发明内容
发明目的:针对现有技术中存在的问题,本发明提供一种测量用的位移检测系统,解 决了传统的测量传感器测量出现抖动不准的情况,而且针对测量装置中的测量传感器位移 调节的非线性、大滞后和大惯性原因,本发明有效解决了现有测量传感器位移调节不精确 的缺陷,设计一种智能化位移检测系统,提高测量传感器位移的快速响应、控制精度和鲁 棒性,使测量传感器位移迅速到达系统设定值,来满足对测量传感器位移精确度控制的需 要。
技术方案:本发明提供了一种测量用的位移检测系统,包括基层平台,所述基层平台上 表面一侧设置有参考物架置组件,其另一侧设置有传感器架置机构,所述传感器架置机构包 括第一纵向滑移组件和设置于第一纵向滑移组件上的横向滑移组件,传感器架置板设置于所 述横向滑移组件上,所述第一纵向滑移组件、横向滑移组件上分别设置有第一驱动机构、第 二驱动机构;还包括控制系统,所述控制系统包括MSP430单片机、L298电机驱动电路、第一 位移传感器、第二位移传感器和MSP430单片机中的第一电机智能控制器、第二电机智能控制 器,MSP430单片机、L298电机驱动电路、第一纵向滑移组件、横向滑移组件和第一位移传感 器、第二位移传感器组成测量传感器位移调节平台,所述第一电机智能控制器、第二电机智 能控制器分别控制第一驱动机构与第二驱动机构带动第一纵向滑移组件、横向滑移组件进行 纵向移动与横向移动;每个所述电机智能控制器均包括参数自调整模糊调节器、PID调节器、 DRNN神经网络控制器和位移预测器,MSP430单片机中的电机智能控制器实现对传感器架置 板上的测量传感器的纵向位移、横向位移进行智能化调节。
进一步地,所述横向滑移组件上还设置有第二纵向滑移组件,所述第二纵向滑移组件 上还设置有第三驱动机构,所述第三驱动机构的调节精度大于所述第一驱动机构的调节精 度;所述控制系统还包括与所述第一电机智能控制器、第二电机智能控制器结构相同的第 三电机智能控制器以及第三位移传感器,所述第三位移传感器测量传感器架置板上的测量 传感器的位移量,所述第三电机智能控制器控制第三驱动机构带动第二纵向滑移组件纵向 移动,实现对测量传感器的纵向位移进行微调节。
进一步地,各所述电机智能控制器的所述参数自调整模糊调节器和PID调节器相并联, 参数自调整模糊调节器和PID调节器的输出和作为所述DRNN神经网络控制器的输入,所 述DRNN神经网络控制器的输出作为所述L298电机驱动电路的输入,所述L298电机驱动 电路的输出作为第一驱动机构、第二驱动机构或第三驱动机构中的电机的输入;第一位移 传感器、第二位移传感器、第三位移传感器测量传感器架置板上的测量传感器的位移量, 其输出分别作为第一电机智能控制器、第二电机智能控制器、第三电机智能控制器中的位 移预测器的输入,位移预测器的输出值作为所述控制系统的测量传感器位移预测反馈值, 所述控制系统的测量传感器位移给定值和位移预测器的输出值的误差和误差变化率作为 PID调节器的输入实现对测量传感器位移量的预测控制;第一、第二、第三位移传感器的 输出值分别作为控制系统的测量传感器的位移实际反馈值,所述控制系统的测量传感器的 位移给定值和位移传感器输出值的误差和误差变化率作为参数自调整模糊调节器的输入实 现对测量传感器位移的实时控制。
进一步地,所述DRNN神经网络控制器由4个积分器和DRNN神经网络组成,4个积 分算子S平均分成2组,每组2个积分算子S相串联分别构成积分回路1和积分回路2; 参数自调整模糊调节器和PID调节器的输出和作为回路1和DRNN神经网络的输入,回路 1的2个积分算子的连接端的输出作为DRNN神经网络的输入,回路1输出作为DRNN神 经网络的输入,DRNN神经网络的输出作为回路2和L298电机驱动电路的输入,回路2 的2个积分算子的连接端的输出作为DRNN神经网络的输入,回路2输出作为DRNN神经 网络的输入,DRNN神经网络的输出作为DRNN神经网络逆控制的输出。
进一步地,所述位移预测器包括时间序列DRNN神经网络预测模型、ARIMA预测模型、时间序列RBF神经网络预测模型、SOM神经网络分类器、多个ANFIS神经网络模型、 多个NARX神经网络模型和小波神经网络融合模型,所述第一位移传感器、第二位移传感 器、第三位移传感器的输出分别作为第一电机智能控制器、第二电机智能控制器、第三电 机智能控制器中的时间序列DRNN神经网络预测模型、ARIMA预测模型和时间序列RBF 神经网络预测模型的输入,时间序列DRNN神经网络预测模型输出、ARIMA预测模型输 出和时间序列RBF神经网络预测模型输出作为SOM神经网络分类器的输入,SOM神经网 络分类器输出多个类型的时间序列DRNN神经网络预测模型输出、ARIMA预测模型输出 和时间序列RBF神经网络预测模型输出分别作为对应的多个ANFIS神经网络模型的输入, 多个ANFIS神经网络模型输出分别作为对应的多个NARX神经网络模型的输入,多个 NARX神经网络模型的输出作为小波神经网络融合模型的输入,小波神经网络融合模型的 输出作为测量传感器的位移预测值。
进一步地,所述第一纵向滑移组件包括第一纵向滑移导轨与第一纵向滑移平台,所述 第一纵向滑移导轨设于所述基层平台上,其下表面转动连接有第一丝杆,所述第一丝杆上 螺纹连接有第一滑块,所述第一纵向滑移平台套设于所述第一纵向滑移导轨上且其底端与 所述第一滑块固定连接,所述第一丝杆上还设置有所述第一驱动机构。
进一步地,所述横向滑移组件包括垂直于所述第一纵向滑移导轨且转动连接于所述第 一纵向滑移平台上表面的第二丝杆,所述第二丝杆上螺纹连接有第二滑块,所述第二滑块 上固定有横向滑移平台,所述传感器架置板固定于横向滑移平台上,所述第二丝杆上还设 置有所述第二驱动机构。
进一步地,所述第二纵向滑移组件包括转动连接于所述横向滑移平台的垂直于所述第 二丝杆的第三丝杆,所述第三丝杆的螺距小于所述第一丝杆的螺距,所述第三丝杆上螺纹 连接有第三滑块,所述传感器架置板设于所述第三滑块上随所述第三滑块纵向移动。
进一步地,所述第三滑块上固定有滑移板,所述传感器架置板套设且滑动连接于所述 滑移板;所述旋转夹持组件包括旋转组件与设置于所述旋转组件的用于夹持测量传感器的 夹爪组件,所述旋转组件包括支杆、至少1个滑移转盘、与所述滑移转盘数量相等的夹持 滑移平台,所述支杆一端竖直转动连接于所述基层平台,多个所述滑移转盘一端固定于圆 心,另一端呈圆形由圆心向圆周方向排布,其固定于圆心的一端与所述支杆顶端固定连接, 各所述夹持滑移平台滑动连接于各所述滑移转盘;所述夹爪组件设于所述夹持滑移平台上; 所述滑移转盘的宽度与所述滑移板的宽度相等,当所述旋转组件旋转一定角度时,所述滑 移板一端与其中一个所述滑移转盘自由端匹配接触,所述夹持滑移平台从所述滑移转盘滑 动到所述滑移板上。
进一步地,所述夹爪组件包括夹爪基座、主转动盘、辅转动盘、主夹爪、辅夹爪以及夹爪导轨,所述主转动盘与所述辅转动盘滚动接触且竖直转动连接于夹爪基座上,所述主夹爪固定于所述主转动盘圆周边且与所述夹爪导轨一端固定连接,所述辅夹爪固定于所述辅转动盘圆周边且与所述夹爪导轨滑动连接,所述主转动盘上还设置有夹爪驱动机构,驱动主转动盘转动。
有益效果:
一、本发明所采用的DRNN神经网络控制器是一种能够有效对测量传感器位移的非线 性、非平稳时间序列进行预测控制的动态神经网络模型,能够在时间序列非平稳性降低的 情况下提高对测量传感器位移时间序列的预测控制精度。与传统的预测控制模型方法相比, 此方法具有处理非平稳时间序列效果好,计算速度快,准确率高的优点。通过对非平稳的 测量传感器位移实验数据的实际对比,本专利验证了DRNN神经网络控制器对测量传感器 位移时间序列预测控制的可行性。同时,实验结果也证明了DRNN神经网络控制器在非平 稳时间序列预测控制中比传统预测控制模型表现更加优异。
二、本发明采用参数自调整模糊调节器作为测量传感器位移的实时控制器,该模糊控 制器的参数根据测量传感器位移的设定值与测量传感器位移实际值的误差和误差变化率对 进行自调整,该模糊控制器对测量传感器位移控制的鲁棒性强、适应性高和速度快。
三、DRNN神经网络控制器是一种具有反馈的动态回归神经网络和适应时变特性的能 力,该网络能够更直接生动地反映测量传感器位移动态变化性能,可以更加精确控制测量 传感器位移实际值,DRNN神经网络控制器为5-15-1的3层网络结构,其隐层为回归层,输出层为测量传感器的位移控制量。
四、本发明测量传感器位移作为被控对象具有非线性、时滞和时变性的特性,参数自 调整模糊调节器、DRNN神经网络调节器和DRNN神经网络控制器,结合神经网络、PID 控制器和模糊控制器的优点,参数自调整模糊调节器根据系统测量传感器位移设定值与测量传感器位移实际值的误差和误差变化来自动调整模糊控制器参数,该智能复合控制器具有很强的自适应性能,提高系统的响应速度,能够适应诸多扰动因素影响,具有良好的鲁棒性。
五、本发明采用ARIMA预测模型预测测量传感器位移整合了测量传感器位移变化的 趋势因素、周期因素和随机误差等因素的原始时间序列变量,通过差分数据转换等方法将 非平稳序列转变为零均值的平稳随机序列,通过反复识别和模型诊断比较并选择理想的模 型进行测量传感器位移数据拟合和预测。该方法结合了自回归和移动平均方法的长处,具 有不受数据类型束缚和适用性强的特点,是一种对测量传感器位移进行短期预测效果较好 的模型。
六、SOM神经网络分类器是一种数据分类方法。其目的在于将时间序列DRNN神经网络预测模型输出、ARIMA预测模型输出和时间序列RBF神经网络预测模型输出等数据 空间中一组数据集合按相似性准则划分到若干个子集中,使得它们输出特征归一化参数每个子集代表整个数据样本集的某个特征,建立SOM神经网络分类器对时间序列DRNN神 经网络预测模型输出、ARIMA预测模型输出和时间序列RBF神经网络预测模型输出特征 归一化参数进行分类是找到合理的样本子集划分,根根归一化参数不同子集的特点输入对 应ANFIS神经网络模型来预测测量传感器位移值,提高预测测量传感器位移值的精确度。
七、本发明专利分别采用动态时间序列DRNN神经网络预测模型、趋势预测ARIMA预测模型和静态网络的时间序列RBF神经网络预测模型形成互补关系实现对测量传感器位移进行同时预测的特点,在ANFIS神经网络模型前利用SOM神经网络分类器进行测量传 感器位移预测值归一化参数样本子集划分,每个子集采用一个对应的ANFIS神经网络模型,这种方法可以根据各个子归一化参数的特点采用对应的ANFIS神经网络模型,提高ANFIS神经网络模型的预测精度和运算速度,该预测方法具有较好的拟合精度和泛化能力。
八、本发明涉及神经网络控制、模糊控制、复合控制、复合预测控制技术,设计了电机智能控制器,该系统具有动态性能好、稳态精度高、鲁棒性较强的电机智能控制器,克 服了单纯PID控制对大惯性、大延迟对象调节品质差和抗干扰性弱的缺点,将该系统用于 测量传感器位移的控制具有较强的动态跟踪性能和抗干扰能力以及良好的动静态性能指标。与原有的常规控制相比该系统的控制品质、响应速度和稳定性能都明显提高,测量传感器位移的控制精度高、抗干扰能力强和稳定性能好,具有较好的应用和推广价值。
九、本发明设置的纵向滑移组件与横向滑移组件配合使用,方便调节测量传感器与参 考物之间的纵向以及横向的距离。在横向滑移组件上设置有第二纵向滑移组件,第二纵向 滑移组件上丝杆的螺距比第一纵向滑移组件的丝杆螺距小,起到微调作用,调节更加精确, 可以小范围的调节参考物前后的距离。
十、本发明设置滑移板,这样当测量传感器无法用三脚架固定时,通过旋转夹持组件 将测量传感器固定住,将一个带有夹爪组件的夹持滑移平台滑移到滑移板上,通过夹爪组 件将测量传感器固定住,另外通过设置多个滑移转盘,可以设置多个夹爪组件,当需要在 滑移板上固定多个测量传感器时,可以通过将多个夹持滑移平台滑移到滑移板上,进行多 个测量传感器同时测量。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术 方案,而不能以此来限制本发明的保护范围。
首先对本发明的整体结构作简要说明:
本发明为了解决现有技术中出现的1)手持过程中容易出现抖动情况,出现测量精度低 的问题;2)更换距离时,距离把握困难,很难准确调整参考物与测量传感器之间的距离等问 题,本发明公开了一种测量用的位移检测系统,该系统的结构部分主要包括基层平台1,基 层平台1上表面一侧设置有参考物架置组件,其另一侧设置有传感器架置机构2,传感器架 置机构2包括第一纵向滑移组件和设置于第一纵向滑移组件上的横向滑移组件,传感器架置 板302设置于横向滑移组件上。
在传感器架置板302上设置有置脚槽221,方便通过三脚架等对测量传感器进行固定。
第一纵向滑移组件包括第一纵向滑移导轨201与第一纵向滑移平台202,第一纵向滑 移导轨201通过支架203固定于基层平台1上,其下表面沿其长度方向转动连接有第一丝杆204,第一丝杆204上螺纹连接有第一滑块205,第一纵向滑移平台202套设于第一纵向 滑移导轨201上且其与第一丝杆204对应位置与第一滑块205固定连接,第一丝杆204上 设置第一驱动机构,用于驱动第一丝杆204转动,第一纵向滑移平台202的结构参见附图 5与附图6所示。
横向滑移组件包括垂直于第一纵向滑移导轨201且转动连接于第一纵向滑移平台202 上表面的第二丝杆206,第二丝杆206上螺纹连接有第二滑块207,第二滑块207上固定有 横向滑移平台208,传感器架置板302固定于横向滑移平台208上。第二丝杆206上设置第二驱动机构,用于驱动第二丝杆206转动。
进一步地,为了解决第一纵向滑移平台202在第一纵向滑移导轨201上滑动出现晃动 的情况,将第一纵向滑移导轨201的两侧边设置为向内凹陷的圆弧导轨209,第一纵向滑移平台202与圆弧导轨209对应位置匹配设置,所以第一纵向滑移平台202与圆弧导轨209对应位置设置向圆弧导轨209凸起的圆弧形的凸起,这样圆弧导轨209与圆弧形的凸起匹配设置,当第一纵向滑移平台202在第一纵向滑移导轨201上滑动时,其上下被限位,不 会出现滑动倾斜的情况,也很难出现第一纵向滑移平台202晃动的情况。
进一步地,为了减少第一纵向滑移平台202与第一纵向滑移导轨201之间的摩擦力, 在第一纵向滑移平台202上与圆弧导轨209匹配位置还滚动设置有若干个导轨滚珠210。 这样第一纵向滑移平台202在第一纵向滑移导轨201上滑动时,导轨滚珠210可以减少两 者之间的摩擦力。
进一步地,为了更加稳定第一纵向滑移平台202,在第一纵向滑移导轨201的上表面 沿第一纵向滑移平台202滑移方向还设置有一对纵向直线导轨211,第一纵向滑移平台202 与纵向直线导轨211对应位置设置一对条形凸起212,各条形凸起212与各纵向直线导轨 211匹配设置,第一纵向滑移平台202在第一纵向滑移导轨201上滑动时,第一纵向滑移平台202下表面的条形凸起212被限位在纵向直线导轨211内滑动,第一纵向滑移平台202被左右限位,不会出现倾斜。
进一步地,在调节测量传感器与参照物之间的距离时,其前后距离的调节有的时候需 要进行微调,第一纵向滑移组件的调节螺距比较大,有的时候很难达到要求的调整精度, 所以我们在横向滑移组件上还设置有第二纵向滑移组件,第二纵向滑移组件包括转动连接 于横向滑移平台208的垂直于所述第二丝杆206的第三丝杆213,第三丝杆213上螺纹连 接有第三滑块214,第三丝杆213的螺距比第一丝杆204的螺距小。感器架置板2固定于横向滑移平台208上,第三丝杆213上设置第三驱动机构,用于驱动第三丝杆213转动。
进一步地,为了实现第一纵向滑移平台202、横向滑移平台208以及传感器架置板2在相应的滑轨上滑动进行调节测量传感器的前后左右的距离,第一纵向滑移组件、横向滑移组件以及第二纵向滑移组件上设置的第一驱动机构、第二驱动机构、第三驱动机构结构相同分别为第一步进电机215、第二步进电机216以及第三步进电机217,第一丝杆204、 第二丝杆206、第三丝杆213的一端均设置有结构相同的主锥齿轮218和从锥齿轮219,3 个所述的步进电机输出轴均与其对应的主锥齿轮218中心固定连接,主锥齿轮218与其对 应的从锥齿轮219啮合,从锥齿轮219套设固定于其对应的丝杆上。
步进电机带动主锥齿轮218转动,主锥齿轮218带动从锥齿轮219转动实现丝杆的转 动,丝杆与滑块螺纹连接,丝杆转动实现滑块在丝杆上的相对位置转变,进而实现第一纵 向滑移平台202、横向滑移平台208以及传感器架置板2在对应的第一丝杆204、第二丝杆206以及第三丝杆213上滑动。
进一步地,如果不用电动实现第一纵向滑移平台202、横向滑移平台208以及传感器架 置板302在相应的滑轨上滑动进行调节测量传感器的前后左右的距离,可以在第一丝杆204、 第二丝杆206和第三丝杆213一端分别固定有旋转把手220,通过旋转把手220实现对应丝 杆的转动进而实现第一纵向滑移平台202、横向滑移平台208以及传感器架置板302在相应 的丝杆上滑动。
该结构还包括设置于第一纵向滑移组件一侧的旋转夹持组件3,并且在第三滑块214上 固定有滑移板301,传感器架置板302套设且滑动连接于滑移板301上。旋转夹持组件主要 包括旋转组件和夹爪组件,夹爪组件设置于旋转组件上用于夹持测量传感器。旋转组件包括 支杆303、至少一个滑移转盘304、与滑移转盘304数量相等的夹持滑移平台305,至少一个 滑移转盘304呈圆形由圆心向圆周方向排布,其中心与支杆303顶端固定连接,支杆303底 端转动连接于基层平台1上,各夹持滑移平台305滑动连接于各滑移转盘304。滑移转盘304 的宽度与滑移板301的宽度相等,当旋转组件旋转一定角度时,滑移板301一端与其中一个 滑移转盘304自由端匹配接触,夹持滑移平台305从滑移转盘304上滑动到滑移板301上。
而夹爪组件包括夹爪基座306、主转动盘307、辅转动盘308、主夹爪309、辅夹爪310以及夹爪导轨311,参见附图7、图8,主转动盘307与辅转动盘308滚动接触且竖直转动 连接于夹爪基座306上,主夹爪309固定于主转动盘307圆周边且与夹爪导轨311一端固 定连接,辅夹爪310固定于辅转动盘308园周边且与夹爪导轨311滑动连接,主转动盘307 上还设置有夹爪驱动机构,驱动主转动盘307转动。当驱动机构驱动主转动盘307转动时, 主转动盘307带动辅转动盘308转动,辅夹爪310在夹爪导轨311上向主夹爪309方向滑 动,直至主夹爪309与辅夹爪310将测量传感器夹持住。
本实施方式中,夹爪驱动机构包括第四步进电机312、主动齿轮313以及从动齿轮314, 主动齿轮313、从动齿轮314分别与主转动盘307、辅转动盘308中心固定连接,主动齿轮 313与从动齿轮314啮合,第四步进电机312输出轴与主动齿轮313中心固定连接。第四步进电机312转动带动主动齿轮313转动,主动齿轮带动从动齿轮314转动,主动齿轮313 与从动齿轮314分别带动主转动盘307与辅转动盘308转动。
进一步地,本实施方式将主夹爪309与辅夹爪310相对的一侧对称设置有若干个圆弧 形夹爪凸起315。设置圆弧形的夹爪凸起315,夹爪凸起315的圆弧形向外凹陷,这样主夹爪309与辅夹爪310相对的一边为不规则形状,当测量传感器结构不规则,普通的夹爪无 法夹持或夹持不稳时,通过这种不规则形状的主夹爪309与辅夹爪310进行夹持,其结构 参见附图7。
进一步地,本实施方式为了便于更换夹爪组件上的夹爪夹持的工具,我们设置滑移转 盘304的数量为3个,3个滑移转盘304的一端均固定于圆心位置,另一端呈圆形阵列排布,圆心位置与支杆303固定连接。3个滑移转盘304上每个滑移转盘304上分别滑动连 接一个夹持滑移平台305,每个夹持滑移平台305上设置一个夹爪组件,3个夹持滑移平台 305上可以设置不同的夹爪组件,比如设置一个为正常主夹爪309、辅夹爪310的夹爪组件, 设置另一个为不规则形状的主夹爪309与辅夹爪310;最后一个可以不设置夹爪组件,这 个可以根据实际需要进行调整设置。
本实施方式中为了实现旋转夹持组件的旋转,还设置一个旋转驱动机构,驱动支杆303 带动滑移转盘304转动。
本实施方式中,旋转驱动机构包括一个三向转盘316、拨盘317以及第五步进电机318,三 向转盘316中心与支杆303固定连接,拨盘317与三向转盘316旋转配合,第五步进电机318与拨 盘317中心固定连接,拨盘317通过拨盘支架转动连接于基层平台1上。当拨盘317转动一圈, 三向转盘316转动120度,其中一个滑移转盘304刚好转动至滑移板301一侧。为了实现拨盘317 转动一圈,三向转盘316转动120度,设置其结构参见附图9,三向转盘316为三边分别向圆心 方向凹陷的三角形结构,三个角与圆心连线之间的夹角均为120度,拨盘317为大半个圆盘结 构,其圆盘缺口的角度为135度,当拨盘317的圆形边缘与三向转盘316的一个圆弧边从开始滚 动接触至圆盘缺口不接触,实现三向转盘316转动120度,此时拨盘317继续转动,其圆盘缺口 位置与三向转盘316不接触,不会带动三向转盘316继续转动,当拨盘317转动至新一轮圆形边 缘与三向转盘316的一个圆弧边从开始滚动接触至圆盘缺口不接触,实现三向转盘316继续转 动120度,以此类推。
进一步地,为了便于调节测量传感器的角度与方位,在夹持滑移平台305上还设置有 角度调节机构,角度调节机构用于调节测量传感器的朝向和偏移角度,并且设置夹爪组件 于角度调节机构上。
本实施方式中,角度调节机构包括内部中空的固定筒319,固定筒319内旋转连接有 旋转球320,旋转球320上方固定连接有第一放置台321,夹爪组件固定于第一放置台321上。
所以,本实施例中设置的3个滑移转盘304上的夹持滑移平台305上设置一个上述的 角度调节机构,第一放置台321用于放置测量传感器,另外一个夹持滑移平台305上设置一个有正常主夹爪309、辅夹爪310的夹爪组件,最后一个夹持滑移平台305上设置一个 有不规则主夹爪309、辅夹爪310的夹爪组件,参见附图7所示。也可以3个夹持滑移平 台305上均设置有相同的夹爪组件,也可以3个夹持滑移平台305上均设置有角度调节机 构,在角度调节机构上再设置夹爪组件。
封闭关合组件包括基层平台1左、右两侧分别竖直设置的左挡尘板401、右挡尘板402, 沿左挡尘板401、右挡尘板402边缘分别匹配设置有左导轨挡板403、右导轨挡板404;还 包括收放杆405、防尘布406以及引导杆407,收放杆405紧贴于基层平台1且其两端分别转动连接于左导轨挡板403、右导轨挡板404;防尘布406卷合于收放杆405上,其自由端 与引导杆407固定连接,引导杆407两端分别滑动连接于左导轨挡板403与右导轨挡板404 沿其边缘走向开设的滑槽408内。参见附图10至附图14。
为了便于实现拆卸该防尘罩,我们在基层平台1的外边缘设置拓展平台414,可以通 过铰链可拆卸连接于基层平台1上,这样将防尘罩的左挡尘板401、右挡尘板402、左导轨挡板403、右导轨挡板404均设置在拓展平台414上,方便拆卸下来清洗等。
进一步地,为了便于引导防尘布406与引导杆407移动,该防尘罩还包括分别设置于 左导轨挡板403和右导轨挡板404的一对收合弹簧409和用于引导一对收合弹簧409的一对导向板410,一对收合弹簧409分别位于左挡尘板401、右挡尘板402位置,其一端分别 与引导杆407两端固定连接,其另一端分别固定于远离收放杆405一端的基层平台1上, 如果设置了拓展平台414,收合弹簧409另一端可以固定在拓展平台414上。一对导向板 410分别固定于左导轨挡板403、右导轨挡板404上,导向板410与左导轨挡板403、右导 轨挡板404的边缘弧度匹配,收合弹簧409位于导向板410上滑动拉伸与复位。参见附图 12,引导杆407通过左右两侧的导向板410作为一个支撑导向,在滑槽408内滑动时,不 会出现塌陷等问题。正常情况下,引导杆407在收合弹簧409的作用下是带动防尘布406 遮盖于基层平台1上方的,因为收合弹簧409有复位作用力。当需要拉开的时候,直接拉 动引导杆407向收放杆405方向移动,此时收合弹簧409处于拉伸状态,调整好参考物与 测量传感器后,引导杆407在收合弹簧409作用下又处于遮盖状态。
为了防止收合弹簧409滑出导向板410导致引导杆407无法带动防尘布406遮盖于基 层平台1上方,在导向板410上还设置有限位卡条411,收合弹簧409位于限位卡条411 与左导轨挡板403或右导轨挡板404之间。限位卡条411起到限位作用,将各自的收合弹 簧409限位在限位卡条411与左导轨挡板403、限位卡条411与右导轨挡板404之间。
为了便于将防尘布406卷合到收放杆405上,便于将防尘布406以及引导杆407拉开, 在收放杆405一端还固定有联轴器412,联轴器412与第六步进电机413连接。第六步进电机413转动带动联轴器412与收放杆405转动,转动过程中可以将遮盖于基层平台1上 方的防尘布406卷合起来,此时引导杆407在防尘布406拉动下拉开,收合弹簧409在导 向板410上处于拉伸状态。当调整好设备后,第六步进电机413反向转动,带动收放杆405 反向转动,实现防尘布406放开,收放杆407在收合弹簧409作用下实现遮盖于基层平台 1上方。
进一步地,为了方便调整基层平台1上的测量传感器设备或者参考物,如果通过引导杆 407以及防尘布406收放,这个过程过于复杂,本实施方式在左挡尘板401、右挡尘板402分 别铰接于拓展平台414上,这样可以通过转动左挡尘板401或右挡尘板402实现放置参考物 或者测量传感器等。我们在拓展平台414与左挡尘板401、右挡尘板402接触的一侧均固定 连接有铰接轴415,铰接轴415上旋转连接有铰接套416,铰接套416与左挡尘板401、右挡 尘板402底端分别固定连接,且铰接套416上连接有第七步进电机417,这样通过第七步进 电机417带动铰接套416转动,铰接套416带动左挡尘板401或右挡尘板402转动,实现通 过左挡尘板401或右挡尘板402的开合。
在测量传感器调整与参考物之间的距离时,为了便于看清测量传感器与参考物之间的实 际距离,需要通过测量尺子来测量两者之间的距离,便于记录,而测量记录的时候要不影响 测量传感器与参考物之间的距离调节,本实施方式中,在基层平台上设置测量尺子组件5, 该测量尺子组件5包括设置于参考物架置组件与传感器架置机构2之间的尺子滑柱导轨501, 尺子滑柱导轨501设置于基层平台1上,尺子滑柱导轨501上设置滑动连接有一个尺子滑柱 502,尺子滑轨503水平设置于尺子滑柱502顶端,尺子滑轨503内卡接并滑动连接有测量尺 子504。
进一步地,为了便于调整测量尺子504的高度,在尺子滑柱502内滑动连接有尺子伸 缩柱505,尺子伸缩柱505可以在尺子滑柱502内上下滑动,调整高度,尺子伸缩柱505 顶端设有尺子滑轨503。
进一步地,本实施方式中设置测量尺子504为钢尺,尺子滑轨503上端通过翻转机构 506与尺子伸缩柱505顶端铰接,尺子伸缩柱505顶端还设置有若干个磁铁507,当尺子滑轨503随翻转机构506翻转至上方时,测量尺子504与磁铁507吸附。本实施方式中,为 了吸附平衡,在尺子伸缩柱505顶端翻转机构506的两端分别设置一个磁铁507,翻转机 构506位铰链。当测量尺子504在尺子滑轨503内滑动并设置好位置时,可以将尺子滑轨 503与测量尺子504翻转上去,通过磁铁507将测量尺子504吸附住,防止测量尺子504 在尺子滑轨503上滑动,翻转上去后,测量尺子504相对固定,不会影响测量传感器与参 照物之间的距离调整。
进一步地,为了相对固定尺子滑轨503,防止测量尺子504在尺子滑轨503中滑动时, 尺子滑轨503出现晃动,本实施方式中,设置尺子伸缩柱505与尺子滑轨503接触的两端固定有卡位转轴508,卡位转轴508上转动连接有卡块509,卡块509下表面与上表面均设 置有卡槽510,当尺子滑轨503不翻转的情况下,上表面卡槽510与尺子滑轨503边缘卡 合;当尺子滑轨503翻转后,下表面的卡槽510与尺子滑轨503下边缘卡合。当测量尺子 504在尺子滑轨503中滑动时,将卡块509沿卡位转轴508转动至尺子滑轨503正上方, 卡块509下表面的卡槽510与尺子滑轨503上边缘卡合。当测量尺子504已经在尺子滑轨 503中调整好位置后,将卡块509随卡位转轴508转动至一侧,将尺子滑轨503以及测量 尺子504翻转上去后,将卡块509随卡位转轴508转动至尺子滑轨503正下方,卡块509 下表面的卡槽510与此时的尺子滑轨503下边缘卡合。将尺子滑轨503相对固定。
进一步地,为了实现尺子滑柱502在尺子滑柱导轨501上滑动,在尺子滑柱导轨501上设置有一对凹槽滑轨511,凹槽滑轨511沿尺子滑柱导轨501长度方向设置,尺子滑柱 502底端两侧与凹槽滑轨511对应位置转动连接有滑轮512,滑轨512位于凹槽滑轨511内 滑动。
进一步地,为了减少尺子滑柱502与尺子滑柱导轨501之间的摩擦力,在尺子滑柱502 底端与尺子滑柱导轨501接触位置还滚动连接有滚轮514,滚轮514与尺子滑柱导轨501滚动接触。
进一步地,为了减少测量尺子504与尺子滑轨503之间的摩擦力,尺子滑轨503上间隔 滚动连接有若干个尺子滚珠513。
本实施方式在基层平台1下表面还设置有水平调节组件,其包括设置于基层平台1下表 面的水平检测仪602以及支撑台601、立柱603、调整齿轮604和调整齿条605,支撑台601 上固定有至少2个立柱603,本实施方式中使用4个立柱603,分别位于支撑台601的四个角 上,调整齿轮604与立柱603转动连接,基层平台1下表面固定有与立柱603数量相同的调整齿条605,调整齿条605与调整齿轮604啮合,各调整齿轮604中心还固定有第四驱动机构,本实施方式中使用第八步进电机进行控制调整齿轮604转动,带动调整齿条605上下移动,实现基层平台1的水平调整。调整的时候,4个调整齿轮604上的第八步进电机分别带 动调整齿轮604转动,当水平检测仪602检测一侧偏高时,该偏高的一侧第八步进电机带动 调整齿轮604转动,带动调整齿条605向下移动实现高度调节。
该位移检测系统的控制部分主要包括MSP430单片机、L298电机驱动电路、三个位移传 感器和MSP430单片机中的3个电机智能控制器,MSP430单片机、L298电机驱动电路、测量传感器传感器架置机构2和3个位移传感器组成传感器位移调节平台,MSP430单片机中的三个电机智能控制器对第一驱动机构、第二驱动机构、第三驱动机构上的第一步进电机、第二步进电机以及第三步进电机控制实现对测量传感器位移进行智能化调节。第一位移传感 器、第一电机智能控制器控制第一纵向滑移组件实现测量传感器纵向滑移;第二位移传感器、 第二电机智能控制器控制横向滑移组件实现测量传感器横向滑移;第三位移传感器、第三电 机智能控制器控制第二纵向滑移组件实现测量传感器纵向微调节。整个系统结构见图2所示 (图2中所示以一个电机智能控制器,1个位移传感器为例,图2中的驱动机构为第一驱动 机构或第二驱动机构或第三驱动机构,滑移组件为第一纵向滑移组件或横向滑移组件或第二 纵向滑移组件)。三个电机智能控制器的结构相同,现以其中一个电机智能控制器为例,其设 计过程如下(以下涉及的电机智能控制器为第一电机智能控制器,位移传感器为第一位移传 感器):
(1)、参数自调整模糊调节器设计
本发明专利参数自调整模糊调节器作为测量传感器位移的实时控制器,它与PID调节器 并联,实现对测量传感器位移的复合控制。它由模糊控制和积分作用两部分并联组成。其模 糊控制规则为uf=k0×f(e,e′),式中:uf为参数自调整模糊调节器的输出;k0为输出系 数;f(e,e′)为自适应控制规则函数,模糊控制规则为f(e,e′)=α×e+(1-α)e′,式中:α为 自适应修正因子,0≤α≤1;α的大小反映了测量传感器位移的设定值与测量传感器位移检 测值的误差e和误差变化率e′对参数自调整模糊调节器输出影响的程度。通过对e及e′在 测量传感器位移控制的不同阶段所起作用分析可知,二者在不同控制阶段对参数自调整模糊 调节器的影响是不同的。在初期阶段,如果测量传感器位移的e与e′异号,则起始误差比 较大,这时应选取较大的α值,以便尽快消除测量传感器位移误差的存在。因此,应加大误 差在参数自调整模糊控制规则中的权重;在中期阶段,测量传感器位移误差减小,智能化测 量传感器位移检测系统的上升速度加快,为减小智能化测量传感器位移检测系统的超调,应 突出对测量传感器位移误差变化的控制作用,应选取较小的α值;当测量传感器响应接近期 望值时,由于此时测量传感器位移误差及其变化都较小,二者可取相同的权重。在实际实现 过程中,α值的选取是通过查表程序获得的,本专利的参数自调整模糊调节器的输入模糊变 量为测量传感器位移的设定值与测量传感器位移检测值的误差e和误差变化率e′,输出量为 参数自调整模糊调节器的实时控制量,它们的基本论域为[-2,2],量化论域为[-3,3],故量 化因子为k1=1.5;根据对应误差查表的情况如下:
其中,α0,α1,α2,α3∈[0,1],一般来说α0<α1<α2<α3,这样有利于满足测量传感 器位移检测系统在不同工况下对修正因子的不同要求。
(2)、PID调节器设计
位移检测系统是根据测量传感器位移调节的误差和误差变化来调整测量传感器位移的随 动系统,系统能够快速使测量传感器位移达到系统设定的理想值,提高响应速度、控制精度 和提高系统的稳定性。测量传感器位移设定值与位移预测器的误差和误差变化作为PID调节 器的输入,PID调节器的输出与参数自调整模糊调节器的输出和是DRNN神经网络控制器的输 入,DRNN神经网络控制器的输出作为测量传感器位移的控制量,使测量传感器位移迅速达到 系统设定的理想值。PID调节器控制器负责调节测量传感器位移的预测控制器,使测量传感 器位移迅速达到系统设计的理想值,提高测量传感器位移达到系统设计要求的准确和快速性, PID调节器采用常规的设计方法。
(3)、DRNN神经网络调节器设计
DRNN神经网络调节器是一种具有反馈的动态回归神经网络和适应时变特性的能力,该网 络能够更直接生动地反映测量传感器位移动态变化性能,可以更加精确调节测量传感器位移 大小,DRNN神经网络调节器为5-12-1的3层网络结构,其隐层为回归层。在本发明DRNN神 经网络调节器中,设I=[I1(t),I2(t),…,In(t)]为网络输入向量,其中Ii(t)是参数自调整模糊调 节器和PID调节器输出的和、回路1输出、回路1的2个积分算子连接端的输出、回路2输 出、回路2的2个积分算子连接端的输出共5个参数作为DRNN神经网络调节器的输入,回归 层第j个神经元的输出为Xj(t),Sj(t)为第j个回归神经元输入总和,f(·)为S的函数, 则O(t)是测量传感器位移控制量的输出。则DRNN网络调节器的输出为:
(4)、位移预测器设计
位移预测器包括时间序列DRNN神经网络预测模型、ARIMA预测模型、时间序列RBF神经网络预测模型、SOM神经网络分类器、多个ANFIS神经网络模型、多个NARX神经网 络模型和小波神经网络融合模型。
A、时间序列DRNN神经网络预测模型设计
时间序列DRNN神经网络预测模型是一种具有反馈的动态回归神经网络和适应时变特性 的能力,时间序列DRNN神经网络预测模型能够更直接生动地反映测量传感器位移动态变化性 能,可以更加精确预测测量传感器位移大小,时间序列DRNN神经网络预测模型为10-21-1的 3层网络结构,其隐层为回归层。在本发明时间序列DRNN神经网络预测模型中,位移传感器 输出的时间序列测量传感器位移值为时间序列DRNN神经网络预测模型的输入,设 I=[I1(t),I2(t),…,In(t)]为时间序列DRNN神经网络预测模型输入向量,其中Ii(t)为时间序列 DRNN神经网络预测模型输入层第i个神经元t时刻的输入,回归层第j个神经元的输出为 Xj(t),Sj(t)为第j个回归神经元输入总和,f(·)为S的函数,则O(t)是时间序列DRNN 神经网络预测模型的输出。则时间序列DRNN神经网络预测模型的输出为:
B、ARIMA预测模型设计
ARIMA预测模型是自回归积分滑动平均预测模型,ARIMA预测模型一种根据被预测测 量传感器位移历史数据预测测量传感器将来位移的建模方法,它对被预测测量传感器位移的 时间序列进行分析。本专利采用测量传感器位移历史参数来分析测量传感器位移的时间序列 对ARIMA预测模型的时间序列特征的自回归阶数(p)、差分次数(d)和移动平均阶数(q)进行 研究。ARIMA预测模型被写作为:ARIMA(p,d,q)。以p、d、q为参数的ARIMA动态预测测 量传感器位移的方程可以表示如下:
其中,Δdyt表示yt经d次差分转换之后的序列,εt是随机误差,方差为常量σ2的正态分布,φi(i=1,2,…,p)和θj(j=1,2,…,q)为ARIMA预测模型的待估计参数,p和q为ARIMA 动态预测测量传感器位移模型的阶。ARIMA预测模型预测测量传感器位移本质上属于线性模 型,建模与预测包含4个步骤:
(1)序列平稳化处理。如果测量传感器位移历史数据序列是非平稳的,如存在一定的增 长或下降趋势等,则需对测量传感器位移历史数据进行差分处理。
(2)模型识别。通过自相关系数和偏自相关系数来确定ARIMA预测模型预测测量传感 器位移模型的阶数p,d和q。
(3)估计模型的参数和模型诊断。用极大似然估计得到ARIMA预测模型预测测量传感 器位移模型中所有参数的估计值,并检验包括参数的显著性检验和残差的随机性检验,然后 判断所建测量传感器位移模型是否可取,利用选取合适参数的ARIMA预测模型预测测量传感 器位移模型进行测量传感器位移的预测;并在模型中进行检验,以判定该模型是否恰当,如 果不恰当就重新估计参数。
(4)利用具有合适参数模型进行测量传感器位移的预测。本专利使用软件调用SPSS统 计分析软件包中时间序列分析功能的ARIMA模块实现测量传感器位移预测的整个建模过程。
C、时间序列RBF神经网络预测模型设计
位移传感器输出的时间序列值作为时间序列RBF神经网络预测模型的输入,时间序列 RBF神经网络预测模型的输出作为一段时间测量传感器位移一次预测值。时间序列RBF神经 网络预测模型的RBF神经网络的径向基向量为H=[h1,h2,…,hp]T,hp为基函数。时间序列 RBF神经网络中常用的径向基函数是高斯函数,其表达式为:
式中,X为位移传感器输出的时间序列值,C为隐含层神经元高斯基函数中心点坐标向 量,δj为隐含层第j个神经元高斯基函数的宽度;时间序列RBF神经网络预测模型的输出 连接权值向量为wij,时间序列RBF神经网络预测模型输出表达式为:
D、SOM神经网络分类器设计
SOM神经网络分类器称为自组织特征映射网络,该网络是一个由全连接的神经元阵列组 成的无教师自组织、自学习网络,当一个神经网络接受外界输入模式时,将会分为不同的反 应区域,各区域对输入模式具有不同的响应特性。本发明专利利用SOM神经网络分类器对 时间序列DRNN神经网络预测模型、ARIMA预测模型、时间序列RBF神经网络预测模型的 输出值样本进行分类,各类样本参数输入对应的ANFIS神经网络模型来预测测量传感器的位 移。SOM神经网络学习算法如下:
①、连接权值的初始化。对N个输入神经元到输出神经元的连接权值赋予较小的权值, 该网络的N=3,它们分别是时间序列DRNN神经网络预测模型、ARIMA预测模型、时间序列RBF神经网络预测模型的输出值。
②、计算欧氏距离dj,即输入样本X与每个输出神经元j之间的距离:
并计算出一个具有最小距离的神经元j
*,即确定出某个单元k,使得对于任意的j,都 有
③、按照式(2)修正输出神经元j*及其“邻接神经元”的权值:
wij(t+1)=wij(t)+η[xi(t)-wij(t)] (8)
④、根据下公式计算输出实现对时间序列DRNN神经网络预测模型、ARIMA预测模型、 时间序列RBF神经网络预测模型的输出值样本分类。
提供新的学习样本来重复上述学习过程。
E、多个ANFIS神经网络模型设计
ANFIS神经网络模型是基于神经网络的自适应模糊推理系统ANFIS,也称为自适应神经模 糊推理系统(Adaptive Neuro-Fuzzy Inference System),将神经网络和自适应模糊推理系 统有机地结合起来,既能发挥二者的优点,又可弥补各自的不足。ANFIS神经网络模型中的 模糊隶属度函数及模糊规则是通过对大量测量传感器位移已知预测值历史数据的学习得到 的,ANFIS神经网络模型的输入为时间序列DRNN神经网络预测模型、ARIMA预测模型、 时间序列RBF神经网络预测模型的输出值,ANFIS神经网络模型的输出是对测量传感器位移 的预测量,ANFIS神经网络模型主要运算步骤如下:
第1层:将输入的时间序列DRNN神经网络预测模型、ARIMA预测模型、时间序列RBF神经网络预测模型的输出值模糊化,每个节点对应输出可表示为:
式n为每个输入隶属函数个数,隶属函数采用高斯隶属函数。
第2层:实现规则运算,输出规则的适用度,ANFIS神经网络模型的规则运算采用乘法。
第3层:将各条规则的适用度归一化:
第4层:每个节点的传递函数为线性函数,表示局部的线性模型,每个自适应节点i输出 为:
第5层:该层的单节点是一个固定节点,计算ANFIS神经网络模型的输出为:
ANFIS神经网络模型中决定隶属函数形状的条件参数和推理规则的结论参数可以通过学 习过程进行训练。参数采用线性最小二乘估计算法与梯度下降结合的算法调整参数。ANFIS 神经网络模型每一次迭代中首先时间序列DRNN神经网络预测模型、ARIMA预测模型、时 间序列RBF神经网络预测模型的输出值沿网络正向传递直到第4层,采用最小二乘估计算法 调节结论参数;信号继续沿网络正向传递直到输出层(即第5层)。ANFIS神经网络模型将获 得的测量传感器位移误差信号沿网络反向传播,用梯度法更新条件参数。以此方式对ANFIS 神经网络模型中给定的条件参数进行调整,可以得到结论参数的全局最优点,这样不仅可以 降低梯度法中搜索空间的维数,还可以提高ANFIS神经网络模型参数的收敛速度。ANFIS神 经网络模型的输出作为测量传感器位移的预测量。
F、多个NARX神经网络模型设计
多个NARX神经网络模型的输入是对应的多个ANFIS神经网络模型的输出,NARX神经网 络模型实现对个ANFIS神经网络模型的输出实再一次预测,进一步提高测量传感器位移控制 预测的精确度。NARX神经网络模型(Nonlinear Auto-Regression with Externalinput neural network)是一种动态的前馈神经网络,NARX神经网络模型是一个有着ANFIS神经网络模型 输出作为输入的非线性自回归网络,它有一个多步时延的动态特性,并通过NARX神经网络模 型反馈连接封闭网络的若干层,NARX神经网络模型是非线性动态系统中应用最广泛的一种 动态神经网络,其性能普遍优于全回归神经网络。NARX神经网络模型主要由输入层、隐层、 输出层及输入和输出延时构成,在应用前一般要事先确定输入和输出的延时阶数、隐层神经 元个数,NARX神经网络模型的当时输出不仅取决于过去的NARX神经网络模型输出y(t-n), 还取决于当时的输入向量ANFIS神经网络模型输出的延迟阶数。NARX神经网络模型包括输 入层、输出层、隐层和时延层。其中ANFIS神经网络模型输出通过时延层传递给隐层,隐层 对ANFIS神经网络模型输出的信号进行处理后传递到输出层,输出层将隐层输出信号做线性 加权获得最终的NARX神经网络模型输出信号,时延层将网络反馈的信号和输入层输出的信 号进行延时,然后输送到隐层。NARX神经网络模型具有非线性映射能力、良好的鲁棒性和 自适应性等特点。x(t)表示NARX神经网络的外部输入,即ANFIS神经网络模型的输出值; m表示外部输入的延迟阶数;y(t)是NARX神经网络模型的输出,即下一时段的NARX神 经网络模型的输出控制量;n是输出延迟阶数;s为隐含层神经元的个数;由此可以得到第j 个隐含单元的输出为:
上式中,wji为第i个输入与第j个隐含神经元之间的连接权值,bj是第j个隐含神经元的偏置值,NARX神经网络模型的输出y(t+1)的值为:
y(t+1)=f[y(t),y(t-1),…,y(t-n),x(t),x(t-1),…,x(t-m+1);W] (16)
NARX神经网络模型的输入数据为ANFIS神经网络模型的输出,NARX神经网络模型的 输出为测量传感器位移量,NARX神经网络模型的输入层、输出层和隐层的个数分别为1,1 和10,NARX神经网络模型实现对ANFIS神经网络模型输出值的再一次预测,提高预测测量传感器位移的动态性能、快速性、准确型和可靠性。
G、小波神经网络融模型设计
小波神经网络融模型的输入为多个NARX神经网络模型的输出值,小波神经网络融模型 实现对多个NARX神经网络模型输出值的高精确融合,提高测量传感器位移融合精确度,小 波神经网络融模型的输出值作为测量传感器位移二次预测值。小波神经网络融模型基于小波 神经网络WNN(Wavelet Neural Networks)理论基础构建的测量传感器位移预测融合模型,小 波神经网络以小波函数为神经元的激励函数并结合人工神经网络提出的一种前馈型网络。小 波神经网络融合模型中小波的伸缩、平移因子以及连接权重在对误差能量函数的优化过程中 被自适应调整。设小波神经网络融合模型的输入为多个NARX神经网络模型输出值可以表示 为一维向量xi(i=1,2,…,n),输出信号是测量传感器位移预测融合值表示为yk(k=1,2,…,m), 小波神经网络融模型输出层融合值的计算公式为:
公式中ω
ij输入层i节点和隐含层j节点间的连接权值,
为小波基函数,b
j为小波 基函数的平移因子,a
j小波基函数的伸缩因子,ω
jk为隐含层j节点和输出层k节点间的连 接权值。本专利中的小波神经网络融模型的权值和阈值的修正算法采用梯度修正法来更新网 络权值和小波基函数参数,从而使小波神经网络融模型输出不断逼近测量传感器位移的期望 输出,小波神经网络融模型的输出为位移预测器的输出。
上述实施方式只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人能 够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发明精神 实质所做的等效变换或修饰,都应涵盖在本发明的保护范围之内。