论文部分内容阅读
[摘 要]集装箱自动吊装主要用于各种集装箱的装卸。传统的人工装卸存在危险性高、效率低的缺点，因此研究集装箱的自动吊装能够极大地提高经济效益，具有良好的市场前景。本文针对集装箱自动吊装的电液伺服控制，在分析传统PID控制不足之处的基础上，提出将模糊神经网络PID控制（FNN-PID）应用在集装箱自动吊装上，使整个自动吊装作业动作平稳，确保所有机构动作运行流畅，缩短吊装时间，提高效率。
[关键词]自动吊装；电液伺服控制；模糊神经网络；PID控制
中图分类号：TP183 文献标识码：A 文章编号：1009-914X（2018）43-0359-02
0 引言
随着我国经济的发展以及集装箱工业规模的扩大，集装箱吊装技术得到了快速的发展，主要应用在港口、码头和机场等场所[1]。传统的吊装过程由多人协调完成，不仅效率低，而且由于较大盲区的存在，极易引发危险生产事故。集装箱吊装作业的自动化不但可以极大地降低作业人员的工作强度，而且可以实现吊装作业在气候恶劣、危险性高的环境下长时间、高效率稳定工作，对于提高吊装作业效率，拓展吊装的应用领域均具有重要意义。
集装箱自动吊装属于电液伺服系统，而由于运动摩擦、液压油温度等因素，电液伺服系统的本质是一个典型的非线性系统，具有多变量、强耦合和非线性等特点[2]。其控制有以下要求：一是满足系统的静动态特性；二是具有较强的鲁棒性；三是控制算法要有可行性和实时性。目前，常用的电液伺服控制策略主要有PID控制[3]、自适应控制[4]、模糊控制[5]、神经网络控制[6]等。PID控制是将系统的期望目标和实际输出之间的偏差，经过比例、积分和微分运算构成的控制方法。由于只采用被控对象的实际位置和目标位置的偏差作为输入，简单易操作，因此成为实际工程中应用最广泛的算法。
本文重点研究集装箱自动吊装的电液伺服控制方法，在传统的PID控制基础上，结合模糊算法和神经网络算法实现吊装系统的控制（FNN-PID），使系统既有传统PID的有参控制优势，又具备模糊控制的推理能力，同时还继承神经网络的自学习和自适应能力。采用基于模糊神经网络的PID控制，增强了集装箱自动吊装控制系统的适应能力，改善了系统稳定性，提高了吊装精度和效率。
1 系统组成
集装箱自动吊装的机构主要由回转平台、主臂、副臂和吊爪等组成，如图1所示。吊装控制系统操纵回转平台和主副吊臂分别在方位向和高低向运动，其中方位角调转范围为0°～360°，高低角调转范围为0°～80°。
集装箱吊装的回转平台和主副臂是典型的电液伺服系统，其控制硬件包括控制工业控制计算机、采集卡、旋转变压器、伺服放大器、伺服阀和液压源等，回转平台运动部件采用液压马达，主副臂选用液压缸，如图2所示。其控制原理为：工业计算机接收到目标位置指令，比较旋转变压器的反馈位置和期望位置的偏差，计算出控制量，经过D/A到伺服放大器，偏差信号经放大后控制伺服阀开口大小，使液压马达和液压缸运动，从而实现回转平台和主臂的控制，完成吊装专业。
3 控制器设计
模糊神经网络PID控制就是在传统PID控制的基础上，利用经验知识进行在线学习，通过偏差的大小、方向和变化趋势等特征，在线实时整定PID参数 ， 和 。
3.1 PID控制
PID控制是将系统的期望目标和实际输出之间偏差，经过比例、积分、微分运算构成的控制方法。
3.2 具体实现
在集装箱自动吊装的实际应用中，传统PID控制存在以下3个问题：（1）在实际吊装中，集装箱的位置和模型随时都在变化，PID的参数经过整定和优化后，可能不会再有良好的控制效果；（2）集装箱的姿态可能会发生突变，使得偏差很大，系统易出现超调；（3）PID控制是将偏差的现在、过去和将来进行线性组合，然而从实际应用来看，这种线性组合在某些时候并不是很好的组合。
模糊控制是由模糊化、知识库、模糊推理和解模糊化等步骤组成，不需要精确的数学模型，而是由经验知识来确定控制规则，同时推理过程模拟了人类思维，具有强鲁棒性，因此可以实现对复杂、时变和非线性的对象有效控制[7]，但是模糊控制不具备学习能力。神经网络控制是由大量简单的神经元按照一定方式连接，形成智能仿生的动态网络，是对人脑神经网络的基本抽象模拟。神经网络有联想儲存能力和强大的自学习能力，同时也具有高速寻找优化解的能力[8]。
综合考虑模糊控制在处理不确定性、非线性系统上的优势，与神经网络的自学习和自适应的能力，本文提出将模糊神经网络PID（FNN-PID）应用在集装箱自动吊装的电液伺服控制上，结合模糊控制和神经网络，利用RBF（Radial Basis Function）神经网络的高斯函数计算模糊化隶属度[9]，通过模糊规则进行模糊推理，在线实时整定PID参数。
本文设计的模糊神经网络控制器有4层，分别为输入层、模糊化层、模糊推理层和输出层，其具体结构如图3所示。
经过推算，模糊神经网络在线整定的PID的3个参数分别计算如下：
4 仿真结果
4.1 仿真平台搭建
为了验证模糊神经网络PID控制器在集装箱自动吊装控制系统中的应用效果，本文选择Matlab R2014的Simulink搭建仿真平台，并与传统PID控制进行比较。
4.2 参数调整
设定学习率 ，动量因子 ，随机选择初始权值，输入信号的量化因子 ， ，同时PID控制器的三个初始参数分别为： ， 和 。在仿真平台中输入一个 的阶跃信号，得到的参数调整曲线，并得出优化的参数分别为： ， 和 。
4.3 仿真结果
在仿真平台输入信号 ，即幅值为 ，周期为 的正弦波，仿真时间为 ，采样周期为 ，得到的正弦跟踪误差曲线如图9所示。 由图4可知，在集装箱自动吊装的初始运动阶段，即负载变化比较大时，传统PID振荡现象比较严重，而本文提出的模糊神经网络PID控制器有明显的抑制效果。工作到 时，两种控制算法均达到稳定状态，即系统完全跟踪上输入信号，但模糊神经网络PID控制稳定误差在 ，明显优于传统PID控制的 误差。因此可见，模糊神经网络PID控制基本无超调、稳态误差小，控制效果佳，性能明显优于传统PID控制，有效提高了集装箱自动吊装的精度和稳定性。
5 总结
本文将模糊神经网络PID控制应用在集装箱自动吊装的电液伺服控制系统。首先介绍了传统PID控制存在的缺陷，然后结合模糊控制和RBF神经网络各自的优点，设计了模糊神经网络PID控制器。该控制器充分利用了模糊控制的模糊推理能力和神经网络的学习能力，对PID参数进行有效的在线实时整定。最后利用Matlab/simulink搭建控制器模型，对其进行了数值仿真，得出系统的PID参数的修正值和在线整定方法。通过正弦响应控制跟踪误差图，并与传统PID控制器的对比可知，本文提出的控制器具有明显的优势，控制精度更高，响应速度快，能更好地满足吊装系统的性能需求。
参考文献
[1]王峰，卢辰，肖磊，皇淼淼.基于侧装式整装自卸车的机电液控制系统设计[J].价值工程，2017（35）：88-89.
[2]张铁匠.集装箱自装卸运输车吊装机构液压同步系统研究[D].西安：长安大学，2014.
[3]许可军，白建伟，黄培成.灰色PID在电液伺服系统位置跟踪控制中的应用[J].液壓与气动，2008（4）：45-47.
[4]李中华，张泰山，周翔.电液伺服系统可拓自适应PID控制策略研究[J].信息与控制，2016，45（4）：415-420
[5]蒋伟.模糊自适应PID控制算法在电液伺服系统中的应用[D].南京：南京理工大学，2004.
[6]吴晓明，马立廷，郑协等.改进的RBF神经网络PID算法在电液伺服系统中应用[J].机床与液压，2015，43（11）：63-66.
[7]刘向杰，柴天佑.模糊控制研究的现状与新发展[J].信息与控制，1999，28（4）：283-292.
[8]袁朝辉，石长海.基于RBF神经网络的电液伺服系统应用研究[J].机电一体化，2008，14（8）：65-69.
[9]李万莉，施登亮，王云杰.电液比例加载系统的RBF神经网络PID控制[J].中国工程机械报，2015，13（4）：342-346.
[10]党选举，袁永全，姜辉.基于神经网络的电液位置伺服系统自适应滑模控制[J].机床与液压，2018（1）.
[关键词]自动吊装；电液伺服控制；模糊神经网络；PID控制
中图分类号：TP183 文献标识码：A 文章编号：1009-914X（2018）43-0359-02
0 引言
随着我国经济的发展以及集装箱工业规模的扩大，集装箱吊装技术得到了快速的发展，主要应用在港口、码头和机场等场所[1]。传统的吊装过程由多人协调完成，不仅效率低，而且由于较大盲区的存在，极易引发危险生产事故。集装箱吊装作业的自动化不但可以极大地降低作业人员的工作强度，而且可以实现吊装作业在气候恶劣、危险性高的环境下长时间、高效率稳定工作，对于提高吊装作业效率，拓展吊装的应用领域均具有重要意义。
集装箱自动吊装属于电液伺服系统，而由于运动摩擦、液压油温度等因素，电液伺服系统的本质是一个典型的非线性系统，具有多变量、强耦合和非线性等特点[2]。其控制有以下要求：一是满足系统的静动态特性；二是具有较强的鲁棒性；三是控制算法要有可行性和实时性。目前，常用的电液伺服控制策略主要有PID控制[3]、自适应控制[4]、模糊控制[5]、神经网络控制[6]等。PID控制是将系统的期望目标和实际输出之间的偏差，经过比例、积分和微分运算构成的控制方法。由于只采用被控对象的实际位置和目标位置的偏差作为输入，简单易操作，因此成为实际工程中应用最广泛的算法。
本文重点研究集装箱自动吊装的电液伺服控制方法，在传统的PID控制基础上，结合模糊算法和神经网络算法实现吊装系统的控制（FNN-PID），使系统既有传统PID的有参控制优势，又具备模糊控制的推理能力，同时还继承神经网络的自学习和自适应能力。采用基于模糊神经网络的PID控制，增强了集装箱自动吊装控制系统的适应能力，改善了系统稳定性，提高了吊装精度和效率。
1 系统组成
集装箱自动吊装的机构主要由回转平台、主臂、副臂和吊爪等组成，如图1所示。吊装控制系统操纵回转平台和主副吊臂分别在方位向和高低向运动，其中方位角调转范围为0°～360°，高低角调转范围为0°～80°。
集装箱吊装的回转平台和主副臂是典型的电液伺服系统，其控制硬件包括控制工业控制计算机、采集卡、旋转变压器、伺服放大器、伺服阀和液压源等，回转平台运动部件采用液压马达，主副臂选用液压缸，如图2所示。其控制原理为：工业计算机接收到目标位置指令，比较旋转变压器的反馈位置和期望位置的偏差，计算出控制量，经过D/A到伺服放大器，偏差信号经放大后控制伺服阀开口大小，使液压马达和液压缸运动，从而实现回转平台和主臂的控制，完成吊装专业。
3 控制器设计
模糊神经网络PID控制就是在传统PID控制的基础上，利用经验知识进行在线学习，通过偏差的大小、方向和变化趋势等特征，在线实时整定PID参数 ， 和 。
3.1 PID控制
PID控制是将系统的期望目标和实际输出之间偏差，经过比例、积分、微分运算构成的控制方法。
3.2 具体实现
在集装箱自动吊装的实际应用中，传统PID控制存在以下3个问题：（1）在实际吊装中，集装箱的位置和模型随时都在变化，PID的参数经过整定和优化后，可能不会再有良好的控制效果；（2）集装箱的姿态可能会发生突变，使得偏差很大，系统易出现超调；（3）PID控制是将偏差的现在、过去和将来进行线性组合，然而从实际应用来看，这种线性组合在某些时候并不是很好的组合。
模糊控制是由模糊化、知识库、模糊推理和解模糊化等步骤组成，不需要精确的数学模型，而是由经验知识来确定控制规则，同时推理过程模拟了人类思维，具有强鲁棒性，因此可以实现对复杂、时变和非线性的对象有效控制[7]，但是模糊控制不具备学习能力。神经网络控制是由大量简单的神经元按照一定方式连接，形成智能仿生的动态网络，是对人脑神经网络的基本抽象模拟。神经网络有联想儲存能力和强大的自学习能力，同时也具有高速寻找优化解的能力[8]。
综合考虑模糊控制在处理不确定性、非线性系统上的优势，与神经网络的自学习和自适应的能力，本文提出将模糊神经网络PID（FNN-PID）应用在集装箱自动吊装的电液伺服控制上，结合模糊控制和神经网络，利用RBF（Radial Basis Function）神经网络的高斯函数计算模糊化隶属度[9]，通过模糊规则进行模糊推理，在线实时整定PID参数。
本文设计的模糊神经网络控制器有4层，分别为输入层、模糊化层、模糊推理层和输出层，其具体结构如图3所示。
经过推算，模糊神经网络在线整定的PID的3个参数分别计算如下：
4 仿真结果
4.1 仿真平台搭建
为了验证模糊神经网络PID控制器在集装箱自动吊装控制系统中的应用效果，本文选择Matlab R2014的Simulink搭建仿真平台，并与传统PID控制进行比较。
4.2 参数调整
设定学习率 ，动量因子 ，随机选择初始权值，输入信号的量化因子 ， ，同时PID控制器的三个初始参数分别为： ， 和 。在仿真平台中输入一个 的阶跃信号，得到的参数调整曲线，并得出优化的参数分别为： ， 和 。
4.3 仿真结果
在仿真平台输入信号 ，即幅值为 ，周期为 的正弦波，仿真时间为 ，采样周期为 ，得到的正弦跟踪误差曲线如图9所示。 由图4可知，在集装箱自动吊装的初始运动阶段，即负载变化比较大时，传统PID振荡现象比较严重，而本文提出的模糊神经网络PID控制器有明显的抑制效果。工作到 时，两种控制算法均达到稳定状态，即系统完全跟踪上输入信号，但模糊神经网络PID控制稳定误差在 ，明显优于传统PID控制的 误差。因此可见，模糊神经网络PID控制基本无超调、稳态误差小，控制效果佳，性能明显优于传统PID控制，有效提高了集装箱自动吊装的精度和稳定性。
5 总结
本文将模糊神经网络PID控制应用在集装箱自动吊装的电液伺服控制系统。首先介绍了传统PID控制存在的缺陷，然后结合模糊控制和RBF神经网络各自的优点，设计了模糊神经网络PID控制器。该控制器充分利用了模糊控制的模糊推理能力和神经网络的学习能力，对PID参数进行有效的在线实时整定。最后利用Matlab/simulink搭建控制器模型，对其进行了数值仿真，得出系统的PID参数的修正值和在线整定方法。通过正弦响应控制跟踪误差图，并与传统PID控制器的对比可知，本文提出的控制器具有明显的优势，控制精度更高，响应速度快，能更好地满足吊装系统的性能需求。
参考文献
[1]王峰，卢辰，肖磊，皇淼淼.基于侧装式整装自卸车的机电液控制系统设计[J].价值工程，2017（35）：88-89.
[2]张铁匠.集装箱自装卸运输车吊装机构液压同步系统研究[D].西安：长安大学，2014.
[3]许可军，白建伟，黄培成.灰色PID在电液伺服系统位置跟踪控制中的应用[J].液壓与气动，2008（4）：45-47.
[4]李中华，张泰山，周翔.电液伺服系统可拓自适应PID控制策略研究[J].信息与控制，2016，45（4）：415-420
[5]蒋伟.模糊自适应PID控制算法在电液伺服系统中的应用[D].南京：南京理工大学，2004.
[6]吴晓明，马立廷，郑协等.改进的RBF神经网络PID算法在电液伺服系统中应用[J].机床与液压，2015，43（11）：63-66.
[7]刘向杰，柴天佑.模糊控制研究的现状与新发展[J].信息与控制，1999，28（4）：283-292.
[8]袁朝辉，石长海.基于RBF神经网络的电液伺服系统应用研究[J].机电一体化，2008，14（8）：65-69.
[9]李万莉，施登亮，王云杰.电液比例加载系统的RBF神经网络PID控制[J].中国工程机械报，2015，13（4）：342-346.
[10]党选举，袁永全，姜辉.基于神经网络的电液位置伺服系统自适应滑模控制[J].机床与液压，2018（1）.