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方案

本发明专利技术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。本发明专利技术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，本发明专利技术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。

【技术实现步骤摘要】
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
本专利技术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。
技术介绍
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。
技术实现思路
专利技术目的：为了克服现有技术的缺陷和不足，本专利技术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，本专利技术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：所述激励函数输出值收敛至优选地，所述步骤4中模糊输出值为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):IfxisAiandyisBjThenuk＝pkx+qky+rkx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，本专利技术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为本专利技术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为本专利技术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专利技术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SATECSTAD-2000角度测量仪来测量载物角度，采用SICKDL-100激光测距仪来测量小车位置，采用SCIYONNT6000V3A控制器运行控制程序，采用SCIYONKD-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SICKDL-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SATECSTAD-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(linearquadraticregulator)方法，设系统输出u(t)＝-Kx(t)本文档来自技高网...

【技术保护点】
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：/n(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；/n(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；/n(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；/n(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；/n(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。/n

【技术特征摘要】
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；
(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。


2.根据权利要求1所述的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，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。


3.根据权利要求1所述的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，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。


4.根据权利要求3所述的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，所述步骤3中产生的激励函数形式为：所述激励函数输出值收敛至


5.根据权利要求3所述的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，所述步骤4中模糊输出值为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):IfxisAiandyisBj
Thenuk＝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...

【专利技术属性】
技术研发人员：牛丹，陈有成，李奇，陈夕松，李世华，刘进波，
申请(专利权)人：东南大学，南京科远智慧科技集团股份有限公司，南京闻望自动化有限公司，
类型：发明
国别省市：江苏;32