基于神經元控制的橋式起重機吊重防擺系統

趙華洋, 李 理, 張春友, 王利華, 吳曉強

(內蒙古民族大學 機械工程學院， 內蒙古 通遼 028000)

基于神經元控制的橋式起重機吊重防擺系統

趙華洋, 李 理, 張春友, 王利華, 吳曉強

(內蒙古民族大學 機械工程學院， 內蒙古 通遼 028000)

重物在吊運過程中由于存在慣性不可避免的產生擺動，傳統減擺方法是當出現擺動后，靠負載自重使擺動幅度自然減弱后再繼續操作，這樣往往付出了降低工作效率的代價。為提高工作效率和減小作業風險，對橋式起重機吊重擺動問題進行研究，通過建立其Lagrange 動力學微分方程，對吊重擺動規律和影響因素進行分析。同時，提出一種單神經元PID控制策略，分別對小車的位置和吊重的擺角進行控制，利用神經網絡自學習功能克服傳統PID控制參數無法在線整定的局限。分析結果表明，與傳統方法相比，單神經元PID控制策略可有效實現小車精確定位和快速消除吊重搖擺，魯棒性好，為實際應用提供理論依據。

橋式起重機； 擺動； 神經網絡； PID控制

0 引 言

橋式起重機作為一種吊裝設備，廣泛應用于港口、碼頭等場合。重物在吊運過程中由于存在慣性，不可避免的產生擺動，傳統減擺方法往往以降低工作效率為代價，當出現擺動后，靠負載自重使擺動幅度自然減弱后再繼續操作，是一種消極的減擺方式[1]，因此，尋求一種可靠的減擺控制策略是國內外學者普遍研究的問題。通過分析系統的數學模型，采用最優控制理論對吊重擺角進行控制，取得了很好的控制效果[2]。文獻[3]中應用線性二次型LQR研究了起重機的吊重擺動機理，設計了模糊自整定PID防擺控制器，對位置環和擺角環分別進行控制，取得了較好的防擺效果。史良偉等[4]設計2個模糊自適應PID控制器，分別對吊重小車的位移以及吊重本身的擺動進行控制，使被控對象具有良好的動靜性能，在消除穩態誤差以及參數控制等方面具有一定的可行性。杜文正等[5]設計了利用PSO算法優化PID參數的定位防擺控制器，實現了無超調無靜差的精確定位，同時載荷擺動得到了快速有效的抑制，且具有較好的動態性能。鐘斌等[6]采用小車位置信息，設計狀態觀測器，通過反饋觀測器的狀態變量估計信息形成閉環控制系統，使吊重擺角在規定時間內以指定誤差衰減為零，實現吊重的防搖控制。

針對橋式起重機非線性、多變量等問題，本文提出將神經網絡控制應用于防擺控制系統中，依靠神經元自學習功能實時整定PID的控制參數，克服傳統PID參數不能在線調整的問題。同時，把小車位置與吊重擺角作為控制器的輸入，以實現小車的精確定位和吊重有效防擺。

1 動力學分析

如圖1所示，橋式起重機的結構主要包括大車和小車兩部分。小車和吊重之間柔性連接，當大車或小車在做加(減)速運動時，在慣性的作用下，吊重會發生搖擺，不僅影響了吊運的工作效率，也存在一定的安全隱患。

圖1 橋式起重機結構

發生擺動時，吊重與鋼絲繩之間產生偏角，防擺控制的實質就是控制偏角在最短時間內衰減到規定范圍內，節省吊運時間，降低工人勞動強度。因為大車和小車在各自方向上做水平移動，這兩個方向上的運動是自然解耦的，且對吊重搖擺影響效果相同，近似獨立。因此，為簡化分析，假設大車靜止不動，并忽略鋼絲繩的彈性變形以及空氣阻力的影響，建立防擺系統的簡化力學模型，如圖2所示[7-9]。

圖2 起重機的簡化模型

選取小車水平位置x，擺角θ以及繩長l為系統的廣義坐標，則Lagrange動力學微分方程為[10-12：

(1)

式中：m1為小車質量；m2為吊重質量；θ為吊重擺角；l為鋼絲繩長度；μ為小車與軌道間摩擦系數；x為小車移動距離；F為小車受到的驅動力。

因為吊重擺動主要集中在小車水平運動階段，為便于分析，不考慮起重機垂直方向的運動，即忽略繩長l的變化，且在實際應用中吊重擺角較小，所以可視sinθ≈θ,cosθ≈1，系統模型可簡化為：

(2)

(3)

(4)

分析發現，繩長L與小車加(減)速度是影響吊重擺角的主要因素，因此消除吊重擺角的最有效的方法就是合理控制小車運行狀態，設計能精確定位小車位置的控制器，是橋式起重機防擺系統的關鍵。

2 控制策略

傳統PID控制雖然簡單易于實現，但由于其控制參數不能在線整定，當外部條件發生變化時，無法保證精確的控制效果，其表達式為：

(5)

式中：Kp為比例系數；Ti為積分常數；Td為微分常數；u(t)為輸出信號；e(t)為偏差信號。

神經網絡控制具有收斂速度快、可在線學習的特點，可實時對PID控制參數進行調整，神經元模型如圖3所示。

圖3 神經元模型

神經網絡表示多輸入到單輸出的映射關系，能逼近任意形式的非線性函數，表示式為：

(6)

式中：xi(t)為輸入激勵信號；β為神經元的闕值；wi(t)為神經元連接權系數。

將單神經元控制與傳統PID控制相結合，即單神經元PID控制應用于橋式起重機吊重防擺系統，其控制原理如圖4所示。

圖4 單神經元PID控制原理

將單神經元的3個連接權系數分別對應PID控制器比例、積分和微分的系數[13-15]，偏差信號e(t)經轉換后作為單神經元的輸入信號xi(t)(i=1,2,3)，即：

(7)

設wi(t)(i=1,2,3)代表輸入信號xi(t)所對應的連接權系數，K(K>0)為神經元增益，則神經元控制量u(t)的增量Δu(t)為：

K(w1x1+w2x2+w3x3)

(8)

由式(7)、(8)得：

Δu(t)=K{w1e(t)+w2[e(t)-e(t-1)]+

w3[e(t)-2e(t-1)+e(t-2)]}

(9)

式(9)與增量式PID的控制規律形式基本一致，不同的是神經元的權值wi能通過其自學習功能進行自動調整，所以該神經元相當于是一種自適應PID。

連接權系數wi(t)(i=1,2,3)的整定，采用有監督的Hebb學習規則，算法如下：

式中：ηi為學習速率(i=1,2,3)。

3 仿真分析

采用有監督Hebb學習規則，將單位階躍信號作為系統輸入，并在1 s處加入干擾信號，在Matlab/simulink中對所建模型進行仿真，取η1=50，η2=10，η3=5，K=0.6，wi=1，m1=1 000 kg，m2=2 000 kg，l=3.5 m，并與傳統PID控制策略進行對比，響應曲線如圖5、6所示。

圖5 階躍信號響應曲線

圖6 干擾后的階躍信號響應曲線

與常規PID控制相比，單神經元PID控制策略超調量縮減了62%左右，穩態時間縮短了38%左右，收斂速度更快，并且有更好的抗干擾能力。

4 實 驗

為驗證理論分析的正確性，對QD32 /5型橋式起重機進行實際測試：

測試數據跨度22 m，最大起升高度12 m，額定起吊重量為30 t，小車驅動電機功率6.3 kW，轉速900 r /min，制動力矩200 N·m，其它參數與仿真一致。

工況小車以0.15 m/s2的加速度運行距離為0.8m時開始制動，制動后進行數據采集，采樣時間為40 s。取小車的位置和吊重擺角作為評價指標，并與傳統PID控制策略進行對比，測試結果如圖7～10所示。

圖7 傳統PID控制小車位置

圖8 單神經元PID控制小車位置

圖9 傳統PID控制吊重擺角

圖10 單神經元PID控制吊重擺角

為進一步說明所用方法的有效性，將測試結果進行列表對比，如表1所示。

表1 測試結果對比

可見，兩種方法都能使小車準確定位，并有效消除吊重的擺動。與傳統PID控制策略相比，單神經元PID控制策略的定位精度提高27%，定位時間縮短41%，消除擺角時間縮短48%，控制效果更為有效。

5 結 語

(1) 對橋式起重機吊運過程中吊重搖擺問題展開研究。首先分析了影響小車定位精度和吊重擺角的因素，把控制小車運行狀態作為設計控制器的主要思路。

(2) 利用神經網絡的自學習功能和收斂速度快的特點，提出單神經元PID控制策略，并采用Hebb學習規則，克服了傳統PID控制參數不能實時在線整定的問題，使其更具適應性。

(3) 把小車的運動位置和吊重擺角作為控制指標進行分析，結果表明，所用方法能實現小車的精確定位和有效消除擺角，克服了吊重擾動對小車位置的影響，抗干擾能力強，防擺效果好，為提高橋式起重機吊運效率，減小作業風險提供理論依據。

[1] 王曉軍，邵惠鶴.時變輸入整形在橋式起重機防搖控制中的應用[J]. 系統仿真學報，2007, 19 (3): 623-626.

[2] Schindele D, Menn I, Aschemann H. Nonlinear optimal control of an overhead travelling crane [C]//18th IEEE International Conference on Control Applications Part, 2009,1045-1050.

[3] 胡艷麗.基于模糊PID的橋式起重機防擺控制研究[D]. 鄭州：河南理工大學，2011.

[4] 史良偉，李 虹，王占軍. 基于模糊自適應PID控制的橋式起重機定位防擺研究[J]. 機械工程與自動化,2014(10):170-172.

[5] 杜文正,童國林, 強寶民,等. 陳橋式起重機定位和防擺的粒子群算法優化PID控制[J]. 兵工自動化, 2012, 31(11)：32-37.

[6] 鐘 斌，趙曉青. 起重機吊重系統魯棒滑模觀測器設計[J]. 西安理工大學學報, 2014,30(4):425-430.

[7] 朱發淵，汪朝暉，李欣欣.橋式起重機定位和消擺的非線性優化PID控制研究[J].制造業自動化,2014,(12):76-79.

[8] 張 晶. 起重機吊重防搖控制研究及控制卡的設計[D]. 成都：西南交通大學, 2008.

[9] 張 晶, 陳春俊, 鐘 斌,等. 基于DSP的橋門式起重機吊重防搖控制系統設計[J]. 中國測試, 2007, 33(5):53-55.

[10] 楊春燕．橋式起重機定位和防擺的RBF神經網絡控制[J]. 中國科技論文在線, 2011,6(4):320-324.

[11] Omar H M, Nayfeh A H. Gain scheduling feedback control for tower cranes [J]. Journal of Vibration and Control, 2013,9(3):399-418.

[12] 鐘 斌, 程文明, 吳 曉,等. 橋門式起重機吊重防搖狀態反饋控制系統設計[J]. 電機與控制學報, 2007, 11(5):492-496.

[13] 蘇 晴, 張 氫. 岸邊集裝箱起重機防搖及速度控制研究[J]. 建筑機械, 2008(4):87-92.

[14] 鐘 斌, 程文明, 唐連生. 起重機吊重智能防搖CAN控制系統的設計[J]. 起重運輸機械, 2007, 2007(6):38-40.

[15] 羅 均，周玉美，胡鉅奇，等.基于模糊PID 的仿生機械云臺系統研究[J].新型工業化，2013,10(3)：16-22.

ResearchonAnti-swingSystemofBridgeCranebyNeuronControl

ZHAOHuayang,LILi,ZHANGChunyou,WANGLihua,WUXiaoqiang

(Mechanical Engineering College, Inner Mongolia University for the Nationalities College, Tongliao 028000, Inner Mongolia, China)

In order to improve the working efficiency and reduce the operating risk, the crane swing problem is studied, and a Lagrange dynamic equation is established. At the same time, a single neuron PID control strategy is proposed to control the position of the car and the swing angle of the crane. The use of neural network can overcome the limitation of the traditional PID control that parameters cannot be adjusted online. The results show that compared with the traditional method, the single neuron PID control strategy can realize the precise positioning of the car and the rapid elimination of the swing of the crane, and provide a theoretical basis for the practical application.

overhead traveling crane; swing; neural network; PID control

U 675.5

A

1006-7167(2017)11-0064-04

2017-03-10

國家自然科學基金項資助(6144041)；內蒙古自治區高等學校研究項目(NJZY17206)；內蒙古自治區高校蓖麻產業工程技術研究中心開放基金項目(NDK2017032)

趙華洋(1974-)，男，內蒙古通遼人，碩士，副教授，研究方向機械電子。

Tel.: 15048508088; E-mail:187145524@qq.com