[發明專利]一種網格精細化的岸邊集裝箱起重機最優控制系統

有效

• 申請號: 201711115227.0
• 申請日: 2017-11-13
• 公開（公告）號: CN107902555B
• 公開（公告）日: 2019-03-01
• 發明（設計）人: 劉興高;李國棟;王雅琳;盧建剛;陽春華;孫優賢;桂衛華
• 申請（專利權）人: 浙江大學
• 主分類號: B66C13/16
• 分類號: B66C13/16;B66C13/44;B66C13/46;B66C13/48
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 邱啟旺

1.一種網格精細化的岸邊集裝箱起重機最優控制系統，能夠對集裝箱的移動速度進行自動控制，以最優化裝卸過程的性能指標；其特征在于：由執行電機、位置傳感器、現場總線網絡、DCS、控制室顯示、電機控制器構成；所述系統的運行過程包括：

步驟A1：控制室工程師指定集裝箱的起止位置、裝卸過程的性能指標及速度控制約束；

步驟A2：DCS執行內部的網格精細化方法，獲得使裝卸過程性能指標最優的速度控制策略；

步驟A3：DCS將計算獲得的速度控制策略轉換為執行電機的控制指令，通過現場總線網絡發送給電機控制器，使執行電機根據收到的控制指令執行相應動作；

步驟A4：位置傳感器實時采集集裝箱的位置信息，經過現場總線網絡回送給DCS，并在主控室內顯示，使控制室工程師隨時掌握裝卸過程；

所述的DCS，包括信息采集模塊、初始化模塊、網格精細化模塊、ODE求解模塊、梯度計算模塊、非線性規劃(Non-linear Programming，簡稱NLP)問題求解模塊、精細化收斂性判斷模塊、控制指令輸出模塊；其中信息采集模塊包括集裝箱起止位置采集、性能指標采集、速度控制約束采集三個子模塊，NLP問題求解模塊包括尋優方向計算、尋優步長計算、NLP收斂性判斷三個子模塊；

為獲得使集裝箱裝卸過程性能指標最優的速度控制策略，所述的DCS執行的網格精細化方法，運行步驟如下：

步驟B1：信息采集模塊獲取控制室工程師指定的集裝箱的起止位置、裝卸過程的性能指標及速度控制約束；

步驟B2：初始化模塊開始運行，采用分段常量參數化，設置裝卸過程的分段數N、對應的控制網格為速度控制策略的參數化向量設定NLP問題的計算精度tol₁和自適應逼近的收斂精度tol₂，將迭代次數k₁和逼近次數k₂置零；

步驟B3：當k₂＝0時，執行步驟B4；否則，通過網格精細化模塊對控制網格進行精細化處理，得到新的控制網格及其對應的參數化向量

步驟B4：通過ODE求解模塊獲取本次迭代的狀態信息和目標函數值

步驟B5：通過梯度計算模塊獲取本次迭代的梯度信息當k₁＝0時跳過步驟B6直接執行步驟B7；

步驟B6：NLP問題求解模塊運行，通過NLP收斂性判斷模塊進行收斂性判斷，如果與上一次迭代的目標函數值之差的絕對值小于精度tol₁，則判斷收斂性滿足，執行步驟B9；如果收斂性不滿足，則繼續執行步驟B7；

步驟B7：用的值覆蓋的值，并將迭代次數k₁增加1；

步驟B8：NLP問題求解模塊利用在步驟B4和B5中獲得的目標函數值和梯度信息，通過計算尋優方向和尋優步長，獲得比更優的新的參數化向量該步驟執行完成后再次跳轉至步驟B4；

步驟B9：精細化收斂性判斷模塊運行，記當k₂＝0時，執行步驟B10，否則，判斷與上一次精細化的目標函數值之差的絕對值是否小于精度tol₂，如果是，則判斷收斂性滿足，并將本次迭代的速度控制策略轉換為電機控制指令輸出，否則收斂性不滿足，置精細化次數k₂＝k₂+1，繼續執行步驟B3，直至精細化收斂性判斷模塊滿足為止；

所述的網格精細化模塊，采用如下步驟實現：

步驟C1：由以下公式計算網格節點處的左斜率和右斜率

其中，u_k表示速度控制策略在第k個參數化分段上的參數化表示，t_k表示u_k和u_k+1之間的網格節點；

步驟C2：若網格節點t_k處的左右斜率滿足如下要求，則從網格中剔除該節點：

其中，ε_e是一個較小的正實數；網格節點t_k剔除后，u_k和u_k+1所對應的網格合并為一個新的網格，其上的參數更新為(u_k+u_k+1)/2；

步驟C3：若網格節點t_k處的左斜率滿足：

其中，ε_i是一個大于ε_e的正實數，則在[t_k-1,t_k]上插入網格節點；若網格節點t_k處的右斜率滿足：

則在[t_k-1,t_k]上插入網格節點；實際應用時，根據左右斜率的絕對值大小自由設定加入節點的個數；

步驟C4：根據步驟C2和C3中剔除和插入的節點，生成新的控制網格和相應的參數化向量；

所述的ODE求解模塊，采用的是四步Runge-Kutta方法，計算公式為：

其中，t表示時間，t_i表示Runge-Kutta方法選擇的積分時刻，t_i+1表示位于時刻t_i后的積分時刻，積分步長h為任意兩相鄰積分時刻之差，x(t_i)表示集裝箱在t_i時刻的狀態信息，F是描述狀態微分方程的函數，K1、K2、K3、K4分別表示Runge-Kutta法積分過程中的4個節點的函數值；

所述的梯度計算模塊，采用的是伴隨方法:

步驟D1：令λ(t)為協態向量，它的值由伴隨方程確定：

其中，t_f表示裝卸過程的結束時間，H表示哈密爾頓函數，且H＝L+λ(t)^TF，L為目標函數的積分項，Φ[x(t_f)]為目標函數的穩態項；

步驟D2：對于伴隨方程，采用四步Runge-Kutta方法得到協態向量λ(t)在各積分時刻的值，計算公式為：

其中，t表示時間，t_i為ODE求解模塊中選擇的積分時刻，t_i+1表示位于時刻t_i后的積分時刻，并且t_i+1＝t_i+h，h為積分步長，Q1、Q2、Q3、Q4分別表示Runge-Kutta法積分過程中的4個節點的函數值；

步驟D3：基于得到的協態向量λ(t)的值，由以下公式得到梯度信息

其中，和表示的第一個和第二個分量，依此類推；

所述的NLP問題求解模塊，采用如下步驟實現：

步驟E1：將速度控制策略的參數化向量作為向量空間中的某個點，記作P₁，P₁對應的目標函數值就是

步驟E2：從點P₁出發，根據選用的NLP算法和點P₁處的梯度信息構造向量空間中的一個尋優方向和步長

步驟E3:通過式構造向量空間中對應的另外一個點P₂，使得P₂對應的目標函數值比更優，其中I是與同維數的向量。