摘要：作为一种重要的海上作业装备,船用起重机被广泛应用于海洋工程的各类场景中.然而,船用起重机是一类复杂的非线性欠驱动系统,存在摩擦、未建模动态等干扰,为控制器设计带来了巨大挑战.更糟糕的是,船用起重机还面临海浪、大风等未知干扰的影响,使得实际控制更加困难.如何稳定高效地控制该类系统,目前仍处于初步探索阶段.为了解决上述问题,本文提出了一种基于迭代学习和神经网络的控制方法.具体来说,首先将未知干扰分为周期与非周期两部分.对于周期干扰,利用周期估计器解决了对未知周期的估计问题,在此基础上通过迭代学习对干扰进行补偿;对于非周期干扰,使用双层神经网络进行逼近和补偿,并设计了权重的更新律;在补偿未知干扰后,基于反馈线性化设计了控制输入.通过Lyapunov分析方法,可以证明期望平衡点是全局有界的.最后,在所搭建的船吊实验平台上进行了大量实验,充分验证了所设计控制方法的有效性与鲁棒性.

摘要：四绳轮胎式集装箱起重机由于自身的动力学特性较为复杂,目前仍缺乏稳定高效的控制手段.为解决港口起重机作业过程中台车定位精准度低、负载易受干扰摆幅大的问题,文章设计了一种面向工业场景的非线性反馈控制器.首先在未进行近似处理的前提下对起重机吊具摆动情况进行了建模分析.在此基础上,通过在控制器中引入摆幅反馈信息,实现了绳长时变情况下台车的精确定位与负载摆幅的有效抑制,为集装箱的运送路径增加了更多选择.随后基于Lyapunov方法对控制器进行了稳定性分析.所设计的控制方案在港口实际设备上进行了验证,在定位精度与消摆性能上相较于人工操作取得了很大提升.