给船载吊车装上“AI大脑”

在海洋运输和工程领域，船载起重机是不可或缺的重型设备。在复杂多变的海洋环境中，想让起重机平稳、精准地工作，工程师们面临着巨大的技术挑战。作者提出了一种基于神经网络的自适应控制方法，成功解决了船载起重机在风浪颠簸和机械误差下的精准控制难题。

传统的陆地起重机控制已经相对成熟，但船载起重机在实际运行中面临着几个特有的棘手问题：

（1）海浪会导致船体发生横滚（Roll）等运动，直接引起起重机吊臂下方悬挂的重物发生剧烈的残留摆动。

（2）不同的吊装任务中，起重机的臂长、货物的重量等参数经常发生变化。依赖精确数学模型的控制器在参数改变时往往会定位不准，例如重力补偿不准确会引发操作误差。

（3）船载起重机属于典型的“欠驱动系统”，即系统的运动自由度（如吊臂俯仰、绳索伸缩、货物摆动）多于实际可控的电机数量（只能直接控制吊臂和绳索）。这意味着无法直接用电机去“拉停”摆动的货物，极大地增加了控制难度。

（4）机械输入死区：实际的伺服电机普遍存在“死区”现象（即输入信号在较小范围内变化时，电机不产生明显的输出动作），在复杂的物理系统中容易导致控制性能下降甚至系统失稳。

为了解决上述问题，研究团队设计了一种新颖的非线性控制策略，引入了双层神经网络结构。该方法的亮点在于其自适应学习能力。由于实际操作中很难精确获取所有物理参数（如未知的货物重量）以及电机的死区特性，神经网络可以在运行过程中实时“学习”并估算这些未知的非线性干扰，从而不需要精确系统模型的前提下，提供有效的补偿。 该控制器基于起重机原始的非线性动力学模型设计，没有使用常规的“线性化”简化操作。即使在恶劣海况下出现货物大角度摆动，该控制策略依然能够保证系统的稳定性。

为了验证算法的实际效果，研究团队搭建了一套微缩版的船载起重机硬件实验平台（详见论文中的图3）。该平台包含了吊臂、绳索、负载，以及用于模拟海浪横滚运动的底部运动平台。

根据论文图4、图5可知：模拟周期性海浪摇晃的条件下，相比于传统的滑模控制（SMC）等方法，新提出的神经网络控制器几乎消除了吊臂和绳索的静态定位误差。货物的最大摆角被抑制在7度以内，并在5秒内完全消除了残余摆动。

根据论文图8、图9可知：实验人员将负载重量从0.234千克突然增加到0.5千克时，现有的一些对比方法出现了明显的定位偏差和吊臂震荡。新方法具备神经网络的自适应能力，依然提供了准确的重力补偿，使吊臂和绳索稳稳到达目标位置。

根据论文图11、图12可知：实际操作中，货物可能会受到海风或碰撞等外部干扰。实验中，研究人员人为将货物推至9.7度的初始摆角，并在运行中途再次猛烈推击货物，使其摆角瞬间达到-37.8度。面对这种极端情况，新控制系统在4.3秒内迅速吸收并消除了多余的摆动，且没有影响吊臂和绳索的最终定位轨迹。

根据论文图13可知：真实的海洋并非规律的波浪。研究人员引入了海洋系统模拟器（MSS）生成的不规则横滚、俯仰和升沉运动轨迹（详见论文中的图13）。即使在复杂的三维颠簸下，该方法依然平稳地完成了运输任务，将货物的最大摆幅限制在了6.6度以内。

学者介绍：孙宁，南开大学人工智能学院教授、博士生导师，机器人与信息自动化研究所教师，国家“四青”人才，IEEE高级会员。主要研究方向包括欠驱动机器人（吊车、起重机等）、仿生与变结构机器人、特种工业机器人，以及智能控制方法与应用，聚焦机器人系统的运动控制、摆动与振动抑制、轨迹规划及智能控制技术的工程应用。

ORCID：0000-0002-5253-2944

DOI：10.1109/TNNLS.2019.2910580