Delist.ru

Адаптивное управление рабочими процессами землеройно-транспортных машин (15.09.2007)

Автор: Мещеряков Виталий Александрович

Исследование рабочих процессов ЗТМ с помощью имитационных моделей дает наглядное представление о зависимостях между параметрами процессов. Однако эти параметры варьируются в широких пределах, что вызывает неадекватность или снижает точность имитационных моделей. Необходимо разработать методику создания адаптивных математических моделей рабочих процессов ЗТМ, основанную на обработке экспериментальных данных.

Четвертая глава посвящена методике и результатам экспериментальных исследований рабочих процессов ЗТМ. Цель экспериментальных исследований – сбор данных о параметрах рабочих процессов в динамике для идентификации ЗТМ, оценки статистических характеристик возмущающих воздействий и подтверждения математических моделей рабочих процессов ЗТМ. Экспериментальные исследования, выполненные при полевых испытаниях ЗТМ, также преследовали цель доказательства работоспособности и эффективности применения модернизированного рабочего оборудования автогрейдера и бульдозера.

Решены следующие задачи экспериментальных исследований:

- разработка методики автоматизированного сбора экспериментальных данных о рабочих процессах ЗТМ;

- создание измерительного комплекса на основе ЭВМ, оснащение ЗТМ регистрирующей аппаратурой;

- проведение лабораторных и полевых испытаний ЗТМ;

- цифровая обработка и статистический анализ измеренных сигналов.

7Предложена методика оцифровки экспериментальных данных, основанная на положениях теории случайных процессов и цифровой обработки сигналов. Методика предназначена для изменения частоты дискретизации измеренных сигналов при сохранении существенной информации, используемой для определения статистических характеристик измеренных показателей рабочего процесса, анализа динамики и идентификации ЗТМ.

измерена вручную. Экспериментальные сигналы использованы для идентификации рабочего процесса с помощью нейросетевых математических моделей. Выполнена передискретизация сигналов, выбрана частота дискретизации 10 Гц. Сигналы использованы для нейросетевой идентификации процесса резания грунта тензометрической тележкой.

В ЗАО «УМСР-5», г. Омск, проведены производственные испытания неповоротного бульдозера на базе трактора Т-130М, оснащенного модернизированным и серийным рабочим оборудованием. Модернизация заключается в установке упругих элементов между отвалом и толкающими брусьями для снижения амплитуды колебаний случайных нагрузок, действующих на базовый трактор. Одной из целей экспериментальных исследований было сравнение показателей рабочего процесса бульдозера, оснащенного модернизированным и серийным рабочим оборудованием. Главная цель эксперимента – сбор данных, необходимых для идентификации рабочего процесса бульдозера, и обоснование нейросетевого подхода к моделированию и управлению рабочими процессами ЗТМ.

, используемые для нейросетевой идентификации рабочего процесса бульдозера. Сигналы приведены к частоте дискретизации 20 Гц.

Рис. 10. Рабочее оборудование бульдозера

Адекватность математических моделей, представленных во второй и третьей главах, подтверждена анализом экспериментальных данных. В Мостовом эксплуатационном управлении (МЭУ) «Омскавтодор» проведены экспериментальные исследования автогрейдера ДЗ-143-1, оснащенного модернизированным рабочим оборудованием, предназначенным для улучшения планирующих свойств автогрейдера. Модернизация рабочего оборудования заключается в изменении конструкции, обеспечивающем плавающее положение отвала в поперечной плоскости автогрейдера и жесткую связь с хребтовой балкой в продольной плоскости. Исследован рабочий процесс автогрейдера на отделочных работах на участке грунтовой дороги. Выполнен статистический анализ экспериментально полученных профилограмм с целью определения характеристик возмущений, действующих на ЗТМ от неровностей микропрофиля грунтовой поверхности.

под результаты эксперимента решена численно методом наименьших квадратов при помощи функции lsqcurvefit, входящей в состав MATLAB Optimization Toolbox. Результаты аппроксимации спектральных плотностей координат микропрофиля приведены в табл. 1.

Табл. 1. Параметры аппроксимирующей

функции спектральных плотностей

Необработанный профиль Правая 0,0015 0,0117 0,0355

Левая 0,0036 0,0163 0,0414

Обработанный профиль Правая 0,0025 0,0138 0,0219

Левая 0,0032 0,0172 0,0247

Найденные статистические характеристики флюктуаций координат продольного профиля грунтовой поверхности использованы при имитационном моделировании рабочего процесса автогрейдера для формирования возмущений от неровностей микропрофиля. Коэффициенты сглаживания по правой и левой колеям составляют для серийного рабочего оборудования

С помощью имитационной модели рабочего процесса автогрейдера ДЗ-143-1 без управления рабочим органом получены среднеквадратические отклонения высотных координат необработанного профиля, координат отвала и определены коэффициенты сглаживания. Расхождение между статистическими характеристиками выходных параметров рабочих процессов составляет от 7 до 15%, что говорит об адекватности имитационных моделей.

Рис. 12. Модифицированный отвал переменной длины

Вт. Расхождение между теоретическим и экспериментальным значениями коэффициента вариации тяговой мощности составляют 11%.

В результате экспериментальных исследований подтверждена работоспособность и положительный эффект от внедрения нескольких конструкций модифицированного рабочего оборудования ЗТМ: рабочего оборудования автогрейдера для планировочных работ, грейдерного отвала переменной длины и рабочего оборудования бульдозера с упругими элементами, что имеет практическую ценность.

В пятой главе приведена методика идентификации и моделирования рабочих процессов ЗТМ на основе нейросетевых технологий. Методика позволяет находить и воспроизводить нелинейные зависимости между экспериментально измеренными показателями рабочих процессов ЗТМ в динамике. Общий подход к непараметрической идентификации проиллюстрирован на рис. 13.

Рис. 13. Идентификация рабочего процесса ЗТМ

. Длины линий задержки TDL с учетом частоты дискретизации 10 Гц составляют соответственно 1, 5 и 2 (рис. 15).

Рис. 14. Идентификация рабочего процесса тензометрической тележки

Рис. 15. Нейросетевая модель рабочего процесса тензометрической тележки

Вектор настраиваемых параметров адаптивной модели, содержащий веса и смещения нейронной сети,

Критерий оптимальной настройки нейросетевой модели, т.е. текущую ошибку обучения в каждый момент времени, обозначим

Задача обучения сети представляет собой задачу многомерной нелинейной оптимизации

Предложен алгоритм адаптивного обучения нейросетевой модели рабочего процесса ЗТМ, основанный на рекуррентном методе наименьших квадратов (методе экспоненциального забывания) и алгоритме динамического обратного распространения ошибки обучения Forward Perturbation.

. Градиент критерия оптимального обучения сети содержит частные производные ошибки обучения по настраиваемым параметрам нейросетевой модели:

в соответствии с рекуррентным выражением

– интервал дискретизации по времени.

параметров нейросети

, средняя относительная ошибка после обучения сети составляет 4,5%.

Каждая из нейронных сетей 1 и 2 представляет собой нелинейную модель авторегрессии с внешними входами, в частности, динамическую рекуррентную двухслойную нейронную сеть.

загрузка...