基于GWO-MPC的联合收获机喂入量控制方法与仿真实验

收获机作为农业生产的重要生产工具,其喂入量控制一直是自动控制领域研究的热点问题。本文通过分析收获机工作方式,建立收获时收获机喂入量变化模型。设计开发收获机作业参数监测系统,以小麦作为实验对象,在我国华北地区开展田间实验,验证系统喂入量监测精度并同步采集产量、含水率和作业速度等参数,系统喂入量监测平均相对误差为8.55%。以收获机在割台高度不变条件下保持额定喂入量为控制目标状态,收获机作业速度作为控制量,采用模型预测的方法对收获机喂入量进行仿真控制。采用灰狼优化算法优化二次规划的权值矩阵,仿真结果表明,权值矩阵优化后,喂入量控制平均绝对误差小于0.1 kg/s,平均降低38.1%。喂入量控制误差与收获区域的产量成反比,与含水率成正比。在相邻时域内产量、含水率变化较小的收获区域效果更好。     

基于POE模型的工业机器人运动学参数二次辨识方法研究

针对工业机器人在高度制造领域精度不高的问题,本文提出了一种基于POE模型的工业机器人运动学参数二次辨识方法。阐述了基于指数积(Product of exponential,POE)模型的运动学误差模型构建方法,并建立基于POE误差模型的适应度函数;为实现高精度的参数辨识,提出了一种二次辨识方法,先利用改进灰狼优化算法(Improved grey wolf optimizer, IGWO)实现运动学参数误差的粗辨识,初步将Staubli TX60型机器人的平均位置误差和平均姿态误差分别从(0.648mm,0.212°)降低为(0.457mm,0.166°);为进一步提高机器人的精度性能,再通过LM(Levenberg-Marquard)算法进行参数误差的精辨识,最终将Staubli TX60型机器人平均位置误差和平均姿态误差进一步降低为(0.237mm,0.063°),机器人平均位置误差和平均姿态误差分别降低63.4%和70.2%。为了验证上述二次辨识方法的稳定性,随机选取5组辨识数据集和验证数据集进行POE误差模型的参数误差辨识,结果表明提出的二次辨识方法能够稳定、精确地辨识工业机器人运动学参数误差。     

基于改进灰狼算法的庆阳市水资源优化配置

【目的】对传统灰狼算法进行改进,并在甘肃省庆阳市的水资源配置中进行应用。【方法】针对传统灰狼算法易陷入局部最优、收敛速度慢、精度不高等不足,通过Tent混沌序列对群狼位置进行初始化,对灰狼算法中的距离控制参数a和位置更新方程进行优化和改进,并采用8个测试函数对改进灰狼算法进行测试。在此基础上以甘肃省庆阳市为例,分别以2020,2025,2030年为近期、中期和远期规划年,采用改进灰狼算法、传统灰狼算法、传统多目标配置方法,对庆阳市水资源的优化配置进行计算,并对3种方法进行主成分比选。【结果】改进灰狼算法的8个测试函数中有7个函数的最优值明显比传统灰狼算法更接近函数理论极小值;改进灰狼算法的2020,2025,2030 3个规划年的资源优化配置综合得分分别为0.18,0.69和1.00,其计算结果明显优于相同年份传统灰狼算法和传统多目标配置方法。经过水资源优化配置计算,2020,2025和2030年水资源所对应的经济生产总值分别为1 074.46亿、1 601.18亿和2 196.12亿元,其中2020年的经济生产总值计算值大于《庆阳市十三五经济规划》的目标值1 000亿元。【结论】改进灰狼算法在水资源优化配置中具有较好的可行性,可为水资源优化配置模型提供新的优化计算途径。