CN112859599A

CN112859599A - 一种物体传递凸轮控制系统

Info

Publication number: CN112859599A
Application number: CN202110023875.3A
Authority: CN
Inventors: 马从国; 翁润庭; 崔家兴; 丁晓红; 王苏琪; 杨艳; 柏小颖; 周恒瑞; 张月红; 李亚洲; 刘伟; 王建国; 叶文芊; 张利兵
Original assignee: Huaiyin Institute of Technology
Current assignee: Dragon Totem Technology Hefei Co ltd; Shenzhen Dragon Totem Technology Achievement Transformation Co ltd
Priority date: 2021-01-08
Filing date: 2021-01-08
Publication date: 2021-05-28
Anticipated expiration: 2041-01-08
Also published as: CN112859599B

Abstract

本发明涉及自动化生产领域，公开了一种物体传递凸轮控制系统，利用NARX神经网络模型1、NARX神经网络模型2分别对三角盘控制量进行补偿和三角盘控制量再一次预测控制，由于NARX神经网络通过引入延时模块及输出反馈建立模型的动态递归网络，它将输入和输出向量延时反馈引入网络训练中，形成新的输入向量，具有良好的非线性映射能力，NARX神经网络的输入不仅包括原始控制量输入数据，还包含经过训练后的对应输出数据，网络的泛化能力得到提高，使其在三角盘转动角度控制中较传统的静态神经网络具有更好的预测精度和自适应能力，该单片机控制器提高了该控制系统的精确度、鲁棒性和系统的可靠性。

Description

一种物体传递凸轮控制系统

技术领域

本发明涉及自动化生产技术领域，特别涉及一种物体传递凸轮控制系统。

背景技术

扫描设备作为目前办公场所必备的设备，是每个公司必须配置的硬件设备，目前大多打印机兼备扫描功能，但是通常会有扫描效率低下的缺陷，因为扫描的时需要人工一张一张放到透明放置板上，然后盖上压板后开始扫描。市场上也有专用扫描设备，一次性可以放置二三十张纸，通过一个转轴带动旋转拨片将每一张纸分离后输送到扫描区域，实现连续扫描。但是因为纸张的物理特性，导致相邻两张纸张之间经常因为吸附在一起，使得旋转拨片出现误操作，将两片纸张同时输送到扫描区域内，导致扫描时经常会出现错误和遗漏情况；扫描结束后的纸张堆叠在一起时容易出现穿插交错的现象，导致扫描后纸张排序混乱，往往需要人工重新检查纸张排序。另外，现有技术中的扫描仪大多适用于规格固定的纸张，比如A4纸这种长方形的纸张，对不规则纸张的扫描往往需要手动进行，扫描效率低下。

另外，目前的扫描设备中，控制器对扫描时各部件的控制精度、稳定性、时效性和适应能力较差，影响扫描效果。

发明内容

发明目的：针对现有技术中存在的问题，本发明提供一种物体传递凸轮控制系统，能够提高控制器对扫描时喷气装置的控制精度、稳定性、时效性和适应能力，提高扫描效果。

技术方案：本发明提供了一种物体传递凸轮控制系统，包括单片机控制器、翻转角度凸轮控制机构、连杆驱动机构和吸盘机构；所述翻转角度凸轮控制机构包括翻转电机以及通过所述翻转电机的输出轴同轴连接的压位凸轮和定位凸轮；所述单片机控制器通过控制所述翻转电机驱动所述压位凸轮和所述定位凸轮同步30°往复转动，带动所述连杆驱动机构中的安装有角度传感器的三角盘30°往复转动，进而再驱动所述吸盘机构中的吸盘90°往复转动；所述单片机控制器包括STM32单片机、L298电机驱动电路和STM32单片机中的智能控制器，其中智能控制器包括Elman神经网络控制器、PID控制器、ESN神经网络模型、2个NARX神经网络模型、LSTM神经网络模型、动态递归小波神经网络模型、经验模态分解EMD模型和多个函数连接型神经网络FLNN模型；STM32单片机、L298电机驱动电路、翻转角度凸轮控制机构、三角盘和角度传感器组成三角盘转动调节平台，STM32单片机中的智能控制器实现对三角盘转动进行智能化调节。

进一步地，在智能控制器中，2个NARX神经网络模型分别为NARX神经网络模型1和NARX神经网络模型2，PID控制器和Elman神经网络控制器的输出分别是ESN神经网络模型的输入，ESN神经网络模型输出和NARX神经网络模型1输出的和作为NARX神经网络模型2的输入，NARX神经网络模型2输出分别为L298电机驱动电路输入和NARX神经网络模型1的对应输入，角度传感器输出一段时间的三角盘转动角度值作为LSTM神经网络模型的输入，LSTM神经网络模型输出分别为NARX神经网络模型1的对应输入和经验模态分解EMD模型的输入，经验模态分解EMD模型把LSTM神经网络模型输出分解为低频趋势部分和多个高频波动部分，低频趋势部分和多个高频波动部分分别作为多个函数连接型神经网络FLNN模型的输入，多个函数连接型神经网络FLNN模型的输出作为动态递归小波神经网络模型的输入，动态递归小波神经网络模型输出值作为三角盘转动角度反馈值，三角盘转动角度给定值和动态递归小波神经网络模型输出值的误差和误差变化率分别作为PID控制器和Elman神经网络控制器的输入。

进一步地，ESN神经网络模型实现对PID控制器输出值和Elman神经网络控制器输出值进行融合以及对三角盘转动角度的再一次预测控制，动态递归小波神经网络模型实现对多个函数连接型神经网络FLNN模型输出值进行融合和对三角盘转动角度的再一次精确预测。

进一步地，三角盘转动调节平台，STM32单片机中智能控制器的NARX神经网络模型2输出作为L298电机驱动电路的输入，L298电机驱动电路输出作为翻转角度凸轮控制机构中翻转电机的输入，翻转角度凸轮控制机构带动三角盘转动，角度传感器测量三角盘转动角度，角度传感器的输出作为STM32单片机中智能控制器的LSTM神经网络模型的输入。

优选地，所述翻转电机固定在侧板上，所述三角盘通过与其固定的同步转轴转动连接在侧板上，所述三角盘的一个顶点固定在所述同步转轴上，另外两个顶点分别转动连接有滑轮，所述压位凸轮和所述定位凸轮的边缘分别且始终与两个所述滑轮有效接触。利用压位凸轮、定位凸轮和三角盘的配合来形成间歇性取放扫描件的运动，一方面比传统的电机直接驱动铰接杆更省力和避免过大功耗，也进一步避免电机直接驱动的扭矩过大，造成振动过大等问题，使得整个翻转取放纸机构运转更加稳定，且速度的可控性更好，防止由于过大的振动和速度过快，从而造成扫描件在取放的过程中产生折叠，翻折等问题。

优选地，所述牵拉机构包括转动从杆、中间块、牵拉主杆、牵拉辅杆、助力主杆、助力辅杆和翻转杆；所述转动从杆的一端与所述转动主杆的一端转动连接，另一端与所述中间块转动连接；所述牵拉辅杆的一端转动连接在所述侧板上，另一端转动连接在所述中间块上；所述牵拉主杆和所述助力主杆的一端同轴转动连接在所述中间块上，所述牵拉主杆的另一端与所述助力辅杆的一端转动连接，所述助力辅杆的另一端和所述翻转杆的一端同轴转动连接在所述吸取机构上，所述翻转杆的另一端、所述翻转滑动杆的底端、所述助力主杆的另一端均同轴转动连接在所述中间块上。

优选地，所述吸盘机构包括吸盘、伸缩杆和定位板，所述吸盘固定在所述伸缩杆的底端，所述伸缩杆的顶端固定在所述定位板上，所述定位板与所述助力辅杆和翻转杆的一端同轴转动连接。

有益效果：本发明智能控制器与传统控制器相比的优点：

1、本发明利用NARX神经网络模型1、NARX神经网络模型2分别对三角盘控制量进行补偿和三角盘控制量再一次预测控制，由于NARX神经网络通过引入延时模块及输出反馈建立模型的动态递归网络，它将输入和输出向量延时反馈引入网络训练中，形成新的输入向量，具有良好的非线性映射能力，NARX神经网络的输入不仅包括原始控制量输入数据，还包含经过训练后的对应输出数据，网络的泛化能力得到提高，使其在三角盘转动角度控制中较传统的静态神经网络具有更好的预测精度和自适应能力。

2、本发明所采用Elman神经网络控制器实现对三角盘转动角度的控制，提高了控制三角盘转动角度的精确性和鲁棒性，该Elman神经网络控制器一般分为4层:输入层、中间层(隐含层)、承接层和输出层，其输入层、隐含层和输出层的连接类似于前馈网络，输入层的单元仅起信号传输作用，输出层单元起线性加权作用。隐含层单元的传递函数可采用线性或非线性函数，承接层又称为上下文层或状态层，它用来记忆隐含层单元前一时刻的输出值，可以认为是一个一次延时算子。Elman神经网络控制器的特点是隐含层的输出通过承接层的延迟与存储，自联到隐含层的输入，这种自联方式使其对三角盘转动角度控制信息的历史状态的数据具有敏感性，内部反馈网络的加入增加了网络本身处理动态信息的能力，从而达到了动态建模的目的。Elman神经网络控制器回归神经元网络的特点是隐层的输出通过结构单元的延迟、存储自联到隐层的输入，这种自联方式使其对三角盘转动角度控制信息的历史状态的数据具有敏感性，内部反馈网络的加入增加了网络本身处理动态信息的能力，有利于三角盘转动角度控制信息数据的动态过程的建模；该Elman神经网络控制器利用关联层动态神经元的反馈连接，使网络对时间序列特征信息的记忆得到加强，从而提高三角盘转动角度控制的精确度和鲁棒性。

3、LSTM神经网络模型类似于标准的含有递归隐藏层的网络，仅有的变化是使用记忆模块代替原有的隐藏层单元，通过记忆细胞内部状态的自反馈和输入输出对误差的截断，解决梯度消失和激增的问题，相对于BP神经网络和普通的RNN，LSTM增加了1个状态单元c和3个控制门，就大大增加了模型的特征包含能力和记忆能力，避免了欠拟合和梯度消失。LSTM的功能旨在三角盘的角度传感器的输出数据中存在的相关关系，记住这种关系以及这种关系在时间上的变化，从而得到更准确的LSTM神经网络模型输出三角盘转动的角度预测的结果，提高输出三角盘转动角度的精确度。

4、LSTM神经网络模型具有与标准RNN类似的链状重复网络结构，标准RNN中的重复网络非常简单，而LSTM神经网络模型中的重复网络具有4个交互层，包括3个门层和1个tanh层。处理器状态是LSTM神经网络模型中的关键变量，它携带着先前三角盘的角度传感器的输出数据的信息，并逐步穿过整个LSTM神经网络模型。交互层中的门可以根据上一步的隐状态和当前步骤的输入来部分删除上一步的处理器状态和添加三角盘的角度传感器的输出数据的输出新信息到当前步骤的处理器状态中。每个重复网络的输入包括上一步的隐状态和处理器状态以及当前步骤的输入。处理器状态根据4个交互层的计算结果进行更新。更新后的处理器状态和隐状态构成输出并传递到下一步。

5、LSTM神经网络模型是一种在重复网络中具有4个相互作用层的循环神经网络。它不仅能够像标准循环神经网络那样从三角盘的角度传感器的输出数序列数据中提取信息，还能够保留来自于先前较远步骤的具有长期相关性的信息。此外，由于三角盘的角度传感器的输出量的采样间隔相对较小，三角盘的角度传感器的输出数据存在长期空间相关性，而LSTM神经网络模型有足够的长期记忆来处理。

6、ESN神经网络模型将网络隐层设计成一个具有很多神经元组成的稀疏网络，通过调整网络内部权值的特性达到记忆多个Elman神经网络控制器和PID控制器的输出数据的功能，其内部的动态储备池包含了大量稀疏连接的神经元，蕴含系统的运行状态，并具有短期记忆Elman神经网络控制器输出值和PID控制器的输出值的功能，通过预设ESN神经网络模型的内部连接权值矩阵的谱半径来保证储备池内部递归网络的稳定性，提高了ESN神经网络模型输出三角盘控制量的稳定性和精确度。

7、ESN神经网络模型将当前时刻储备池状态对前一时刻状态具有继承性，对Elman神经网络控制器和PID控制器的输出的历史数据具有短暂的记忆特性，研究结果表明具备历史记忆性的ESN神经网络模型输出具备高精度、高准确率、高时效性和稳定性的特点；ESN神经网络模型作为一种新型动态递归神经网络，采用了线性回归的方法建立模型，规避了传统神经网络收敛速度慢和易陷入局部最小的问题，简化了训练过程的复杂程度，实现了高效输出Elman神经网络控制器和PID控制器融合值的目的。

8、本专利的动态递归小波神经网络模型与普通静态小波神经网络的区别在于动态递归小波神经网络模型具有两个起存储网络“内部状态”的作用关联层节点，在两个关联层节点上增加了具有固定增益的自反馈环，增强时间序列特征信息的记忆性能，从而增强对多个函数连接型神经网络FLNN模型预测的精度以确保更好三角盘转动角度控制的精确性和稳定性。

9、本发明通过经验模态分解模型EMD模型将原始LSTM神经网络模型输出序列分解为不同频段的分量，每一个分量都显示出隐含在原序列中的三角盘转动角度不同特征信息，以降低序列的非平稳性。高频部分数据关联性不强，频率比较高，代表原始序列的波动成分，具有一定的周期性和随机性，这与三角盘转动角度的周期性变化相符合；低频成分代表原序列的变化趋势。可见经验模态分解模型EMD模型能够逐级分解出三角盘转动角度的波动成分、周期成分和趋势成分，分解出的每一个分量自身包含相同的变形信息，在一定程度上减少了不同三角盘转动角度特征信息之间的相互干涉，且分解出的各分量变化曲线比原始三角盘转动角度变形序列曲线光滑。可见经验模态分解模型EMD模型能有效分析多因素共同作用下的三角盘转动角度变形数据，分解得到的各分量有利于函数连接型神经网络FLNN模型的建立和更好地预测。使用对各分量分别建立函数连接型神经网络FLNN模型，为避免极限学习机输入维数选取的随意性和分量信息丢失等问题，先对各分量重构相空间，最后通过动态递归小波神经网络模型融合预测结果，融合预测结果具有较高的预测精度。

附图说明

图1为纸张取放装置的结构示意图；

图2为纸张取放装置的局部结构示意图；

图3为三角盘转动调节平台和智能控制器的工作流程图。

具体实施方式

下面结合附图对本发明进行详细的介绍。

实施方式1：

本实施方式提供了一种纸张传递系统，如图1和2所示，包括单片机控制器、侧板812、翻转角度凸轮控制机构、连杆驱动机构和吸盘机构，翻转角度凸轮控制机构包括翻转电机，以及通过翻转电机的输出轴同轴连接的压位凸轮817和定位凸轮816。单片机控制器通过控制翻转电机驱动压位凸轮817和定位凸轮816同步30°往复转动，带动连杆驱动机构中的安装有角度传感器(优选型号为TQ513)的三角盘818 30°往复转动，进而再驱动吸盘机构中的吸盘81 90°往复转动。

连杆驱动机构包括三角盘818、转动主杆88、牵拉机构和翻转滑动杆83，三角盘818的一个顶点固定在同步转轴813上，同步转轴813转动连接在侧板812上，另外两个顶点分别转动连接有滑轮814；压位凸轮817和定位凸轮816的边缘分别且始终与两个滑轮814有效接触。转动主杆88的一端固定在同步转轴813上，另一端与牵拉机构中的转动从杆87一端转动连接，牵拉机构包括转动从杆87、中间块86、牵拉主杆810、牵拉辅杆89、助力主杆85、助力辅杆811和翻转杆；转动从杆87的一端与转动主杆88的一端转动连接，另一端与中间块86转动连接；牵拉辅杆89的一端转动连接在侧板812上，另一端转动连接在所述中间块86上；牵拉主杆810和助力主杆85的一端同轴转动连接在中间块86上，牵拉主杆810的另一端与助力辅杆811的一端转动连接，助力辅杆811的另一端和翻转杆819的一端同轴转动连接在吸取机构的定位板820上，翻转杆819的另一端、翻转滑动杆83的底端、助力主杆85的另一端均同轴转动连接在中间块86上，翻转滑动杆83的顶端滑动连接在与侧板812转动连接的旋转块84上。吸盘机构包括吸盘81、伸缩杆82和定位板820，吸盘81固定在伸缩杆82的底端，伸缩杆82的顶端固定在定位板820上，定位板820与助力辅杆811和翻转杆819的一端同轴转动连接。

本实施方式中的物体传递凸轮控制系统的工作原理如下：

假设图1为初始状态的纸张传递系统，需要扫描时，将批量的待扫描纸张整理整齐后竖直堆叠放置，然后单片机控制器控制翻转电机的输出轴正转30°，翻转电机的输出轴同步带动压位凸轮817和定位凸轮816正转(两个凸轮的位置相错开)。由于三角盘818的两个角上设置有两个滑轮814，两个滑轮814的位置也是相互错开的，分别能始终与压位凸轮817和定位凸轮816的边缘滑动接触，在压位凸轮817、定位凸轮816的转动下，三角盘818也正转，从而使得转动主杆88正转，转动主杆88正转会带动转动从杆87正转，转动从杆87的正转拉着转动中间块86正转，而转动中间块86拉着翻转滑动杆83和助力主杆85正转，同时在牵拉辅杆89和铰接在助力辅杆811上的牵拉主杆810和翻转杆819的配合作用下，翻转滑动杆83绕旋转块84正转，这样就能够将定位板820正转，从而带动伸缩杆82和吸盘81正转。当角度传感器检测到三角盘818正转了30°时(转动幅度只需要30°就可以完成一个翻转动作)，反转滑动杆83绕旋转块84正转了90°，定位板820正转了90°，伸缩杆82和吸盘81也正转了90°，此时，吸盘81与竖直堆叠放置的待扫描纸张平行，角度传感器则会将信号传递给单片机控制器，单片机控制器控制翻转电机停止正转。接着辅助控制器(优选型号为STM32)控制伸缩杆82伸出带着吸盘81移动至最外侧的一张待扫描纸张时，吸盘81表面上安装的压力传感器(型号优选为OMEGA PX409)感应到吸盘81接触到待扫描纸张后，将信号传递给辅助控制器，辅助控制器控制吸盘81吸附该待扫描纸张，然后控制伸缩杆82收缩。

接着单片机控制器控制翻转电机反转带动压位凸轮817和定位凸轮816反转，通过两个滑轮814的作用三角盘818也反转，从而使得转动主杆88反转，带动转动从杆87反转，转动从杆87的反转拉着转动中间块86反转，而转动中间块86拉着翻转滑动杆83和助力主杆85反转，同时在牵拉辅杆89和铰接在助力辅杆811上的牵拉主杆810和翻转杆819的配合作用下，翻转滑动杆83绕旋转块84反转，这样就能够将定位板820反转，从而带动伸缩杆82和吸盘81反转。当角度传感器检测到三角盘818反转了30°时，反转滑动杆83绕旋转块84反转了90°，定位板820反转了90°，伸缩杆82和吸盘81也反转了90°，此时，吸盘81上吸附的待扫描纸张与透明放置板平行，此时角度传感器会将信号传递给单片机控制器，单片机控制器控制翻转电机停止反转，即如图1的初始状态。然后辅助控制器控制伸缩杆82伸长至吸盘81上的待扫描纸张接触到透明放置板后，压力传感器感应到压力时，将信号传递给辅助控制器，辅助控制器控制吸盘81停止吸附，将吸附的待扫描纸张松开至透明放置板上后，辅助控制器控制伸缩杆82缩回。

然后即可以对透明放置板上的待扫描纸张进行扫描，扫描结束后，单片机控制器以上述完全相同的方式，控制吸盘81将透明放置板上扫描完毕的纸张吸附后竖直移动到扫描后的纸张放置台(在需要将待扫描纸张取走时，扫描前的纸张放置台与吸盘的高度匹配，在需要将扫描后的纸张放置于扫描后的纸张放置台时，扫描后的纸张放置台与吸盘的高度匹配，实际应用中，扫描前的纸张放置台与扫描后的纸张放置台的高度可以设计成可以根据吸盘的高度往复切换)上，然后辅助控制器控制吸盘81停止吸附后再通过控制伸缩杆82伸长推倒纸张，纸张即平铺到扫描后的纸张放置台上(也可以直接将扫描后的纸张竖直放置在扫描后的纸张放置台上，将扫描后的纸张也竖直堆叠在一起)。

本物体传递凸轮控制系统能够将竖直堆叠放置的纸张取走平铺于水平的透明放置板上进行扫描，也能将扫描后平铺于透明放置板上的扫描件取出后集中水平或竖直堆叠在一起，便于扫描件的收集分类，提高了纸张取放分类效率，减少人工作业，也有利于扫描件的整理，防止排序错乱。本物体传递凸轮控制系统与传统的人工或者滚筒式纸张取放装置相比，能够一张一张的传递纸张，有效避免扫描错误和遗漏的情况，还能适用于传送不同规格和形状的纸张，能够对扫描件作进一步的分类，纸张被传送到透明放置板上时位置不会发生偏移，扫描件不会产生穿插交叠错乱的情况。

上述单片机控制器的具体设计思路如下：

一、系统总体功能的设计

单片机控制器包括STM32单片机、L298电机驱动电路和STM32单片机中的智能控制器，其中智能控制器包括Elman神经网络控制器、PID控制器、ESN神经网络模型、2个NARX神经网络模型、LSTM神经网络模型、动态递归小波神经网络模型、经验模态分解EMD模型和多个函数连接型神经网络FLNN模型；STM32单片机、L298电机驱动电路、翻转角度凸轮控制机构、三角盘和角度传感器组成三角盘转动调节平台；智能控制器实现对三角盘转动角度的智能化调节，三角盘转动调节平台和智能控制器见图3所示。

二、智能控制器的设计过程

1、Elman神经网络控制器设计

Elman神经网络控制器输出是ESN神经网络模型的对应输入，三角盘转动角度给定值和动态递归小波神经网络模型输出值的误差和误差变化率作为Elman神经网络控制器的输入；Elman神经网络控制器可以看作是一个具有局部记忆单元和局部反馈连接的前向神经网络，除了隐层外，还有一个特别的关联层；关联层从隐层接收反馈信号，每一个隐层节点都有一个与之对应的关联层节点连接。关联层将上一时刻的隐层状态连同当前时刻的网络输入一起作为隐层的输入，相当于状态反馈。隐层的传递函数一般为Sigmoid函数，输出层为线性函数，关联层也为线性函数。为了有效地解决三角盘转动角度控制中的逼近精度问题，增强关联层的作用。设Elman神经网络控制器的输入层、输出层、隐层的个数分别为m，n和r；w₁，w₂，w₃和w₄分别表示结构层单元到隐层、输入层到隐层、隐层到输出层、结构层到输出层的连接权矩阵，则Elman神经网络控制器的三角盘转动角度控制器的隐含层、关联层和输出层的表达式分别为:

c_p(k)＝x_p(k-1) (2)

2、PID控制器设计

PID控制器输出是ESN神经网络模型的输入，三角盘转动角度给定值和动态递归小波神经网络模型输出值的误差和误差变化率分别作为PID控制器和Elman神经网络控制器的输入；计算PID控制器的三项输入，计算公式如(4)和(5)所示：

PID的控制器的算法为：

3、ESN神经网络模型设计

PID控制器和Elman神经网络控制器的输出分别是ESN神经网络模型的输入，ESN神经网络模型输出和NARX神经网络模型1输出的和作为NARX神经网络模型2的输入；ESN神经网络模型(Echo state network，ESN)是一种新型的动态神经网络，具有动态神经网络的全部优点，同时由于回声状态网络引入了“储备池”概念，所以该方法较一般动态神经网络能够更好地适应非线性系统辨识。“储备池”就是把传统动态神经网络中间连接的部分转变成一个随机连接的“储备池”，整个学习过程其实就是学习如何连接“储备池”的过程。“储备池”其实就是一个随机生成的大规模递归结构，该结构中神经元相互连接是稀疏的，通常用SD表示相互连接的神经元占总的神经元N的百分比。ESN神经网络模型的其状态方程为:

式中W为神经网络的状态变量，W_in为ESN神经网络模型的输入变量；W_back为ESN神经网络模型的输出状态变量连接权矩阵；x(n)表示ESN神经网络模型的内部状态；W_out为ESN神经网络模型的核储备池、神经网络的输入以及神经网络的输出之间的连接权矩阵；

为ESN神经网络模型的输出偏差或可以代表噪声；f＝f[f₁,f₂,…,f_n]为“储备池”内部神经元的n个激活函数；f_i为双曲正切函数；f_out为ESN神经网络模型的ε个输出函数。

4、NARX神经网络模型设计

ESN神经网络模型输出和NARX神经网络模型1输出的和作为NARX神经网络模型2的输入，NARX神经网络模型2输出分别为L298电机驱动电路输入和NARX神经网络模型1的对应输入，LSTM神经网络模型输出分别为NARX神经网络模型1的对应输入。NARX神经网络模型(Nonlinear Auto-Regression with External input 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外部输入的非线性自回归网络，它有一个多步时延的动态特性，并通过反馈连接封闭网络的若干层，NARX神经网络模型的回归神经网络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。一个典型的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输出y(t-n)，还取决于当时的输入预测向量X(t)以及输入预测向量的延迟阶数等，其中输入信号通过时延层传递给隐层，隐层对输入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神经网络输出信号，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，适宜对非线性变化参数进行预测。x(t)表示NARX神经网络模型的外部输入，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，n是输出延迟阶数；s为隐含层神经元的个数；可以得到第j个隐含单元的输出为：

上式中，w_ji为第i个输入与第j个隐含神经元之间的连接权值，b_j是第j个隐含神经元的偏置值，网络的输出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] (8)

5、LSTM神经网络模型设计

角度传感器输出一段时间的三角盘转动角度值作为LSTM神经网络模型的输入，LSTM神经网络模型输出分别为NARX神经网络模型1的对应输入和经验模态分解EMD模型的输入；LSTM神经网络模型由长短期记忆(LSTM)单元组成的时间递归神经网络(RNN)称为LSTM时间递归神经网络，通常也被称为LSTM网络。LSTM神经网络模型引入了记忆单元(Memory Cell)和隐藏层状态(Cell State)的机制来控制隐藏层之间的信息传递。一个LSTM神经网络的记忆单元内有3个门(Gates)计算结构分别是输入门(Input Gate)、遗忘门(Forget Gate)和输出门(Output Gate)。其中，输入门能控制新信息的加入或滤出；遗忘门能忘记需要丢掉的信息以及保留过去有用的信息；输出门能使记忆单元只输出与当前时间步相关的信息。这3个门结构在记忆单元中进行矩阵乘法和非线性求和等运算，使得记忆在不断的迭代中仍然不会衰减。长短期记忆单元(LSTM)结构单元由单元(Cell)，输入门(Input Gate)，输出门(Output Gate)和忘记门(Forget Gate)组成。单元负责在任意时间间隔内记住值，三个门均可以被认为是传统的人工神经元，用于计算激活函数的加权总和。LSTM神经网络模型是可以持续较长时间短期记忆的模型，适合用于预测时间序列等工作，LSTM有效防止了RNN训练时的梯度消失，长短期记忆(LSTM)网络是一种特殊的RNN。该模型可以学习长期的依赖信息，同时避免梯度消失问题。LSTM在神经元内部结构RNN的隐藏层的神经节点中，增加了一种被称为记忆单元(Memory Cell)的结构用来记忆过去的信息，并增加了三种门(Input、Forget、Output)结构来控制历史信息的使用。设输入LSTM神经网络模型的数序列为(x₁,x₂,…x_T)，隐含层状态为(h₁,h₂,…h_T)，则t时刻有：

i_t＝sigmoid(W_hih_t-1+W_xiX_t) (9)

f_t＝sigmoid(W_hfh_t-1+W_hfX_t) (10)

c_t＝f_t⊙c_t-1+i_t⊙tanh(W_hch_t-1+W_xcX_t) (11)

o_t＝sigmoid(W_hoh_t-1+W_hcX_t+W_coc_t) (12)

h_t＝o_t⊙tanh(c_t) (132)

其中i_t、ft、o_t代表input门、forget门和output门，C_t代表cell单元，，Wh代表递归连接的权重，Wx代表输入层到隐含层的权重，sigmoid与tanh为两种激活函数。使用长短期记忆的时间递归神经网络模型来对三角盘转角进行预测，该方法首先建立LSTM时间递归神经网络模型，利用三角盘转动角度数据建立训练集并对模型进行训练，LSTM神经网络模型考虑了三角盘的角度传感器输出数据的时序性和非线性，提高了三角盘转动角度的预测精确度。

6、经验模态分解EMD模型设计

LSTM神经网络模型输出分别为NARX神经网络模型1的对应输入和经验模态分解EMD模型的输入，经验模态分解EMD模型把LSTM神经网络模型输出分解为低频趋势部分和多个高频波动部分，低频趋势部分和多个高频波动部分分别作为多个函数连接型神经网络FLNN模型的输入；经验模态分解(EMD)模型是一种自适应信号筛选方法，具有计算简单、直观、基于经验和自适应的特点。它能将存在于信号中不同特征的趋势逐级筛选出来，得到多个高频波动部分(IMF)和低频趋势部分。EMD分解出来的IMF分量包含了信号从高到低不同频率段的成分，每个频率段包含的频率分辨率都随信号本身变化，具有自适应多分辨分析特性。使用EMD分解的目的就是为了更准确地提取三角盘转动角度信息。IMF分量必须同时满足两个条件：①在待分解信号中，极值点的数目与过零点的数目相等，或最多相差一个；在任一时间上，由局部极大值和局部极小值定义的包络均值为零。经验模态分解方法针对LSTM神经网络模型输出值信号的“筛分”过程步骤如下：

(1)确定LSTM神经网络模型输出值信号所有的局部极值点，然后用三次样条线将左右的局部极大值点连接起来形成上包络线。

(2)在用三次样条线将LSTM神经网络模型输出值的局部极小值点连接起来形成下包络线，上、下包络线应该包络所有的数据点。

(3)上、下包络线的平均值记为m₁(t)，求出：

x(t)-m₁(t)＝h₁(t) (14)

x(t)为LSTM神经网络模型输出值原始信号，如果h₁(t)是一个IMF，那么h₁(t)就是x(t)的第一个IMF分量。记c₁(t)＝h_1k(t)，则c₁(t)为信号x(t)的第一个满足IMF条件的分量。

(4)将c₁(t)从x(t)中分离出来，得到：

r₁(t)＝x(t)-c₁(t) (15)

将r₁(t)作为原始数据重复步骤(1)-步骤(3)，得到x(t)的第2个满足IMF条件的分量c₂。重复循环n次，得到信号x(t)的n个满足IMF条件的分量。这样就可以把LSTM神经网络模型输出值分解为低频趋势部分和多个高频波动部分。

7、函数连接型神经网络FLNN模型设计

经验模态分解EMD模型把LSTM神经网络模型输出分解为低频趋势部分和多个高频波动部分，低频趋势部分和多个高频波动部分分别作为多个函数连接型神经网络FLNN模型的输入；多个函数连接型神经网络FLNN模型的输出作为动态递归小波神经网络模型的输入，动态递归小波神经网络模型输出值作为三角盘转动角度反馈值；函数连接型神经网络FLNN模型是一个函数型神经网络模型，该模型中的函数型连接的作用是将三角盘转动角度传感器值的输入模式的每个分量乘以整个模式向量，其结果是产生一个原始模式向量的张积。函数连接型神经网络FLNN模型通过对三角盘转动角度的输入模式预先进行非线性扩展，在函数连接型神经网络FLNN模型中引入“高阶”项，通过对三角盘转动角度值的输入模式的非线性扩展，将三角盘转动角度值输入模式映射到一个更大的模式空间，增强了三角盘转动角度值输入信号的模式表达，大大简化了函数连接型神经网络FLNN模型的网络结构。虽然函数连接型神经网络FLNN模型输入的三角盘转动角度传感器值信息并没有增多，但函数连接型神经网络FLNN模型模式的增强带来了函数连接型神经网络FLNN模型的网络结构的简化和学习速度的提高，用单层网络就可以实现“监督”学习，相对于多层前向神经网络具有很大的优势。函数连接型神经网络FLNN模型用单层网络实现监督学习，这个求解过程可由下述自适应监督学习算法完成。函数连接型神经网络FLNN模型的学习算法可由下式表示：

权值调整：

其中：F_i(k)、

e_i(k)和w_n(k)分别为第i个输入模式的期望输出、估计输出、误差和函数型网络在第k步的第n个连接权；α为学习因子，影响稳定性和收敛速度。函数连接型神经网络FLNN模型采用函数扩展的方式，对原始三角盘转动角度传感器值输入进行扩展，使三角盘转动角度传感器值输入转化到另外一个空间，将增强后的模式作为函数连接型神经网络FLNN模型的网络输入层的输入，通过这种方法来更好地处理非线性问题；函数连接型神经网络FLNN模型由输入层和输出层构成，没有隐含层，因此相较于传统神经网络，函数连接型神经网络FLNN模型的网络计算量更小，训练速度更快。可以避免更新隐层权值，只需调整输出层权值，因而具有较快的收敛速度及较少的在线计算量，同时扩展三角盘转动角度传感器值输入变量，可提高FLNN函数连接神经网络模型的网络分辨能力。

8、动态递归小波神经网络模型设计

多个函数连接型神经网络FLNN模型的输出作为动态递归小波神经网络模型的输入，动态递归小波神经网络模型输出值作为三角盘转动角度反馈值；三角盘转动角度给定值和动态递归小波神经网络模型输出值的误差和误差变化率分别作为PID控制器和Elman神经网络控制器的输入；小波神经网络WNN(Wavelet Neural Networks)理论基础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。设动态递归小波神经网络模型的输入信号可以表示为输入的一维向量x_i(i＝1,2,…,n)，输出信号表示为y_k(k＝1,2,…,m)，动态递归小波神经网络模型输出值的计算公式为：

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。本专利的动态递归小波神经网络模型与普通静态小波神经网络的区别在于动态递归小波神经网络模型具有两个起存储网络“内部状态”的作用关联层节点，在两个关联层节点上增加了具有固定增益的自反馈环，增强时间序列特征信息的记忆性能，从而增强对升降框位移演化轨迹控制的跟踪精度以确保更好的控制精度；第一关联层节点用来存储隐含层节点在前一时刻相点的状态，下一时刻再传递给隐含层节点；第二关联层节点是用来存储输出层节点在前一时刻相点的状态，下一时刻再传递给隐含层节点；隐含层和输出层的神经元的反馈信息都会影响动态递归小波神经网络模型输出的三角盘转动角度值的动态处理能力，两个关联层都属于动态递归小波神经网络模型内部的状态反馈，形成动态递归小波神经网络模型的递归性所特有的动态记忆性能，提高动态递归小波神经网络模型与预测三角盘转动角度的准确性和动态性能；在动态递归小波神经网络模型的第一关联层节点与输出层节点之间增加了一组连接权值增强动态递归小波神经网络模型控制三角盘转动角度的动态逼近能力和提高预测三角盘转动角度的精度。本专利中的动态递归小波神经网络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，从而使动态递归小波神经网络输出不断逼近期望输出。

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。

Claims

1.一种物体传递凸轮控制系统，其特征在于，包括单片机控制器、翻转角度凸轮控制机构、连杆驱动机构和吸盘机构；所述翻转角度凸轮控制机构包括翻转电机(814)以及通过所述翻转电机(814)的输出轴同轴连接的压位凸轮(817)和定位凸轮(816)；

所述单片机控制器通过控制所述翻转电机驱动所述压位凸轮(817)和所述定位凸轮(816)同步30°往复转动，带动所述连杆驱动机构中的安装有角度传感器的三角盘(818)30°往复转动，进而再驱动所述吸盘机构中的吸盘(81)90°往复转动；

所述单片机控制器包括STM32单片机、L298电机驱动电路和STM32单片机中的智能控制器，其中智能控制器包括Elman神经网络控制器、PID控制器、ESN神经网络模型、2个NARX神经网络模型、LSTM神经网络模型、动态递归小波神经网络模型、经验模态分解EMD模型和多个函数连接型神经网络FLNN模型；STM32单片机、L298电机驱动电路、翻转角度凸轮控制机构、三角盘和角度传感器组成三角盘转动调节平台，STM32单片机中的智能控制器实现对三角盘转动进行智能化调节。

2.根据权利要求1所述的物体传递凸轮控制系统，其特征在于，在智能控制器中，2个NARX神经网络模型分别为NARX神经网络模型1和NARX神经网络模型2，PID控制器和Elman神经网络控制器的输出分别是ESN神经网络模型的输入，ESN神经网络模型输出和NARX神经网络模型1输出的和作为NARX神经网络模型2的输入，NARX神经网络模型2输出分别为L298电机驱动电路输入和NARX神经网络模型1的对应输入，角度传感器输出一段时间的三角盘转动角度值作为LSTM神经网络模型的输入，LSTM神经网络模型输出分别为NARX神经网络模型1的对应输入和经验模态分解EMD模型的输入，经验模态分解EMD模型把LSTM神经网络模型输出分解为低频趋势部分和多个高频波动部分，低频趋势部分和多个高频波动部分分别作为多个函数连接型神经网络FLNN模型的输入，多个函数连接型神经网络FLNN模型的输出作为动态递归小波神经网络模型的输入，动态递归小波神经网络模型输出值作为三角盘转动角度反馈值，三角盘转动角度给定值和动态递归小波神经网络模型输出值的误差和误差变化率分别作为PID控制器和Elman神经网络控制器的输入。

3.根据权利要求2所述的物体传递凸轮控制系统，其特征在于，ESN神经网络模型实现对PID控制器输出值和Elman神经网络控制器输出值进行融合以及对三角盘转动角度的再一次预测控制，动态递归小波神经网络模型实现对多个函数连接型神经网络FLNN模型输出值进行融合和对三角盘转动角度的再一次精确预测。

4.根据权利要求2所述的物体传递凸轮控制系统，其特征在于，三角盘转动调节平台，STM32单片机中智能控制器的NARX神经网络模型2输出作为L298电机驱动电路的输入，L298电机驱动电路输出作为翻转角度凸轮控制机构中翻转电机的输入，翻转角度凸轮控制机构带动三角盘转动，角度传感器测量三角盘转动角度，角度传感器的输出作为STM32单片机中智能控制器的LSTM神经网络模型的输入。

5.根据权利要求1所述的物体传递凸轮控制系统，其特征在于，所述翻转电机(814)固定在侧板(812)上，所述三角盘(818)通过与其固定的同步转轴(813)转动连接在侧板(812)上，所述三角盘(818)的一个顶点固定在所述同步转轴(813)上，另外两个顶点分别转动连接有滑轮(814)，所述压位凸轮(817)和所述定位凸轮(816)的边缘分别且始终与两个所述滑轮(814)有效接触。

6.根据权利要求5所述的物体传递凸轮控制系统，其特征在于，所述连杆驱动机构还包括转动主杆(88)、牵拉机构和翻转滑动杆(83)，所述转动主杆(88)的一端固定在所述同步转轴(813)上，另一端与所述牵拉机构的一端转动连接，所述牵拉机构的另一端与所述吸盘机构转动连接；所述牵拉机构的中部与所述翻转滑动杆(83)的底端转动连接，所述翻转滑动杆(83)的顶端滑动连接在与所述侧板(812)转动连接的旋转块(84)上。

7.根据权利要求6所述的物体传递凸轮控制系统，其特征在于，所述牵拉机构包括转动从杆(87)、中间块(86)、牵拉主杆(810)、牵拉辅杆(89)、助力主杆(85)、助力辅杆(811)和翻转杆(819)；所述转动从杆(87)的一端与所述转动主杆(88)的一端转动连接，另一端与所述中间块(86)转动连接；所述牵拉辅杆(89)的一端转动连接在所述侧板(812)上，另一端转动连接在所述中间块(86)上；所述牵拉主杆(810)和所述助力主杆(85)的一端同轴转动连接在所述中间块(86)上，所述牵拉主杆(810)的另一端与所述助力辅杆(811)的一端转动连接，所述助力辅杆(811)的另一端和所述翻转杆(819)的一端同轴转动连接在所述吸取机构上，所述翻转杆(819)的另一端、所述翻转滑动杆(83)的底端、所述助力主杆(85)的另一端均同轴转动连接在所述中间块(86)上。

8.根据权利要求1至7中任一项所述的物体传递凸轮控制系统，其特征在于，所述吸盘机构包括吸盘(81)、伸缩杆(82)和定位板(820)，所述吸盘(81)固定在所述伸缩杆(82)的底端，所述伸缩杆(82)的顶端固定在所述定位板(820)上，所述定位板(820)与所述助力辅杆(811)和翻转杆(819)的一端同轴转动连接。