CN112925208A - 一种数据驱动的水井钻机电液伺服系统扰动补偿方法 - Google Patents
一种数据驱动的水井钻机电液伺服系统扰动补偿方法 Download PDFInfo
- Publication number
- CN112925208A CN112925208A CN202110154775.4A CN202110154775A CN112925208A CN 112925208 A CN112925208 A CN 112925208A CN 202110154775 A CN202110154775 A CN 202110154775A CN 112925208 A CN112925208 A CN 112925208A
- Authority
- CN
- China
- Prior art keywords
- drilling machine
- well drilling
- load
- disturbance
- electro
- 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.)
- Pending
Links
- 238000005553 drilling Methods 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 54
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 51
- 238000006073 displacement reaction Methods 0.000 claims abstract description 34
- 239000010720 hydraulic oil Substances 0.000 claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 27
- 230000006870 function Effects 0.000 claims description 26
- 230000003044 adaptive effect Effects 0.000 claims description 21
- 238000013499 data model Methods 0.000 claims description 19
- 239000003921 oil Substances 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 9
- 238000009795 derivation Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 4
- 239000007788 liquid Substances 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 2
- 230000004913 activation Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G05B13/04—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)
- 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)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种数据驱动的水井钻机电液伺服系统扰动补偿方法。针对电液伺服系统本身存在的参数不确定和未知负载扰动问题，技术方案设计如下：首先建立水井钻机电液伺服系统的状态空间方程；提出改进的动态线性化方法，并将未知负载扰动合并到一个非线性项中；设计RBF神经网络扰动观测器对未知非线性项进行估计；计算伪偏导数估计律；设计改进的的无模型自适应控制方法；将控制器的输出施加到电液伺服系统的负载敏感比例阀上，通过调节负载敏感比例阀阀口开度控制系统的流量，进而可以调节液压油缸活塞的位移。本发明专利针对水井钻机电液伺服系统存在的参数不确定、不确定性非线性，以及水井钻机实际工况条件下存在的外负载扰动突变等问题，采用基于RBF神经网络扰动观测器的无模型自适应控制方法，仅利用在线和离线数据便可完成控制器的设计。该方法是基于数据驱动的控制方法，应用于水井钻机电液伺服系统具有良好的实践意义。
Description
技术领域
本发明专利属于工程机械自动控制技术领域，具体的说，涉及一种数据驱动的水井钻机电液伺服系统扰动补偿方法。
背景技术
本发明涉及一种数据驱动的水井钻机电液伺服系统扰动补偿方法，在青岛科技大学研发的基础上(申请号2020105941191)将其用于水井钻机推进装置电液伺服系统的新的发明。
水井钻机是进行水井钻探施工任务的主要设备。水井钻机通常包括回转系统和推进系统，并且具有接立根、自动输送和排放钻杆等功能。该水井钻机以液压系统作为驱动装置，液压系统的非线性特性和建模不确定性，是制约电液伺服控制系统性能提升的关键因素，这也使得基于线性理论的经典控制方法逐渐不能满足系统的高性能要求，因此迫切需要针对电液伺服系统的非线性特性，设计更加先进的非线性控制方法。
目前，水井钻机的电液伺服系统控制主要通过人工手动控制实现，这依赖于操作人员的工作经验。不恰当的推进力和回转速度，将导致水井钻机别杆、断杆甚至停机等故障，大大影响施工效率。近年来，国内外学者提出了反步控制，模糊PID控制，模糊自适应控制，鲁棒控制等控制方法以提高的水井钻机的钻进控制性能。但是，由于水井钻机是一种典型的复杂非线性系统，钻机控制系统在实际控制系统中会受到钻机系统本身不连续和不平滑的非线性影响，以及由于随温度和磨损而变化的液压弹性模量、伺服阀流量增益、黏性摩擦系数等参数不确定性所造成的精确建模困难问题，使得对模型精确程度依赖性较高的传统控制方法控制性能较差，因此，基于模型的控制方法在解决此类问题时受到了挑战。
针对水井钻机推进系统存在的模型不确定、未建模动态和外界泥沙等干扰因素，提出了一种基于数据驱动的鲁棒无模型自适应控制策略，用于实现水井钻机推进系统的运动控制。对于无模型自适应控制(model free adaptive control，MFAC)，文献(侯忠生，金尚泰.无模型自适应控制：理论与应用)利用受控系统的输入输出数据直接进行控制器的设计与分析，实现了未知非线性受控系统的参数自适应控制和结构自适应控制。将无模型自适应控制用于水井钻机的电液伺服系统中，为复杂多干扰的水井钻探任务提供了一种新的研究思路和方法。
在先的申请中，已经研发了一种水井钻机推进装置无模型自适应控制方法及系统，但是上述水井钻机推进装置没有对外界的附加扰动进行补偿与处理，导致未知负载扰动对电液伺服系统位置的控制精度造成了影响。因此本申请对前面的研究进行了进一步的改进，提出了RBF神经网络扰动观测器对外负载扰动进行逼近，并将扰动估计值补偿于控制系统。
发明专利内容
本发明专利针对水井钻机推进系统存在的模型参数不确定、不确定非线性和外界干扰未知等问题，设计了基于RBF神经网络扰动观测器的无模型自适应控制方法(Model-free adaptive control method based on RBF neural network disturbanceobserver，MFAC-RBFNN)，该方法是一种数据驱动的水井钻机电液伺服系统扰动补偿方法，解决了现有技术中鲁棒性较差的问题，在复杂工况中实现了钻机电液伺服系统的优化控制，提高了钻探效率。
为解决上述技术问题，本发明专利采用下述技术方案予以实现：
一种数据驱动的水井钻机电液伺服系统扰动补偿方法，所述方法包括下述步骤：
(1)信号的采集与设定：
由位移传感器得到液压油缸活塞的位移量y；
(2)建立水井钻机推进系统的状态空间方程：
式中，
其中，x1为液压缸活塞杆位移；x2为液压缸活塞杆速度；x3为液压缸活塞的加速度；u为控制信号输入；y为系统输出；F为负载阻力；Mt为柱塞及负载折算到柱塞的总质量；A1为柱塞有效面积；Vt为缸腔及管道的总容积；Ct为液压缸外泄漏系数；βe为液压油等效体积弹性模量，k为负载弹性刚度；kv为比例放大器增益；kp为负载敏感比例阀的阀芯位移与控制信号的比例系数；D为柱塞及负载运动中的粘滞摩擦系数；ρ为液体密度；Cξ为负载敏感比例阀阀口流量系数；w为负载敏感比例阀面积梯度；Ps为系统额定压力；PL为负载压力；xv为阀口开度；
(3)进行改进的紧格式动态线性化处理，获得数据模型：
对于所述状态空间方程，当Δu(k)≠0时，存在伪偏导数θ(k)，使得
Δy(k+1)＝θ(k)Δu(k)+ψ(k)Δl(k)；
其中，|θ(k)|≤Q，Q为一个正常数；定理中θ(k)、ψ(k)和Δl(k)均属于待求变量，为了后续工作方便，定义新的变量ξ(k)，使得
ξ(k)＝ψ(k)Δl(k)；
故上式可转化为线性数据模型：
Δy(k+1)＝θ(k)Δu(k)+ξ(k)；
其中，y(k)为k时刻的系统输出，u(k)为k时刻的系统输入，l(k)为k时刻的系统未知扰动；
Δy(k+1)＝y(k+1)-y(k)，Δu(k)＝u(k)-u(k-1)，Δl(k)＝l(k)-l(k-1)；另外，|ξ(k)|＜p3，p3为正常数；
(4)线性数据模型中ξ(k)是未知的，需要对其进行估计，设计RBF神经网络扰动观测器如下：
(5)计算伪偏导数估计律：
其中，η∈(0,1]为步长因子，μ＞0为权重因子，
为θ(k)的伪偏导数估计值，
为ξ(k-1)的扰动估计值；
(6)设计具有负载扰动的无模型自适应控制器：
考虑如下控制准则函数：
J[u(k)]＝|y*(k+1)-y(k+1)|2+λ|u(k)-u(k-1)|2；
记λ为权重因子，y*(k+1)为期望的输出信号；将步骤(3)中动态线性化的数据模型带入输入准则函数，对u(k)求导，并令其求导结果等于零，可得控制算法：
其中，ρ∈(0,1]是步长因子，λ＞0为权重因子；
(7)针对水井钻机电液伺服系统的高度非线性，水井钻机电液伺服系统以位移传感器检测得到的液压油缸活塞杆位移量y(k-1)为输出信号，经位移传感器将输出位移信号转换为反馈电压信号uf，与期望电压信号做差得到电压差值Δu，经控制器计算输出相应的控制信号，将控制信号施加于比例放大器上，比例放大器将电压信号转换为可以驱动负载敏感比例阀阀芯位移的电流信号，负载敏感比例阀可以调节液压油缸的流量，进而控制水井钻机电液伺服系统的位置。
进一步的，步骤(3)的具体内容为：
(31)建立离散时间非线性系统：
y(k+1)＝f(y(k),y(k-1),y(k-2),u(k),l(k))；
其中，u(k)∈R，y(k)∈R分别为k时刻系统的输入与输出，k∈{0,1…T}；f(…)是系统未知的非线性函数；l(k)为系统的未知负载扰动输入，|l(k)|＜bl，其中bl为正常数；
(32)上述系统满足以下条件：
该系统关于控制输入信号u(k)和未知负载扰动l(k)的偏导数存在连续且有界；
该系统满足广义Lipschitz条件，即对任意k1≠k2，有
|y(k+1)-y(k)|≤p1|u(k)-u(k-1)|+p2|l(k)-l(k-1)|；
式中，p1＞0，p2＞0分别为两个常数；
其中，y*(k+1)为系统有界的期望输出信号，u*(k)为系统有界的输入信号；Δy(k+1)为相邻两个时刻的输出变化，Δu(k)为相邻两个时刻的输入变化；故Q为一个正常数；其中，Δy(k+1)＝y(k+1)-y(k)，Δu(k)＝u(k)-u(k-1)；
(33)由状态空间方程可得下述方程：
由Cauchy微分中值定理和假设1可知，上式中
其中，
为f(...)关于u(k)在适当点的偏导数；
另外：
同理可得：
其中，
为f(...)关于l(k)在适当点的偏导数；
另外：
即：
取ξ(k)＝ψ(k)Δl(k)，因为l(k)有界，ψ(k)有界，所以|Δl(k)|＝|d(k)-d(k-1)|≤|d(k)|+|d(k-1)|≤2l，满足ξ(k)＜bξ有界，可得如下数据模型：
Δy(k+1)＝θ(k)Δu(k)+ξ(k)。
进一步的，步骤(4)的具体内容为：
(41)神经网络扰动观测器的参数采用如下迭代公式：
bj(k)＝bj(k-1)+ηΔbj+α[bj(k-1)-bj(k-2)]；
cji(k)＝cji(k-1)+ηΔcji+α[cji(k-1)-cji(k-2)]；
其中，η为学习速率、α为动量因子。
更进一步的，步骤(5)的具体内容为：
(51)建立加权伪偏导数估计准则函数：
(52)对该准则函数关于θ(k)求极值，可得伪偏导数估计律：
与现有技术相比，本发明专利的优点和积极效果是：本发明专利是一种数据驱动的水井钻机电液伺服系统扰动补偿方法，通过位移传感器采集水井钻机推进系统液压油缸的活塞运动位移y；建立水井钻机推进系统的状态空间方程；提出改进的动态线性化方法，并将未知负载扰动合并到一个非线性项中；设计RBF神经网络扰动观测器对未知负载扰动项进行估计；计算伪偏导数估计律；设计改进的无模型自适应控制器。由于液压系统的复杂性，水井钻机推进系统由液压油缸的正反运动控制，位移传感器检测得到水井钻机在k-1阶段的液压油缸活塞杆位移量为y(k-1)，输出为反馈电压信号uf，电压信号Δu(k-1)经控制器计算输出相应的控制信号，将控制信号施加于比例放大器上，比例放大器将电压信号转换为可以驱动负载敏感比例阀阀芯位移的电流信号，负载敏感比例阀可以调节液压油缸进油口与回油口的流量，进而可以控制水井钻机电液伺服系统的位置。
结合附图阅读本发明专利的具体实施方式后，本发明专利的其他特点和优点将变得更加清楚。
附图说明
图1为水井钻机推进系统无模型自适应控制方法的一个实施例的流程图；
图2为水井钻机推进装置无模型自适应控制方法及系统的结构框图；
图3为本发明专利数据驱动的水井钻机电液伺服系统扰动补偿方法；
图4为MFAC-RBFNN与MFAC两种方法的活塞位移比较曲线；
图5为MFAC-RBFNN与MFAC两种方法的误差比较曲线；
图6为MFAC-RBFNN方法的扰动估计曲线；
具体实施方式
为了使本发明专利的目的、技术方案及优点更加清楚明白，以下将结合附图和实施例，对本发明专利做进一步详细说明。
本发明专利针对水井钻机电液伺服系统存在的模型参数不确定、不确定非线性和外界扰动等干扰因素，提供了一种数据驱动的水井钻机电液伺服系统扰动补偿方法。在水井钻机电液伺服系统中，以液压油缸作为推进装置，对数据驱动的水井钻机电液伺服系统扰动补偿方法进行详细说明。
参见图1所示，本实施例的水井钻机推进系统无模型自适应控制方法，具体包括下述步骤：
步骤S1：信号的采集与设置：
由位移传感器得到水井钻机推进系统液压油缸的活塞杆位移y；
步骤S2：由水井钻机推进系统的状态空间方程建立数学模型：
(S21)记Q1、Q2分别为液压油缸进油口与回油口流量，Cξ为负载敏感比例阀阀口流量系数，w为负载敏感比例阀面积梯度，xv为k时刻负载敏感比例阀阀口开度大小，P1、P2分别为进油腔与回油腔的压力，Ps为系统额定压力，P0为回油压力，其流量方程为：
(S22)记活塞杆位移x1，Ct为液压缸外泄漏系数，Cip为液压缸内泄漏系数，V1、V2为液压缸进油腔与回油腔体积，βe为液压油等效体积弹性模量，A1、A2分别为液压缸无杆腔与有杆腔的有效面积，其液压油缸流量连续方程为：
(S23)记Mt为柱塞及负载折算到柱塞的总质量，k为负载弹性刚度系数，D为柱塞及负载运动中的粘滞摩擦系数，F为负载力矩，其活塞的力平衡方程为：
(S24)建立水井钻机推进系统的状态空间方程：
式中，
其中，x1为液压缸活塞杆位移；x2为液压缸活塞杆速度；x3为液压缸活塞的加速度；u为控制信号输入；y为系统输出；F为负载阻力；Mt为柱塞及负载折算到柱塞的总质量；A1为柱塞有效面积；Vt为缸腔及管道的总容积；Ct为液压缸外泄漏系数；βe为液压油等效体积弹性模量，k为负载弹性刚度；kv比例放大器的增益；kp为负载敏感比例阀的阀芯位移与控制信号的比例系数；D为柱塞及负载运动中的粘滞摩擦系数；ρ为液体密度；Cξ为负载敏感比例阀阀口流量系数；w为负载敏感比例阀面积梯度；Ps为系统额定压力；PL为负载压力；xv为阀口开度；
步骤S3：进行紧格式动态线性化，获得数据模型：
(S31)建立离散时间非线性系统：
y(k+1)＝f(y(k),y(k-1),y(k-2),u(k),l(k)) (7)
其中，u(k)∈R，y(k)∈R分别为k时刻系统的输入与输出，k∈{0,1…T}；f(…)是系统未知的非线性函数；l(k)为系统的未知负载扰动输入，|l(k)|＜bl，其中bl为正常数；
(32)上述离散时间非线性系统满足以下条件：
该系统关于控制输入信号u(k)和未知负载扰动l(k)的偏导数存在连续且有界。
该系统满足广义Lipschitz条件，即对任意k1≠k2，有
|y(k+1)-y(k)|≤p1|u(k+1)-u(k)|+p2|l(k+1)-l(k)| (8)
式中，p1＞0，p2＞0分别为两个常数。
其中，y*(k+1)为系统有界的期望输出信号，u*(k)为系统有界的输入信号；Δy(k+1)为相邻两个时刻的输出变化，Δu(k)为相邻两个时刻的输入变化；故Q为一个正常数；其中，Δy(k+1)＝y(k+1)-y(k)，Δu(k)＝u(k)-u(k-1)；
(33)由状态空间方程可得下述方程：
由Cauchy微分中值定理和假设1可知，上式中
其中，
为f(...)关于u(k)在适当点的偏导数；
另外：
同理可得：
其中，
为f(...)关于l(k)在适当点的偏导数；
另外：
即：
取ξ(k)＝ψ(k)Δl(k)，因为l(k)有界，ψ(k)有界，所以|Δl(k)|＝|d(k)-d(k-1)|≤|d(k)|+|d(k-1)|≤2l，满足ξ(k)＜bξ有界，可得如下数据模型：
Δy(k+1)＝θ(k)Δu(k)+ξ(k) (14)
步骤S4:设计RBF神经网络扰动观测器
(4)线性数据模型中ξ(k)是未知的，需要对其进行估计，设计扰动观测器如下：
神经网络的参数采用如下迭代公式：
bj(k)＝bj(k-1)+ηΔbj+α[bj(k-1)-bj(k-2)] (20)
cji(k)＝cji(k-1)+ηΔcji+α[cji(k-1)-cji(k-2)] (22)
其中，η为学习速率、α为动量因子。
步骤S5:计算伪偏导数估计律
(S51)建立加权伪偏导数估计准则函数：
(52)对该准则函数关于θ(k)求极值，可得伪偏导数估计律：
步骤S6：设计带扰动观测器的无模型自适应控制器：
考虑如下控制准则函数,
J[u(k)]＝|y*(k+1)-y(k+1)|2+λ|u(k)-u(k-1)|2 (25)
记λ为权重因子，y*(k+1)为期望的输出信号；将步骤(3)中动态线性化的数据模型带入输入准则函数，对u(k)求导，并令其求导结果等于零，可得控制算法：
其中，ρ1∈(0,1]是步长因子，ρ2∈(0,1]是步长因子，λ＞0为权重因子；
步骤S7：水井钻机电液伺服系统调节模块，由于液压系统的复杂性，水井钻机推进系统由液压油缸的正反运动控制，位移传感器检测得到的水井钻机在k-1时刻的液压油缸活塞杆位移量y(k-1)输出为反馈电压信号uf，电压信号Δu(k-1)经控制器计算输出相应的控制信号，将控制信号施加于比例放大器上，比例放大器将电压信号转换为可以驱动负载敏感比例阀阀芯位移的电流信号，负载敏感比例阀可以调节液压油缸进油口与回油口的流量，进而可以调节水井钻机电液伺服系统的的位置。
本实施例的一种数据驱动的水井钻机电液伺服系统扰动补偿方法，通过采集水井钻机推进系统液压油缸的活塞位置y；建立水井钻机推进系统的状态空间方程；采用改进的紧格式动态线性化方法获得系统的输入输出数据模型，并将不确定参数合并到一个非线性项中；设计RBF神经网络扰动观测器对未知扰动进行估计与补偿；计算水井钻机电液伺服系统的伪偏导数估计律；设计水井钻机电液伺服系统改进的无模型自适应控制器；将位移传感器检测得到的水井钻机在k-1时刻的液压油缸活塞杆位移量y(k-1)输出为反馈电压信号uf，电压信号Δu(k-1)经控制器计算输出相应的控制信号，将控制信号施加于比例放大器上，将电压信号转换为可以驱动负载敏感比例阀阀芯位移的电流信号，负载敏感比例阀可以调节液压油缸进油口与回油口的流量，进而可以调节水井钻机电液伺服系统的的位置；因此，本实施例的控制方法及系统，考虑了水井钻机在实际工况中存在的参数不确定，以及未知负载扰动突变等问题，提出了基于RBF神经网络扰动观测器的无模型自适应控制算法，对负未知载扰动进行了估计与补偿，具有较强的抗干扰性与鲁棒性，该方法具有较好的工程实践意义。
本实施例的控制方法是一种基于RBF神经网络扰动观测器的无模型自适应控制算法，能够有效解决水井钻机电液伺服系统的控制问题，该方法对水井钻机系统存在的模型参数不确定、未建模动态和未知扰动突变等因素所造成的输出误差与超调问题，有很好的解决效果，可以提高水井钻机在复杂工况下的控制精度，满足水井钻机电液伺服系统对鲁棒性与抗干扰性的要求。
本实施例中，水井钻机系统中设备核心参数取值，如表1所示。
表1水井钻机电液伺服系统的核心参数。
具体的控制系统的工作过程，已经在上述控制方法中详述，此处不再赘述。下面对本实施例的无模型自适应控制水井钻机推进系统与增加扰动观测器的水井钻机推进系统进行分析。
在MATLAB/Simulink仿真环境下建立了水井钻机电液伺服系统基于RBF神经网络扰动观测器的无模型自适应控制算法，钻机推进系统中的设备参数如表1所示。根据实际系统的调试情况，设计基于RBF神经网络扰动观测器的无模型自适应控制算法参数的取值η、μ、ρ、λ、β。
图4为未加扰动观测器的水井钻机推进装置无模型自适应控制方法及系统与基于RBF神经网络扰动观测器的一种数据驱动的水井钻机电液伺服系统扰动补偿的比较曲线。曲线中可看出，在系统运行时间内，未加扰动观测器时，输出位移振荡较大，增加扰动观测器后，实现了对未知外负载扰动的补偿。其中，图5为误差曲线，图6为扰动估计曲线，由图中曲线可知，基于RBF神经网络扰动观测器的无模型自适应控制方法能够对未知负载扰动进行估计和补偿，相比无模型自适应控制算法其控制精度和控制性能进一步提高。
本发明专利针对水井钻机电液伺服系统存在的模型参数不确定、不确定非线性和外界扰动突变等干扰因素，提供了一种数据驱动的水井钻机电液伺服系统扰动补偿方法。在水井钻机电液伺服系统中，以液压油缸作为推进装置，对水井钻机电液伺服系统改进的无模型自适应控制方法进行了详细说明。所提出的水井钻机电液伺服系统控制器是一种数据驱动的控制方法，其考虑了水井钻机推进系统存在的结构和参数不确定等建模复杂的问题，基于输入输出数据在线逼近其模型中的非线性不确定项；在动态线性化的技术下，提出了面向该类复杂非线性系统的无模型自适应控制方法；通过推进系统在当前工作点轨线附近用一系列的动态线性化模型来替代离散非线性系统，同时仅利用动力定位系统的I/O数据来在线估计动态线性化模型中的伪偏导数，从而补偿由于模型不确定性而产生的误差；并且考虑到实际工况中存在的负载扰动大的问题，设计了RBF神经网络扰动观测器对未知负载扰动进行估计与补偿，RBF神经网络相较于传统的控制方法具有自学习能力，不需要许多系统模型信息，并且多层神经网络的隐含神经元采用激活函数，通过它的非线性映射功能可以逼近任意的非线性函数；最后，基于水井钻机电液伺服系统的复杂工况，针对不同工况得到不同的输出位置。
本实例提出了一种数据驱动的水井钻机电液伺服系统扰动补偿方法，通过设计RBF神经网络扰动观测器估计未知负载扰动，在线调整伪偏导数，保证了水井钻机电液伺服系统跟踪误差的一致有界性。通过仿真实验，比较了未加扰动观测器的无模型自适应控制算法的水井钻机电液伺服系统与基于RBF神经网络扰动观测的无模型自适应控制算法的水井钻机电液系统，可以看出增加神经网络扰动观测器能够对外界的扰动进行补偿。无模型自适应控制以其本身不依赖模型的特点，具有良好的移植性，只要提供系统的输入输出量，就可以得到良好的控制输出。水井钻机电液伺服系统的无模型自适应控制方法对模型参数的不确定性以及未知工况的扰动具有较强的鲁棒性，算法的可控性、稳定性更高，可实现未知工况下水井钻机电液伺服系统的跟踪控制。
以上实例仅用以说明本发明专利的技术方案，而非对其进行限制；尽管参照前述实例对本发明专利进行了详细的说明，对本领域的普通技术人员来说，依然可以对前述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；而这些修改或替换，并不使相应技术方案的本质脱离本发明专利所要求保护的技术方案的精神和范围。
Claims (5)
1.一种数据驱动的水井钻机电液伺服系统扰动补偿方法，其特征是，所述方法包括下述步骤：
(1)信号的采集与设定：
由位移传感器得到液压油缸活塞的位移量y；
(2)建立水井钻机推进系统的状态空间方程：
式中，
其中，x1为液压缸活塞杆位移；x2为液压缸活塞杆速度；x3为液压缸活塞的加速度；u为控制信号输入；y为系统输出；F为负载阻力；Mt为柱塞及负载折算到柱塞的总质量；A1为柱塞有效面积；Vt为缸腔及管道的总容积；Ct为液压缸外泄漏系数；βe为液压油等效体积弹性模量，k为负载弹性刚度；kv为比例放大器增益；kp为负载敏感比例阀的阀芯位移与控制信号的比例系数；D为柱塞及负载运动中的粘滞摩擦系数；ρ为液体密度；Cξ为负载敏感比例阀阀口流量系数；w为负载敏感比例阀面积梯度；Ps为系统额定压力；PL为负载压力；xv为阀口开度；
(3)进行改进的紧格式动态线性化处理，获得数据模型：
对于所述状态空间方程，当Δu(k)≠0时，存在伪偏导数θ(k)，使得
Δy(k+1)＝θ(k)Δu(k)+ψ(k)Δl(k)；
其中，|θ(k)|≤Q，Q为一个正常数；定理中θ(k)、ψ(k)和Δl(k)均属于待求变量，为了后续工作方便，定义新的变量ξ(k)，使得
ξ(k)＝ψ(k)Δl(k)；
故上式可转化为线性数据模型：
Δy(k+1)＝θ(k)Δu(k)+ξ(k)；
其中，y(k)为k时刻的系统输出，u(k)为k时刻的系统输入，l(k)为k时刻的系统未知扰动；
Δy(k+1)＝y(k+1)-y(k)，Δu(k)＝u(k)-u(k-1)，Δl(k)＝l(k)-l(k-1)；另外，|ξ(k)|＜p3，p3为正常数；
(4)线性数据模型中ξ(k)是未知的，需要对其进行估计，设计扰动观测器如下：
(5)计算伪偏导数估计律：
其中，η∈(0,1]为步长因子，μ＞0为权重因子，
为θ(k)的伪偏导数估计值，
为ξ(k-1)的扰动观测器的扰动估计值；
(6)设计改进的无模型自适应控制算法：
考虑如下控制准则函数：
J[u(k)]＝|y*(k+1)-y(k+1)|2+λ|u(k)-u(k-1)|2；
记λ为权重因子，y*(k+1)为期望的输出信号；将步骤(3)中动态线性化的数据模型带入输入准则函数，对u(k)求导，并令其求导结果等于零，可得控制算法：
其中，ρ1∈(0,1],ρ2∈(0,1],是步长因子，λ＞0为权重因子；
(7)针对水井钻机电液伺服系统的高度非线性，水井钻机电液伺服系统以位移传感器检测得到的液压油缸活塞杆位移量y(k-1)为输出信号，经位移传感器将输出位移信号转换为反馈电压信号uf，与期望电压信号做差得到电压差值Δu(k-1)，经控制器计算输出相应的控制信号，将控制信号施加于比例放大器上，比例放大器将电压信号转换为可以驱动负载敏感比例阀阀芯位移的电流信号，负载敏感比例阀可以调节液压油缸进油口与回油口的流量，进而控制水井钻机电液伺服系统的位置。
2.根据权利要求1所述的方法，其特征在于：步骤(3)的具体内容为：
(31)建立离散时间非线性系统：
y(k+1)＝f(y(k),y(k-1),y(k-2),u(k),l(k))；
其中，u(k)∈R，y(k)∈R分别为k时刻系统的输入与输出，k∈{0,1…T}；f(…)是系统未知的非线性函数；l(k)为系统的未知负载扰动输入，|l(k)|＜bl，其中bl为正常数；
(32)上述系统满足以下条件：
该系统关于控制输入信号u(k)和未知负载扰动l(k)的偏导数存在连续且有界；
该系统满足广义Lipschitz条件，即对任意k1≠k2，有
|y(k+1)-y(k)|≤p1|u(k)-u(k-1)|+p2|l(k)-l(k-1)|；
式中，p1＞0，p2＞0分别为两个常数；
其中，y*(k+1)为系统有界的期望输出信号，u*(k)为系统有界的输入信号；Δy(k+1)为相邻两个时刻的输出变化，Δu(k)为相邻两个时刻的输入变化；故Q为一个正常数；其中，Δy(k+1)＝y(k+1)-y(k)，Δu(k)＝u(k)-u(k-1)；
(33)由状态空间方程可得下述方程：
由Cauchy微分中值定理和假设1可知，上式中
其中，
为f(...)关于u(k)在适当点的偏导数；
另外：
同理可得：
其中，
为f(...)关于l(k)在适当点的偏导数；
另外：
即：
取ξ(k)＝ψ(k)Δl(k)，因为l(k)有界，ψ(k)有界，所以|Δl(k)|＝|d(k)-d(k-1)|≤|d(k)|+|d(k-1)|≤2l，满足ξ(k)＜bξ有界，可得如下数据模型：
Δy(k+1)＝θ(k)Δu(k)+ξ(k)。
3.根据权利要求1所述的方法，其特征在于：步骤(4)的具体内容为：
神经网络的参数采用如下迭代公式：
bj(k)＝bj(k-1)+ηΔbj+α[bj(k-1)-bj(k-2)]；
cji(k)＝cji(k-1)+ηΔcji+α[cji(k-1)-cji(k-2)]；
其中，η为学习速率、α为动量因子。
4.根据权利要求1所述的方法，其特征在于：步骤(5)的具体内容为：
(51)建立加权伪偏导数估计准则函数：
(52)对该准则函数关于θ(k)求极值，可得伪偏导数估计律：
5.一种数据驱动的水井钻机电液伺服系统扰动补偿方法，其特征在于：包括：
信号的采集与设定：由位移传感器得到液压油缸活塞的位移量y；
建立水井钻机推进系统的状态空间方程：
式中，
其中，x1为液压缸活塞杆位移；x2为液压缸活塞杆速度；x3为液压缸活塞的加速度；u为控制信号输入；y为系统输出；F为负载阻力；Mt为柱塞及负载折算到柱塞的总质量；A1为柱塞有效面积；Vt为缸腔及管道的总容积；Ct为液压缸外泄漏系数；βe为液压油等效体积弹性模量，k为负载弹性刚度；kv为比例放大器增益；kp为负载敏感比例阀的阀芯位移与控制信号的比例系数；D为柱塞及负载运动中的粘滞摩擦系数；ρ为液体密度；Cξ为负载敏感比例阀阀口流量系数；w为负载敏感比例阀面积梯度；Ps为系统额定压力；PL为负载压力；xv为阀口开度；
进行改进的紧格式动态线性化处理，获得数据模型：
对于所述状态空间方程，当Δu(k)≠0时，存在伪偏导数θ(k)，使得
Δy(k+1)＝θ(k)Δu(k)+ψ(k)Δl(k)；
其中，|θ(k)|≤Q，Q为一个正常数；定理中θ(k)、ψ(k)和Δl(k)均属于待求变量，定义新的水井钻机负载扰动ξ(k)，使得
ξ(k)＝ψ(k)Δl(k)；
故上式可转化为线性数据模型：
Δy(k+1)＝θ(k)Δu(k)+ξ(k)；
其中，y(k)为k时刻的系统输出，u(k)为k时刻的系统输入；
Δy(k+1)＝y(k+1)-y(k)，Δu(k)＝u(k)-u(k-1)，Δl(k)＝l(k)-l(k-1)；另外，|ξ(k)|＜p3，p3为正常数。
线性数据模型中ξ(k)是未知的，需要对其进行估计，设计扰动观测器如下：
计算伪偏导数估计律：
其中，η∈(0,1]为步长因子，μ＞0为权重因子，
为θ(k)的伪偏导数估计值，
为ξ(k-1)的扰动估计值；
设计基于RBF神经网络扰动观测器的无模型自适应控制器，考虑如下控制准则函数：
J[u(k)]＝|y*(k+1)-y(k+1)|2+λ|u(k)-u(k-1)|2；
记λ为权重因子，y*(k+1)为期望的输出信号；将步骤(3)中动态线性化的数据模型带入输入准则函数，对u(k)求导，并令其求导结果等于零，可得控制算法：
其中，ρ∈(0,1]是步长因子，λ＞0为权重因子；
由于液压系统的复杂性，水井钻机电液伺服系统由液压油缸的正反运动控制，位移传感器检测得到水井钻机在k-1阶段的液压油缸活塞杆位移量为y(k-1)，输出为反馈电压信号uf，期望电压信号与反馈电压信号的差值Δu(k-1)经控制器计算输出相应的控制信号，将控制信号施加于比例放大器上，比例放大器将电压信号转换为可以驱动负载敏感比例阀阀芯位移的电流信号，负载敏感比例阀可以调节液压油缸进油口与回油口的流量，由液压油缸活塞的受力关系，进而可以调节液压油缸的输出量推进力来控制水井钻机电液伺服系统的位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110154775.4A CN112925208A (zh) | 2021-02-04 | 2021-02-04 | 一种数据驱动的水井钻机电液伺服系统扰动补偿方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110154775.4A CN112925208A (zh) | 2021-02-04 | 2021-02-04 | 一种数据驱动的水井钻机电液伺服系统扰动补偿方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112925208A true CN112925208A (zh) | 2021-06-08 |
Family
ID=76170367
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110154775.4A Pending CN112925208A (zh) | 2021-02-04 | 2021-02-04 | 一种数据驱动的水井钻机电液伺服系统扰动补偿方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112925208A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113934142A (zh) * | 2021-10-21 | 2022-01-14 | 江南大学 | 非线性离散系统无模型自适应滑模约束事件触发控制方法 |
| CN114352598A (zh) * | 2022-01-27 | 2022-04-15 | 广东皓耘科技有限公司 | 液压缸比例阀调节方法、装置、控制器及存储介质 |
| CN115180461A (zh) * | 2022-07-14 | 2022-10-14 | 青岛科技大学 | 新能源汽车压缩机电机生产装备的张力数据驱动控制方法 |
| CN115337494A (zh) * | 2022-07-15 | 2022-11-15 | 北方工业大学 | 一种便携式医用输液盒以及输液控制方法 |
| CN116557384A (zh) * | 2023-07-07 | 2023-08-08 | 江苏洲帆机电设备有限公司 | 液压控制系统自动压力补偿方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2308541A1 (en) * | 1997-10-06 | 1999-04-15 | General Cybernation Group, Inc. | Model-free adaptive process control |
| CN111459051A (zh) * | 2020-04-23 | 2020-07-28 | 河北工业大学 | 一种带扰动观测器的离散终端滑模无模型控制方法 |
| CN111648758A (zh) * | 2020-06-28 | 2020-09-11 | 青岛科技大学 | 一种水井钻机推进装置无模型自适应控制方法及系统 |
| CN114114926A (zh) * | 2021-11-29 | 2022-03-01 | 青岛科技大学 | 神经网络观测器的推进电机无模型自适应预测控制方法 |
-
2021
- 2021-02-04 CN CN202110154775.4A patent/CN112925208A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2308541A1 (en) * | 1997-10-06 | 1999-04-15 | General Cybernation Group, Inc. | Model-free adaptive process control |
| CN111459051A (zh) * | 2020-04-23 | 2020-07-28 | 河北工业大学 | 一种带扰动观测器的离散终端滑模无模型控制方法 |
| CN111648758A (zh) * | 2020-06-28 | 2020-09-11 | 青岛科技大学 | 一种水井钻机推进装置无模型自适应控制方法及系统 |
| CN114114926A (zh) * | 2021-11-29 | 2022-03-01 | 青岛科技大学 | 神经网络观测器的推进电机无模型自适应预测控制方法 |
Non-Patent Citations (3)
| Title |
|---|
| WENLONG YAO; JIALI WANG; ZHEN PANG; RONGHU CHI: "Model-free Adaptive Sliding Mode Vector Control for Dynamic Positioning Podded Propulsion Motor Based on Anti-load Disturbance", 《2019 IEEE 8TH DATA DRIVEN CONTROL AND LEARNING SYSTEMS CONFERENCE (DDCLS)》 * |
| 姚文龙, 亓冠华, 池荣虎, 邵巍: "具有未知负载扰动的水井钻机电液伺服系统无模型自适应控制", 《理论控制与应用》 * |
| 翁永鹏, 高宪文, 吕明阳: "一类非仿射非线性离散系统的改进无模型自适应控制", 《控制与决策》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113934142A (zh) * | 2021-10-21 | 2022-01-14 | 江南大学 | 非线性离散系统无模型自适应滑模约束事件触发控制方法 |
| CN113934142B (zh) * | 2021-10-21 | 2024-03-19 | 江南大学 | 非线性离散系统无模型自适应滑模约束事件触发控制方法 |
| CN114352598A (zh) * | 2022-01-27 | 2022-04-15 | 广东皓耘科技有限公司 | 液压缸比例阀调节方法、装置、控制器及存储介质 |
| CN115180461A (zh) * | 2022-07-14 | 2022-10-14 | 青岛科技大学 | 新能源汽车压缩机电机生产装备的张力数据驱动控制方法 |
| CN115180461B (zh) * | 2022-07-14 | 2023-09-01 | 青岛科技大学 | 新能源汽车压缩机电机生产装备的张力数据驱动控制方法 |
| CN115337494A (zh) * | 2022-07-15 | 2022-11-15 | 北方工业大学 | 一种便携式医用输液盒以及输液控制方法 |
| CN116557384A (zh) * | 2023-07-07 | 2023-08-08 | 江苏洲帆机电设备有限公司 | 液压控制系统自动压力补偿方法 |
| CN116557384B (zh) * | 2023-07-07 | 2023-09-29 | 江苏洲帆机电设备有限公司 | 液压控制系统自动压力补偿方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112925208A (zh) | 一种数据驱动的水井钻机电液伺服系统扰动补偿方法 | |
| Feng et al. | A new adaptive sliding mode controller based on the RBF neural network for an electro-hydraulic servo system | |
| Shen et al. | Fuzzy sliding mode control with state estimation for velocity control system of hydraulic cylinder using a new hydraulic transformer | |
| CN110456646B (zh) | 基于ekf的锚杆钻机钻臂摆角自适应滑模控制系统设计方法 | |
| Zhou et al. | Adaptive robust control design for underwater multi-dof hydraulic manipulator | |
| CN111648758B (zh) | 一种水井钻机推进装置无模型自适应控制方法及系统 | |
| CN108415252B (zh) | 基于扩张状态观测器的电液伺服系统模型预测控制方法 | |
| CN111338209B (zh) | 一种基于扩张干扰观测器的电液伺服系统自适应控制方法 | |
| CN110703608B (zh) | 一种液压伺服执行机构智能运动控制方法 | |
| CN106402089B (zh) | 一种基于耦合干扰观测器的级联电液伺服系统控制方法及系统 | |
| Shen et al. | Robust controller design of the integrated direct drive volume control architecture for steering systems | |
| CN111546350A (zh) | 一种多关节重载液压机器人系统及高精度运动控制方法 | |
| Sha et al. | New model and sliding mode control of hydraulic elevator velocity tracking system | |
| Shen et al. | An extended state observer-based control design for electro-hydraulic position servomechanism | |
| CN113110037A (zh) | 一种电液伺服系统智能自学习pid控制方法 | |
| Zad et al. | Robust Model Predictive position Control of direct drive electro-hydraulic servo system | |
| Li et al. | Adaptive robust H∞ control for double support balance systems | |
| CN110107563B (zh) | 存在负载干扰情况下多电液伺服执行器分布协同控制方法 | |
| Guo et al. | Adaptive Composite Fuzzy Dynamic Surface Control for Electro‐Hydraulic‐System, with Variable‐Supply‐Pressure | |
| Feng et al. | Adaptive sliding mode controller based on fuzzy rules for a typical excavator electro-hydraulic position control system | |
| CN113625547A (zh) | 一种控制器的主阀位置控制方法 | |
| Jinxing et al. | Parameter identification and control algorithm of electrohydraulic servo system for robotic excavator based on improved hammerstein model | |
| Huang et al. | Indirect adaptive fuzzy sliding-mode control for hydraulic manipulators | |
| CN111897228B (zh) | 一种水井钻机回转装置无模型自适应控制方法及系统 | |
| Cao et al. | The adaptive robust tracking control of deep-sea hydraulic manipulator based on backstepping design |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210608 |