橋式吊車智能降抖振滑?？刂?/h1>

2020-12-23 04:33劉漢東劉惠康柴琳

現(xiàn)代電子技術(shù)訂閱 2020年23期 收藏

關(guān)鍵詞：滑模控制Matlab仿真參數(shù)優(yōu)化

劉漢東 劉惠康 柴琳

摘 ?要： 針對(duì)橋式吊車的快速定位及抑制擺動(dòng)問題，以滑?？刂茷榛A(chǔ)，在Matlab仿真中采用粒子群算法對(duì)滑?？刂破髦械闹匾獏?shù)進(jìn)行優(yōu)化。同時(shí)，由于在傳統(tǒng)的滑模控制當(dāng)中，狀態(tài)軌跡到達(dá)滑模面后，幾乎無法嚴(yán)格按照滑模面向著平衡點(diǎn)滑動(dòng)，而是在其兩側(cè)來回穿越，由此產(chǎn)生顫動(dòng)即抖振，因此引入模糊控制來降低滑?？刂浦写嬖诘亩墩瘛＝Y(jié)果表明：系統(tǒng)在快速定位及抑制擺動(dòng)的同時(shí)也降低了控制量的抖振幅度，可見，經(jīng)過粒子群算法及模糊規(guī)則優(yōu)化后的橋式吊車滑?？刂破骶哂辛己玫目刂菩Ч?。

關(guān)鍵詞： 滑模控制; 抖振降低; 橋式吊車; 參數(shù)優(yōu)化; 模糊控制; Matlab仿真

中圖分類號(hào)： TN876?34; TP18 ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼： A ? ? ? ? ? ? ? ? ? ? ?文章編號(hào)： 1004?373X（2020）23?0085?05

Abstract： In order to realize fast positioning and swing suppression of bridge crane， particle swarm optimization （PSO） algorithm is used in Matlab simulation to optimize the important parameters of sliding mode controller according to the sliding mode control. Since the state trajectory of the traditional sliding mode control can hardly slide to the equilibrium point through the sliding mode surface when it reaches the sliding mode surface， but crosses back and forth on the both sides， which produces chattering， namely buffeting， the fuzzy control is introduced to reduce the existing buffeting in the sliding mode control. The results show that the buffeting amplitude of the control quantity is reduced while the system locates rapidly and suppresses swing. It can be seen that the bridge crane′s sliding mode controller optimized by PSO and fuzzy rules has a good control effect.

Keywords： sliding mode control; buffeting reduction; bridge crane; parameter optimization; fuzzy control; Matlab simulation

0 ?引 ?言

橋式行車作為一種重物搬動(dòng)裝置，在很多工業(yè)場合下具備極大作用，但是由于其屬于欠驅(qū)動(dòng)系統(tǒng)，在其臺(tái)車運(yùn)動(dòng)的過程中其吊繩必然會(huì)發(fā)生擺蕩，容易造成危險(xiǎn)。對(duì)于吊車如何以較快速度到達(dá)指定位置的同時(shí)又能夠消除吊重?cái)[繩的擺動(dòng)成為眾多相關(guān)專家學(xué)者研究的問題[1?2]。

對(duì)此，相關(guān)領(lǐng)域的學(xué)者已經(jīng)進(jìn)行了一些研究并有了如下成果：文獻(xiàn)[3]結(jié)合軌跡規(guī)劃理論，提出一種高效的在線軌跡跟蹤控制策略，取得了良好的控制效果，但其對(duì)模型做了較大的近似，不夠精確;文獻(xiàn)[4]設(shè)計(jì)的控制器盡管控制性能良好，但是忽略了吊車所受的摩擦力;文獻(xiàn)[5]通過向PID控制器中添加專家經(jīng)驗(yàn)，得到了令人滿意的控制效果，但由于其使用了簡化模型，因此與實(shí)際差距較大。而滑?？刂谱鳛橐环N有效的非線性控制方法[6]，對(duì)欠驅(qū)動(dòng)系統(tǒng)具有優(yōu)良的控制性能，不過由于其控制特性，容易造成控制量的抖振，故在此使用PSO算法對(duì)控制器參數(shù)進(jìn)行優(yōu)化并引入模糊規(guī)則降低抖振，在實(shí)現(xiàn)吊車快速定位及消擺的同時(shí)降低抖振。

1 ?吊車系統(tǒng)動(dòng)力學(xué)模型

1.1 ?吊車模型的建立

橋式行車是一種強(qiáng)耦合、單輸入多輸出的復(fù)雜系統(tǒng)。為了方便建模，在此做一些必要的假設(shè)：

1） 吊車運(yùn)行時(shí)，由于工況要求，臺(tái)車和橋架不可同時(shí)運(yùn)動(dòng)，故在此忽略橋架機(jī)構(gòu)的運(yùn)動(dòng)。

2） 忽略風(fēng)阻。

3） 臺(tái)車及吊運(yùn)重物的運(yùn)動(dòng)均處在同一平面。

4） 吊繩的質(zhì)量忽略不計(jì)。

假設(shè)臺(tái)車與行進(jìn)軌道間的摩擦力和臺(tái)車運(yùn)行速度關(guān)系為正比例關(guān)系，摩擦因數(shù)設(shè)為[μ]。

二維橋式行車的示意圖如圖1所示。在圖1中，設(shè)臺(tái)車和吊重質(zhì)量分別為[M]和[m]，擺長為[l]，吊重?cái)[角為[θ]，臺(tái)車所受驅(qū)動(dòng)力和摩擦阻力分別為[F]和[f]，鋼繩受到的張力為[fl]。

1.2 ?模型的簡化

在實(shí)際生產(chǎn)操作中，由于工況要求，在起重機(jī)小車移動(dòng)時(shí)要保證提升電機(jī)處于制動(dòng)狀態(tài)，使吊車吊運(yùn)系統(tǒng)在吊運(yùn)時(shí)的繩長保持不變[7]，也就是令[l≈l≈0]，無需對(duì)[fl]作控制，只需考慮臺(tái)車位置[x]和吊重?cái)[角[θ]的狀態(tài)，[F]是唯一控制量。故由式（5）可得吊重繩長不變的吊車系統(tǒng)的位置[x]和擺角[θ]的表達(dá)式為：

2.2 ?粒子群算法原理

粒子群算法是模擬鳥群隨機(jī)尋找食物這一流程的一種算法[8]。設(shè)指定的區(qū)域里僅有一份食物，而所有的小鳥都不知道食物所在地，故研究人員認(rèn)為每只鳥之間有著信息的互通。經(jīng)過對(duì)自身適應(yīng)度值的預(yù)估，這些個(gè)體能夠知道現(xiàn)在的位置與食物的距離，故尋找現(xiàn)在離食物距離最短的鳥的四周可以最迅速地獲取食物，以此達(dá)到群體最優(yōu)。

2.3 ?優(yōu)化過程設(shè)計(jì)

由于缺乏有效的整定方法，滑?？刂破鞯膮?shù)往往是根據(jù)經(jīng)驗(yàn)賦值并進(jìn)行驗(yàn)證后得出，這樣的設(shè)置有較大的主觀性，不夠精確客觀，造成控制效果有限。故在此引入粒子群算法進(jìn)行最優(yōu)參數(shù)的搜索和確定，既能讓吊車比較快速地定位，又可最終消除擺角。

粒子群算法需要建立一個(gè)性能指標(biāo)函數(shù)作為其確定誤差是否最小的標(biāo)準(zhǔn)。常用的指標(biāo)如下：ISE，IAE，ITAE，ISTE。本文選用的指標(biāo)函數(shù)為ITAE，其定義如下：

由此得到將臺(tái)車位移和擺角誤差合二為一的性能指標(biāo)函數(shù)。

用PSO算法對(duì)滑模器的參數(shù)進(jìn)行優(yōu)化設(shè)計(jì)，其過程如圖2所示。

算法過程詳細(xì)敘述如下：

1） 算法初始化。

2） 計(jì)算所有個(gè)體的目標(biāo)適應(yīng)度值。將各組參數(shù)按順序?qū)нM(jìn)Simulink仿真模型并計(jì)算適應(yīng)度值。接下來判斷個(gè)體條件，篩選出較優(yōu)的解，并隨機(jī)選取個(gè)體作為全局最優(yōu)解。

3） 根據(jù)PSO算法對(duì)應(yīng)的刷新模式對(duì)種群進(jìn)行刷新。

4） 計(jì)算新種群的適應(yīng)度值，判斷個(gè)體條件形成新的較優(yōu)解，與已經(jīng)得到的解一起去掉重復(fù)個(gè)體并刷新最優(yōu)解。

5） 判斷是否滿足循環(huán)終止條件。若滿足，輸出最優(yōu)解;否則，重復(fù)步驟3）。

3 ?仿真研究

3.1 ?參數(shù)設(shè)置及仿真結(jié)果分析

建立Simulink仿真框圖如圖3所示。

設(shè)置粒子群算法的參數(shù)為：慣性因子為0.6，加速度常數(shù)設(shè)為2，維數(shù)為4（有4個(gè)待優(yōu)化參數(shù)），種群個(gè)體數(shù)為30，最多循環(huán)50次，最低適應(yīng)度為0.1，收斂速率為[-1，1]，待優(yōu)化參數(shù)范圍均為[-100，100]。由于滑?？刂破鞯腫w]，[k]對(duì)系統(tǒng)影響不大，同時(shí)為簡單起見，根據(jù)經(jīng)驗(yàn)，將[w]，[k]的值分別設(shè)為300和100，臺(tái)車期望值設(shè)為3 m。吊車的各項(xiàng)參數(shù)設(shè)置如表1所示。

運(yùn)行粒子群算法，經(jīng)過1 500次計(jì)算后得到[c1=]1.836 975，[c2=]58.279 10，[c3=]5.423 948，[c4=]11.749 29，將4個(gè)值代入到控制模型中， 可得吊車位移、擺角及控制量的曲線圖，如圖4～圖6所示。

由圖4，圖5可知，臺(tái)車約在第11 s時(shí)抵達(dá)期望位置，同時(shí)，[θ]的最大值約為1.8°，盡管響應(yīng)速度不算太快，但擺角也相應(yīng)地減小了。與文獻(xiàn)[9]設(shè)計(jì)的模糊自整定PID法相比，盡管抵達(dá)指定處略慢，但[θ]也相應(yīng)變小了;與文獻(xiàn)[10]設(shè)計(jì)的自適應(yīng)神經(jīng)網(wǎng)絡(luò)控制與學(xué)習(xí)法相比，本文方法不僅系統(tǒng)響應(yīng)時(shí)間更慢，且擺角更小，而且擺角最終趨近于零。表2為各控制器性能對(duì)比。

由圖6可知，控制量曲線出現(xiàn)了高頻抖振現(xiàn)象，且控制力變化范圍過大（-300～300 N），不利于控制系統(tǒng)的正常工作，因此接下來將引入模糊規(guī)則來抑制抖振。

3.2 ?抑制抖振

在滑?？刂浦校硐氲拈_關(guān)函數(shù)sgn（）很難實(shí)現(xiàn)，時(shí)間及空間上的滯后會(huì)造成滑動(dòng)模態(tài)反復(fù)穿越滑模面，從而造成抖振[11]。為了解決這一問題，可以引入模糊規(guī)則，根據(jù)滑模面及其變化率的積適當(dāng)調(diào)節(jié)切換增益[w]的大小，從而降低抖振幅度。

在常規(guī)的滑模控制中，滑模存在的條件為[ss<0]。當(dāng)此條件成立時(shí)，[w]應(yīng)減小，即[Δw<0];若[ss>0]，則[w]應(yīng)增大，即[Δw>0]，讓滑動(dòng)模態(tài)向滑模面靠近。因此，設(shè)[e=ss]，則[e]和[Δ][w]對(duì)應(yīng)的函數(shù)關(guān)系如下：

1） 若[e>0]，則[Δw>0];

2） 若[e<0]，則[Δw<0]。

根據(jù)以上[e]和[Δw]對(duì)應(yīng)的函數(shù)關(guān)系，可得[e]和[Δw]對(duì)應(yīng)的模糊規(guī)則如表3所示。

模糊系統(tǒng)的輸入和輸出隸屬度函數(shù)如圖7，圖8所示。

由圖9～圖11可知，控制量的抖振幅度得到了大幅降低，大小基本上在-50～50 N內(nèi)變化，處于可接受范圍內(nèi)，而且臺(tái)車的位移曲線幾乎不變，擺角最大值略有降低，說明模糊規(guī)則的引入在降低抖振的同時(shí)保持了滑?？刂破鞯目刂菩阅堋？梢?，用模糊規(guī)則降低抖振的方法適用于本吊車系統(tǒng)。

4 ?結(jié) ?語

本文通過在Matlab中運(yùn)行所設(shè)計(jì)的橋式吊車滑?？刂破髂Ｐ秃?，可得出如下結(jié)論：

1） 通過粒子群算法并結(jié)合微分平坦理論對(duì)滑?？刂破鞯牟糠謪?shù)進(jìn)行優(yōu)化選擇之后，控制器讓吊車以較快速度定位的同時(shí)也消除了擺角，控制效果良好。

2） 由于傳統(tǒng)滑?？刂破鞯目刂屏烤哂卸墩襁@一問題，因此引入模糊控制降低抖振。結(jié)果表明經(jīng)過模糊控制優(yōu)化后控制量的抖振幅度得到了大幅降低，證明模糊規(guī)則可以有效抑制抖振。

注：本文通訊作者為劉惠康。

參考文獻(xiàn)

[1] 彭夢揚(yáng).高溫熔融金屬轉(zhuǎn)運(yùn)大型橋式起重機(jī)智能控制方法研究[D].武漢：武漢科技大學(xué)，2018：1?2.

[2] 孫寧.欠驅(qū)動(dòng)吊車軌跡規(guī)劃與非線性控制策略設(shè)計(jì)、分析及應(yīng)用[D].天津：南開大學(xué)，2014：1?2.

[3] SUN Ning， FANG Yongchun. An efficient online trajectory genera?ting method for underactuatedcrane systems [J]. International journal of robust & nonlinear control， 2014， 24（11）： 1653?1663.

[4] 朱長建，姜洪喆，王偉，等.汽車起重機(jī)吊物防擺可控因素實(shí)驗(yàn)分析及理論研究[J].高技術(shù)通訊，2016，26（8）：767?772.

[5] 閆冠宇，鄧淇文.專家PID吊車防擺定位控制系統(tǒng)[J].電子測試，2018（23）：16?17.

[6] 劉金琨.滑模變結(jié)構(gòu)控制Matlab仿真：基本理論與設(shè)計(jì)方法[M].3版.北京：清華大學(xué)出版社，2015：1?2.

[7] 黃凱.起重機(jī)自適應(yīng)智能防擺控制方法及其仿真研究[D].南京：南京林業(yè)大學(xué)，2007：8?102.

[8] 杜云，劉冰，邵士凱，等.基于改進(jìn)粒子群算法的無人機(jī)航跡規(guī)劃[J].河北工業(yè)科技，2019，36（5）：335?340.

[9] 徐致遠(yuǎn).橋式吊車水平運(yùn)動(dòng)過程智能防擺控制技術(shù)研究[D].沈陽：沈陽工業(yè)大學(xué)，2005：49?52.

[10] 賴嘯，劉勇，代艷霞，等.橋式吊車系統(tǒng)的自適應(yīng)神經(jīng)網(wǎng)絡(luò)控制與學(xué)習(xí)[J].機(jī)械設(shè)計(jì)與制造，2018（6）：114?117.

[11] 劉金琨.滑模變結(jié)構(gòu)控制Matlab仿真：先進(jìn)控制系統(tǒng)設(shè)計(jì)方法[M].4版.北京：清華大學(xué)出版社，2015：1?2.

猜你喜歡

滑模控制Matlab仿真參數(shù)優(yōu)化

基于干擾觀測器的PID滑模變結(jié)構(gòu)控制

價(jià)值工程(2016年35期)2017-01-23

基于神經(jīng)網(wǎng)絡(luò)的動(dòng)力電池組焊接參數(shù)優(yōu)化研究

科教導(dǎo)刊·電子版(2016年30期)2016-12-26

基于多算法的ROV遠(yuǎn)程協(xié)同控制器設(shè)計(jì)與實(shí)現(xiàn)

軟件導(dǎo)刊(2016年11期)2016-12-22

微信網(wǎng)絡(luò)的信息傳播模型研究

現(xiàn)代情報(bào)(2016年11期)2016-12-21

常規(guī)PID控制和常規(guī)模糊控制的比較

科學(xué)與財(cái)富(2016年26期)2016-12-01

研究LTE與WCDMA系統(tǒng)間小區(qū)互操作與參數(shù)優(yōu)化

電腦知識(shí)與技術(shù)(2016年24期)2016-11-14

基于磁流變技術(shù)的汽車發(fā)動(dòng)機(jī)隔振系統(tǒng)的參數(shù)優(yōu)化

科技視界(2016年23期)2016-11-04

感應(yīng)電機(jī)低速運(yùn)行時(shí)自適應(yīng)狀態(tài)觀測器研究

科技視界(2016年21期)2016-10-17

現(xiàn)代電子技術(shù)2020年23期

現(xiàn)代電子技術(shù)的其它文章

NOMA系統(tǒng)中基于復(fù)合形法的功率分配

基于RFID技術(shù)的圖書館智能管理系統(tǒng)

D2D通信中信道分配與功率優(yōu)化聯(lián)合算法

虛擬三維視覺技術(shù)的園林景觀仿真系統(tǒng)設(shè)計(jì)

多特征加權(quán)指數(shù)熵在光斑中心定位中的應(yīng)用

融合RGB-D信息的三維物體識(shí)別算法