一种AGV小车的控制方法与流程

本发明属于智能装备及控制技术领域，具体涉及一种AGV小车的控制方法。

背景技术：

AGV在物料搬运领域已经有五十多年的历史了，最早的AGV是在1953年问世的，它的车身带有车兜，是由一辆牵引式拖拉机改造而成的。随着现代工业的发展，AGV逐步成为现代物流系统的关键技术，也是其实现智能化的核心装备。

AGV作为高新技术发展下的产物，显示了科技对生产力举足轻重的影响力，大大促进了现代化制造业的提升和革新，使现代制造业逐步形成了信息化、绿色化、自动化、集成化以及产业高度融合的状态。

然而，目前AGV小车的控制算法多采用传统的PID控制算法。传统的PID控制算法需要建立完整的数学模型，适用于线性控制系统，而AGV小车属于非线性控制系统，这样就无法建立准确的数学模型，从而控制精度就大打折扣。而且，传统PID控制算法须由经验丰富的工程技术人员依据某一工程整定原则确定PID参数，此过程十分耗时耗力；同时，由于传统PID控制算法本身的限制，使用传统的PID控制算法容易导致系统的超调量大、系统震动幅度大的问题。

技术实现要素：

本发明的目的在于提供一种AGV小车的控制方法，用以解决采用传统PID控制方法时系统超调量大、系统震荡幅度大的问题。

为解决上述技术问题，本发明的技术方案为：

本发明的一种AGV小车的控制方法，包括如下步骤：

以位置偏差值为单神经元控制器的输入，以AGV小车为被控对象，确定PID控制器的初值，采用PID控制器对AGV小车进行控制；

通过单神经元控制器的自学习，对PID控制器中的比例、积分、微分参数进行实时调整，对AGV小车进行控制。

进一步地，所述位置偏差值为PGV中心与色带中心的偏差值。

进一步地，所述单神经元控制器将通过转换器将PGV中心与色带中心的偏差值转换成神经元学习控制所需的三个状态量，分别为：

其中，yr(k)为AGV小车的仿真控制系统的给定，y(k)为AGV小车的仿真控制系统的输出，e(k)为单神经元控制器的输入，x1(k)、x2(k)、x3(k)为单神经元控制器的三个状态量；

性能指标为：

z(k)＝x1(k)＝yr(k)-y(k)＝e(k)

单神经元控制器的输出为：

其中，K为单神经元控制的比例系数，且K＞0，ωi(k)为对应于xi(k)的加权系数。

进一步地，所述加权系数采用有监督的Hebb学习规则来调整：

ωi(k+1)＝(1-c)ωi(k)+ηvi(k)

vi(k)＝z(k)u(k)xi(k)

其中，vi(k)为一个递进信号；z(k)为输出的误差信号；η为学习速率，且η＞0；c为常数，且0≤c≤1；

且需满足：

其中，ηp、ηi、ηd分别是比例、积分、微分系数所对应的学习速率。

本发明的有益效果：

本发明的AGV小车的控制方法，以位置偏差值为单神经元控制器的输入，以AGV小车为被控对象，确定PID控制器的初值，采用PID控制器对AGV小车进行控制；通过单神经元控制器的自学习，对PID控制器中的比例、积分、微分参数进行实时调整，对AGV小车进行控制。也就是说，本发明通过单神经元自学习功能，自动调节比例、积分、微分三个参数，在不同的工况路径下对应最优化的参数。通过确定合理的K值，使AGV小车控制系统在快速性和稳定性方面达到平衡，在保证AGV小车运行稳定的基础上尽可能的加快速度，以期达到最优控制。从而解决使用传统PID控制算法的超调量大、系统响应时间长、实时性不好的问题；保证了AGV小车在满足稳定工作的前提下，拥有更加有效的实时控制算法，从而使系统运行更加稳定高效。

附图说明

图1是单神经元控制的AGV小车控制系统框图；

图2传统PID控制的SIMULINK搭建框图；

图3是离散控制系统仿真模型图；

图4是单神经元与离散控制器相结合的仿真模型图；

图5是传统PID控制与单神经元控制的单位阶跃响应曲线图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚，下面结合附图及实施例，对本发明作进一步的详细说明。

如图1所示为本发明的单神经元控制的AGV小车控制系统框图，被控对象为AGV小车，yr(k)和y(k)分别为控制系统的输入和输出，PGV中心与色带中心的偏差值e(k)＝yr(k)-y(k)为单神经元控制器的输入，单神经元控制器的输出u(k)为AGV小车的左右轮速度差，以对AGV小车进行控制。

被控对象AGV小车的数学模型根据实际情况进行建立。

图1中，x1(k)、x2(k)、x3(k)分别为单神经元学习控制方法的3个状态量，也分别是神经元的比例、积分和微分的输入，表达式如下：

其中，yr(k)为仿真控制系统的输入，y(k)为仿真控制系统的输出，e(k)为k时刻PGV中心与色带中心的偏差值。

其性能指标为：

z(k)＝x1(k)＝yr(k)-y(k)＝e(k)

K为神经元的比例系数，且K＞0。神经元一般通过相关的搜索来产生控制信号的，如下式所示：

其中，K为神经元的比例系数，且K＞0，ωi(k)为对应于xi(k)的加权系数。

单神经元控制器的通过对加权系数的调整来实现自适应、自学习功能，在这里，采用有监督的Hebb学习规则来实现。考虑到加权系数ωi(k)应该与神经元的输入、输出以及输出偏差三者的相关函数有关系，所以在运用有监督的Hebb学习规则时有：

ωi(k+1)＝(1-c)ωi(k)+ηvi(k)

vi(k)＝z(k)u(k)xi(k)

其中，vi(k)为一个递进信号；z(k)为输出的误差信号；η为学习速率，且η＞0；c为常数，且0≤c≤1。

则：

若以上各式中的函数都存在，那么对ωi(k)求偏微分可得：

则：

则以上说明，加权系数ωi(k)的修正过程按照函数fi(k)对应于ωi(k)负梯度的方向进行搜索的。为了保证单神经元控制的鲁棒性和收敛性，需要将上述算法进行规范化处理，则：

其中，ηp、ηi、ηd分别是比例、积分、微分系数所对应的学习速率，可以分别调整其不同的加权系统。

对于神经元的比例系数K的选取非常重要。K值选取的越大，系统的快速性就越好，但是超调量会变大，可能会导致该系统的不稳定。当所被控制的对象的时延变大的时候，K值的选取就必须减少，从而保证该系统的稳定性。但是如果K值选取的太小，会导致系统的快速性变弱。

为了对AGV小车控制参数初始化值进行整定，在MATLAB/Simulink下建立了基于传统PID算法的AGV小车控制系统的仿真模型，如图2所示，通过分析该控制系统对单位阶跃响应特性曲线，将控制器的三个系数ηp、ηi、ηd分别设置为10、1、0.05，并将此作为AGV小车控制系统控制参数的初始值。

由于AGV小车控制系统采用的是PLC控制，属于离散控制系统，是通过存在时间间隔的一种周期性的扫描来实现对该系统的控制，因此，需要建立离散控制的Simulink仿真模型，如图3所示。将单神经元与离散控制器相结合，在MATLAB/Simulink中得到其仿真模型如图4所示。通过MATLAB/Simulink建立AGV小车的仿真模型，并绘制出该系统在传统PID控制方式和单神经元PID控制方式的单位阶跃响应曲线图，如图5所示。

从图5所示的单位阶跃响应仿真结果可以看出，传统PID控制算法产生了很大的超调量，系统震荡幅度较大，并且系统在2.5秒之后才能进入稳定运行状态。而采用单神经元控制算法的AGV小车控制系统在1秒左右就进入稳定运行状态，系统的超调量几乎没有，响应速度也得以提高。

单神经元控制器的调节是非线性的自适应过程，只要选择适当的学习速率和神经元线性比例系数，就可以使系统超调小且无静差，获得满意的动态品质。将单神经元控制算法引入AGV小车控制系统，通过单神经元自学习功能，自动调节比例、积分、微分三个参数，在不同的工况路径下对应最优化的参数。通过确定合理的K值，使AGV小车控制系统在快速性和稳定性方面达到平衡，在保证AGV小车运行稳定的基础上尽可能的加快速度，达到最优控制。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。