CN115793465A - 螺旋式攀爬修枝机自适应控制方法 - Google Patents

Abstract

本发明公开了一种螺旋式攀爬修枝机自适应控制方法(1)建立修枝机动力学模型，通过动力学模型输入修枝机运行参数；(2)采集攀爬修枝机多传感器的数据作为控制输入量，对采集的数据进行处理；(3)基于作业环境和结构参数的非线性特性，设计攀爬修枝机自适应神经网络控制器；(4)基于事件触发机制，完成控制律的转换，实现攀爬修枝机输出和工况自适应控制。通过本发明的控制方法实现了螺旋式攀爬修枝机在爬升过程中的上升速度、刀具切割速度和旋转角度控制信号的自适应协调控制，提高了机器人的修剪效率和工作可靠性，提高了修枝机械的自动化、智能化水平。

Description

螺旋式攀爬修枝机自适应控制方法

技术领域

本发明涉及林业设备技术领域，特别涉及一种螺旋式攀爬修枝机自适应控制方法。

背景技术

我国林木占地面积广，作业量大，林木产业发展迅速。在林木生长过程中，需要对树木进行合理修枝，以此提高木材的品质和产量，提升林木的经济效益。传统林木修枝作业主要以人工为主，劳动强度大、效率低且危险性较高。随着机器人技术水平的不断提高，林木修枝作业对林业设备的机械化和自动化提出了新的要求，智能攀爬机器人将成为大面积立木整枝作业的重要手段。

目前国内研发的修枝机型尚处于测试试验阶段，较少有可应用的机型，用于林木修枝的设备还停留在机械化水平，自动化、智能化程度不高。现有的攀爬修枝机主要通过人工搬运机身进行抱树夹紧，其次操作人员需要手持遥控器控制机器人攀爬树干并进行修枝作业，当树种不同、树干的截面圆度、弯曲半径、弯曲方向和树节(或树瘤)大小变化较大时，修枝机自适应调节能力差、攀爬通过性不好、修枝质量差，同时恒定的输出功率极易造成能量浪费,导致作业时间成本大幅度地增加，自动化、智能化程度较低。

近年来，不少研究机构对树木修枝机进行了研究，例如在文献《立木整枝机设计方法与主要参数的研究》[J].北京林业大学学报,2007(04):27-32。霍光青等设计了一款螺旋式上升的立木整枝机，采用弹性夹紧机构进行抱树夹持，传动机构为纯机械式，控制方式为人工遥控操作，整机自动化程度较低。又如在FU G H,LIU X M,CHEN Y F,et al.Fast-growing forest pruning robot structure design and climbing control[J].Advances in Manufacturing,2015,3(2):166-172。山东林业大学研制了一款适应速生林的螺旋攀爬修枝机器人，采用PID控制解决了修枝机器人爬升过程中的倾斜问题。在文献《桉树爬树修枝机的设计与测试》[J].林业工程学报,2021,6(02):148-156。郑贤,邓毅等设计了一款沿着树干直接爬升的爬树修枝机，其驱动源与机体通过电源线相连，通过手持遥控操控，驱动电机使机体获得较高爬升速度，产生的动能使刀片将枝条剪切下来。

公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。

发明内容

本发明的目的在于提供一种螺旋式攀爬修枝机自适应控制方法，从而克服修枝机自适应能力差、修枝质量差，自动化和智能化程度低等的缺点。

为实现上述目的，本发明提供了一种螺旋式攀爬修枝机自适应控制方法，包括：

(1)建立修枝机动力学模型，通过动力学模型输入修枝机运行参数；；

(2)采集攀爬修枝机多传感器的数据作为控制输入量，对采集的数据进行处理，并将传感器的信号转化为控制器的输入信号；

(3)基于作业环境和结构参数的非线性特性，根据定义的不确定非线性***，构造虚拟控制信号和自适应控制律，通过设置事件触发条件，构建事件触发机制，实现自适应神经网络控制器设计；

(4)设计自适应阈值策略控制的事件触发机制，控制器获取步骤(2)的信号，通过比较常采样信号与触发时刻的输入信号之间的误差，根据事件触发条件判断当前时刻是否触发该事件；若信号达到事件触发条件，再根据构造的自适应控制律，将控制信号指令传送给***的执行器，建立输出和工况自适应控制。

优选地，上述技术方案中，步骤(1)修枝机的动力学模型为：

其中，u是控制输入电压，y为修枝机***输出，x₁，x₂，x₃分别是修枝机旋转角位移、旋转角速度和电枢电流，D是机械惯量，M_n是负载转矩，μ_f是摩擦系数，L、R分别是电枢电感和电阻，K_l是反电动势系数，i是减速比。

优选地，上述技术方案中，步骤(2)攀爬修枝机多传感器包括：夹紧轮压力传感器、刀具压力传感器和修枝机速度传感器。

优选地，上述技术方案中，步骤(2)对采集的数据进行处理包括：对采集的数据输出值进行滤波，使用二阶低通录波器，其传递函数为：

其中：n₀＝1，n₁＝2，n₂＝1；

d₁＝-2(c²-1)；

ω_D为上限截止角频率，T_s为采样周期。

优选地，上述技术方案中，步骤(3)根据定义的不确定非线性***，引入Lyapunov函数使得闭环***中所有信号的有界性以及跟踪误差可以收敛到有界的紧集内，利用RBFNNs神经网络逼近拟合函数，进而构造虚拟控制信号和自适应控制律，通过设置事件触发条件，构建事件触发机制，实现自适应神经网络控制器设计。

优选地，上述技术方案中，步骤(3)定义不确定的非线性***包括：

1)定义一个不确定非线性***：

其中，

i＝1,2,…,n且

表示***状态，所有状态都有边界约束|x_i|<T_i,T_i>0，U∈R为***输入死区，y∈R为***输出，h_i(·)和w_i(·)表示未知非线性光滑函数；

2)定义误差***：

其中，e₁(t)为实际输出与预期输出的误差；x(t)为***的实际输出，y_d(t)是***的期望输出，β_i-1是虚拟控制律。

优选地，上述技术方案中，步骤(3)中构造虚拟控制信号和自适应控制律包括：

1)引入以下假设，假设1：期望的输出信号y_d(t)及其n阶导数连续且有界，存在正数p_i(i＝0,1,…，n)，使|y_d|≤p₀≤T₁，

假设2:函数w_i(·)，i＝1，2，...，n是有界的，满足

其中

和w_i 为大于0的未知常数；

考虑死区模型

U＝bu+c (5)

其中，u表示***输入，

其中，b₁＞0和b₂＞0分别表示曲线的斜率，c₁＜0和c₂＜0表示的转折点，且b₁、b₂、c₁、c₂都是未知参数；

2)Step 1:设计虚拟控制信号，针对第1个误差变量e₁，根据式(3)和式(4)，可得：

构造以下Lyapunov函数：

其中，

是θ₁的估计值，

是估计误差，r₁>0；

对其求导可得：

其中，为简化公式，令

RBFNNs神经网络可以逼近任意非线性函数，可表示为：

其中，

R_j(X_j)，ε_j分别为理想权重向量、基函数向量和逼近误差，k为神经网络节点数，X＝[x₁,x₂,…x_k]^T为输入向量；

选取高斯函数为RBFNNs神经网络的基函数,其表达式为：

其中，i＝1，2，...，n,高斯函数的中心μ_i分布区间为[-1，1]

所以，利用RBFNNs神经网络可以对未知项W₁进行逼近，可得：

其中，

|ε₁|<δ₁，δ₁>0，δ₁是估计误差；

根据Young不等式得：

其中，a₁>0，

定义虚拟控制律β₁为：

其中，

λ₁>0；

进一步可得：

设计的虚拟控制信号

为：

其中，z₁，q₁均大于0，

设计自适应控制律为：

其中，μ₁＞0

将上面的式(11)-(16)代入(12),可得：

3)Step i:设计虚拟控制信号，针对第i(2≤i≤n-1)个误差变量e_i，根据式(3)和式(4)，可得：

构造如下Lyapunov函数：

其中，

是θ_i的估计值，

是估计误差，r_i>0

对其求导可得：

神经网络逼近W_i，可得：

其中，

|ε_i|<δ_i是估计误差，δ_i>0,a_i>0，

定义虚拟控制律β_i为：

其中，

λ_i>0；

进一步可得：

设计虚拟控制信号

和自适应律

为：

其中，z_i，q_i和μ_i均大于0；

将式(22)-(25)带入(21)，可得：

4)Step n：设计虚拟控制信号，考虑到事件触发控制，构

建如下控制信号μ(t)：

事件触发控制，构建如下控制信号μ(t)：

事件触发机制设计：

u＝μ(t_m)，t∈[t_m，t_m+1)

t_m+1＝inf{t∈R||γ(t)|≥τtanh|u|+ε} (28)

其中，

为大于零的未知常数，δ^*为单调递减的正函数，

γ(t)＝μ(t)-u，t_m为信号上传时间，m为大于零的整数；

构造中间控制律：

其中，

Φ＝[β_n，1]^T；引入参数估计

来估计ρ，

代表估计误差，

和

分别表示ρ中元素的估计值；

因此，中间控制律为：

根据式(27)可以得到以下等式：

其中0＜λ＜1，|v₁(t)|≤1和|v₂(t)|≤1为时变参数；

针对第n个误差变量e_n，根据式(3)和式(4)，可得：

构造如下Lyapunov函数：

其中，

是θ_i的估计值，

是估计误差，r_n＞0，G^-1为正定矩阵G的逆矩阵；

对其求导可得：

其中，

利用RBFNNs神经网络逼近W_n，可得：

其中，

|ε_n|δ_n是估计误差，δ_n＞0，a_n＞0，θ_n＝||φ_n||²；

定义虚拟控制律β_n为：

其中，

。

进一步可得：

设计虚拟控制信号

和实际自适应律

和

为：

其中，z_i，q_i，μ_i和Ψ均大于0的常数。

将式(35)-(39)带入(34),可得：

对于任意x∈R和任意变量y∈R,则有：

对于任意α_i∈R，i＝1，2，...，n和0≤β≤1有：

可以得到：

进一步可以得到：

其中，X为矩阵G的最大特征值，

优选地，上述技术方案中，步骤(4)中设计自适应阈值策略控制包括：当采样数据误差在预设范围内，事件触发机制采用相对阈值策略；当采样数据误差超出预设范围，事件触发机制转换为固定阈值策略；自适应阈值策略转化条件为：

τtanh|u|+ε (47)

其中，

为大于零的未知常数，δ^*为单调递减的正函数，

γ(t)＝μ(t)-u，t_m为信号上传时间，m为大于零的整数。

优选地，上述技术方案中，步骤(4)中信号达到触发条件时，修枝机进行修枝工作，控制器触发判断分为以下两种工况：

1)当刀具机构没有切割树枝时，刀具机构的压力传感器没有检测到压力变化，当前时刻事件没有触发，刀具的切割速度和主动轮的速度始终按照初始预设值运动；

2)当刀具机构在修枝机上升过程中切割侧枝，在切割事件触发时，刀具机构的压力传感器常采样信号与触发时刻输入信号误差超过阈值，达到事件触发条件，控制律将新的控制信号传递给***执行装置，驱动电机增加输出电压提高刀具机构的切割速度，同时降低主动轮的转速满足修枝机的工作稳定性。

与现有技术相比，本发明具有如下有益效果：

(1)本发明螺旋式攀爬修枝机自适应控制方法，以具有输入死区及不确定非线性***的螺旋式攀爬修枝机为研究对象，输入螺旋式攀爬修枝机预期上升速度和刀具切割速度以及夹紧轮角度控制信号，输入信号通过自适应神经网络控制器生成当前时刻自适应控制律，控制螺旋式攀爬修枝机上升速度和刀具装置的切割速度跟踪预期要求。通过刀具切割装置和驱动装置传感器采集的数据转化为下一时刻的输入信号，设计分段阈值事件触发机制，通过比较当前时刻控制信号与预期的控制信号的误差，根据事件触发条件判断当前时刻是否触发该事件。若信号达到事件触发条件，自适应控制器将最新控制信号指令传送给***执行器，执行器驱动电机增大或减小输出电压来满足误差跟踪，实现攀爬修枝机动力输出与工况匹配。并且在事件触发条件中不包含控制信号，这使得控制律结构简单、易于实现。

(2)通过本发明的控制方法实现了螺旋式攀爬修枝机在爬升过程中的上升速度、刀具切割速度和旋转角度控制信号的自适应协调控制，提高了机器人的修剪效率和工作可靠性，提高了修枝机械的自动化、智能化水平。

附图说明

图1是根据本发明的螺旋式攀爬修枝机的结构示意图；

图2是根据本发明的螺旋式攀爬修枝机自适应控制方法的控制***图；

图3是根据本发明的螺旋式攀爬修枝机自适应控制方法的控制原理图。

具体实施方式

下面结合附图，对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。

除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。

如图1至图3所示，根据本发明具体实施方式的一种螺旋式攀爬修枝机自适应控制方法。该控制方法应用于螺旋式攀爬修枝机上，攀爬修枝机的结构为市面上常见的修枝机。如图1所示，攀爬修枝机包括机架1、夹持机构2、主动轮3、夹紧轮4、驱动电机5，刀具机构6和控制***。夹持机构2安装在机架1上，夹持机构2包括两条伸缩杆21和夹持控制装置22，夹持控制装置22与伸缩杆21连接，驱动伸缩杆伸缩。该伸缩杆具有开口且呈环状结构，分别安装在机架1的上端和下端。伸缩杆的伸缩能改变伸缩杆环状内径的大小。上伸缩杆安装有3个主动轮3，三个主动轮3均匀分布在上伸缩杆上。主动轮3与驱动电机5连接，通过驱动电机5带动主动轮3滚动。下伸缩杆安装有3个夹紧轮4，三个夹紧轮4均匀分布在下伸缩杆上。刀具机构6安装在机架1上，刀具机构6包括刀具61、刀具伸缩装置62和刀具电机62，刀具电机62与刀具伸缩装置62连接，刀具伸缩装置62与刀具61连接，刀具电机63驱动刀具伸缩装置62伸缩，以带动刀具61工作切割树枝。

螺旋式攀爬修枝机的工作过程如下：

螺旋式攀爬修枝机装载在一个可移动平台上，其主要装置包括动力源、主动轮、卡紧轮、夹持机构、刀具机构及控制***等。攀爬修枝机主要构造见图1。控制***主要由电机驱动、速度传感器、压力传感器等相关电器元件组成。控制器根据采集的传感器信息，输出指令给各个执行机构，实现机器人抱树、攀爬以及刀具切割速度的自适应控制等动作。

攀爬机器人的工作原理如下：

(1)螺旋式攀爬修枝机的所有运动关节复位到初始设定位置，移动平台靠近目标树干后，控制器下达启动指令，夹持机构2沿导轨伸出，修枝机的运动关节闭合将树干抱紧。

(2)待机器人所有运动关节抱紧树干，卡紧轮4将修枝机与树干卡紧，压力传感器检测的夹持力度到达期望值之后，修枝机处于受力平衡状态，此时修枝机整体离开可移动平台的导轨台。

(3)控制器下达预期控制指令给驱动电机，驱动电机带动主动轮3开始沿着树干向上做螺旋式上升运动，驱动电机控制主动轮的转速从而控制修枝机的上升速度，同时控制刀具机构6以一定速度锯切侧枝。

(4)机器人到达期望高度后，夹持装置紧抱树干，驱动电机反转，以预设的速度平稳下降至导轨台，至此单棵树的修剪作业完成。

一种螺旋式攀爬修枝机自适应控制方法，包括以下步骤：

步骤一：建立修枝机动力学模型，通过动力学模型输入修枝机运行参数；

攀爬修枝机的动力学模型为：

其中，u是控制输入电压，y为修枝机***输出，x₁，x₂，x₃分别是修枝机旋转角位移、旋转角速度和电枢电流，D是机械惯量，M_n是负载转矩，μ_f是摩擦系数，L、R分别是电枢电感和电阻，K_l是反电动势系数，i是减速比。

螺旋式攀爬修枝机所有关节均采用电机驱动，因此不可避免存在控制输入死区问题，从而容易影响***暂态响应、稳态误差、超调量等性能指标。由于螺旋式攀爬修枝机夹持力度大，攀爬高度高，这对机器人工作过程中的安全性提出了很高的要求。同时在保证机器人控制性能的基础上，减少无线网络通信量也是需要解决的问题之一。

步骤二：攀爬修枝机传感器数据的采集及处理

螺旋式攀爬修枝机的关键工作部件(包括：主动轮2、夹紧轮4、刀具机构6、夹持机构2及驱动电机5)承担了树干修枝的重要工序任务。选择刀具机构6和夹紧轮4作为修枝机切割压力传感器和夹持压力传感器的测量点，选择主动轮2作为修枝机运动速度传感器的测量点，转速传感器将测量主动轮转动的圈数得到的脉冲信号转为主动轮2的转速，并进一步转化为攀爬修枝机运动上升的速度，传感器信号由数据采集***进行动态采集并存储，如图2所示为攀爬修枝的控制***图。刀具电机、主动轮电机和夹持装置电机为执行机构。

在实际修枝过程中，树干直径并不均匀，需要根据树干的直径变化情况来实时调整夹持装置的伸缩量和夹紧轮的角度以保证螺旋式攀爬修枝机在工作时不会出现打滑现象。通过检测夹紧轮压力传感器的压力信号，控制器可以自适应调整夹紧轮的角度和夹持装置的伸长量和收缩量，以保证修枝机处于受力平衡状态，机体不会出现滑落现象。通过检测刀具压力传感器的压力信号，控制器可以自适应调整刀具的切割速度，控制刀具的切割速度根据压力传感器的信号以非线性方式递增，在保证修剪机的工作效率的同时做到节能环保。根据实际工况调整机器人的爬升速度也是一个控制的重点。

在实际应用中，传感器的输出值会因为噪声等干扰信号产生一定的波动，可以选择一个二阶低通滤波器对输出值进行滤波，以减少这种影响。这里选择一个巴特沃斯二阶低通滤波器，其传递函数为：

其中：n₀＝1，n₁＝2，n₂＝1；

d₁＝-2(c²-1)；

ω_D为上限截止角频率，T_s为采样周期。

步骤三：攀爬修枝机自适应神经网络控制器设计

根据定义的不确定非线性***，构造虚拟控制信号和自适应控制律，通过设置事件触发条件，构建事件触发机制，实现自适应神经网络控制器设计。具体是：根据定义的不确定非线性***，引入Lyapunov函数使得闭环***中所有信号的有界性以及跟踪误差可以收敛到有界的紧集内，利用RBFNNs神经网络逼近拟合函数，进而构造虚拟控制信号和自适应控制律，通过设置事件触发条件，构建事件触发机制，实现自适应神经网络控制器设计。

螺旋式攀爬修枝机是一个非线性控制***，结合作业环境和结构参数的非线性特性，提出一种螺旋式攀爬修枝机自适应控制方法，图3为攀爬修枝机的控制原理图。

(1)首先，定义一个不确定非线性***：

其中，

i＝1,2,…,n且

表示***状态，所有状态都有边界约束|x_i|<T_i,T_i>0，U∈R为***输入死区，y∈R为***输出，h_i(·)和w_i(·)表示未知非线性光滑函数。

定义误差***：

其中，e₁(t)为实际输出与预期输出的误差；x(t)为***的实际输出，y_d(t)是***的期望输出，β_i-1是虚拟控制律。

(2)构造虚拟控制信号和自适应控制律，目标是设计一个自适应控制律，因此有必要引入以下假设：

假设1：期望的输出信号y_d(t)及其n阶导数连续且有界，存在正数p_i(i＝0,1,…，n)，使|y_d|≤p₀≤T₁，

假设2:函数w_i(·)，i＝1，2，...，n是有界的，满足

其中

和w_i 为大于0的未知常数；

考虑死区模型

U＝bu+c (5)

其中，u表示***输入，

其中，b₁＞0和b₂＞0分别表示曲线的斜率，c₁＜0和c₂＜0表示的转折点，且b₁、b₂、c₁、c₂都是未知参数。

Step 1:设计虚拟控制信号，针对第1个误差变量e₁。根据式(2)和式(3)，可得：

构造以下Lyapunov函数：

其中，

是θ₁的估计值，

是估计误差，r₁>0；

对其求导可得：

其中，为简化公式，令

RBFNNs神经网络可以逼近任意非线性函数，可表示为：

其中，

R_j(X_j)，ε_j分别为理想权重向量、基函数向量和逼近误差，k为神经网络节点数，X＝[x₁,x₂,…x_k]^T为输入向量；

选取高斯函数为RBFNNs神经网络的基函数,其表达式为：

其中，i＝1，2，...，n,高斯函数的中心μ_i分布区间为[-1，1]

所以，利用RBFNNs神经网络可以对未知项W₁进行逼近，可得：

其中，

|ε₁|<δ₁，δ₁>0，δ₁是估计误差；

根据Young不等式得：

其中，a₁>0，

定义虚拟控制律β₁为：

其中，

λ₁>0；

进一步可得：

设计的虚拟控制信号

为：

其中，z₁，q₁均大于0，

设计自适应控制律为：

其中，μ₁＞0

将上面的式(11)-(16)代入(12),可得：

Step i:设计虚拟控制信号，针对第i(2≤i≤n-1)个误差变量e_i，根据式(2)和式(3)，可得：

构造如下Lyapunov函数：

其中，

是θ_i的估计值，

是估计误差，r_i>0

对其求导可得：

其中，

同样利用RBFNNs神经网络逼近W_i，可得：

其中，

|ε_i|<δ_i是估计误差，δ_i>0,a_i>0，

定义虚拟控制律β_i为：

其中，

λ_i>0；

进一步可得：

设计虚拟控制信号

和实际自适应律

为：

其中，z_i，q_i和μ_i均大于0；

将式(22)-(25)带入(21)，可得：

Step n：考虑到事件触发控制，构建如下控制信号μ(t)：

事件触发机制设计：

u＝μ(t_m)，t∈[t_m，t_m+1)

t_m+1＝inf{t∈R||γ(t)|≥τtanh|u|+ε} (28)

其中，

为大于零的未知常数，δ^*为单调递减的正函数，

γ(t)＝μ(t)-u，t_m为信号上传时间，m为大于零的整数。

构造中间控制律：

其中，

Φ＝[β_n，1]^T；引入参数估计

来估计ρ，

代表估计误差，

和

分别表示ρ中元素的估计值；

因此，中间控制律为：

根据式(27)可以得到以下等式：

其中0＜λ＜1，|v₁(t)|≤1和|v₂(t)|≤1为时变参数。

设计虚拟控制信号，针对第n个误差变量e_n，根据式(2)和式(3)，可得：

构造如下Lyapunov函数：

其中，

是θ_i的估计值，

是估计误差，r_n＞0，G^-1为正定矩阵G的逆矩阵；

对其求导可得：

其中，

利用RBFNNs神经网络逼近W_n，可得：

其中，

|ε_n|＜δ_n是估计误差，δ_n＞0，a_nv0，θ_n＝||φ_n||²。

定义虚拟控制律β_n为：

其中，

λ_n＞0。

进一步可得：

设计虚拟控制信号

和自适应律

和

为：

其中，z_i，q_i，μ_i和Ψ均大于0的常数。

将式(35)-(39)带入(34)，可得：

对于任意x∈R和任意变量y∈R,则有：

对于任意α_i∈R，i＝1，2，...，n和0≤β≤1有：

可以得到：

进一步可以得到：

其中，X为矩阵G的最大特征值，

步骤四：攀爬修枝机动力输出和工况匹配自适应控制

设计自适应阈值策略控制的事件触发机制，控制器获取步骤(2)的信号，通过比较常采样信号与触发时刻采样信号的误差，根据事件触发条件判断当前时刻是否触发该事件；若信号达到事件触发条件，再根据构造的自适应控制律将控制信号指令传送给***的执行器，建立输出和工况自适应控制。

根据构造的控制律将控制信号指令经过事件触发装置传送给***执行器，实现了螺旋式攀爬修枝机的工况自适应控制，在保证跟踪误差始终在动态性能边界范围内且渐近收敛到零，同时减少了网络中的传输数据，减轻了网络带宽占有率的负担。

为解决攀爬修枝机动力输出与工况不匹配问题，通过事件触发机制决定不同修枝状况下的控制策略。事件触发机制的原理是将测量误差阈值进行比较，判断是否传输最新状态，达到节约通信资源的同时还能节约***能量。

基于事件触发的自适应阈值策略控制方法，当控制信号在预设范围内，事件触发机制采用相对阈值策略以此提高效率；当控制信号超过预设范围，事件触发机制转换为固定阈值策略，起到保护控制***的作用。

事件触发控制信号μ(t)：

事件触发机制设计：

u＝μ(t_m)，t∈[t_m，t_m+1)

t_m+1＝inf{t∈R||γ(t)|≥τtanh|u|+ε}

自适应阈值策略转化条件为：

τtanh|u|+ε (46)

其中，

为大于零的未知常数，δ^*为单调递减的正函数，

γ(t)＝μ(t)-u，t_m为信号上传时间，m为大于零的整数。

自适应阈值策略实现了固定阈值策略和相对阈值策略的平滑转化。

如图3所示基于事件触发的螺旋式攀爬修枝机流程示意图，速度传感器、压力传感器等检测信号输入到自适应控制器，通过采集常采样瞬间信号和触发时刻的信号，将两者信号比较结果输入事件触发机制，判断当前时刻是否触发事件。

螺旋式攀爬修枝机在工作时，控制器触发判断分为以下两种工况：

1)当刀具切割装置没有切割树枝时，刀具切割装置的压力传感器没有检测到压力变化，当前时刻事件没有触发，刀具的切割速度和主动轮的速度始终按照初始预设值运动；

2)当刀具在修枝机上升过程中切割侧枝，在切割事件触发时，刀具机构的压力传感器常采样信号与触发时刻输入信号误差超过阈值，达到事件触发条件，控制律将新的控制信号传递给***执行装置，驱动电机增加输出电压提高刀具切割装置的切割速度，同时降低主动轮的转速满足修枝机的工作稳定性。

本发明的自适应神经网络控制器，使螺旋式攀爬修枝机的旋转上升速度和刀具切割速度能够跟踪给定的速度参考值。通过基于事件触发的未知严格反馈非线性自适应跟踪控制方法，实现不同工况下的输出功率和负载匹配。

前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。

Claims (9)

1.一种螺旋式攀爬修枝机自适应控制方法，其特征在于，包括：

(1)建立修枝机动力学模型，通过动力学模型输入修枝机运行参数；

(2)采集攀爬修枝机多传感器的数据作为控制输入量，对采集的数据进行处理，并将传感器的信号转化为控制器的输入信号；

(3)基于作业环境和结构参数的非线性特性，根据定义的不确定非线性***，构造虚拟控制信号和自适应控制律，通过设置事件触发条件，构建事件触发机制，实现自适应神经网络控制器设计；

(4)设计自适应阈值策略控制的事件触发机制，控制器获取步骤(2)的信号，通过比较常采样信号与触发时刻采样信号的误差，根据事件触发条件判断当前时刻是否触发该事件；若信号达到事件触发条件，再根据构造的自适应控制律，将控制信号指令传送给***的执行器，建立输出和工况自适应控制。

2.根据权利要求1所述螺旋式攀爬修枝机自适应控制方法，其特征在于，步骤(1)修枝机的动力学模型为：

其中，u是控制输入电压，y为修枝机***输出，x₁，x₂，x₃分别是修枝机旋转角位移、旋转角速度和电枢电流，D是机械惯量，M_n是负载转矩，μ_f是摩擦系数，L、R分别是电枢电感和电阻，K_l是反电动势系数，i是减速比。

3.根据权利要求1所述螺旋式攀爬修枝机自适应控制方法，其特征在于，步骤(2)攀爬修枝机多传感器包括：夹紧轮压力传感器、刀具压力传感器和修枝机速度传感器。

4.根据权利要求3所述螺旋式攀爬修枝机自适应控制方法，其特征在于，步骤(2)对采集的数据进行处理包括：对采集的数据输出值进行滤波，使用二阶低通录波器，其传递函数为：

其中：n₀＝1，n₁＝2，n₂＝1；

d₁＝-2(c²-1)；

ω_D为上限截止角频率，T_s为采样周期。

5.根据权利要求1所述螺旋式攀爬修枝机自适应控制方法，其特征在于，步骤(3)根据定义的不确定非线性***，引入Lyapunov函数使得闭环***中所有信号的有界性以及跟踪误差可以收敛到有界的紧集内，利用RBFNNs神经网络逼近拟合函数，进而构造虚拟控制信号和自适应控制律，通过设置事件触发条件，构建事件触发机制，实现自适应神经网络控制器设计。

6.根据权利要求1所述螺旋式攀爬修枝机自适应控制方法，其特征在于，步骤(3)定义不确定的非线性***包括：

1)定义一个不确定非线性***：

其中，

且

表示***状态，所有状态都有边界约束|x_i|<T_i,T_i>0，U∈R为***输入死区，y∈R为***输出，h_i(·)和w_i(·)表示未知非线性光滑函数；

2)定义误差***：

其中，e₁(t)为实际输出与预期输出的误差；x(t)为***的实际输出，y_d(t)是***的期望输出，β_i-1是虚拟控制律。

7.根据权利要求6所述螺旋式攀爬修枝机自适应控制方法，其特征在于，步骤(3)中构造虚拟控制信号和自适应控制律包括：

1)引入以下假设，假设1：期望的输出信号y_d(t)及其n阶导数连续且有界，存在正数p_i(i＝0，1，…，n)，使|y_d|≤p₀≤T₁，

假设2：函数w_i(·)，i＝1，2，...，n是有界的，满足

其中

和w_i 为大于0的未知常数；

考虑死区模型

U＝bu+c (5)

其中，u表示***输入，

其中，b₁＞0和b₂＞0分别表示曲线的斜率，c₁＜0和c₂＜0表示的转折点，且b₁、b₂、c₁、c₂都是未知参数；

2)Step 1：设计虚拟控制信号，针对第1个误差变量e₁，根据式(3)和式(4)，可得：

构造以下Lyapunov函数：

其中，

是θ₁的估计值，

是估计误差，r₁＞0；

对其求导可得：

其中，为简化公式，令

RBFNNs神经网络可以逼近任意非线性函数，可表示为：

其中，

R_j(X_j)，ε_j分别为理想权重向量、基函数向量和逼近误差，k为神经网络节点数，X＝[x₁，x₂，…x_k]^T为输入向量；

选取高斯函数为RBFNNs神经网络的基函数，其表达式为：

其中，i＝1，2，...，n，高斯函数的中心μ_i分布区间为[-1，1]

所以，利用RBFNNs神经网络可以对未知项W₁进行逼近，可得：

其中，

|ε₁|＜δ₁，δ₁＞0，δ₁是估计误差；

根据Young不等式得：

其中，a₁＞0，

定义虚拟控制律β₁为：

其中，

λ₁＞0；

进一步可得：

设计的虚拟控制信号

为：

其中，z₁，q₁均大于0，

设计自适应控制律为：

其中，μ₁＞0

将上面的式(11)-(16)代入(12)，可得：

3)Step i：设计虚拟控制信号，针对第i(2≤i≤n-1)个误差变量e_i，根据式(3)和式(4)，可得：

构造如下Lyapunov函数：

其中，

是θ_i的估计值，

是估计误差，r_i＞0

对其求导可得：

其中，

同样利用RBFNNs神经网络逼近W_i，可得：

其中，

|ε_i|＜δ_i是估计误差，δ_i＞0，a_i＞0，

定义虚拟控制律β_i为：

其中，

λ_i＞0；

进一步可得：

设计虚拟控制信号

和自适应律

为：

其中，z_i，q_i和μ_i均大于0；

将式(22)-(25)带入(21)，可得：

4)Step n：设计虚拟控制信号，考虑到事件触发控制，构建如下控制信号μ(t)：

事件触发控制，构建如下控制信号μ(t)：

事件触发机制设计：

u＝μ(t_m)，t∈[t_m，t_m+1)

t_m+1＝inf{t∈R||γ(t)|≥τtanh|u|+ε} (28)

其中，τ、ε、

为大于零的未知常数，δ^*为单调递减的正函数，

γ(t)＝μ(t)-u，t_m为信号上传时间，m为大于零的整数；

构造中间控制律：

其中，

Φ＝[β_n，1]^T；引入参数估计

来估计ρ，

代表估计误差，

和

分别表示ρ中元素的估计值；

因此，中间控制律为：

根据式(27)可以得到以下等式：

其中0＜λ＜1，|v₁(t)|≤1和|v₂(t)|≤1为时变参数；

针对第n个误差变量e_n，根据式(3)和式(4)，可得：

构造如下Lyapunov函数：

其中，

是θ_i的估计值，

是估计误差，r_n＞0，G^-1为正定矩阵G的逆矩阵；

对其求导可得：

其中，

利用RBFNNs神经网络逼近W_n，可得：

其中，

|ε_n|＜δ_n是估计误差，δ_n＞0，a_n＞0，θ_n＝||φ_n||²；

定义虚拟控制律β_n为：

其中，

λ_n＞0。

进一步可得：

设计虚拟控制信号

和实际自适应律

和

为：

其中，z_i，q_i，μ_i和Ψ均大于0的常数。

将式(35)-(39)带入(34)，可得：

对于任意x∈R和任意变量y∈R，则有：

对于任意α_i∈R，i＝1，2，...，n和0≤β≤1有：

可以得到：

进一步可以得到：

其中，X为矩阵G的最大特征值，

8.根据权利要求1所述螺旋式攀爬修枝机自适应控制方法，其特征在于，步骤(4)中设计自适应阈值策略控制包括：当采样数据误差在预设范围内，事件触发机制采用相对阈值策略；当采样数据误差超出预设范围，事件触发机制转换为固定阈值策略；自适应阈值策略转化条件为：

τtanh|u|+ε (47)

其中，τ、ε、

为大于零的未知常数，δ^*为单调递减的正函数，

γ(t)＝μ(t)-u，t_m为信号上传时间，m为大于零的整数。

9.根据权利要求1所述螺旋式攀爬修枝机自适应控制方法，其特征在于，步骤(4)中信号达到触发条件时，修枝机进行修枝工作，控制器触发判断分为以下两种工况：

1)当刀具机构没有切割树枝时，刀具机构的压力传感器没有检测到压力变化，当前时刻事件没有触发，刀具的切割速度和主动轮的速度始终按照初始预设值运动；

2)当刀具机构在修枝机上升过程中切割侧枝，在切割事件触发时，刀具机构的压力传感器常采样信号与触发时刻输入信号误差超过阈值，达到事件触发条件，控制律将新的控制信号传递给***执行装置，驱动电机增加输出电压提高刀具机构的切割速度，同时降低主动轮的转速满足修枝机的工作稳定性。

Images