CN111982042A - 一种用于参数测量的位移检测装置 - Google Patents
一种用于参数测量的位移检测装置 Download PDFInfo
- Publication number
- CN111982042A CN111982042A CN202010862724.2A CN202010862724A CN111982042A CN 111982042 A CN111982042 A CN 111982042A CN 202010862724 A CN202010862724 A CN 202010862724A CN 111982042 A CN111982042 A CN 111982042A
- Authority
- CN
- China
- Prior art keywords
- displacement
- neural network
- sliding
- sensor
- output
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000006073 displacement reaction Methods 0.000 title claims abstract description 194
- 238000005259 measurement Methods 0.000 title claims abstract description 44
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 230000007246 mechanism Effects 0.000 claims abstract description 72
- 238000013528 artificial neural network Methods 0.000 claims description 162
- 238000003062 neural network model Methods 0.000 claims description 80
- 230000004927 fusion Effects 0.000 claims description 30
- 238000005096 rolling process Methods 0.000 claims description 18
- 238000000354 decomposition reaction Methods 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 12
- 230000010354 integration Effects 0.000 claims description 12
- 230000000712 assembly Effects 0.000 claims description 6
- 238000000429 assembly Methods 0.000 claims description 6
- 238000009434 installation Methods 0.000 claims description 5
- 238000000034 method Methods 0.000 abstract description 26
- 230000008569 process Effects 0.000 abstract description 10
- 230000007547 defect Effects 0.000 abstract description 5
- 230000004044 response Effects 0.000 abstract description 5
- 239000000428 dust Substances 0.000 description 34
- 230000006870 function Effects 0.000 description 18
- 239000004744 fabric Substances 0.000 description 14
- 238000013461 design Methods 0.000 description 13
- 239000002131 composite material Substances 0.000 description 12
- 210000002569 neuron Anatomy 0.000 description 9
- 230000008901 benefit Effects 0.000 description 6
- 230000001788 irregular Effects 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000012938 design process Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000007306 turnover Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/02—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B5/00—Measuring arrangements characterised by the use of mechanical techniques
- G01B5/0002—Arrangements for supporting, fixing or guiding the measuring instrument or the object to be measured
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Fuzzy Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Automation & Control Theory (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Abstract
本发明涉及测量技术领域,公开了一种用于参数测量的位移检测装置,包括基层平台,其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,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横向滑移组件上,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,第一、第二驱动机构驱动第一纵向滑移组件、横向滑移组件实现测量传感器的纵向、横向移动。与现有技术相比,本发明有效解决了现有测量传感器测量过程中出现抖动,测量不准的问题,同时克服了其位移调节不精确的缺陷,提高位移的快速响应、控制精度和鲁棒性,使测量传感器迅速到达***设定值。
Description
技术领域
本发明涉及测量技术领域,具体涉及一种用于参数测量的位移检测装置。
背景技术
传感器作为获取自然界信息的源头,是进行工业生产,科学研究等领域不可或缺的重 要元件。现有技术中有多种测量传感器,如温湿度传感器、红外传感器、光电传感器等等, 而针对现有的多种多样的测量传感器,其校准工作是一项比较困难的工作,如何对测量传 感器进行校准,并且提高校准精度是亟待解决的问题。
另外,如何准确测量某参考物(设备、产品)传感数据值,传统的方法是通过手持测量传感器对参考物进行测量,对不同距离情况下参考物的传感数据值需要手持测量传感器调整距离并对其检测,这种检测方法存在如下问题: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。为了便于校准测量传感器或者精准测量,需要将测量传感器移动至离参考物精确的位置点,包括纵向与横向距离,因此需要一个精准的位移控制***,解决现有技术中测量传感器位移调节不精确的缺陷。
发明内容
发明目的:针对现有技术中存在的问题,本发明提供一种用于参数测量的位移检测装 置,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, 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***设 定值,来满足控制***对测量传感器位移精确度控制的需要。
技术方案:本发明提供了一种用于参数测量的位移检测装置,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***,所述控制***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和第二电机智能 控制器,所述电机智能控制器包括ANFIS模糊神经网络调节器、PID调节器、小波神经网络控 制器和位移预测器;所述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、第一位移传感器、第二位移传感器组成位移调节平台,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,实现传感器架置板上的测量传感器的纵向位移、横向位移智 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***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测量传 感器位移量,所述第三电机智能控制器控制第三驱动电机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ANFIS模糊神经网络调节器和PID调节器相 并联,ANFIS模糊神经网络调节器和PID调节器的输出和作为所述小波神经网络控制器的 输入,小波神经网络控制器的输出作为L298电机驱动电路的输入,所述L298电机驱动电路输出作为第一驱动机构、第二驱动机构或第三驱动机构中电机的输入,第一、第二、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MSP430单片 机中第一、第二、第三电机智能控制器的位移预测器的输入,各所述电机智能控制器的位 移预测器的输出值作为控制***的测量传感器位移预测反馈值,控制***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;位移传感器输出值作为控制***的测量传感器位移实际反馈值,控制***的测量传感器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ANFIS模糊神经网络调节器的输入。
进一步地,所述小波神经网络控制器由4个积分器和小波神经网络组成,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;ANFIS 模糊神经网络调节器和PID调节器的输出和作为回路1和小波神经网络的输入,回路1的 2个积分算子的连接端的输出作为小波神经网络的输入,回路1输出作为小波神经网络的 输入,小波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小波神经网络的输入,回路2输出作为小波神经网络的输入,小波 神经网络的输出作为小波神经网络逆的输出。
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、位移经验模态分 解(EMD)模型、多个Elman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 预测模型的输入和ANFIS模糊神经网络调节器的反馈值,时间序列DRNN神经网络预测 模型的输出作为位移经验模态分解(EMD)模型的输入,经验模态分解(EMD)模型输出 位移的低频趋势部分和多个高频波动部分分别作为对应的多个Elman神经网络模型的输 入,多个Elman神经网络模型的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 的输出作为作为位移的预测值。
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、本发明所采用的小波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和实时复合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复合预测控制精度。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,本专利验证了小波神经网络控制器对 测量传感器位移时间序列预测控制的可行性。同时,实验结果也证明了小波神经网络控制 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、本发明利用小波神经网络控制器建立测量传感器位移预测控制器,它将PID调节 器和ANFIS模糊神经网络调节器输出和作为输入,具有良好的非线性映射能力,小波神经 网络控制器的输入不仅包括PID调节器和ANFIS模糊神经网络调节器的输出数据,通过回 路1的PID调节器和ANFIS模糊神经网络调节器输出和和回路2的小波神经网络输出的动态变化量以及经过训练后的小波神经网络控制器输出数据,网络的泛化能力得到提高,使其在非线性测量传感器位移复合控制中较传统的静态神经网络控制具有更好的预测控制精 度和自适应能力。
三、本发明采用ANFIS模糊神经网络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。
四、位移预测***包括位移经验模态分解(EMD)模型、多个Elman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,时间序列值作为位移经验模态分解(EMD)模型的输入,位移经验模态分解(EMD)模型把测量传感器的位移时间序列值分 解为低频趋势部分和多个高频波动部分,它们分别作为对应的多个Elman神经网络模型的 输入,多个Elman神经网络模型的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 型实现对个NARX神经网络模型的输出值进行融合。
五、本发明所采用NARX神经网络模型的输入包括了对应的Elman神经网络模型的一 段时间的输出和NARX神经网络模型输出历史反馈,这部分反馈输入可以认为包含了一段 时间的对应的Elman神经网络模型输出和对应的NARX神经网络模型输出的历史信息参与 测量传感器位移的预测,对于一个合适的反馈时间长度,NARX神经网络模型输出对测量传感器非线性位移预测得到了很好的效果,本发明的位移经验模态分解(EMD)模型、Elman神经网络模型和NARX神经网络模型提供了一种有效的测量传感器位移预测方法。
六、本发明所采用的NARX神经网络模型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动态预测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时间序列的预测精度。与传统的预测模型方法相比,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NARX神经网络模型对提高测量传感器位移时间序列 预测精确度和可靠性。同时,实验结果也证明了NARX神经网络模型在非平稳时间序列预 测中比传统预测模型表现更加优异。
七、本发明利用NARX神经网络模型建立测量传感器位移预测***,由于通过NARX神经网络模型中引入延时模块及输出反馈建立型的动态递归网络,它将Elman神经网络模型的输出作为输入和NARX神经网络模型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神经网络模型的输入不仅包括原始Elman神 经网络模型输入数据,还包含经过训练后的NARX神经网络模型输出数据,NARX神经网 络模型网络的泛化能力得到提高,使其在非线性测量传感器位移时间序列预测中较传统的 静态神经网络控制具有更好的预测精度和自适应能力。
八、本发明采用电机位移控制***,由ANFIS模糊神经网络调节器、PID调节器和小波神经网络控制器构成对传感器架置板上的测量传感器位移的复合控制,位移预测器构成测量传感器位移的复合预测,由复合控制器和复合预测器对测量传感器位移复合控制,控制***能够快速使测量传感器位移到达目标值,提高测量传感器位移的响应速度、控制精度和提高***的稳定性。
九、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,ANFIS 模糊神经网络调节器、PID调节器和小波神经网络控制器,结合神经网络、PID和模糊控 制器控制器的优点,ANFIS模糊神经网络调节器根据***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,该控制***根据测量传感器位移变化过程特点测量传感器位移复合双闭 环控制,提高***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。
十、本发明涉及PID控制、神经网络控制、模糊控制、复合控制、复合预测控制技术,设计了智能化测量传感器位移控制器,该控制***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,将该控制***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控制***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。
十一、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。
十二、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。
十三、本发明设置的夹爪组件通过辅夹爪在夹爪导轨上的滑动,将测量传感器夹持于 主夹爪与辅夹爪之间,而主夹爪与辅夹爪通过电机带动主转动盘转动实现,夹持更加稳定, 设置主夹爪与辅夹爪相对的侧壁呈间隔设置的圆弧形,这样当测量传感器为不规则形状时, 能够保证将测量传感器夹紧,不会出现晃动掉落的情况。
附图说明
图1为本发明装置整体结构示意图;
图2为本发明位移检测***的***框图;
图3为本发明参考物架置组件结构示意图;
图4为本发明传感器架置机构整体结构示意图;
图5为本发明第一纵向滑移平台与第一丝杆连接结构示意图;
图6为本发明第一纵向滑移平台结构示意图;
图7为本发明旋转夹持组件的整体结构示意图;
图8为本发明夹爪组件示意图;
图9为本发明旋转驱动组件结构示意图;
图10为本发明封闭关合组件整体结构示意图;
图11为本发明左挡尘板结构示意图;
图12为图10中A处放大图;
图13为本发明左挡尘板拆除防尘布的放大结构示意图;
图14为图11中B处放大图;
图15为本发明尺子滑柱导轨结构示意图;
图16为本发明尺子滑柱顶端结构示意图;
图17为本发明卡位转轴与卡块的结构示意图;
图18为本发明水平调整组件结构示意图。
其中,1-基层平台,2-传感器架置机构,3-旋转夹持组件,4-封闭关合组件,5-测量尺 子组件,6-水平调节组件,101-垫高固定台,102-电动推杆,103-参考物架置台,201-第一 纵向滑移导轨,202-第一纵向滑移平台,203-支架,204-第一丝杆,205-第一滑块,206-第 二丝杆,207-第二滑块,208-横向滑移平台,209-圆弧导轨,210-尺子滚珠,211-纵向直线 导轨,212-条形凸起,213-第三丝杆,214-第三滑块,215-第一步进电机,216-第二步进电 机,217-第三步进电机,218-主锥齿轮,219-从锥齿轮,220-旋转把手,221-置脚槽,301-滑移板,302-传感器架置板,303-支杆,304-滑移转盘,305-夹持滑移平台,306-夹爪基座,307-主转动盘,308-辅转动盘,309-主夹爪,310-辅夹爪,311-夹爪导轨,312-第四步进电机,313-主动齿轮,314-从动齿轮,315-夹爪凸起,316-三向转盘,317-拨盘,318-第五步 进电机,319-固定筒,320-旋转球,321-第一放置台,401-左挡尘板,402-右挡尘板,403- 左导轨挡板,404-右导轨挡板,405-收放杆,406-防尘布,407-引导杆,408-滑槽,409-收 合弹簧,410-导向板,411-限位卡条,412-联轴器,413-第六步进电机,414-拓展平台,415- 铰接轴,416-铰接套,417-第七步进电机,501-尺子滑柱导轨,502-尺子滑柱,503-尺子滑 轨,504-测量尺子,505-尺子伸缩柱,506-翻转机构,507-磁铁,508-卡位转轴,509-卡块, 510-卡槽,511-凹槽滑轨,512-滑轮,513-尺子滚珠,514-滚轮,601-支撑台,602-水平检 测仪,603-立柱,604-调整齿轮,605-调整齿条。
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,本发明公开了一种用于参数测量的位移检测装置,该位移检测装置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。传感器架置板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。
该位移检测装置中的检测***的控制部分主要包括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、第三位移传感器和MSP430单片机中的第一电机智能控 制器、第二电机智能控制器和第三电机智能控制器,电机智能控制器包括ANFIS模糊神经网 络调节器、PID调节器、小波神经网络控制器和位移预测器。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、第一位移传感器、第二位移传感器组成位移调 节平台,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分别控制第一驱 动机构与第二驱动机构、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,带动第一纵向滑移组件、横向滑移组件、第二 纵向滑移组件进行纵向移动与横向移动,实现纵向位移、横向位移智能化调节。整个***结 构见图1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)PID调节器设计
位移检测***是根据传感器架置板302上的测量传感器的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***,***能够快速使测量传感器位移达到***设定的理想值, 提高响应速度、控制精度和提高***的稳定性。测量传感器位移调节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ANFIS模糊神经网络调节器的输出和是小波神经网 络控制器的输入,小波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***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***设计的理想值,提高测量传感器位移达到***设计要求的准 确和快速性,PID调节器采用常规的设计方法。
(2)ANFIS模糊神经网络调节器设计
ANFIS模糊神经网络调节器是基于神经网络的自适应模糊推理***ANFIS,也称为自适 应神经模糊推理***(Adaptive Neuro-Fuzzy Inference System),将神经网络和自适应模糊推理 ***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模糊神经网络调 节器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的低频和预测值历史 数据的学习得到的,ANFIS模糊神经网络调节器的输入为测量传感器位移的误差和误差变化, ANFIS模糊神经网络调节器的输出是对测量传感器位移的控制量,ANFIS模糊神经网络调节器 主要运算步骤如下:
第1层:将输入的测量传感器位移的误差和误差变化模糊化;
第2层:实现规则运算,输出规则的适用度,ANFIS模糊神经网络调节器的规则运算采 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
第5层:该层的单节点是一个固定节点,计算ANFIS模糊神经网络调节器的输出。
ANFIS模糊神经网络调节器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模糊神经网络调节器每一次迭代中首先输入信号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模 糊神经网络调节器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模糊神经网络调节器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模糊神经网 络调节器参数的收敛速度。ANFIS模糊神经网络调节器的输出作为调节测量传感器位移的控 制量。
(3)小波神经网络控制器设计
小波神经网络控制器的输入分别是PID调节器和ANFIS模糊神经网络调节器的输出的 和,小波神经网络控制器由4个积分器和小波神经网络组成,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;ANFIS模糊神经网络调节器和 PID调节器的输出和作为回路1和小波神经网络的输入,回路1的2个积分算子的连接端的 输出作为小波神经网络的输入,回路1输出作为小波神经网络的输入,小波神经网络的输出 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小波神 经网络的输入,回路2输出作为小波神经网络的输入,小波神经网络的输出作为小波神经网 络逆的输出;小波神经网络控制器实现对PID调节器和ANFIS模糊神经网络调节器的控制量 进行融合和进一步实现测量传感器位移的再一次预测控制,进一步提高测量传感器位移控制 量的精确度。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。设小波神经网络的输入为PID调节器和ANFIS模糊神经网络 调节器的和、回路1和回路2的输出以及回路1和回路2的连接端的输出可以表示为一维向 量xi(i=1,2,…,n),输出信号是测量传感器位移控制量表示为yk(k=1,2,…,m),小波神经网 络输出层的计算公式为:
本专利中的小波神经网络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输出不断逼近测量传感器位移的期望输出,小波神经网 络的输出为L298电机驱动电路的输入。小波神经网络控制器的输入数据为小波神经网络的输 入为PID调节器和ANFIS模糊神经网络调节器的和、回路1和回路2的输出以及回路1和回 路2的连接端的输出,小波神经网络控制器的输出为测量传感器位移控制量,小波神经网络 控制器的输入层、输出层和隐层的个数分别为5,1和12,小波神经网络控制器实现对PID 调节器和ANFIS模糊神经网络调节器的输出值的动态融合和对测量传感器位移的再一次复合 控制,提高控制测量传感器位移的动态性能、快速性、准确型和可靠性。
(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、位移经验模态分解(EMD)模型、多个Elman神经网络模型、多个NARX神经网络模型和波神经网络融合模型,在MSP430单 片机监中设计位移预测器,实现对测量传感器位移的预测,位移预测器见图1所示,设计过 程如下:
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,位移预测器 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、位移经验模态分解(EMD)模型设计
位移经验模态分解(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。它能将存在于时间序列DRNN神经网络预测模型输出的历史数据信息中 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。位移经验模 态分解(EMD)模型分解出来的IMF分量包含了信息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息本身变化,具有自适应多分辨分析特性。使用位移经验模态分解 (EMD)模型的目的就是为了更准确地提取测量传感器位移历史数据信息。位移经验模态分解 方法针对时间序列DRNN神经网络预测模型输出历史数据的“筛分”过程步骤如下:
①、确定时间序列DRNN神经网络预测模型输出历史数据信息所有的局部极值点,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、在用三次样条线时间序列DRNN神经网络预测模型输出历史数据信息的局部极小值点 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) (8)
其中,x(t)为时间序列DRNN神经网络预测模型输出历史数据信息原始信号,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)=h1k(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) (9)
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。这样位移经验模态分解模型就把时 间序列DRNN神经网络预测模型输出历史数据信息分解成低频趋势部分和多个高频波动部分。
C、Elman神经网络模型设计
Elman神经网络模型可以预测动态预测测量传感器位移,该模型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,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 隐层的输入作为状态反馈。隐层的传递函数一般为Sigmoid函数,关联层和输出层为线性函 数。设Elman神经网络模型的输入层、输出层和隐层的个数分别为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,则网络的隐含层、关联层和输出层的输出值表达式分别为:
cp(k)=xp(k-1) (11)
Elman神经网络模型的输入数据为一段时间多个不同时刻位移经验模态分解(EMD)模 型输出的低频趋势部分和多个高频波动部分的实际值数据,输出为低频趋势部分和多个高频 波动部分的将来值,Elman神经网络模型的输入层、输出层和隐层的个数分别为10,1和21, Elman神经网络模型实现对低频趋势部分和多个高频波动部分的非线性预测。
D、NARX神经网络模型设计
多个NARX神经网络模型的输入为对应的多个Elman神经网络模型的输出,多个NARX神 经网络模型实现对应的多个Elman神经网络模型输出进行再一次预测,进一步提高测量传感 器位移预测量的精确度。NARX神经网络模型(Nonlinear Auto-Regression withExternal input neural network)是一种动态的前馈神经网络,每个NARX神经网络模型是一个有着对应的 Elman神经网络模型的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 ***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输出 y(t-n),还取决于当时的输入向量Elman神经网络模型的输出的延迟阶数。NARX神经网络模 型包括输入层、输出层、隐层和时延层。其中Elman神经网络模型输出通过时延层传递给隐 层,隐层对Elman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Elman神经网络模型的 输出的输出值;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] (14)
NARX神经网络模型的输入数据为Elman神经网络模型的输出,NARX神经网络模型的 输出为低频趋势部分和多个高频波动部分的将来值,NARX神经网络模型的输入层、输出层 和隐层的个数分别为2,1和10,NARX神经网络模型实现对Elman神经网络模型输出的动态融合和对Elman神经网络模型输出再一次预测,提高控制测量传感器位移的动态性能、快速性、准确型和可靠性。
E、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(15)中ωij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,bj为小波基函数的平移因子,aj小波基函数的伸缩因子,ωjk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。
Claims (10)
1.一种用于参数测量的位移检测装置,包括基层平台(1),其特征在于,所述基层平台(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),所述传感器架置机构(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***,所述控制***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和第二电机智能控制器,所述电机智能控制器包括ANFIS模糊神经网络调节器、PID调节器、小波神经网络控制器和位移预测器;所述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、第一位移传感器、第二位移传感器组成位移调节平台,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,实现传感器架置板(302)上的测量传感器的纵向位移、横向位移智能化调节。
2.根据权利要求1所述的一种用于参数测量的位移检测装置,其特征在于,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***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(302)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电机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节。
3.根据权利要求2所述的一种用于参数测量的位移检测装置,其特征在于,各所述电机智能控制器的所述ANFIS模糊神经网络调节器和PID调节器相并联,ANFIS模糊神经网络调节器和PID调节器的输出和作为所述小波神经网络控制器的输入,小波神经网络控制器的输出作为L298电机驱动电路的输入,所述L298电机驱动电路输出作为第一驱动机构、第二驱动机构或第三驱动机构中电机的输入,第一、第二、第三位移传感器测量传感器架置板(302)上的测量传感器的位移量,其输出分别作为MSP430单片机中第一、第二、第三电机智能控制器的位移预测器的输入,各所述电机智能控制器的位移预测器的输出值作为控制***的测量传感器位移预测反馈值,控制***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;位移传感器输出值作为控制***的测量传感器位移实际反馈值,控制***的测量传感器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ANFIS模糊神经网络调节器的输入。
4.根据权利要求2所述的一种用于参数测量的位移检测装置,其特征在于,所述小波神经网络控制器由4个积分器和小波神经网络组成,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;ANFIS模糊神经网络调节器和PID调节器的输出和作为回路1和小波神经网络的输入,回路1的2个积分算子的连接端的输出作为小波神经网络的输入,回路1输出作为小波神经网络的输入,小波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小波神经网络的输入,回路2输出作为小波神经网络的输入,小波神经网络的输出作为小波神经网络逆的输出。
5.根据权利要求2所述的一种用于参数测量的位移检测装置,其特征在于,所述位移预测器包括时间序列DRNN神经网络预测模型、位移经验模态分解(EMD)模型、多个Elman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神经网络预测模型的输入和ANFIS模糊神经网络调节器的反馈值,时间序列DRNN神经网络预测模型的输出作为位移经验模态分解(EMD)模型的输入,位移经验模态分解(EMD)模型输出位移的低频趋势部分和多个高频波动部分分别作为对应的多个Elman神经网络模型的输入,多个Elman神经网络模型的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作为位移的预测值。
6.根据权利要求1所述的一种用于参数测量的位移检测装置,其特征在于,所述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),所述第一纵向滑移导轨(201)设于所述基层平台(1)上,其下表面转动连接有第一丝杆(204),所述第一丝杆(204)上螺纹连接有第一滑块(205),所述第一纵向滑移平台(202)套设于所述第一纵向滑移导轨(201)上且其底端与所述第一滑块(205)固定连接,所述第一丝杆(204)上还设置有所述第一驱动机构。
7.根据权利要求6所述的一种用于参数测量的位移检测装置,其特征在于,所述横向滑移组件包括垂直于所述第一纵向滑移导轨(201)且转动连接于所述第一纵向滑移平台(202)上表面的第二丝杆(206),所述第二丝杆(206)上螺纹连接有第二滑块(207),所述第二滑块(207)上固定有横向滑移平台(208),所述传感器架置板(302)固定于横向滑移平台(208)上,所述第二丝杆(206)上还设置有所述第二驱动机构。
8.根据权利要求7所述的一种用于参数测量的位移检测装置,其特征在于,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(208)的垂直于所述第二丝杆(206)的第三丝杆(213),所述第三丝杆(213)的螺距小于所述第一丝杆(204)的螺距,所述第三丝杆(213)上螺纹连接有第三滑块(214),所述传感器架置板(302)设于所述第三滑块(214)上随所述第三滑块(214)纵向移动。
9.根据权利要求8所述的一种用于参数测量的位移检测装置,其特征在于,所述第三滑块(214)上固定有滑移板(301),所述传感器架置板(302)套设且滑动连接于所述滑移板(301);所述旋转夹持组件(3)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(303)、至少1个滑移转盘(304)、与所述滑移转盘(304)数量相等的夹持滑移平台(305),所述支杆(303)一端竖直转动连接于所述基层平台(1),多个所述滑移转盘(304)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(303)顶端固定连接,各所述夹持滑移平台(305)滑动连接于各所述滑移转盘(304);所述夹爪组件设于所述夹持滑移平台(305)上;所述滑移转盘(304)的宽度与所述滑移板(301)的宽度相等,当所述旋转组件旋转一定角度时,所述滑移板(301)一端与其中一个所述滑移转盘(304)自由端匹配接触,所述夹持滑移平台(305)从所述滑移转盘(304)滑动到所述滑移板(301)上。
10.根据权利要求9所述的一种用于参数测量的位移检测装置,其特征在于,所述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),所述主转动盘(307)与所述辅转动盘(308)滚动接触且竖直转动连接于夹爪基座(306)上,所述主夹爪(309)固定于所述主转动盘(307)圆周边且与所述夹爪导轨(311)一端固定连接,所述辅夹爪(3010)固定于所述辅转动盘(308)圆周边且与所述夹爪导轨(311)滑动连接,所述主转动盘(307)上还设置有夹爪驱动机构,驱动主转动盘(307)转动。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010862724.2A CN111982042A (zh) | 2020-08-25 | 2020-08-25 | 一种用于参数测量的位移检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010862724.2A CN111982042A (zh) | 2020-08-25 | 2020-08-25 | 一种用于参数测量的位移检测装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111982042A true CN111982042A (zh) | 2020-11-24 |
Family
ID=73443531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010862724.2A Pending CN111982042A (zh) | 2020-08-25 | 2020-08-25 | 一种用于参数测量的位移检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111982042A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115489957A (zh) * | 2021-06-02 | 2022-12-20 | 淮阴工学院 | 一种智能传输*** |
CN117330011A (zh) * | 2023-12-01 | 2024-01-02 | 中铁山桥集团有限公司 | 一种u肋孔边距及极边孔距的测量*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060047815A (ko) * | 2004-05-14 | 2006-05-18 | 가부시키가이샤 고마츠 세이사꾸쇼 | 변위량 측정장치 |
CN103344186A (zh) * | 2013-07-17 | 2013-10-09 | 广西柳工机械股份有限公司 | 装载机卸载参数测试装置及方法 |
CN103630099A (zh) * | 2013-12-02 | 2014-03-12 | 常州市计量测试技术研究所 | 直线位移传感器自动化校准装置 |
CN106370142A (zh) * | 2016-11-15 | 2017-02-01 | 江苏方天电力技术有限公司 | 一种大量程位移传感器校准装置和校准方法 |
CN108091111A (zh) * | 2017-11-20 | 2018-05-29 | 淮阴工学院 | 一种油罐车油气泄漏智能预警*** |
CN108425405A (zh) * | 2018-04-02 | 2018-08-21 | 淮阴工学院 | 一种网络化水源监测及分级供水装置及其监测*** |
CN108536005A (zh) * | 2018-03-15 | 2018-09-14 | 吉林大学 | 一种基于模糊神经网络pid船舶航向控制器及其控制方法 |
KR20200042864A (ko) * | 2018-10-16 | 2020-04-24 | 나부테스코 가부시키가이샤 | 변위 센서 |
-
2020
- 2020-08-25 CN CN202010862724.2A patent/CN111982042A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060047815A (ko) * | 2004-05-14 | 2006-05-18 | 가부시키가이샤 고마츠 세이사꾸쇼 | 변위량 측정장치 |
CN103344186A (zh) * | 2013-07-17 | 2013-10-09 | 广西柳工机械股份有限公司 | 装载机卸载参数测试装置及方法 |
CN103630099A (zh) * | 2013-12-02 | 2014-03-12 | 常州市计量测试技术研究所 | 直线位移传感器自动化校准装置 |
CN106370142A (zh) * | 2016-11-15 | 2017-02-01 | 江苏方天电力技术有限公司 | 一种大量程位移传感器校准装置和校准方法 |
CN108091111A (zh) * | 2017-11-20 | 2018-05-29 | 淮阴工学院 | 一种油罐车油气泄漏智能预警*** |
CN108536005A (zh) * | 2018-03-15 | 2018-09-14 | 吉林大学 | 一种基于模糊神经网络pid船舶航向控制器及其控制方法 |
CN108425405A (zh) * | 2018-04-02 | 2018-08-21 | 淮阴工学院 | 一种网络化水源监测及分级供水装置及其监测*** |
KR20200042864A (ko) * | 2018-10-16 | 2020-04-24 | 나부테스코 가부시키가이샤 | 변위 센서 |
Non-Patent Citations (2)
Title |
---|
李慧 等: "多电机同步协调***控制策略", 《电机与控制应用》 * |
李莲 等: "基于BP网络的电涡流传感器非线性补偿", 《李莲》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115489957A (zh) * | 2021-06-02 | 2022-12-20 | 淮阴工学院 | 一种智能传输*** |
CN117330011A (zh) * | 2023-12-01 | 2024-01-02 | 中铁山桥集团有限公司 | 一种u肋孔边距及极边孔距的测量*** |
CN117330011B (zh) * | 2023-12-01 | 2024-03-01 | 中铁山桥集团有限公司 | 一种u肋孔边距及极边孔距的测量*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111982042A (zh) | 一种用于参数测量的位移检测装置 | |
CN109062115B (zh) | 一种基于双闭环控制的滚球控制方法 | |
Banning et al. | State-space analysis and identification for a class of hysteretic systems | |
Azarmi et al. | Analytical design of fractional order PID controllers based on the fractional set-point weighted structure: Case study in twin rotor helicopter | |
Ho et al. | Visual servoing tracking control of a ball and plate system: design, implementation and experimental validation | |
CN110134011A (zh) | 一种倒立摆自适应迭代学习反演控制方法 | |
CN111982041B (zh) | 一种测量用的位移检测*** | |
CN110253574A (zh) | 一种多任务机械臂位姿检测和误差补偿方法 | |
CN112000008B (zh) | 一种基于神经网络的管道监测*** | |
Wang et al. | Tracking control of ball and plate system with a double feedback loop structure | |
Liu et al. | Target tracking for visual servoing systems based on an adaptive Kalman filter | |
JPH02217904A (ja) | 位置決め制御装置 | |
Svinin et al. | Motion planning strategies in human control of non-rigid objects with internal degrees of freedom | |
Chen et al. | Nonlinear web tension control of a roll-to-roll printed electronics system | |
Franceschi et al. | Identification of human control law during physical human–robot interaction | |
CN111998885A (zh) | 一种测量用的参数校准*** | |
CN111998887A (zh) | 一种用于参数测量的检测装置 | |
Joinié-Maurin et al. | Force feedback teleoperation with periodical disturbance compensation | |
Zou et al. | Laser vision seam tracking system based on proximal policy optimization | |
Shih et al. | Model-free repetitive control design and implementation for dynamical galvanometer-based raster scanning | |
CN1672881A (zh) | 基于运动选择的机器人在线手眼标定方法 | |
Gans et al. | Performance tests of partitioned approaches to visual servo control | |
KR100471650B1 (ko) | 적응 뉴로퍼지시스템을 이용한 srm의 인덕턴스프로파일의 추정방법 | |
DE68907964T2 (de) | Fokussierungssystem für Videokameras und dergleichen. | |
CN112013203A (zh) | 一种基于drnn神经网络管网检测*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201124 |
|
RJ01 | Rejection of invention patent application after publication |