一种斜坡摊铺的牵引绞车智能调速控制方法和系统与流程
本发明涉及工程控制,具体涉及一种斜坡摊铺的牵引绞车智能调速控制方法和系统。
背景技术:
1、在斜坡摊铺施工中,牵引绞车用于牵引喂料小车或摊铺机沿斜坡面运行。以抽水蓄能电站大坝施工为例,普遍采用坡比1.1~1.3、单坡长度逾120 m的陡长斜坡,施工设备总重达120吨,要求行驶速度在0~10 m/min范围内精确可调。
2、现有技术中,牵引绞车的速度控制多采用人工操作或简单的pid恒速控制,存在以下突出问题:无法根据喂料小车的实时载重变化、运行位置变化及斜坡倾角变化动态调整牵引速度;现有控制策略多为简单的设定值跟踪控制,缺乏对斜坡施工复杂工况的全局优化能力;现有系统的信号处理方式单一,对强振动、强噪声环境下的传感器信号缺乏有效的预处理手段,导致控制精度下降;现有控制方法完全不考虑斜坡工程的整体参数和累计施工进度对牵引需求的影响,缺乏基于工程全局信息的智能决策能力。
3、因此,亟需一种融合先进信号预处理、工程参数自适应修正以及神经网络智能决策的牵引绞车智能调速控制方法和系统。
技术实现思路
1、本发明所要解决的技术问题是针对现有技术的不足,提供了一种斜坡摊铺的牵引绞车智能调速控制方法和系统。
2、为达到上述目的,本发明采用的技术方案为:
3、一种斜坡摊铺的牵引绞车智能调速控制方法,包括如下步骤:
4、步骤s1、以预设采样周期实时采集原始信号,所述原始信号包括喂料小车的当前载重质量信号、当前位置信号、当前斜坡倾角信号、牵引绞车的当前实际速度信号、钢丝绳当前张力信号和喂料小车沿斜坡方向的加速度信号;
5、步骤s2、对所述原始信号进行多级智能信号预处理,得到经预处理的信号,所述经预处理的信号包括经预处理的载重质量信号、经预处理的位置信号、经预处理的倾角信号、经预处理的速度信号、经预处理的张力信号和经预处理的加速度信号;
6、步骤s3、读取斜坡工程的工程参数,根据经预处理的位置信号、经预处理的倾角信号以及工程参数,计算全局速度调整因子、收尾速度衰减因子、局部坡度修正因子、载重修正因子和位置周期补偿因子;
7、步骤s4、将经预处理的信号与所述全局速度调整因子、收尾速度衰减因子、局部坡度修正因子、载重修正因子和位置周期补偿因子共同输入至预先训练好的长短时记忆网络,由所述长短时记忆网络直接输出当前时刻的最优目标速度指令;
8、步骤s5、将所述最优目标速度指令直接发送至牵引绞车的变频调速器,由变频调速器根据最优目标速度指令调节牵引绞车驱动电机的转速;
9、步骤s6、在下一采样时刻,重复执行步骤s1至步骤s5,实现牵引绞车目标速度指令的实时滚动更新。
10、进一步地,所述步骤s2具体包括以下子步骤:
11、步骤s2.1、对所述原始信号通过硬件低通滤波器进行抗混叠滤波,滤除高于奈奎斯特频率的高频噪声;
12、步骤s2.2、对硬件滤波后的信号采用小波变换阈值去噪进行处理,得到去噪后的信号;
13、步骤s2.3、对去噪后的信号采用滑动窗口方式逐段处理,计算窗口内各数据点的格拉布斯统计量,当所述格拉布斯统计量超过自适应调整后的格拉布斯临界值时,判定该数据点为离群点并予以剔除,被剔除的数据点采用三次样条插值进行填补;
14、步骤s2.4、将各传感器的数据通过线性插值法统一到同一时间基准,并进行空间对齐,转换到统一的喂料小车质心坐标系中;
15、步骤s2.5、对同步对齐后的信号进行滑动窗口归一化处理,得到经预处理的信号。
16、进一步地,所述步骤s3中,所述工程参数至少包括斜坡轨道总长度、各段坡度分布数据、设计摊铺速度、喂料小车空载质量、最大允许载重质量和卷扬机额定牵引力。
17、进一步地,所述步骤s3具体包括以下子步骤:
18、步骤s3.1、根据经预处理的位置信号和各段坡度分布数据,计算自当前位置至终点剩余路段的累计设计工作量以及全斜坡总设计工作量,同时计算当前位置至终点的剩余距离;
19、步骤s3.2、根据剩余工作量、总工作量、剩余距离和斜坡轨道总长度,计算全局速度调整因子;
20、步骤s3.3、根据经预处理的位置信号和斜坡轨道总长度,计算收尾速度衰减因子;
21、步骤s3.4、根据经预处理的倾角信号,计算局部坡度修正因子;
22、步骤s3.5、根据经预处理的载重质量信号、喂料小车空载质量和最大允许载重质量,计算载重修正因子;
23、步骤s3.6、根据经预处理的位置信号和斜坡轨道总长度,计算位置周期补偿因子。
24、进一步地,所述步骤s3.1中,所述自当前位置至终点剩余路段的累计设计工作量为各剩余路段长度与其对应倾角正弦值及设计载重质量乘积的加权累加和再乘以重力加速度;所述全斜坡总设计工作量为全斜坡所有路段长度与其对应倾角正弦值及设计载重质量乘积的加权累加和再乘以重力加速度;所述剩余距离为所述斜坡轨道总长度减去当前位置;
25、所述步骤s3.2中,所述全局速度调整因子为1加上工作量距离偏差调整系数乘以剩余工作量比例与剩余距离比例的差值;所述剩余工作量比例为剩余工作量除以总工作量,所述剩余距离比例为剩余距离除以斜坡轨道总长度;
26、所述步骤s3.3中,当所述经预处理的位置信号对应的位置未超过斜坡轨道总长度的85%时,所述收尾速度衰减因子取值为1;当所述经预处理的位置信号对应的位置超过所述斜坡轨道总长度的85%时,所述收尾速度衰减因子为1减去收尾衰减系数乘以归一化超出比例的平方,所述归一化超出比例为当前位置占比与0.85的差值除以0.15;
27、所述步骤s3.4中,所述局部坡度修正因子为自然常数的负指数幂,指数为坡度幅值影响系数乘以当前倾角正弦值的平方与坡度变化率影响系数乘以当前倾角与前一时刻倾角之差的绝对值再除以采样周期之和;
28、所述步骤s3.5中,所述载重修正因子为1减去载重影响系数乘以归一化载重比的载重影响非线性指数次幂,所述归一化载重比为当前载重质量与空载质量的差值除以最大允许载重质量与空载质量的差值;当当前载重质量不大于空载质量时载重修正因子取值为1,当当前载重质量不小于最大允许载重质量时载重修正因子取值为1减去载重影响系数;
29、所述步骤s3.6中,所述位置周期补偿因子为1加上一次谐波项与二次谐波项之和;所述一次谐波项为一次谐波幅值系数乘以将当前位置除以总长度的2π倍加上一次初始相位作为自变量计算的正弦函数值;所述二次谐波项为二次谐波幅值系数乘以将当前位置除以总长度的4π倍加上二次初始相位作为自变量计算的余弦函数值。
30、进一步地,所述步骤s4中,所述长短时记忆网络的输入向量维度为11,由经预处理的载重质量信号、经预处理的位置信号、经预处理的倾角信号、经预处理的速度信号、经预处理的张力信号、经预处理的加速度信号以及所述全局速度调整因子、收尾速度衰减因子、局部坡度修正因子、载重修正因子和位置周期补偿因子共11个特征构成;所述长短时记忆网络同时接收当前时刻及之前连续15个时刻的历史输入序列,构成15乘以11的时序输入张量;
31、所述长短时记忆网络包含两层堆叠的lstm隐藏层和一层全连接输出层;第一层lstm隐藏层包含64个隐藏单元,用于接收所述时序输入张量并输出完整的时间序列;第二层lstm隐藏层包含32个隐藏单元,用于接收第一层输出的完整序列并仅输出最后一个时间步的隐藏状态;两层lstm隐藏层之间设置有层归一化和丢弃率为0.2的dropout正则化;所述全连接输出层将32维的隐藏状态映射为1维的速度指令输出。
32、进一步地,所述步骤s4中,所述长短时记忆网络采用监督学习方式进行训练,训练标签为历史施工数据中记录的人工专家速度指令或经过验证的历史最优速度指令;所述长短时记忆网络的总体损失函数为速度跟踪损失、张力安全损失、平滑损失、载重速度协调损失和物理可行损失的加权和。
33、进一步地,所述速度跟踪损失的计算方式为:在一个训练批次内,计算网络输出的速度指令与对应的训练标签之差的平方,再取所有样本的平均值;
34、所述张力安全损失的计算方式为:根据当前载重质量、重力加速度、当前倾角正弦值以及张力安全系数计算静态张力分量,再叠加从长短时记忆网络内部状态中提取的张力动态波动信息,得到张力估计值;在一个训练批次内,对各样本的张力估计值与安全张力限值进行比较,若张力估计值未超过安全张力限值则损失为0,若超过则取超出部分的平方,再取所有样本的平均值;
35、所述平滑损失的计算方式为:在一个训练批次内,计算当前时刻网络输出的速度指令与前一时刻网络输出的速度指令之差的平方,再取所有样本的平均值;
36、所述载重速度协调损失的计算方式为:在一个训练批次内,计算网络输出的速度指令与当前载重质量除以最大允许载重质量的乘积减去载重速度协调目标值的差的平方,再取所有样本的平均值;
37、所述物理可行损失的计算方式为:在一个训练批次内,对各样本的网络输出速度指令进行检查,若速度指令超过最大允许速度则取超出部分的平方,若速度指令低于最小允许速度则取低于部分的平方,若速度指令在最大允许速度和最小允许速度之间则损失为0,将所有样本的上述损失求和后再取平均值。
38、一种斜坡摊铺的牵引绞车智能调速控制系统,用于实现任一项所述的一种斜坡摊铺的牵引绞车智能调速控制方法,包括:
39、多源传感信号采集模块,用于实时采集喂料小车的载重质量信号、位置信号、倾角信号、牵引绞车的速度信号、钢丝绳张力信号和喂料小车沿斜坡方向的加速度信号;
40、工程参数存储模块,用于存储斜坡轨道总长度、各段坡度分布数据、设计摊铺速度、喂料小车空载质量、最大允许载重质量和卷扬机额定牵引力;
41、信号处理与智能决策模块,分别与所述多源传感信号采集模块和所述工程参数存储模块连接,用于对采集的原始信号进行预处理,根据所述工程参数和经预处理的位置信号及倾角信号计算修正因子,并利用内置的长短时记忆网络输出最优目标速度指令;
42、牵引速度执行模块,与所述信号处理与智能决策模块连接,用于接收所述最优目标速度指令并调节牵引绞车驱动电机的转速。
43、进一步地,所述信号处理与智能决策模块具体包括:
44、数据采集子模块,与所述多源传感信号采集模块的各传感器连接,用于以预设采样周期同步采集各传感器的原始信号;
45、智能信号预处理子模块,与所述数据采集子模块连接,用于对所述原始信号进行硬件滤波、小波变换去噪、离群点剔除与插值填补、时间同步与空间对齐以及归一化处理,输出经预处理的信号;
46、工程参数修正子模块,分别与所述智能信号预处理子模块和所述工程参数存储模块连接,用于根据经预处理的位置信号、经预处理的倾角信号以及所述工程参数,计算全局速度调整因子、收尾速度衰减因子、局部坡度修正因子、载重修正因子和位置周期补偿因子;
47、深度决策子模块,分别与所述智能信号预处理子模块和所述工程参数修正子模块连接,所述深度决策子模块内置长短时记忆网络,用于根据所述经预处理的信号和所述全局速度调整因子、收尾速度衰减因子、局部坡度修正因子、载重修正因子和位置周期补偿因子直接输出当前时刻的最优目标速度指令;
48、驱动控制接口子模块,与所述深度决策子模块连接,用于将所述最优目标速度指令发送至所述牵引速度执行模块。
49、相比于现有技术,本发明的有益效果如下:
50、1、本发明通过引入多级智能信号预处理,克服了斜坡摊铺现场强振动、强噪声环境对传感信号的不利影响,提高了输入数据质量,其中格拉布斯临界值随数据波动程度自适应调整的机制,避免了坡度突变等真实工况变化被误判为离群点。
51、2、本发明通过基于工程参数计算五个修正因子,并将这五个因子作为长短时记忆网络的输入特征,使网络能够感知斜坡工程的整体状态和累计施工进度,实现了基于工程全局信息的最优速度决策。
52、3、本发明通过构建端到端的长短时记忆网络深度决策模型,以多源传感信号和工程修正因子为输入,直接输出最优目标速度指令,实现了端到端最优决策,降低了计算延迟。
53、4、本发明通过设计包含速度跟踪损失、张力安全损失、平滑损失、载重速度协调损失和物理可行损失的综合损失函数,保证网络输出的速度指令在多个目标之间达到最优平衡,既跟踪训练标签,又保证张力安全,同时满足平滑性和物理可行性。
54、5、本发明通过引入基于工作量距离偏差的全局速度调整因子,实现了施工进度的智能均衡控制;通过引入收尾阶段的速度衰减因子,保证了收尾段的摊铺质量;通过引入双谐波位置补偿因子,补偿了钢丝绳悬垂效应和轨道不平顺引起的周期性附加阻力波动。
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