CN111538232B - 基于自适应神经模糊控制的无人行车防摇定位方法及系统 - Google Patents

基于自适应神经模糊控制的无人行车防摇定位方法及系统 Download PDF

Info

Publication number
CN111538232B
CN111538232B CN202010305556.7A CN202010305556A CN111538232B CN 111538232 B CN111538232 B CN 111538232B CN 202010305556 A CN202010305556 A CN 202010305556A CN 111538232 B CN111538232 B CN 111538232B
Authority
CN
China
Prior art keywords
fuzzy
module
input
self
rule
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
CN202010305556.7A
Other languages
English (en)
Other versions
CN111538232A (zh
Inventor
牛丹
陈有成
李奇
陈夕松
李世华
刘进波
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.)
Nanjing Keyuan Intelligent Technology Group Co ltd
Nanjing Wenwang Automation Co ltd
Southeast University
Original Assignee
Nanjing Keyuan Intelligent Technology Group Co ltd
Nanjing Wenwang Automation Co ltd
Southeast 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 Nanjing Keyuan Intelligent Technology Group Co ltd, Nanjing Wenwang Automation Co ltd, Southeast University filed Critical Nanjing Keyuan Intelligent Technology Group Co ltd
Priority to CN202010305556.7A priority Critical patent/CN111538232B/zh
Publication of CN111538232A publication Critical patent/CN111538232A/zh
Application granted granted Critical
Publication of CN111538232B publication Critical patent/CN111538232B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66C—CRANES; LOAD-ENGAGING ELEMENTS OR DEVICES FOR CRANES, CAPSTANS, WINCHES, OR TACKLES
    • B66C13/00—Other constructional features or details
    • B66C13/18—Control systems or devices
    • 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
    • G05B13/029—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 expert systems
    • 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
    • G05B13/0295—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 fuzzy logic and expert systems
    • 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)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Mechanical Engineering (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提出一种基于自适应神经模糊控制的无人行车防摇定位方法及系统，所述方法基于多层前向神经网络和一阶Sugeno模糊模型，通过自适应建模建立起模糊推理系统，利用神经网络技术通过对大量已知数据的学习，实现无人行车的快速防摇和精确定位。本发明利用神经网络的自学习能力建立起模糊推理系统，根据最优控制算法产生的数据集调整隶属度函数和自动产生模糊规则，克服了模糊系统隶属度函数确定的随意性和模糊规则提取难的问题。在绳长小范围变化情况下，本发明所提基于自适应神经模糊控制的无人行车防摇定位方法及系统具有鲁棒性好、算法简单和防摇定位精度高等特点。

Description

基于自适应神经模糊控制的无人行车防摇定位方法及系统
技术领域
本发明属于无人行车防摇定位控制领域，具体涉及一种基于自适应神经模糊控制的无人行车防摇定位方法及系统。
背景技术
桥式吊车在吊运过程中负载会不可避免地产生摇摆，研究消除桥式吊车吊运时负载产生的摇摆并实现精确定位，对提高工业现场的作业效率、搬运精度和工业控制自动化具有重要的意义。目前传统防摇技术受机械设备造价昂贵、人工操作不稳定和定位效果差等因素影响已不能满足日常工业需求，因此装备有防摇定位系统的无人行车在工业现场得到推广。输入整形、PID控制和滑模控制等算法已成功应用于无人行车防摇定位领域。输入整形是一种典型的开环控制方法，这种方法将系统的动力学方程在平衡点处进行线性化处理，可以保证系统无残余摆动，然而其性能却严重依赖于模型的精确程度，当模型参数发生变化时，系统在出现较大超调量，控制效果不理想。PID控制和滑模控制等算法需要全状态反馈，当系统状态偏离平衡点时会出现振荡且响应速度变慢，系统的控制效果会受到很大的影响。
随着人工智能的发展，模糊控制和神经网络逐步应用于无人行车领域。模糊控制是一种仿人思维的控制技术，其不依赖于被控过程的数学模型。但是模糊控制需要利用专家的先验知识进行近似推理，缺乏在线自学习或自调整的能力，难以确定模糊系统隶属函数和模糊规则。神经网络对环境的变化有极强的自学习能力，在建模方面具有黑箱学习模式的特点。然而在学习完成后，从输入、输出数据得出的关系过于复杂，难以在工业现场应用。
发明内容
发明目的：为了克服现有技术的缺陷和不足，本发明提出一种基于自适应神经模糊控制的无人行车防摇定位方法及系统，在绳长小范围变化情况下可以达到较高的防摇定位精度，算法简单且鲁棒性强，满足工业需求。
技术方案：为了达到以上目的，本发明采用以下的技术方案：
第一方面，提出一种基于自适应神经模糊控制的无人行车防摇定位方法，包括以下步骤：
(1)将小车实时位置信号x与设定小车目标位置信号做比较，差值作为控制器的输入信号1，将负载实时摆角信号θ作为控制器的输入信号2，根据性能指标求得不同绳长下的最优控制向量矩阵，选取不同工况下的输入输出数据组成训练样本数据；
(2)将输入变量x和θ转化为模糊量，两路输入分属至不同的模糊集合；
(3)将不同模糊集合对应的隶属函数进行拟合产生激励函数，对激励函数的输出值进行归一化处理得到激励函数收敛值；
(4)根据步骤3激励函数收敛值完成模糊规则前件，不同节点的模糊输出值对应不同的一阶Sugeno模糊推理规则，基于训练样本数据分别用最小二乘法和反向传播算法调整模糊推理规则参数和隶属度函数参数，完成模糊规则后件，得到自适应神经模糊系统；
(5)获取小车实时位置信号和负载角度信号，根据自适应神经模糊系统输出模糊量，对输出值进行拟合，将模糊量转化清晰量后输出为对小车的控制量。
优选地，所述步骤1中根据线性二次型最优控制LQR方法得到训练样本集，方法如下：设控制的输出u(t)＝-Kx(t)，性能指标
Figure BDA0002455668020000021
根据专家经验和现场要求确定误差和能量损耗的相对重要性，选取正定矩阵Q和R，求得不同绳长下的最优控制向量矩阵K，在不同绳长工况下，选取最优控制向量矩阵K作用于无人行车系统时得到的输入输出数据组成训练样本数据。
优选地，所述步骤2中输入变量x和θ分属不同的模糊集合Ai和Bj，对应不同的钟形隶属函数
Figure BDA0002455668020000022
隶属度函数参数集{ai，bi，ci}、{aj，bj，cj}为模糊推理规则前提参数。
优选地，所述步骤3中产生的激励函数形式为：
Figure BDA0002455668020000023
所述激励函数输出值收敛至
Figure BDA0002455668020000024
优选地，所述步骤4中模糊输出值为
Figure BDA0002455668020000025
不同节点的模糊输出值对应不同的一阶Sugeno模糊推理规则为：
Rule(k):If x is Ai and y is Bj
Then uk＝pkx+qky+rk
x和y表示两个输入，分别对应实时位置信号x和负载实时摆角信号θ，{pk，qk，rk}参数集为模糊推理规则结论参数。
第二方面，提供一种基于自适应神经模糊控制的无人行车防摇定位系统，该系统主要包括：
输入模块(101)、模糊化模块(102)、模糊推理模块(103)、参数自适应调节模块(104)、清晰化模块(105)，所述输入模块(101)用于获取小车实时位置信号和负载角度信号作为训练样本或实时控制的输入数据，模糊化模块(102)对获得的训练样本或输入数据进行模糊化处理后传送至模糊推理模块(103)；所述模糊推理模块(103)根据训练样本数据完成模糊推理过程并产生模糊推理规则，对实时控制的输入数据应用该规则；所述参数自适应调节模块(104)根据最小二乘法和反向传播算法调节模糊推理规则中的前提参数和结论参数；所述清晰化模块(105)对输出的模糊值完成清晰化过程并输出自适应神经模糊控制器的控制量。
有益效果：模糊控制技术不依赖于被控过程的数学模型，但缺乏在线自学习的能力，而神经网络对环境的变化有极强的自学习能力，在建模方面有黑箱学习模式的特点。若能将模糊理论表达能力和神经网络自学习能力集合起来，则将提高整个系统对知识的学习和表达能力。针对模糊控制中模糊规则提取难、神经网络算法复杂以及传统控制算法防摇定位效果差的缺陷，本发明提出一种既具有模糊控制不要求掌握被控对象精确模型的优点，又具有神经网络自学习优点的控制方法，利用神经网络的学习机制自动地从输入输出样本数据中抽取规则，构成自适应神经模糊控制器。通过离线训练和在线学习算法调整模糊推理控制规则，简化神经网络，具有鲁棒性好、算法简单、防摇定位精度高的特点，有效解决现有无人行车容易出现系统在平衡点处振荡、超调量高和响应速度慢的问题。
附图说明
图1为本发明的基于自适应神经模糊控制的无人行车防摇定位方法流程图；
图2为本发明的基于自适应神经模糊控制的无人行车防摇定位系统框图。
具体实施方式
下面结合附图和具体实施例对本发明的技术方案作进一步说明。
参照图1，本实施例中提出的基于自适应神经模糊控制的无人行车防摇定位方法，基于多层前向神经网络和一阶Sugeno模糊模型，通过自适应建模建立起模糊推理系统，利用神经网络技术通过对大量已知数据的学习，实现无人行车的快速防摇和精确定位。为了配合信号采集和实现对小车的控制，实施例中采用SATEC STAD-2000角度测量仪来测量载物角度，采用SICK DL-100激光测距仪来测量小车位置，采用SCIYON NT6000V3A控制器运行控制程序，采用SCIYON KD-200变频器用于驱动三相异步交流电机使无人行车开始动作。具体地，该防摇定位包括以下步骤：
步骤1：根据最优控制得出训练样本集。
将SICK DL-100激光测距仪采集的小车实时位置信号x与设定小车目标位置信号做比较，差值作为控制器的输入信号1。将SATEC STAD-2000角度测量仪采集到的载物角度信号θ进行限幅滤波，作为控制器的输入信号2。根据线性二次型最优控制LQR(linear quadraticregulator)方法，设系统输出u(t)＝-Kx(t)，性能指标
Figure BDA0002455668020000041
Figure BDA0002455668020000042
上标*表示矩阵的转置，工业现场的最优控制性能指标中一般采用正定矩阵。矩阵Q和R确定了误差和能量损耗的相对重要性，一般为经验所得。通过确定最优控制向量矩阵K，系统输出u(t)＝-Kx(t)，使得性能指标J达到最小。根据专家经验和现场要求确定误差和能量损耗的相对重要性，例如，选取矩阵
Figure BDA0002455668020000043
和R＝[1]。求得不同绳长下的最优控制向量矩阵K。在不同绳长工况下，选取最优控制向量矩阵K作用于无人行车系统时得到的部分输入输出数据组成训练样本数据。
步骤2：完成模糊化任务。将输入的数值量转化为模糊量，即属于某个模糊子集的隶属度，输入变量x和θ分属不同的模糊集合Ai和Bj，对应不同的钟形隶属函数
Figure BDA0002455668020000044
隶属度函数参数集{ai，bi，ci}、{aj，bj，cj}为前提参数，根据专家经验和现场要求在训练自适应神经模糊系统之前设置为：
Figure BDA0002455668020000045
步骤3：产生激励函数并进行归一化。将不同模糊集合对应的隶属函数进行拟合，本实施例中拟合即为相乘。产生激励函数
Figure BDA0002455668020000051
对激励函数的输出值进行归一化处理，自适应神经模糊系统激励函数输出值收敛至
Figure BDA0002455668020000052
步骤4：完成模糊推理过程，进行模糊推理并输出模糊量。根据步骤3激励函数收敛值完成模糊规则前件，模糊输出值为
Figure BDA0002455668020000053
x和y为系统的两个输入，分别对应x和θ。每个模糊输出值对应一条一阶Sugeno模糊推理规则如下：
Rule(k):If x is Ai and y is Bj
Then uk＝pkx+qky+rk
基于训练样本集，本发明采用最小二乘法调整结论参数{pk，qk，rk}，用反向传播算法更新前提参数{ai，bi，ci}和{aj，bj，cj}，对该控制系统进行训练。当计算结果的均方根误差RMSE小于设定值时，停止更新，结束训练，该设定值可根据现场实际要求设置。经过训练，得出的前提参数用于更新模糊集合隶属度函数，得出的结论参数用于得出模糊规则，完成模糊规则后件uk＝pkx+qky+rk。
步骤5：完成训练后，得到一个双输入单输出的模糊控制器，根据传感器采集的无人行车位置信号和负载角度信号，利用该模糊控制器得到输出值，对输出值进行拟合，将模糊量转化清晰量F＝∑Ok。将清晰化后的控制量输入SCIYON NT6000V3A控制器，通过SCIYONKD-200变频器驱动三相异步交流电机使无人行车开始动作，控制无人行车达到防摇定位的目的。
参照图2，根据本发明的另一实施例，提供一种基于自适应神经模糊控制的无人行车防摇定位系统，包括输入模块101、模糊化模块102、模糊推理模块103、参数自适应调节模块104、清晰化模块105，输入模块101和模糊化模块102相连；模糊化模块102输出端和模糊推理模块103的输入端以及参数自适应调节模块104输入端相连；模糊推理模块103输出端和清晰化模块105输入端相连。在训练过程中，输入模块101获得训练样本数据后，模糊化模块102对获得的训练样本数据进行模糊化处理后传送至模糊推理模块103；模糊推理模块103完成模糊推理过程并产生模糊推理规则；参数自适应调节模块104根据最小二乘法和反向传播算法调节模糊推理规则中的前提参数和结论参数。在实际应用中，输入模块101获得小车实时位置信号和负载角度信号作为实时控制的输入数据，模糊化模块102根据模糊推理模块103产生的模糊推理规则对获得的输入数据进行模糊化处理，输出的模糊值通过清晰化模块105完成清晰化过程并输出自适应神经模糊控制器的控制量。
具体地，输入模块101根据线性二次型最优控制LQR方法得到训练样本集，方法如下：设控制的输出u(t)＝-Kx(t)，性能指标
Figure BDA0002455668020000061
根据专家经验和现场要求确定误差和能量损耗的相对重要性，选取正定矩阵Q和R，求得不同绳长下的最优控制向量矩阵K，在不同绳长工况下，选取最优控制向量矩阵K作用于无人行车系统时得到的输入输出数据组成训练样本数据。
模糊化模块102将输入变量x和θ分属不同的模糊集合Ai和Bi，对应不同的钟形隶属函数
Figure BDA0002455668020000062
隶属度函数参数集{ai，bi，ci}、{aj，bj，cj}为模糊推理规则前提参数。根据专家经验和现场要求在训练自适应神经模糊系统之前设置。
模糊推理模块103的模糊推理规则前件为：由不同模糊集合对应的隶属函数拟合产生的激励函数收敛，激励函数形式为：
Figure BDA0002455668020000063
经过归一化处理将激励函数输出值收敛至
Figure BDA0002455668020000064
模糊输出值为
Figure BDA0002455668020000065
不同节点的模糊输出值对应不同的一阶Sugeno模糊推理规则为：
Rule(k):If x is Ai and y is Bj
Then uk＝pkx+qky+rk
x和y表示系统的两个输入，分别对应实时位置信号x和负载实时摆角信号θ，{pk，qk,rk}参数集为模糊推理规则结论参数。
在实际应用时，向输入模块101给定一个无人行车小车目标位置值，SATEC STAD-2000角度测量仪和SICK DL-100激光测距仪实时测量负载的摆动角度和小车的实时位置并反馈至SCIYON NT6000V3A控制器；模糊化模块102、模糊推理模块103、参数自适应调节模块104产生自适应模糊神经系统后并将输出的模糊量传送至清晰化模块105；SCIYON KD-200变频器控制无人行车小车三相异步交流电机实现无人行车的防摇定位。在无人行车小车到达目标位置后，本发明所提的基于自适应神经模糊控制方法及系统可以将小车位置误差控制在±2cm以内，负载摆角控制在±1.5°以内。相比传统的无人行车控制算法，本发明所提的基于自适应神经模糊控制方法具有强鲁棒性、响应速度快、超调量小的特点。

Claims (2)

1.一种基于自适应神经模糊控制的无人行车防摇定位方法，其特征在于，包括以下步骤：
(1)将小车实时位置信号x与设定小车目标位置信号做比较，差值作为控制器的输入信号1，将负载实时摆角信号θ作为控制器的输入信号2，根据性能指标求得不同绳长下的最优控制向量矩阵，选取不同工况下的输入输出数据组成训练样本数据，其中根据线性二次型最优控制LQR方法得到训练样本集，方法如下：设控制的输出u(t)＝-Kx(t)，性能指标
Figure FDA0004002583190000011
根据专家经验和现场要求确定误差和能量损耗的相对重要性，选取正定矩阵Q和R，求得不同绳长下的最优控制向量矩阵K，在不同绳长工况下，选取最优控制向量矩阵K作用于无人行车系统时得到的输入输出数据组成训练样本数据；
(2)将输入变量x和θ转化为模糊量，两路输入分属至不同的模糊集合，其中输入变量x和θ分属不同的模糊集合Ai和Bj，对应不同的钟形隶属函数
Figure FDA0004002583190000012
Figure FDA0004002583190000013
隶属度函数参数集{ai，bi，ci}、{aj，bj，cj}为模糊推理规则前提参数；
(3)将不同模糊集合对应的隶属函数进行拟合产生激励函数，对激励函数的输出值进行归一化处理得到激励函数收敛值，其中产生的激励函数形式为：
Figure FDA0004002583190000014
Figure FDA0004002583190000015
所述激励函数输出值收敛至
Figure FDA0004002583190000016
(4)根据步骤3激励函数收敛值完成模糊规则前件，不同节点的模糊输出值对应不同的一阶Sugeno模糊推理规则，基于训练样本数据分别用最小二乘法和反向传播算法调整模糊推理规则参数和隶属度函数参数，完成模糊规则后件，得到自适应神经模糊系统，其中模糊输出值为
Figure FDA0004002583190000017
不同节点的模糊输出值对应不同的一阶Sugeno模糊推理规则为：
Rule(k)：If x is Ai and y is Bj
Then uk＝pkx+qky+rk
x和y表示两个输入，分别对应实时位置信号x和负载实时摆角信号θ，{pk，qk，rk}参数集为模糊推理规则结论参数；
(5)获取小车实时位置信号和负载角度信号，根据自适应神经模糊系统输出模糊量，对输出值进行拟合，将模糊量转化清晰量后输出为对小车的控制量。
2.一种基于自适应神经模糊控制的无人行车防摇定位系统，其特征在于，该系统包括：输入模块(101)、模糊化模块(102)、模糊推理模块(103)、参数自适应调节模块(104)、清晰化模块(105)，所述输入模块(101)用于获取小车实时位置信号和负载角度信号作为训练样本或实时控制的输入数据，模糊化模块(102)对获得的训练样本或输入数据进行模糊化处理后传送至模糊推理模块(103)；所述模糊推理模块(103)根据训练样本数据完成模糊推理过程并产生模糊推理规则，对实时控制的输入数据应用该规则；所述参数自适应调节模块(104)根据最小二乘法和反向传播算法调节模糊推理规则中的前提参数和结论参数；所述清晰化模块(105)对输出的模糊值完成清晰化过程并输出自适应神经模糊控制器的控制量；
所述输入模块(101)根据线性二次型最优控制LQR方法得到训练样本集，方法如下：设控制的输出u(t)＝-Kx(t)，性能指标
Figure FDA0004002583190000021
根据专家经验和现场要求确定误差和能量损耗的相对重要性，选取正定矩阵Q和R，求得不同绳长下的最优控制向量矩阵K，在不同绳长工况下，选取最优控制向量矩阵K作用于无人行车系统时得到的输入输出数据组成训练样本数据；
其中所述模糊化模块(102)将输入变量x和θ分属不同的模糊集合Ai和Bj，对应不同的钟形隶属函数
Figure FDA0004002583190000022
隶属度函数参数集{ai，bi，ci}、{aj，bj，cj}为模糊推理规则前提参数；
所述模糊推理规则的前件为：由不同模糊集合对应的隶属函数拟合产生的激励函数收敛，所述激励函数形式为：
Figure FDA0004002583190000023
所述激励函数输出值收敛至
Figure FDA0004002583190000024
所述模糊推理模块(103)的模糊推理规则为一阶Sugeno模糊模型：
Rule(k)：If x is Ai and y is Bj
Then uk＝pkx+qky+rk
x和y表示系统的两个输入，分别对应实时位置信号x和负载实时摆角信号θ，{pk,qk,rk}参数集为模糊推理规则结论参数。
CN202010305556.7A 2020-04-17 2020-04-17 基于自适应神经模糊控制的无人行车防摇定位方法及系统 Active CN111538232B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010305556.7A CN111538232B (zh) 2020-04-17 2020-04-17 基于自适应神经模糊控制的无人行车防摇定位方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010305556.7A CN111538232B (zh) 2020-04-17 2020-04-17 基于自适应神经模糊控制的无人行车防摇定位方法及系统

Publications (2)

Publication Number Publication Date
CN111538232A CN111538232A (zh) 2020-08-14
CN111538232B true CN111538232B (zh) 2023-06-13

Family

ID=71975103

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010305556.7A Active CN111538232B (zh) 2020-04-17 2020-04-17 基于自适应神经模糊控制的无人行车防摇定位方法及系统

Country Status (1)

Country Link
CN (1) CN111538232B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112072961A (zh) * 2020-08-27 2020-12-11 吉林大学 一种基于anfis的无刷直流电机调速系统
CN117405126A (zh) * 2022-07-15 2024-01-16 腾讯科技（深圳）有限公司 定位精度估计的方法、装置、电子设备及存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101441441B (zh) * 2007-11-21 2010-06-30 新乡市起重机厂有限公司 起重机智能防摇控制系统的设计方法
CN106373390B (zh) * 2015-07-23 2018-10-26 中国国防科技信息中心 基于自适应神经模糊推理系统的道路交通状态评价方法
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
CN108284442B (zh) * 2017-01-24 2021-01-26 中国北方车辆研究所 一种基于模糊神经网络的机械臂柔性关节控制方法

Also Published As

Publication number Publication date
CN111538232A (zh) 2020-08-14

Similar Documents

Publication Publication Date Title
CN111931411B (zh) 压电驱动微定位平台Duhem动态迟滞建模方法
CN111538232B (zh) 基于自适应神经模糊控制的无人行车防摇定位方法及系统
CN111176115B (zh) 基于模糊神经网络和仿人智能控制的阀位控制方法
CN105888971B (zh) 一种大型风力机叶片主动降载控制系统及方法
CN111812968B (zh) 基于模糊神经网络pid控制器的阀位串级控制方法
WO2021073090A1 (zh) 基于强化学习的风电机组实时变桨距鲁棒控制系统及方法
CN111608868A (zh) 风力发电系统最大功率跟踪自适应鲁棒控制系统及方法
CN110764417A (zh) 一种基于闭环辨识模型的线性二次型最优动态前馈-反馈pid控制系统及其控制方法
CN108052002A (zh) 一种改进的模糊pid的智能汽车自动循迹方法
CN108777556A (zh) 基于神经网络逆模型的两电机调速系统的无模型自适应鲁棒解耦控制方法
CN109885077A (zh) 一种四旋翼飞行器姿态控制方法及控制器
Chen et al. Nonlinear feedback control based on ANFIS
CN111077771A (zh) 一种自整定模糊pid控制方法
Tran et al. A research on marine diesel engine speed controller by fuzzy logic control theory based on experimental investigation
CN111880413B (zh) 一种针对船舶航向保持的自适应动态面算法
CN111152213B (zh) 一种基于混合控制的机械臂振动补偿方法及装置
CN112947606A (zh) Bp神经网络pid预测控制的锅炉液位控制系统及方法
Kou et al. Neural network intelligent control based on MPSO
CN108227476A (zh) 一种agv小车的控制方法
CN111824958B (zh) 桥式吊车卷扬控制器生成方法、控制方法及控制器生成系统
Arafat et al. The Development of a Matlab-Based Fuzzy PID Controller and The Simulation
Vladov et al. Modified Discrete Neural Network PID Controller for Controlling the Helicopters Turboshaft Engines Free Turbine Speed
Yu et al. Artificial Intelligence Control for Reactive Power of Electric Drive System of Pump Station
Zhixin et al. Electro Hydraulic Position Servo System of Automatic Assembly Platform Based on Neural Network PID Control
CN115373267B (zh) 一种数控立车伺服系统及其跟踪精度自愈调控方法与应用

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