基于Lyapunov-动能能量方法与混合传感器融合的RTGC在变光环境下有效载荷传递控制研究

为解决橡胶轮胎门式起重机（RTGC）在复杂港口环境下自动化控制精度不足、传感器受光照条件限制及系统非线性问题，本研究提出了一种结合LiDAR与相机的混合传感器系统，利用YOLOv11进行容器检测，并设计基于Lyapunov-动能能量的控制方法，结合粒子群优化（PSO）、花授粉算法（FPA）和高斯过程（GP）等优化策略，有效提升了定位精度与抗干扰能力，实现了在变光条件下的稳定控制。

　　

在繁忙的港口作业中，橡胶轮胎门式起重机（RTGC）的自动化控制是提升装卸效率、保障操作安全的关键。然而，传统控制方法面临诸多挑战：环境光照变化影响视觉传感器的可靠性，LiDAR点云数据处理计算量大，系统存在非线性特性（如电机死区效应），导致容器定位精度低、摆动抑制效果差。这些因素严重制约了RTGC在高动态环境下的性能。为此，研究人员开展了一项创新研究，旨在通过多技术融合提升RTGC的控制鲁棒性和环境适应性。该成果已发表于《Engineering Science and Technology, an International Journal》。

研究团队综合运用了混合传感、优化控制和智能补偿三大技术策略。首先，采用Intel RealSense L515设备融合LiDAR与相机数据，生成深度图像，利用YOLOv11算法实现容器检测，克服了单一传感器在低光条件下的局限性。其次，基于Lyapunov动能能量理论设计非线性控制器，并通过粒子群优化（PSO）、花授粉算法（FPA）、高斯过程（GP）及GP结合马尔可夫链蒙特卡洛（GP-MCMC）等优化方法整定控制参数。针对电机死区问题，引入了Type-2模糊预补偿器进行动态校正。实验在一台实验室规模的RTGC原型机上完成，设置了不同光照、绳索长度和载荷质量的测试场景，共采集250幅深度图像用于模型训练与验证。

3.1. 门式起重机模型

通过拉格朗日方程推导出系统动力学模型，定义了 trolley 位置 x 和 payload 摆动角 θ 为状态变量，建立了包含质量矩阵 M(q)、科里奥利力 V_m(q, q?) 和重力项 G(q) 的非线性方程。模型表明，系统控制需同时处理位置跟踪和摆动抑制的双重目标。

3.2. 基于Lyapunov-动能能量的控制 formulation

以系统总能量为基础构建Lyapunov函数，设计了保证渐近稳定的控制律，控制力 F_x 由位置误差 e、速度项和摆动动力学补偿项共同决定。理论分析证明了该控制方法可使系统状态渐近收敛至零。

3.3. 优化控制参数

采用四种优化算法（PSO、FPA、GP、GP-MCMC）最小化包含位置误差和摆动角度的成本函数，其中高斯过程优化表现最佳，稳态位置误差均方值（MSE）为0.007，摆动角MSE为0.005。

4. Type-2模糊预补偿器

针对直流电机死区非线性，设计了Type-2模糊系统，根据位置误差和摆动角动态调整控制输出，避免了传统方法因死区补偿导致的振荡问题。实验表明，该补偿器显著改善了系统稳定性和响应平滑性。

5. 实验与分析

在实验室原型机上进行了多组测试，包括不同光照条件、绳索长度和载荷质量变化。结果显示：

• •
  混合传感器在低光环境下仍能准确检测容器位置，YOLOv11在深度图像上的检测准确率高；
• •
  优化后的Lyapunov控制实现了快速定位（平均稳态误差0.006 m）和摆动抑制（平均角度误差0.005 rad）；
• •
  Type-2模糊补偿器有效消除了死区引起的振荡，控制信号更平滑；
• •
  系统在参数扰动下保持鲁棒性，满足了实时控制要求（采样周期约0.0072 s）。

研究表明，通过混合传感技术与智能控制策略的结合，能够有效提升RTGC在复杂环境下的性能。Lyapunov控制理论提供了稳定性保证，而Metaheuristic和Bayesian优化方法进一步提升了控制精度。Type-2模糊补偿器的引入解决了实际系统中的非线性问题，增强了系统的实用性。该研究为港口起重设备的自动化升级提供了技术支撑，尤其在适应光照变化、处理负载动态方面具有显著优势。未来工作可聚焦于全尺寸RTGC的部署验证以及多机协同控制等扩展应用。