本发明公开了基于变结构神经网络的复合负载位置追踪防摇控制方法，属于工业级行车技术领域，该控制方法将使用变结构模糊神经网络搭建的参数校正器和基于复合负载位置追踪的反馈控制器相结合，校正器根据系统状态的变化修正控制器的参数，经修正的控制器再通过系统输入计算下一时刻行车的加速度。本发明提供的基于变结构神经网络的复合负载位置追踪防摇控制方法对行车进行防摇定位，同时使用变结构模糊神经网络搭建的参数校正器实时修正控制器参数，改善控制系统性能，方法简单易行，具有良好的鲁棒性，从而更好地提升防摇效果，自适应行车运动过程中的不同工况，提高行车运载物品的安全性、可靠性。
1.基于变结构神经网络的复合负载位置追踪防摇控制方法，其特征在于：包括如下步骤：
3)上位机将信号导入到训练好的参数校正器中得到控制参数修正值，将修正值代入到复合负载位置追踪算法得到最终行车加速度输出信号；
4)将步骤3)的最终行车加速度输出信号传送给PLC控制器，并通过PLC控制器控制变频器的输出来控制行车加速度，完成行车的防摇定位的自动化控制；步骤1)中包括：通过角度测量仪测得行车负载角度θ，通过激光测距仪测得行车实时位置x，计算复合负载位置信号cp以及复合负载误差δp(t)：其中，λ(θ)为一标量函数，xp为行车目标位置；所述的λ(θ)计算如下：λ(θ)＝l sinθ
2.根据权利要求1所述的基于变结构神经网络的复合负载位置追踪防摇控制方法，其特征在于：步骤3)中，利用结构剪枝方法和结构生长方法搭建变结构模糊神经网络模型作为所述的参数校正器，所述的参数校正器包括输入层、推理层、规则层和输出层：输入层：将输入的状态量传递至推理层；
推理层：选用高斯型函数作为隶属度函数，高斯型函数如下：其中j＝1,2,…n，k＝1,2,…m，n为输入变量个数，m为每一隶属层神经元个数，σjk和ajk分别代表对应的隶属度函数的标准差和中心，zjk代表隶属度函数的输出；
规则层：通过全连接得到模糊规则的激活强度uh：其中，h＝1,2,…,p，p表示规则层神经元数，xj代表输入状态量；
输出层：去模糊化处理，得到最终输出y：其中：wh代表全连接的权值系数，y代表参数校正器的最终输出，其中h＝1,2,…,r；将行车复合负载误差δp(t)以及它对时间的导数 作为输入，行车负载角度θ作为输出，选取不同工况下的输入输出数据组成训练样本数据利用上位机对模糊神经网络进行训练得到最终模型作为参数校正器。
3.根据权利要求2所述的基于变结构神经网络的复合负载位置追踪防摇控制方法，其特征在于：所述的结构剪枝方法引入剪枝规则如下：τ
其中，Pc代表神经元的激活强度；τ表示衰减系数，若当前规则层神经元的激活强度Pc低于预设的剪枝阈值Pcth，则删减多余规则层神经元。
4.根据权利要求3所述的基于变结构神经网络的复合负载位置追踪防摇控制方法，其特征在于：所述的结构生长方法引入生长规则如下：其中，Pg为生长指标；h＝1,2,…,p，p代表规则层神经元数，若生长指标Pg低于预设的生长阈值Pgth，则添加规则层神经元。
5.根据权利要求2所述的基于变结构神经网络的复合负载位置追踪防摇控制方法，其特征在于：将所述的行车复合负载误差δp(t)以及它对时间的导数 作为输入，导入参数校正器得到复合负载位置追踪控制器的比例增益修正值Δkp、微分增益修正值Δkd；则对复合负载位置追踪控制器控制增益参数进行修正得到比例增益终值 微分增益终值其中，比例增益初值kp、微分增益初值kd为预设的控制增益参数；
计算复合负载位置追踪控制器的输出a：其中，为行车实时位置x对时间的微分， 为λ(θ)对时间的微分。
6.根据权利要求1所述的基于变结构神经网络的复合负载位置追踪防摇控制方法，其特征在于：该基于变结构神经网络的复合负载位置追踪防摇控制方法的控制系统包括：PLC控制器、角度测量仪、激光测距仪、变频器、交流异步电机、行车和上位机；通过上位机组态软件实现变结构模糊神经网络的训练以及最终模型输出的运算，上位机的输出端与PLC控制器的输入端连接，用于将程序下载写入PLC控制器，PLC控制器的输出端与变频器的输入端连接，实现PLC控制器对变频器的控制，由变频器控制交流异步电机的速度，由交流异步电机驱动行车按计算的加速度移动，同时通过角度测量仪、激光测距仪将行车的实时角度和实时位置传入上位机的实时数据库系统。
基于变结构神经网络的复合负载位置追踪防摇控制方法
技术领域
[0001] 本发明属于工业级行车技术领域，具体涉及基于变结构神经网络的复合负载位置追踪防摇控制方法。
背景技术
[0002] 随着全球工业的发展和生产规模的扩大，行车在工业生产中的作用日趋增大，行车是一种重要的重物装卸搬运设备，在各个工业现场具有广泛应用。然而，行车在吊运过程
中不可避免地会产生摇摆。因此，研究控制并消除行车吊运时的摇摆并实现精确定位，对提
高工业现场的作业效率、搬运精度和工业控制自动化具有重要的意义。
[0003] 行车在吊运过程中总是不可避免地造成吊物的摇摆，通常需要非常熟练的行车操作工手动操作控制吊物的摇摆，这也是目前最为常用的做法。吊物的摇摆会加速机械磨损，
增长吊物的转运时间，甚至造成安全事故。机械防摇摆都需要增加机械设备自重且造价较
高，在一些尺寸要求较高的场合受到限制，不利于起重设备轻量化发展，目前新制造设备很
少采用。
[0004] 因此，通过各类算法来控制吊车运行轨迹进行防摇摆控制得到了更多的重视，防摇定位控制可以自动消除吊物在运行过程中产生的摇摆，更快地完成吊物的转运，特别是
带有定位功能的自动化工业级行车，防摇摆系统可以使行车的操作变得更高效、更安全。
[0005] 目前，对于很多行车防摇算法都是基于系统的精确模型而设计的，但是对于实际系统，系统不同的状态可能并不是适应于一套固定系统参数，因此，系统将会在一些工况下
难以达到期望的效果。
发明内容
[0006] 发明目的：本发明的目的是提出基于变结构神经网络的复合负载位置追踪防摇控制方法，针对工业生产中的不同工况，采用变节构模糊神经网络对复合负载位置追踪控制
器参数进行修正，从而更好的提升控制效果，具有良好的鲁棒性，提升防摇效果。
[0007] 技术方案：为实现上述发明目的，本发明采用如下技术方案：
[0008] 基于变结构神经网络的复合负载位置追踪防摇控制方法，包括如下步骤：
[0009] 1)测得行车实时位置；
[0010] 2)将实时位置信号传输到上位机中；
[0011] 3)上位机将信号导入到训练好的参数校正器中得到控制参数修正值，将修正值带入到复合负载位置追踪算法得到最终行车加速度输出信号；
[0012] 4)将步骤3)的最终行车加速度输出信号传送给PLC，并通过PLC控制变频器的输出来控制行车加速度，完成行车的防摇定位的自动化控制。
[0013] 进一步地，步骤1)中具体为：通过角度测量仪测得行车负载角度θ，通过激光测距仪测得行车实时位置x，计算复合负载位置信号cp以及复合负载误差δp(t)：
[0014]
[0015] 其中，λ(θ)为一标量函数，xp为行车目标位置。
[0016] 进一步地，所述的λ(θ)计算如下：
[0017] λ(θ)＝lsinθ
[0018] λ(θ)表示因负载摆动产生的复合位移，l为绳长。
[0019] 进一步地，步骤3)中，利用结构剪枝方法和结构生长方法搭建变结构模糊神经网络模型作为参数校正器，所述的参数校正器包括输入层、推理层、规则层和输出层：
[0020] 输入层：将输入的状态量传递至推理层；
[0021] 推理层：选用高斯型函数作为隶属度函数，高斯型函数如下：
[0022]
[0023] 其中j＝1,2,…n，k＝1,2,…m，n输入变量个数，m为每一隶属层神经元个数，σjk和ajk分别代表对应的隶属度函数的标准差和中心，zjk代表隶属度函数的输出；
[0024] 规则层：通过全连接得到模糊规则的激活强度：
[0025]
[0026] 其中，h＝1,2,…,p，p表示规则层神经元数，xj代表输入状态量，uh为激活强度；
[0027] 输出层：去模糊化处理，得到最终输出y
[0028]
[0029] 其中：wk代表全连接的权值系数，y代表参数校正器的最终输出；将行车复合负载误差δp(t)以及它对时间的导数 作为输入，行车负载角度θ作为输出，选取不同工况下
的输入输出数据组成训练样本数据利用上位机对模糊神经网络进行训练得到最终模型作
为参数校正器。
[0030] 进一步地，所述的结构剪枝方法，是为防止模糊神经网络结构过度生长从而提高模型收敛速度的方法，引入剪枝规则如下：
[0031] Pc(t+1)＝Pc(t)eτ
[0032] 其中，Pc代表神经元的激活强度；τ表示衰减系数，若当前规则层神经元的激活强度Pc低于预设的剪枝阈值Pcth，则删减多余规则层神经元。
[0033] 进一步地，所述的结构生长方法，是当系统难以被当前规则高效拟合时，为满足环境变化而增添新规则的方法，引入生长规则如下：
[0034]
[0035] 其中，Pg为生长指标；h＝1,2,…,p，p代表规则层神经元数，若生长指标Pg低于预设的生长阈值Pgth，则添加规则层神经元。
[0036] 进一步地，将所述的行车复合负载误差δp(t)以及它对时间的导数 作为输入，导入参数校正器得到控制器的比例增益修正值Δkp、微分增益修正值Δkd；则对控制器控制
增益参数进行修正得到比例增益终值 微分增益终值
[0037]
[0038] 其中，比例增益初值kp、微分增益初值kd为预设的控制增益参数；
[0039] 计算复合负载位置追踪控制器的输出a：
[0040]
[0041] 其中，为行车实时位置x对时间的微分， 为λ(θ)对时间的微分。
[0042] 进一步地，该基于变结构神经网络的复合负载位置追踪防摇控制方法的控制系统包括：PLC控制器、角度测量仪、激光测距仪、变频器、交流异步电机、行车和上位机；通过上
位机组态软件实现变结构模糊神经网络的训练以及最终模型输出的运算，上位机的输出端
与PLC控制器的输入端连接，用于将程序下载写入PLC控制器，PLC控制器的输出端与变频器
的输入端连接，实现PLC控制器对变频器的控制，由变频器控制交流异步电机的速度，由交
流异步电机驱动行车按计算的加速度移动，同时通过角度测量仪、激光测距仪将行车的实
时角度和实时位置传入上位机的实时数据库系统。
[0043] 有益效果：与现有技术相比，本发明提供的基于变结构神经网络的复合负载位置追踪防摇控制方法，使用模糊神经网络去修正控制器参数，可以更好地适应不同工况，同时
该神经网络采用的结构剪枝和结构生长的方法，其变结构的模型训练大大提高了神经网络
的学习速率并且能够高效地覆盖到全部输入状态。该控制方案可以更好的提升防摇效果，
适应生产过程中的各类工况，提高工业生产中吊车调运物品的安全性、可靠性。
附图说明
[0044] 图1为实施例的基于变结构神经网络的复合负载位置追踪防摇控制方法结构框图；
[0045] 图2为实施例的变结构模糊神经网络框架；
[0046] 图3为实施例的基于变结构神经网络的复合负载位置追踪防摇控制方法框图；
[0047] 图4为实施例的基于变结构神经网络的复合负载位置追踪防摇控制方法流程图。
具体实施方式
[0048] 下面结合附图和具体实施方式，对本发明方法进行详细的阐述。
[0049] 搭建变结构模糊神经网络作为参数校正器，如图1‑2所示，包括输入层、推理层、规则层和输出层：
[0050] 输入层：将输入的状态量传递至推理层；
[0051] 推理层：选用高斯型函数作为隶属度函数，高斯型函数如下：
[0052]
[0053] 其中j＝1,2,…n，k＝1,2,…m，n输入变量个数，m为每一隶属层神经元个数，σjk和ajk分别代表对应的隶属度函数的标准差和中心，zjk代表隶属度函数的输出；
[0054] 规则层：通过全连接得到模糊规则的激活强度：
[0055]
[0056] 其中，h＝1,2,…,p，p表示规则层神经元数，xj代表输入状态量，uh为激活强度，规则层神经元数初始值取3。
[0057] 输出层：去模糊化处理，得到最终输出y
[0058]
[0059] 其中：wk代表全连接的权值系数，y代表参数校正器的最终输出。
[0060] 利用结构剪枝和结构生长的方法搭建变结构模糊神经网络模型作为参数校正器，将行车复合负载误差δp(t)以及它对时间的导数 作为输入，行车负载角度θ作为输出，
选取不同工况下的输入输出数据组成训练样本数据利用上位机对模糊神经网络进行训练
得到最终模型作为参数校正器。
[0061] 结构剪枝方法，是为防止模糊神经网络结构过度生长从而提高模型收敛速度的方法，引入剪枝规则如下：
[0062] Pc(t+1)＝Pc(t)eτ
[0063] 其中，Pc代表神经元的激活强度；τ表示衰减系数，取τ＝‑0.05，若当前规则层神经元的激活强度Pc低于预设的剪枝阈值Pcth，则删减多余规则层神经元，取Pcth＝0.8；
[0064] 结构生长方法，是当系统难以被当前规则高效拟合时，为满足环境变化而增添新规则的方法，引入生长规则如下：
[0065]
[0066] 其中，Pg为生长指标；h＝1,2,…,p，p代表规则层神经元数，若生长指标Pg低于预设的生长阈值Pgth，则添加规则层神经元，取Pgth＝0.1；
[0067] 通过上述方法对神经网络进行搭建和训练，并得到最终校正器模型。
[0068] 如图3‑4所示，基于变结构神经网络的复合负载位置追踪防摇控制方法，使用角度测量仪和激光测距仪测得行车实时位置，通过PLC控制器将信号送到上位机中，上位机将信
号导入到训练好的参数校正器中得到控制参数修正值，将修正值带入到复合负载位置追踪
算法得到最终行车加速度输出，将最终信号传送给PLC，并通过PLC控制变频器的输出来控
制行车加速度，最终完成行车的精确防摇定位的自动化控制，具体步骤如下：
[0069] 步骤1：通过角度测量仪测得行车负载角度θ，通过激光测距仪测得行车实时位置x，计算复合负载位置信号cp以及复合负载误差δp(t)：
[0070]
[0071] 其中，λ(θ)＝lsinθ为一标量函数，表示因负载摆动产生的复合位移，l为绳长，实际应用上取l＝3.5m，xp为行车目标位置；
[0072] 步骤2：通过PLC传递信号至上位机，由上位机运行基于变结构模糊神经网络的复合负载位置追踪防摇控制算法；
[0073] 步骤3：将行车复合负载误差δp(t)以及它对时间的导数 作为输入导入参数校正器得到控制器的比例增益修正值Δkp、微分增益修正值Δkd；
[0074] 步骤4：对控制器控制增益参数进行修正得到比例增益终值 微分增益终值
[0075]
[0076] 其中，比例增益初值kp、微分增益初值kd为预设的控制增益参数；
[0077] 步骤5：计算复合负载位置追踪控制器的输出a：
[0078]
[0079] 其中，为行车实时位置x对时间的微分， 为λ(θ)对时间的微分。
[0080] 基于变结构神经网络的复合负载位置追踪防摇控制方法的控制系统包括：PLC控制器、角度测量仪、激光测距仪、变频器、交流异步电机、行车和上位机；通过上位机组态软
件实现变结构模糊神经网络的训练以及最终模型输出的运算，上位机的输出端与PLC控制
器的输入端连接，用于将程序下载写入PLC控制器，PLC控制器的输出端与变频器的输入端
连接，实现PLC控制器对变频器的控制，由变频器控制交流异步电机的速度，由交流异步电
机驱动行车按计算的加速度移动，同时通过角度测量仪、激光测距仪将行车的实时角度和
实时位置传入上位机的实时数据库系统。
[0081] PLC控制器采用科远公司自主研发的DCS系统中的模块，角度测量仪采用赛特科公司的产品，激光测距仪采用SICK公司的产品。
