Page 51 - 起重机械设备安全技术检验及评价

第二章 起重机械基础知识

适应是需要解决的瓶颈问题。
人工神经网络的研究开始是在 20 世纪 40 年代，并在 20 世纪 80 年代逐渐深
化，应用面也逐渐扩大。人工神经网络具有自适应学习、自组织、函数逼近、大

规模并行处理及较强的鲁棒性等特点，为解决不确定非线性的建模和控制问题提
供了一种新的有效途径。因此，人工神经网络已成为国内外专家研究的一个新的
方向。J.A.Mendez 和 L.Acosta 等人采用神经网络的方法对起重机控制参数调整，
使用 BP 算法在线训练来减少二次成本函数。郭建明将神经网络与模糊控制技术

有机结合，用神经网络生成隶属函数和修正模糊控制规则，既克服了单纯的模糊
控制必须具备较完善的控制规则和系统自学习能力差的缺点，又克服了神经网络
信息隐式、权值的初始值难以确定的不足。T.Ishide 等人在模糊神经网络训练使
用反向传播法来控制起重机的摆动。J.Smoczek 和 J.Szpytko 使用自适应模糊神经

网络控制方法研究起重机的防摆。
起重机吊重防摇闭环控制系统的基本要求之一就是需要现场提供状态变量空
间中的小车位置、小车速度、吊重摆角和吊重摆角角速度等信息。这可以通过专
门的物理传感器检测这些变量的现场数据，但前提是这些变量必须具有可测性或

便于测量。但实际上并不是每个变量都具有可测性，或者有的变量即使具有可测
性也往往测量成本较高或不方便测量。由于起重机小车与吊重的柔性联结特点，
对吊重摆角和摆角角速度信息测量就一直成为工程中有待解决的难题，吊重摆角
和摆角角速度测量技术也成为吊重防摇控制系统的关键技术之一。鉴于起重机系

统模型存在着许多未知干扰，很难用精确数学模型来反映起重机的实际动态过程。
开发不依赖于系统模型的神经网络模糊控制器，使系统有较强的鲁棒性能够适应
不同的工况。还可以方便的加入一些经验和专家知识的数据，适应系统参数变化，
提高控制效果。

43