一种基于黑背胡狼优化算法的斗轮取料机控制方法及系统

摘要: 本发明涉及散料装卸设备智能控制,具体为一种基于黑背胡狼优化算法的斗轮取料机控制方法及系统。背景技术:1、斗轮取料机是散料装卸、堆场转运及连续取料系统中的重要设备...
一种基于黑背胡狼优化算法的斗轮取料机控制方法及系统

本发明涉及散料装卸设备智能控制,具体为一种基于黑背胡狼优化算法的斗轮取料机控制方法及系统。

背景技术:

1、斗轮取料机是散料装卸、堆场转运及连续取料系统中的重要设备,通常通过大车走行、臂架回转、臂架俯仰以及斗轮旋转等动作配合完成取料作业。斗轮取料过程中,斗轮相对于料堆的运动轨迹会直接影响取料效率、取料均匀性、设备负载波动以及输送系统的稳定性。因此,如何提高斗轮取料机在复杂工况下的轨迹跟踪能力,是斗轮取料机自动化控制中的一个重要问题。

2、在实际作业现场,料堆并非理想规则形态。受堆料方式、物料粒度、含水率、密实程度、自然塌落以及前序取料作业影响,料堆高度、坡度、密度和局部阻力会随时间和空间位置发生变化。斗轮在切入料堆、稳定取料和退出料堆的过程中,容易受到负载突变、取料流量波动和执行机构惯性等因素影响,导致实际运行轨迹偏离预设轨迹,进而出现取料不均、局部过切、空取、斗轮电机电流升高或执行机构冲击等问题。

3、现有斗轮取料机控制方式中,较常见的是基于固定参数的 pid 控制、预设轨迹控制或基于经验规则的速度调节控制。这类方法实现简单,工程应用基础较好,在料堆形态相对稳定、负载变化较小的条件下能够满足基本控制需求。但是,当物料堆型、密度或取料阻力发生变化时,固定控制参数难以及时适应工况变化,容易导致轨迹跟踪精度下降。若为了提高响应速度而增大控制参数,还可能引起控制量突变、执行机构振动或斗轮过载;若参数设置过于保守,又会降低取料效率。

4、也有现有技术通过三维扫描、料堆建模、斗轮电流检测、皮带流量检测等方式实现自动取料控制。例如,通过获取料堆三维模型确定取料切入点、回转角度、俯仰角度或取料边界;或者根据斗轮电机电流、皮带秤或流量检测数据对回转速度进行调节,以改善取料流量稳定性。相关现有技术中,例如专利文献cn113003149b公开了一种臂架型斗轮堆取料机自动取料的控制方法,其通过斗轮电流、取料流量等运行参数对取料过程进行调节,以改善自动取料效果。该类方案能够提高取料过程的自动化程度,并在一定程度上减少人工干预,但其控制重点通常在于取料路径规划、切入姿态确定、起止角度判断或恒流量调节,对于上一取料循环中已经出现的轨迹误差,往往缺少进一步用于修正下一取料循环控制量的机制,也未涉及根据循环间轨迹误差对控制器参数进行自适应优化。

5、此外,也有控制方法采用自适应控制、滑模控制等方式改善斗轮取料机的位置或姿态控制性能。例如,专利文献cn115771773b 公开了通过建立三自由度斗轮取料机动力学模型,并根据给定位置与实际位置之间的误差设计滑模控制律,从而实现对斗轮位置的跟踪控制。这类方法能够在一定程度上增强系统对扰动和参数变化的鲁棒性,但通常需要建立较为准确的设备动力学模型,或者依赖特定的控制律设计。由于斗轮取料机具有大惯性、多执行机构耦合、负载随物料状态变化明显等特点,模型参数和实际工况之间容易存在偏差,控制效果在不同料堆条件下仍可能出现波动。同时,该类方案主要侧重于单次运行过程中的位置或姿态跟踪控制,未充分利用上一取料循环中已经产生的轨迹误差对下一取料循环控制量进行循环间修正,也缺少将轨迹误差、控制量变化以及斗轮电机电流、取料流量等安全约束统一纳入优化评价的机制。

6、迭代学习控制适用于具有重复作业特征的控制对象。斗轮取料机在分层、分段或往复取料过程中,具有一定的循环重复性,因此理论上可以利用前一次取料循环中的误差数据,对后续取料循环的控制输入进行修正。然而,迭代学习控制的实际效果与学习增益的选取密切相关。学习增益过小,会导致误差收敛速度慢,难以及时改善轨迹偏差;学习增益过大,则可能引起控制量振荡、超调或执行机构冲击。传统依靠人工经验或试错方式整定学习增益的方法,工作量较大,且难以适应料堆形态、物料密度和设备负载持续变化的现场工况。

7、因此,现有技术仍存在以下不足:一是固定参数控制难以适应料堆工况变化,轨迹跟踪性能容易下降;二是部分自动取料方案主要关注路径规划、流量调节或边界判断,对取料循环之间的误差利用不足;三是自适应控制、滑模控制等方案通常依赖设备动力学模型或特定控制律,模型参数与实际工况之间存在偏差时控制效果容易波动;四是普通迭代学习控制的学习增益难以根据实际取料状态自动调整;五是若仅追求轨迹误差减小,可能带来控制量突变、斗轮电机过载或取料流量超限等安全风险。基于上述问题,有必要提供一种基于黑背胡狼优化算法的斗轮取料机控制方法及系统,以提高复杂料堆工况下斗轮取料机的轨迹跟踪稳定性和运行安全性。

技术实现思路

1、本发明要解决的技术问题是克服现有技术中斗轮取料机在物料堆型、密度及取料阻力变化时,固定参数控制或预设轨迹控制难以自适应调整,导致轨迹跟踪精度下降、取料不均、控制量突变及设备过载风险增加的缺陷,提供一种基于黑背胡狼优化算法的斗轮取料机控制方法及系统,通过采集取料循环中的实际轨迹数据和运行状态数据,利用黑背胡狼优化算法对迭代学习控制器的学习增益进行寻优,并在安全约束下生成下一取料循环的多通道控制量,从而有效解决背景技术中的问题。

2、为实现上述目的,本发明提供如下技术方案:一种基于黑背胡狼优化算法的斗轮取料机控制方法,包括如下步骤:

3、在斗轮取料机完成第k次取料循环后,采集第k次取料循环中的实际轨迹数据和运行状态数据;其中,实际轨迹数据包括大车走行位置、臂架回转角和臂架俯仰角,运行状态数据包括斗轮电机电流和取料流量;

4、获取与第k次取料循环对应的期望轨迹数据,并根据期望轨迹数据和实际轨迹数据计算轨迹跟踪误差:

5、

6、其中,为第k次取料循环中第i个采样点的轨迹跟踪误差,为第i个采样点的期望轨迹数据,为第k次取料循环中第i个采样点的实际轨迹数据;

7、根据轨迹跟踪误差、控制量变化量以及执行机构运行约束构造综合适应度函数;

8、将迭代学习控制器的学习增益作为黑背胡狼优化算法的待寻优变量,并利用综合适应度函数评价不同学习增益对应的适应度,得到第k次取料循环对应的最优学习增益;

9、将最优学习增益代入迭代学习控制律,生成第k+1次取料循环的控制量;

10、对第k+1次取料循环的控制量进行限幅校验,在控制量满足执行机构运行约束的情况下,将控制量转换为大车走行机构、臂架回转机构和臂架俯仰机构的驱动指令;

11、在第k+1次取料循环完成后,继续基于该取料循环的实际轨迹数据和运行状态数据更新下一取料循环的控制量,以实现斗轮取料机取料轨迹的循环间自适应修正。

12、进一步地,所述实际轨迹数据表示为:

13、

14、其中,为第k次取料循环中第i个采样点的大车走行位置,为臂架回转角,为臂架俯仰角;

15、所述控制量表示为:

16、

17、其中,为大车走行速度指令,为臂架回转角速度指令,为臂架俯仰角速度指令。

18、进一步地,综合适应度函数至少包括轨迹误差项、控制平滑项和安全约束项;轨迹误差项用于表征实际轨迹数据与期望轨迹数据之间的偏差;控制平滑项用于表征相邻取料循环之间控制量变化的幅度;安全约束项用于表征斗轮电机电流、取料流量以及执行机构控制量中的至少一种是否超过对应的安全阈值。

19、综合适应度函数满足:

20、

21、其中,为待优化学习增益l对应的综合适应度值,为轨迹误差项,为控制平滑项,为安全约束项,λ为控制平滑项权重系数,μ为安全约束项权重系数;

22、轨迹误差项根据一个取料循环内多个采样点的轨迹跟踪误差确定,控制平滑项根据第k+1次取料循环的候选控制量与第k次取料循环的控制量之间的变化量确定,安全约束项根据斗轮电机电流、取料流量和执行机构控制量相对于对应安全阈值的超限情况确定。

23、进一步地,所述学习增益包括分别对应大车走行通道、臂架回转通道和臂架俯仰通道的比例学习增益和微分学习增益,所述学习增益表示为:

24、

25、其中,分别为大车走行通道的比例学习增益和微分学习增益,分别为臂架回转通道的比例学习增益和微分学习增益,分别为臂架俯仰通道的比例学习增益和微分学习增益。

26、进一步地,采用黑背胡狼优化算法对所述学习增益进行寻优包括:

27、在预设学习增益搜索范围内生成多个黑背胡狼个体,每个黑背胡狼个体表示一组候选学习增益;

28、根据所述综合适应度函数计算各黑背胡狼个体对应的适应度值;

29、根据适应度值确定优势个体,所述优势个体包括当前适应度值最优的至少一个黑背胡狼个体;

30、根据所述优势个体与其余黑背胡狼个体之间的位置关系,更新各黑背胡狼个体对应的候选学习增益;

31、对更新后的候选学习增益进行边界校验,使更新后的候选学习增益保持在所述预设学习增益搜索范围内;

32、重复进行适应度评价和候选学习增益更新,直至达到预设迭代次数或者适应度值满足收敛条件,输出适应度值最优的候选学习增益作为最优学习增益。

33、进一步地,所述迭代学习控制律为pd型迭代学习控制律,第k+1次取料循环的控制量根据第k次取料循环的控制量、轨迹跟踪误差、轨迹跟踪误差变化量以及所述最优学习增益生成;

34、其中,所述轨迹跟踪误差变化量由第k次取料循环内相邻采样点的轨迹跟踪误差确定。

35、进一步地,所述pd型迭代学习控制律满足:

36、

37、其中,为第k+1次取料循环中第i个采样点的控制量,为第k次取料循环中第i个采样点的控制量,为最优比例学习增益,为最优微分学习增益,δt为采样周期;

38、当所述控制量为多通道控制量时,分别为与大车走行通道、臂架回转通道和臂架俯仰通道对应的最优比例学习增益矩阵和最优微分学习增益矩阵。

39、进一步地,一种黑背胡狼优化算法的斗轮取料机控制系统,所述系统包括传感器采集单元、数据处理控制器、期望轨迹存储单元、黑背胡狼优化控制器、迭代学习控制器、安全约束控制器、plc控制单元和执行机构驱动单元;传感器采集单元的信号输出端与数据处理控制器的信号输入端连接;期望轨迹存储单元的数据输出端与数据处理控制器的数据输入端连接;数据处理控制器的数据输出端分别与黑背胡狼优化控制器的数据输入端和迭代学习控制器的数据输入端连接;黑背胡狼优化控制器的学习增益输出端与迭代学习控制器的学习增益输入端连接;迭代学习控制器的控制量输出端与安全约束控制器的控制量输入端连接;安全约束控制器的控制量输出端与plc控制单元的指令输入端连接;plc控制单元的控制输出端与执行机构驱动单元的控制输入端连接;执行机构驱动单元分别与大车走行机构、臂架回转机构和臂架俯仰机构连接;

40、传感器采集单元包括大车位置传感器、臂架回转角传感器、臂架俯仰角传感器、斗轮电机电流传感器和取料流量传感器;大车位置传感器、臂架回转角传感器、臂架俯仰角传感器、斗轮电机电流传感器和取料流量传感器分别与数据处理控制器连接;

41、数据处理控制器包括采样同步模块、误差计算模块和适应度构造模块;采样同步模块的输入端与传感器采集单元连接,采样同步模块的输出端与误差计算模块的输入端连接;误差计算模块还与期望轨迹存储单元连接,误差计算模块的输出端与适应度构造模块的输入端连接;适应度构造模块的输出端与黑背胡狼优化控制器连接。

42、进一步地,安全约束控制器包括控制量限幅模块、上一有效控制量存储模块和衰减处理模块;迭代学习控制器的控制量输出端分别与控制量限幅模块和衰减处理模块的输入端连接;控制量限幅模块与上一有效控制量存储模块双向连接;控制量限幅模块的输出端与plc控制单元的指令输入端连接;

43、当控制量限幅模块判断第k+1次取料循环的控制量超过执行机构允许范围,或者斗轮电机电流、取料流量超过预设安全阈值时,控制量限幅模块调用上一有效控制量存储模块中存储的上一有效控制量,或者接收衰减处理模块输出的衰减控制量,并将上一有效控制量或者衰减控制量发送至plc控制单元。

44、与现有技术相比,本发明的有益效果是:

45、1、本发明利用斗轮取料机分层、分段、循环取料的作业特点,将上一取料循环中的实际轨迹与期望轨迹进行比较,得到轨迹跟踪误差,并将该误差用于下一取料循环的控制量修正;与仅依靠固定参数或预设轨迹进行控制的方式相比,本发明能够把已发生的轨迹偏差转化为后续控制依据,使斗轮取料机在料堆形态、物料密度和取料阻力发生变化时,仍能够逐步修正取料轨迹,提高重复取料过程中的轨迹跟踪稳定性。

46、2、本发明将迭代学习控制器的学习增益作为黑背胡狼优化算法的寻优对象,并通过综合适应度函数评价不同学习增益在当前取料工况下的控制效果;该方式避免了依靠人工经验反复试调学习增益的问题,使学习增益能够随取料循环中的轨迹误差和运行状态变化进行调整,从而改善固定学习增益在复杂工况下收敛慢、易振荡或适应性不足的问题。

47、3、本发明在构造综合适应度函数时,同时考虑轨迹误差、控制量变化以及执行机构运行约束;由此,优化过程并非单纯追求轨迹误差最小,而是在提高轨迹跟踪精度的同时,对控制量突变、斗轮电机电流超限、取料流量超限等情况进行约束,能够降低执行机构冲击和设备过载风险,使优化得到的控制量更适合斗轮取料机现场运行要求。

48、4、本发明将控制量落实到大车走行、臂架回转和臂架俯仰等多个执行通道,并在控制量输出前进行限幅校验;当候选控制量不满足运行约束时,采用上一有效控制量或衰减后的控制量进行替代;通过上述多通道协同控制和安全回退机制,本发明能够在提高取料轨迹修正能力的同时,保证控制指令与实际执行机构的运行能力相匹配,增强斗轮取料机在复杂料堆工况下的运行连续性和安全性。