Behavioral Data-Driven Optimal Trajectory Generation for Rotary Cranes

ملخص تقني: توليد المسارات المثلى القائم على البيانات السلوكية للرافعات الدوارة

بيان المشكلة
تواجه أتمتة الرافعات الدوارة في صناعة البناء تحديات كبيرة بسبب الطبيعة ناقصة التفعيل (underactuated) لديناميكيات الرافعة، وصعوبة الحصول على قياسات دقيقة لموقع الحمل في البيئات الواقعية. تعتمد استراتيجيات التحكم التقليدية القائمة على النماذج على نماذج بارامترية دقيقة وضبط خبير، وغالباً ما تفشل في استيعاب تعقيدات النظام أو التعامل مع عدم دقة النمذجة، مما يؤدي إلى عدم كفاءة استخدام الطاقة، وفقدان الأهداف، وتأرجح الحمل الزائد. ومن ناحية أخرى، تتطلب العديد من النهج القائمة على التعلم مجموعات بيانات واسعة وموارد حوسبة عالية. علاوة على ذلك، غالباً ما تكون الأتمتة الكاملة للتغذية الراجعة غير عملية بسبب صعوبة قياس الأحمال المعلقة على كابلات طويلة ومرنة، وخطر أن تؤدي حلقات التغذية الراجعة إلى تضخيم التذبذبات في وجود الاضطرابات. وبناءً على ذلك، تعتمد عمليات الرافعة غالباً على تخطيط المسار مفتوح الحلقة (open-loop)، وهو أمر محدود بدقة النماذج الفيزيائية الأساسية.

المنهجية
تقترح هذه الورقة إطار عمل سلوكي قائم على البيانات لتوليد مسارات دوران (slewing) مفتوحة الحلقة تعمل على كبح تأرجح الحمل مع تقليل وقت التشغيل واستهلاك الطاقة. يستند هذا النهج إلى "مبرهنة ويليمز الأساسية" (Willem's fundamental lemma) ونظرية الأنظمة السلوكية، والتي تسمح بتوصيف سلوك النظام مباشرة من بيانات المدخلات والمخرات المقاسة، متجاوزة الحاجة إلى نمذجة بارامترية صريحة.

تتضمن المنهجية الجوهرية الخطوات التالية:

1. جمع وتمثيل البيانات: يتم تحفيز النظام باستخدام إشارات مدخلات سلسة وثابتة جزئياً (تحديداً مجموعات من الجيوب الجيبية بترددات عشوائية) لالتقاط الديناميكيات غير الخطية ضمن منطقة تشغيل محددة. يتم تنظيم بيانات المدخلات والمخرجات التي تم جمعها (السرعة الزاوية للدوران وزوايا الحمل/الذراع) في مصفوفة هانكل (Hankel matrix).
2. النمذجة غير البارامترية: تتعامل الورقة مع مصفوفة هانكل كقاموس من نماذج الحركة الأولية. ومن خلال الاستفﻻدة من مبدأ التراكب في الفضاءات الخطية، يمثل النهج سلوك النظام كمزيج خطي من المسارات الماضية. وللتعامل مع الطبيعة غير الخطية للرافعة والضجيج في البيانات، يستخدم الإطار تنظيم معيار $\ell_1$ (L1-norm regularization) لتعزيز التناثر في معاملات الجمع، مما يساهم بفعالية في اختيار نماذج الحركة الأولية ذات الصلة. بالإضافة إلى ذلك، تُستخدم عملية بتر القيم المفردة (singular value truncation) لتخفيف حدة الضجيج.
3. صياغة التحسين: يتم صياغة مشكلة توليد المسار كـ مشكلة تحسين محدبة (convex optimization problem). الهدف هو إيجاد مسار يقوم بالاستكمال (interpolation) بين ظروف السكون الأولية والنهائية المعطاة (السرعة الصفرية والتأرجح الصفري) مع تقليل دالة التكلفة التي توازن بين:
   • تأرجح الحمل: إبقاء الحمل قريباً من وضع التوازن السفلي.
   • الوقت: تقليل المسافة إلى وضع الذراع المستهدف لضمان الوصول السريع.
   • الطاقة: تقليل جهد التحكم المربع.
   • النعومة: معاقبة التباين الكلي لزاوية الذراع والسرعة لمنع التغيرات المفاجئة التي تسبب التذبذبات.
   • القيود: تُفرض حدود صارمة على حدود المشغلات وزوايا تأرجح الحمل لضمان السلامة.

المساهمات الرئيسية

• أول تطبيق للنظرية السلوكية على الرافعات: حسب علم المؤلفين، يعد هذا أول عمل يستخدم نظرية الأنظمة السلوكية للتحكم في الرافعات.
• توليد مسار غير بارامتري: تولد الطريقة مسارات مثلى مباشرة من بيانات مشوبة بالضجيج دون الحاجة إلى تحديد بارامتري صريح، أو حلول معادلات تفاضلية عادية غير خطية، أو افتراضات نمذجة معقدة.
• سير عمل عملي: تقدم الورقة سير عمل نظامي لجمع البيانات، وضبط المعلمات الفائقة (عبر البحث الشبكي على أداء المحاكاة غير البارامترية)، وتوليد المسارات، مما يجعل الإطار قابلاً للتطبيق على أنظمة رافعات أخرى.
• التعامل مع اللاخطية والضجيج: من خلال تفسير مصفوفة هانكل كتقريبات خطية محلية واستخدام التنظيم المتناثر، ينجح النهج في التقاط الديناميكيات غير الخطية ويظل قوياً تجاه ضجيج القياس.

النتائج
تم التحقق من صحة الطريقة المقترحة على رافعة دوارة مخبرية بمقياس 1:9، وتمت مقارنتها بنهج توليد مسار أمثل قائم على النموذج (باستاستخدام طريقة متعددة النقاط مع البرمجة التربيعية المتتالية).

• مقاييس الأداء: حقق النهج القائم على البيانات انخفاضاً يصل إلى 35% في تأرجح الحمل، و43% في خطأ التتبع، و50% في وقت السفر مقارنة بالمعيار المرجعي القائم على النموذج.
• التحقق التجريبي: في التجارب العملية، نجحت المسارات المولدة في نقل الحمل بين زوايا محددة بدقة عالية (خطأ تتبع قدره 0.002 راديان) وبأقل قدر من التذبذب المتبقي، مما طابق السلوك المتوقع عن كثب رغم التنفيذ في حلقة مفتوحة.
• المحاكاة: أكدت الدراسات المحاكاتية أن الطريقة يمكنها التقاط الديناميكيات غير الخطية (تحديداً تأرجح الحمل الشعاعي) التي فشلت النماذج الخطية في تمثيلها، بشرط توفر تنوع كافٍ في البيانات وضبط مناسب للمعلمات الفائقة.

الأهمية والادعاءات
تدعي الورقة أن هذا العمل يقلل من تعقيد تحسين المسار للأنظمة غير الخطية وناقصة التفعيل إلى عمليات جبرية خطية ومشكلات تحسين محدبة. وتوضح أن أتمتة الرافعات يمكن تحقيقها دون الاعتماد على مشغلين خبراء في الموقع، أو نمذجة تفصيلية للنظام، أو محاكيات عالية الدقة، أو حلول غير خطية معقدة.

يتبنى المؤلفون موقفاً متواضعاً فيما يتعلق بنطاق ادعاءاتهم:

• يقرون بأن الطريقة تتطلب ضبطاً دقيقاً للمعلمات الفائقة وأن جودة النتائج تعتمد بشكل كبير على تصميم إشارات المدخلات المستخدمة لجمع البيانات.
• يشيرون إلى أنه على الرغم من كون الطريقة قائمة على البيانات، إلا أنها ليست "شرهة للبيانات" (data-greedy) مقارنة بالأساليب الأخرى القائمة على التعلم، حيث كانت تسلسلات البيانات القصيرة كافية.
• يصرحون صراحةً بأن التحليل النظري الصارم للإطار السلوكي للديناميكيات غير الخطية العامة لا يزال مسألة مفتوحة.
• تم تحديد العمل المستقبلي ليشمل توسيع النهج ليشمل الرافعات كاملة الحجم، وأخذ الاضطرابات غير المتوقعة في الاعتبار (مثل الرياح، أو التأثيرات الالتوائية)، وربما تطبيق التحكم التنبئي القائم على البيانات (DeePC) للتشغيل في حلقة مغلقة.

تخلص الدراسة إلى أنه من خلال العمل مباشرة على البيانات، يوفر الإطار المقترح بديلاً عملياً وموثوقاً وفعالاً للنهج التقليدية القائمة على النماذج للحد من تأرجح الحمل في الرافعات الدوارة.