一种叉车属具夹紧力自适应控制方法及系统与流程

本发明涉及叉车属具夹紧力控制领域，尤其涉及一种叉车属具夹紧力自适应控制方法及系统。

背景技术

叉车为了能够实现不同的功能，除了使用基本属具货叉之外，还会根据实际情况使用专用属具，如夹抱器、环卫属具等。专用属具的使用对叉车的工作效率有大幅度的提升，并且能够降低生产成本。专用属具能够完成基本属具无法完成的复杂动作，如夹抱、旋转等。

现有的叉车属具输出的夹紧力是通过在叉车油泵到属具液压系统的油路上设置机械阀而控制的，在机械阀的控制下，叉车属具输出的夹紧力只有几个固定的档位，并且每个档位也难以稳定地输出力，极大地限制了叉车属具的应用。使用电控阀代替机械阀可以使叉车属具夹紧力实现连续可调，但是电控阀在实际使用中会有能量损耗，同时叉车属具也会有机械损失，会造成输出的夹紧力值与实际设定的夹紧力值有所偏差。因此需要对夹紧力值进行修正。目前尚无一种针对叉车属具夹紧力的自适应控制方法。

技术实现要素：

本发明所要解决的技术问题是提供一种可以提高叉车属具夹紧力控制精度的叉车属具夹紧力自适应控制方法及系统。

本发明是通过以下技术方案解决上述技术问题的：

一种叉车属具夹紧力自适应控制方法，包括以下步骤：

步骤一，使用遗传算法的实数编码规则生成若干个体，计算个体的适应度，根据适应度的大小进行选择、变异、交叉操作，当适应度函数阈值小于设定阈值ε或者达到迭代次数时，遗传算法停止工作，将遗传算法的结果作为粒子群算法的初始粒子群；

步骤二，设置适应度函数阈值和迭代次数，使pso算法搜索的起始值和搜索范围靠近最优解，将所获得的最优解作为pid算法的参数；

步骤三、使用pid算法调节夹紧力输出值，对比设定的夹紧力值与采用pid算法调节后的夹紧力输出值，如果差值在设置的误差范围内则结束；否则，返回步骤二重新设置适应度函数阈值和迭代次数，获取最优解；如此循环，直到获得满足要求的pid参数。

作为优化的技术方案，所述遗传算法包括以下步骤：

步骤一，设置问题解的初始种群p1；

步骤二，根据适应度函数计算种群p1的个体适应度,若获得最优解或迭代次数达到最大，则转到步骤六，若不满足条件则转到步骤三；

步骤三，进行选择操作，以适应度评价的结果为依据来进行选择，由此生成下一代新的个体；

步骤四，将步骤三中获得的个体通过交叉、变异操作获得新的个体；

步骤五，对步骤四中获得的个体进行适应度计算，若获得最优解或迭代次数达到最大，则转到步骤六，若不满足条件则转到步骤三；

步骤六，算法结束，得到种群p2。

作为优化的技术方案，所述粒子群算法包括以下步骤：

步骤一，在搜索空间中针对由遗传算法得到的种群p2的位置和速度初始化，计算适应度fid，初始化式中，fid为第i个粒子适应度函数值，d为搜索空间维度，为未迭代时第i个粒子适应度函数值，为未迭代时整个种群在d维搜索空间中的最佳位置；

步骤二，在算法迭代过程中，粒子位置与速度变化遵循如下的计算准则：

上述各式中，为第i个粒子迭代k+1次时的飞行速度，为第i个粒子迭代k次时的飞行速度，为第i个粒子迭代k次时的适应度，为第i个粒子迭代k次时的位置，d为搜索空间维度，ω为惯性权重，c1为认知参数，c2为社会参数，r1、r2为随机函数；

步骤三，更新第i个粒子迭代k次时的适应度和迭代k次时整个种群在d维搜索空间中的最佳位置

步骤四，如果步骤三中粒子群算法达到设计的中止准则，算法结束，并且得到pid参数的最优解；否则，转到步骤二。

作为优化的技术方案，惯性权重ω由式求得，式中，t为迭代次数，maxdt为最大迭代次数，ω的取值范围为[0.8，1.2]。

作为优化的技术方案，所述pid算法的传递函数如下式：

式中，kp、ki、kd分别为比例控制参数，积分控制参数，微分控制参数。

一种叉车属具夹紧力自适应控制系统，其特征在于，包括

遗传算法模块：用来使用遗传算法的实数编码规则生成若干个体，计算个体的适应度，根据适应度的大小进行选择、变异、交叉操作，当适应度函数阈值小于设定阈值ε或者达到迭代次数时，遗传算法停止工作，将遗传算法的结果作为粒子群算法的初始粒子群；

粒子群算法模块：用来设置适应度函数阈值和迭代次数，使pso算法搜索的起始值和搜索范围靠近最优解，将所获得的最优解作为pid算法的参数；

pid算法模块：用来使用pid算法调节夹紧力输出值，对比设定的夹紧力值与采用pid算法调节后的夹紧力输出值，如果差值在设置的误差范围内则结束；否则，返回粒子群算法模块重新设置适应度函数阈值和迭代次数，获取最优解；如此循环，直到获得满足要求的pid参数。

作为优化的技术方案，所述遗传算法模块包括以下单元：

设置单元：用来设置问题解的初始种群p1；

初始个体适应度计算单元：用来根据适应度函数计算种群p1的个体适应度,若获得最优解或迭代次数达到最大，则转到结束单元，若不满足条件则转到选择单元；

选择单元：用来进行选择操作，以适应度评价的结果为依据来进行选择，由此生成下一代新的个体；

交叉变异单元：用来将选择单元中获得的个体通过交叉、变异操作获得新的个体；

新个体适应度计算单元：用来对交叉变异单元中获得的个体进行适应度计算，若获得最优解或迭代次数达到最大，则转到结束单元，若不满足条件则转到选择单元；

结束单元：用来使算法结束，得到种群p2。

作为优化的技术方案，所述粒子群算法包括以下单元：

初始化单元：用来在搜索空间中针对由遗传算法得到的种群p2的位置和速度初始化，

计算适应度fid，初始化

式中，fid为第i个粒子适应度函数值，d为搜索空间维度，为未迭代时第i个粒子适应度函数值，为未迭代时整个种群在d维搜索空间中的最佳位置；

粒子位置与速度计算单元：在算法迭代过程中，粒子位置与速度变化遵循如下的计算准则：

上述各式中，为第i个粒子迭代k+1次时的飞行速度，为第i个粒子迭代k次时的飞行速度，为第i个粒子迭代k次时的适应度，为第i个粒子迭代k次时的位置，d为搜索空间维度，ω为惯性权重，c1为认知参数，c2为社会参数，r1、r2为随机函数；

更新单元：用来更新第i个粒子迭代k次时的适应度和迭代k次时整个种群在d维搜索空间中的最佳位置

判断单元：用来判断如果更新单元中粒子群算法达到设计的中止准则，算法结束，并且得到pid参数的最优解；否则，转到粒子位置与速度计算单元。

作为优化的技术方案，所述惯性权重ω由式求得，式中，t为迭代次数，maxdt为最大迭代次数，ω的取值范围为[0.8，1.2]。

作为优化的技术方案，所述pid算法的传递函数如下式：

式中，kp、ki、kd分别为比例控制参数，积分控制参数，微分控制参数。

本发明的优点在于：实现对叉车属具夹紧力的自适应控制，相较于单一的遗传算法、粒子群算法算法，采用遗传算法/粒子群算法组合参数寻优算法，具有更高的精度，收敛速度快，不易陷入局部极值点，提高了叉车属具夹紧力控制精度，促进了安全生产。

附图说明

图1是本发明叉车属具夹紧力自适应控制方法的算法流程图。

图2是本发明中遗传算法的算法流程图。

图3是本发明中粒子群算法的算法流程图。

具体实施方式

如图1-3所示，一种叉车属具夹紧力自适应控制方法，包括以下步骤：

步骤一，使用遗传算法的实数编码规则生成若干个体，计算个体的适应度，根据适应度的大小进行选择、变异、交叉操作，使得求解域聚集于全局最优解所在的区域，当适应度函数阈值小于设定阈值ε或者达到迭代次数时，遗传算法停止工作，将遗传算法的结果作为粒子群算法的初始粒子群；

步骤二，设置适应度函数阈值和迭代次数，选择较小的阈值，使pso算法搜索的起始值和搜索范围靠近最优解，将所获得的最优解作为pid算法的参数；

步骤三、使用pid算法调节夹紧力输出值，对比设定的夹紧力值与采用pid算法调节后的夹紧力输出值，如果差值在设置的误差范围内则结束；否则，返回步骤二重新设置适应度函数阈值和迭代次数，获取最优解；如此循环，直到获得满足要求的pid参数。

所述遗传算法包括以下步骤：

步骤一，设置问题解的初始种群p1；

步骤二，根据适应度函数计算种群p1的个体适应度,若获得最优解或迭代次数达到最大，则转到步骤六，若不满足条件则转到步骤三；

步骤三，进行选择操作，以适应度评价的结果为依据来进行选择，由此生成下一代新的个体；

步骤四，将步骤三中获得的个体通过交叉、变异操作获得新的个体；

步骤五，对步骤四中获得的个体进行适应度计算，若获得最优解或迭代次数达到最大，则转到步骤六，若不满足条件则转到步骤三；

步骤六，算法结束，得到种群p2。

所述粒子群算法包括以下步骤：

步骤一，在搜索空间中针对由遗传算法得到的种群p2的位置和速度初始化，计算适应度fid，初始化式中，fid为第i个粒子适应度函数值，d为搜索空间维度，为未迭代时第i个粒子适应度函数值，为未迭代时整个种群在d维搜索空间中的最佳位置；

步骤二，在算法迭代过程中，粒子位置与速度变化遵循如下的计算准则：

上述各式中，为第i个粒子迭代k+1次时的飞行速度，为第i个粒子迭代k次时的飞行速度，为第i个粒子迭代k次时的适应度，为第i个粒子迭代k次时的位置，d为搜索空间维度；

ω为惯性权重，用于调节粒子群算法的搜索能力，由式求得，式中，t为迭代次数，maxdt为最大迭代次数，ω的取值范围为[0.8，1.2]；

c1为认知参数(cognitive)，c2为社会参数(social)，c1、c2都为粒子群算法中的学习因子，用来确定个体最好粒子和全局最好粒子方向飞行的最大步长，为了能够快速确定最优的学习因子，采用高斯随机来获得；

r1、r2为随机函数，同样通过高斯随机来快速确定，r1、r2的取值范围均为[0，1]；

式(1)表示粒子群速度变化规律，式(2)限制粒子的最大飞行速度，式(3)表示粒子位置变化规律，式(4)控制粒子的飞行范围；

步骤三，更新第i个粒子迭代k次时的适应度和迭代k次时整个种群在d维搜索空间中的最佳位置

步骤四，如果步骤三中粒子群算法达到设计的中止准则，算法结束，并且得到pid参数的最优解；否则，转到步骤二。

所述pid算法的传递函数如下式：

式中，kp、ki、kd分别为比例控制参数，积分控制参数，微分控制参数。

一种叉车属具夹紧力自适应控制系统，其特征在于，包括

遗传算法模块：用来使用遗传算法的实数编码规则生成若干个体，计算个体的适应度，根据适应度的大小进行选择、变异、交叉操作，使得求解域聚集于全局最优解所在的区域，当适应度函数阈值小于设定阈值ε或者达到迭代次数时，遗传算法停止工作，将遗传算法的结果作为粒子群算法的初始粒子群；

粒子群算法模块：用来设置适应度函数阈值和迭代次数，选择较小的阈值，使pso算法搜索的起始值和搜索范围靠近最优解，将所获得的最优解作为pid算法的参数；

pid算法模块：用来使用pid算法调节夹紧力输出值，对比设定的夹紧力值与采用pid算法调节后的夹紧力输出值，如果差值在设置的误差范围内则结束；否则，返回粒子群算法模块重新设置适应度函数阈值和迭代次数，获取最优解；如此循环，直到获得满足要求的pid参数。

作为优化的技术方案，所述遗传算法模块包括以下单元：

设置单元：用来设置问题解的初始种群p1；

初始个体适应度计算单元：用来根据适应度函数计算种群p1的个体适应度,若获得最优解或迭代次数达到最大，则转到结束单元，若不满足条件则转到选择单元；

选择单元：用来进行选择操作，以适应度评价的结果为依据来进行选择，由此生成下一代新的个体；

交叉变异单元：用来将选择单元中获得的个体通过交叉、变异操作获得新的个体；

新个体适应度计算单元：用来对交叉变异单元中获得的个体进行适应度计算，若获得最优解或迭代次数达到最大，则转到结束单元，若不满足条件则转到选择单元；

结束单元：用来使算法结束，得到种群p2。

作为优化的技术方案，所述粒子群算法包括以下单元：

初始化单元：用来在搜索空间中针对由遗传算法得到的种群p2的位置和速度初始化，

计算适应度fid，初始化

式中，fid为第i个粒子适应度函数值，d为搜索空间维度，为未迭代时第i个粒子适应度函数值，为未迭代时整个种群在d维搜索空间中的最佳位置；

粒子位置与速度计算单元：在算法迭代过程中，粒子位置与速度变化遵循如下的计算准则：

上述各式中，为第i个粒子迭代k+1次时的飞行速度，为第i个粒子迭代k次时的飞行速度，为第i个粒子迭代k次时的适应度，为第i个粒子迭代k次时的位置，d为搜索空间维度；

ω为惯性权重，用于调节粒子群算法的搜索能力，由式求得，式中，t为迭代次数，maxdt为最大迭代次数，ω的取值范围为[0.8，1.2]；

c1为认知参数(cognitive)，c2为社会参数(social)，c1、c2都为粒子群算法中的学习因子，用来确定个体最好粒子和全局最好粒子方向飞行的最大步长，为了能够快速确定最优的学习因子，采用高斯随机来获得；

r1、r2为随机函数，同样通过高斯随机来快速确定，r1、r2的取值范围均为[0，1]；

式(1)表示粒子群速度变化规律，式(2)限制粒子的最大飞行速度，式(3)表示粒子位置变化规律，式(4)控制粒子的飞行范围；

更新单元：用来更新第i个粒子迭代k次时的适应度和迭代k次时整个种群在d维搜索空间中的最佳位置

判断单元：用来判断如果更新单元中粒子群算法达到设计的中止准则，算法结束，并且得到pid参数的最优解；否则，转到粒子位置与速度计算单元。

所述pid算法的传递函数如下式：

式中，kp、ki、kd分别为比例控制参数，积分控制参数，微分控制参数。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。