CN110045598A - 一种悬臂式掘进机井下行进路径跟踪控制方法 - Google Patents
一种悬臂式掘进机井下行进路径跟踪控制方法 Download PDFInfo
- Publication number
- CN110045598A CN110045598A CN201910282724.2A CN201910282724A CN110045598A CN 110045598 A CN110045598 A CN 110045598A CN 201910282724 A CN201910282724 A CN 201910282724A CN 110045598 A CN110045598 A CN 110045598A
- Authority
- CN
- China
- Prior art keywords
- pose
- control
- boom
- deviation
- fuselage
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000011161 development Methods 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 238000013461 design Methods 0.000 claims abstract description 11
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 31
- 210000002569 neuron Anatomy 0.000 claims description 25
- 230000004913 activation Effects 0.000 claims description 7
- 239000002245 particle Substances 0.000 claims description 7
- 230000014509 gene expression Effects 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000003585 interneuronal effect Effects 0.000 claims description 2
- 230000000750 progressive effect Effects 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 239000003245 coal Substances 0.000 description 3
- 238000009415 formwork Methods 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 101100001674 Emericella variicolor andI gene Proteins 0.000 description 1
- 241000219098 Parthenocissus Species 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000005641 tunneling Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0219—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory ensuring the processing of the whole working surface
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Evolutionary Computation (AREA)
- Radar, Positioning & Navigation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Excavating Of Shafts Or Tunnels (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及一种悬臂式掘进机井下行进路径跟踪控制方法,步骤:(1)建立井下悬臂式掘进机行进调度的位姿偏差模型;(2)设计路径跟踪控制律;构建Lyapunov函数,证明基于位姿偏差的路径跟踪控制的稳定性;(3)运用BP神经网络反向自学习对所设计的路径跟踪控制律进一步优化调整。悬臂式掘进机的行进调度是实际位姿与期望位姿偏差的收敛过程。掘进机整车行驶速度及转向角速度决定车身的位姿变化,是控制变量。设计控制律使位姿偏差逐步更新趋近于零;构建Lyapunov函数,证明掘进机路径跟踪控制的稳定性;考虑控制律中的权值配置影响位姿偏差的收敛速度,提出基于BP神经网络的非线性优化调整系数取值,提高跟踪控制效率。
Description
技术领域
本发明属于现代矿业工程技术领域,涉及一种悬臂式掘进机的路径跟踪控制方法,适用于煤炭开采中巷道高效精准成形的应用要求。
背景技术
悬臂式掘进机主要用于煤矿开采前期的巷道成形。作为井下综掘工作面的核心设备之一,其现场作业的少人化和智能化发展近年来受到普遍重视。悬臂式掘进机(下文简称“掘进机”)主要由截割机构、铲板机构、机架、输送机、履带式行走机构、液压及控制***等部分组成。理想情况下掘进机进行巷道掘进的基本动作可简化为:沿规划的巷道中心线行走、掏槽、截割。然而在实际工作中,地质环境、机动误差、空间限制等因素极大可能导致机身逐渐偏离规划中心线、出现截割面超挖、欠挖的现象;也因此目前掘进机井下作业仍需高强度的人工参与实时调整。机器人化掘进的实现需落实掘进机的位姿检测、自主纠偏、远程控制与自主截割等众多环节。其中,掘进机的路径跟踪与纠偏控制问题是保证巷道截割质量的一个重要前提。
履带车辆的路径跟踪问题的研究集中于两部分:一是履带车的动力模型或运动特征表述。二是有效的跟踪控制策略或算法。对应的,现有的行进路径调度跟踪研究思路可分为两类:一类是在已成熟应用于轮式机器人、基于模型的闭环优化控制的策略基础上,加以适当改进以使模型更符合履带式移动机器人的实际行走特征。另一类则侧重于通过分析动力学平衡,建立充分考虑履带与地面之间滑动摩擦力对运动参数影响的模型。然而,明确针对掘进机的行进调度路径跟踪问题的探讨却鲜有完整的参考。基于掘进机行进调度的动力学与运动学特征,充分考虑控制量的实际意义与限制条件,提出合理的控制模型,对于掘进机的少人化智能化行进调度具有深远的理论和工程意义。
发明内容
本发明要解决的技术问题为:针对当前掘进机井下掘进过程中发生轨迹偏离亟需实时有效的行进调度这一实际工程问题,提供一种适用于掘进机的路径跟踪控制方法,设计的控制***,通过实时调整合适的运动学参数作为控制变量,能有效实现机身相对于既定轨迹的位姿偏差收敛,即路径修正。在控制***稳定可行的前提下,进一步探讨如何有效提高偏差的收敛速度,有针对性的提出控制优化策略,提高路径跟踪控制效率。
本发明解决上述技术问题采用的技术方案为:一种悬臂式掘进机井下行进路径跟踪控制方法,建立井下悬臂式掘进机行进调度跟踪的位姿偏差模型,基于滑模控制原理设计控制律;构建路径跟踪调度控制的Lyapunov函数,分析***稳定性,验证控制算法的可行性;通过实时调整两履带驱动轮的转速,改变整机的行进速度及转向角速度,有效地实现偏差收敛。考虑控制律中的权值配置影响位姿偏差的收敛速度,提出对权重系数执行基于BP神经网络的非线性优化与修正,从而提高跟踪控制效率。
本发明具体步骤如下:
本发明一种悬臂式掘进机井下行进路径跟踪控制方法,包括步骤如下:
第一步,建立井下悬臂式掘进机行进调度的位姿偏差模型;
第二步,针对所述位姿偏差模型,设计路径跟踪控制律;构建Lyapunov函数,确定基于位姿偏差的路径跟踪控制的稳定性;
第三步,运用BP神经网络反向自学习对所设计的路径跟踪控制律进一步优化调整,以跟踪控制悬臂式掘进机井下行进路径跟踪,提高跟踪控制效率。
所述第一步中掘进机行进调度的位姿偏差模型如下:
即:机身在当前时刻的位姿偏差pe经过时间时间△t之后在下一时刻变为
其中:
(Xc,Yc)为机身质点在大地坐标系中的当前坐标,θc为机身当前的方向角;(Xd,Yd)为质点在大地坐标系中的期望坐标,θd为期望方向角;(xe,ye)为质点在机身坐标系中的当前坐标与期望坐标之间的偏差,θe为当前与期望的方向角偏差;ωc表示机身当前转向角速度,vc为机身当前行进速度;ωd表示机身的期望转向角速度,vd为机身的期望行进速度。
所述第二步的具体实现过程:
(1)根据滑模控制理论,为使位姿偏差收敛于pe=[0,0,0]T,设计控制律如下:
式中,kx,ky,kθ分别对应位姿偏差xe,ye,θe的伴随系数,又称权值,取值为任意正数;
(2)取Lyapunov函数:
其中k为任意正整数,xe,ye,θe为位姿偏差,依据Lyapunov函数的稳定性原则,控制律u=[v,ω]T能满足L(xe,ye,θe)≥0,且从而pe有界且即位姿偏差xe,ye,θe均收敛为0,路径无偏差跟踪得以实现。
所述第三步具体实现过程:
(1)采用9-9-3的3层神经元网络对所述第二步设计的控制律u=[v,ω]T中系数kx,ky,kθ进行取值优化,其中输入层包含9个神经元,其输入量分别为期望位姿Pd=[Xd,Yd,θd]T、当前位姿Pc=[Xc,Yc,θc]T,位姿偏差pe=[xe,ye,θe]T;中间隐含层包含9个神经元;输出层包含3个神经元,其输出分别为系数kx,ky,kθ;
(2)隐含层各神经元的输入、输出分别为:
其中f(x)为隐含层的活化函数,取正负对称的Sigmoid函数:
为输入层神经元i与隐含层神经元j间的连接权重;上角标(1),(2),(3)分别代表输入层、隐含层和输出层;
(3)输出层各神经元的输入、输出分别为:
且
g(x)为输出层神经元的活化函数,取非负Sigmoid函数:
取性能指标函数为
利用当前的位姿偏差(xe,ye,θe)以及参数ωd、vd等按控制律u=[v,ω]T计算出控制指令[v,ω]T,分别赋值给[vc,ωc]T;带入位姿偏差模型即实现对位姿偏差pe=[xe,ye,θe]T的更新;计算性能指标E(x);根据性能指标对连接权重的负梯度方向搜索,调整各层神经元间的连接权重
(4)将调整后的权重带回步骤(1)-(3)中各层神经元输入输出表达式,得到网络的输出,即系数kx,ky,kθ的优化取值。
本发明的原理在于:悬臂式掘进机采用履带式行走实现位移,动力由履带径向驱动力与阻力,以及履带与地面侧向摩擦力共同作用合成。通过调整左右履带驱动轮的转速,可达到调整机身直线速度v和转向角速度的目的。以上述两参数作为变量,建立能准确描述掘进机运动关系约束的运动学模型,并由此考察机身相对于预定路径的偏差变化,构建机身位姿偏差模型。机身的行进路径跟踪控制就是实现在任意初始位姿偏差下,通过控制变量的作用,使位姿偏差有界且趋于零。其控制律的设计以滑模控制理论为依据,形式简单,鲁棒性好,可操作性强。同时,研究发现控制律中引入的权值系数kx,ky,kθ其取值配置一定程度上对位姿偏差的收敛速度有影响。利用神经网络算法的非线性映射和自学习能力,进一步可实现对上述系数进行取值优化,从而提高调度跟踪控制效率。
本发明与现有技术相比的优点在于:
(1)本发明基于掘进机行进调度的位姿偏差模型,根据掘进机运动学方程建立路径跟踪控制***,设计的控制律形式简单,鲁棒性好,可操作性强。
(2)本发明运用BP神经网络对控制律中的权值系数kx,ky,kθ进行了取值优化。加快了位姿偏差的收敛速度,有效提高了调度跟踪的控制效率。
附图说明
图1为本发明的悬臂式掘进机路径跟踪控制方法实现过程的示意图。
具体实施方式
下面结合附图以及具体实施方式进一步说明本发明。
如图1所示,本发明包括以下三个基本步骤:(1)建立井下悬臂式掘进机行进调度的位姿偏差模型;(2)设计路径跟踪控制律;构建Lyapunov函数,证明基于位姿偏差的路径跟踪控制的稳定性;(3)运用BP神经网络反向自学习对所设计的路径跟踪控制律进一步优化调整,形成一套适用于悬臂式掘进机井下行进路径跟踪的控制方法。悬臂式掘进机的履带式行进调度是实际位姿与预定位姿偏差的收敛过程。掘进机调度的纠偏控制方法是依据其运动学模型,其中与两边履带驱动轮转速相关的整车行驶速度及转向角速度决定车身的位置与转向角变化,是控制变量。构建掘进机路径跟踪控制的Lyapunov函数,分析***控制的稳定性,验证控制算法的可行性;考虑控制律中的权值配置对位姿偏差收敛速度的影响,提出基于BP神经网络的非线性优化调整系数取值,提高跟踪控制效率。
本发明充分考虑工程实际应用的简易性需求,在满足控制***稳定性要求的前提下,对控制律表达式进行了简化,以权值系数代替复杂的理论推导表达式,并采用神经网络优化法对各系数进行了调整,以提高控制效率;控制律结构简单,可操作性强。拓展其应用范围,也可用于其它大型履带式车辆的路径规划与跟踪控制。
如图1所示,本发明的悬臂式掘进机路径跟踪控制方法具体实现步骤如下:
(1)建立悬臂式掘进机位姿偏差模型
将掘进机置于大地坐标系XOY,(X,Y)表示机身某质点坐标值,θ为方向角。定义质点的当前位姿pc=[Xc,Yc,θc]T,期望位姿pd=[Xd,Yd,θd]T。质点在机身坐标系xoy中的位姿偏差pe=[xe,ye,θe]T为:
对位姿偏差pe取微分:
机身在当前时刻的位姿偏差pe经过时间时间△t之后在下一时刻变为通过逐步调整机身前行速度vc及旋转角速度ωc,可实现在有限的调度次数内使pe有界且趋于0,即实现路径跟踪。
(2)设计路径跟踪控制律,分析***稳定性
由式(1)及(2)描述的偏差模型是一个两输入非线性***,可设计基于Back-stepping的滑模切换函数:
通过设计滑模控制律,使si→0,i=1,2,即实现xe收敛到0且θe收敛到-arctan(vdye),从而ye→0,θe→0。取等速趋近律,令其中ki为正系数,为符号函数的连续形式,δi为取值很小的正数。
令β=arctan(vdye),对式(3)取微分可得:
由式(4)进一步整理可得控制律:
考虑工程应用的简洁性要求,将上式简化为:
其中,kx,ky,kθ分别对应偏差xe,ye,θe的伴随系数,或称权值,其取值为正。如此,保留了式(5)中的变量如xe,ye,θe及其基本组合结构;但将复杂的系数表达式实现了常数化,以利于实际工程实现,尤其像煤矿巷道掘进机这类对电气***有极高防爆要求的大型机电设备。
分析控制律(6)及偏差模型,为判断其稳定性,定义Lyapunov函数:
其中k为任意正整数。取其微分:
将式(6)带入式(7)可得:
取kky=1,则即满足L(xe,ye,θe)≥0且根据Lyapunov函数的稳定性原则,此时pe有界且
(3)系数优化
式(6)所示的控制律表达式中系数kx,ky,kθ取任意正值即可满足但不同的取值组合使实现的总调整步数n不同,即收敛速度不同。
采用9-9-3的3层神经元网络对系数kx,ky,kθ进行取值优化。其中输入层包含9个神经元,分别为目标位姿(Xd,Yd,θd),当前位姿(Xc,Yc,θc),位姿偏差(Xe,Ye,θe)共9个输入量;中间隐含层包含9个神经元;输出层包含3个神经元,其输出分别为系数kx,ky,kθ即控制律中分别对应偏差xe,ye,θe的权值系数。
网络输入层各输入为:input=[Xd,Yd,θd,Xc,Yc,θc,Xe,Ye,θe],i=1,2,...9。
隐含层各神经元的输入输出分别为:其中f(x)为隐含层的活化函数,取正负对称的Sigmoid函数:
为输入层神经元i与隐含层神经元j间的连接权重;上角标(1),(2),(3)分别代表输入层、隐含层和输出层。
输出层各神经元的输入输出分别为:且由于系数xe,ye,θe取非负值,这里输出层神经元的活化函数取非负Sigmoid函数:
取性能指标函数为***按式(6)所示的控制律计算控制指令观察性能指标函数变化,并按照性能指标对连接权重的负梯度方向搜索调整各权重的取值。同时为使搜索快速收敛,权重调整时选择附加一个极小惯性项,以的更新为例:
式中η为学习率,α为惯性系数。针对式(12)中的偏微分取值,考虑:
由于根据式(5)及(9)可得:
由以及输出层活化函数可得:
同理,可根据指标函数变化搜索更新权重的取值,最终由此确定网络的输出,也即系数kx,ky,kθ的取值。
通过仿真试验,结果表明,针对任何形式的初始位姿偏差,本发明采用BP神经网络优化控制律系数相比原控制***而言,能使机身在限定的调度周期内到达目标巷道,且较大程度的提高了过程中实际行进轨迹与期望轨迹吻合度。
本发明未详细阐述部分属于本领域技术人员的公知技术。
提供以上实施例仅仅是为了描述本发明的目的,而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改,均应涵盖在本发明的范围之内。
Claims (4)
1.一种悬臂式掘进机井下行进路径跟踪控制方法,其特征在于:包括步骤如下:
第一步,建立井下悬臂式掘进机行进调度的位姿偏差模型;
第二步,针对所述位姿偏差模型,设计路径跟踪控制律;构建Lyapunov函数,确定基于位姿偏差的路径跟踪控制的稳定性;
第三步,运用BP神经网络反向自学习对所设计的路径跟踪控制律进一步优化调整,以跟踪控制悬臂式掘进机井下行进路径跟踪,提高跟踪控制效率。
2.根据权利要求1所述的悬臂式掘进机井下行进路径跟踪控制方法,其特征在于:所述第一步中掘进机行进调度的位姿偏差模型如下:
即:机身在当前时刻的位姿偏差pe经过时间时间△t之后在下一时刻变为
其中:
(Xc,Yc)为机身质点在大地坐标系中的当前坐标,θc为机身当前的方向角;(Xd,Yd)为质点在大地坐标系中的期望坐标,θd为期望方向角;(xe,ye)为质点在机身坐标系中的当前坐标与期望坐标之间的偏差,θe为当前与期望的方向角偏差;ωc表示机身当前转向角速度,vc为机身当前行进速度;ωd表示机身的期望转向角速度,vd为机身的期望行进速度。
3.根据权利要求1所述的悬臂式掘进机井下行进路径跟踪控制方法,其特征在于:所述第二步的具体实现过程:
(1)根据滑模控制理论,为使位姿偏差收敛于pe=[0,0,0]T,设计控制律如下:
式中,kx,ky,kθ分别对应位姿偏差xe,ye,θe的伴随系数,又称权值,取值为任意正数;
(2)取Lyapunov函数:
其中k为任意正整数,xe,ye,θe为位姿偏差,依据Lyapunov函数的稳定性原则,控制律u=[v,ω]T能满足L(xe,ye,θe)≥0,且从而pe有界且即位姿偏差xe,ye,θe均收敛为0,路径无偏差跟踪得以实现。
4.根据权利要求1所述的悬臂式掘进机井下行进路径跟踪控制方法,其特征在于:所述第三步具体实现过程:
(1)采用9-9-3的3层神经元网络对所述第二步设计的控制律u=[v,ω]T中系数kx,ky,kθ进行取值优化,其中输入层包含9个神经元,其输入量分别为期望位姿Pd=[Xd,Yd,θd]T、当前位姿Pc=[Xc,Yc,θc]T,位姿偏差pe=[xe,ye,θe]T;中间隐含层包含9个神经元;输出层包含3个神经元,其输出分别为系数kx,ky,kθ;
(2)隐含层各神经元的输入、输出分别为:
其中f(x)为隐含层的活化函数,取正负对称的Sigmoid函数:
为输入层神经元i与隐含层神经元j间的连接权重;上角标(1),(2),(3)分别代表输入层、隐含层和输出层;为输入层各神经元的输入,i=1,2,...9;
(3)输出层各神经元的输入、输出分别为:
且
为隐含层神经元j与输出层神经元m间的连接权重;
g(x)为输出层神经元的活化函数,取非负Sigmoid函数:
(4)取性能指标函数为
利用当前的位姿偏差(xe,ye,θe)以及参数ωd、vd等按控制律u=[v,ω]T计算出控制指令[v,ω]T,分别赋值给[vc,ωc]T;带入位姿偏差模型即实现对位姿偏差pe=[xe,ye,θe]T的更新;计算性能指标E(x);根据性能指标对连接权重的负梯度方向搜索,调整各层神经元间的连接权重
(5)将调整后的权重带回步骤(1)-(3)中各层神经元输入输出表达式,得到网络的输出,即系数kx,ky,kθ的优化取值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910282724.2A CN110045598B (zh) | 2019-04-10 | 2019-04-10 | 一种悬臂式掘进机井下行进路径跟踪控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910282724.2A CN110045598B (zh) | 2019-04-10 | 2019-04-10 | 一种悬臂式掘进机井下行进路径跟踪控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110045598A true CN110045598A (zh) | 2019-07-23 |
CN110045598B CN110045598B (zh) | 2020-07-14 |
Family
ID=67276608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910282724.2A Active CN110045598B (zh) | 2019-04-10 | 2019-04-10 | 一种悬臂式掘进机井下行进路径跟踪控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110045598B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110488835A (zh) * | 2019-08-28 | 2019-11-22 | 北京航空航天大学 | 一种基于双反向传播神经网络的无人***智能局部路径规划方法 |
CN110864692A (zh) * | 2019-11-29 | 2020-03-06 | 北京龙田华远科技有限公司 | 掘进机的位姿确定方法 |
CN110989366A (zh) * | 2020-03-04 | 2020-04-10 | 中国铁建重工集团股份有限公司 | 掘进机的控制方法、掘进机与计算机可读存储介质 |
CN110989597A (zh) * | 2019-12-05 | 2020-04-10 | 南京理工大学 | 一种集成模糊神经网络的自适应路径跟踪方法 |
CN111622763A (zh) * | 2020-04-23 | 2020-09-04 | 中国铁建重工集团股份有限公司 | 竖井掘进机调向控制方法、***、竖井掘进机及存储介质 |
CN112392498A (zh) * | 2020-11-12 | 2021-02-23 | 三一重型装备有限公司 | 一种掘进机截割部的控制方法及装置 |
Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SU596712A1 (ru) * | 1976-01-12 | 1978-03-05 | Ордена Трудового Красного Знамени Копейский Машиностроительный Завод Имени С.М.Кирова | Проходческий комбайн |
CA2663742A1 (en) * | 2005-09-19 | 2007-03-29 | Cleveland State University | Controllers, observers, and applications thereof |
CN101078935A (zh) * | 2007-06-28 | 2007-11-28 | 华南农业大学 | 基于神经网络的农业机械路径跟踪控制方法 |
CN101210495A (zh) * | 2007-12-25 | 2008-07-02 | 大连理工大学 | 全断面大型掘进装备的动态协调控制*** |
WO2012178020A1 (en) * | 2011-06-22 | 2012-12-27 | Bruce Donald Jette | Robotic tunneling system |
CN103078324A (zh) * | 2013-02-06 | 2013-05-01 | 河海大学常州校区 | 基于模糊pi复合控制的有源滤波器电流自适应控制方法 |
CN103235504A (zh) * | 2013-03-25 | 2013-08-07 | 上海交通大学 | 基于直接自适应控制重构的大型民用飞机飞行控制方法 |
CN103926839A (zh) * | 2014-04-23 | 2014-07-16 | 浙江师范大学 | 一种轮式移动机器人的运动分段控制方法 |
CN104265708A (zh) * | 2014-09-04 | 2015-01-07 | 北京航空航天大学 | 一种基于运动状态同步的自适应解耦控制方法 |
CN105136134A (zh) * | 2015-08-10 | 2015-12-09 | 兖州煤业股份有限公司 | 一种掘进机位姿检测调整方法及*** |
CN105700542A (zh) * | 2016-03-30 | 2016-06-22 | 北京航空航天大学 | 一种基于矢量场制导和最小二乘法的平流层飞艇控制分配方法 |
CN106227223A (zh) * | 2016-09-27 | 2016-12-14 | 哈尔滨工程大学 | 一种基于动态滑模控制的uuv轨迹跟踪方法 |
CN107014379A (zh) * | 2017-05-25 | 2017-08-04 | 中国矿业大学 | 一种掘进机绝对空间位姿检测装置与方法 |
CN107063295A (zh) * | 2016-10-26 | 2017-08-18 | 中国矿业大学(北京) | 一种谐振式陀螺的稳定性分析方法 |
WO2017204665A1 (en) * | 2016-05-23 | 2017-11-30 | Bumech S.A. | Roadheader ripping head with a cooling duct |
CN107503753A (zh) * | 2017-06-19 | 2017-12-22 | 煤科集团沈阳研究院有限公司 | 一种顶管式煤矿小断面巷道自主掘进的方法 |
CN107608211A (zh) * | 2017-08-25 | 2018-01-19 | 华南理工大学 | 一种掘进机多电机刀盘***的分布式预测控制方法 |
CN107831761A (zh) * | 2017-10-16 | 2018-03-23 | 中国科学院电工研究所 | 一种智能车的路径跟踪控制方法 |
CN108123648A (zh) * | 2017-11-30 | 2018-06-05 | 沈阳工业大学 | 基于线性矩阵不等式与滑模控制的直线伺服位置跟踪控制 |
CN108227491A (zh) * | 2017-12-28 | 2018-06-29 | 重庆邮电大学 | 一种基于滑模神经网络的智能车轨迹跟踪控制方法 |
CN108646763A (zh) * | 2018-07-18 | 2018-10-12 | 扬州大学 | 一种自主行驶轨迹跟踪控制方法 |
CN108894794A (zh) * | 2018-07-20 | 2018-11-27 | 陈成军 | 掘进流水线及其掘进作业方法 |
CN109184691A (zh) * | 2018-08-07 | 2019-01-11 | 中国矿业大学(北京) | 基于机器人化掘支锚联合机组的综掘巷道掘进工艺 |
CN109356608A (zh) * | 2018-11-22 | 2019-02-19 | 山东新矿信息技术有限公司 | 一种掘进机、***及方法 |
CN109386291A (zh) * | 2018-11-22 | 2019-02-26 | 山东新矿信息技术有限公司 | 掘进机截割路径规划方法、装置及掘进机截割控制*** |
-
2019
- 2019-04-10 CN CN201910282724.2A patent/CN110045598B/zh active Active
Patent Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SU596712A1 (ru) * | 1976-01-12 | 1978-03-05 | Ордена Трудового Красного Знамени Копейский Машиностроительный Завод Имени С.М.Кирова | Проходческий комбайн |
CA2663742A1 (en) * | 2005-09-19 | 2007-03-29 | Cleveland State University | Controllers, observers, and applications thereof |
CN101078935A (zh) * | 2007-06-28 | 2007-11-28 | 华南农业大学 | 基于神经网络的农业机械路径跟踪控制方法 |
CN101210495A (zh) * | 2007-12-25 | 2008-07-02 | 大连理工大学 | 全断面大型掘进装备的动态协调控制*** |
WO2012178020A1 (en) * | 2011-06-22 | 2012-12-27 | Bruce Donald Jette | Robotic tunneling system |
CN103078324A (zh) * | 2013-02-06 | 2013-05-01 | 河海大学常州校区 | 基于模糊pi复合控制的有源滤波器电流自适应控制方法 |
CN103235504A (zh) * | 2013-03-25 | 2013-08-07 | 上海交通大学 | 基于直接自适应控制重构的大型民用飞机飞行控制方法 |
CN103926839A (zh) * | 2014-04-23 | 2014-07-16 | 浙江师范大学 | 一种轮式移动机器人的运动分段控制方法 |
CN104265708A (zh) * | 2014-09-04 | 2015-01-07 | 北京航空航天大学 | 一种基于运动状态同步的自适应解耦控制方法 |
CN105136134A (zh) * | 2015-08-10 | 2015-12-09 | 兖州煤业股份有限公司 | 一种掘进机位姿检测调整方法及*** |
CN105700542A (zh) * | 2016-03-30 | 2016-06-22 | 北京航空航天大学 | 一种基于矢量场制导和最小二乘法的平流层飞艇控制分配方法 |
WO2017204665A1 (en) * | 2016-05-23 | 2017-11-30 | Bumech S.A. | Roadheader ripping head with a cooling duct |
CN106227223A (zh) * | 2016-09-27 | 2016-12-14 | 哈尔滨工程大学 | 一种基于动态滑模控制的uuv轨迹跟踪方法 |
CN107063295A (zh) * | 2016-10-26 | 2017-08-18 | 中国矿业大学(北京) | 一种谐振式陀螺的稳定性分析方法 |
CN107014379A (zh) * | 2017-05-25 | 2017-08-04 | 中国矿业大学 | 一种掘进机绝对空间位姿检测装置与方法 |
CN107503753A (zh) * | 2017-06-19 | 2017-12-22 | 煤科集团沈阳研究院有限公司 | 一种顶管式煤矿小断面巷道自主掘进的方法 |
CN107608211A (zh) * | 2017-08-25 | 2018-01-19 | 华南理工大学 | 一种掘进机多电机刀盘***的分布式预测控制方法 |
CN107831761A (zh) * | 2017-10-16 | 2018-03-23 | 中国科学院电工研究所 | 一种智能车的路径跟踪控制方法 |
CN108123648A (zh) * | 2017-11-30 | 2018-06-05 | 沈阳工业大学 | 基于线性矩阵不等式与滑模控制的直线伺服位置跟踪控制 |
CN108227491A (zh) * | 2017-12-28 | 2018-06-29 | 重庆邮电大学 | 一种基于滑模神经网络的智能车轨迹跟踪控制方法 |
CN108646763A (zh) * | 2018-07-18 | 2018-10-12 | 扬州大学 | 一种自主行驶轨迹跟踪控制方法 |
CN108894794A (zh) * | 2018-07-20 | 2018-11-27 | 陈成军 | 掘进流水线及其掘进作业方法 |
CN109184691A (zh) * | 2018-08-07 | 2019-01-11 | 中国矿业大学(北京) | 基于机器人化掘支锚联合机组的综掘巷道掘进工艺 |
CN109356608A (zh) * | 2018-11-22 | 2019-02-19 | 山东新矿信息技术有限公司 | 一种掘进机、***及方法 |
CN109386291A (zh) * | 2018-11-22 | 2019-02-26 | 山东新矿信息技术有限公司 | 掘进机截割路径规划方法、装置及掘进机截割控制*** |
Non-Patent Citations (6)
Title |
---|
VINCENT DREVELLE AND PHILIPPE BONNIFAIT: "Robust positioning using relaxed constraint-propagation", 《THE 2010 IEEE/RSJ INTERNATIONAL CONFERENCE ON INTELLIGENT ROBOTS AND SYSTEMS》 * |
张敏骏等: "掘进机远程监控***设计与位姿检测精度验证", 《煤炭科学技术》 * |
张旭辉等: "煤矿悬臂式掘进机智能控制技术研究及进展", 《重型机械》 * |
李旭等: "悬臂式掘进机工作机构的动力学仿真", 《煤炭技术》 * |
杨健健等: "基于PSO-BP 神经网络的掘进机截割部故障诊断", 《煤炭科学技术》 * |
王剑: "掘进机器人控制算法研究", 《万方数据》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110488835A (zh) * | 2019-08-28 | 2019-11-22 | 北京航空航天大学 | 一种基于双反向传播神经网络的无人***智能局部路径规划方法 |
CN110864692A (zh) * | 2019-11-29 | 2020-03-06 | 北京龙田华远科技有限公司 | 掘进机的位姿确定方法 |
CN110989597A (zh) * | 2019-12-05 | 2020-04-10 | 南京理工大学 | 一种集成模糊神经网络的自适应路径跟踪方法 |
CN110989597B (zh) * | 2019-12-05 | 2022-06-10 | 南京理工大学 | 一种集成模糊神经网络的自适应路径跟踪方法 |
CN110989366A (zh) * | 2020-03-04 | 2020-04-10 | 中国铁建重工集团股份有限公司 | 掘进机的控制方法、掘进机与计算机可读存储介质 |
CN110989366B (zh) * | 2020-03-04 | 2020-07-03 | 中国铁建重工集团股份有限公司 | 掘进机的控制方法、掘进机与计算机可读存储介质 |
CN111622763A (zh) * | 2020-04-23 | 2020-09-04 | 中国铁建重工集团股份有限公司 | 竖井掘进机调向控制方法、***、竖井掘进机及存储介质 |
CN112392498A (zh) * | 2020-11-12 | 2021-02-23 | 三一重型装备有限公司 | 一种掘进机截割部的控制方法及装置 |
CN112392498B (zh) * | 2020-11-12 | 2022-12-16 | 三一重型装备有限公司 | 一种掘进机截割部的控制方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110045598B (zh) | 2020-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110045598A (zh) | 一种悬臂式掘进机井下行进路径跟踪控制方法 | |
CN109799814B (zh) | 基于运动学模型的履带无人车辆轨迹跟踪控制器设计方法 | |
CN110244735A (zh) | 移动机器人跟踪预定轨迹的启发式动态规划控制方法 | |
CA2774163C (en) | A system and method for autonomous navigation of a tracked or skid-steer vehicle | |
CN108227491A (zh) | 一种基于滑模神经网络的智能车轨迹跟踪控制方法 | |
CN103472724A (zh) | 一种用于多自由度并联机构的实时控制动力学建模方法 | |
CN207328574U (zh) | 一种基于主动安全的智能汽车轨迹跟踪控制*** | |
CN105629734A (zh) | 一种近空间飞行器的轨迹跟踪控制方法 | |
CN110006419A (zh) | 一种基于预瞄的车辆轨迹跟踪点确定方法 | |
CN107045347A (zh) | 用于农机无人驾驶的自动掉头路径规划及其控制方法 | |
CN104834308A (zh) | 满足复杂需求的最优巡回控制方法 | |
CN108502053A (zh) | 一种轮式机器人平台精确控制方法 | |
CN101116969B (zh) | 一种移动机器人运动高精度控制方法 | |
CN110455290A (zh) | 一种智能液压挖掘机的最优轨迹规划方法 | |
CN101526801A (zh) | 履带式移动机械手的广义***统一动力学建模方法 | |
CN111271071A (zh) | 一种基于模糊自适应神经网络的盾构机姿态控制方法 | |
CN113671948B (zh) | 一种土石方工程无人碾压机机群协同智能作业控制方法 | |
CN104898672A (zh) | 一种仿人机器人行走轨迹的优化控制方法 | |
CN107193210A (zh) | 一种非线性***的自适应学习预设性能控制方法 | |
Lu et al. | Adaptive LQR path tracking control for 4WS electric vehicles based on genetic algorithm | |
Jud et al. | Robotic embankment: Free-form autonomous formation in terrain with HEAP | |
CN103862458A (zh) | 一种用于机载伺服***的六自由度并联平台 | |
CN110058521A (zh) | 一种考虑误差影响的悬臂式掘进机行进纠偏方法 | |
CN107608211A (zh) | 一种掘进机多电机刀盘***的分布式预测控制方法 | |
Liu et al. | Review on control systems and control strategies for excavators |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |