Розробка узагальненого лінійно-квадратичного нейрорегулятора системи „кран-вантаж”. Частина 2

Автор(и)

  • Юрій Ромасевич Національний університет біоресурсів і природокористування України, Україна https://orcid.org/0000-0001-5069-5929

Ключові слова:

вантажопідйомний кран, множина розв’язків, тренування штучної мережі, тестування, оптимальне керування

Анотація

У другій частині статті представлено механізм навчання штучної нейронної мережі (ШНМ) структура якої була розроблена у попередньому дослідженні. Значний обсяг навчальних даних (85451 навчальних пар), величина пакету навчання (2000), кількість раундів навчання (500000), а також глибина ШНМ дозволили отримати досить низьку похибку навчання (1,52·10-6) та валідації (1,99·10-6). Крім того, майже на всій тестовій вибірці ШНМ також показала досить якісне передбачення коефіцієнтів оптимального регулятора. Для цього були розраховані максимальні та середньоквадратичні похибки прогнозування.

Однак, окремі значення похибок прогнозування коефіцієнтів поставили під сумнів якість оптимального регулювання руху системи. Для того, щоб оцінити цю якість було вивчено найгірший у сенсі похибки прогнозування результат. Це дозволило встановити, що відхилення величин коефіцієнтів (максимально на 7,86%) не спричиняє значного відхилення динаміки руху системи „кран-вантаж” від того, що отримано за допомогою оптимальних коефіцієнтів лінійно-квадратичного регулятора. Для цього побудовано та проаналізовано графічні залежності фазового портрету маятникових коливань вантажу, функції керування, рушійного зусилля та швидкості руху крана.

У статті відмічена одна із переваг отриманої ШНМ – швидкодія отримання оптимального керування. Вона випливає із того, що доступ до ШНМ потребує значно менших обчислювальних ресурсів, аніж ті, що потрібні для розв’язання рівнянь Ріккаті.

У заключній частині статті наведено рекомендації стосовно реалізації отриманих результатів на практиці. Вони полягають у тому, що на вхід ШНМ передають вхідний вектор, що містить нормовані значення маси вантажу, довжини гнучкого підвісу та коефіцієнта ваги керування. Це дозоляє отримати прогнозні значення коефіцієнтів оптимального регулятора. У подальшому їх використовують для відшукування оптимальної стратегії керування. Остання, в свою чергу, реалізується засобами керованих електроприводних механізмів крана.

Посилання

Ashwani K. (2016). Position Regulation and Anti-Swing Control of Overhead Gantry Inverted Pendulum (GIP) using Different Soft-computing Techniques. I.J. Intelligent Sys-tems and Applications, 2, 28-34. DOI: 10.5815/ijisa.2016.02.04

Hyeon-Soo S., Seung-Pil L., Yun-Su H., Hwan-Seong K. (2023). Designing container crane control learning model using deep learn-ing. Journal of Advanced Marine Engineering and Technology, Vol. 47, No. 6, 367-378. DOI: 10.5916/jamet.2023.47.6.367

Wahyudi and Nor Thahirah Mohamad Y. (2008). ANN-based sensorless anti-swing con-trol of automatic gantry crane systems: exper-imental result. Proceeding of the 5th Interna-tional Symposium on Mechatronics and its Applications (ISMA08), Amman, Jordan, May 27-29.

Otto E., Maksakov A., Golovin I., Palis S. (2023). Neural network based adaptive control of gantry cranes. IFAC-PapersOnLine. Volume 56, Issue 2, 8091-8096. DOI: 10.1016/j.ifacol.2023.10.963

Rasool Mojallizadeh M., Brogliato B., Pri-eur C. (2023). Modeling and control of over-head cranes: a tutorial overview and perspec-tives. Annual Reviews in Control, 56, pp. 100877. DOI: ff10.1016/j.arcontrol.2023.03.002

Isa A.I., Hamza M.F., Adamu Y.A., Adamu J.K. (2022). Position and swing angle control of nonlinear gantry crane system. In Recent Trends in Mechatronics Towards Industry 4.0, 37–47.

Ma L., Lou X., Wu W., Huang X. (2022). Neural network-based boundary control of a gantry crane system subject to input deadzone and external disturbance. Nonlinear Dynamics, 108, 3449–3466.

Toxqui R., Yu W., Li X. (2006). Antiswing control for overhead crane with neural com-pensation. In The 2006 IEEE International Joint Conference on Neural Network Proceed-ings, 4697–4703.

Ma L., Lou X., Jia J. (2023). Neural-network-based boundary control for a gantry crane system with unknown friction and out-put constraint. Neurocomputing, 518, 271–281.

Kim G.-H., Yoon M., Jeon J.Y., Hong K.-S. (2022). Data-driven modeling and adaptive predictive anti-swing control of overhead cranes. International Journal of Control, Automation and Systems, 20(8), 2712–2723

Diederik P.K., Jimmy B. (2015). Adam: A Method for Stochastic Optimization. Published as a conference paper at the 3rd International Conference for Learning Representations, San Diego. DOI: 10.48550/arXiv.1412.6980

Weights of trained ANN.txt. URL: https://drive.google.com/file/d/18dSAvQbxoRsOCfZvdWedoLZyTdETVhGG/view?usp=sharing

##submission.downloads##

Опубліковано

2025-04-02

Як цитувати

Ромасевич, Ю. (2025). Розробка узагальненого лінійно-квадратичного нейрорегулятора системи „кран-вантаж”. Частина 2. Гірничі, будівельні, дорожні та меліоративні машини, (105), 5–11. вилучено із http://gbdmm.knuba.edu.ua/article/view/325948

Номер

Розділ

Моделювання робочих процесів