一种桥式起重机的主动学习控制方法技术

本发明专利技术提供一种桥式起重机的主动学习控制方法，应用于桥式起重机系统

【技术实现步骤摘要】
一种桥式起重机的主动学习控制方法


[0001]本专利技术涉及一种桥式起重机的主动学习控制方法，属于桥式起重机的消摆控制

。

技术介绍

[0002]桥式起重机是现代化工业生产中的一种重要运输工具，主要由桥架
、
小车以及柔性钢索组成
。
由于桥式起重机具有结构简单
、
载重量大等优点被广泛应用于现代化生产
、
运输与建筑过程
。
随着生产与建设规模的不断扩大，现代运输业对桥式起重机的运输效率与安全性能的要求逐步上升
。
考虑到货物与小车通过柔性钢绳连接，如果货物出现摆动，不仅会在运输过程中出现巨大的安全隐患，也会在卸载货物时出现定位精确度下降
、
落点难以固定等问题
。
因此，如何设计控制器，使得桥式起重机在快速准确运输的前提下，能做到控制负载货物的摆动，进而保证其运输安全性能具有重要的理论意义与实际应用价值
。
[0003]然而，现有技术的控制方法均有各自的局限性，绝大部分的研究工作中关于控制器的设计需要提前在离线状态下训练出动力学的模型，不仅有设计难度，而且还会耗费大量的前期离线训练时间，影响工作效率，例如
CN114879506A
就存在上述弊端，必须提前进行离线训练才能够获取精确模型
。

技术实现思路

[0004]为了解决上述问题，本专利技术提供一种桥式起重机的主动学习控制方法，应用于桥式起重机系统，包括如下步骤：
[0005]步骤1：给定初始
Koopman
算子，从而构建升维线性系统；
[0006]步骤2：设计最优跟踪控制器，给定系统期望运行轨迹；
[0007]步骤3：基于最优跟踪控制器，设计主动学习控制器，将主动学习控制器应用于调整桥式起重机系统，记录桥式起重机系统的输入和输出数据；
[0008]步骤4：基于调整后的桥式起重机系统的输入和输出数据，利用扩展动态模式分解，得到新的
Koopman
算子，进而更新步骤1中的升维线性系统，然后返回步骤2进行循环更新
。
[0009]进一步地，所述步骤1包括：
[0010]步骤
1.1
：若是首次使用所述主动学习控制方法，则通过随机初始化得到初始化矩阵
A0和
G0，
A0，
G0∈R
79
×
79
；若非首次使用所述主动学习控制方法，则将上一次使用所述主动学习控制方法中步骤4中所用初始化矩阵
A
i
’
和
G
i
’
作为初始化矩阵
A0和
G0；
[0011]步骤
1.2
：利用扩展动态模式分解来计算并给定初始
Koopman
算子其中表示
Moore
‑
Penrose
伪逆，
t
s
为采样间隔时间；
[0012]步骤
1.3
：通过数据驱动估计的办法利用得到和从而构建升维线性系统
。
[0013]应当理解，和为根据连续时间的
Koopman
算子确定的矩阵
。
[0014]进一步地，所述步骤
1.3
包括一种数据驱动估计
Koopman
算子的办法，具体为：
[0015]由于
Koopman
算子是无限维的，所以在有限维上求解
Koopman
算子的精确值是不可行的
。
因此，通常求解
Koopman
算子在有限子空间上的估计值具体步骤如下：
[0016]步骤
1.3.1
：定义一个观测函数集是有限子空间上的观测函数；
[0017]步骤
1.3.2
：将离散的
Koopman
算子作用在
z(t
i
)
表示为
[0018][0019]其中，
t
k
为第
k
个采样时刻，
u
为控制输入，
*
表示后续不起作用而忽略的部分，
r(x)
为残差函数，当
t
k+1
‑
t
k
→0，便可以得到了连续时间的
Koopman
算子
[0020]应当理解，理论上，当
N
→
∞
，残差函数趋向于0；事实上，由于部分非线性系统结构较简单，在观测函数选择恰当的情况下，也存在当
N<∞
，残差函数等于0的情况
。
[0021]其中，
t
s
＝
t
k+1
‑
t
k
为采样时间间隔，连续的
Koopman
算子可以分为若干个子矩阵：
[0022][0023]根据上述子矩阵公式
(1)
得到和
[0024]步骤
1.3.3
：构建升维线性系统：
[0025][0026][0027]x
＝
Cz
[0028]其中，
x
和
z
分别为原始的桥式起重机系统和升维线性系统的状态，
x0和
z0分别表示原始的桥式起重机系统的状态
x
和原始的升维线性系统的状态
z
的初值；为
Koopman
观测函数；
u
表示控制输入；
C
表示高维度矩阵
。
[0029]进一步地，所述步骤
1.3.3
中，所述原始的桥式起重机系统的状态
x
是4维的，优选的，所述升维线性系统的状态
z
是
78
维的
。
[0030]优选的，所述步骤
1.3.3
中，
[0031]应当理解，在本专利技术中，桥式起重机系统包括小车
、
钢锁
、
负载；当原始的起重机系统的状态是4维时，参考的是桥式起重机动力学模型：
[0032][0033][0034]其中，参数
M
代表小车的质量，
m
是有效载荷的质量，
y
表示小车的水平位置，
l
表示钢索的长度，
θ
代表有效载荷的摆动角，
u
代表控制输入，
μ
是小车与轨道间的摩擦系数，
g
是重力加速度；所述的4维是指这4个维度
。
[0035]进一步地，所述步骤2本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种桥式起重机的主动学习控制方法，应用于桥式起重机系统，其特征在于，包括如下步骤：步骤1：给定初始
Koopman
算子，从而构建升维线性系统；步骤2：设计最优跟踪控制器，给定系统期望运行轨迹；步骤3：基于最优跟踪控制器，设计主动学习控制器，将主动学习控制器应用于调整桥式起重机系统，记录桥式起重机系统的输入和输出数据；步骤4：基于调整后的桥式起重机系统的输入和输出数据，利用扩展动态模式分解，得到新的
Koopman
算子，进而更新步骤1中的升维线性系统，然后返回步骤2进行循环更新
。2.
根据权利要求1所述的一种桥式起重机的主动学习控制方法，其特征在于，所述步骤1包括：步骤
1.1
：若是首次使用所述主动学习控制方法，则通过随机初始化得到初始化矩阵
A0和
G0，
A0∈R
79
×
79
，
G0∈R
79
×
79
；若非首次使用所述主动学习控制方法，则将上一次使用所述主动学习控制方法中步骤4中所用矩阵
A
i
’
和
G
i
’
作为初始化矩阵
A0和
G0；步骤
1.2
：利用扩展动态模式分解来计算并给定初始
Koopman
算子算子其中表示
Moore
‑
Penrose
伪逆，
t
s
为采样间隔时间；步骤
1.3
：通过数据驱动估计的办法利用得到和从而构建升维线性系统
。3.
根据权利要求2所述的一种桥式起重机的主动学习控制方法，其特征在于，所述步骤
1.3
包括：步骤
1.3.1
：定义一个观测函数集：定义一个观测函数集是有限子空间上的观测函数；步骤
1.3.2
：将离散的
Koopman
算子作用在
z(t
i
)
表示为其中，
t
k
为第
k
个采样时刻，
u
为控制输入，
*
表示后续不起作用而忽略的部分，
r(x)
为残差函数，当
t
k+1
‑
t
k
→0，便可以得到了连续时间的
Koopman
算子算子算子其中，
t
s
＝
t
k+1
‑
t
k
为采样时间间隔，连续的
Koopman
算子可以分为若干个子矩阵：根据上述子矩阵公式
(1)
得到和步骤
1.3.3
：构建升维线性系统：：构建升维线性系统：：构建升维线性系统：
x
＝
Cz
其中，
x
和
z
分别为原始的桥式起重机系统和升维线性系统，
x0和
z0分别表示
x
和
z
状态的初值；为
Koopman
观测函数；
u
表示桥式起重机系统的控制输入；
C
表示高维度矩阵
。
4.
根据权利要求3所述的一种桥式起重机的主动学习控制方法，其特征在于，所述步骤
1.3.3
中，所述原始的桥式起重机系统的状态是4维的，而所述升维线性系统的状态是
78
维的
。5.
根据权利要求4所述的一种桥式起重机的主动学习控制方法，其特征在于，所述步骤
1.3.3
中，
6.
根据权利要求5所述的一种桥式起重机的主动学习控制方法，其特征在于，所述步骤2包括：步骤
2.1
：定义跟踪成本：其中，
x
r
(t)
表示
t
时刻的跟踪信号，
Q
和
R
分别表示状态权重矩阵和输入权重矩阵；步骤
2.2
：令
u(t)
＝
u
lqt
(t)
，通过求解对应的黎卡提方程，得到最优跟踪控制器：
u
lqt
(z(t))
＝
‑
Kz(t)+c,
；其中，
K
为反馈矩阵，
c
为跟踪补偿项
。7.
根据权利要求6所述的一种桥式起重机的主动学习控制方法，其特...

【专利技术属性】
技术研发人员：林豪杰，楼旭阳，
申请(专利权)人：江南大学，
类型：发明
国别省市：