式防摆又分为开环和闭环两大类。开环防摇系统成本低，但由于起重机的运行环境很复杂，诸多未考虑的因素会干扰实际运行，可靠性无法得到保障。同时，开环的方法很难考虑到精确定位的问题。而传统的闭环控制是通过PID控制方式来调节吊物摆角的，但其灵敏度低，适应性差。

桥式起重机运行过程中常出现的另一问题则是“啃轨”现象，在起重机的运行过程中有很多因素会导致大车电机转速不相等，如车轮摩擦变化、机械干扰、车体重心偏移、单边负载的突变等。啃轨的发生导致运行阻力增大，轨道侧面磨损加剧，车轮寿命急剧下降等。为避免运输过程中两电机转速不等导致的啃轨现象，需要采取一定的同步控制措施。

发明内容

本发明的目的是解决上述现有技术的不足，提供一种可以减少起重机吊物的摆动、提高工作效率及安全性，防止起重机出现啃轨现象的基于神经网络PID的桥式起重机防摇控制方法。

本发明解决上述现有技术的不足所采用的技术方案是：

一种基于神经网络PID的桥式起重机防摇控制方法，其特征在于包括如下步骤：

1.给定桥式起重机大车的目标速度曲线，桥式起重机的大车按照给定的目标速度曲线运动；(模拟司机驾驶的理想过程，先做匀加速运动，达到某一速度时做匀速运动，最后匀减速运动到达目标位置。)

2.(实时的)将桥式起重机的目标速度与大车运行速度信号v作差后得到当前速度差e，将e输入位置神经网络PID控制器进行处理：

所述的位置神经网络PID控制器包括BP神经网络和PID控制器两部分，BP神经网络对速度差e进行如下处理：

其中，BP神经网络共有3层，输入层节点为x1，x2，x3，输入节点对应所选系统的运行状态量，如系统不同时刻的输入量和输出量等，取：

x₁(t)＝e(t)-e(t-1)；x₂(t)＝e(t)；x₃(t)＝e(t)-2e(t-1)+e(t-2) (1)

式中：e(t)为最优预测形成的反馈偏差，用被控过程未来的最优状态来控制当前行为，从而提高了控制决策的智能性及控制系统的动态品质，减少非线性时变对系统稳定性的影响。

BP神经网络从输出层向输入层反向传播误差，并逐层修改各层神经元的权系数ω_ij，以减少下一次学习的误差。

取性能指标函数为：

式中:y_r为期望的设定值,y(t+1)为系统在t+1时刻的输出。用梯度最小法极小化性能指标,可以得到神经元网络控制器的加权系数修正式为:

其中：

式中：△u(t)＝u(t)-u(t-1)，u(t)为式(9)中的PID控制器的输出。

得出：

由于系统对象未知且具有非线性,因在t时刻无法得到y(t+1),所以采用自适应神经元预测器：

y_p(t+1)＝kΣω′_i(l)P_i(t)+y(t)-y_m(t) (6)

式中:y_m为神经网络的学习输出；P_i为神经网络的输入,它由u(t)、u(t-1)、y(t)、y(t-1)等参数组成。

经过式(6)计算得到y_p(t+1)逼近y(t+1),所以式(5)可写成:

式中:η为学习速率；kv为神经元放大系数,它对控制系统的快速跟踪和抗干扰能力有很大的影响,因此对其在线调整公式选为:

式中:k_v0为k的稳态值；a为待定参数(一般取k_v0/10),可以视控制效果进行在线调整。

更新PID控制器的参数：

K′_i＝K_i+△ω_i

式中，K′_i更新后的PID参数，K_i为当前的PID参数。

PID控制器的计算表达式如下：

式中:Kp为可调比例增益,Ti为可调积分时间常数,Td为可调微分时间常数,e(t)为速度差,T为系统采样周期。Kp、Ti、Td三个系统参数通过神经网络的学习得到。

经过上述方法得到位置神经网络PID控制器的实时PID参数，并由PID控制器算出目标转矩T₁。

3.同时根据角度传感器采集的角度信号(吊绳与竖直方向的夹角)θ，与目标角度0作差得到θ_e，输入角度神经网络PID控制器，所述角度神经网络PID控制器包括BP神经网络和PID控制器两部分，BP神经网络对θ_e的处理方法同步骤(2)中BP神经网络对速度差e的处理方法。计算得到角度神经网络PID控制器实时的PID参数，并由PID控制器算出目标转矩T₂。

4.通过编码器采集大车两侧电机转速ω₁、ω₂，计算差值得到Δω，输入同步控制器，所述同步控制器包括BP神经网络和PID控制器两部分，BP神经网络对Δω的处理方法同步骤(2)中BP神经网络对速度差e的处理方法。计算得到同步控制器实时的PID参数，并由PID控制器算出目标转矩T₃。

5.大车左右侧的电机目标转矩分别由下式计算：

T_左＝T₁+T₂-T₃；T_右＝T₁+T₂+T₃

6.大车两侧电机根据目标转矩T_左，T_右来各自调整输出转矩，从而实现桥式起重机大车的防摇定位与防啃轨。

本发明采用神经网络作在线估计器，实时的给出最佳PID控制参数，通过神经网络的学习不断调整加权系数，从而使其稳定状态对应于某种最优控制律下的PID控制器参数，使控制器适应受控对象结构参数以及环境的变化，来消除吊物的摆动，并对起重机的位置进行反馈补偿，实现大、小车的精确定位。

本发明在对桥式起重机防摆控制的同时还进行了同步控制，如果不采取措施，可能会引发两个电机转速差增大。将很可能对电机和整个起重机系统造成冲击。如图1所示，将大车两侧电机的转速采回至同步控制器(所述同步器为神经网络PID控制器)进行调节，根据两电机转速差值进行转矩补偿和优化，避免运输过程中大车两电机转速失衡导致的啃轨现象。

附图说明

图1是本发明大车两侧电机同步控制图。

图2是本发明神经网络PID控制系统图。

图3是本发明桥式起重机防摇控制系统图。

图4是实施方式框架图。

具体实施方式

为使本发明技术方案和优点更加清楚，下面结合本发明附图对技术方案进行清楚、完整地描述。本发明通过BP神经网络与传统PID控制相结合，利用神经网络强大的逼近能力，可以通过学习在线实时调整PID参数，使控制器适应受控对象结构参数以及环境的变化。

如图1-图4所示的基于神经网络PID的桥式起重机防摇控制方法，其特征在于包括如下步骤：

步骤1.给定桥式起重机大车的目标速度曲线，桥式起重机的大车按照给定的目标速度曲线运动；电机控制器控制器根据目标速度曲线模拟司机驾驶的理想过程，先做匀加速运动，达到某一速度时做匀速运动，最后匀减速运动到达目标位置。

步骤2.运行过程中电机控制器实时的将桥式起重机的目标速度与大车运行速度信号v作差后得到当前速度差e，将e输入位置神经网络PID控制器进行处理：

所述的位置神经网络PID控制器包括BP神经网络和PID控制器两部分，BP神经网络对速度差e进行如下处理：

其中，BP神经网络共有3层，输入层节点为x1，x2，x3，输入节点对应所选系统的运行状态量，如系统不同时刻的输入量和输出量等，取：

x₁(t)＝e(t)-e(t-1)；x₂(t)＝e(t)；x₃(t)＝e(t)-2e(t-1)+e(t-2) (1)

式中：e(t)为最优预测形成的反馈偏差，用被控过程未来的最优状态来控制当前行为，从而提高了控制决策的智能性及控制系统的动态品质，减少非线性时变对系统稳定性的影响。

BP神经网络从输出层向输入层反向传播误差，并逐层修改各层神经元的权系数ω_ij，以减少下一次学习的误差。

取性能指标函数为：

式中:y_r为期望的设定值,y(t+1)为系统在t+1时刻的输出。用梯度最小法极小化性能指标,可以得到神经元网络控制器的加权系数修正式为:

其中：

式中：△u(t)＝u(t)-u(t-1)，u(t)为式(9)中的PID控制器的输出。

得出：

由于系统对象未知且具有非线性,因在t时刻无法得到y(t+1),所以采用自适应神经元预测器：

y_p(t+1)＝kΣω′_t(t)P_i(t)+y(t)-y_m(t) (6)

式中:y_m为神经网络的学习输出；P_i为神经网络的输入,它由u(t)、u(t-1)、y(t)、y(t-1)等参数组成。

经过式(6)计算得到y_p(t+1)逼近y(t+1),所以式(5)可写成:

式中:η为学习速率；kv为神经元放大系数,它对控制系统的快速跟踪和抗干扰能力有很大的影响,因此对其在线调整公式选为:

式中:k_v0为k的稳态值；a为待定参数(一般取k_v0/10),可以视控制效果进行在线调整。

更新PID控制器的参数：

K′_i＝K_i+△ω_i

式中，K′_i更新后的PID参数，K_i为当前的PID参数。

PID控制器的计算表达式如下：

式中:Kp为可调比例增益,Ti为可调积分时间常数,Td为可调微分时间常数,e(t)为速度差,T为系统采样周期。Kp、Ti、Td三个系统参数通过神经网络的学习得到。

经过上述方法得到位置神经网络PID控制器的实时PID参数，并由PID控制器算出目标转矩T₁。

步骤3.同时根据角度传感器采集的角度信号(吊绳与竖直方向的夹角)θ，与目标角度0作差得到θ_e，输入角度神经网络PID控制器，所述角度神经网络PID控制器包括BP神经网络和PID控制器两部分，BP神经网络对θ_e的处理方法同步骤2中BP神经网络对速度差e的处理方法。计算得到角度神经网络PID控制器实时的PID参数，并由PID控制器算出目标转矩T₂。

步骤4.由图1得，通过编码器采集大车两侧电机转速ω₁、ω₂，计算差值得到△ω,输入同步控制器，所述同步控制器包括BP神经网络和PID控制器两部分，BP神经网络对△ω的处理方法同步骤2中BP神经网络对速度差e的处理方法。计算得到同步控制器实时的PID参数，并由PID控制器算出目标转矩T₃。

步骤5.大车左右侧的电机目标转矩分别由下式计算：

T_左＝T₁+T₂-T₃；T_右＝T₁+T₂+T₃

步骤6.大车两侧电机根据目标转矩T_左，T_右来各自调整输出转矩，从而实现桥式起重机大车的防摇定位与防啃轨。

本发明采用神经网络作在线估计器，实时的给出最佳PID控制参数，通过神经网络的学习不断调整加权系数，从而使其稳定状态对应于某种最优控制律下的PID控制器参数，使控制器适应受控对象结构参数以及环境的变化，来消除吊物的摆动，并对起重机的位置进行反馈补偿，实现大、小车的精确定位。

本发明在对桥式起重机防摆控制的同时还进行了同步控制，如果不采取措施，可能会引发两个电机转速差增大。将很可能对电机和整个起重机系统造成冲击。如图1所示，将大车两侧电机的转速采回至同步控制器(所述同步器为神经网络PID控制器)进行调节，根据两电机转速差值进行转矩补偿和优化，避免运输过程中大车两电机转速失衡导致的啃轨现象。

本发明主要设计了三个神经网络PID控制器，分别针对起重机的位置定位、吊物摆动消除和大车两侧电机同步控制。为了使控制器具有通用性，可采用工业上广泛使用的西门子SIMATICS7-300/400系统PLC，控制策略和控制方法在PLC中实现。

如图4所示为系统框架图，上位机主要完成对PLC运行状态的控制，并对其状态信息进行分析、处理、以图文方式显示；PLC实现三个控制器的控制算法；变频器根据来自PLC的指令对电机做出相应的控制；PLC需要的反馈量有起重机运行速度信号，电机转速信号，以及吊物的摆角信号。

司机根据速度档位给定起重机的运行速度，将指令下发至PLC，同时PLC接受来自传感器采集的大车速度信号以及吊物的摆角信号，以及来自编码器的大车两侧的电机转速，实现三个控制器相应的控制，最终下发指令给变频器控制电机相应动作。

通过位置和角度神经网络PID控制器以及转速同步控制器的调节，从而对大车运行位置和吊物摆角有很好的控制，更避免运输过程中大车两电机转速失衡导致的啃轨现象。

Claims (1)

1.一种基于神经网络PID的桥式起重机防摇控制方法，其特征在于包括如下步骤：

步骤1.给定桥式起重机大车的目标速度曲线，桥式起重机的大车按照给定的目标速度曲线运动；

步骤2.将桥式起重机的目标速度与大车运行速度信号v作差后得到当前速度差e，将e输入位置神经网络PID控制器进行处理：

所述的位置神经网络PID控制器包括BP神经网络和PID控制器两部分，BP神经网络对速度差e进行如下处理：

其中，BP神经网络共有3层,输入层节点为x1,x2,x3,输入节点对应所选系统的运行状态量,取：

x₁(t)＝e(t)-e(t-1)；x₂(t)＝e(t)；x₃(t)＝e(t)-2e(t-1)+e(t-2) (1)

式中:e(t)为最优预测形成的反馈偏差,

BP神经网络从输出层向输入层反向传播误差,并逐层修改各层神经元的权系数ω_ij，

取性能指标函数为:

式中:y_r为期望的设定值,y(t+1)为系统在t+1时刻的输出；

用梯度最小法极小化性能指标,可以得到神经元网络控制器的加权系数修正式为:

其中：

式中：△u(t)＝u(t)-u(t-1)，u(t)为PID控制器的输出，

得出：

采用自适应神经元预测器：

y_p(t+1)＝k∑ω′_i(t)P_i(t)+y(t)-y_m(t) (6)

式中:y_m为神经网络的学习输出；P_i为神经网络的输入,它由u(t)、u(t-1)、y(t)、y(t-1)参数组成。

经过式(6)计算得到y_p(t+1)逼近y(t+1),式(5)可写成:

式中:η为学习速率；kv为神经元放大系数,它对控制系统的快速跟踪和抗干扰能力有很大的影响,因此对其在线调整公式选为:

式中:k_v0为k的稳态值；a为待定参数；

更新PID控制器的参数：

K_i'＝K_i+△ω_i

式中，K_i'更新后的PID参数，K_i为当前的PID参数；

PID控制器的计算表达式如下：

式中:Kp为可调比例增益,Ti为可调积分时间常数,Td为可调微分时间常数,e(t)为速度差,T为系统采样周期；Kp、Ti、Td三个系统参数通过神经网络的学习得到；

经过上述方法得到位置神经网络PID控制器的实时PID参数，并由PID控制器算出目标转矩T₁；

步骤3.同时根据角度传感器采集的角度信号θ，与目标角度0作差得到θ_e，输入角度神经网络PID控制器，所述角度神经网络PID控制器包括BP神经网络和PID控制器两部分，BP神经网络对θ_e的处理方法同步骤(2)中BP神经网络对速度差e的处理方法。计算得到角度神经网络PID控制器实时的PID参数，并由PID控制器算出目标转矩T₂；

步骤4.通过编码器采集大车两侧电机转速ω₁、ω₂，计算差值得到△ω,输入同步控制器，所述同步控制器包括BP神经网络和PID控制器两部分，BP神经网络对△ω的处理方法同步骤(2)中BP神经网络对速度差e的处理方法；计算得到同步控制器实时的PID参数，并由PID控制器算出目标转矩T₃；

步骤5.大车左右侧的电机目标转矩分别由下式计算：

T_左＝T₁+T₂-T₃；T_右＝T₁+T₂+T₃

步骤6.大车两侧电机根据目标转矩T_左，T_右来各自调整输出转矩，从而实现桥式起重机大车的防摇定位与防啃轨。