CN111271300A - 基于神经网络的挖泥船泥泵转速在线辨识控制方法及系统 - Google Patents

基于神经网络的挖泥船泥泵转速在线辨识控制方法及系统 Download PDF

Info

Publication number
CN111271300A
CN111271300A CN202010237197.6A CN202010237197A CN111271300A CN 111271300 A CN111271300 A CN 111271300A CN 202010237197 A CN202010237197 A CN 202010237197A CN 111271300 A CN111271300 A CN 111271300A
Authority
CN
China
Prior art keywords
neural network
input
rotating speed
control
dredge pump
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.)
Granted
Application number
CN202010237197.6A
Other languages
English (en)
Other versions
CN111271300B (zh
Inventor
李铭志
何炎平
谷孝利
赵永生
刘亚东
黄超
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.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN202010237197.6A priority Critical patent/CN111271300B/zh
Publication of CN111271300A publication Critical patent/CN111271300A/zh
Application granted granted Critical
Publication of CN111271300B publication Critical patent/CN111271300B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04D—NON-POSITIVE-DISPLACEMENT PUMPS
    • F04D15/00—Control, e.g. regulation, of pumps, pumping installations or systems
    • F04D15/0066—Control, e.g. regulation, of pumps, pumping installations or systems by changing the speed, e.g. of the driving engine
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2270/00—Control
    • F05D2270/30—Control parameters, e.g. input parameters
    • F05D2270/304—Spool rotational speed
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2270/00—Control
    • F05D2270/70—Type of control algorithm
    • F05D2270/709—Type of control algorithm with neural networks
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2270/00—Control
    • F05D2270/70—Type of control algorithm
    • F05D2270/71—Type of control algorithm synthesized, i.e. parameter computed by a mathematical model

Abstract

一种基于权值直接确定神经网络的挖泥船泥泵转速在线辨识控制方法，首先采用光电编码器检测泥泵实际转速，并记录对应的泥泵驱动变频器输入目标转速；然后建立前向神经网络控制器，分别将检测到的若干步泥泵实际转速和对应的输入目标转速作为神经网络的输入和输出数据，通过权值直接确定方法计算确定神经网络权值；最后根据实际工况下的目标转速，通过训练后的前向神经网络控制器确定需要的泥泵转速控制量，并转化为转速控制指令发送至驱动变频器，实现在线控制；本发明解决了绞吸挖泥船泥泵转速的精确控制难题，实现了精确施工、节能输送的目标。

Description

基于神经网络的挖泥船泥泵转速在线辨识控制方法及系统
技术领域
本发明涉及的是一种人工智能应用领域的技术，具体是一种基于神经网络的挖泥船泥泵转速在线辨识控制方法及系统。
背景技术
离线辨识显然无法应对不确定性系统，系统特性在随时间变化而变化的系统。尤其是挖泥船疏浚系统，随着挖掘深度或广度的变化，土质特性会随之变化，管道阻力特性也因此变化，泥泵特性也受到影响，因此，之前离线辨识的模型早已和实际生产模型失配。
发明内容
本发明针对现有神经网络系统收敛速度慢、离线辨识无法应对不确定性系统等缺陷，提出一种基于神经网络的挖泥船泥泵转速在线辨识控制方法及系统，解决了绞吸挖泥船泥泵转速的精确控制难题，实现了精确施工、节能输送的目标。
本发明是通过以下技术方案实现的：
本发明采用一种基于权值直接确定神经网络的挖泥船泥泵转速在线辨识控制方法，首先采用光电编码器检测泥泵实际转速，并记录对应的泥泵驱动变频器输入目标转速；然后建立前向神经网络控制器，分别将检测到的若干步泥泵实际转速和对应的输入目标转速作为神经网络的输入和输出数据，通过权值直接确定方法计算确定神经网络权值；最后根据实际工况下的目标转速，通过训练后的前向神经网络控制器确定需要的泥泵转速控制量，并转化为转速控制指令发送至驱动变频器，实现在线控制。
所述的前向神经网络控制器包括输入层、隐含层和输出层，其中：输入层有2Nm-1个神经元，分别对应从t-Nm+1到t-1时刻的输入量u、从t-Nm+1到t-1时刻的输出量y及t时刻的目标输出量y；输出层一个神经元，对应t时刻的控制输入量u；隐含层包括(Na+1)(Nm-1)+(Nb+1)Nm个神经元。其中输入量u为泥泵转速控制量，输出量y为泥泵实际转速，Nm代表系统的控制区间；Na代表控制输入函数a(u)的泰勒展开式项数；Nb代表目标输出函数b(y)的泰勒展开式项数。
所述的输入层和输出层都采用线性恒等激励函数，隐含层对应每一个输入层神经单元的神经单元激励函数采用一组阶次逐渐增高的幂函数
Figure BDA0002431394110000011
j＝0,1,…,n/m(对应输入量u的j最大取到Na，对应输出量y的j最大取到Nb)。
为了实现一步权值确定，整个网络中所有神经元的阈值全部取0。
所述的权值直接确定方法，具体包括:
1)建立误差评价函数：
Figure BDA0002431394110000021
式中，
Figure BDA0002431394110000022
为i时刻的目标值，n＝(Na+1)，m＝(Nb+1)其向量形式为：minJ＝||Y-XW||2，其中：
Y＝[u(t-1) u(t-2) … u(t-Nn)]′，
Figure BDA0002431394110000023
Figure BDA0002431394110000024
Figure BDA0002431394110000025
X＝[Xu Xy]，
Figure BDA0002431394110000026
Figure BDA0002431394110000027
其中：wj为神经网络权值。
2)伪逆矩阵求权值：要使得评价函数(误差)为0，根据上式可知，需满足：Y＝XW。采用伪逆矩阵理论，可得权值：W＝(X′X)-1X′Y。
3)计算控制输入值：基于前两步计算给出的神经网络权值，以及给定的参考输入y(t)，即可计算得到需要的控制输入u(t)，即：u(t)＝XcW，其中：Xc＝[Xcu Xcy]，
Figure BDA0002431394110000028
Figure BDA0002431394110000029
其中：t为计算控制时刻。
本发明涉及一种实现上述方法的系统，包括：与泥泵变频器相连并采集泥泵驱动电机转速信号的信号采集单元和与挖泥操纵台泥泵控制器相连并发出泥泵转速控制命令的智能控制单元。
技术效果
与现有技术相比，本发明能够实现非线性不确定系统在线辨识控制功能，给出了完整的分析过程及相应的计算公式；本发明解决了传统神经网络优化速度慢，无法实现在线辨识的难题，解决了绞吸挖泥船疏浚设备特性随施工进展变化导致离线辨识模型和实际生产模型失配的问题，给出了完整的在线辨识控制方法，开发了适用于挖泥船疏浚设备控制的非线性不确定系统在线辨识控制器；控制器计算速度在毫秒级，能够达到挖泥船疏浚控制系统在线辨识控制的快速性要求；控制器控制误差小于10-4，能够达到挖泥船疏浚控制系统的精确性要求。
附图说明
图1本发明中控制器前向神经网络结构；
图2本发明中控制器系统框架；
图3为实施例效果示意图。
具体实施方式
本实施例采用Matlab模拟泥泵物理模型，并自定义一个需要的转速目标。
本实施例涉及一种基于神经网络的疏浚设备在线辨识控制方法，具体包括以下步骤：
步骤1，给出辨识点数Nn和多项式数Nm和泰勒展开式项数Na、Nb
本实施例中是以仿真对象模型表达式：
Figure BDA0002431394110000031
目标函数：yi＝0.25sin[π(i-1)/180]为例，赋值Nn＝Na＝Nb＝2，Nm＝3；
步骤2：给出前Nm+1个控制时间点上的输入值和对应的输出值，本例按照期望输出值的1.9702倍赋值初始输入值，赋值如下表1所示。
表1，初始值
仿真序号 控制输入(u) 输出值(y) 期望值(y’)
t<sub>1</sub> -0.00859618279068399 -0.00436310160932088 -0.00436310160932088
t <sub>2</sub> 0 0.00392671669683519 0
t <sub>3</sub> 0.00859618279068399 0.00506205971110710 0.00436310160932088
步骤3：计算t4时刻的控制输入u4，具体步骤包括：
步骤3.1：利用t1～t3时刻的控制输入u1～u3及输出值y1～y3辨识被控制系统，确定权值W。输入输出函数均按照2阶泰勒级数展开，输入矩阵为：
Figure BDA0002431394110000032
Figure BDA0002431394110000033
W＝|0.000241 0.191595 0.000241 0.523197 0.000241 0.636579|
步骤3.2：利用t4时刻的期望输出值y4及权值W，计算控制输入u4，本实施例中u4＝0.0171897471008169；
步骤4：按照步骤3逐步外推后续控制时间节点的预测控制量；
步骤5：至此，本实施例计算得到了每一步的实际控制量u，每一步耗时大约0.001s，第4步以后最大误差1.06×10-6。
本实施例中计算速度和控制精度均能达到挖泥船疏浚设备控制快速性和精确性要求。该结果清楚的表明了本控制器出色的控制性能。
如图3所示，根据仿真结果，实际速度输出和控制目标曲线完全重合。
经过具体实际实验，在Matlab模拟环境下，以辨识点数Nn和多项式数Nm分别取3和2运行上述方法，能够得到的实验数据是：第4步以后误差小于1.06×10-6，每一步耗时大约0.001s。与现有技术相比，采用本方法从原来需要以天计时的神经网络线下辨识控制对象模型提升到辨识速度0.001s以内，控制精确度从过去的10-1提升到10-6。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。

Claims (5)

1.一种基于权值直接确定神经网络的挖泥船泥泵转速在线辨识控制方法，其特征在于，首先采用光电编码器检测泥泵实际转速，并记录对应的泥泵驱动变频器输入目标转速；然后建立前向神经网络控制器，分别将检测到的若干步泥泵实际转速和对应的输入目标转速作为神经网络的输入和输出数据，通过权值直接确定方法计算确定神经网络权值；最后根据实际工况下的目标转速，通过训练后的前向神经网络控制器确定需要的泥泵转速控制量，并转化为转速控制指令发送至驱动变频器，实现在线控制；
所述的前向神经网络控制器包括输入层、隐含层和输出层，其中：输入层有2Nm-1个神经元，分别对应从t-Nm+1到t-1时刻的输入量u、从t-Nm+1到t-1时刻的输出量y及t时刻的目标输出量y；输出层一个神经元，对应t时刻的控制输入量u；隐含层包括(Na+1)(Nm-1)+(Nb+1)Nm个神经元，其中Nm代表系统的控制区间；Na代表输入函数a(u)的泰勒展开式项数；Nb代表输出函数b(y)的泰勒展开式项数。
2.根据权利要求1所述的在线辨识控制方法，其特征是，所述的输入层和输出层都采用线性恒等激励函数，隐含层对应每一个输入层神经单元的神经单元激励函数采用一组阶次逐渐增高的幂函数
Figure FDA0002431394100000011
对应输入量u的j取n，对应输出量y的j取m。
3.根据权利要求2所述的在线辨识控制方法，其特征是，为了实现一步权值确定，整个网络中所有神经元的阈值全部取0。
4.根据权利要求1所述的在线辨识控制方法，其特征是，所述的权值直接确定方法，具体包括:
1)建立误差评价函数：
Figure FDA0002431394100000012
其向量形式为：minJ＝||Y-XW||2，其中：Y＝[u(t-1) u(t-2)…u(t-Nn)]′，
Figure FDA0002431394100000013
Figure FDA0002431394100000014
Figure FDA0002431394100000015
X＝[Xu Xy]，
Figure FDA0002431394100000021
Figure FDA0002431394100000022
其中：wj为神经网络权值；
2)伪逆矩阵求权值：要使得评价函数为0，根据上式可知，需满足：Y＝XW，采用伪逆矩阵理论，可得权值：W＝(X′X)-1X′Y；
3)计算控制输入值：基于前两步计算给出的神经网络权值，以及给定的参考输入y(t)，即可计算得到需要的控制输入u(t)，即：u(t)＝XcW，其中：Xc＝[Xcu Xcy]，
Figure FDA0002431394100000023
Figure FDA0002431394100000024
其中：t为计算控制时刻。
5.一种实现上述任一权利要求所述方法的系统，其特征在于，包括：与泥泵变频器相连并采集泥泵驱动电机转速信号的信号采集单元和与挖泥操纵台泥泵控制器相连并发出泥泵转速控制命令的智能控制单元。
CN202010237197.6A 2020-03-30 2020-03-30 基于神经网络的挖泥船泥泵转速在线辨识控制方法及系统 Active CN111271300B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010237197.6A CN111271300B (zh) 2020-03-30 2020-03-30 基于神经网络的挖泥船泥泵转速在线辨识控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010237197.6A CN111271300B (zh) 2020-03-30 2020-03-30 基于神经网络的挖泥船泥泵转速在线辨识控制方法及系统

Publications (2)

Publication Number Publication Date
CN111271300A true CN111271300A (zh) 2020-06-12
CN111271300B CN111271300B (zh) 2021-08-06

Family

ID=70996157

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010237197.6A Active CN111271300B (zh) 2020-03-30 2020-03-30 基于神经网络的挖泥船泥泵转速在线辨识控制方法及系统

Country Status (1)

Country Link
CN (1) CN111271300B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000009048A (ja) * 1998-06-23 2000-01-11 Shinryo Corp 音響法による空調用フアン及びポンプの異常機器識別方法
CN103557037A (zh) * 2013-10-31 2014-02-05 河南城建学院 一种基于自适应逆控制的汽轮机转速控制方法
CN104793490A (zh) * 2015-04-03 2015-07-22 上海交通大学 动态前馈补偿的改进广义预测自适应控制方法及其应用
CN106208878A (zh) * 2016-07-18 2016-12-07 上海交通大学 一种永磁同步电机参数在线识别方法及系统
CN106836341A (zh) * 2017-02-23 2017-06-13 中交烟台环保疏浚有限公司 智能绞吸式挖泥船的控制系统与控制方法
CN110209054A (zh) * 2019-06-11 2019-09-06 大连海事大学 基于rbf神经网络的无人船艇航向自抗扰控制系统
CN110490024A (zh) * 2018-04-09 2019-11-22 西南石油大学 一种泥浆泵故障诊断方法及其装置
CN110826790A (zh) * 2019-10-31 2020-02-21 天津大学 一种绞吸式挖泥船施工生产率智能预测方法
CN110847272A (zh) * 2019-11-21 2020-02-28 中交疏浚技术装备国家工程研究中心有限公司 一种绞吸挖泥船智能疏浚控制方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000009048A (ja) * 1998-06-23 2000-01-11 Shinryo Corp 音響法による空調用フアン及びポンプの異常機器識別方法
CN103557037A (zh) * 2013-10-31 2014-02-05 河南城建学院 一种基于自适应逆控制的汽轮机转速控制方法
CN104793490A (zh) * 2015-04-03 2015-07-22 上海交通大学 动态前馈补偿的改进广义预测自适应控制方法及其应用
CN106208878A (zh) * 2016-07-18 2016-12-07 上海交通大学 一种永磁同步电机参数在线识别方法及系统
CN106836341A (zh) * 2017-02-23 2017-06-13 中交烟台环保疏浚有限公司 智能绞吸式挖泥船的控制系统与控制方法
CN110490024A (zh) * 2018-04-09 2019-11-22 西南石油大学 一种泥浆泵故障诊断方法及其装置
CN110209054A (zh) * 2019-06-11 2019-09-06 大连海事大学 基于rbf神经网络的无人船艇航向自抗扰控制系统
CN110826790A (zh) * 2019-10-31 2020-02-21 天津大学 一种绞吸式挖泥船施工生产率智能预测方法
CN110847272A (zh) * 2019-11-21 2020-02-28 中交疏浚技术装备国家工程研究中心有限公司 一种绞吸挖泥船智能疏浚控制方法

Also Published As

Publication number Publication date
CN111271300B (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
CN110110419B (zh) 一种基于多目标学习的tbm掘进参数预测方法
CN111474965B (zh) 基于模糊神经网络的串联输水渠道水位预测与控制方法
CN108284442B (zh) 一种基于模糊神经网络的机械臂柔性关节控制方法
CN111045326B (zh) 一种基于递归神经网络的烘丝过程水分预测控制方法及系统
CN108520155B (zh) 基于神经网络的车辆行为模拟方法
CN109670580A (zh) 一种基于时间序列的数据修复方法
CN111176115B (zh) 基于模糊神经网络和仿人智能控制的阀位控制方法
CN109884887B (zh) 一种基于自校正小波神经网络的连续回转马达控制方法
CN108595803B (zh) 基于递归神经网络的页岩气井生产压力预测方法
CN106877746A (zh) 速度控制方法和速度控制装置
CN110594317B (zh) 一种基于双离合器式自动变速器的起步控制策略
CN111985725A (zh) 一种基于改进bp神经网络的离心泵性能参数预测方法
CN108763718A (zh) 绕流物体和工况改变时流场特征量的快速预测方法
CN111812968A (zh) 基于模糊神经网络pid控制器的阀位串级控制方法
CN105469142A (zh) 一种基于样本增量驱动的神经网络增量型前馈算法
CN108710964A (zh) 一种模糊时间序列水产养殖水质环境数据的预测方法
CN112650053A (zh) 一种基于遗传算法优化的bp神经网络的电机pid自整定方法
CN111271300B (zh) 基于神经网络的挖泥船泥泵转速在线辨识控制方法及系统
CN110393954B (zh) 一种基于强化学习的浓密机在线控制方法
CN110084324B (zh) 基于极限学习机的卡尔曼滤波参数自适应更新方法
CN110794676A (zh) 基于Hammerstein-Wiener模型的CSTR过程非线性控制方法
CN108197809B (zh) 基于维度最优转换的权值共享深度网络的实时调度方法
CN108446506B (zh) 一种基于区间反馈神经网络的不确定系统建模方法
CN108155836B (zh) 基于全局在线启发式动态规划永磁同步电机矢量控制方法
CN112419204B (zh) 一种基于改进回声状态网络的行车智能控制方法

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