【技術實現步驟摘要】
本專利技術涉及塔式吊車控制，具體的說，是涉及塔式吊車自適應神經網絡控制方法、系統、介質及設備。
技術介紹
1、本部分的陳述僅僅是提供了與本專利技術相關的
技術介紹
信息，不必然構成在先技術。
2、塔式吊車系統控制面臨的主要挑戰來自于它們的欠驅動特性，即控制輸入的數量少于其待控自由度。這會導致無法控制的負載擺動，可能會影響安全和精確度。為了解決這個問題，研究人員開發了各種不同的控制策略，包括自適應控制、滑模控制以及智能控制方法，如模糊邏輯和神經網絡。自適應控制方法特別有效，它們能夠實時調整控制參數以應對變化的負載和環境條件；滑模控制是另一種被廣泛研究的魯棒控制技術，因其對參數變化和外部擾動的不敏感性而受到關注；智能控制方法，如模糊邏輯和神經網絡，也已成功應用到塔式吊車系統中。這些方法不需要塔式吊車系統的準確數學模型，這在設計復雜和非線性動力學時是有利的，它們提供了更有效地處理不確定性和非線性的手段。
3、鑒于上述對塔式吊車系統控制的討論，未解決的問題和未來研究的潛在方向總結如下：
4、1)?大多數現有的塔吊控制方法都是使用簡化模型開發的，這些模型線性化或近似了起重機的動力學。如果塔式吊車系統的狀態變量顯著偏離平衡點，可能是由于不可預見的干擾，那么這些簡化模型與實際系統動力學之間可能存在很大差異，這種差異可能會對控制性能產生不利影響，甚至可能導致系統不穩定。
5、2)?在現實世界的伺服電機中，輸入死區是常見做法，這是包括塔吊系統在內的機電系統的固有特性。然而，為了簡化塔吊控制器的設計，通常
6、3)?現有的全驅動系統方法只能確保復雜塔吊系統的平衡點的最終一致有界性，這意味著誤差向量最終會匯聚到一個非常小的區域，盡管不是正好在原點。
7、4)?為了獲取不可用的高階信號，重復微分可能會引入噪聲并扭曲信號，這種行為可能會降低反饋回路的精度，并可能導致過大的瞬時控制輸入。
8、5)?對于受不確定動力學影響、狀態不可用和輸入死區的欠驅動塔吊系統，顯然需要一種控制方法，可以確保未驅動狀態被驅動到目標值，并有堅實的理論基礎，這種方法還應該能夠方便地適應各種操作需求，并旨在簡化推導過程，然而，迄今為止，還沒有提出成功整合精度、適應性和廣泛適用性的全面控制框架。
技術實現思路
1、本專利技術為了解決上述問題，本專利技術提供塔式吊車自適應神經網絡控制方法、系統、介質及設備，將自適應神經網絡集成到控制器中，避免參數不確定性和輸入死區等問題，從而大大增強了塔式吊車系統的魯棒性，且通過精心構造體現被驅動和未驅動狀態之間耦合關系的輔助變量，將原始的非線性欠驅動閉環系統重塑為線性全驅動系統，這種轉換確保了輔助變量和被驅動以及未驅動狀態的集體漸近收斂，提高了塔式吊車系統的穩定性。
2、為了實現上述目的，本專利技術采用如下技術方案：
3、本專利技術的第一個方面提供塔式吊車自適應神經網絡控制方法，其包括：
4、獲取塔式吊車系統參數和期望位置；
5、基于塔式吊車系統參數，以自適應神經網絡作為控制器，驅動輔助向量、可驅動誤差向量和欠驅動狀態向量收斂，以不斷調整輸入權重向量和估計誤差的估計值，使控制器生成控制輸入，基于控制器生成的控制輸入，結合由死區特性引起的控制輸入，得到塔式吊車系統的控制輸入，驅動塔式吊車系統的狀態向量跟蹤期望位置；
6、其中，可驅動誤差向量為期望位置與可驅動狀態向量之間的誤差，可驅動狀態向量包括懸臂回轉角和臺車位移；欠驅動狀態向量為負載擺角；輔助向量表示可驅動和欠驅動狀態之間耦合關系。
7、進一步地，所述塔式吊車系統的狀態向量包括懸臂回轉角、臺車位移和負載擺角。
8、進一步地，所述塔式吊車系統參數包括臺車和負載質量、懸臂慣性矩、吊繩長度和摩擦力系數。
9、進一步地，所述輔助向量基于塔式吊車系統中欠驅動子系統的動態屬性構建，所述輔助向量表示為：，其中，為廣義向量，為關于時間的一階導數，為關于時間的二階導數，的表達式為=，和分別表示可驅動狀態向量和欠驅動狀態向量，和表示正的對角矩陣，為可驅動誤差向量，，，，，，，，，，，，，，，，，，，，，，為負載質量，為吊繩長度，和為摩擦力系數， g為重力加速度，為懸臂回轉角，為臺車位移，和為負載擺角，、、和分別為、、和的縮寫。
10、進一步地，所述輔助向量由狀態觀測器估計得到，所述狀態觀測器為：，其中，為輔助向量的估計，以及分別表示輸入權重向量和估計誤差的估計值，為觀測增益矩陣，，，，，為已知名義對角矩陣，為基函數，表示的估計，包含無法直接測量的狀態向量，為系統輸出。
11、進一步地，所述自適應神經網絡為：，其中，表示待調節控制矩陣，為已知名義對角矩陣，為基函數，表示的估計，包含無法直接測量的狀態向量，為輔助向量，以及分別表示輸入權重向量和估計誤差的估計值，由更新率得到。
12、進一步地，所述塔式吊車系統采用動力學模型，并通過全驅系統方法分解為兩個子系統：，，其中，和分別表示可驅動狀態向量和欠驅動狀態向量，為控制輸入向量，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，和分別為臺車和負載質量，為懸臂慣性矩，為吊繩長度，為懸臂回轉控制扭矩，為臺車平移控制力，、、和為摩擦力系數， g為重力加速度，為懸臂回轉角，為臺車位移，和為負載擺角，、、、、和分別為、、、、和的縮寫。
13、本專利技術的第二個方面提供塔式吊車自適應神經網絡控制系統，其包括：
14、數據獲取模塊，其被配置為：獲取塔式吊車系統參數和期望位置；
15、控制模塊，其被配置為：基于塔式吊車系統參數，以自適應神經網絡作為控制器，驅動輔助向量、可驅動誤差向量和欠驅動狀態向量收斂，以不斷調整輸入權重向量和估計誤差的估計值，使控制器生成控制輸入，基于控制器生成的控制輸入，結合由死區特性引起的控制輸入，得到塔式吊車系統的控制輸入，驅動塔式吊車系統的狀態向量跟蹤期望位置；
16、其中，可驅動誤差向量為期望位置與可驅動狀態向量之間的誤差，可驅動狀態向量包括懸臂回轉角和臺車位移；欠驅動狀態向量為負載擺角；輔助向量表示可驅動和欠驅動狀態之間耦合關系。
17、本專利技術的第三個方面提供一種計算機可讀存儲介質，其上存儲有計算機程序，該程序被處理器執行，該程序被處理器執行時實現如上述所述的塔式吊車自適應神經網絡控制方法中的步驟。
18、本專利技術的第四個方面提供一種計算機設備，包括存儲器、處理器及存儲在存儲器上并在處理器上運行的計算機程序，所述處理器執行所述程序時實現如上述所述的塔式吊車自適應神經網絡控制方法中的步驟。
19、與現有技術相比，本專利技術的有益效果為：
20、本專利技術提供了塔式吊車自適應神經網絡控制本文檔來自技高網...
【技術保護點】
1.塔式吊車自適應神經網絡控制方法，其特征在于，包括：
2.如權利要求1所述的塔式吊車自適應神經網絡控制方法，其特征在于，所述塔式吊車系統的狀態向量包括懸臂回轉角、臺車位移和負載擺角。
3.如權利要求1所述的塔式吊車自適應神經網絡控制方法，其特征在于，所述塔式吊車系統參數包括臺車和負載質量、懸臂慣性矩、吊繩長度和摩擦力系數。
4.如權利要求1所述的塔式吊車自適應神經網絡控制方法，其特征在于，所述輔助向量基于塔式吊車系統中欠驅動子系統的動態屬性構建，所述輔助向量表示為：，其中，為廣義向量，為關于時間的一階導數，為關于時間的二階導數，的表達式為=，和分別表示可驅動狀態向量和欠驅動狀態向量，和表示正的對角矩陣，為可驅動誤差向量，，，，，，，，，，，，，，，，，，，，，，為負載質量，為吊繩長度，和為摩擦力系數，g為重力加速度，為懸臂回轉角，為臺車位移，和為負載擺角，、、和分別為、、和的縮寫。
5.如權利要求1所述的塔式吊車自適應神經網絡控制方法，其特征在于，所述輔助向量由狀態觀測器估計得到，所述狀態觀測器為：，其中，為輔助向量的估計，以及分
6.如權利要求1所述的塔式吊車自適應神經網絡控制方法，其特征在于，所述自適應神經網絡為：，其中，表示待調節控制矩陣，為已知名義對角矩陣，為基函數，表示的估計，包含無法直接測量的狀態向量，為輔助向量，以及分別表示輸入權重向量和估計誤差的估計值，由更新率得到。
7.如權利要求1所述的塔式吊車自適應神經網絡控制方法，其特征在于，所述塔式吊車系統采用動力學模型，并通過全驅系統方法分解為兩個子系統：，，其中，和分別表示可驅動狀態向量和欠驅動狀態向量，為控制輸入向量，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，，和分別為臺車和負載質量，為懸臂慣性矩，為吊繩長度，為懸臂回轉控制扭矩，為臺車平移控制力，、、和為摩擦力系數，g為重力加速度，為懸臂回轉角，為臺車位移，和為負載擺角，、、、、和分別為、、、、和的縮寫。
8.塔式吊車自適應神經網絡控制系統，其特征在于，包括：
9.一種計算機可讀存儲介質，其上存儲有計算機程序，該程序被處理器執行，其特征在于，該程序被處理器執行時實現如權利要求1-7中任一項所述的塔式吊車自適應神經網絡控制方法中的步驟。
10.一種計算機設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執行所述程序時實現如權利要求1-7中任一項所述的塔式吊車自適應神經網絡控制方法中的步驟。
...【技術特征摘要】
1.塔式吊車自適應神經網絡控制方法，其特征在于，包括：
2.如權利要求1所述的塔式吊車自適應神經網絡控制方法，其特征在于，所述塔式吊車系統的狀態向量包括懸臂回轉角、臺車位移和負載擺角。
3.如權利要求1所述的塔式吊車自適應神經網絡控制方法，其特征在于，所述塔式吊車系統參數包括臺車和負載質量、懸臂慣性矩、吊繩長度和摩擦力系數。
4.如權利要求1所述的塔式吊車自適應神經網絡控制方法，其特征在于，所述輔助向量基于塔式吊車系統中欠驅動子系統的動態屬性構建，所述輔助向量表示為：，其中，為廣義向量，為關于時間的一階導數，為關于時間的二階導數，的表達式為=，和分別表示可驅動狀態向量和欠驅動狀態向量，和表示正的對角矩陣，為可驅動誤差向量，，，，，，，，，，，，，，，，，，，，，，為負載質量，為吊繩長度，和為摩擦力系數，g為重力加速度，為懸臂回轉角，為臺車位移，和為負載擺角，、、和分別為、、和的縮寫。
5.如權利要求1所述的塔式吊車自適應神經網絡控制方法，其特征在于，所述輔助向量由狀態觀測器估計得到，所述狀態觀測器為：，其中，為輔助向量的估計，以及分別表示輸入權重向量和估計誤差的估計值，為觀測增益矩陣，，，，，為已知名義對角矩陣，為基函數，表示的估計，包含無法直接測量的狀態向量，為系統輸出。
6.如權利要求1所述的塔式吊車自...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。