基于卡尔曼滤波器的桥式起重机离散滑模控制方法及系统技术方案

本发明专利技术公开了一种基于卡尔曼滤波器的桥式起重机离散滑模控制方法及系统，方法包括：根据实际桥式起重机建立动力学方程，通过线性化，将非线性系统转换为连续状态空间的形式，通过离散化将其转化为离散系统模型；设计扩展的离散系统，使用卡尔曼滤波器观测系统的状态量以及不确定性扰动；设计含有干扰估计项的自适应离散滑模趋近律；根据等效控制得出离散滑模控制律；结合所述卡尔曼滤波器、所述自适应离散滑模趋近律，构建了基于卡尔曼滤波器的自适应离散滑模控制。本发明专利技术有效地抑制了存在不确定性外界及噪声等的影响，使系统稳定收敛速度得到了提高，增强了控制系统的鲁棒性，最终能够实现快速高效的到达目标位置与负载摆动抑制。抑制。抑制。

【技术实现步骤摘要】
基于卡尔曼滤波器的桥式起重机离散滑模控制方法及系统


[0001]本专利技术涉及的
是欠驱动起重机系统运动控制领域，尤其涉及一种基于卡尔曼滤波器的桥式起重机离散滑模控制方法及系统。

技术介绍

[0002]桥式起重机作为一种典型的欠驱动系统，在工业上广泛应用，以方便货物的运输。大多数经典的起重机控制依赖于操作人员的经验，运输效率有限，对操作人员的要求非常严格。在实际应用中，桥式起重机的工作环境复杂，起重机不可避免的会受到未建模动态以及外部不确定性干扰的影响，这会使得控制性能严重下降。另外，由于传感器需要高维护成本以及系统噪声和测量噪声的存在，严重阻碍了起重机欠驱动部分摇摆角精确的直接测量。在这些情况下，要实现台车与负载的准确定位，同时快速抑制负载的摆动，成了一个极具挑战性的问题。

技术实现思路

[0003]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0004]鉴于上述现有存在的问题，提出了本专利技术。
[0005]因此，本专利技术提供了一种基于卡尔曼滤波器的桥式起重机离散滑模控制方法及系统，能够在实际工作环境中存在外部干扰以及噪声情况下，将摆动角度控制在可接受的范围内。
[0006]为解决上述技术问题，本专利技术提供如下技术方案，包括：
[0007]根据桥式起重机实际参数建立拉格朗日动力学方程，从而建立二维起重机非线性模型；
[0008]将所述二维起重机非线性模型线性化，并通过离散化将线性化后的模型转化为离散系统模型；
[0009]基于所述离散系统模型，使用卡尔曼滤波器来估计扰动，同时对欠驱动系统的状态量进行准确估计；
[0010]基于滑模变结构控制，设计自适应离散滑模指数趋近律，利用状态量误差定义离散滑模面，根据等效控制得出离散滑模控制律；
[0011]结合所述卡尔曼滤波器、所述自适应离散滑模指数趋近律，构建基于卡尔曼滤波器的自适应离散滑模控制，实现定位与消摆。
[0012]作为本专利技术所述的基于卡尔曼滤波器的桥式起重机离散滑模控制方法的一种优选方案，其中：
[0013]所述建立二维起重机非线性模型包括：一个驱动力和两个状态量，其中所述驱动力为作用在小车平移力，所述两个状态量为台车位移和负载的摆角，同时包含了不确定性
扰动；
[0014][0015][0016]其中：m为负载的质量，M为台车的质量，g为重力加速度，l为吊绳的长度，x代表小车位置，θ为有效载荷摆角，F是作用在小车上的驱动力，f代表不确定性扰动。
[0017]作为本专利技术所述的基于卡尔曼滤波器的桥式起重机离散滑模控制方法的一种优选方案，其中：
[0018]所述将所述二维起重机非线性模型线性化包括：根据所述非线性模型，在系统平衡点进行线性化：sin≈θ，cos≈1，θ2≈0，然后得出连续状态空间方程如下：
[0019][0020]y
m
(t)＝Hx
m
(t)
[0021]其中状态向量u(t)是系统输入，d(t)是未知的扰动，y
m
(t)是系统的输出，矩阵Γ，Φ，H表示如下：
[0022][0023][0024][0025]作为本专利技术所述的基于卡尔曼滤波器的桥式起重机离散滑模控制方法的一种优选方案，其中：
[0026]所述通过离散化将线性化后的模型转化为离散系统模型包括：选择采样周期为T
s
，将连续状态空间模型转化为离散状态空间模型：
[0027]X(k+1)＝AX(k)+B(u(k)+d(k))
[0028]y(k)＝CX(k)
[0029]其中X(k)是系统状态在k时刻的矩阵,u(k)是k时刻的输入，d(k)是k时刻的扰动矩阵，y(k)为k时刻的输出，C为输出系数矩阵。
[0030]作为本专利技术所述的基于卡尔曼滤波器的桥式起重机离散滑模控制方法的一种优选方案，其中：
[0031]所述基于所述离散系统模型，使用卡尔曼滤波器来估计扰动，同时对欠驱动系统的状态量进行准确估计包括：基于离散系统状态空间模型构建一个状态扩展模型，其中扩展的状态向量X
e
(k)为包含系统状态量矩阵X(k)和外部不确定性扰动项d(k)：
[0032]X
e
(k)＝[X(k)d(k)]T
[0033]扩展系统的状态方程如下：
[0034]X
e
(k+1)＝A
e
X
e
(k)+B
e
u(k)+d(k)+w(k)
[0035]y
e
(k)＝C
e
x
e
(k)+v(k)
[0036]其中X
e
(k)是k时刻扩展状态向量，y
e
(k)是输出矩阵，u(k)是k时刻的输入，d(k)是外部不确定扰动，w(k)为过程噪声，v(k)为测量噪声，设过程和测量噪声是白高斯噪声序列，相互独立，不相关，且满足正态分布，则Q,R为噪声协方差矩阵，矩阵A
e
，B
e
，C
e
表示为：
[0037][0038][0039][0040]作为本专利技术所述的基于卡尔曼滤波器的桥式起重机离散滑模控制方法的一种优选方案，其中：
[0041]所述基于滑模变结构控制，设计自适应离散滑模指数趋近律，利用状态量误差定义离散滑模面，根据等效控制得出离散滑模控制律包括：设计自适应离散滑模面：
[0042]s(k)＝C
n
e(k)
[0043]其中e(k)＝X(k)
‑
X
d
(k)，X
d
(k)＝[x
d
(k) 0 0 0]T
，x
d
(k)为参考轨迹，C
n
为待设计的控制器参数矩阵；
[0044]设计自适应离散滑模趋近率为：
[0045][0046]其中s(k)是第k时刻的滑模面，T
s
为系统采样周期，q和ε为可调参数，
是指数自适应项，是外部扰动的误差项，μ(k)是自适应开关切换增益项：
[0047][0048]其中α是大于0的可调参数，σ和K是介于0到1的可调参数。
[0049]作为本专利技术所述的基于卡尔曼滤波器的桥式起重机离散滑模控制方法的一种优选方案，其中：
[0050]所述构建基于卡尔曼滤波器的自适应离散滑模控制包括：
[0051]利用卡尔曼滤波器估计系统的状态以及外部不确定性扰动和噪声，将卡尔曼滤波器算法分为两步：
[0052]首先根据初始条件噪声协方差矩阵Q,R和k时刻的系统状态X
e
(本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卡尔曼滤波器的桥式起重机离散滑模控制方法，其特征在于，包括：根据桥式起重机实际参数建立拉格朗日动力学方程，从而建立二维起重机非线性模型；将所述二维起重机非线性模型线性化，并通过离散化将线性化后的模型转化为离散系统模型；基于所述离散系统模型，使用卡尔曼滤波器来估计扰动，同时对欠驱动系统的状态量进行准确估计；基于滑模变结构控制，设计自适应离散滑模指数趋近律，利用状态量误差定义离散滑模面，根据等效控制得出离散滑模控制律；结合所述卡尔曼滤波器、所述自适应离散滑模指数趋近律，构建基于卡尔曼滤波器的自适应离散滑模控制，实现定位与消摆。2.如权利要求1所述的基于卡尔曼滤波器的桥式起重机离散滑模控制方法，其特征在于，所述建立二维起重机非线性模型包括：一个驱动力和两个状态量，其中所述驱动力为作用在小车平移力，所述两个状态量为台车位移和负载的摆角，同时包含了不确定性扰动；其中：m为负载的质量，M为台车的质量，g为重力加速度，l为吊绳的长度，x代表小车位置，θ为有效载荷摆角，F是作用在小车上的驱动力，f代表不确定性扰动。3.如权利要求1或2所述的基于卡尔曼滤波器的桥式起重机离散滑模控制方法，其特征在于，所述将所述二维起重机非线性模型线性化包括：根据所述非线性模型，在系统平衡点进行线性化：sin≈θ，cos≈1，θ2≈0，然后得出连续状态空间方程如下：y
m
(t)＝Hx
m
(t)其中状态向量u(t)是系统输入，d(t)是未知的扰动，y
m
(t)是系统的输出，矩阵Γ，Φ，H表示如下：
4.如权利要求3所述的基于卡尔曼滤波器的桥式起重机离散滑模控制方法，其特征在于，所述通过离散化将线性化后的模型转化为离散系统模型包括：选择采样周期为T
s
，将连续状态空间模型转化为离散状态空间模型：X(k+1)＝AX(k)+B(u(k)+d(k))y(k)＝CX(k)其中X(k)是系统状态在k时刻的矩阵,u(k)是k时刻的输入，d(k)是k时刻的扰动矩阵，y(k)为k时刻的输出，C为输出系数矩阵。5.如权利要求4所述的基于卡尔曼滤波器的桥式起重机离散滑模控制方法，其特征在于，所述基于所述离散系统模型，使用卡尔曼滤波器来估计扰动，同时对欠驱动系统的状态量进行准确估计包括：基于离散系统状态空间模型构建一个状态扩展模型，其中扩展的状态向量X
e
(k)为包含系统状态量矩阵X(k)和外部不确定性扰动项d(k)：X
e
(k)＝[X(k) d(k)]
T
扩展系统的状态方程如下：X
e
(k+1)＝A
e
X
e
(k)+B
e
u(k)+d(k)+w(k)y
e
(k)＝C
e
x
e
(k)+v(k)其中X
e
(k)是k时刻扩展状态向量，y
e
(k)是输出矩阵，u(k)是k时刻的输入，d(k)是外部不确定扰动，w(k)为过程噪声，v(k)为测量噪声，设过程和测量噪声是白高...

【专利技术属性】
技术研发人员：欧阳慧珉，史荣，
申请(专利权)人：南京工业大学，
类型：发明
国别省市：