集裝箱橋吊自動裝卸控制方法綜述

魏福恒+曹民

摘 要：在集裝箱橋吊自動化作業系統設計中，橋吊在自動裝卸箱過程中抓放箱的精度問題是必須解決的。針對國內外對該類問題研究解決的方式，分析了自動對箱技術、模糊控制PID和神經網絡PID等幾種方式，基于橋吊的實際應用分析它們的優點與不足之處，進而提出兩種方案，即將無模型自適應控制和機器學習運用到集裝箱橋吊控制系統中，結合分析上述兩種技術的特性與優點，為后續設計仿真實驗研究得到更為有效的解決方案提供理論基礎。

關鍵詞：自動裝卸箱；抓放箱精度；無模型自適應控制；機器學習

DOIDOI：10.11907/rjdk.171274

中圖分類號：TP301

文獻標識碼：A 文章編號文章編號：1672-7800（2017）008-0205-03

0 引言

隨著自動化集裝箱碼頭的日趨發展，國內外各大自動化碼頭均朝著堆場裝卸作業為無人操作的方式轉變，對碼頭裝卸集裝箱穩定高效的作業方式帶來了更多的挑戰。提高裝卸效率的關鍵之一就是集裝箱橋吊的自動化作業程度，目前國內外對集裝箱橋吊自動化作業系統的設計研究也越來越多[1]。而其中對橋吊抓箱放箱過程中的精度問題也提出了一些有效的解決方式，橋吊小車位置和吊具防搖是對橋吊抓箱放箱工作性能最重要的體現。本文首先分析介紹解決自動對箱技術、控制橋吊的小車位置和抓放箱過程中防搖控制的幾種方式，然后基于工業控制領域應用廣泛的無模型自適應控制技術和近年來發展越來越成熟的機器學習技術，提出將無模型自適應控制和機器學習運用到集裝箱橋吊自動化作業控制系統中的方案。

1 橋吊裝卸箱過程中自動對箱技術

在對橋吊自動對箱技術的研究中，機器視覺與圖像處理技術得到了廣泛應用，例如：歐洲提出一種在橋吊吊具上安裝攝像機，采用圖像處理技術定位集裝箱與吊具相對位置的方法[2]；日本提出在起重機吊具上安裝超聲波檢測裝置，用來探測吊具與集裝箱相對位置的方法[3]；國內上海振華重工提出采用3D激光掃描儀和CCD攝像頭，同時運用圖像處理技術實現集裝箱的精準定位的方法[4]，西南交通大學采用雙目機器視覺技術識別與定位集裝箱[5-6]。基于機器視覺和圖像處理的集裝箱識別定位技術目前在國外已有應用案例，但國內還未形成成熟的應用技術，還需要進一步進行關鍵技術研究。

橋吊定位集卡已經有很多技術，例如青島前灣碼頭研發的岸橋下集卡自動定位系統采用激光測距掃描原理、模式識別和自動控制技術實現集卡的精確定位[7]，利用基于激光掃描測距與視頻圖像處理相結合的方法定位集卡[8]，大都是基于激光測距實現集卡精確定位。

集裝箱的定位以及自動對箱技術雖然使橋吊能精確抓箱有了好的前提，但是這也只是能夠精確定位集裝箱，而橋吊要想在有多種因素干擾的環境下都能實現抓箱放箱都精確的目標，僅僅依靠自動對箱技術是不能實現的，還需要后續一個完整的過程控制系統才能解決。

2 模糊控制PID在橋吊系統中的應用

常規PID控制的用途非常廣泛，但它只能以獲取被控對象的精確數學模型為基礎，而當被控對象具有高階、非線性、大延遲、時變性等特點時，它就很難滿足要求了，因為常規PID參數的整定必須通過系統模型確定，選定后不易在線更改，適應性很差。在集裝箱橋吊系統中，橋吊有很多動態特性，在不同條件下必須自動調整PID參數。顯然常規PID控制不適合于橋吊控制系統。

近些年，許多研究人員也在對模糊控制進行研究和開發，模糊控制是在被控對象、模糊數學模型的基礎上，運用模糊控制器的近似推理手段模擬人腦模糊思維控制被控對象的一種方法，它并不具有實體結構的PID控制器，但是模糊邏輯控制器可以被視為一種可以適應非線性時變系統的PID控制器，具有很強的魯棒性。然而模糊控制系統的規則較難總結，優化其參數需要專業知識和經驗相結合，這通常是比較困難和費時的。相對于工作效率要求較高的橋吊來說也是不適合的。

對于集裝箱橋吊自動化作業系統的設計采用模糊控制與PID控制相結合的方式，即模糊自適應PID控制器[9]。目的是采用結構簡單的PID控制，利用模糊控制系統提高PID增益調諧器的魯棒性，以便應對橋吊系統的參數變化。這種控制器結構同樣簡單，并且PID增益不是固定的，直接通過模糊推理系統來確定。同時，模糊理論的輸出也有加權因子，以便于模糊系統作歸一化處理。

此控制器的結構如圖1所示[10]，x和θ分別表示橋吊小車的位置和吊具擺角。其中橋吊小車的位置由模糊自適應PID控制，然后采用模糊自適應PD對吊具進行防搖控制。該控制器的性能是由帶有加權因子的模糊輸出決定的，因此，為了獲得滿意的控制性能，需要優化5個參數，分別為KP、KI、KD、KPS和KDS，對應于位置PID和防搖PD控制器的各個參數。模擬仿真的結果可以在文獻[10]看到，可以看出此控制器在提高橋吊控制系統的魯棒性上有很好的優點，并且結構簡單，但是需要在實際應用中進一步驗證評估它的可行性。

3 神經網絡PID控制器控制橋吊

前文介紹了模糊控制方面的應用，而模糊理論與神經網絡技術是近年來人工智能研究較為活躍的兩個領域。人工神經網絡是一種應用類似于大腦神經突觸連接的結構進行信息處理的數學模型，它是一種運算模型，由大量的節點相互連接構成。神經網絡依靠系統的復雜程度，通過調整內部大量節點之間相互連接的關系，從而達到處理信息的目的。

下面介紹一種神經網絡雙自由度PID控制器在橋吊上的應用。由前文所述常規PID控制系統對于橋吊是不可行的。介于神經網絡的自適應、自組織和自學習特性，應用神經網絡來自動調整PID控制的參數（KP、KI、KD）。即采用一個雙自由度PID控制器控制橋吊小車的位置和防搖控制，應用一個神經網絡調諧器調整它們的參數[11]（見圖2）。

如圖2所示，由神經網絡雙自由度PID控制器控制的橋吊控制系統可以分為兩個部分（神經網絡調諧器和雙自由度PID控制器）。神經網絡調諧器的設計采用動量反向傳播的學習方法，輸入層則由誤差（位置誤差、角度誤差）和期望輸出組成，同時將輸出層設定為神經網絡PID控制器的參數。系統的模擬仿真以及結果可以在文獻[11]中看到。從仿真對比結果中可以看出上述神經網絡PID控制器在抑制干擾上有很強的魯棒性，雙自由度PID控制器的參數也由神經網絡調諧器進行了很好的調整。endprint

前述基于機器視覺的集裝箱定位也只是將集裝箱的位置很好地定位，橋吊可以根據這些信息定位、抓取集裝箱，但是集裝箱橋吊系統實則是典型的非線性系統，且易受外界多種因素的干擾，比如小車與導軌之間的摩擦、風力、溫度、大車位置等，單單只基于這些信息橋吊在抓箱放箱過程中并不能達到所要求的精度。2、3兩部分所介紹的控制橋吊小車位置以及吊具防搖控制的兩種方式：模糊控制PID和神經網絡PID控制，最終都是由PID控制為主來作為橋吊自動化作業系統，雖然在一定程度上能解決常規PID不能在線自動調整參數的問題，但仍有很多限制與不足之處。

4 MFAC與機器學習應用方案分析

對于如今自動化作業發展越來越成熟的港口來說，目前所做的關于解決橋吊裝卸作業過程中的抓放箱精度與作業效率問題的研究重心已經逐漸轉移到到智能控制上來。前述模糊PID控制、神經網絡PID控制，都屬于智能控制的范疇，但它們在一定意義上屬于有模型控制，至于有模型控制的局限性不在此贅述。

近年來，在很多工業控制領域，運用廣泛的是一種無模型自適應控制（MFAC），它也是智能控制的范疇，但該控制器設計僅用受控系統的I/O數據，不需要任何受控系統的模型信息，就能夠實現受控系統的參數自適應控制和結構自適應控制。經過一定的實際應用、仿真研究以及理論證明，表明MFAC技術能夠處理具有強非線性和時變性系統的控制問題[12]。而集裝箱橋吊控制系統正是這種類型的控制系統，并且橋吊工作一直處于抓放箱的重復性過程中，因此本文基于MFAC提出一種思路：采用專門適用于一大類重復運行的未知非線性控制系統，并且能保證系統輸出誤差沿迭代軸的單調收斂的無模型自適應迭代學習控制（MFAILC）方法，控制橋吊自動化裝卸箱作業系統，此處只是提出這一方案，后續會進一步進行方案原理設計以及仿真實驗以驗證其可行性。

此外，國內外對人工智能的研究越來越成熟，而人工智能的核心則是機器學習，它是使計算機具有智能的根本途徑，其應用遍及人工智能的各個領域，專門研究計算機怎么模擬或實現人類的行為，以獲取新的知識或者技能，重新組織已有的知識結構使之不斷改善自身的性能[13]。如果將機器學習應用到橋吊控制系統中去，由機器學習算法進行不斷學習，調整優化自身系統性能，從而實現抓放箱的精確性。采用這種方案即使是在多種因素的影響下也會經過學習算法得到適應調整。下面基于一種機器學習算法（BP神經網絡算法）介紹這一方案。

BP（Back Propagation）神經網絡是一種按誤差逆傳播算法訓練的多層前饋網絡，由輸入層、隱含層和輸出層組成[14]。BP網絡的學習過程由前向計算過程和誤差反向傳播過程組成。將誤差信號（小車位置誤差、角度誤差）以及期望誤差（即抓箱放箱時所允許的期望精度）作為輸入層，首先進行前向計算過程，如果輸出層不能得到期望的輸出，則轉入誤差反向傳播過程，誤差信號沿原來的通路返回，逐次調整網絡各層的權值和閾值，直至達到輸出層，再進行前向計算。兩個過程依次重復進行，使得誤差達到期望值，學習過程結束。最終橋吊抓放箱的精度就能夠控制在期望范圍內。

基于MFAC和機器學習提出的解決橋吊抓放箱精度問題的兩種方案，后續研究將會設計仿真實驗進行對比，論證它們的可行性，最終得到更為有效的解決方案。

5 結語

集裝箱堆場橋吊自動化作業過程中最關鍵的就是橋吊抓放箱精確度。本文在介紹目前自動對箱技術、控制橋吊的小車位置和抓放箱過程中的防搖控制的幾種解決方式后，進而提出將MFAC和機器學習運用于集裝箱橋吊控制系統的兩種方案。后續研究將對這兩種技術作進一步仿真研究，驗證其可行性，并進行對比分析。

參考文獻：

[1] 田洪， 吳富生. 自動化碼頭的發展現狀及趨勢[C].中國機械工程學會物流工程分會. 物流工程三十年技術創新發展之道.北京：中國鐵道出版社，2010：247-251.

[2] JUNG C，KIM C. Real-time estimation of 3D scene geometry from a single image[J]. Pattern Recognition， 2012， 45（9）：3256-3269.

[3] WU W， LIU Z， CHEN M， et al. An automated vision system for container-code recognition[J]. Expert Systems with Applications， 2012， 39（3）：2842-2855.

[4] 蔡佳俊， 張氫， 張小龍. 軌道式集裝箱門式起重機自動裝卸箱的實現[J]. 機電一體化，2015，21（9）：44-47.

[5] 漆靜. 基于機器視覺集裝箱吊具智能定位系統研究[D].成都： 西南交通大學， 2015.

[6] 馬蕾. 基于雙目立體視覺的集裝箱識別與定位技術研究[D]. 成都：西南交通大學， 2013.

[7] 許博. 基于激光掃描測距技術的岸橋下集卡自動定位系統[J]. 集裝箱化， 2016， 27（8）：23-26.

[8] 王繼堂， 孔婷， 李俊，等. 基于激光掃描測距和視頻圖像處理的集卡定位方法[J].系統仿真學報， 2009， 21（15）：4873-4878.

[9] SOLIHIN MI， WAHYUDI， LEGOWO A. Fuzzy-tuned PID anti-swing control of automatic gantry Crane[J]. Journal of Vibration & Control， 2010， 16（1）：127-145.

[10] SOLIHIN MI， WAHYUDI. Fuzzy-tuned PID control design for automatic gantry crane[C]. International Conference on Intelligent and Advanced Systems. IEEE， 2007：1092-1097.

[11] CHOI SU， KIM JH， LEE JW. A study on gantry crane control using neural network two degree of PID controller[C].IEEE International Symposium on Industrial Electronics， Proceedings. ISIE. IEEE， 2001：1896-1900.

[12] 侯忠生.無模型自適應控制[M].北京：科學出版社， 2013.

[13] Simon Haykin.神經網絡與機器學習[M].北京：機械工業出版社， 2011.

[14] 美玲， 王念平， 李曉.BP神經網絡算法的改進及應用[J].計算機工程與應用， 2009， 45（35）：47-48.endprint