Розробка узагальненого лінійно-квадратичного нейрорегулятора системи „кран-вантаж”. Частина 2
DOI:
https://doi.org/10.32347/gbdmm.2025.105.0101Ключові слова:
вантажопідйомний кран, множина розв’язків, тренування штучної мережі, тестування, оптимальне керуванняАнотація
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 Systems 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 control of automatic gantry crane systems: experimental result. Proceeding of the 5th International 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., Prieur C. (2023). Modeling and control of overhead 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 compensation. In The 2006 IEEE International Joint Conference on Neural Network Proceedings, 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 antiswing 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
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Yuriy Romasevych
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Право авторства належить авторам статей. Невиключні права на першу публікацію матеріалів статті автори передають редакції журналу «Гірничі, будівельні, дорожні та меліоративні машини» на умовах угоди з авторами згідно ліцензії Creative Commons CC BY 4.0. При цьому авторри мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.
Запозичення матеріалів повністю або частково можливе з посиланням на вихідні дані журналу з обов'язковою вказівкою правовласника та імен авторів статей. При створенні на основі опублікованих у журналі статей нових матеріалів, цитуванні або перекладі фрагментів статей з метою їхнього цитування необхідно посилатися на першоджерела з дотриманням правил цитування.
Автори, які публікуються в цьому журналі, погоджуються з такими умовами:
- автори зберігають за собою авторські права на роботу та передають журналу право першої публікації разом із роботою, одночасно ліцензуючи її на умовах Creative Commons Attribution License, яка дозволяє іншим поширювати цю роботу з обов'язковим зазначенням авторства цієї роботи та посиланням на оригінальну публікацію у цьому журналі.
- автори зберігають за собою право укладати окремі додаткові контрактні угоди на неексклюзивне розповсюдження версії роботи, опублікованої в цьому журналі (наприклад, розмістити її в університетському сховищі або опублікувати її в книзі), з посиланням на оригінальну публікацію в цьому журналі.
- авторам дозволяється розміщувати їх роботу в мережі Інтернет (наприклад, в університетському сховищі або на їхньому персональному веб-сайті) до і під час процесу розгляду її даним журналом, оскільки це може призвести до продуктивного обговорення, а також до більшої кількості посилань на дану опубліковану роботу (Дивися The Effect of Open Access).
Дозвіл на повторне використання визначається наступною користувальницькою ліцензією:
- Creative Commons Attribution (CC BY 4.0): дає можливість іншим поширювати і копіювати статтю, створювати уривки, реферати та інші виправлені версії, адаптації або похідні роботи зі статті (наприклад, переклад) для включення в колективну роботу (наприклад, монографію), для пошуку тексту або даних в статті, навіть в комерційних цілях, за умови, що вони вказують автора (ів), не змінюють статтю в такий спосіб, щоб завдати шкоди честі або репутації автора.
