一种基于GBO算法优化RBFNN的PID快掘设备自适应控制方法

摘要: 本发明属于工程机械智能控制,掘锚机液压驱动系统轨迹纠偏与高精度跟踪控制,具体设计一种基于gbo算法优化rbfnn的pid快掘设备自适应控制方法。背景技术:1、横...
一种基于GBO算法优化RBFNN的PID快掘设备自适应控制方法

本发明属于工程机械智能控制,掘锚机液压驱动系统轨迹纠偏与高精度跟踪控制,具体设计一种基于gbo算法优化rbfnn的pid快掘设备自适应控制方法。

背景技术:

1、横轴快掘设备是同步实现巷道掘进与锚杆支护作业的煤矿井下核心装备,其行走机构的精准轨迹控制与自动贴边对于保证巷道成形质量和作业安全至关重要。掘锚机的行走驱动系统以阀控液压马达为核心执行机构,具有大惯性、强非线性以及变时滞等固有特征,使得高精度的运动轨迹控制成为一项重大工程挑战。目前,国内外学者已在自适应轨迹跟踪、神经网络自适应控制及迟滞补偿智能控制等方面开展了卓有成效的研究,在掘进设备专用控制领域亦出现了数字孪生纠偏、姿态模型辨识及bp神经网络轨迹跟踪等方法。然而,上述方案仍存在明显不足:现有液压系统建模普遍采用固定时间常数,未考虑摩擦副磨损导致的间隙泄漏时变特性;控制架构多采用单一反馈通道,缺乏针对液压大死区的专门前馈补偿;bp神经网络pid参数的离线寻优多依赖粒子群优化(pso)、遗传算法(ga)等传统群智能算法,在高维参数空间中易陷入局部极值且收敛效率较低;pid反馈控制中的积分环节在大偏差时持续累加易引发积分饱和,缺乏有效的积分分离与限幅保护。

2、常规pid控制器虽简单高效且在工业应用中占据主导地位,但其固定参数无法适应掘锚机复杂多变的工况需求,面对液压系统固有的时滞特性时往往导致起步响应迟缓、严重的机械超调及持续的系统震荡。引入径向基(rbf)神经网络实时整定pid参数的方法可在一定程度上克服固定参数pid的局限性,但rbf神经网络的控制性能对其初始参数较为敏感,盲目的参数初始化可能导致控制初期的系统发散或剧烈的机械冲击。因此,亟需一种能够精确表征液压系统时变动态特性、有效克服液压死区与积分饱和、并以高效全局优化算法保障rbf神经网络初始参数质量的掘锚机轨迹控制方法,以同时提升系统的响应速度、稳态精度与鲁棒性。

技术实现思路

1、针对现有掘锚机轨迹控制技术中液压系统建模未考虑摩擦副磨损导致的时变泄漏特性、单一反馈通道缺乏液压死区前馈补偿、rbf神经网络初始参数依赖pso/ga等传统算法易陷入局部极值且收敛效率低、以及pid积分环节在大偏差时易引发积分饱和等技术不足,本发明提供一种基于梯度基优化算法改进径向基神经网络pid的掘锚机轨迹控制方法,以同时提升系统的响应速度、稳态精度与鲁棒性。

2、本发明的实现方式:

3、一种基于梯度基优化算法(gbo)改进径向基神经网络pid的掘锚机轨迹控制方法,其特征在于,包括以下步骤:

4、第一步建立阀控液压马达数学模型,根据电液比例方向阀的输出流量与输入电压之间的传递函数,结合液压马达流量连续性方程和力矩平衡方程,引入时变时间系数,构建阀控液压马达从控制电压到马达输出转速的完整传递函数;

5、第二步建立基准预设电压信号-闭环反馈控制架构,基于快掘设备机械死区补偿生成基准预设电压以跨越液压系统死区,反馈通道采用带积分分离与限幅的位置式pid控制器,以截齿实际坐标与预设边帮位置的偏差作为闭环反馈控制量,合成最终驱动器的绝对电压指令;

6、第三步构建rbf神经网络架构,以轨迹位置偏距、偏距变化率及偏角作为网络输入向量,隐含层采用高斯径向基函数作为激活函数,输出层的三个输出分别对应比例系数、积分系数和微分系数的实时整定值,用于合成反馈控制量,各层网络参数通过梯度下降法在线更新;

7、第四步采用梯度基优化算法gbo对rbf神经网络的隐含层节点中心、基宽参数及输出层权值进行全局离线寻优,以时间乘绝对位置误差积分itae作为适应度函数,梯度搜索规则(gbo)基于种群最优与最差个体向量差引导全局搜索方向,局部逃逸算子(leo)以触发概率施加随机扰动以跳出局部极值。

8、第一步中所述时变时间系数的构建方法为:选取马达输出角速度为状态变量,输入流量作为控制输入,作为外部扰动,由液压马达连续流量方程和轴端力矩平衡方程联立消去压差,得到标准一阶线性时变状态方程

9、

10、其中为时变系统矩阵;为时变系统输入矩阵;为扰动矩阵,为时变内泄露系数

11、根据摩擦副同心环形间隙层流泄漏系数建立内泄漏与磨损量的非线性关系,对三次非线性间隙项作一阶泰勒展开近似为线性表达式,将泄漏项和阻尼项的乘积相对排量平方忽略后,得到线性时变时间系数:

12、

13、引入变时间滞后系数后控制系统传递函数:

14、

15、其中为拉氏算子,该系统是一个三阶复杂时变系统,其大惯性源自重载工况下巨大的等效转动惯量,导致系统动态响应呈现机械迟钝现象;其非线性由于油温变化的指数效应、摩擦副间隙磨损的三次非线性累积;同时还表现出受磨损和温度动态耦合影响的一阶时变滞后。

16、在第二步中所述控制输入信号包含基准电压和反馈控制电压,预设基准电压输出,通过预置驱动力将系统工作点推移至液压灵敏区,剥离稳态负载,跨越机械死区;反馈通道负责动态偏差的精密调节,计算方式如下:

17、

18、其中为积分累加项,为截齿的实时轨迹偏差。

19、所述位置式pid控制器采用积分分离阈值和积分累加项限幅,当偏差的绝对值大于积分分离阈值时取消积分作用,小于阈值时投入积分并对积分累加项进行限幅。

20、第三步中先建立所述rbfnn的三层网络架构,以个隐含层节点为例,离散时刻的期望目标为边帮位置,实际输出反馈为截齿实时位置,定义系统核心误差与偏角作为网络学习目标;最终输出pid参数,隐含层第个节点中心向量与输入向量的欧氏距离经高斯激活函数得到隐含层输出;输出层通过隐含层权重矩阵加权求和得到三个pid参数;计算方式如下:

21、

22、其中是输出层权重矩阵,为隐含层输出,在基础参数实时更新其最优值。

23、rbf网络参数采用梯度下降法在线更新,更新过程包括权重项w、基宽b、中心向量c的更新,采用惯性系数和小学习率调整更新方式如下:

24、

25、同理神经元中心向量与基宽的更新如下:

26、其中为系统的jacobian信息,根据掘锚机机身偏距到控制电压信号的映射关系可得:

27、其中  为驱动轮半径, 为放大器增益, 为阀流量增益, 为马达排量,为中心宽距;定义损失函数,当<时,网络参数停止更新,得到最优值,输出当前最优控制,实现闭环控制。

28、在第四步中gbo算法的优化,先将需要优化的rbf神经网络参数编码为gbo种群个体的位置矩阵 x,x维度如下:

29、

30、gbo 算法的位置更新分为两个阶段,第一阶段是梯度搜索规则(gsr):利用种群最优个体与最差个体的向量差引导全局搜索方向:

31、

32、其中、分别是种群最优和最差位置,为标准正态随机向量,为极小常数。

33、第二阶段是局部逃逸算子(leo):以触发概率对更新后的位置施加随机扰动,使种群跳出局部极值:

34、

35、其中、为从种群中随机选取的不同个体;、为均匀分布随机向量;δ为固定扰动幅度系数。

36、对步长系数与方向控制系数引入动态线性递减策略,以控制系统的输出位置误差为评价依据,采用时间乘绝对误差积分(itae)作为适应度函数,迭代计算出itae的最小值,则输出最优粒子位置矩阵

37、本发明以上技术方案的总体实施思路为:先引入时变时间系数取代传统固定时间常数,建立阀控液压马达数学模型与掘锚机履带行走动力学模型组成前向仿真模型,将截齿实时坐标与预设边帮位置之差作为跟踪目标偏差,目标偏差与前向仿真模型形成闭环反馈回路。在反馈控制通道中,rbf神经网络pid控制器以前馈死区补偿后的轨迹偏差、偏差变化率及偏角为输入,实时在线整定pid的三个增益系数。梯度基优化算法gbo优化rbfnn初始参数,包括gbo通过梯度搜索规则(gsr)模拟数值梯度信息引导种群向最优区域收敛,局部逃逸算子(leo)以触发概率使种群跳出局部极值,以itae为适应度函数,输出最优初始参数矩阵。将优化后的初始值赋给rbf神经网络pid控制器,使控制器获得最优初始化参数,从而在掘锚机井下变工况下实现参数的自适应在线实时整定。