一种混凝土泵车多节臂末端轨迹偏差优化方法技术

本发明专利技术提供了一种混凝土泵车多节臂末端轨迹偏差优化方法，包括S1：采用雅克比矩阵建立多节臂混凝土泵车规矩追踪系统的非线性三维空间动力学方程；S2：对获得的立体空间的动力学方程采用模糊逻辑的表达方法进行非线性三维空间动力学方程的模糊模型转化；S3：引入积分滑膜函数，采用BP神经网络去近似未知的位置偏差影响，并重构学习算法的求解在离散系统的鲁棒控制框架；S4：设计基于状态反馈控制的BP神经网络优化学习算法；本发明专利技术提供的混凝土泵车多节臂末端轨迹偏差优化方法可减小混凝土泵车节臂末端运动轨迹的偏差，使浇筑过程更加安全可靠，适宜进一步推广应用。适宜进一步推广应用。适宜进一步推广应用。

【技术实现步骤摘要】
一种混凝土泵车多节臂末端轨迹偏差优化方法


[0001]本专利技术涉及泵车节臂控制
，尤其涉及一种混凝土泵车多节臂末端轨迹偏差优化方法。

技术介绍

[0002]随着装配式建筑施工工艺的快速发展，可以运用于输送与浇筑的混凝土泵车已经是不可或缺的施工设备。混凝土泵车为了适用于高空实时性的浇筑作业要求，一般采用多节臂的协作控制方式。而对混凝土泵车多节臂末端轨迹的控制会影响到浇筑的安全与施工质量。
[0003]为此，本专利技术提出一种混凝土泵车多节臂末端轨迹偏差优化方法。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提出一种混凝土泵车多节臂末端轨迹偏差优化方法。
[0005]为解决上述问题，本专利技术采用如下技术方案：
[0006]一种混凝土泵车多节臂末端轨迹偏差优化方法，包括如下步骤：
[0007]S1：采用雅克比矩阵建立多节臂混凝土泵车规矩追踪系统的非线性三维空间动力学方程；
[0008]S2：对获得的立体空间的动力学方程采用模糊逻辑的表达方法进行非线性三维空间动力学方程的模糊模型转化；
[0009]S3：引入积分滑膜函数，采用BP神经网络去近似未知的位置偏差影响，并重构学习算法的求解在离散系统的鲁棒控制框架；
[0010]S4：设计基于状态反馈控制的BP神经网络优化学习算法。
[0011]进一步的，所述多节臂混凝土泵车为四节臂混凝土泵车。
[0012]进一步的，S1具体包括如下步骤：
[0013]S1.1：根据空间立体的坐标关系，得到以下四节臂混凝土泵车系统的空间坐标方程：
[0014]x＝l1cosθ1+l2cosθ2+l3cosθ3+l4cosθ4(1)
[0015]y＝l1sinθ1+l2sinθ2+l3sinθ3+l4sinθ4(2)
[0016]z＝xtanθ
z
(3)
[0017]其中，x,y,z分别表示四节臂混凝土泵车末端的空间坐标X,Y,Z的位置，θ1,θ2,θ3,θ4分别是在坐标X,Y平面投影下第一节臂到第四节臂的夹角，θ
z
是在坐标X,Z平面投影下泵车臂与X轴的夹角，l1,l2,l3,l4分别是第一节臂到第四节臂的长度；
[0018]S1.2：定义x
d
,y
d
,z
d
分别为混凝土泵车末端参考坐标，那么对方程(1)～(3)两边分别减去参考坐标后，得到：
[0019]ε
x
＝x
‑
x
d
＝l1cosθ1+l2cosθ2+l3cosθ3+l4cosθ4‑
x
d
,(4)
[0020]ε
y
＝y
‑
y
d
＝l1sinθ1+l2sinθ2+l3sinθ3+l4sinθ4‑
y
d
,(5)
[0021]ε
z
＝z
‑
z
d
＝xtanθ
z
‑
z
d
,(6)
[0022]S1.3：对公式(4)～(6)两边求导，得到：
[0023][0024][0025][0026]S1.4：定义N
x
,N
y
,N
z
分别为空间坐标X,Y,Z的偏差影响，将方程(7)～(9)改写为如下的系统状态空间表达式：
[0027][0028]其中，ε是位置偏差，B(t)是系统的输入矩阵，u(t)是控制输入，N是未知的偏差扰动；
[0029][0030][0031][0032][0033]进一步的，S2具体包括如下步骤：
[0034]S2.1：获得的立体空间动力学非线性方程，其中变量θ1,θ2,θ3,θ4,θ
z
分别在进行分段线性化，变量x分别在【16米,17米,18米】进行分段线性化，因此获得729个模糊规则，具体如下：
[0035]模糊规则R
l
：如果θ1是θ2是θ3是θ4是θ5是θ6是
[0036]那么
[0037]其中，R
l
是第l个模糊规则，是模糊集，B
l
是在第l个模糊规则下的输入参数矩阵；
[0038]S2.2：定义推理的模糊集和归一化的隶属度函数μ
l
,得到：
[0039][0040]S2.3：通过隶属度函数的组合，获得以下的模糊系统模型：
[0041][0042]进一步的，S3具体包括如下步骤：
[0043]S3.1：引入以下的积分滑膜函数：
[0044][0045]其中，S表示积分滑膜函数；F滑膜函数映射；是指末端的位置偏差；
[0046]S3.2：对公式(15)进行求导，并代入公式(14)，得到：
[0047][0048]故可设计u(t)如下：
[0049][0050]可得到：
[0051]S3.3：引入BP神经网络去近似未知的位置偏差影响N，定义是N的近似，那么得到BP神经网络的输入输出特性关系：
[0052][0053]其中，f是BP神经网络的函数映射，W和V是学习的权重值，σ是有界的函数，是神经网络的输入；
[0054]S3.4：对公式(19)进行泰勒展开，得到：
[0055][0056]其中，ΔW,ΔV,分别是W,V,的步长增加值；
[0057]S3.5：由于将公式(20)两边都减去N(t+1)，得到：
[0058][0059]其中，
[0060][0061]S3.6：已知因此可以设计学习率U(t)如下：
[0062]U(t)＝G∈(22)
[0063]其中，G是待求的控制器映射迭代矩阵；
[0064]S3.7：将学习率U(t)在(22)代入BP神经网络系统在(21)，得到：
[0065][0066]其中，I是单位矩阵。
[0067]进一步的，S4具体包括如下步骤：
[0068]S4.1：建立李雅普诺夫函数如下：
[0069]V(t)＝∈
T
(t)P∈(t),(24)
[0070]其中，P是正定对称的矩阵；
[0071]S4.2：计算李亚普诺夫函数的差分函数ΔV(t)，得到：
[0072]V(t)＝V(t+1)
‑
V(t)＝∈
T
(t+1)P∈(t+1)
‑
∈
T
(t)P∈(t)(25)
[0073]S4.3：定义矩阵H，从公式(23)得到：
[0074][0075]S4.4：给出如下的性能指标函数J(t)：
[0076][0077]其中，γ是性能指标；
[0078]S4.5：联立公式(25)
‑
(27)，得本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种混凝土泵车多节臂末端轨迹偏差优化方法，其特征在于，包括如下步骤：S1：采用雅克比矩阵建立多节臂混凝土泵车规矩追踪系统的非线性三维空间动力学方程；S2：对获得的立体空间的动力学方程采用模糊逻辑的表达方法进行非线性三维空间动力学方程的模糊模型转化；S3：引入积分滑膜函数，采用BP神经网络去近似未知的位置偏差影响，并重构学习算法的求解在离散系统的鲁棒控制框架；S4：设计基于状态反馈控制的BP神经网络优化学习算法。2.根据权利要求1所述的一种混凝土泵车多节臂末端轨迹偏差优化方法，其特征在于，所述多节臂混凝土泵车为四节臂混凝土泵车。3.根据权利要求2所述的一种混凝土泵车多节臂末端轨迹偏差优化方法，其特征在于，S1具体包括如下步骤：S1.1：根据空间立体的坐标关系，得到以下四节臂混凝土泵车系统的空间坐标方程：x＝l1cosθ1+l2cosθ2+l3cosθ3+l4cosθ4(1)y＝l1sinθ1+l2sinθ2+l3sinθ3+l4sinθ4(2)z＝xtanθ
z
(3)其中，x,y,z分别表示四节臂混凝土泵车末端的空间坐标X,Y,Z的位置，θ1,θ2,θ3,θ4分别是在坐标X,Y平面投影下第一节臂到第四节臂的夹角，θ
z
是在坐标X,Z平面投影下泵车臂与X轴的夹角，l1,l2,l3,l4分别是第一节臂到第四节臂的长度；S1.2：定义x
d
,y
d
,z
d
分别为混凝土泵车末端参考坐标，那么对方程(1)
‑
(3)两边分别减去参考坐标后，得到：ε
x
＝x
‑
x
d
＝l1cosθ1+l2cosθ2+l3cosθ3+l4cosθ4‑
x
d
,(4)ε
y
＝y
‑
y
d
＝l1sinθ1+l2sinθ2+l3sinθ3+l4sinθ4‑
y
d
,(5)ε
z
＝z
‑
z
d
＝xtanθ
z
‑
z
d
,(6)S1.3：对公式(4)
‑
(6)两边求导，得到：得到：得到：S1.4：定义N
x
,N
y
,N
z
分别为空间坐标X,Y,Z的偏差影响，将方程(7)
‑
(9)改写为如下的系统状态空间表达式：其中，ε是位置偏差，B(t)是系统的输入矩阵，u(t)是控制输入，N是未知的偏差扰动；
4.根据权利要求3所述的一种混凝土泵车多节臂末端轨迹偏差优化方法，其特征在于，S2具体包括如下步骤：S2.1：获得的立体空间动力学非线性方程，其中变量θ1,θ2,θ3,θ4,θ
z
分别在进行分段线性化，变量x分别在【16米,17米,18米】进行分段线性化，因此获得729个模糊规则，...

【专利技术属性】
技术研发人员：肖世江，郑春林，林新，李峰，
申请(专利权)人：海峡建工集团有限公司，
类型：发明
国别省市：