一种狭窄空间装备群组位姿动态预测与控制方法与流程
本发明涉及狭窄空间装备协同控制,具体为一种狭窄空间装备群组位姿动态预测与控制方法。
背景技术:
1、狭窄受限空间内排列式移动装备群组的自动化协同控制是煤炭开采、隧道施工等领域的核心技术之一,其作业效率与安全性直接决定了工程整体的推进质量。在大倾角、基础平面起伏显著且侧向扰动多发的复杂工况下,装备群组的位姿稳定性与中心距一致性是保障多机协同作业的关键前提,现有控制技术难以满足高精度、高鲁棒性的动态调控需求。
2、目前,已有现有技术通过预设标准中心距与移步参数,结合线性补偿公式调整推移偏差,实现支架的顺序跟机动作。还有一些现有技术采用卷积神经网络提取传感器数据特征,预测支架的姿态变化趋势。
3、上述现有技术均存在共同的技术缺陷,即未建立融合随机扰动建模与滚动优化的中心距动态调控机制。固定参数与线性补偿无法适应复杂工况下的非线性扰动,单一深度学习模型仅能预测位姿状态,无法直接生成满足安全约束的最优控制参数,导致相邻设备中心距易出现大幅波动,引发机械干涉或间隙过大问题,严重影响编队协同的连续性与作业稳定性。
4、因此,亟需开发一种能够实时感知装备位姿、动态预测并自适应调控中心距的控制方法,以克服现有技术的上述缺陷,提升狭窄空间装备群组协同作业的安全性与自动化水平。
技术实现思路
1、本发明的目的就是为了弥补现有技术的不足,提供了一种狭窄空间装备群组位姿动态预测与控制方法,通过构建多源融合的高精度感知网络,融合深度神经网络条件生成模型与模型预测控制滚动优化机制,形成完整的闭环控制架构,能够实时感知装备位姿并动态自适应调控相邻设备中心距,有效解决现有技术无法适应复杂工况非线性扰动的问题,提升装备群组协同作业的连续性与安全性。
2、本发明为解决上述技术问题,提供如下技术方案:一种狭窄空间装备群组位姿动态预测与控制方法,该方法包括以下步骤:
3、步骤一,位姿感知:基于现场总线冗余通信架构构建高精度感知网络,采集各移动单元的实时位置倾角与驱动负载数据,完成定位数据融合处理,解算各执行单元的位置方向及姿态;
4、步骤二,中心距解算:构建融合随机扰动变量的深度神经网络条件生成模型,依据相邻执行单元的实时相对位姿数据,生成候选最优移动步距与协同时序控制参数,引入模型预测控制构建动态评价函数,在满足机械安全约束条件下对候选控制参数进行滚动优化筛选,确定最终控制输出;
5、步骤三,动作执行:根据最终控制输出下发指令,按序执行推进复位降位移位标准工艺动作,实时监测移动后的姿态,发现偏差自动调用纠偏算法进行调整,复位后通过压力传感器反馈确认基础支撑力并开启自动补压;
6、步骤四,效果评估:对控制效果进行量化评估,将评估结果反馈至中心距解算模块,修正控制参数,形成位姿感知中心距解算动作执行效果评估的闭环控制架构。
7、通过构建位姿感知中心距解算动作执行效果评估的完整闭环控制架构,融合随机扰动的深度神经网络条件生成模型与模型预测控制滚动优化的耦合机制,实现了相邻设备中心距的动态自适应调控,能够实时修正设备位姿偏移与中心距波动,有效避免设备间机械干涉或间隙过大,显著提升狭窄空间装备群组协同作业的连续性与稳定性。
8、进一步地,所述步骤二中构建融合随机扰动变量的深度神经网络条件生成模型的具体过程为:
9、构建系统训练数据集,每个样本的输入特征向量由相邻单元中心距、单元倾角、驱动机构压力及位移行程多源传感器数据组成,样本的目标输出为对应的控制参数;
10、建立生成器模型,将预处理后的传感器输入数据与服从正态分布的随机噪声向量进行融合,随机噪声向量用于描述复杂地质条件及设备运行过程中的不确定扰动;
11、通过多层深度神经网络进行非线性特征映射,隐藏层采用缩放指数线性单元作为激活函数,采用lecun初始化方法对网络权重进行初始化;
12、输出层生成连续控制变量,包括最优移动步距调整量与协同时序。
13、通过明确融合随机扰动变量的深度神经网络条件生成模型的具体实现方式,引入服从正态分布的随机噪声模拟复杂地质与设备运行的不确定扰动,结合缩放指数线性单元激活函数与lecun权重初始化方法,增强了模型对高维非线性特征的提取能力,提高了控制参数预测的准确性与模型训练的收敛速度,保障了动态调控模型在复杂工况下的可靠运行。
14、更进一步地,在所述多层深度神经网络的隐藏层之后引入注意力机制,通过对输入特征的重要性进行自适应加权,使模型重点关注对控制结果影响大的关键变量,关键变量包括中心距变化单元倾角及驱动压力变化,通过加权融合得到增强特征表示。
15、通过在深度神经网络中引入注意力机制,通过对输入特征的重要性进行自适应加权,使模型能够重点关注中心距变化单元倾角及驱动压力变化等对控制结果影响大的关键变量,过滤无关干扰信息,进一步提升了控制参数预测的精度与稳定性,降低了复杂扰动对控制效果的负面影响。
16、更进一步地,对所述生成器模型进行训练时,通过最小化均方误差损失函数对网络参数进行估计,损失函数加入正则化系数抑制模型过拟合,采用adam优化器更新网络参数。
17、通过采用加入正则化系数的均方误差损失函数进行模型训练,在最小化预测误差的同时有效抑制了模型过拟合现象,提升了模型对不同工况的泛化能力。结合梯度下降优化算法进行参数更新,保证了模型能够快速收敛至最优状态,为动态调控提供了可靠的算法基础。
18、更进一步地,所述步骤二中引入模型预测控制构建动态评价函数的具体过程为:
19、基于当前设备状态预测未来若干控制周期内的中心距变化与姿态变化;
20、构建优化目标函数,优化目标函数包含中心距误差项、设备姿态偏差项及移动步距调整量项,分别为各项设置对应的权重系数;
21、通过滚动优化求解使目标函数最小化,确定最优移动步距与协同时序。
22、通过构建包含中心距误差设备姿态偏差及移动步距调整量的多目标优化函数,模型预测控制对未来多个控制周期的系统状态进行预测并滚动优化,能够在保证中心距控制精度的同时,兼顾设备姿态稳定与控制动作的平滑性,避免了单一目标优化导致的控制失衡问题,提升了整体控制质量。
23、更进一步地,所述滚动优化求解过程中设置机械安全约束条件,所述约束条件包括最小安全间距约束、最大允许间距约束、设备最大允许倾角约束及执行机构最大行程约束,确保控制输出满足防碰撞与防脱开要求。
24、通过在滚动优化求解过程中设置了中心距姿态及控制量的硬约束条件,从控制算法层面严格限制了设备的运行范围,确保相邻设备中心距始终处于安全区间,有效防止了设备挤撞脱开及倾倒等安全事故的发生,同时避免了执行机构过载运行,延长了设备使用寿命。
25、更进一步地,所述步骤四中效果评估的具体过程为:
26、在每个动作执行周期结束后,计算实际中心距与目标中心距的误差实际姿态角与目标姿态角的误差;
27、当连续多个控制周期的控制误差超过预设阈值时,将当前工况数据加入在线训练集,对深度神经网络模型进行增量学习,更新网络参数;
28、根据不同工况下的控制效果,自适应调整优化目标函数中的权重系数。
29、通过利用效果评估模块输出的偏差数据,采用随机梯度下降或adam优化器对网络权重进行小批量在线增量更新,能够使深度生成模型不断适应工作面的动态变化,实现“执行—评估—学习—优化”的持续演进,从而进一步提升长期运行的跟随精度。
30、更进一步地,所述步骤一中的高精度感知网络由位移编码器与红外传感器组合imu惯导传感器、行程传感器、压力传感器及固定摄像仪组成,imu惯导传感器集成三轴陀螺仪与摆角传感器,所有传感器数据通过控制器局域网总线进行冗余传输,数据更新频率不低于100hz。
31、通过构建多传感器融合的高精度感知网络,通过位移编码器与红外传感器组合定位,结合惯性测量单元行程传感器压力传感器及固定摄像仪的冗余数据,实现了设备位姿与状态的精准感知,采用控制器局域网总线进行冗余通信,保证了数据传输的实时性与可靠性,为后续的中心距解算与控制提供了准确的输入基础。
32、更进一步地,所述步骤三中动作执行前首先执行安全闭锁检查,确认无人员靠近无急停信号且设备间距满足阈值要求后,智能识别工况区域,当为正常推进段则进入标准跟机逻辑,当为折返端部段则进入特殊控制逻辑,特殊控制逻辑包括调整单元移动顺序增大中心距安全余量及降低移动速度。
33、通过在动作执行前设置安全闭锁检查机制,有效规避了人员靠近设备故障等情况下的安全风险,智能识别工况区域并匹配相应的控制逻辑,针对正常推进段与折返端部段的不同作业特性采用差异化的控制策略,提升了系统在全作业流程中的适应性与安全性,保障了装备群组的有序协同运行。
34、与现有技术相比,该一种狭窄空间装备群组位姿动态预测与控制方法具备如下有益效果:
35、一、本发明通过构建融合随机扰动变量的深度神经网络条件生成模型与模型预测控制滚动优化的耦合机制,能够对复杂工况下的非线性扰动进行有效建模,直接生成满足机械安全约束的最优控制参数,实现相邻设备中心距的动态自适应调控,从而解决了现有技术采用固定参数或线性补偿无法适应复杂工况非线性扰动的技术问题,避免了相邻设备间出现机械干涉或间隙过大的情况,显著提升了狭窄空间装备群组协同作业的连续性与稳定性。
36、二、本发明通过构建位姿感知、中心距解算、动作执行与效果评估的完整闭环控制架构,能够在动作执行后对控制效果进行量化评估,并将评估结果反馈至控制模块,实现控制参数的持续修正与模型的增量学习,从而使系统能够不断适应不同工况的动态变化,提升了装备群组在全作业流程中的适应性与鲁棒性,同时通过前置安全闭锁检查与硬约束设置,有效保障了设备运行与人员作业的安全。
37、本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com