Genetic programming based identification of an overhead crane

• Autorzy: Kusznir Tom , Smoczek Jarosław

Identyfikatory

DOI

10.2478/jok-2021-0038

Warianty tytułu

PL

Zastosowanie programowania genetycznego w identyfikacji modelu dynamiki suwnicy pomostowej

• Języki publikacji: EN

Abstrakty

EN

Overhead cranes carry out an important function in the transportation of loads in industry. The ability to transport a payload quickly and accurately without excessive oscillations could reduce the chance of accidents as well as increase productivity. Accurate modelling of the crane system dynamics reduces the plant-model mismatch which could improve the performance of model-based controllers. In this work the simulation model to be identified is developed using the Euler-Lagrange method with friction. A 5-step ahead predictor, as well as a 10-step ahead predictor, are obtained using multi-gene genetic programming (MGGP) using input-output data. The weights of the genes are obtained by using least squares. The results of 15 different genetic programming runs are plotted on a complexity-mean square error graph with the Pareto optimal solutions shown.

PL

Suwnice pomostowe pełnią istotną funkcję w transporcie technologicznym w różnych obszarach przemysłu. Podniesienie wydajności i zapewnienie bezpiecznej realizacji zadań transportowych przez suwnice wymaga zastosowania skutecznych układów sterowania. Opracowanie dokładnego modelu dynamiki suwnicy jest istotnym elementem projektowania systemu sterowania, w szczególności sterowania predykcyjnego. W niniejszej pracy wykorzystano programowanie genetyczne MGGP oraz metodę najmniejszych kwadratów do identyfikacji modeli predykcji pozycji i kąta wychylenia ładunku przemieszczanego przez suwnicę. W rezultacie przeprowadzonych badań uzyskano modele 5- i 10-krokowej predykcji dla modelu suwnicy wyprowadzonego z równań Eulera-Lagrange’a. Wyniki poddano analizie wielokryterialnej z uwzględnieniem złożoności modelu i błędu średniokwadratowego w celu wyznaczenia rozwiązania optymalnego w sensie Pareto.

Słowa kluczowe

EN

genetic programming; crane; nonlinear model; identification

PL

programowanie genetyczne; suwnica; model nieliniowy; identyfikacja

• Wydawca: Wydawnictwo Instytutu Technicznego Wojsk Lotniczych
• Czasopismo: Journal of KONBiN
• Rocznik: 2021
• Tom: Vol. 51, iss. 3
• Strony: 123--133
• Opis fizyczny: Bibliogr. 20 poz., rys., tab.

Twórcy

autor

Kusznir Tom

• AGH University of Science and Technology (Akademia Górniczo-Hutnicza im. Stanisława Staszica)

autor

Smoczek Jarosław

• AGH University of Science and Technology (Akademia Górniczo-Hutnicza im. Stanisława Staszica)

Bibliografia

• 1. Al-Dhaheri, N., Jebali, A., Diabat, A.: A simulation based genetic algorithm approach for the quay crane scheduling under uncertainty. Simul. Model. Pract. Theory 66, 2016.
• 2. Azevedo A.T., de Salles Neto L.L., Chaves A.A., Moretti A.C.: Solving the 3d stowage planning problem integrated with the quay crane scheduling problem by representation by rules and genetic algorithm, Applied Soft Computing, Vol. 65, 2018.
• 3. Diantong L., Jianqiang Y., Min T.: Proposal of GA-based two stage fuzzy control of overhead crane,” in TENCOM 2002 Proceedings, 2002 IEEE Region 10 Conference on Computers, Communications, Control and Power Engineering, 2002.
• 4. Dou T., Lopes Y.K., Rockett P., Hathway, E.A., Saber, E.: Model predictive control of non-domestic heating using genetic programming dynamic models. Appl. Soft Comput., 2020.
• 5. Fan F., Xiong J., Wang G.: On interpretability of artificial neural networks (arXiv:2001.02522), 2020.
• 6. Gandomi A.H., Sajedi S., Kiani B., Huang Q.: Genetic programming for experimental big data mining: A case study on concrete creep formulation. Autom. Constr., 2016.
• 7. Herbuś K., Szewerda K., Świder J.: Virtual prototyping of the suspended monorail in the aspect of increasing the permissible travel speed in hard coal mines. Eksploat. Niezawodn., 2020.
• 8. Hetmańczyk M.P., Świder J.: Computer Aided Diagnosis and Prediction of Mechatronic Drive Systems. In: Rusiński E., Pietrusiak D. (eds) Proceedings of the 14th International Scientific Conference: Computer Aided Engineering. CAE 2018. Lecture Notes in Mechanical Engineering. Springer, Cham, 2019.
• 9. Iba H., de Garis H., Sato T.: A numerical approach to genetic programming for system identification. Evolutionary Computat., vol. 3, no. 4, 1996.
• 10. Kimiaghalam B., Homaifar A., Bikdash M., et al.: Genetic algorithms solution for unconstrained optimal crane control, Proceedings of the 1999 Congress on Evolutionary Computation, 1999.
• 11. Koza J.R.: Genetic Programming: On the Programming of Computers by Means of Natural Selection. MIT Press, Cambridge, MA, 1992.
• 12. Landau L.D., Lifshitz E.M.: Mechanics. Vol. 1 (2nd ed.), Pergamon Press, 1969.
• 13. Luke S.: Two fast tree-creation algorithms for genetic programming. IEEE Transactions on Evolutionary Computation, 4(3):274–283, September 2000.
• 14. Luke S., Panait, L.: A survey and comparison of tree generation algorithms. In Spector L., et al., editors, Proceedings of the Genetic and Evolutionary Computation Conference, 2001.
• 15. Madar J., Abonyi J., Szeifert F.: Genetic programming for system identification. In: Proceedings of the Intelligent Systems Design and Applications Conference (ISDA 2004), Budapest, Hungary, 2004.
• 16. Ni J., Drieberg R.H., Rockett P.I.: The use of an analytic quotient operator in genetic programming. IEEE Trans. Evol. Comput., vol. 17, no. 1, Feb. 2013.
• 17. Onen U., Cacan A.: Anti-swing control of an overhead crane by using genetic algorithm based LQR. International Journal of Engineering And Computer Science, 6(6), 2017.
• 18. Poli R., Langdon W., McPhee N.: A Field Guide to Genetic Programming. LuLu Enterprises, 2008.
• 19. Ramli L., Mohamed Z., Abdullahi A.M., Jaafar H.I., Lazim I.M.: Control strategies for crane systems: a comprehensive review. Mech. Syst. Signal Process. 95, 2017.
• 20. Wu Z., Xia X., Zhu B.: Model predictive control for improving operational efficiency of overhead cranes. Nonlinear Dyn. 79, 2015.