CN109557524B - 一种船舶废气监测激光雷达随动系统的输入饱和控制方法 - Google Patents
一种船舶废气监测激光雷达随动系统的输入饱和控制方法 Download PDFInfo
- Publication number
- CN109557524B CN109557524B CN201811637460.XA CN201811637460A CN109557524B CN 109557524 B CN109557524 B CN 109557524B CN 201811637460 A CN201811637460 A CN 201811637460A CN 109557524 B CN109557524 B CN 109557524B
- Authority
- CN
- China
- Prior art keywords
- laser radar
- exhaust gas
- coordinate system
- gas monitoring
- ship exhaust
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/481—Constructional features, e.g. arrangements of optical elements
- G01S7/4817—Constructional features, e.g. arrangements of optical elements relating to scanning
-
- 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
- G05B13/027—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 only
-
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明提供一种船舶废气监测激光雷达随动系统的输入饱和控制方法,所述船舶废气监测激光雷达包括基座B0、方位旋转部件B1和横滚旋转部件B2,所述基座B0、方位旋转部件B1和横滚旋转部件B2依次转动连接,所述方法包括步骤:对所述船舶废气监测激光雷达建立D‑H坐标系;并根据所述D‑H坐标系建立正运动学方程;根据正运动学方程,建立所述船舶废气监测激光雷达的动力学模型;对所述动力学模型,设计辅助系统补偿电机饱和的影响,同时设计系统控制律;用RBF神经网络逼近所述动力学模型不确定部分,设计自适应律;控制所述船舶废气监测激光雷达随动系统配置参数。
Description
技术领域
本发明涉及空气污染排放监测技术领域,具体涉及一种船舶废气监测激光雷达随动系统的输入饱和控制方法。
背景技术
大气污染愈来愈引起人们的重视,随着纯电动汽车、混合动力汽车的推广,大气污染的因素中,诸如挖掘机、推土机、压路机等建筑工程所用的工程车辆,以及各种船舶,这些城市非道路污染源对大气污染的影响越来越大。因此,需要加大对此类非道路污染源的排放监察。
由于船舶废气监测激光雷达测量光程距离长、检测区域面积小,人工对观测目标进行定位非常困难,所以需要激光雷达能够自适应随动跟踪被测目标。激光雷达具有偏航与横滚两个自由度,分别由两个电机作为执行机构带动关节旋转,但由于电机参数限制,存在输入饱和问题,同时又存在不确定性。在非道路移动污染源的排放监测方面,由于无法安装光学反射装置,必须采用激光雷达进行被动式扫描观测,即通过向大气中发射特定波长的激光,采集并分析与大气介质发生物理作用后的散射光谱,来获取大气中特定污染物的浓度信息。
发明内容
针对现有技术的不足,本发明提供一种船舶废气监测激光雷达随动系统的输入饱和控制方法,引入径向基函数神经网络控制器,并通过设计辅助系统来处理输入饱和,保持激光雷达的稳定跟踪性能。
为实现以上目的,本发明通过以下技术方案予以实现:
一种船舶废气监测激光雷达随动系统的输入饱和控制方法,所述船舶废气监测激光雷达随动系统包括基座B0、方位旋转部件B1和横滚旋转部件B2,所述基座B0、方位旋转部件B1和横滚旋转部件B2依次转动连接,所述方法包括步骤:
步骤一、对所述船舶废气监测激光雷达建立D-H坐标系;并根据所述D-H坐标系建立正运动学方程;
步骤二、根据正运动学方程,建立所述船舶废气监测激光雷达的动力学模型;
步骤三、对所述动力学模型,设计辅助系统补偿电机饱和的影响,同时设计系统控制律;
步骤四、用RBF神经网络逼近所述动力学模型不确定部分,设计自适应律;
步骤五、控制所述船舶废气监测激光雷达随动系统配置参数。
进一步地,所述D-H坐标系包括3个连杆坐标系,分别对应基座B0、方位旋转部件B1和横滚旋转部件B2;确定O0,O1,O2分别为3个连杆坐标系的坐标原点,S0,S1,S2分别为B0,B1,B2的质心;θ1,θ2分别表示各坐标系的方位角和横滚角;τ1,τ2分别表示外部施加于B1,B2的力矩;其中,O0O1的长度为d1,O1O2的长度为d2。
进一步地,所述正运动学方程为
进一步地,所述动力学模型的建立方法为牛顿欧拉方程法,所述动力学模型包括前向递推公式:
后向递推公式:
其中,表示连杆i-1对连杆i施加的作用力,mi表示Bi的质量,表示连杆i-1对连杆i关于坐标系i-1原点Oi-1的力矩表示向量 表示Bi关于坐标系i的惯性张量矩阵,表示转子绕转轴的转动惯量,为在坐标系i的z轴上的分量。
进一步地,所述船舶废气监测激光雷达的预设参数包括
进一步地,根据所述船舶废气监测激光雷达的预设参数,计算得动力学方程:
进一步地,所述动力学方程考虑电机饱和形式为
其中,
进一步地,所述步骤三中设计控制律为
进一步地,所述自适应律包括:
与现有技术相比,本发明具有以下有益效果:
本发明中船舶废气监测激光雷达,摒弃了现有的开环结构扫描控制技术,相对于现有的方法,在通过引入径向基函数神经网络控制器实现变速跟踪控制的基础上,同时设计了辅助系统处理输入饱和,既提高了激光雷达的稳定跟踪性能,降低了控制成本,又减少了算法执行过程中的运算量,提高了控制效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明控制方法流程图;
图2为本发明中船舶废气监测激光雷达随动系统结构图;
图3为本发明中船舶废气监测激光雷达随动系统形心图;
图4为本发明中船舶废气监测激光雷达随动系统D-H连杆坐标系结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供了一种船舶废气监测激光雷达随动系统的输入饱和控制方法,如图2所示,该船舶废气监测激光雷达随动系统包括基座B0、方位旋转部件B1和横滚旋转部件B2,所述基座B0、方位旋转部件B1和横滚旋转部件B2依次转动连接。
如图1所示,本发明具体实施步骤如下:
S1、对所述船舶废气监测激光雷达建立D-H坐标系;并根据所述D-H坐标系建立正运动学方程;
S2、根据正运动学方程,建立所述船舶废气监测激光雷达的动力学模型;
S3、对所述动力学模型,设计辅助系统补偿电机饱和的影响,同时设计系统控制律;
S4、用RBF神经网络逼近所述动力学模型不确定部分,设计自适应律;
S5、控制所述船舶废气监测激光雷达随动系统配置参数。
具体地,S1中对船舶废气监测激光雷达建立D-H坐标系;如图3及图4所示,采用Denavit-Hartenberg法建立连杆坐标系;其中,O0,O1,O2分别为3个坐标系的坐标原点,S0,S1,S2分别为B0,B1,B2的质心位置,θ1,θ2分别为方位角和横滚角,τ1,τ2分别为电机施加于B1,B2的力矩。O0O1的长度为d1,O1O2的长度为d2。
得DH参数表:
其中连杆1为B1以及B1上驱动B2的电机,连杆2为B2,ai为轴zi与zi-1的公垂线的长度;αi为轴zi-1与zi之间的夹角,当绕轴xi逆时针转动时为正;di为轴zi与zi-1的公垂线与zi-1的交点沿zi-1的坐标;θi为轴xi-1与xi之间的夹角,当绕轴zi-1逆时针转动时为正。
具体地,根据DH参数表建立正运动学方程如下:
S2中,采用牛顿欧拉方法建立系统的动力学方程。
前向递推公式为
后向递推公式为
其中,表示连杆i-1对连杆i施加的作用力,mi表示Bi的质量,表示连杆i-1对连杆i关于坐标系i-1原点Oi-1的力矩,表示向量表示Bi关于坐标系i的惯性张量矩阵,表示转子绕转轴的转动惯量,为在坐标系i的z轴上的分量。
推导并带入激光雷达扫描设备的参数,得到扫描设备的动力学方程:
考虑到电机饱和,动力学方程(1)需改写为
其中
S3中,要为S2中建立的动力学模型设计控制律,针对S2中建立的动力学模型(2),设计控制律为
其中,控制律的第一项表示跟踪误差,其中表示期望轨迹。控制律的第二到四项 为基于模型的控制,是对的逼近,其中Λ为一正定矩阵;系数和分别是通过神经网络对D,C和G的逼近。和为神经网络隐层到输出层的权值矩阵的转置,SD(·),SC(·)和SG(·)为神经网络的激活函数,ZD,ZC和ZG为神经网络的输入。控制律的第五项相当于PD控制,Kp为正定矩阵,表示误差函数,误差函数取为该项中的为辅助系统的状态,辅助系统用于补偿执行器饱和的影响,辅助系统设计为:
kri≥||∈||,i=1,2
其中,为神经网络隐层到输出层的当前的估计权值,随着更新过程而改变,ΓDk,ΓCk,ΓCk均为正定矩阵,一般取对角阵,SDk,SCk,SGk为输入是的激活函数的输出,σDk,σCk,σGk为小的正常数,用于提升鲁棒性。在设置好权值的初始值之后,就可以按此更新律更新权值。
步骤S5中,需要为控制系统配置参数,神经网络的隐层选用256个结点,每个径向基函数的中心都在区域[-1,1]×[-1,1]×[-1,1]×[-1,1]×[-1,1]×[-1,1]×[-1,1]×[-1,1]中选取,值取-1或1,神经网络的输入为 初始权值为全0。
本发明中船舶废气监测激光雷达,摒弃了现有的开环结构扫描控制技术,相对于现有的方法,在通过引入径向基函数神经网络控制器实现变速跟踪控制的基础上,同时设计了辅助系统处理输入饱和,既提高了激光雷达的稳定跟踪性能,降低了控制成本,又减少了算法执行过程中的运算量,提高了控制效率。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种船舶废气监测激光雷达随动系统的输入饱和控制方法,所述船舶废气监测激光雷达随动系统包括基座B0、方位旋转部件B1和横滚旋转部件B2,所述基座B0、方位旋转部件B1和横滚旋转部件B2依次转动连接,其特征在于,所述方法包括步骤:
步骤一、对所述船舶废气监测激光雷达建立D-H坐标系;并根据所述D-H坐标系建立正运动学方程;
步骤二、根据正运动学方程,建立所述船舶废气监测激光雷达的动力学模型;
步骤三、对所述动力学模型,设计辅助系统补偿电机饱和的影响,同时设计系统控制律;
步骤四、用RBF神经网络逼近所述动力学模型不确定部分,设计自适应律;
步骤五、控制所述船舶废气监测激光雷达随动系统配置参数;
所述步骤三中设计的系统控制律为 表示跟踪误差,其中表示期望轨迹;为基于模型的控制,是对的逼近,其中Λ为一正定矩阵;系数和分别是通过神经网络对D,C和G的逼近;和为神经网络隐层到输出层的权值矩阵的转置,SD(·),SC(·)和SG(·)为神经网络的激活函数,ZD,ZC和ZG为神经网络的输入;相当于PD控制,Kp为正定矩阵,表示误差函数,误差函数取为 为辅助系统的状态,辅助系统用于补偿执行器饱和的影响,辅助系统设计为:
kri≥||∈||,i=1,2
所述步骤四设计的自适应律为:
2.根据权利要求1所述的一种船舶废气监测激光雷达随动系统的输入饱和控制方法,其特征在于:所述D-H坐标系包括3个连杆坐标系,分别对应基座B0、方位旋转部件B1和横滚旋转部件B2;确定O0,O1,O2分别为3个连杆坐标系的坐标原点,S0,S1,S2分别为B0,B1,B2的质心;θ1,θ2分别表示各坐标系的方位角和横滚角;τ1,τ2分别表示外部施加于B1,B2的力矩;其中,O0O1的长度为d1,O1O2的长度为d2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811637460.XA CN109557524B (zh) | 2018-12-29 | 2018-12-29 | 一种船舶废气监测激光雷达随动系统的输入饱和控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811637460.XA CN109557524B (zh) | 2018-12-29 | 2018-12-29 | 一种船舶废气监测激光雷达随动系统的输入饱和控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109557524A CN109557524A (zh) | 2019-04-02 |
CN109557524B true CN109557524B (zh) | 2020-09-22 |
Family
ID=65872076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811637460.XA Active CN109557524B (zh) | 2018-12-29 | 2018-12-29 | 一种船舶废气监测激光雷达随动系统的输入饱和控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109557524B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109975788A (zh) * | 2019-04-23 | 2019-07-05 | 中国科学技术大学 | 一种激光雷达扫描机构的自适应控制方法 |
CN111948624A (zh) * | 2020-07-27 | 2020-11-17 | 中国科学技术大学 | 非道路移动污染源检测激光雷达的跟踪控制方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4610014B2 (ja) * | 2005-08-26 | 2011-01-12 | 三菱電機株式会社 | サーボシステムの制御装置および制御方法 |
CN105223808A (zh) * | 2015-06-24 | 2016-01-06 | 浙江工业大学 | 基于神经网络动态面滑模控制的机械臂系统饱和补偿控制方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201611930U (zh) * | 2010-01-31 | 2010-10-20 | 中国舰船研究设计中心 | 船用搜索取证一体化设备 |
CN103760900B (zh) * | 2014-01-03 | 2016-06-29 | 哈尔滨工程大学 | 一种考虑控制输入约束的船舶运动控制系统 |
CN104007660B (zh) * | 2014-06-12 | 2017-01-04 | 国电科学技术研究院 | 一种基于反演设计的伺服系统的抗饱和控制方法 |
CN104730920B (zh) * | 2015-04-16 | 2017-09-12 | 大连海事大学 | 一种神经网络自适应动态面控制器结构与设计方法 |
CN104950677B (zh) * | 2015-06-17 | 2017-10-13 | 浙江工业大学 | 基于反演滑模控制的机械臂系统饱和补偿控制方法 |
CN105137999A (zh) * | 2015-07-23 | 2015-12-09 | 北京航空航天大学 | 一种具有输入饱和的飞行器跟踪控制直接法 |
CN107943094A (zh) * | 2017-12-27 | 2018-04-20 | 上海应用技术大学 | 一种四旋翼飞行器的滑模控制方法及其控制器 |
-
2018
- 2018-12-29 CN CN201811637460.XA patent/CN109557524B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4610014B2 (ja) * | 2005-08-26 | 2011-01-12 | 三菱電機株式会社 | サーボシステムの制御装置および制御方法 |
CN105223808A (zh) * | 2015-06-24 | 2016-01-06 | 浙江工业大学 | 基于神经网络动态面滑模控制的机械臂系统饱和补偿控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109557524A (zh) | 2019-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xiang et al. | Robust fuzzy 3D path following for autonomous underwater vehicle subject to uncertainties | |
CN111496792B (zh) | 一种机械臂输入饱和固定时间轨迹跟踪控制方法及系统 | |
Ashrafiuon et al. | Trajectory tracking control of planar underactuated vehicles | |
Spong et al. | Control of underactuated mechanical systems using switching and saturation | |
Zohar et al. | Mobile robot characterized by dynamic and kinematic equations and actuator dynamics: Trajectory tracking and related application | |
CN109176525A (zh) | 一种基于rbf的移动机械手自适应控制方法 | |
CN109557524B (zh) | 一种船舶废气监测激光雷达随动系统的输入饱和控制方法 | |
Zhang et al. | Neural network control of underactuated surface vehicles with prescribed trajectory tracking performance | |
CN111650830A (zh) | 一种基于迭代学习的四旋翼飞行器鲁棒跟踪控制方法 | |
CN106044567B (zh) | 桥式吊车局部饱和自适应控制器、控制系统及控制方法 | |
CN112651456B (zh) | 基于rbf神经网络的无人车控制方法 | |
WO2022199146A1 (zh) | 基于脉冲神经网络的机器人控制方法、机器人及存储介质 | |
CN113741188A (zh) | 执行器故障下固定翼无人机反步自适应容错控制方法 | |
CN111813140A (zh) | 一种具有高精度的四旋翼无人机轨迹跟踪控制方法 | |
Hu et al. | Precision motion control of a small launching platform with disturbance compensation using neural networks | |
Chen et al. | Coordinated path following control of fixed-wing unmanned aerial vehicles in wind | |
CN114510067A (zh) | 一种可重复使用飞行器近似最优制导方法 | |
CN114942593A (zh) | 一种基于干扰观测器补偿的机械臂自适应滑模控制方法 | |
CN110007599A (zh) | 一种激光雷达扫描机构的自适应积分滑模控制方法及系统 | |
CN113625730B (zh) | 一种基于超扭滑模的四旋翼自适应容错控制方法 | |
CN113156825A (zh) | 一种自适应反步滑模控制的舰载光电跟踪系统设计方法 | |
CN116880478A (zh) | 一种基于事件触发的轮式机器人滑模编队容错控制方法 | |
Yuan et al. | Adaptive learning control for a quadrotor unmanned aerial vehicle landing on a moving ship | |
Zhang et al. | Vision‐based tracking control of quadrotor for a moving target with nonlinear angular velocity observer | |
CN110543175A (zh) | 非道路移动污染源监测激光雷达的动态混合跟踪控制方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |