Delist.ru

Адаптивное управление рабочими процессами землеройно-транспортных машин (15.09.2007)

Автор: Мещеряков Виталий Александрович

Рис. 16. Нейросетевая модель рабочего процесса бульдозера

 c. При полученных в этот момент времени значениях параметров нейросетевой модели выполнено моделирование силы сопротивления копанию и скорости машины (рис. 18, 19), а также построен прогноз на 0,5 с вперед.

, средняя относительная ошибка составляет 14,7% на интервале от 7 до 10 с.

Рис. 17. Заглубление бульдозерного отвала

Рис. 18. Моделирование силы сопротивления копанию

Рис. 19. Моделирование действительной скорости машины

Рис. 20. Моделирование тяговой мощности бульдозера

Методика идентификации рабочих процессов ЗТМ и модели, полученные на ее основе, предназначены для использования при разработке адаптивных систем автоматического управления рабочими процессами ЗТМ.

В шестой главе представлена методика разработки адаптивных систем управления рабочими процессами ЗТМ, основанная на применении нейросетевых технологий. Для формирования управляющих воздействий на ЗТМ, в частности, электрических сигналов включения гидрораспределителей гидроцилиндров подъема-опускания рабочего органа, разработана структура и алгоритмы функционирования адаптивного нейросетевого регулятора.

Разработана САУ рабочим органом ЗТМ, функционирующая в режиме поддержания заданного значения силы сопротивления перемещению ЗТМ (рис. 21). В качестве объекта управления (ОУ) использована имитационная модель рабочего процесса автогрейдера из главы 3.

, согласно алгоритму обратного распространения и с учетом параметров НСМ, используется для настройки параметров регулятора.

Рис. 21. Структура адаптивной системы управления

Регулятор и модель объекта в составе УУ представляют собой каскадно-соединенные динамические двухслойные рекуррентные нейронные сети (рис. 22). НСР и НСМ – это нейросетевые модели авторегрессии с внешними входами. TDL – линии задержки сигналов, IW, LW – массивы весовых коэффициентов, b – векторы смещений, f – функции активации нейронов. 1, 2 и 3 слой нейронов содержат нелинейные функции активации – гиперболический тангенс, 4 слой – линейную функцию активации. Длина линий задержки входов определена методами корреляционного анализа сигналов (гл. 5): линия TDL1,1 имеет длину 12, TDL2,2 и TDL4,2 – длину 11, TDL4,4 – длину 17. Количество нейронов в 1 слое составляет 42, слой 3 содержит 56 нейронов, слои 2 и 4 – по одному нейрону. В программной реализации нейронной сети использован пакет расширения MATLAB Neural Network Toolbox.

весов и смещений модели, исходя из условия минимизации текущей ошибки моделирования

весов и смещений регулятора из условия минимизации оценки ошибки управления

Рис. 22. Нейронная сеть в структуре управляющего устройства

 кВт. Нейросетевое управляющее устройство автоматически подстраивается под изменение статистических характеристик возмущений и динамических свойств объекта, что избавляет от необходимости ручной настройки параметров регулятора.

Поддержание максимального математического ожидания и минимизация дисперсии тяговой мощности ЗТМ является важнейшей задачей управления тяговыми режимами. Предложена адаптивная система управления рабочим органом ЗТМ, предназначенная для поддержания максимального значения тяговой мощности.

Рис. 23. Структура нейросетевой системы управления тяговой мощностью

используется для адаптивной настройки параметров НСР. Для коррекции параметров нейронной сети реализован алгоритм адаптивного обучения НСМ1, НСМ2 и НСР, основанный на рекуррентном методе наименьших квадратов.

 кВт. Таким образом, по критерию тяговой мощности адаптивная нейросетевая САУ имеет более высокое качество управления. Кроме того, преимуществом адаптивной системы является самонастройка регулятора при изменяющихся условиях рабочего процесса. Более полное использование тяговых возможностей машины позволяет увеличить объем призмы волочения и повысить производительность ЗТМ.

Выполнено сравнение эффективности адаптивной САУ с традиционными подходами к управлению рабочими процессами по критерию удельной энергоемкости. Удельная энергоемкость единицы продукции в режиме поперечного перемещения грунта автогрейдером определена по имитационной модели процесса управления:

– крутящий момент, развиваемый двигателем;

– длительность рабочего прохода;

– объем перемещенного грунта.

. Таким образом, эффективность ЗТМ повышается за счет разработанной системы адаптивного управления рабочим процессом.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ ПО РАБОТЕ

1. Выполнен анализ работ по моделированию динамики рабочих процессов ЗТМ, по управлению рабочими процессами ЗТМ, обзор методов адаптивного и интеллектуального управления. Сделан вывод о целесообразности разработки адаптивных систем автоматического управления рабочими процессами ЗТМ, функционирующих на основе нейросетевых технологий.

2. Разработана методика аналитико-имитационного моделирования рабочих процессов ЗТМ, согласно которой аналитические и имитационные модели подсистем рабочего процесса включаются в общую имитационную модель.

3. Предложены математические модели случайных возмущений, действующих на ЗТМ со стороны неровностей микропрофиля грунтовой поверхности, а также вызванные неоднородностью свойств грунта. Для формирования случайных сигналов возмущений получены выражения передаточных функций формирующего фильтра, позволяющие учесть переменную скорость движения машины.

4. Разработана модель зависимостей между геометрическими параметрами автогрейдера, координатами рабочего органа и глубиной резания грунта.

5. Предложена динамическая модель формирования призмы волочения на поворотном отвале ЗТМ, позволяющая учесть переменную глубину резания грунта и скорость ЗТМ.

6. Предложены динамические модели приводов ЗТМ с механической и гидромеханической трансмиссиями. Модели устанавливают связи между регуляторной характеристикой двигателя, характеристикой трансмиссии, нелинейной зависимостью коэффициента буксования от внешних нагрузок, инерционными характеристиками, скоростью ЗТМ и переменными сопротивлениями на рабочем органе ЗТМ.

7. Получены имитационные модели рабочих процессов автогрейдера, позволяющие провести вычислительные эксперименты. Имитационные модели имеют практическую ценность, поскольку позволяют исследовать виртуальный прототип ЗТМ в различных режимах и сократить затраты на проведение дорогостоящих натурных экспериментов.

Исследованы тяговые режимы и процессы профилирования земляного полотна автогрейдером с механической и гидромеханической трансмиссиями. Исследованы рабочие процессы автогрейдера, оснащенного релейным и пропорциональным регулятором системы автоматического управления отвалом. В частности, установлено, что в тяговом режиме математическое ожидание тяговой мощности автогрейдера с механической трансмиссией выше на 20%, чем с гидромеханической, но среднеквадратическое отклонение тяговой мощности выше на 62%.

8. Проведены экспериментальные исследования рабочих процессов тензометрической тележки, автогрейдера и бульдозера. Результаты экспериментальных исследований использованы для доказательства адекватности имитационных моделей, а также разработки методики нейросетевой идентификации рабочих процессов ЗТМ.

9. Предложена методика автоматизированного сбора экспериментальных данных о рабочих процессах ЗТМ, создан измерительный комплекс, имеющий практическую ценность.

10. Разработана методика нейросетевой идентификации и моделирования рабочих процессов ЗТМ. Впервые применен математический аппарат нейронных сетей для создания адаптивных динамических моделей рабочих процессов. Верификация моделей тензометрической тележки и бульдозера подтверждает хорошую точность моделей.

11. Предложена методика разработки адаптивных систем управления рабочими процессами ЗТМ. Обоснована структура и алгоритмы функционирования систем управления. Программная реализация алгоритмов функционирования систем имеет практическую ценность и может быть использована для разработки реальных систем управления.

12. Выполнена оценка эффективности адаптивной системы управления по критерию удельной энергоемкости. Удельная энергоемкость для тягового режима автогрейдера с релейным регулятором составляет 598 кДж/м3, с пропорциональным регулятором снижается на 17%, а с адаптивным нейросетевым регулятором – на 21%. Таким образом, адаптивное управление рабочим процессом приводит к повышению эффективности ЗТМ.

загрузка...