CN209942765U - 一种自适应神经网络自动猫道 - Google Patents

Abstract

一种基于自适应神经网络自动猫道，包括检测车架平移系统位置的第一位移传感器、检测提升滑车位置的第二位移传感器、检测车架平移系统与撑杆组件角度的第一角位移传感器、检测举升系统与撑杆组件之间角度的第二角位移传感器、检测举升系统与坡道之间角度的第三角位移传感器、在举升系统底部有检测钻具质量的重力传感器以及对驱动装置进行控制的驱动控制器；六个传感器负责将所检测的线位移信号、角位移信号、质量信号传送给驱动控制器，驱动控制器将其接受到的信号与目标函数进行对比，将出现的误差利用小波基算法进行误差控制。动力猫道定位快、时间精准、反应及时；其抗干扰性和自学能力强，能快速准确的估计并补偿模型的不定性项。

Description

一种自适应神经网络自动猫道

技术领域

本实用新型涉及一种自适应神经网络自动猫道。

背景技术

在现代利用自动猫道进行大规模钻采任务的时候，由于钻具输送机构在运移钻具过程中存在非线性强迫振动且难以控制以及冲击震动较强等问题；这就会导致机构发生弹性变形，影响整机稳定性和安全性、严重时会导致整机侧翻，造成人员伤亡，因此限制了在工程上的应用，钻具的上下钻台作业成为阻碍钻井装备整体自动化水平提高的瓶颈。

因此我们一方面要通过选用各种阻尼材料，研究材料的最佳引入方案、配置位置以及结构形式；另一方面研究适用于变载荷的主动控制方案。

发明内容

本实用新型的主要内容是针对现有技术不足之处，提出一种基于自适应神经网络的动力猫道。动力猫道各关节各力臂在运动过程中利用小波基神经网络控制算法计算和补偿外届干扰，并建立力臂在理想条件下的动力学模型；根据控制系统存在的不确定项d，设计自适应神经网络控制器修正上述动力学模型；从而对猫道力臂进行负反馈控制,控制器根据机器运动的实况来不断改变驱动装置的动力来抵消猫道力臂在举升钻具过程中存在的误差。

本实用新型包括平台、在平台移动的车架平移系统、撑杆组件、撑杆液压缸、坡道、提升滑车、举升系统、检测车架平移系统位置的第一位移传感器、检测提升滑车位置的第二位移传感器、检测车架平移系统与撑杆组件角度的第一角位移传感器、检测举升系统与撑杆组件之间角度的第二角位移传感器、检测举升系统与坡道之间角度的第三角位移传感器、在举升系统底部有检测钻具质量的重力传感器以及对驱动装置进行控制的驱动控制器；第一位移传感器、第二位移传感器、第一角位移传感器、第二角位移传感器、第三角位移传感器和重力传感器负责将所检测的线位移信号、角位移信号、质量信号传送给驱动控制器，驱动控制器将其接受到的信号与目标函数进行对比，将出现的误差利用小波基算法进行误差控制。

本实用新型的控制方法是：

动力猫道各关节各力臂在运动过程中利用小波基神经网络控制算法计算和补偿外届干扰，并建立力臂在理想条件下的动力学模型；根据控制系统存在的不确定项d，设计自适应神经网络控制器修正上述动力学模型；从而对猫道力臂进行负反馈控制，驱动控制器根据机器运动的实况来不断改变驱动装置的动力来抵消猫道力臂在举升钻具过程中存在的误差。

所述的小波基神经网络控制算法中，对于自动猫道，在考虑其外界干扰的情况下其动力学模型表示为：

式中：D(q)为猫道的3×1阶正定惯性矩阵，

为3×1阶离心力和哥氏力矢量G(q)为3×1阶重力矢量，

和q分别是3×1阶加速度、速度、位置矢量，τ为3×1阶控制输入力矩，d为3×1阶外界干扰。

所述的小波基神经网络控制算法表示为：

τ_L＝K_W[y₁y₂y₃]^T

上述公式为FWNN函数，其中x和τ分别为网络的输入和输出矢量，隶属度函数为

母小波函数为ψ(x)，c_ij、ω_ij分别为伸缩和平移系数。

与现有技术相比，本实用新型的有益效果：

1.有效的消除了机械臂在运动过程中出现的不确定项和干扰。

2.可以实现不同载荷钻具的输送。

3.减小了钻具运输过程中的非线性扰动。

4.本实用新型以快速、准确运送钻杆为目标，对自动猫道机械臂的控制方式进行研究，实现钻杆多载荷的快速运输。本实用新型具有较好的抗干扰性和自学习能力，并且能够快速准确地估计并且补偿不确定项d。

附图说明

图1、图2、图3和图4为猫道的结构示意图。

图5为猫道结构简图。

图6为猫道机械臂控制框图。

图7为小波基模糊神经网络控制原理图。

具体实施方式

如图1至图4所示，一种自适应神经网络自动猫道，包括平台1、在平台移动的车架平移系统2、撑杆组件3、撑杆液压缸4、坡道5、提升滑车8、举升系统6、检测车架平移系统位置的第一位移传感器9、检测提升滑车位置的第二位移传感器7、检测车架平移系统与撑杆组件角度的第一角位移传感器10、检测举升系统与撑杆组件之间角度的第二角位移传感器12、检测举升系统与坡道之间角度的第三角位移传感器13、在举升系统底部有检测钻具质量的重力传感器11以及对驱动装置进行控制的驱动控制器；第一位移传感器9、第二位移传感器7、第一角位移传感器10、第二角位移传感器12、第三角位移传感器13和重力传感器11负责将所检测的线位移信号、角位移信号、质量信号传送给驱动控制器，驱动控制器将其接受到的信号与目标函数进行对比，将出现的误差利用小波基算法进行误差控制。

如图5所示，对于猫道的机械臂，在考虑外界干扰的情况下其动力学模型可以通过拉格朗日方程来构建；首先推导出猫道在理想情况下各机械臂的动能和势能E₁、U₁、E₂、U₂、E₃、U₃，然后计算出三个机械臂质心的速度向量θ₁、θ₂、θ₃。代入拉格朗日方程求得机械臂的动力方程：

式中q_r是第r个广义坐标，E为系统动能，U为系统势能，τ为对r个广义坐标的广义力。

该问题为三自由度的动力学研究，由于势能函数U与广义速度无关，即

所以上式可以写成：

其中L是朗格朗日算子，

L＝E₁+E₂+E₃-U₁-U₂-U₃。

然后将上式整理得：

式中：D(q)为猫道的3×1阶正定惯性矩阵，

为3×1阶离心力和哥氏力矢量G(q)为3×1阶重力矢量，和q分别是3×1阶加速度、速度、位置矢量，τ为3×1阶控制输入力矩，d为3×1阶外界干扰。

图6中θ_1d、θ_2d、θ_3d是机械臂关节绞的期望运动轨迹；

是相应的期望速度。跟踪误差的论域

经过量化因子K_C1、K_C2、K_C3的作用转化为小波基模糊神经网络(FWNN)的输入论域

y₁、y₂、y₃是(FWNN)网络的输出；K_w＝[k_w1k_w2k_w3]∈R^3×2为输出因子k_ui组成的矩阵，该因子将FWNN网络的输出论域转化实际输出论域得到机械臂关节绞控制力矩如下式表达τ_L＝K_W[y₁y₂y₃]^T,式中矩阵K_W值之间相对大小亦反应了机械臂关节绞之间的耦合作用。

FWNN的结构图如图7所示，共有4层。

第一层：为输入层，该层的各个节点与输入层连接，并传递到第二层。

第二层：每个节点表示一个模糊语言词集值，计算各输入分量的语言词集的隶属度函数

隶属度函数采用小波基函数，其母波函数如式：

各语言词集上定义的隶属度函数就是通过平移和伸缩母小波函数得来的。即，对于第i个输入第j个词集A_ij，其小波隶属度函数可定义为：

式中，C_ij和ω_ij分别为伸缩和平移系数。为简化网络结构，每个输入X_i，在本文仅定义三个模糊语言词集{P,Z,N}＝{正，零，}。

第三层：该层用于计算条规则的适用度，一个节点代表一条模糊规则。这里采用所示乘法计算本层输出：

第四层：实现的是去模糊化的过程，根据上式计算FWNN的输出，式中W_ij为网络权值，表示各模糊规则输出对应的语言词集的中心值。

机械臂子系统共需要两个关节角度控制器，为此采用三个FWNN子网。子网1的网络权值、伸缩系数以及平移系数分别标记为W¹,ω¹,c¹；子网2的网络权值、伸缩系数以及平移系数分别标记为W²,ω²,c²；子网3的网络权值、伸缩系数以及平移系数分别标记为W³,ω³,c³。机械臂子系统控制力矩τ为跟踪误差e_i和跟踪误差率

输出因子矩阵K_W、子网1、子网2和子网3的网络权值、伸缩系数及平移系数的函数。为此，首先利用反向传播算法(BP)算法在线学习参数k_ui,

在线学习的算法如下式：

其中e_i为第i个关节的跟踪轨迹误差，学习算法如下

其中，下标k＝1,2；i＝1,2,3；j＝1,2,3；η₁、η₂、η₃、η₄为参数学习率。

通过小波基神经网络算法不断修正理想情况与实际情况下机械臂的偏差(θ_i-θ_id)，使机械臂运动轨迹尽可能的与目标轨迹相接近。借助小波基神经算法的鲁棒性可以弥补猫道机械臂惯性参数不确定以及系统存在的不确定项d带来的传动误差，保证猫道机械臂完成期望的运动轨迹的渐进跟踪，保证保证系统的控制精度和稳定性。

Claims (1)

1.一种自适应神经网络自动猫道，其特征在于：包括平台(1)、在平台移动的车架平移系统(2)、撑杆组件(3)、撑杆液压缸(4)、坡道(5)、提升滑车(8)、举升系统(6)、检测车架平移系统位置的第一位移传感器(9)、检测提升滑车位置的第二位移传感器(7)、检测车架平移系统与撑杆组件角度的第一角位移传感器(10)、检测举升系统与撑杆组件之间角度的第二角位移传感器(12)、检测举升系统与坡道之间角度的第三角位移传感器(13)、在举升系统底部有检测钻具质量的重力传感器(11)以及对驱动装置进行控制的驱动控制器；第一位移传感器(9)、第二位移传感器(7)、第一角位移传感器(10)、第二角位移传感器(12)、第三角位移传感器(13)和重力传感器(11)负责将所检测的线位移信号、角位移信号、质量信号传送给驱动控制器，驱动控制器将其接受到的信号与目标函数进行对比，将出现的误差利用小波基算法进行误差控制。

Images