4. РЕЗУЛЬТАТЫ ТЕОРЕТИЧЕСКИХ ИССЛЕДОВАНИЙ ПРОЦЕССА УПРАВЛЕНИЯ ПОЛОЖЕНИЕМ ПЛАТФОРМЫ СТРОИТЕЛЬНОЙ МАШИНЫ
4.4. Оптимизационный синтез основных параметров устройства управления положением платформы строительной машины
При дальнейшем исследовании процесса управления платформой
строительной машины в
качестве оптимизируемых параметров приняты VВТЯГ и Δα. Величина времени запаздывания
гидропривода системы управления принята равной τгп = 0,1 с.
В табл. 4.1 представлены значения
варьируемых при исследовании математической модели процесса управления
положением платформы строительной машины параметров VВТЯГ и Δα.
Таблица 4.1. Значения варьируемых
параметров устройства управления
Варьируемые параметры
|
VВТЯГ,
м/с
|
Δα,°
|
1
|
0,05
|
0,1
|
2
|
0,1
|
0,15
|
3
|
0,15
|
0,2
|
4
|
0,2
|
0,25
|
5
|
0,25
|
0,3
|
Шаг изменения
|
0,05
|
0,05
|
Таким образом, дальнейшие исследования были направлены на получение
значений Dαz, tпп,
а также установление зависимостей Dαz, tпп
от варьируемых параметров VВТЯГ и Dα, значения которых
представлены в табл. 4.1. Получены численные и графические зависимости Dαz,
tпп от VВТЯГ и Dα (рис. 4.6, 4.7) при величине
запаздывания гидропривода системы управления τгп=0,1 с.
Для нахождения целевых функций и решения задач оптимизации была
проведена аппроксимация целевых функций Dαz = f(VВТЯГ; Dα) и tпп = f(VВТЯГ;
Dα) уравнением регрессии. Было принято
решение об аппроксимации зависимостей методом наименьших квадратов [16].
Рис. 4.6. График зависимости Dαz от VВТЯГ и Dα
Рис. 4.7. График зависимости tпп от VВТЯГ и Dα
Согласно этому методу, наилучшими параметрами а1,
а2, …, аm в аналитической зависимости
считаются те, для которых сумма квадратов разности отклонения численных и
теоретических данных минимальна [16]:
(4.2)
В силу необходимости условия экстремума функции многих переменных
частные производные этой функции по варьируемым параметрам обращаются в ноль:
(4.3)
Частные производные функции по варьируемым параметрам [16]:
(4.4)
По остальным параметрам а2, а3,…,
аm
частные производные имеют аналогичный вид [6]:
(4.5)
Решение этой системы относительно а1, а2,…,
аm дало
искомые наилучшие значения числовых параметров.
Достоверность регрессионных зависимостей оценивается коэффициентом
детерминации R2, который вычисляется по формуле [16]
, (4.6)
где zi – эмпирические данные; fi
– соответствующие им значения уравнения регрессии; – среднее значение выборки.
Принято считать, что при R2
≥ 0,7 имеется высокая степень связи найденного уравнения регрессии с
эмпирическими данными. Данное условие выбрано для проверки достоверности
аппроксимации.
Программный
комплекс MATLAB позволяет находить уравнения регрессии для функциональной
зависимости вида z = f(x;y) вышеописанным
методом при помощи встроенного пакета Surface Fitting Toolbox (рис.
4.8), представляющего собой оконный интерфейс с возможностью интерактивного
выбора данных, методов и дополнительных настроек аппроксимации [4].
Рис. 4.8. Внешний вид окна
инструмента «Surface Fitting»
Для аппроксимации необходимо задать в рабочей области MATLAB массивы входных и выходных
переменных. Затем посредством специальной команды (sftool) запустить
инструмент «Surface Fitting». Результат аппроксимации выводится в рабочем окне
инструмента в виде функции и массива значений коэффициентов регрессии, а также
оценки достоверности найденной зависимости. В данной работе, исходя из
коэффициента R2 принято решение об аппроксимации численных
зависимостей Dαz от VВТЯГ и Dα полиномом 3-й степени, в общем
случае описываемым уравнением [14]
Dαz (VВТЯГ; Dα) = p00
+ p10∙ VВТЯГ + p01∙Dα + p20∙
VВТЯГ 2 + p11∙VВТЯГ ∙Dα +
+ p02∙Dα 2 + p30∙ VВТЯГ 3 + p21∙ VВТЯГ2∙Dα + p12∙ VВТЯГ ∙Dα 2 + p03∙Dα 3, (4.7)
где pij – коэффициенты уравнения регрессии; i – степень аргумента VВТЯГ; j – степень аргумента Dα.
Задача аппроксимации решается также в автоматизированном режиме
посредством специального набора команд в командной строке MATLAB:
а)
команда
формирования файл-функции:
function z
= Da(Vv,da)
z = p00 +
p10*Vv + p01*da + p20*Vv.^2
+ p11*Vv.*da + p02*da.^2 + p30*Vv.^3
+ p21*Vv.^2.*da + p12*Vv.*da.^2
+ p03*da.^3;
б)
команда запуска
аппроксимации:
ft = fittype( 'poly33' );
opts = fitoptions( ft );
opts.Weights = zeros(1,0);
[fitresult,
gof]=fit( [Vv, da], Da, ft, opts).
Полученное уравнения регрессии
зависимости Dαz = f(VВТЯГ; Dα) для τгп = 0,1с:
Dαz (VВТЯГ; Dα) = 0,02542 – 0,5787∙ VВТЯГ + 0,5186∙Dα + 16,91∙VВТЯГ 2 –
– 12,8∙VВТЯГ ∙Dα – 1,706∙Dα 2 –51,2∙ VВТЯГ3 + 74,63∙VВТЯГ2∙Dα –
– 51,77∙ VВТЯГ ∙Dα 2 + 27,07∙Dα 3. (4.8)
Рис. 4.9. График регрессионной
зависимости Dαz = f(VВТЯГ; Dα)
При этом R2 = 0,9206. На рис. 4.9 представлен график полученной регрессионной зависимости Dαz = f(VВТЯГ; Dα) для значения
времени запаздывания гидропривода τгп = 0,1 с.
Полученное уравнения регрессии
зависимости tпп = f(VВТЯГ; Dα) для τгп = 0,1с:
tпп (VВТЯГ; Dα) = 8,281 – 5,783∙VВТЯГ – 99,28∙Dα + 24,14∙VВТЯГ 2 +
+ 13,89∙VВТЯГ ∙Dα + 502,6∙Dα 2 – 60 ∙VВТЯГ3 + 62,86 ∙VВТЯГ 2 ∙Dα –
(4.9)
– 97,14 ∙VВТЯГ ∙Dα 2 – 853,3∙Dα 3.
При этом R2 = 0,9993.
На рис. 4.10 представлен график
полученной регрессионной зависимости tпп = f(VВТЯГ; Dα) для значения
времени запаздывания гидропривода τгп = 0,1 с.
Рис. 4.10. График регрессионной
зависимости tпп = f(VВТЯГ; Dα)
Алгоритм аппроксимации численных зависимостей Dαz, tпп от VВТЯГ и Dα графически представлен в виде блок-схемы на рис. 4.11 и
состоит из следующей последовательности действий:
а)
чтение массивов
входных (VВТЯГ; Dα) и выходных переменных Dαz, tпп;
б)
выбор вида уравнения регрессии, запись файл-функции (@Dαz, @tпп) с уравнением регрессии в рабочую
область MATLAB;
в)
расчет
коэффициентов уравнений регрессии и коэффициентов детерминации R2, запись их в рабочую область MATLAB;
г)
проверка
достоверности полученных уравнений по величине R2.
Полученные уравнения регрессии позволили перейти к поиску
оптимальных параметров.
Задачи оптимизации с точки зрения методов решения делятся на
два класса [6]:
-
задачи
безусловной оптимизации;
-
задачи условной
оптимизации.
Рис. 4.11. Блок-схема алгоритма
аппроксимации
зависимостей Dαz = f(VВТЯГ; Dα) и tпп = f(VВТЯГ; Dα)
Задача безусловной оптимизации представляет собой поиск оптимума
целевой функции без всяких дополнительных условий и ограничений [22]:
f(x)
→ min(max). (4.10)
Задача условной оптимизации в общем виде записывается [22]
(4.11)
В систему уравнений (4.11) входят три составляющие:
-
целевая функция F = f(xj) показывает, в каком смысле решение должно быть оптимальным,
то есть наилучшим, при этом возможны три вида назначения целевой функции: максимизация,
минимизация, назначение заданного значения;
-
ограничения gi(xj)≤bi устанавливают зависимости между переменными;
-
граничные условия
dj≤xj≤Dj показывают, в каких пределах могут находиться
значения искомых переменных в оптимальном решении.
При решении задач оптимизации в настоящей работе целевая
функция и граничные условия были представлены в следующем виде:
tпп = f(VВТЯГ; Dα) → min;
Dαz ≤ Dαzзад;
0,05 ≤ VВТЯГ ≤ 0,25 м/с;
(4.12)
0,05 ≤ Dα ≤ 0,25°;
Ri ≥ Rmin;
Lmin пред ≤ Li ≤ Lmax пред.
Для решения задачи условной оптимизации было решено воспользоваться
методом множителей Лагранжа, который применим при наличии функциональных ограничений
вида [22]
fj = fj (x1, x2,…, xn) = 0, (4.13)
где j = 1, 2,…, m.
Для целевой функции Z (x1, x2,…, xn) справедливо уравнение [22]
; (4.14)
. (4.15)
Продифференцировав равенство (4.13), получим [22]
(4.16)
Каждое из полученных m уравнений теперь умножим на пока еще неизвестный
параметр λ, называемый множителем Лагранжа [22]:
. (4.17)
Сложив уравнения (4.13) и уравнение (4.16), получим [22]
(4.18)
Поскольку все параметры xi независимы, то для того, чтобы это
уравнение удовлетворялось, достаточно, чтобы каждый из n членов равнялся нулю, получаем n уравнений [22]:
. (4.19)
Таким образом, для перехода к методу множителей Лагранжа
необходимо преобразовать ограничения-неравенства
в уравнения, после чего целевая функция приобретет вид [22]
(4.20)
При этом задача оптимизации становится безусловной и представляется
в виде функции Лагранжа [22]:
(4.21)
Таким образом, была поставлена задача условной оптимизации
при помощи задания целевой функции и граничных условий и осуществлен переход от
нее к безусловной оптимизации.
Для решения задачи безусловной оптимизации был использован
модифицированный метод Ньютона, основанный на пересчете матрицы Гессе формулой
Бройзена-Флетчера-Гольдфарба-Шанно (алгоритм BFGS), реализованный в программном комплексе MATLAB [22].
Стратегия данного метода состоит в построении
последовательности точек {xk}, k
= 0,1,…,n, таких, что f(xk+1) < f(xk). Точки последовательности вычисляются по правилу [22]
xk+1 = xk + βk∙sk, (4.22)
где х0
задается пользователем, а направление спуска βk∙sk определяется для каждого значения k по формулам [22]:
; (4.23)
; (4.24)
, (4.25)
где H – матрица Гессе; – градиент функции f(x) в точке xk.
Формула пересчета Бройзена-Флетчера-Гольдфарба-Шанно (BFGS) [22]:
;(4.26)
;
(4.27)
. (4.28)
Построение последовательности {xk} заканчивается
в точке xk при условии
(4.29)
где ε – заданное малое положительное число (точность приближения).
Программный комплекс MATLAB позволяет проводить оптимизацию функциональных
зависимостей вида z = f(x,y) вышеописанным методом при помощи встроенного пакета
«Optimization Tool» (рис. 4.12), представляющего
собой оконный интерфейс с возможностью задания настроек оптимизации,
оптимизируемой функции и граничных условий [4].
Задача оптимизации может решаться также в автоматизированном
режиме посредством специального набора команд в командной строке MATLAB:
function [x,fval,exitflag,output,lambda,grad,hessian]
= Opttpp(x0,lb,ub)
options=optimset;
options=optimset(options,'Display','off');
options=optimset(options,'Algorithm','interior-point');
fmincon(@tpp,x0,[],[],[],[],lb,ub,[],options);
Таким образом были получены оптимальные значения основных
параметров устройства управления положением платформы строительной машины: VВТЯГ= 0,25 м/с; Dα = 0,172°.
Рис. 4.12. Внешний вид окна
инструмента «Optimization Tool»
Алгоритм оптимизации параметров VВТЯГ и Dα по целевой функции критерия эффективности tпп графически представлен в виде
блок-схемы на рис. 4.14 и состоит из следующей последовательности действий:
а)
постановка задачи
оптимизации: файл-функция (@tпп) с коэффициентами (p00…pij), ее оптимум, точка начала оптимизации
(x0) и граничные условия (lb,ub);
б)
нахождение
интервала значений VВЫД, Dα для заданной точности Dαz (рис. 4.13);
в) переход от
задачи условной к задаче безусловной оптимизации, используя метод множителей
Лагранжа;
г)
нахождение
оптимума целевой функции и соответствующих ему переменных VВТЯГ и Dα;
д)
запись найденных
оптимальных значений Dαz, tпп, VВТЯГ, Dα в рабочую область MATLAB.
Рис. 4.13. График регрессионной
зависимости Dαz = f(VВТЯГ; Dα) с наложенными ограничениями Dαzзад
Проведенный анализ, аппроксимация и оптимизация основных
параметров устройства управления положением платформы строительной машины
позволили составить алгоритм оптимизационного синтеза, графически
представленный в виде блок-схемы на рис. 4.15.
Оптимизационный синтез состоит из следующей последовательности
действий:
1.
Постановка задачи
оптимизации: выбор целевой функции: tпп=f(VВТЯГ; Dα) → min.
2. Аппроксимация численных зависимостей tпп и Dαz от VВТЯГ и Dα согласно алгоритму
оптимизации (рис. 4.14): получение коэффициентов уравнения регрессии – полинома
3-й степени.
3.
Решение задачи
условной оптимизации параметров, используя
методы множителей Лагранжа и Ньютона: расчет
и запись в рабочую область MATLAB
оптимальных значений параметров Dαz, tпп, VВТЯГ и Dα как результата
решения задачи условной оптимизации целевой функции tпп = f(VВТЯГ; Dα) → min.
Рис. 4.14. Блок-схема алгоритма
оптимизации основных
параметров устройства управления
положением платформы
строительной машины
Результатом оптимизационного синтеза являются оптимальные
значения скорости выдвижения аутригеров платформы строительной машины VВТЯГ и значение зоны нечувствительности порогового элемента
Dα при определенном времени
запаздывания гидропривода τгп.
|