CN114933243B - 基于多层感知机网络的桥式起重机安全控制方法及系统 - Google Patents

基于多层感知机网络的桥式起重机安全控制方法及系统 Download PDF

Info

Publication number
CN114933243B
CN114933243B CN202210574541.XA CN202210574541A CN114933243B CN 114933243 B CN114933243 B CN 114933243B CN 202210574541 A CN202210574541 A CN 202210574541A CN 114933243 B CN114933243 B CN 114933243B
Authority
CN
China
Prior art keywords
safety
bridge crane
load
crane
trolley
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
CN202210574541.XA
Other languages
English (en)
Other versions
CN114933243A (zh
Inventor
刘国良
陈惠力
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.)
Shandong University
Original Assignee
Shandong 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 Shandong University filed Critical Shandong University
Priority to CN202210574541.XA priority Critical patent/CN114933243B/zh
Publication of CN114933243A publication Critical patent/CN114933243A/zh
Application granted granted Critical
Publication of CN114933243B publication Critical patent/CN114933243B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • B66C13/16—Applications of indicating, registering, or weighing devices
    • 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
    • B66C13/04—Auxiliary devices for controlling movements of suspended loads, or preventing cable slack
    • B66C13/06—Auxiliary devices for controlling movements of suspended loads, or preventing cable slack for minimising or preventing longitudinal or transverse swinging of loads
    • B66C13/063—Auxiliary devices for controlling movements of suspended loads, or preventing cable slack for minimising or preventing longitudinal or transverse swinging of loads electrical
    • 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
    • B66C13/48—Automatic control of crane drives for producing a single or repeated working cycle; Programme control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66C—CRANES; LOAD-ENGAGING ELEMENTS OR DEVICES FOR CRANES, CAPSTANS, WINCHES, OR TACKLES
    • B66C15/00—Safety gear
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Control And Safety Of Cranes (AREA)

Abstract

本发明公开了一种基于多层感知机网络的桥式起重机安全控制方法及系统，包括：获取桥式起重机负载质量和绳长数据，以及小车的运行速度数据；根据所述数据以及预先训练好的安全距离预测模型，得到起重机的实时安全距离，进而得到起重机的实时安全范围；判断所述安全范围内是否存在障碍物，如果存在，则进入安全制动状态；其中，所述安全距离预测模型为由多层感知机网络构建的模型，所述安全制动状态能够抑制桥式起重机运动过程中的负载摆角，并且在与障碍物碰撞前安全稳定停车。本发明方法可以使桥式起重机紧急停止的同时抑制负载(被搬运的物体)摆动，保障了桥式起重机自动运输过程的安全。

Description

基于多层感知机网络的桥式起重机安全控制方法及系统
技术领域
本发明涉及起重机安全控制技术领域，尤其涉及一种基于多层感知机网络的桥式起重机安全控制方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
随着工业的快速发展，桥式起重机作为一种量大面广的起重运输设备在现代化生产过程中扮演越来越重要的角色，其运输效率很大程度上决定了工厂的生产效率，而运输效率又受到负载摆动的影响。
因此目前有很多精准定位及防摇控制方法被应用在半自动化工厂中来提高运输效率，从而实现增产。现有的桥式起重机防摇摆控制方法大多采用PID控制、输入整形控制个模型预测控制等；但是这些防摇摆控制方法均没有考虑到运行过程中的安全问题，只考虑防摇摆特性和定位的精准性，通过物理抱闸来实现紧急刹车；在工人和桥式起重机共存的动态环境中，突然出现的工人、其他障碍物和桥式起重机之间可能会存在碰撞的风险。
发明内容
为了解决上述问题，本发明提出了一种基于多层感知机网络的桥式起重机安全控制方法及系统，根据桥式起重机当前状态可以在线实时获得负载的安全区域，同时判断在该范围内是否存在障碍物，如果存在，则进入安全制动状态。该制动状态可以抑制桥式起重机运动过程中的负载摆角，并且在与障碍物碰撞前安全稳定停车。
在一些实施方式中，采用如下技术方案：
一种基于多层感知机网络的桥式起重机安全控制方法，包括：
获取桥式起重机负载质量和绳长数据，以及小车的运行速度数据；
根据所述数据以及预先训练好的安全距离预测模型，得到起重机的实时安全距离，进而得到起重机的实时安全范围；
判断所述安全范围内是否存在障碍物，如果存在，则进入安全制动状态；
其中，所述安全距离预测模型为由多层感知机网络构建的模型，所述安全制动状态能够抑制桥式起重机运动过程中的负载摆角，并且在与障碍物碰撞前安全稳定停车。
在另一些实施方式中，采用如下技术方案：
一种基于多层感知机网络的桥式起重机安全控制系统，包括：
数据获取模块，用于获取桥式起重机负载质量和绳长数据，以及小车的运行速度数据；
安全范围预测模块，用于根据所述数据以及预先训练好的安全距离预测模型，得到起重机的实时安全距离，进而得到起重机的实时安全范围；
安全制动模块，用于判断所述安全范围内是否存在障碍物，如果存在，则进入安全制动状态；
其中，所述安全距离预测模型为由多层感知机网络构建的模型，所述安全制动状态能够抑制桥式起重机运动过程中的负载摆角，并且在与障碍物碰撞前安全稳定停车。
在另一些实施方式中，采用如下技术方案：
一种终端设备，其包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，所述指令适于由处理器加载并执行上述的基于多层感知机网络的桥式起重机安全控制方法。
在另一些实施方式中，采用如下技术方案：
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的基于多层感知机网络的桥式起重机安全控制方法。
与现有技术相比，本发明的有益效果是：
(1)本发明通过构建关于系统输入信号的成本函数，求解使得成本函数在作用域上为全局最小值时的系统输入信号向量；最终实现桥式起重机跟踪参考轨迹，保证小车(执行机构)能够安全稳定停车；本发明方法可以使桥式起重机紧急停止的同时抑制负载(被搬运的物体)摆动，保障了桥式起重机自动运输过程的安全。
(2)本发明成本函数能够使桥式起重机到达目标位置，两个约束条件，第一个解决执行器的饱和约束问题，第二个约束条件保证了小车的角度约束。
(3)除了桥式起重机系统之外，本发明方法还可以根据需要应用到其他不同的系统中，具有广泛的适应性。
本发明的其他特征和附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本方面的实践了解到。
附图说明
图1为本发明实施例中基于多层感知机网络的桥式起重机安全控制方法流程图；
图2为本发明实施例中桥式起重机实验平台数据集训练过程损失函数值变化结果图；
图3为本发明实施例中基于桥式起重机实验平台数据集的多层感知机网络模型预测输出和期望输出结果图；
图4为本发明实施例中在线安全距离预测示意图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
在一个或多个实施方式中，公开了一种基于多层感知机网络的桥式起重机安全控制方法，参照图1，具体包括如下过程：
(1)获取桥式起重机负载质量和绳长(负载和小车之间连接体的长度)数据，以及小车的运行速度数据；
(2)根据所述数据以及预先训练好的安全距离预测模型，得到起重机的实时安全距离，进而得到起重机的实时安全范围；
(3)判断所述安全范围内是否存在障碍物，如果存在，则进入安全制动状态。
其中，所述安全距离预测模型为由多层感知机网络构建的模型，所述安全制动状态能够抑制桥式起重机运动过程中的负载摆角，并且在与障碍物碰撞前安全稳定停车。
本实施例中，安全距离预测模型为基于多层感知机网络构建的模型，对于模型的训练过程具体如下：
1)离线测量桥式起重机不同负载质量、不同绳长以及小车的不同运行速度下的安全距离数据，构建训练数据集和测试数据集；
具体地，按照如下方法离线获取满足负载小摇摆条件情况不同速度下的安全距离：
控制桥式起重机自动运行到目标位置，实时检测起重机速度，当速度到达目标速度时，记录此时位移x1，控制桥式起重机安全稳定停车，记录停止位移为x2，则目标速度下安全范围半径就等于d＝x2-x1。
按照上述方法离线测量桥式起重机不同负载质量、不同绳长以及小车的不同运行速度下的安全距离数据，循环执行多次，得到训练数据集和测试数据集。
2)利用所述训练数据集对安全距离预测模型进行训练；利用所述测试数据集对训练完成的安全距离预测模型进行测试，直至满足停止训练的条件，得到训练好的安全距离预测模型。
训练过程中损失函数变化如图2所示，从图中可以看出，训练100000次，得到的损失函数基本收敛到0；训练完成后测试数据集输入到训练后的多层感知机网络模型中，得到的预测输出与其期望输出结果对比如图3所示，可以看出误差在0.05m的准确率高达100％，最大误差0.0242m。
根据获取到的桥式起重机负载质量和绳长数据，以及小车的运行速度数据，将上述数据输入预先训练好的安全距离预测模型，预测得到起重机的实时安全距离；然后根据安全距离计算起重机的实时安全范围，如图4所示，计算过程如下：
S(v)＝(w×(1+K)+xb+lsinθ)×h×(1+K)
其中，v表示小车的速度，w表示负载的宽度，h表示负载的高度，图4中阴影部分表示负载的膨胀范围，危险区域的含义是当障碍物进入该区域系统就可能出现碰撞的情况，这种情况对于系统来说是危险的，从另一个角度也可以说这是负载的安全区域，因为只要这个区域内不存在障碍物，那么系统认为自己就是安全的。xb表示速度v下的制动距离，通过安全距离预测模型获得。
本实施例中，判断所述安全范围内是否存在障碍物，如果存在，则进入安全制动状态。
具体地，根据安全距离预测模型可以得到负载的安全区域范围S(v)，然后通过三维激光雷达可以检测到障碍物的坐标，最后，判断该坐标是否在安全区域范围内。
对于本实施例的安全制动控制过程说明如下：
对于非零初始状态(小车速度、负载摆角和角速度至少存在一个非零值)下的安全制动控制控制方法，只需要保证小车和负载能够安全平稳的停车，即存在时刻td满足如下关系式：
Figure BDA0003661555990000061
其中，θ(t)、v(t)、
Figure BDA0003661555990000062
分别为小车停止时的角度、速度和角速度。
根据式子(1-1)，可以定义系统状态向量为
Figure BDA0003661555990000063
制动过程中小车移动的位移作为输出结果。整个制动控制方法是后续实现自适应安全距离预测方法必不可少的环节。
为了方便分析假设F＝Fa+f，根据桥式起重机的一般二维动力学模型可以得到
Figure BDA0003661555990000071
其中，F、Fa、f分别为合外力、驱动力和阻力；
Figure BDA0003661555990000072
分别为加速度、角速度；M为小车质量、m为负载质量、g为重力加速度，θ为负载角度，l为绳长。
根据公式(1-2)，可以得到系统的空间状态表达式为：
Figure BDA0003661555990000073
y＝xm (1-4)
其中u表示输入信号，继续对连续的空间状态表达式(1-3)和(1-4)进行离散化处理，可以得到离散化的空间状态表达式为
Figure BDA0003661555990000074
其中，k表示离散时刻，Am、Bm、Cm离散时域空间状态表达式中的矩阵系数。
然后对式子(1-5)进行进一步的分析及推导可以得到如下表达式
Figure BDA0003661555990000075
其中，Np表示预测时域，Nc表示控制时域且满足Nc≤Np，ki表示采样时间。当xm(ki)给定时，可以通过式子(1-6)预测ki+1时刻到ki+Np时刻之间的所有系统状态量xm。
为了实现模型的滚动时域控制，可以根据公式(1-6)获得如下空间状态表达式：
Y＝PXm(ki)+ΨU (1-7)
其中，
Figure BDA0003661555990000081
表示系统的输入信号，
Figure BDA0003661555990000082
能够表示系统状态矩阵，可以通过该状态矩阵构建成本函数。
Figure BDA0003661555990000083
Figure BDA0003661555990000084
然后，设计了一种用于制动控制方法的非零初始状态的参考轨迹，表达式如下：
r(k)＝y(t0)×(1-tanh(λkTk)) (1-8)
其中，Tk表示离散点的控制周期，λ>0表示时间收敛系数，
Figure BDA0003661555990000085
表示小车的初始状态，这里θ(t0)、v(t0)和
Figure BDA0003661555990000086
分别表示负载的初始角度、小车的初始速度和负载初始角速度。该参考轨迹满足公式(1-1)，所以可以实现系统的快速稳定停车，同时保证在停车的过程中负载摆角被约束在很小的范围之内。
为了构建成本函数，因此需要计算不同离散时域下的参考轨迹，同理根据公式(1-8)获得如下空间状态表达式
Figure BDA0003661555990000091
其中，
Figure BDA0003661555990000092
表示模型滚动时域内的所有参考轨迹的集合。
为了使系统状态轨迹能够很好的跟踪上一小节提出的参考轨迹，可以定义系统的实时状态与参考轨迹差的平方作为成本函数，即
J(U)＝(R-Y)T(R-Y) (1-10)
将公式(1-7)代入到公式(1-10)中可以得到：
J(U)＝UT(ΨTQΨ)U-2UTΨT(R-PXm(ki)) (1-11)
其中，
Figure BDA0003661555990000094
表示三个状态变量在成本函数中的权重系数。只有在成本函数J(U)尽可能的小的时候才能促使系统状态轨迹尽可能的跟踪参考轨迹，为此必须找到最优解U使成本函数结果为最小值即
J*(U)＝minUJ(U) (1-12)
那么，下一步就是求解使成本函数J(U)在作用域上为全局最小值时的输入U，由于在实际的桥式起重机中系统存在最大输入的上下界，因此需要对输入信号进行饱和处理，同时为了避免停车过程中可能产生的碰撞，在小车制动过程中必须对负载摆角进行约束。为了使系统在最优解U作为输入时，能够同时满足上述两种情况，因此在求解J(U)最优问题时要对输入量加入相应的约束条件，以保证系统按照理想轨迹完成稳定刹车。
求解包含约束的最优解问题一般使用的方法为拉格朗日法，为解决输入上下界问题，可以加入如下约束。
Figure BDA0003661555990000093
其中，umax为执行器可以输出的最大控制量，uki为第ki阶段需要输入的控制量。
下一步，研究如何实现对负载摆角进行约束，因为成本函数(1-12)中输入量只有U，为了在最优解中引入角度约束，需要建立角度约束和输入量约束的对应关系，即当U满足某种约束时，角度也因此被约束。对系统的角度约束可以描述为
|θ(k)|≤θmax (1-14)
其中，θ(k)为公式(1-5)中xm(k)状态向量中的第一项，因此可以通过离散的空间状态表达式(1-5)找到角度约束和输入量之间的关系，接下来结合公式(1-14)可以得到：
Figure BDA0003661555990000101
其中
Figure BDA0003661555990000102
再结合公式(1-5)可以得到：
Hxm(k+1)＝HAmxm(k)+HBmu(k) (1-16)
经过计算公式(1-16)的矩阵系数可以发现：
HBm＝[0,0]T (1-17)
因此，通过空间状态表达式无法建立角度约束和输入信号约束直接的关系。
因此可以选择先找到角度约束与小车加速度之间的关系，然后再根据动力学表达式找到小车加速度和小车输入力之间的关系，最终确定角度约束和输入力之间的关系。关于加速度项进行求导，然后在(0,Tk]区间上进行积分，可以得到
Figure BDA0003661555990000103
其中，Tk为第k个周期持续的时间、ωn为系统的自然频率、a为输入的恒加速度。
公式(1-18)中的θ(0)和
Figure BDA0003661555990000117
表示当前离散控制周期Tk的初始状态同时也是上一个控制周期的终值。对公式(1-18)进一步化简，可以得到如下表达式
Figure BDA0003661555990000111
其中，|a|≤amax同时又因为|sin(*)|≤1，结合(1-19)可以得到
Figure BDA0003661555990000112
只要保证每一个控制周期的角度终值都满足公式(1-20)，就能保证
Figure BDA0003661555990000113
紧接着，根据公式(1-14)和(1-21)就可以得到：
Figure BDA0003661555990000114
将公式(1-22)中amax提取到等式左边即
Figure BDA0003661555990000115
为了使小车能够尽可能快移动，所以要使加速度尽可能大，因此amax的表达式为
Figure BDA0003661555990000116
amax为小车能够到达的最大加速度、θmax为负载的最大角度。
下一步，通过动力学方程获得加速度约束和外力之间的关系，根据表达式(1-2)中的动力学方程可以得到
F-mgθ＝Ma (1-25)
根据公式(1-14)和(1-24)可以对F进行如下约束
-Mamax-mgθ≤F≤Mamax-mgθ (1-26)
应当指出如果要使公式(1-14)，必须保证每个控制都满足如下表达式
Figure BDA0003661555990000121
根据上述分析可以获得角度约束在外力上的映射关系，结合公式(1-12)、(1-13)和(1-27)将桥式起重机的制动控制问题转化为不等式约束优化问题
Figure BDA0003661555990000122
其中，
Figure BDA0003661555990000123
表示在第ki-1周期结束时刻的负载摆动角度，
Figure BDA0003661555990000124
表示在第ki周期内的输入信号。接下来，利用拉格朗日乘数法解决不等式优化问题(1-28)，对其建立拉格朗日函数：
Figure BDA0003661555990000125
其中，Amin为约束条件的最小值、
Figure BDA0003661555990000126
为第ki-1阶段初始时刻的摆动角度、Nc为控制时域。
μ1和μ2表示约束方程(1-13)的拉格朗日乘数，μ3和μ4表示约束方程(1-27)的拉格朗日乘数，结合公式(1-11)拉格朗日函数(1-29)，可以推得不等式优化问题的最优解的必要条件(KKT)如下所示：
Figure BDA0003661555990000131
通过上述公式，获得不等式约束优化问题的最优解U，取控制向量U中的第一项作为滚动时域内第一个控制周期的输入信号。最终实现桥式起重机跟踪参考轨迹，从而保证小车可以安全稳定停车。
实施例二
在一个或多个实施方式中，公开了一种基于多层感知机网络的桥式起重机安全控制系统，包括：
数据获取模块，用于获取桥式起重机负载质量和绳长数据，以及小车的运行速度数据；
安全范围预测模块，用于根据所述数据以及预先训练好的安全距离预测模型，得到起重机的实时安全距离，进而得到起重机的实时安全范围；
安全制动模块，用于判断所述安全范围内是否存在障碍物，如果存在，则进入安全制动状态；
其中，所述安全距离预测模型为由多层感知机网络构建的模型，所述安全制动状态能够抑制桥式起重机运动过程中的负载摆角，并且在与障碍物碰撞前安全稳定停车。
需要说明的是，上述各模块的具体实现方式已经在实施例一中进行了说明，此处不再详述。
实施例三
在一个或多个实施方式中，公开了一种终端设备，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例一中的基于多层感知机网络的桥式起重机安全控制方法。为了简洁，在此不再赘述。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例四
在一个或多个实施方式中，公开了一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行实施例一中所述的基于多层感知机网络的桥式起重机安全控制方法。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (7)

1.一种基于多层感知机网络的桥式起重机安全控制方法，其特征在于，包括：
获取桥式起重机负载质量和绳长数据，以及小车的运行速度数据；
根据所述数据以及预先训练好的安全距离预测模型，得到起重机的实时安全距离，进而得到起重机的实时安全范围；
判断所述安全范围内是否存在障碍物，如果存在，则进入安全制动状态；
其中，所述安全距离预测模型为由多层感知机网络构建的模型，所述安全制动状态能够抑制桥式起重机运动过程中的负载摆角，并且在与障碍物碰撞前安全稳定停车；
得到起重机的实时安全范围，具体包括：
Figure QLYQS_1
其中，
Figure QLYQS_2
表示小车的速度，
Figure QLYQS_3
表示负载的宽度，
Figure QLYQS_4
表示负载的高度，
Figure QLYQS_5
表示绳长，
Figure QLYQS_6
表示负载摆动角度，
Figure QLYQS_7
表示预测的安全距离，
Figure QLYQS_8
表示物体的膨胀系数；
所述安全制动状态具体为：
构建关于系统输入信号的成本函数，具体为：定义系统的实时状态与参考轨迹的差的平方作为成本函数，即
Figure QLYQS_9
其中，R表示模型滚动时域内的所有参考轨迹的集合，Y表示系统状态矩阵；
所述成本函数满足：当成本函数尽可能小时，才能使得系统状态轨迹尽可能的跟踪参考轨迹；
求解使得成本函数在作用域上为全局最小值时的系统输入信号向量；
取所述系统输入信号向量中的第一项作为滚动时域内第一个控制周期的输入信号，最终实现桥式起重机跟踪参考轨迹，保证小车能够安全稳定停车。
2.如权利要求1所述的一种基于多层感知机网络的桥式起重机安全控制方法，其特征在于，对于安全距离预测模型的训练过程，具体为：
离线测量桥式起重机不同负载质量、不同绳长以及小车的不同运行速度下的安全距离数据，构建训练数据集和测试数据集；
利用所述训练数据集对安全距离预测模型进行训练；利用所述测试数据集对训练完成的安全距离预测模型进行测试，直至满足停止训练的条件，得到训练好的安全距离预测模型。
3.如权利要求1所述的一种基于多层感知机网络的桥式起重机安全控制方法，其特征在于，求解使得成本函数在作用域上为全局最小值时的系统输入信号向量时，对输入信号进行饱和处理，同时在小车制动过程中对负载摆角进行约束。
4.如权利要求3所述的一种基于多层感知机网络的桥式起重机安全控制方法，其特征在于，所述对负载摆角进行约束，具体包括：
Figure QLYQS_10
其中，
Figure QLYQS_11
为小车的质量、
Figure QLYQS_12
为系统允许的最大加速度、
Figure QLYQS_13
为负载的质量、
Figure QLYQS_14
为重力加速度、
Figure QLYQS_15
为 ki-1时刻负载摆动角度、
Figure QLYQS_16
为ki时刻的小车受到的合力。
5.一种基于多层感知机网络的桥式起重机安全控制系统，应用于权利要求1-4任一项所述的一种基于多层感知机网络的桥式起重机安全控制方法，其特征在于，包括：
数据获取模块，用于获取桥式起重机负载质量和绳长数据，以及小车的运行速度数据；
安全范围预测模块，用于根据所述数据以及预先训练好的安全距离预测模型，得到起重机的实时安全距离，进而得到起重机的实时安全范围；
安全制动模块，用于判断所述安全范围内是否存在障碍物，如果存在，则进入安全制动状态。
6.一种终端设备，其包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行权利要求1-4任一项所述的基于多层感知机网络的桥式起重机安全控制方法。
7.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行权利要求1-4任一项所述的基于多层感知机网络的桥式起重机安全控制方法。
CN202210574541.XA 2022-05-25 2022-05-25 基于多层感知机网络的桥式起重机安全控制方法及系统 Active CN114933243B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210574541.XA CN114933243B (zh) 2022-05-25 2022-05-25 基于多层感知机网络的桥式起重机安全控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210574541.XA CN114933243B (zh) 2022-05-25 2022-05-25 基于多层感知机网络的桥式起重机安全控制方法及系统

Publications (2)

Publication Number Publication Date
CN114933243A CN114933243A (zh) 2022-08-23
CN114933243B true CN114933243B (zh) 2023-06-06

Family

ID=82865767

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210574541.XA Active CN114933243B (zh) 2022-05-25 2022-05-25 基于多层感知机网络的桥式起重机安全控制方法及系统

Country Status (1)

Country Link
CN (1) CN114933243B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116880293B (zh) * 2023-07-20 2023-12-26 济南大学 一种基于显式模型预测控制的四足机器人控制方法及控制终端
CN117699663B (zh) * 2024-01-12 2024-08-30 南开大学 一种基于操作意图识别的起重机控制方法与系统
CN117574117B (zh) * 2024-01-16 2024-04-30 杭州宇泛智能科技有限公司 基于神经网络的塔群三维防碰撞快速计算模型的训练方法
CN118145505B (zh) * 2024-05-08 2024-08-13 广州鲲鹏物联科技有限公司 一种基于机器视觉的起重机安全控制方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101919471B1 (ko) * 2018-06-26 2018-11-16 이진숙 크레인 장착용 모니터링 장치
JP7130901B2 (ja) * 2019-09-30 2022-09-06 株式会社日立プラントメカニクス クレーンにおける衝突防止装置
CN111704038B (zh) * 2020-07-13 2021-05-07 大连理工大学 一种考虑避障的桥式起重机路径规划方法
CN112279104B (zh) * 2020-10-26 2023-01-17 湖北微特智能技术有限公司 吊车防撞控制方法、装置、系统、计算机设备和存储介质
CN114488801B (zh) * 2022-01-18 2023-12-22 无锡安起科技有限公司 一种基于数据驱动的桥式起重机模型预测控制方法

Also Published As

Publication number Publication date
CN114933243A (zh) 2022-08-23

Similar Documents

Publication Publication Date Title
CN114933243B (zh) 基于多层感知机网络的桥式起重机安全控制方法及系统
WO2021175313A1 (zh) 自动驾驶控制方法、装置、车辆及存储介质
CN112242069B (zh) 一种确定车速的方法和装置
CN110794851B (zh) 车辆远程控制安全防护方法、装置和无人驾驶车辆
Pecora et al. A loosely-coupled approach for multi-robot coordination, motion planning and control
WO2017104775A1 (en) Method for controlling vehicle and control system of vehicle
CN108931981A (zh) 一种自动驾驶车辆的路径规划方法
CN112432654B (zh) 一种渣土车的状态分析方法和装置及存储介质
JP5733518B2 (ja) 運動予測制御装置と方法
CN113955637B (zh) 一种三维双摆桥式吊车的防摆控制方法及控制系统
CN113433947A (zh) 基于障碍车估计与预测的交叉路口轨迹规划与控制方法
JP5258013B2 (ja) 天井クレーンによる搬送方法およびこの搬送方法を利用した天井クレーンシステム
CN112904890A (zh) 一种电力线路的无人机自动巡检系统及方法
CN110027547A (zh) 车辆横向控制方法和装置
KR20220070467A (ko) 자동차의 폭방향 및 길이방향 안내 동안 데드타임 보상 기술
CN113336110A (zh) 一种海上起重机时间最优轨迹控制方法及系统
CN115157249A (zh) 一种动态目标跟踪方法、装置和机器人
Tong et al. Experimental and theoretical analysis on truss construction robot: automatic grasping and hoisting of concrete composite floor slab
Farrage et al. Time-optimal trajectory generation of rotary cranes with load sway reduction using only horizontal boom motion
CN116700288A (zh) 一种基于自适应模型预测控制的移动机器人局部轨迹规划方法及系统
Farrage et al. Trajectory generation of rotary cranes based on A* algorithm and time-optimization for obstacle avoidance and load-sway suppression
Gustafsson et al. Automatic control of unmanned cranes at the Pasir Panjang terminal
CN113419542A (zh) 一种路径规划的方法、装置及存储介质
CN101995846B (zh) 移动体系统和移动体的到位判定方法
US20230393581A1 (en) Moving-body path calculation device

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