CN110989361B - 一种基于权重在线优化的分组模糊控制方法 - Google Patents

一种基于权重在线优化的分组模糊控制方法 Download PDF

Info

Publication number
CN110989361B
CN110989361B CN201911353307.9A CN201911353307A CN110989361B CN 110989361 B CN110989361 B CN 110989361B CN 201911353307 A CN201911353307 A CN 201911353307A CN 110989361 B CN110989361 B CN 110989361B
Authority
CN
China
Prior art keywords
fuzzy
dynamic
weight
grouping
output
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
Application number
CN201911353307.9A
Other languages
English (en)
Other versions
CN110989361A (zh
Inventor
柴琳
刘惠康
孙博文
鄢梦伟
李倩
皮瑶
曹宇轩
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.)
Wuhan University of Science and Engineering WUSE
Original Assignee
Wuhan University of Science and Engineering WUSE
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 Wuhan University of Science and Engineering WUSE filed Critical Wuhan University of Science and Engineering WUSE
Priority to CN201911353307.9A priority Critical patent/CN110989361B/zh
Publication of CN110989361A publication Critical patent/CN110989361A/zh
Application granted granted Critical
Publication of CN110989361B publication Critical patent/CN110989361B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04Adaptive 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
    • G05B13/042Adaptive 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)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Control And Safety Of Cranes (AREA)

Abstract

本发明提供一种基于权重在线优化的分组模糊控制方法,属于桥式吊车控制技术领域。该基于权重在线优化的分组模糊控制方法包括如下步骤:S1:获取第一模糊输出
Figure DEST_PATH_IMAGE002
、第二模糊输出
Figure DEST_PATH_IMAGE004
和第三模糊输出
Figure DEST_PATH_IMAGE006
;S2:获取第一动态权重
Figure DEST_PATH_IMAGE008
、第二动态权重
Figure DEST_PATH_IMAGE010
、第三动态权重
Figure DEST_PATH_IMAGE012
;S3:获取实时控制输出
Figure DEST_PATH_IMAGE014
。本发明中首先分别使用第一分组模糊控制器、第二分组模糊控制器、第三分组模糊控制器对台车、吊钩和负载进行分组控制,然后将三个模糊控制器的输出通过动态权重因子计算得到系统输出,可以在不知道系统具体模型的情况下对系统进行稳定控制,同时解决了对于多输入系统模糊规则设计较复杂的问题,适用性强。

Description

一种基于权重在线优化的分组模糊控制方法
技术领域
本发明属于桥式吊车控制技术领域,涉及一种基于权重在线优化的分组模糊控制方法。
背景技术
桥式吊车作为一种重要的工程机械,被广泛应用于制造业、建筑业、物流业等诸多领域,其主要控制目标是保证货物的摆动尽可能小的情况下快速、准确地将其运送至目标位置,并无残摆。在一些特殊场合,对防摆控制有着非常高的要求,如在钢包吊运的过程中,大幅摆动会引起高温钢水的侧漏,造成安全事故。就目前而言,由于缺乏高性能吊车自动控制方法,绝大多数吊车仍依靠人工操作,系统的工作效率完全依赖于工人师傅的操作经验。这种常规的操作方式体现出以下不足之处:1)对操作工人要求高,需要进行长时间的培训和长期的经验积累;2)操作效率低,消摆效果差,当台车到达目标位置后,须待负载摆动在空气阻力的作用下缓慢地衰减到一定程度后,方可进行下一步操作;3)定位精度差,在台车即将到达目标位置时,须反复调整其运动;4)长期连续工作易引发疲劳,导致误操作;5)安全系数低,伤亡事故频发。尤其是近年来各国竞相提出工业振兴计划,改造升级传统制造业。在新的发展目标中,传统制造业将向数字化、无人化、智能化发展,而这些特点对制造业的常见运输工具——吊车,提出了高效率、高安全、高精度的要求。因此吊车的自动消摆定位控制问题受到了国内外众多研究人员的广泛关注。
桥式吊车系统的控制量维数少于其待控的系统自由度,是典型的欠驱动系统,且其在工作时易受摩擦力、风力等外界干扰的影响,同时系统状态之间表现出很强的耦合性和非线性。近年来国内外众多学者针对欠驱动桥式吊车系统,取得了一系列研究成果,但大多数已有的控制方法仅考虑吊车系统的单级摆动特性,而在很多情况下:(1)吊钩质量与负载质量相近而不能忽略吊钩质量时;(2)负载质量分布不均匀、尺寸较大不能看成质点时,吊车系统会呈现二级摆型特性,即负载会绕吊钩摆动,导致吊车系统的动力学模型更加复杂,各状态之间的耦合性更高,欠驱动度更高,给系统的消摆定位控制方法的设计带来极大的挑战。
综合模糊控制策略与桥式吊车二级摆型特性,现有模糊控制方法存在以下几个方面的不足:模糊控制作为一种经典的智能控制方法,可以不依赖数学模型且能适应模型的不确定性,因而在吊车控制中得到了较多的应用,但绝大多数模糊控制方法是应用在单摆桥式吊车上。从为数不多的二级摆型桥式吊车模糊控制方法的研究情况来看,由于系统输入量较多,导致模糊规则复杂,隶属度优化计算耗时较长等缺点。现有模糊控制方法都使用较多的规则来提高控制精度,不利于控制规则的设定和实时推理,并且参数的设定完全依靠经验,效果不能保证。传统的模糊控制是将所有的控制输入量一起考虑,建立统一的模糊规则库,这样当输入量个数增加时,模糊规则将会指数倍增长,模糊规则的建立将变得很困难,二级摆型桥式吊车系统有6个输入量,按照传统的模糊控制,如果每个输入量的隶属度函数个数仅为2的话,所需建立的模糊规则数也将达到64 条,相当繁琐。
发明内容
本发明针对现有的技术存在的上述问题,提供一种基于权重在线优化的分组模糊控制方法,本发明所要解决的技术问题是:如何提供一种基于权重在线优化的分组模糊控制方法。
本发明的目的可通过下列技术方案来实现:
一种基于权重在线优化的分组模糊控制方法,包括如下步骤:
S1:设计第一分组模糊控制器、第二分组模糊控制器、第三分组模糊控制器,将台 车位移
Figure RE-676937DEST_PATH_IMAGE001
和台车速度
Figure RE-125236DEST_PATH_IMAGE002
输入第一分组模糊控制器获取第一模糊输出
Figure RE-170553DEST_PATH_IMAGE003
,将吊钩摆角
Figure RE-362499DEST_PATH_IMAGE004
和吊钩 角速度
Figure RE-708030DEST_PATH_IMAGE005
输入第二分组模糊控制器获取第二模糊输出
Figure RE-61651DEST_PATH_IMAGE006
,将负载摆角
Figure RE-859843DEST_PATH_IMAGE007
和负载角速度
Figure RE-324322DEST_PATH_IMAGE008
输 入第三分组模糊控制器获取第三模糊输出
Figure RE-795798DEST_PATH_IMAGE009
S2:设计动态变量模糊控制器并通过动态变量模糊控制器分别获取第一模糊输出
Figure RE-320320DEST_PATH_IMAGE010
的第一动态权重
Figure RE-340229DEST_PATH_IMAGE011
、第二模糊输出
Figure RE-608399DEST_PATH_IMAGE012
的第二动态权重
Figure RE-662943DEST_PATH_IMAGE013
、第三模糊输出
Figure RE-420683DEST_PATH_IMAGE014
的第三动态权 重
Figure RE-193467DEST_PATH_IMAGE015
S3:通过公式
Figure RE-999749DEST_PATH_IMAGE016
获取实时控制输出
Figure RE-908799DEST_PATH_IMAGE017
优选的,步骤S1中在将台车位移
Figure RE-775124DEST_PATH_IMAGE018
、台车速度
Figure RE-35204DEST_PATH_IMAGE019
输入第一分组模糊控制器前、在将 吊钩摆角
Figure RE-645177DEST_PATH_IMAGE020
和吊钩角速度
Figure RE-408734DEST_PATH_IMAGE021
输入第二分组模糊控制器前、在将负载摆角
Figure RE-711539DEST_PATH_IMAGE022
和负载角速度
Figure RE-193336DEST_PATH_IMAGE023
输入第三模糊控制器分别对台车位移
Figure RE-341421DEST_PATH_IMAGE024
、台车速度
Figure RE-225063DEST_PATH_IMAGE019
、吊钩摆角
Figure RE-698770DEST_PATH_IMAGE020
、吊钩角速度
Figure RE-667863DEST_PATH_IMAGE021
、负载摆角
Figure RE-354059DEST_PATH_IMAGE022
、负载角速度
Figure RE-357787DEST_PATH_IMAGE023
进行量化比例因子处理。
优选的,所述台车位移
Figure RE-2395DEST_PATH_IMAGE024
的基本论域为[-2,2]m、台车速度
Figure RE-193205DEST_PATH_IMAGE019
的基本论域为[-1,1] m/s,所述吊钩摆角
Figure RE-948671DEST_PATH_IMAGE020
、负载摆角
Figure RE-541327DEST_PATH_IMAGE022
的基本论域均为[-20,20],所述吊钩角速度
Figure RE-91257DEST_PATH_IMAGE021
、负载角速 度
Figure RE-34942DEST_PATH_IMAGE023
的基本论域为[-5,5],控制输出
Figure RE-594099DEST_PATH_IMAGE025
的基本论域为[
Figure RE-41261DEST_PATH_IMAGE026
] N,台车位移
Figure RE-762092DEST_PATH_IMAGE024
、台车速度
Figure RE-193074DEST_PATH_IMAGE019
、吊钩摆角
Figure RE-24764DEST_PATH_IMAGE020
、吊钩角速度
Figure RE-857590DEST_PATH_IMAGE021
、负载摆角
Figure RE-749323DEST_PATH_IMAGE022
、负载角速度
Figure RE-402021DEST_PATH_IMAGE023
的模糊 论域均为[-1,1],所述台车位移
Figure RE-297122DEST_PATH_IMAGE024
的量化比例因子为1/2,所述台车速度
Figure RE-718876DEST_PATH_IMAGE019
的量化比例因子 为1,所述吊钩摆角
Figure RE-781510DEST_PATH_IMAGE020
的量化比例因子为1/20,所述吊钩角速度
Figure RE-921504DEST_PATH_IMAGE021
的量化比例因子为1/5,所 述负载摆角
Figure RE-626155DEST_PATH_IMAGE022
的量化比例因子为1/20,所述负载角速度
Figure RE-902415DEST_PATH_IMAGE023
的量化比例因子为1/5。
优选的,步骤S2中动态权重
Figure RE-401530DEST_PATH_IMAGE027
Figure RE-28820DEST_PATH_IMAGE028
,其中k=1时
Figure RE-6004DEST_PATH_IMAGE029
表示第一动态权重,k =2时
Figure RE-402350DEST_PATH_IMAGE029
表示第二动态权重,k=3时表示第三动态权重,
Figure RE-72366DEST_PATH_IMAGE030
为基本值,
Figure RE-921373DEST_PATH_IMAGE031
为动态权重的动态 变量,k=1时
Figure RE-702247DEST_PATH_IMAGE031
表示第一动态权重的第一动态变量,k=2时
Figure RE-218679DEST_PATH_IMAGE031
表示第二动态权重的第二动 态变量,k=3时
Figure RE-794017DEST_PATH_IMAGE031
表示第三动态权重的第三动态变量,
Figure RE-395900DEST_PATH_IMAGE032
为动态权重的动态变量随系统动 态变化的变化幅值,k=1时
Figure RE-980465DEST_PATH_IMAGE032
表示第一动态变量随系统动态变化的第一变化幅值,k=2时
Figure RE-85824DEST_PATH_IMAGE032
表示第二动态变量随系统动态变化的第二变化幅值,k=3时
Figure RE-97642DEST_PATH_IMAGE032
表示第三动态变量随系统动 态变化的第三变化幅值,k=1时
Figure RE-655663DEST_PATH_IMAGE033
为对应第一动态权重的第一基本值,k=2时
Figure RE-43919DEST_PATH_IMAGE033
为对应第二 动态权重的第二基本值,k=3时
Figure RE-269364DEST_PATH_IMAGE033
为对应第三动态权重的第三基本值。
优选的,所述第一分组模糊控制器、第二分组模糊控制器、第三分组模糊控制器的输入变量均采用三角形隶属度函数,所述第一分组模糊控制器、第二分组模糊控制器、第三分组模糊控制器的输出变量均采用单点隶属函数。
优选的,步骤S1中从第一分组模糊控制器输出的第一模糊输出
Figure RE-452083DEST_PATH_IMAGE034
、从第二分组模 糊控制器输出的第二模糊输出
Figure RE-28558DEST_PATH_IMAGE035
、第三分组模糊控制住器输出的第三模糊输出
Figure RE-954926DEST_PATH_IMAGE036
均需要通 过公式:
Figure RE-769298DEST_PATH_IMAGE037
去模糊化,其中
Figure RE-388498DEST_PATH_IMAGE038
为模糊控制器去模糊化的精确值,
Figure RE-186690DEST_PATH_IMAGE039
为输 出隶属度函数,
Figure RE-916749DEST_PATH_IMAGE040
为输出模糊集合的元素。
优选的,所述动态变量
Figure RE-585627DEST_PATH_IMAGE041
的取值范围为[0,1]。
优选的,还包括通过鸟群算法优化器分别对
Figure RE-375729DEST_PATH_IMAGE033
Figure RE-395637DEST_PATH_IMAGE042
Figure RE-663808DEST_PATH_IMAGE043
)进行优化。
优选的,在鸟群算法优化器中,每个鸟的位置的维度为6,分别为三个子模糊控制 器
Figure RE-718351DEST_PATH_IMAGE033
Figure RE-679354DEST_PATH_IMAGE042
Figure RE-920980DEST_PATH_IMAGE044
),变量的每个维度上限设置为3,下限设置为0,进化代数为100,种群规 模为30,认知系数c 1=c 2=1.5,加速系数a 1=a 2=1,觅食周期FQ=3。
优选的,通过鸟群算法优化器优化后的
Figure RE-992841DEST_PATH_IMAGE045
的值为1.3、
Figure RE-167470DEST_PATH_IMAGE046
的值为0.7、
Figure RE-774075DEST_PATH_IMAGE047
的值为0、
Figure RE-34155DEST_PATH_IMAGE048
的值为1.8、
Figure RE-644128DEST_PATH_IMAGE049
的值为0.52、
Figure RE-407685DEST_PATH_IMAGE050
的值为0.22。
本发明中首先分别使用第一分组模糊控制器、第二分组模糊控制器、第三分组模糊控制器对台车、吊钩和负载进行分组控制,然后将三个模糊控制器的输出通过动态权重因子计算得到系统输出,可以在不知道系统具体模型的情况下对系统进行稳定控制,同时解决了对于多输入系统模糊规则设计较复杂的问题,适用性强。
附图说明
图1是本发明的原理图;
图2是本发明中的单点隶属度函数的原理图;
图3是本发明中的动态变量模糊控制器隶属度函数的原理图;
图4是本发明中的台车的第一动态变量的模糊规则表;
图5是本发明中的吊钩的第二动态变量的模糊规则表;
图6是本发明中的负载的第三动态变量的模糊规则表。
具体实施方式
以下是本发明的具体实施例并结合附图,对本发明的技术方案作进一步的描述,但本发明并不限于这些实施例。
请参阅图1-6,本实施例中的基于权重在线优化的分组模糊控制方法,包括如下步骤:
S1:设计第一分组模糊控制器、第二分组模糊控制器、第三分组模糊控制器,将台 车位移
Figure RE-444911DEST_PATH_IMAGE001
和台车速度
Figure RE-192287DEST_PATH_IMAGE002
输入第一分组模糊控制器获取第一模糊输出
Figure RE-340372DEST_PATH_IMAGE003
,将吊钩摆角
Figure RE-224014DEST_PATH_IMAGE004
和吊 钩角速度
Figure RE-697721DEST_PATH_IMAGE005
输入第二分组模糊控制器获取第二模糊输出
Figure RE-401234DEST_PATH_IMAGE006
,将负载摆角
Figure RE-353010DEST_PATH_IMAGE007
和负载角速度
Figure RE-356738DEST_PATH_IMAGE008
输入第三分组模糊控制器获取第三模糊输出
Figure RE-470188DEST_PATH_IMAGE009
S2:设计动态变量模糊控制器并通过动态变量模糊控制器分别获取第一模糊输出
Figure RE-926577DEST_PATH_IMAGE010
的第一动态权重
Figure RE-682043DEST_PATH_IMAGE011
、第二模糊输出
Figure RE-274698DEST_PATH_IMAGE012
的第二动态权重
Figure RE-90208DEST_PATH_IMAGE013
、第三模糊输出
Figure RE-33893DEST_PATH_IMAGE014
的第三动态权重
Figure RE-61892DEST_PATH_IMAGE015
S3:通过公式
Figure RE-774633DEST_PATH_IMAGE016
获取实时控制输出
Figure RE-761043DEST_PATH_IMAGE017
在求得各个子模糊控制器的解模糊化的结果后,并且知道对应输出量
Figure RE-926446DEST_PATH_IMAGE010
Figure RE-23715DEST_PATH_IMAGE012
或者
Figure RE-590962DEST_PATH_IMAGE014
的实时动态权重,根据公式
Figure RE-482695DEST_PATH_IMAGE051
得到系统的实时控制输出
Figure RE-400972DEST_PATH_IMAGE025
。如果某一子模糊控制 器输出的动态权重小,则对应的输出量在式
Figure RE-36353DEST_PATH_IMAGE051
中所占的相对比例也小,对系统 稳定控制的相对影响也小,如果动态权重大,则对应的输出量在式
Figure RE-458107DEST_PATH_IMAGE051
中所占的 相对比例也大,结果对系统的稳定控制相对影响也大。因此,分组子模糊控制规则群动态加 权模糊推理模型不仅简化了模糊控制的设计,使得模糊规则的设计变得相对简单,同时由 于动态权重值的实时性,能够很好的在各个时间段控制住系统,从而实现系统的自适应、自 调节控制。
此处,首先分别使用第一分组模糊控制器、第二分组模糊控制器、第三分组模糊控制器对台车、吊钩和负载进行分组控制,然后将三个模糊控制器的输出通过动态权重因子计算得到系统输出,可以在不知道系统具体模型的情况下对系统进行稳定控制,同时解决了对于多输入系统模糊规则设计较复杂的问题,适用性强。
台车坐标为(
Figure RE-786320DEST_PATH_IMAGE052
),吊钩坐标为(
Figure RE-926314DEST_PATH_IMAGE053
),负载坐标为(
Figure RE-365386DEST_PATH_IMAGE054
),可以得 到数学关系:
Figure RE-907226DEST_PATH_IMAGE056
,则台车、吊钩及负载速度在分量分别为
Figure RE-406340DEST_PATH_IMAGE057
Figure RE-768051DEST_PATH_IMAGE058
Figure RE-745235DEST_PATH_IMAGE059
,则各个分量的表达式为:
Figure RE-141581DEST_PATH_IMAGE061
, 其中m——台车质量(单位:kg);m 1——吊钩质量(单位:kg);m 2——载荷质量(单位:kg);x——台车位移(单位:m);l 1——小车与吊钩间的绳长(单位:m);l 2——吊钩与载荷间的绳 长(单位:m);u——台车受到的驱动力(单位:N);f r ——台车受到的摩擦力(单位:N);
Figure RE-811597DEST_PATH_IMAGE062
——吊钩摆动角度,即一级摆角(单位为:rad);
Figure RE-926183DEST_PATH_IMAGE063
——负载摆动角度,即二级摆角(单位 为:rad);g——重力加速度(单位为:N/kg)。
相对于利用牛顿力学方法进行桥式吊车系统模型分析,采用拉格朗日方程进行系统建模过程更加方便。分析力学中,在广义坐标下的拉格朗日建模法是解决具有理想约束质点系问题的常用方法。
拉格朗日方程为二阶微分方程组,其普遍形式为:
Figure RE-255794DEST_PATH_IMAGE064
, 其中
Figure RE-303384DEST_PATH_IMAGE065
——拉格朗日函数;
Figure RE-878722DEST_PATH_IMAGE066
——系统动能;
Figure RE-480605DEST_PATH_IMAGE067
——系统势能;
Figure RE-65170DEST_PATH_IMAGE068
——拉格朗日变量;
Figure RE-436109DEST_PATH_IMAGE069
——质点系的广义惯性力。
根据小车、吊钩及负载的速度获取系统动能T的,其表达式如下:
Figure RE-182348DEST_PATH_IMAGE071
,以地面为零势能 面获取系统的势能
Figure RE-5947DEST_PATH_IMAGE072
,其表达式如下:
Figure RE-394203DEST_PATH_IMAGE073
,式中
Figure RE-354069DEST_PATH_IMAGE074
为台车所在水平面距离地面的高度。
计算拉格朗日算子
Figure RE-RE-DEST_PATH_IMAGE075
,以小车的位移、吊钩和负载的摆角作为广义坐标, 得到系统的拉格朗日方程组为:
Figure RE-RE-DEST_PATH_IMAGE077
,通过分析系统动力 学方程,可以发现一般桥式吊车系统非线性、强耦合、欠驱动系统,系统对摆角没有直接作 用力,无法直接限制吊钩和负载的空间摆动。
步骤S1中在将台车位移
Figure RE-333526DEST_PATH_IMAGE018
、台车速度
Figure RE-910001DEST_PATH_IMAGE019
输入第一分组模糊控制器前、在将吊钩摆 角
Figure RE-836369DEST_PATH_IMAGE020
和吊钩角速度
Figure RE-650741DEST_PATH_IMAGE021
输入第二分组模糊控制器前、在将负载摆角
Figure RE-269941DEST_PATH_IMAGE022
和负载角速度
Figure RE-68133DEST_PATH_IMAGE023
输入第 三模糊控制器分别对台车位移
Figure RE-267033DEST_PATH_IMAGE024
、台车速度
Figure RE-467070DEST_PATH_IMAGE019
、吊钩摆角
Figure RE-257172DEST_PATH_IMAGE020
、吊钩角速度
Figure RE-11501DEST_PATH_IMAGE021
、负载摆角
Figure RE-545251DEST_PATH_IMAGE022
、负 载角速度
Figure RE-334215DEST_PATH_IMAGE023
进行量化比例因子处理。
台车位移
Figure RE-29639DEST_PATH_IMAGE024
的基本论域为[-2,2]m、台车速度
Figure RE-802423DEST_PATH_IMAGE019
的基本论域为[-1,1]m/s,所述吊 钩摆角
Figure RE-874284DEST_PATH_IMAGE020
、负载摆角
Figure RE-517755DEST_PATH_IMAGE022
的基本论域均为[-20,20],所述吊钩角速度
Figure RE-649659DEST_PATH_IMAGE021
、负载角速度
Figure RE-644160DEST_PATH_IMAGE023
的基本 论域为[-5,5],控制输出
Figure RE-519712DEST_PATH_IMAGE025
的基本论域为[
Figure RE-283268DEST_PATH_IMAGE026
]N,台车 位移
Figure RE-320495DEST_PATH_IMAGE024
、台车速度
Figure RE-67871DEST_PATH_IMAGE019
、吊钩摆角
Figure RE-18552DEST_PATH_IMAGE020
、吊钩角速度
Figure RE-902195DEST_PATH_IMAGE021
、负载摆角
Figure RE-110322DEST_PATH_IMAGE022
、负载角速度
Figure RE-813836DEST_PATH_IMAGE023
的模糊论域均 为[-1,1],所述台车位移
Figure RE-31191DEST_PATH_IMAGE024
的量化比例因子为1/2,所述台车速度
Figure RE-769340DEST_PATH_IMAGE019
的量化比例因子为1,所 述吊钩摆角
Figure RE-148368DEST_PATH_IMAGE020
的量化比例因子为1/20,所述吊钩角速度
Figure RE-604757DEST_PATH_IMAGE021
的量化比例因子为1/5,所述负载 摆角
Figure RE-360224DEST_PATH_IMAGE022
的量化比例因子为1/20,所述负载角速度
Figure RE-218458DEST_PATH_IMAGE023
的量化比例因子为1/5。
输入输出变量的论域和量化/比例因子如下表:
Figure RE-RE-DEST_PATH_IMAGE079
步骤S2中动态权重
Figure RE-299547DEST_PATH_IMAGE027
Figure RE-977653DEST_PATH_IMAGE028
,其中k=1时
Figure RE-536810DEST_PATH_IMAGE029
表示第一动态权重,k=2时
Figure RE-983972DEST_PATH_IMAGE029
表示第二动态权重,k=3时表示第三动态权重,
Figure RE-970383DEST_PATH_IMAGE030
为基本值,
Figure RE-401364DEST_PATH_IMAGE031
为动态权重的动态变量, k=1时
Figure RE-233054DEST_PATH_IMAGE031
表示第一动态权重的第一动态变量,k=2时
Figure RE-800301DEST_PATH_IMAGE031
表示第二动态权重的第二动态变 量,k=3时
Figure RE-957613DEST_PATH_IMAGE031
表示第三动态权重的第三动态变量,
Figure RE-344732DEST_PATH_IMAGE032
为动态权重的动态变量随系统动态变 化的变化幅值,k=1时
Figure RE-245692DEST_PATH_IMAGE032
表示第一动态变量随系统动态变化的第一变化幅值,k=2时
Figure RE-933025DEST_PATH_IMAGE032
表示 第二动态变量随系统动态变化的第二变化幅值,k=3时
Figure RE-995659DEST_PATH_IMAGE032
表示第三动态变量随系统动态变 化的第三变化幅值,k=1时
Figure RE-135654DEST_PATH_IMAGE033
为对应第一动态权重的第一基本值,k=2时
Figure RE-574725DEST_PATH_IMAGE033
为对应第二动态 权重的第二基本值,k=3时
Figure RE-116565DEST_PATH_IMAGE033
为对应第三动态权重的第三基本值。
Figure RE-350100DEST_PATH_IMAGE080
值是由为其构建的动 态变量模糊控制器(DVFC)得出,而
Figure RE-977391DEST_PATH_IMAGE081
Figure RE-220153DEST_PATH_IMAGE082
则是依据系统结构特性,根据优化算法得到的具体 数值。只有同时确定这三个控制量,才能最终得到该子模糊控制器的输出量,实现系统的实 时自适应控制。
第一分组模糊控制器、第二分组模糊控制器、第三分组模糊控制器的输入变量均采用三角形隶属度函数,第一分组模糊控制器、第二分组模糊控制器、第三分组模糊控制器的输出变量均采用单点隶属函数。为简化模糊规则,提高系统的实时性,三个子模糊控制器的输入变量均采用简单的三角形隶属度函数。输出变量则采用单点隶属度函数,如说明书附图2。
步骤S1中从第一分组模糊控制器输出的第一模糊输出
Figure RE-616499DEST_PATH_IMAGE034
、从第二分组模糊控制器 输出的第二模糊输出
Figure RE-286515DEST_PATH_IMAGE035
、第三分组模糊控制住器输出的第三模糊输出
Figure RE-135522DEST_PATH_IMAGE036
均需要通过公式:
Figure RE-181976DEST_PATH_IMAGE037
去模糊化,其中
Figure RE-432829DEST_PATH_IMAGE038
为模糊控制器去模糊化的精确值,
Figure RE-273746DEST_PATH_IMAGE039
为输出隶 属度函数,
Figure RE-610049DEST_PATH_IMAGE040
为输出模糊集合的元素。模糊推理后输出的模糊值,控制器不能直接输出, 需要经过去模糊化,还原出真实需要输出的数值,常用的去模糊方法为重心法,此方法的输 出比较平滑,是一种比较成熟的方法。
Figure RE-929035DEST_PATH_IMAGE083
Figure RE-294114DEST_PATH_IMAGE084
的模糊规则建立如下表:
Figure RE-305932DEST_PATH_IMAGE086
Figure RE-395111DEST_PATH_IMAGE087
Figure RE-252209DEST_PATH_IMAGE088
的模糊规则建立如下表:
Figure RE-743233DEST_PATH_IMAGE090
Figure RE-925953DEST_PATH_IMAGE091
Figure RE-236848DEST_PATH_IMAGE092
的模糊规则建立如下表:
Figure RE-897637DEST_PATH_IMAGE094
表中所示NB,ZO,PB分别代表输入值负大,零,正大。
动态变量
Figure RE-243167DEST_PATH_IMAGE041
的取值范围为[0,1] ,它的值是由为其构建的动态变量模糊控制器 (DVFC)得出。
每个子模糊控制器都包含一个独立的FRG和动态权重。在为每个子模糊控制器建立FRG之前我们必须先分析各个输入量对系统的影响(下列分析中,定义小车位置在目标位置右侧为正向,左侧为反向。力向右为正,向左为负。吊钩和重物的摆角在垂直面的右侧为正,在左侧为负)。
第一,需要考虑构成系统的三个部分的控制优先级。由于系统的欠驱动性,吊钩和重物的控制仅能通过台车的移动来控制,而台车的控制又是通过驱动力的控制来实现的,可以看出,吊钩和重物的控制难度相对于台车要大得多,所以吊钩和重物的控制优先级比较高。
第二,分析系统在外力作用下的运动状态,给静止的台车一个向右的驱动力,台车将得到一个向右的速度向右运动,同时,吊钩将顺时针摆动,其角度和角速度也会跟着变成负的,重物将逆时针运动,其角度和角速度将跟着变成正的。相反,如果给静止的台车一个方向向左的驱动力,那么台车将得到一个向左的速度向左运动,同时,吊钩逆时针摆动,其角度和角速度会变成正的,重物将顺时针运动,其角度和角速度的值将会变成负的。
第三,系统的动态运动趋势也需要分析,吊钩与小车的控制相对简单。
首先考虑小车的运动趋势,如果小车在目标位置的右侧,即位置为正,且有向右的速度,即速度为正,那么小车将快速向右运动,这时我们需要给小车一个向左的力,即负向的力;如果小车在目标位置的左侧,即位置为负,且有向左的速度,即速度为负,那么小车将快速向左运动,这时我们需要给小车一个向右的力,即正向的力;如果小车的位置和速度的方向是相反的,这是我们需要考虑它们的正负程度,具体体现在后面的动态权重值上。
其次考虑吊钩的运动趋势。如果吊钩的角度和角速度都为正,那么吊钩将迅速的逆时针运动,在这种情况下我们需加一个正向的力。如果吊钩的角度和角速度都为负,那么吊钩将迅速的顺时针运动,在这种情况下我们需加一个负向的力;如果吊钩的角度和角速度的方向是相反的,这时就需要考虑它们的正负程度,具体体现在后面的动态权重值设计上。
吊车系统是典型的多目标控制系统:定位精度要高、吊钩与重物摆角要小、运输时间要短。并且三者之间存在着矛盾:起始阶段,摆角控制与时间最优控制矛盾;减速阶段,定位控制和摆角控制矛盾。如何平衡三者之间的关系对于控制器的性能十分重要,同时为了增强实时性,尽可能采用模糊规则比较少的控制器。所以控制性能就主要由动态权重决定。系统控制将分为三个部分,重物,吊钩,和台车的控制,其结果对系统总的输出所占权重不同。为了使系统稳定,必须考虑这三部分的优先级,如前面所分析的那样,吊钩和重物相对于台车的动态权重值高,但它们的优先级次序,在一定的条件下随着系统状态的变化是不断变化的,所以这里我们需要设置动态权重值。在系统运动的过程中,这三个控制部分将进行优先排序,起动和加速过程中,吊钩或者重物的摆角会较大,它们的动态权重值将提高,如果吊钩的摆角较大,那么不管重物的摆角如何,吊钩的动态权重值都要高些;如果吊钩的角度较小的话,那么重物将获得最高的动态权重值;减速过程中,两级摆角相对起动与加速过程时要小,同时考虑到台车的快速准确定位,其动态权重值将有所提高。系统运动的过程中,这三个控制部分将进行优先排序,起动和加速过程中,吊钩或者重物的摆角会较大,它们的动态权重值将提高,如果吊钩的摆角较大,那么不管重物的摆角如何,吊钩的动态权重值都要高些;如果吊钩的角度较小的话,那么重物将获得最高的动态权重值;减速过程中,两级摆角相对起动与加速过程时要小,同时考虑到台车的快速准确定位,其动态权重值将有所提高。如果吊车和重物的摆角较大时,小车的控制将被推迟。只有两个摆角都很小,我们才可以给予台车较高的动态变量。吊钩的动态变量只由其摆角大小决定,摆角越大,其动态变量就大,相反如果吊钩摆角较小,其动态变量则小。只有当吊钩摆角很小时,我们才开始控制重物,增加其动态变量。
动态变量模糊控制器隶属度函数如说明书附图3,台车的第一动态变量的模糊规则表如说明书附图4,吊钩的第二动态变量的模糊规则如说明书附图5,负载的第三动态变量的模糊规则如说明书附图6。
作为本实施例中的基于权重在线优化的分组模糊控制方法还可以包括通过鸟群 算法优化器分别对
Figure RE-596788DEST_PATH_IMAGE033
Figure RE-129401DEST_PATH_IMAGE042
Figure RE-859459DEST_PATH_IMAGE043
)进行优化。
在鸟群算法优化器中,每个鸟的位置的维度为6,分别为三个子模糊控制器
Figure RE-59497DEST_PATH_IMAGE033
Figure RE-584019DEST_PATH_IMAGE042
Figure RE-869507DEST_PATH_IMAGE044
),变量的每个维度上限设置为3,下限设置为0,进化代数为100,种群规模为30, 认知系数c 1=c 2=1.5,加速系数a 1=a 2=1,觅食周期FQ=3。整个离线参数寻优过程为主函数BSA 进行参数初始化,然后将参数通过assignin函数传递至系统simulink模型,simulink模型 运行仿真时间T后将计算出来的适应度函数值传回主函数,主函数BSA根据适应度函数值进 行参数更新,周而复始,直至进化至最后一代。
通过鸟群算法优化器优化后的
Figure RE-137677DEST_PATH_IMAGE095
的值为1.3、
Figure RE-DEST_PATH_IMAGE096
的值为0.7、
Figure RE-RE-DEST_PATH_IMAGE097
的值为0、
Figure RE-DEST_PATH_IMAGE098
的值为 1.8、
Figure RE-RE-DEST_PATH_IMAGE099
的值为0.52、
Figure RE-DEST_PATH_IMAGE100
的值为0.22。
离线运行优化算法,TD的参数r每更新一次,鸟群算法将在计算机中计算3000次,得出与r对应的控制器可能的最优参数。在保证系统基本运输速率要求的情况下对动态权重参数进行试凑,最后人工选取综合性能(包括防摆效果和吊运效率)最好的参数作为最终控制器参数。
本发明使用三个子模糊控制器对台车、吊钩和负载进行分组控制,每个子模糊控制器的隶属度函数与模糊规则都大为简化,三个子模糊控制器的输出通过动态权重因子计算得到系统总输出,并运用模糊控制与鸟群算法相结合在线优化动态权重因子以得到系统最佳控制结果。
本发明中基于权重在线优化的分组模糊控制方法可以较好实现预期功能并尽快完成运输,提高吊运系统安全性和效率。在特殊的工业环境中,控制策略仍能保证控制性能,尽快消除外在扰动,加强控制器对调运系统稳定的支撑作用。暂态控制性能优于传统模糊控制方法,并且其结构最简单,对应的吊钩、负载摆动最小,当台车到达目标位置时几乎无残余摆动。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (7)

1.一种基于权重在线优化的分组模糊控制方法,其特征在于,包括如下步骤:
S1:设计第一分组模糊控制器、第二分组模糊控制器、第三分组模糊控制器,将台车位移
Figure 897001DEST_PATH_IMAGE001
和台车速度
Figure 943454DEST_PATH_IMAGE002
输入第一分组模糊控制器获取第一模糊输出
Figure 928728DEST_PATH_IMAGE003
,将吊钩摆角
Figure 645011DEST_PATH_IMAGE004
和吊钩角速度
Figure 981314DEST_PATH_IMAGE005
输入第二分组模糊控制器获取第二模糊输出
Figure 191978DEST_PATH_IMAGE006
,将负载摆角
Figure 235021DEST_PATH_IMAGE007
和负载角速度
Figure 246839DEST_PATH_IMAGE008
输入第三分组模糊控制器获取第三模糊输出
Figure 195072DEST_PATH_IMAGE009
S2:设计动态变量模糊控制器并通过动态变量模糊控制器分别获取第一模糊输出
Figure 317749DEST_PATH_IMAGE003
的第一动态权重
Figure 277615DEST_PATH_IMAGE010
、第二模糊输出
Figure 601280DEST_PATH_IMAGE006
的第二动态权重
Figure 912175DEST_PATH_IMAGE011
、第三模糊输出
Figure 190274DEST_PATH_IMAGE009
的第三动态权重
Figure 535804DEST_PATH_IMAGE012
S3:通过公式
Figure 623846DEST_PATH_IMAGE013
获取实时控制输出
Figure 297404DEST_PATH_IMAGE014
步骤S2中动态权重
Figure 761883DEST_PATH_IMAGE015
Figure 86554DEST_PATH_IMAGE016
,其中k=1时
Figure 611076DEST_PATH_IMAGE015
表示第一动态权重,k=2时
Figure 630985DEST_PATH_IMAGE015
表示第二动态权重,k=3时表示第三动态权重,
Figure 774522DEST_PATH_IMAGE017
为基本值,
Figure 829065DEST_PATH_IMAGE018
为动态权重的动态变量,k=1时
Figure 150587DEST_PATH_IMAGE018
表示第一动态权重的第一动态变量,k=2时
Figure 923371DEST_PATH_IMAGE018
表示第二动态权重的第二动态变量,k=3时
Figure 464074DEST_PATH_IMAGE018
表示第三动态权重的第三动态变量,
Figure 514070DEST_PATH_IMAGE019
为动态权重的动态变量随系统动态变化的变化幅值,k=1时
Figure 380395DEST_PATH_IMAGE019
表示第一动态变量随系统动态变化的第一变化幅值,k=2时
Figure 499529DEST_PATH_IMAGE019
表示第二动态变量随系统动态变化的第二变化幅值,k=3时
Figure 47185DEST_PATH_IMAGE019
表示第三动态变量随系统动态变化的第三变化幅值,k=1时
Figure 699490DEST_PATH_IMAGE017
为对应第一动态权重的第一基本值,k=2时
Figure 2295DEST_PATH_IMAGE017
为对应第二动态权重的第二基本值,k=3时
Figure 218513DEST_PATH_IMAGE017
为对应第三动态权重的第三基本值;
所述第一分组模糊控制器、第二分组模糊控制器、第三分组模糊控制器的输入变量均采用三角形隶属度函数,所述第一分组模糊控制器、第二分组模糊控制器、第三分组模糊控制器的输出变量均采用单点隶属函数;
步骤S1中从第一分组模糊控制器输出的第一模糊输出
Figure 507543DEST_PATH_IMAGE020
、从第二分组模糊控制器输出的第二模糊输出
Figure 125606DEST_PATH_IMAGE021
、第三分组模糊控制住器输出的第三模糊输出
Figure 723947DEST_PATH_IMAGE022
均需要通过公式:
Figure 427460DEST_PATH_IMAGE023
去模糊化,其中
Figure 379236DEST_PATH_IMAGE024
为模糊控制器去模糊化的精确值,
Figure 258330DEST_PATH_IMAGE025
为输出隶属度函数,
Figure 637359DEST_PATH_IMAGE026
为输出模糊集合的元素。
2.如权利要求1所述的一种基于权重在线优化的分组模糊控制方法,其特征在于:步骤S1中在将台车位移
Figure 719847DEST_PATH_IMAGE027
、台车速度
Figure 209734DEST_PATH_IMAGE002
输入第一分组模糊控制器前、在将吊钩摆角
Figure 802389DEST_PATH_IMAGE028
和吊钩角速度
Figure 493265DEST_PATH_IMAGE030
输入第二分组模糊控制器前、在将负载摆角
Figure 436950DEST_PATH_IMAGE031
和负载角速度
Figure 855162DEST_PATH_IMAGE033
输入第三模糊控制器分别对台车位移
Figure 302324DEST_PATH_IMAGE034
、台车速度
Figure 23155DEST_PATH_IMAGE002
、吊钩摆角
Figure 329503DEST_PATH_IMAGE028
、吊钩角速度
Figure 426772DEST_PATH_IMAGE030
、负载摆角
Figure 888627DEST_PATH_IMAGE031
、负载角速度
Figure 514780DEST_PATH_IMAGE035
进行量化比例因子处理。
3.如权利要求2所述的一种基于权重在线优化的分组模糊控制方法,其特征在于:所述台车位移
Figure 308424DEST_PATH_IMAGE036
的基本论域为[-2,2]m、台车速度
Figure 943805DEST_PATH_IMAGE002
的基本论域为[-1,1]m/s,所述吊钩摆角
Figure 365559DEST_PATH_IMAGE028
、负载摆角
Figure 552826DEST_PATH_IMAGE031
的基本论域均为[-20,20],所述吊钩角速度
Figure 692821DEST_PATH_IMAGE037
、负载角速度
Figure 272838DEST_PATH_IMAGE033
的基本论域为[-5,5],控制输出
Figure 549098DEST_PATH_IMAGE014
的基本论域为[
Figure 48213DEST_PATH_IMAGE038
]N,台车位移
Figure 36022DEST_PATH_IMAGE039
、台车速度
Figure 13206DEST_PATH_IMAGE002
、吊钩摆角
Figure 409552DEST_PATH_IMAGE028
、吊钩角速度
Figure 689355DEST_PATH_IMAGE030
、负载摆角
Figure 803941DEST_PATH_IMAGE031
、负载角速度
Figure 319236DEST_PATH_IMAGE040
的模糊论域均为[-1,1],所述台车位移
Figure 694723DEST_PATH_IMAGE039
的量化比例因子为1/2,所述台车速度
Figure 535640DEST_PATH_IMAGE002
的量化比例因子为1,所述吊钩摆角
Figure 871943DEST_PATH_IMAGE028
的量化比例因子为1/20,所述吊钩角速度
Figure 66295DEST_PATH_IMAGE041
的量化比例因子为1/5,所述负载摆角
Figure 437234DEST_PATH_IMAGE031
的量化比例因子为1/20,所述负载角速度
Figure 183473DEST_PATH_IMAGE042
的量化比例因子为1/5。
4.如权利要求1所述的一种基于权重在线优化的分组模糊控制方法,其特征在于:所述动态变量
Figure 630241DEST_PATH_IMAGE018
的取值范围为[0,1]。
5.如权利要求4所述的一种基于权重在线优化的分组模糊控制方法,其特征在于:还包括通过鸟群算法优化器分别对
Figure 752918DEST_PATH_IMAGE017
Figure 853729DEST_PATH_IMAGE019
Figure 770870DEST_PATH_IMAGE043
,进行优化。
6.如权利要求5所述的一种基于权重在线优化的分组模糊控制方法,其特征在于:在鸟群算法优化器中,每个鸟的位置的维度为6,分别为三个子模糊控制器
Figure 347345DEST_PATH_IMAGE017
Figure 132767DEST_PATH_IMAGE019
Figure 947139DEST_PATH_IMAGE043
,变量的每个维度上限设置为3,下限设置为0,进化代数为100,种群规模为30,认知系数c 1=c 2=1.5,加速系数a 1=a 2=1,觅食周期FQ=3。
7.如权利要求6所述的一种基于权重在线优化的分组模糊控制方法,其特征在于:通过鸟群算法优化器优化后的
Figure 566339DEST_PATH_IMAGE044
的值为1.3、
Figure 239897DEST_PATH_IMAGE045
的值为0.7、
Figure DEST_PATH_IMAGE046
的值为0、
Figure 861634DEST_PATH_IMAGE047
的值为1.8、
Figure DEST_PATH_IMAGE048
的值为0.52、
Figure DEST_PATH_IMAGE049
的值为0.22。
CN201911353307.9A 2019-12-25 2019-12-25 一种基于权重在线优化的分组模糊控制方法 Active CN110989361B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911353307.9A CN110989361B (zh) 2019-12-25 2019-12-25 一种基于权重在线优化的分组模糊控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911353307.9A CN110989361B (zh) 2019-12-25 2019-12-25 一种基于权重在线优化的分组模糊控制方法

Publications (2)

Publication Number Publication Date
CN110989361A CN110989361A (zh) 2020-04-10
CN110989361B true CN110989361B (zh) 2022-04-12

Family

ID=70075142

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911353307.9A Active CN110989361B (zh) 2019-12-25 2019-12-25 一种基于权重在线优化的分组模糊控制方法

Country Status (1)

Country Link
CN (1) CN110989361B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113485274B (zh) * 2021-07-28 2022-07-29 燕山大学 面向工艺过程的数据感知与动态优先级传输联合调度方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103984229A (zh) * 2014-05-04 2014-08-13 新乡市起重机厂有限公司 一种塔式起重机起升机构调速系统的神经网络控制方法
CN105000476A (zh) * 2015-05-15 2015-10-28 重庆大学 一种基于模糊决策推理的无人吊车空间避碰策略
CN105329777A (zh) * 2015-12-03 2016-02-17 山东大学 带有持续扰动的可升降桥式吊车系统的模糊控制方法
CN106570562A (zh) * 2016-11-14 2017-04-19 南京邮电大学 一种基于自适应de算法的桥式吊车模糊建模方法
CN106959610A (zh) * 2017-04-05 2017-07-18 山东大学 桥式吊车系统apd‑smc控制器、桥式吊车系统及控制方法
CN107487717A (zh) * 2017-07-31 2017-12-19 武汉理工大学 基于模糊pid控制的起重机智能防摇控制系统及方法
CN108545610A (zh) * 2018-07-05 2018-09-18 武汉科技大学 一种基于自抗扰技术的欠驱动桥式吊车双摆防摆控制方法
CN108594654A (zh) * 2018-03-21 2018-09-28 南京邮电大学 一种基于二型模糊滑模的桥式吊车防摆控制方法
CN108828959A (zh) * 2018-08-30 2018-11-16 太原科技大学 一种新型的桥式起重机防摆与定位控制方法与装置
CN109976150A (zh) * 2018-11-28 2019-07-05 中南大学 一类欠驱动多输入多输出系统集中式自抗扰控制方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103984229A (zh) * 2014-05-04 2014-08-13 新乡市起重机厂有限公司 一种塔式起重机起升机构调速系统的神经网络控制方法
CN105000476A (zh) * 2015-05-15 2015-10-28 重庆大学 一种基于模糊决策推理的无人吊车空间避碰策略
CN105329777A (zh) * 2015-12-03 2016-02-17 山东大学 带有持续扰动的可升降桥式吊车系统的模糊控制方法
CN106570562A (zh) * 2016-11-14 2017-04-19 南京邮电大学 一种基于自适应de算法的桥式吊车模糊建模方法
CN106959610A (zh) * 2017-04-05 2017-07-18 山东大学 桥式吊车系统apd‑smc控制器、桥式吊车系统及控制方法
CN107487717A (zh) * 2017-07-31 2017-12-19 武汉理工大学 基于模糊pid控制的起重机智能防摇控制系统及方法
CN108594654A (zh) * 2018-03-21 2018-09-28 南京邮电大学 一种基于二型模糊滑模的桥式吊车防摆控制方法
CN108545610A (zh) * 2018-07-05 2018-09-18 武汉科技大学 一种基于自抗扰技术的欠驱动桥式吊车双摆防摆控制方法
CN108828959A (zh) * 2018-08-30 2018-11-16 太原科技大学 一种新型的桥式起重机防摆与定位控制方法与装置
CN109976150A (zh) * 2018-11-28 2019-07-05 中南大学 一类欠驱动多输入多输出系统集中式自抗扰控制方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Lateral Path Tracking Control of Autonomous Land Vehicle Based on ADRC and Differential Flatness;Yuanqing Xia等;《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》;20160531;第63卷(第5期);第3091-3099页 *
基于动态滑模结构的桥式吊车防摇定位控制器设计;谭莹莹等;《控制工程》;20130531;第20卷;第117-121页 *
基于鸟群算法优化的桥式吊车线性自抗扰控制;唐超等;《高技术通讯》;20190415;第29卷(第4期);第371-378页 *

Also Published As

Publication number Publication date
CN110989361A (zh) 2020-04-10

Similar Documents

Publication Publication Date Title
Sun et al. Nonlinear motion control of complicated dual rotary crane systems without velocity feedback: Design, analysis, and hardware experiments
CN105329777B (zh) 带有持续扰动的可升降桥式吊车系统的模糊控制方法
CN110407094B (zh) 一种基于动态平滑轨迹的桥式起重机定位防摆控制方法
CN110228754B (zh) 一种自适应速度规划的工业吊车控制方法及系统
CN112147887B (zh) 一种基于模糊滑模控制的桥式起重机定位消摆方法
CN105174061B (zh) 基于伪谱法的双摆吊车全局时间最优轨迹规划方法
CN104192713A (zh) 基于微分平坦与b样条的时间最优桥式吊车轨迹规划方法
CN110407095B (zh) 一种基于在线轨迹规划的桥式起重机定位消摆控制方法
Antic et al. Anti-swing fuzzy controller applied in a 3D crane system
CN110342400B (zh) 一种基于负载能量耦合的桥式起重机定位消摆控制方法
CN113955637B (zh) 一种三维双摆桥式吊车的防摆控制方法及控制系统
CN113848905B (zh) 基于神经网络和自适应控制的移动机器人轨迹跟踪方法
CN109911773A (zh) 一种单参数调整的欠驱动吊车作业全过程自抗扰控制方法
Zhang et al. A time optimal trajectory planning method for double-pendulum crane systems with obstacle avoidance
Zidani et al. Backstepping controller for a wheeled mobile robot
CN110589684A (zh) 起重机防摇摆驱动控制方法
CN117720012B (zh) 基于扩展卡尔曼滤波的吊车系统模型预测控制方法及系统
CN110989361B (zh) 一种基于权重在线优化的分组模糊控制方法
Hunaini et al. Optimization of automatic steering control on a vehiclewith a steer-by-wire system using particle swarm optimization
Qian et al. Finite-time neural network-based hierarchical sliding mode antiswing control for underactuated dual ship-mounted cranes with unmatched sea wave disturbances suppression
CN113942934B (zh) 基于速度控制的集装箱桥式起重机精准定位及防摇控制方法
Sun et al. Designing and application of fuzzy PID control for overhead crane systems
Tong et al. Research on accurate motion control of cable crane based on variable structure sliding mode
CN114084800A (zh) 一种双摆桥式吊车自适应模糊控制方法及系统
CN114594683A (zh) 基于Hurwitz稳定的动基座桥式起重机防摆滑模控制方法

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
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20200410

Assignee: Wuhan Sidi Shangen Technology Co., Ltd

Assignor: WUHAN University OF SCIENCE AND TECHNOLOGY

Contract record no.: X2020420000005

Denomination of invention: A grouping fuzzy control method based on online weight optimization

License type: Common License

Record date: 20201021

GR01 Patent grant
GR01 Patent grant