CN201952114U - 一种带有机器视觉、定位系统的智能起重机 - Google Patents

Abstract

本实用新型公开了一种带有机器视觉、定位系统的智能起重机，由机器视觉、定位系统和智能控制系统组成；机器视觉、定位系统由机械系统及电控系统组成：机械部分主要由行走大车、行走小车、主梁、端梁、立柱、底座等组成，电控系统为：图像采集利用工业CCD采集图像，将得到的图像模拟电压信号输入到图像采集卡中，转换为便于计算机处理的数字信号；智能控制系统由机械系统及电控系统组成，采用改进的PID控制策略实现起重机的系统的快速准确定位；具有自动化程度较高、效率高、精度高的优点。

Description

一种带有机器视觉、定位系统的智能起重机

一、技术领域

本实用新型涉及一种带有机器视觉、定位系统的智能起重机。

二、背景技术

目前，起重机存在自动化程度低、效率不高、精度较差的问题。例如：200910119264.8专利起重机智能控制器手柄单片机的电源由接收器供给用按键开关(1-8)的开闭向单片机的(12-19)发送指令，用单片机进行编码由2、3向收据传输块的11、12向接收器的单片机的10、11传输的编码进行解码，电阻排R1是单片机的上拉电阻，由单片机的(1-8)脚向光电耦合器的(1-8)脚的输入端发送指令，电阻排R2是光电耦合器的上拉电阻R0-R6是可控硅的限流电阻用光电耦合器的通断来控制可控硅开关动作，控制接触器的开关接收器和手柄的电源全部由接收器供给，它们是在接收器用变压器整流滤波和三端稳压输出的5V直流供电手柄和控制器的接线是用一条直径0.12m？m2×4芯屏蔽电缆连接，它们的智能控制全部由单片机和软件程序控制，上升和下降的限位直接连在了P521的输入端。200910064321.7专利涉及一种起重机交流电动机调速控制装置，包括壳体，在壳体中安装有智能主令控制器，智能主令控制器与起重机转子调速智能控制器相连接、与倒相控制器相连接、与制动器接触器相连接、与制动器接触器相连接，制动器接触器与制动器相连接，倒相控制器与总开关连接，倒相控制器与电动机定子相连接，电动机的转子与起重机转子高调速智能控制器相连接，总开关与外部电源相连接，与制动器接触器连接、与倒相控制器相连接。其优点是：减轻起重机电动机发热量、降低起重机的电气的故障率，压缩起重电气成本，提高安装速度，提高起重机智能化的起重机电动机调速的智能控制装置。起重机力矩智能限制 器200420092952.2专利涉及一种用于起重机中智能监控装置，它主要适用于控制和监控起重机工作的监控装置。而提供一种能精确获得起重机工作过程中的参数，控制灵敏度高，能实现直观实时监控、提高作业准确性和工作效率的起重机力矩智能限制器。本实用新型与现有技术相比具有以下的有益效果：结构设计合理，通过设置重力传感器及幅度传感器装置，主控制箱、显示器，且主控制箱分别通过屏蔽电缆与重力传感器装置、幅度传感器装置和显示器相连接，对起重量、工作幅度、起重力矩比如力臂长度、起重量和起重力矩明确显示，同时能够直观地反映起重机的工况，安装、调试、检测方便；检测结构能随机显示、打印、远程发送，可实现多层次的监督管理。200710056919.2专利公开一种起重机安全系统检测控制方法，包括有如下阶段：启动起重机并判断系统是否正常的阶段；判断当前已设的起重机工况与所需工况是否相符的阶段；时时检测、模/数转换和显示起重机当前负荷参数，并与起重机额定参数相比较的阶段；总线控制信号接收模/数转换的信号的阶段；根据起重机当前负荷参数与起重机额定参数相比较的结果进行显示和报警的阶段；在起重机超负荷时停止起重机工作的阶段。本发明既直观又准确，操作司机一目了然，此外，本发明的起重机安全系统还增加了总线控制功能，使起重机安全系统与起重机控制系统进行数据交换，智能化程度更高。使起重机运行在最佳状态。控制更加精确、燃油消耗更经济合理。该起重机具有自动化程度较高、效率高、精度高的优点。

三、发明内容

本实用新型的目的就是要提供一种自动化程度高、效率高、精度高的带有机器视觉、定位系统的智能起重机；其特征在于：由机器视觉、定位系统和智能控制系统组成；机器视觉、定位系统由机械系统及电控系统组成：机械部分主要由行走大车、行走小车、主梁、端梁、立柱、底座等组成，是实际起重机的 等比例缩小模型，用以模拟起重机运行中的各种状态，大小车的行走机构采用伺服电机驱动；大小车位移测量采用对伺服电机的码盘信号进行分频与计数，分频可通过在伺服电机驱动器中设置一定的参数来实现，计数可通过电控系统中的数据采集卡来实现；大小车的位置限位保护装置采用反射式光电开关，来实现行走大小车的限位报警功能，其检测距离为0～30cm；电控系统为：图像采集利用工业CCD采集图像，将得到的图像模拟电压信号输入到图像采集卡中，转换为便于计算机处理的数字信号，图像采集卡安装在工业控制计算机的PCI总线插槽中，图像采样速度为25帧/秒，满足系统控制的实时性要求；交流伺服驱动系统选定的交流伺服电机及驱动器具有全闭环控制功能，配有3种精度的编码器可供选用，可以选择脉冲量进行位置控制、模拟量进行速度控制与转矩控制等多种控制方式，具有完善的过压、过载、过电流保护功能，是一个开放式的交流伺服电机系统，可以根据实际需要，调整电机参数；基于工业计算机的控制平台：基于视觉的起重机目标定位系统以工业计算机为控制核心，它最突出的特点是具备高性能的运算能力和存储容量，有大量的应用软件可以使用，适用于复杂应用和大量数据处理。通过在工业计算机内安装数据采集卡和图像采集卡等，就可对起重机系统的运动参数进行采集，并且产生伺服电机的各种控制信号；

智控起重机由机械系统及电控系统组成，采用基于神经网络的PID控制实现起重机的系统的快速准确定位；智控起重机械部分与主要由结构(1)硬臂小车(2)大车机构(3)组成大、小车行走机构采用伺服电机(4)驱动；大车位移测量采用对伺服电机的硬盘信号进行分步骤与计数，计数通过电控系统中的数据集卡(5)来实现；

电控系统首先是图像采集，通过CCD摄像头(6)采集图像，由图像采集卡(7) 处理，转换为生成数字信号送入计算机；工业计算机(8)控制核心，通过数据采集卡和图像采集卡可对起重机系统的运动系数进行采集并产出伺服电机的各种控制信号；电控系统采用神经网络PID控制器(9)，具有自学习、自组织功能和联想记忆，并自行处理；

基于视觉伺服的起重机目标定位系统软件采用VC++语言进行设计开发，软件界面主要分为参数设置，状态显示，自动控制，手动控制等页面，其中控制页面中包含视频采集图像及相关参数显示。下面重点介绍本软件的两个核心部分：

1.圆筒形目标的快速识别算法

本系统需要定位的是圆筒形特定目标，从不同的角度看，圆筒形目标都可以近似为椭圆，而椭圆的圆心及椭度等参数反应了目标的位置，这是起重机定位的主要依据，所以对椭圆目标的快速识别算法是基于视觉的起重机目标定位系统的重点，也是本项目的创新之处。标准椭圆方程为：

$\frac{{[(x-x_0)\cos \left(\mathrm{\θ}\right)+(y-y_0)\sin \left(\mathrm{\θ}\right)]}^2}{a^2}+\frac{{[(x-x_0)\sin \left(\mathrm{\θ}\right)+(y-y_0)\cos \left(\mathrm{\θ}\right)]}^2}{b^2}=1---\left(1\right)$

其中(x₀，y₀)为椭圆圆心，a，b为椭圆的长短轴，θ为椭圆倾斜度。由式(1)可知，需要5个参数来描述椭圆，这为椭圆的识别带来很大的困难。根据的图像大小及背景复杂程度的不同，目前国际上一些比较先进的算法对一幅图像中的椭圆识别大约几秒到几十秒的时间，这不能满足本系统的实时性要求。

通过推导，得到椭圆的弦长与切线角之间的微分公式：

$\frac{\mathrm{dL}}{\mathrm{d\β}}=\frac{{\mathrm{ab}}^2}{a^2{\sin }^2(\mathrm{\θ}+\mathrm{\β})+b^2{\cos }^2(\mathrm{\θ}+\mathrm{\β})}\frac{1}{\sin (\mathrm{\θ}+\mathrm{\β})}\cos \left[\arctan (-\frac{b}{a}\frac{1}{\tan (\mathrm{\θ}+\mathrm{\β})})\right]---\left(2\right)$

该公式把式(1)的5参数简化为3参数：a，b和θ。以式(2)为目标曲线，通过最速下降法快速拟合待识别曲线，通过计算残差来判断待识别曲线与目标曲线与之间的相似度，同时估计参数a，b和θ。也就是说，通过式(2)可以同时完成对目标识别与参数估计，实现椭圆目标的快速识别。

2.基于神经网络的PID位置伺服控制算法

在工业控制中，传统的PID控制至今仍处于主导地位，尤其适用于能建立数学模型的确定性控制系统。然而大量的工业过程往往具有非线性、时变不确定性等因素，难以建立其精 确的数学模型；另外，PID控制器中的参数通常都由人工整定，由于一次性整定得到的这些参数很难保证其控制效果始终处于最佳状态因，因此常规PID控制器的控制效果和控制精度受到了限制。神经网络具有自学习、自组织功能和联想记忆、并行处理等优点，使其在复杂的工业控制中得到了广泛应用。

本系统采用基于神经网络的PID，它主要由3个部分组成：

(1)经典PID控制器：直接对被控对象过程进行闭环控制，其三个参数k_p，k_i，k_d在线确定。采用增量式PID，控制算法为：

Δu(k)＝k_p[e(k)-e(k-1)]+k_ie(k)+k_d[e(k)-2e(k-1)+e(k-2)]    (3)

(2)RBF辩识网络：用于建立被控系统的辩识模型，以便动态地观测控制对象的输出对控制输入的灵敏度，提供给BP神经网络，其径向基函数为高斯函数。辩识器的性能指标函数为

$J=\frac{1}{2}{(y\left(k\right)-\hat{y}\left(k\right))}^2---\left(4\right)$

根据梯度下降法，修正网络权系数等参数：

$w_j\left(k\right)=w_j(k-1)+\mathrm{\η}(y\left(k\right)-\hat{y}\left(k\right)h_j)+\mathrm{\α}(w_j(k-1)-w_j(k-2))---\left(5\right)$

其中为η学习率，为α惯性系数。

(3)BP神经网络：采用三层BP网络，通过调整自身权系数，对PID控制参数进行调节，以达到控制性能指标的最优。

四、附图说明

图1为系一种带有机器视觉、定位系统的智能起重机统结构原理图。

五、具体实施方式

下面结合附图具体介绍：在图1中，1为机械结构；2为硬臂小车；3为大车机构；4为伺服电机；5为数据集卡；6为CCD摄像头；7为图像采集卡；8为工业计算机；9为电控系统神经网络的PID控制器。一种带有机器视觉、定位系统的智能起重机，其特征在于：由机器视觉、定位系统和智能控制系统组成；机器视觉、定位系统由机械系统及电控系统组成：机械部分主要由行走大车、行走小车、主梁、端梁、立柱、底座等组成，是实际起重机的等比例缩小模型， 用以模拟起重机运行中的各种状态，大小车的行走机构采用伺服电机驱动；大小车位移测量采用对伺服电机的码盘信号进行分频与计数，分频可通过在伺服电机驱动器中设置一定的参数来实现，计数可通过电控系统中的数据采集卡来实现；大小车的位置限位保护装置采用反射式光电开关，来实现行走大小车的限位报警功能，其检测距离为0～30cm；电控系统为：图像采集利用工业CCD采集图像，将得到的图像模拟电压信号输入到图像采集卡中，转换为便于计算机处理的数字信号，图像采集卡安装在工业控制计算机的PCI总线插槽中，图像采样速度为25帧/秒，满足系统控制的实时性要求；交流伺服驱动系统选定的交流伺服电机及驱动器具有全闭环控制功能，配有3种精度的编码器可供选用，可以选择脉冲量进行位置控制、模拟量进行速度控制与转矩控制等多种控制方式，具有完善的过压、过载、过电流保护功能，是一个开放式的交流伺服电机系统，可以根据实际需要，调整电机参数；基于工业计算机的控制平台：基于视觉的起重机目标定位系统以工业计算机为控制核心，它最突出的特点是具备高性能的运算能力和存储容量，有大量的应用软件可以使用，适用于复杂应用和大量数据处理。通过在工业计算机内安装数据采集卡和图像采集卡等，就可对起重机系统的运动参数进行采集，并且产生伺服电机的各种控制信号；

智控起重机由机械系统及电控系统组成，采用PID控制策略实现起重机的系统的快速准确定位；智控起重机械部分与主要由结构(1)硬臂小车(2)大车机构(3)组成大、小车行走机构采用伺服电机(4)驱动；大车位移测量采用对伺服电机的硬盘信号进行分步骤与计数，计数通过电控系统中的数据集卡(5)来实现；

电控系统首先是图像采集，通过CCD摄像头(6)采集图像，由图像采集卡(7)处理，转换为生成数字信号送入计算机；工业计算机(8)控制核心，通过数据 采集卡和图像采集卡可对起重机系统的运动系数进行采集并产出伺服电机的各种控制信号；电控系统采用神经网络的PID控制器(9)，具有自学习、自组织功能和联想记忆，并自行处理；

基于视觉伺服的起重机目标定位系统软件采用VC++语言进行设计开发，软件界面主要分为参数设置，状态显示，自动控制，手动控制等页面，其中控制页面中包含视频采集图像及相关参数显示。下面重点介绍本软件的两个核心部分：

1.圆筒形目标的快速识别算法

本系统需要定位的是圆筒形特定目标，从不同的角度看，圆筒形目标都可以近似为椭圆，而椭圆的圆心及椭度等参数反应了目标的位置，这是起重机定位的主要依据，所以对椭圆目标的快速识别算法是基于视觉的起重机目标定位系统的重点，也是本项目的创新之处。标准椭圆方程为：

$\frac{{[(x-x_0)\cos \left(\mathrm{\θ}\right)+(y-y_0)\sin \left(\mathrm{\θ}\right)]}^2}{a^2}+\frac{{[(x-x_0)\sin \left(\mathrm{\θ}\right)+(y-y_0)\cos \left(\mathrm{\θ}\right)]}^2}{b^2}=1---\left(1\right)$

其中(x₀，y₀)为椭圆圆心，a，b为椭圆的长短轴，θ为椭圆倾斜度。由式(1)可知，需要5个参数来描述椭圆，这为椭圆的识别带来很大的困难。根据的图像大小及背景复杂程度的不同，目前国际上一些比较先进的算法对一幅图像中的椭圆识别大约几秒到几十秒的时间，这不能满足本系统的实时性要求。

通过推导，得到椭圆的弦长与切线角之间的微分公式：

$\frac{\mathrm{dL}}{\mathrm{d\β}}=\frac{{\mathrm{ab}}^2}{a^2{\sin }^2(\mathrm{\θ}+\mathrm{\β})+b^2{\cos }^2(\mathrm{\θ}+\mathrm{\β})}\frac{1}{\sin (\mathrm{\θ}+\mathrm{\β})}\cos \left[\arctan (-\frac{b}{a}\frac{1}{\tan (\mathrm{\θ}+\mathrm{\β})})\right]---\left(2\right)$

该公式把式(1)的5参数简化为3参数：a，b和θ。以式(2)为目标曲线，通过最速下降法快速拟合待识别曲线，通过计算残差来判断待识别曲线与目标曲线与之间的相似度，同时估计参数a，b和θ。也就是说，通过式(2)可以同时完成对目标识别与参数估计，实现椭圆目标的快速识别。

2.基于神经网络的PID位置伺服控制算法

在工业控制中，传统的PID控制至今仍处于主导地位，尤其适用于能建立数学模型的确定性控制系统。然而大量的工业过程往往具有非线性、时变不确定性等因素，难以建立其精确的数学模型；另外，PID控制器中的参数通常都由人工整定，由于一次性整定得到的这些 参数很难保证其控制效果始终处于最佳状态因，因此常规PID控制器的控制效果和控制精度受到了限制。神经网络具有自学习、自组织功能和联想记忆、并行处理等优点，使其在复杂的工业控制中得到了广泛应用。

一种动态认知神经网络及实现方法，它由输入层、隐层、结构层、记忆层和输出层构成。该认知神经网络具有比例、积分、微分动态特性，用于对系统进行辨识时将加快收敛速度，使所述神经网络更好地跟踪被辨识系统。用于控制时其实质上相当于一个变结构变参数的PID控制器。当隐层节点数为r时，其相当于r个变结构变参数的PID控制器的输出叠加，即r个变结构变参数的PID控制器并联，此时，只改变权值系数w3，则相当于专家智能控制或模糊智能控制在r条控制控制规则中进行选择或组合。与其它神经网络最大的不同，所述新的神经网络的权值具有物理意义，初值选择可以根据人们对物理过程的理解进行，从而可避免在训练初期可能使被控系统不稳定及造成的扰动。

本系统采用基于神经网络的PID，它主要由3个部分组成：

(1)经典PID控制器：直接对被控对象过程进行闭环控制，其三个参数k_p，k_i，k_d在线确定。采用增量式PID，控制算法为：

Δu(k)＝k_p[e(k)-e(k-1)]+k_ie(k)+k_d[e(k)-2e(k-1)+e(k-2)]    (3)

(2)RBF辩识网络：用于建立被控系统的辩识模型，以便动态地观测控制对象的输出对控制输入的灵敏度，提供给BP神经网络，其径向基函数为高斯函数。辩识器的性能指标函数为

$J=\frac{1}{2}{(y\left(k\right)-\hat{y}\left(k\right))}^2---\left(4\right)$

根据梯度下降法，修正网络权系数等参数：

$w_j\left(k\right)=w_j(k-1)+\mathrm{\η}(y\left(k\right)-\hat{y}\left(k\right)h_j)+\mathrm{\α}(w_j(k-1)-w_j(k-2))---\left(5\right)$

其中为η学习率，为α惯性系数。

(3)BP神经网络：采用三层BP网络，通过调整自身权系数，对PID控制参数进行调节，以达到控制性能指标的最优。

Claims (1)

1.一种带有机器视觉、定位系统的智能起重机，其特征在于：由机器视觉、定位系统和智能控制系统组成；机器视觉、定位系统由机械系统及电控系统组成：机械部分主要由行走大车、行走小车、主梁、端梁、立柱、底座组成，大小车的行走机构为伺服电机驱动；大小车的位置限位保护装置采用反射式光电开关，来实现行走大小车的限位报警功能；电控系统为：图像采集利用工业CCD采集图像，图像采集卡安装在工业控制计算机的PCI总线插槽中，交流伺服驱动系统选定的交流伺服电机及驱动器具有全闭环控制功能，配有编码器；

智能控制系统由机械系统及电控系统组成，采用基于神经网络的PID控制实现起重机的系统的快速准确定位；智控起重机械部分与主要由结构(1)硬臂小车(2)大车机构(3)组成大、小车行走机构采用伺服电机(4)驱动；大车位移测量采用对伺服电机的硬盘信号进行分步骤与计数，计数通过电控系统中的数据集卡(5)来实现；电控系统：CCD摄像头(6)连接图像采集卡(7)，转换为生成数字信号送入计算机；工业计算机(8)为控制核心，电控系统采用神经网络的PID控制器(9)，由输入层、隐层、结构层、记忆层和输出层构成。 

Images