神經網絡辨識的液壓挖掘機LPV模型

邵輝， 胡艷麗， 洪雪梅， 王飛

(華僑大學 信息科學與工程學院， 福建 廈門 361021)

?

神經網絡辨識的液壓挖掘機LPV模型

邵輝， 胡艷麗， 洪雪梅， 王飛

(華僑大學 信息科學與工程學院， 福建 廈門 361021)

摘要：針對液壓挖掘機動臂關節的非線性建模問題，提出一種基于神經網絡的線性變參數(LPV)模型的辨識方法.在各個工作點處根據其關節速度的一階慣性加延遲模型，獲得其關節角度模型；結合調度變量特性，采用神經網絡辨識出LPV模型的參數，設計出挖掘機動臂在全局工作范圍的LPV模型.通過仿真實驗，驗證了該方法的有效性和模型的準確性.

關鍵詞：液壓挖掘機； 動臂關節; 神經網絡； 線性變參數； 辨識

液壓挖掘機是結構最復雜、用途最廣泛的工程機械之一.目前，大部分液壓挖掘機屬手動控制，它操作速度慢，效率低，無法應對相對危險的環境[1].因此，實現挖掘機的自動控制是提高效率和安全性的必要途徑.對復雜的非線性系統，線性建模方法[2]在非線性因數變化很大時并不適用，而現有的非線性建模方法如機理模型[3]、Volterra級數[4]、非線性ARMAX[5]、Wiener模型[6]等也存在著很多缺陷.最大的問題是非線性過程的復雜性和辨識的高成本.因此，需要尋找一種更好的、低成本的非線性建模方法.神經網絡的線性變參數(linear parameter varying，LPV)是Shamma等[7]在研究增益調度控制時首先引入的.對于大部分具有非線性特性的工業過程，其系統并不是在整個操作域內隨機無序的進行，而是存在一個與系統動態特性相關的調度變量.而LPV系統的動態特性依賴實時可測的外部參數，其調度參數反映了系統的非線性特性或時變特性，根據調度變量建立系統的LPV模型可以滿足系統后繼的控制要求.由一個非線性系統得到其LPV模型有2種方法：基于系統動態方程的分析法[8]和基于系統輸入輸出的實驗法[9]，實驗法常用于辨識LPV的黑箱模型[10].為了辨識系統模型，需要進一步將其參數化，文獻[11-13]對此進行了大量的研究，多是將過程模型參數用調度變量的非線性函數表示，采用遞歸最小二乘法估計模型參數，得到LPV模型.由于調度變量高度的相互依存性，相互之間的函數關系并不明確,且考慮到神經網絡可以快速有效地辨識多輸入多輸出的高度非線性系統.因此，本文采用實驗法，提出了基于神經網絡的LPV模型的非線性辨識方法.

1系統的基本結構

液壓挖掘機控制系統是指對發動機、液壓泵、多路換向閥和執行元件(液壓缸、液壓馬達)等動力系統進行控制的系統[2],如圖1所示.

圖1　液壓挖掘機控制系統Fig.1　Control system of the hydraulic excavator

若要對挖掘機進行準確的控制，則必須建立其準確的模型.選取挖掘機的動臂關節，對其進行合理的建模.在單一工作點時，根據工程簡化，其閥門開度與動臂關節速度之間是一階慣性加延遲系統，則閥門開度與關節角度之間的傳遞函數可以表示為

式(1)中包括3個參數依賴系統：系統的穩態增益K；二階系統的時間常數T；延遲量τ.

整個系統是典型的非線性時變系統，K，T，τ分別是關于系統調度變量的函數,均受閥門開度、動臂位置及其運動方向的影響.系統通過閥門開度將泵排出的液壓油提供到各元件，使挖掘機完成各項工作，而挖掘機動臂的運動方向及其位置的及時反饋也會驅使挖掘機分流閥動作，使挖掘機在理想的工作面上工作.選擇閥門開度、動臂運動方向及其角度作為系統的調度變量.則系統可表示為

2神經網絡LPV模型辨識

2.1　前饋神經網絡計算

圖2　神經網絡結構模型Fig.2　Neural network structure model

若Ui是輸入層節點i的輸出，Uk是輸出層節點k的輸出，Uj是隱含層節點j的輸出，則隱含層的第j個節點的輸入表示為

第j個節點的輸出為

式(5)中:q為隱含層節點數.則輸出層第k個節點的實際網絡輸出為

2.2　神經網絡訓練步驟

使用神經網絡預測，首先要訓練網絡，通過訓練使網絡具有聯想記憶和預測能力，有以下6個步驟.

步驟1網絡初始化.

步驟3計算實際輸出.

步驟4根據網絡預測輸出與期望輸出，計算網絡預測誤差.

步驟5更新權值.

步驟6判斷算法是否結束，若沒有，則返回步驟2.

通過對實驗數據的多次訓練，神經網絡達到了理想的效果.

3仿真及實驗

3.1　采集數據

根據挖掘機提取的數據(部分)，如表1所示.表1中:n為實驗次數；τ，K，T為近似數值.

表1　挖掘機特性實驗數據

表1中:測定位姿為挖掘機動臂關節所在位姿的角度，其中，位姿No.1是動臂關節運動到最高極限70.5°角，位姿No.2是運動到水平 10.5°角.選擇典型工作點采集數據并建立神經網絡，經過多次訓練，結果如圖3所示.從圖3可以看出：神經網絡具有較高的擬合能力.

圖3　神經網絡預測輸出Fig.3　Output of neural network

3.2　仿真及實驗

在已完成神經網絡的基礎上，于Matlab/Simulink中建立挖掘機的仿真模型.對挖掘機動臂在開度為100%，從位姿No.1運動到位姿No.2，以及開度為43.75%和31.25%時，從位姿No.2運動到位姿No.1時的運動情況進行階躍、正弦響應實驗仿真，結果如圖4所示.

(a) w=[100%,-70.5°,1] (b) w=[43.75%,-10.5°,-1]

(c) w=[31.25%,-10.5°,-1] (d) w=[31.25%,-10.5°,-1]　圖4　階躍和正弦響應曲線Fig.4　Step and sinusoidal response curve

由圖4比較分析可知：該LPV模型能夠很好地逼近真實過程；因為調度變量的全局性，該LPV模型可以模擬系統在整個工作范圍內的活動，節省了工作量.

4結論

為了簡化模型并降低成本，提出一種基于神經網絡的LPV辨識方法.該方法建立在具有簡單結構的數學模型上，結合系統的非線性時變特性，通過神經網絡建立調度變量與辨識參數之間的聯系.通過仿真實驗，得到以下2點結論.

1) 引入神經網絡，辨識出動態模型參數，能夠簡單快速地構建系統模型，并在全局范圍內有效.

2) 基于神經網絡的LPV模型結構簡單，保證了后繼的控制器設計簡單可行.

參考文獻：

[1]LIBo,YANJun,GUOGang,etal.Highperformancecontrolofhydraulicexcavatorbasedonfuzzy-PIsoft-switchcontroller[C]∥IEEEInternationalConferenceonComputerScienceandAutomationEngineering.Shanghai:IEEEPress,2011:676-679.

[2]LUGuangming,SUNLining,XUYuan.BPnetworkcontroloverthetrackofworkingdeviceofhydraulicexcavator[J].ChineseJournalofMechanicalEngineering,2005,41(5):199-122.

[3]XIANGQiangzhong,LIDongliang.Mechanical-hydrauliccouplingsimulationforhydraulicexcavatorworkingmechanism[C]∥2ndInternationalConferenceonAdvancedEngineeringMaterialsandTechnology.Zhuhai:AdvancedMaterialsResearch,2012:494-497.

[4]BOUILLOCT,FAVIERG.NonlinearchannelmodelingandidentificationusingbasebandVolterraParafacmodels[J].SignalProcessing,2012,92(6):1492-1498.

[5]SHARDTY,HUANGBiao.Closed-loopidentificationconditionforARMAXmodelsusingroutineoperatingdata[J].Automatica,2011,47(7):1534-1537.

[6]BIAGIOLASI,FIGUEROAJL.IdentificationofuncertainMIMOWienerandHammersteinmodels[J].ComputersandChemicalEngineering,2011,35(12):2867-2875.

[7]SHAMMAJ,ATHANSM.Guaranteedpropertiesofgainscheduledcontrolforlinearparameter-varyingplants[J].Automatica,1991,27(3):559-564.

[8]YUETing,WANGLixin,AIJunqiang.Gainself-scheduledH1controlformorphingaircraftinthewingtransitionprocessbasedonanLPVmodel[J].ChineseJournalofAeronautics,2013,26(4):909-917.

[9]CASELLAF,LOVERAM.LPV/LFTmodelingandidentification:Overviewsynergiesandacasestudy[C]∥IEEEConferenceonComputerAidedControlSystemDesign.SanAntonio:IEEEPress,2008:852-857．

[10]SALAHCP,EL-DINE,MAHDIS,etal.Black-boxversusgrey-boxLPVidentificationtocontrolamechanicalsystem[C]∥IEEE51stAnnualConferenceonDecisionandControl.Maui:IEEEPress,2012:5152-5157.

[11]KNOBLACHA,SAUPEF.LPVgrayboxidentificationofindustrialrobotsforcontrol[C]∥IEEEInternationalConferenceonControlApplications.Dubrovnik:IEEEPress,2012:831-836.

[12]BAMIEHB,GIARREL.Identificationforlinearparametervaryingmodels[J].InternationalJournalofRobustandNonlinearControl,2002,12(9):841-853.

[13]邵輝,野波健藏.Peltier熱電設備的LPV建模及多參考模型IPD自適應控制研究[J].南京理工大學學報,2011,35(增刊1):85-90.

[14]邵輝,胡偉石,羅繼亮.自動挖掘機的動作規劃[J].控制工程,2012,19(4):594-597.

(責任編輯： 黃曉楠 英文審校： 吳逢鐵)

LPVModelofHydraulicExcavatorBasedon

NeuralNetworkIdentification

SHAOHui，HUYanli，HONGXuemei，WANGFei

(CollegeofInformationScienceandEngineering,HuaqiaoUniversity,Xiamen361021,China)

Abstract：A linear parameter varying model is proposed based on neural network identification for building the hydraulic excavator boom model. The model of the joint angle is obtained based on the first-order plus dead time model of the joint velocity at each working-point. Depending on scheduling variable characteristics, the LPV model parameters are identified by using neural network, and the global LPV model of the excavator boom in the workspace is designed. The simulations and experiments indicate the accuracy of the model and the validity of the method.

Keywords：hydraulic excavator； boom joint； neural network； variable linear parameter； identification

基金項目：國家自然科學青年基金計劃資助項目(61203040)； 福建省科技計劃引導性項目(Z1525022)； 福建省泉州市科技計劃項目(2013Z34)

通信作者：邵輝(1973-)，女，副教授，博士，主要從事機器人控制、運動規劃、過程控制及智能控制的研究.E-mail:shaohuihu11@163.com.

收稿日期：2014-09-25

中圖分類號：TP 273

文獻標志碼：A

doi:10.11830/ISSN.1000-5013.2016.01.0043

文章編號：1000-5013(2016)01-0043-05