[0013] 本发明的目的在于克服现有塔式起重机起升机构调速系统控制技术的不足,而提供一种塔式起重机起升机构调速系统的神经网络控制方法。
[0014] 本发明所采用的技术方案:
[0015] 一种塔式起重机起升机构调速系统的神经网络控制方法,该方法的步骤如下:
[0016] 步骤1)、将起重机负载重量g及吊钩起升高度h作为神经网络的两个输入变量,起重机电机定子供电频率f的变化率f’作为神经网络的输出变量即控制量;设起重机负载重量g的论域为G,并将负载重量分为7个等级,用-3, -2, -1, 0, 1, 2, 3表示,
[0017] 即G={-3, -2, -1, 0, 1, 2, 3},设定起重机的最大负载重量的1/2对应等级0,比这个值重的为正,比这个值轻的为负,取7个模糊语言值为G1 、G2 、G3 、G4 、G5 、G6 、G7 ,记为: NB、NM、NS、Z、PS、PM、PB,其中,G1表示负大,G2表示负中,G3表示负小,G4表示零,G5表示正小,G6表示正中,G7表示正大;
[0018] 设起重机的吊钩起升高度h的论域为W,并将起升高度分为7个等级,用-3, -2, -1, 0, 1, 2, 3表示,
[0019] 即W={-3, -2, -1, 0, 1, 2, 3},设定起重机的最大起升高度的1/2对应等级0,比这个值重的为正,比这个值轻的为负,取7个模糊语言值为W1 、W2 、W3 、W4 、W5 、W6 、W7 ,记为: NB、NM、NS、Z、PS、PM、PB,其中,W1表示负大,W2表示负中,W3表示负小,W4表示零,W5表示正小,W6表示正中,W7表示正大;
[0020] 设控制量f’的论域为F,并将控制量分为7个等级,用-3, -2, -1, 0, 1, 2, 3表示,
[0021] 即F={-3, -2, -1, 0, 1, 2, 3},设定起重机的最大控制量的1/2对应等级0,比这个值重的为正,比这个值轻的为负,取7个模糊语言值为F1 、F2 、F3 、F4 、F5 、F6 、F7 ,记为: NB、NM、NS、Z、PS、PM、PB,其中,F1表示负大,F2表示负中,F3表示负小,F4表示零,F5表示正小,F6表示正中,F7表示正大;根据安全操作经验可得模糊规则表;利用MATLAB工具箱中的模糊控制系统,可求得模糊控制器输入信号与输出控制信号对应表;
[0022] 步骤2)、对步骤1)中的表2中的输入信号起重机负载重量和吊钩起升高度以及输出控制信号做归一化处理;
[0023] 步骤3)、建立BP神经网络控制模型的拓扑结构:起重机负载重量g和吊钩起升高度h为输入层两个输入变量;频率的变化率即控制量f’为输出层的一个输出变量;
[0024] 步骤4)、训练BP神经网络,确定隐层神经元个数、各层神经元之间的连接权重及神经元的阈值,求得BP神经网络控制模型;
[0025] 步骤5)、起重机的每一控制周期中,利用MATLAB中的神经网络工具箱,只需将采样的起重机负载重量g和吊钩起升高度h输入训练得到的BP神经网络控制模型,即可求得输出控制量f’。
[0026] 所述的BP神经网络模型为具有含一层隐层的三层前馈型网络结构,将负载重量g和吊钩起升高度h作为输入层两个输入变量;频率的变化率即控制量f’为输出层的一个输出变量,隐层具有10个神经元;隐层和输出层的传递函数选用函数 ,由于激活函数采用 ,故对输入和输出原始数据需运用公式 做归一化处理,使其值在[0.1,0.9]之间。
[0027] 所述的BP网络训练方式包括两个阶段:前馈阶段和反向传播阶段。前馈阶段是指由输入层输入输入向量,经由隐层以前馈方式传至输出层,并求出网络的输出;反向传播阶段是指拿期望输出值减网络输出值,得到误差信号,然后将此误差信号反向逐层传递回网络中,进而修改连接权值和阈值。
[0028] 本发明的有益效果在于:本发明提供一种塔式起重机起升机构中调速系统的BP神经网络控制模型,由于BP神经网络具有泛化能力,对于采样到的起重机负载重量和吊钩起升高度的实际数值直接输入BP神经网络控制模型,即可求得输出控制量f’。克服了模糊控制器每个控制周期都必须将采样的起重机负载重量和吊钩起升高度进行模糊化处理,计算出离散分挡值,方可查找到控制量f’的技术缺陷,从而可提高控制精度,实现塔机起升机构平稳加速和减速,有效避免机械传递的恶性冲击,达到提高工作效率、延长塔机寿命、确保塔机的安全性和可靠性的目的。