技术领域
本发明涉及智能优化建模方法,尤其涉及基于IGBO的双级摆二维桥式吊车RBF神经网络建模方法。
背景技术
桥式吊车通常拥有X、Y和Z的自由度和吊钩活动方向。一方面运送货物的小车可以在滑轨上左右移动;而滑轨则可以在与其正交的桥轨上前后移动;悬挂在小车上的吊钩可以实现货物的上下移动,且可以发生180度或360度旋转。由于桥吊系统的可用控制器数量小于其自由度,因此桥式吊车系统属于典型的非线性欠驱动系统。桥式吊车系统研究的关键问题是如何将货物快速地从初始位置移动到目标位置,同时将货物移动产生的摆动限制在比较小的范围内。货物摆动过大将直接影响桥吊的质量、工作效率和安全性。如果桥式吊车系统对货物摆动控制失败,一方面工人将很难实现对桥吊的自动化控制,货物摆动长时间难以消摆将极大影响吊车工作效率;另一方面可能对货物,甚至周围工作环境带来巨大破坏。基于这些原因,实现和提高桥式吊车系统控制精度,对于保证生产安全,提高生产效率具有重大意义。而高精度的桥式吊车模型是实现和提高精准控制的基础。目前常用的传统机理建模方法不仅复杂,而且建模精度不高,难以适应桥式吊车这类大型工业机器人的控制要求。为此,以遗传算法为代表的智能优化建模方法受到关注。
基于梯度的优化算法(Gradient-Based Optimizer,GBO)是由Iman等人于2019年提出的一种元启发式算法。该算法受牛顿法启发,通过梯度搜索规则、局部逃逸算子对求解空间进行操作。其中梯度搜索规则利用基于梯度的搜索方法来提高局部搜索的准确性,加快算法收敛速度;而局部逃逸算子则帮助算法跳出局部最优解。但是基本的基于梯度的优化算法在收敛精度仍然需要进一步提高,在搜索过程中存在易于陷入局部最优、收敛速度慢等现象。
发明内容
为了克服传统的双极摆二维桥式吊车机理建模方法复杂、精度不高的不足,本发明提出一种基于IGBO的双级摆二维桥式吊车RBF神经网络建模方法,将IGBO用于调整RBF神经网络的参数,建立双极摆二桥式吊车的位置输出模型、一级摆摆角输出模型和二级摆摆角输出模型,该方法所建模型能够很好的反映桥式吊车系统的非线性特性。
为了解决上述技术问题本发明提供如下的技术方案:
一种基于IGBO的双级摆二维桥式吊车RBF神经网络建模方法,包括以下步骤:
步骤1:通过实际测量获得二级摆桥式吊车的控制力输入数据f
步骤2:建立双极摆二维桥式吊车的RBF神经网络模型;其中RBF神经网络模型共i
其中k表示采样时刻;n
步骤3:以径向基核函数作为RBF神经网络的隐层神经元的激活函数;
步骤4:对样本数据进行归一化处理;
步骤5:预设RBF神经网络结构和改进的基于梯度的优化算法的参数;
步骤6:利用改进的基于梯度的优化算法确定RBF神经网络的权值w、核函数中心值c、函数的宽度参数b,在参数调整过程中,将RBF神经网络的模型输出与双极摆二维桥式吊车的实际输出的均方根误差和作为改进的基于梯度的优化算法的损失函数,所述双极摆二维桥式吊车的实际输出包括位置输出、一级摆角输出和二级摆角输出;
步骤7:将步骤6完成后获得的最优参数值输入RBF神经网络中,将测试数据输入到所获得的RBF神经网络中,同时获得双极摆桥式吊车的位置输出、一级摆角输出和二级摆角输出的RBF神经网络模型。
进一步,所述步骤3中,径向基核函数的数学表达式如下:
其中b是高斯径向基核函数的宽度参数;||×||为范数;
再进一步,所述步骤4中,采用的归一化公式为:
其中
所述步骤5中,RBF神经网络的隐层节点数h
其中d
所述步骤6中,改进的基于梯度的优化算法的步骤为:
步骤6.1:设定算法的种群规模为nP,概率参数pr,待求解问题的变量个数D,常数ε,最大进化代数MaxIt,RBF神经网络的输入层、隐层和输出层神经元个数分别为i
步骤6.2:初始化种群;
步骤6.3:计算种群内所有个体的损失函数值,将当前种群中的最优个体和最差个体分别表示为
步骤6.4:从当前种群中随机选取四个个体表示为
步骤6.5:基于步骤6.4选择的随机个体和
步骤6.6:基于步骤6.4选择的随机个体和
步骤6.7:基于改进的全局搜索获得的位置向量
步骤6.8:根据随机数r<pr和r≥pr决定对个体执行的局部逃逸算子类型,经过局部逃逸算子更新后,获得更新后的个体;
步骤6.9:判断当前是否达到最大进化代数;如果达到最大进化代数MaxIt,输出当前的最优个体;否则,转到步骤6.3。
所述步骤6.3中,损失函数e
其中λ
所述步骤6.5中,改进的全局搜索操作如下:
改进后的全局搜索策略:
其中
其中μ计算如下:
其中It是当前进化代数;
所述步骤6.6中,改进的局部搜索操作如下:
其中
本发明的有益效果为:改进了基于梯度的优化算法的全局搜索策略和局部搜索策略,将改进后的基于梯度的优化算法用于调整RBF神经网络参数,并同时对同一输出下的双极摆二维桥式吊车的位移、一级摆摆角和二级摆摆角建模,结果表明所建立的RBF神经网络模型能够较好的反应双极摆桥式吊车的实际特性。
附图说明
图1是基于IGBO的双级摆二维桥式吊车RBF神经网络建模方法框图;
图2是双极摆二维桥式吊车系统示意图;
图3是采用的RBF神经网络结构图;
图4是基于IGBO优化的RBF神经网络模型输出位移和双极摆二位桥式吊车实际位置输出对比;
图5是基于IGBO优化的RBF神经网络模型输出一级摆摆角和双极摆二位桥式吊车实际一级摆摆角输出对比;
图6是基于IGBO优化的RBF神经网络模型输出二级摆摆角和双极摆二位桥式吊车实际二级摆摆角输出对比。
具体实施方式
结合以上发明的附图,对本发明实施例中的技术方案进行更为直接、清晰的描述。此处仅描述本发明的部分实例,而非全部实例。本领域研究人员在未做出创造性劳动成果的前提下获得的其它实例结果,都属于本发明的保护范围。以下以某大学机器人与自动化研究所“双极摆二维桥式吊车实验平台”作为实施例。
参照图1~图6,一种基于IGBO的双级摆二维桥式吊车RBF神经网络建模方法,该建模方法流程框图见图1,包括以下步骤:
步骤1:所研究的双极摆二维桥式吊车系统的原理图见图2,通过该平台获得双极摆二维桥式吊车的水平方向控制力输入数据,双级摆二维桥式吊车系统的输出数据,所述输出数据包括水平位置、一级摆摆角和二级摆摆角,桥式吊车的运行参数为:台车质量M=6.5kg,一级摆负载质量m
步骤2:建立双极摆二维桥式吊车的RBF神经网络模型,RBF神经网络结构图见图3;其中RBF神经网络模型共i
其中k表示采样时刻;n
步骤3:以径向基核函数作为RBF神经网络的隐层激活函数,径向基核函数的表达式如下:
其中b是高斯径向基核函数的宽度参数;||×||为范数;
步骤4:采用下式对样本数据进行归一化处理:
其中
步骤5:预设RBF神经网络结构参数和改进的基于梯度的优化算法的参数;其中RBF神经网络的输入层和输出层节点个数分别为i
其中d
步骤6:利用改进的基于梯度的优化算法确定RBF神经网络的权值、核函数中心值、函数的宽度参数,在参数调整过程中,将步骤一采集到的实验数据以步骤二所述的形式排列,而后根据步骤4所属的样本归一化方式对数据进行归一化处理,将处理得到的数据输入到RBF神经网络中。并将RBF神经网络的输出与双极摆二维桥式吊车的实际输出的均方根误差和作为改进的基于梯度的优化算法的损失函数,所述实际输出包括位置输出、一级摆角输出和二级摆角输出;参数寻优的步骤如下:
步骤6.1:设定算法的种群规模为nP=100,概率参数pr=0.5,根据RBF神经网络机构可计算得待求解问题的变量个数D=h
步骤6.2:随机生成nP个体组成初始种群;
步骤6.3:计算种群内所有个体的损失函数值,将当前种群中的最有个体和最差个体分别表示为
其中
步骤6.4:从当前种群中随机选取四个个体表示为
步骤6.5:基于步骤6.4选择的随机个体和
其中
其中μ计算如下:
其中It是当前进化代数;
步骤6.6:基于步骤6.4选择的随机个体和
其中
步骤6.7:基于改进的全局搜索获得的位置向量
步骤6.8:根据随机数r<pr和r≥pr决定对个体执行的局部逃逸算子类型,经过局部逃逸算子更新后,获得更新后的个体;
步骤6.9:判断当前是否达到最大进化代数;如果达到最大进化代数MaxIt,输出当前的最优个体;否则,转到步骤6.3。
步骤7:将步骤6完成后获得的最优参数值输入RBF神经网络中,将400个测试数据输入到所获得的RBF神经网络中,RBF神经网络模型位置输出如图4所示;RBF神经网络模型一级摆摆角输出如图5所示;RBF神经网络模型二级摆摆角输出如图6所示。
从图4~图6的测试结果可以看出,RBF神经网络模型的输出结果和双极摆二维桥式吊车实际输出结果基本吻合,其误差只在很小范围内波动。因此本发明方法可以实现较高精度的建模。
机译: 基于一阶动态滑动模块的可变结构的桥式起重机防摆方法
机译: 2 3用于执行相同的二维图像和记录介质存储程序的三维建模方法用于执行相同的二维图像和记录介质存储程序的三维建模方法
机译: 二维图像形成设备,三维建模设备,二维图像形成方法和三维建模方法