CN114313882A - 一种化纤生产自动化运输***及方法 - Google Patents
一种化纤生产自动化运输***及方法 Download PDFInfo
- Publication number
- CN114313882A CN114313882A CN202210025961.2A CN202210025961A CN114313882A CN 114313882 A CN114313882 A CN 114313882A CN 202210025961 A CN202210025961 A CN 202210025961A CN 114313882 A CN114313882 A CN 114313882A
- Authority
- CN
- China
- Prior art keywords
- transportation
- chemical fiber
- fiber production
- steps
- storage
- 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
- 238000000034 method Methods 0.000 title claims abstract description 93
- 239000000126 substance Substances 0.000 title claims abstract description 49
- 238000007380 fibre production Methods 0.000 title claims abstract description 45
- 238000003860 storage Methods 0.000 claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000004804 winding Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 38
- 230000008569 process Effects 0.000 claims description 29
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 238000009987 spinning Methods 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 16
- 238000012546 transfer Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 4
- 210000001503 joint Anatomy 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000002994 raw material Substances 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims 2
- 239000000835 fiber Substances 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 239000012467 final product Substances 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000155 melt Substances 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 229920000642 polymer Polymers 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification Effects 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 150000003722 vitamin derivatives Chemical class 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Landscapes
- General Factory Administration (AREA)
Abstract
本发明公开了一种化纤生产自动化运输存储***及方法，包括，建立运输目标函数；对所述运输目标函数进行优化处理得到路径控制模型；将优化处理后的所述路径控制模型与络筒AGV当前状态结合得到运输路线所需的控制量模型；根据不同移动平台的控制频率提前计算出能够选取的权重值，并将选取的所述权重值代入所述控制量模型中进行运算；将运算结果应用于自动化控制***中，完成化纤生产自动化运输存储处理。本发明能够优化运输路径，为化纤生产自动化运输提供最优的传输路径，提高运输存储效率。
Description
技术领域
本发明涉及化纤生产自动化运输的技术领域，尤其涉及一种化纤生产自动化运输***及方法。
背景技术
化学纤维是用天然高分子化合物或人工合成的高分子化合物为原料，经过制备纺丝原液、纺丝和后处理等工序制得的具有纺织性能的纤维。
成纤化学纤维生产时先将聚合物在溶剂中溶解成溶液，或将成纤聚合物切片在螺杆挤出机中加热熔融成熔体，经纺前准备工序后入纺丝机，用纺丝泵(计量泵)将纺丝溶液或熔体定量、连续、均匀地从喷丝头的细孔压出，这种细流在水、凝固液或空气中固化，生成初生纤维；其中有喷丝头喷出的初生纤维通常使用集料装置进行收集。
目前，化纤生产运转操作基本依赖人工，这样不仅使工作效率低，人工成本增加，而且在运转操作过程中，疏忽出错的概率较大，会给对应工序的检查工作带来很大的负担，给管理带来不便，甚至会影响到最终的产品质量；为了避免这些问题，自动化、智能化的设备升级之路已成为许多化纤生产企业的必然选择，但是针对运转操作的自动化、智能化，其关键在于如何实现前后道工序设备之间的精确定位和生产配合，以及自动化的进行运输存储，现有设备的智能程度、运行精度、灵活性、功能性等方面都没有达到较高程度的要求。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明解决的技术问题是：化纤生产设备无法实现自动化运输存储的问题。
为解决上述技术问题，本发明提供如下技术方案：包括，建立运输目标函数；对所述运输目标函数进行优化处理得到路径控制模型；将优化处理后的所述路径控制模型与络筒AGV当前状态结合得到运输路线所需的控制量模型；根据不同移动平台的控制频率提前计算出能够选取的权重值，并将选取的所述权重值代入所述控制量模型中进行运算；将运算结果应用于自动化控制***中，完成化纤生产自动化运输存储处理。
作为本发明所述的一种化纤生产自动化运输存储方法的一种优选方案，其中：所述运输目标函数为S型函数，包括：
作为本发明所述的一种化纤生产自动化运输存储方法的一种优选方案，其中：所述优化处理包括，
在一定的范围内对所述运输目标函数进行归一化，使其值域处于[0,1]，定义域处于[0,1]，并同时满足下列条件：
作为本发明所述的一种化纤生产自动化运输存储方法的一种优选方案，其中：得到所述路径控制模型包括，基于分类神经网络对输出向量和输入向量进行归一化处理；利用神经网络作为运输路径搜索过程中的基函数时，将栅格地图中8个方向的节点定义为分类输出网络的8个输出类别；定义输入向量与输出向量的格式；利用增益抑制策略求解所述基函数，得到所述路径控制模型。
作为本发明所述的一种化纤生产自动化运输存储方法的一种优选方案，其中：所述分类神经网络包括，全连接隐藏层；所述全连接隐藏层包括，在当前隐层中的每一个节点都与上一层的所有节点相连，用于将之前提取到的特征综合起来。
作为本发明所述的一种化纤生产自动化运输存储方法的一种优选方案，其中：所述归一化处理包括，
定义一个数组V，Vi表示V中第i个元素，则
其中，Si对该函数的输入向量做了归一化操作，其输出可以被当作概率，即用来评价对于当前的神经网络输出来说，属于哪一种类别的概率最大，从而给出分类结果。
作为本发明所述的一种化纤生产自动化运输存储方法的一种优选方案，其中：所述路径控制模型包括，
F(n)＝G(n)+HNN(n)
其中，HEuclidean(n)为欧式距离计算方法，α为可以调节的参数，由于基函数的值代表路径代价，因此α<0，对于符合神经网络输出的方向，HNN(n)输出的值小于标准欧式距离，反之则大于标准欧式距离，即在没有其他因素影响的条件下，搜索方向将一直沿着神经网络所输出的结果方向前进。
作为本发明所述的一种化纤生产自动化运输存储方法的一种优选方案，其中：所述控制量模型包括，
定义当前反馈速度为vi，对应控制量ui，下一时刻由上位机发送来的速度为vi+1，对应控制量ui+1，则在下一阶段采样时间t内的控制量为
u(t)＝u(i)+[u(i+1)-u(i)]·σ(t)＝[1-σ(t)]·u(i)+σ(t)·u(i+1)
其中，σ为控制频率。
作为本发明所述的一种化纤生产自动化运输存储方法的一种优选方案，其中：还包括，对获取的RGB-D图像、雷达数据、里程计节点进行同步化处理，得到传感器数据；所述传感器数据传输至短期记忆模块内，形成回环和近距离探测以完成图像优化，得到全局地图组长；分别划分所述全局地图组长，得到所述栅格地图。
作为本发明所述的一种化纤生产自动化运输存储***的一种优选方案，其中：包括，运输组件，包括纺丝机、AGV运输车、缓存台和小车通道，所述小车通道设置于所述纺丝机和缓存台之间，所述AGV运输车设置于所述小车通道中；存储组件，包括转运台、机械轨、抓取机器人和货架，所述机械轨设置于所述转运台和缓存台之间，所述抓取机器人置于所述机械轨上，所述货架与所述转运台对接。
本发明的有益效果：本发明通过路径优化找到最佳运输路线，结合控制量得到***需要控制的权重，提高自动化运输的准确度和运输效率，为化纤生产环境提供高质量的服务平台，对促进化纤生产具有积极意义。
附图说明
图1为本发明一个实施例所述的一种化纤生产自动化运输存储***及方法的流程示意图；
图2为本发明一个实施例所述的一种化纤生产自动化运输存储***及方法的输入向量中障碍物示意图；
图3为本发明一个实施例所述的一种化纤生产自动化运输存储***及方法的不同权重影像控制量下的路径走势示意图；
图4为本发明一个实施例所述的一种化纤生产自动化运输存储***及方法的一种结构示意图；
图5为本发明一个实施例所述的一种化纤生产自动化运输存储***及方法的又一种结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
应当理解，在本发明的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
应当理解，在本发明中，“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本发明中，“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含，“包含A、B或C”是指包含A、B、C三者之一，“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
应当理解，在本发明中，“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”，表示B与A相关联，根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其他信息确定B。A与B的匹配，是A与B的相似度大于或等于预设的阈值。
取决于语境，如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
实施例1
目前，化纤生产运转操作基本依赖人工，这样不仅使工作效率低，人工成本增加，而且在运转操作过程中，疏忽出错的概率较大，会给对应工序的检查工作带来很大的负担，给管理带来不便，甚至会影响到最终的产品质量；为了避免这些问题，自动化、智能化的设备升级之路已成为许多化纤生产企业的必然选择，但是针对运转操作的自动化、智能化，其关键在于如何实现前后道工序设备之间的精确定位和生产配合，以及自动化的进行运输存储，现有设备的智能程度、运行精度、灵活性、功能性等方面都没有达到较高程度的要求。
参照图1～图3，为本发明的一种实施方式，提供了一种化纤生产自动化运输存储方法，包括：
S1：建立运输目标函数。其中需要说明的是，运输目标函数为S型函数，包括：
S2：对运输目标函数进行优化处理得到路径控制模型。本步骤需要说明的是，优化处理包括：
在一定的范围内对运输目标函数进行归一化，使其值域处于[0,1]，定义域处于[0,1]，并同时满足下列条件：
定义目标运输模型通过横坐标与纵坐标平移与缩放得到所需函数模型如下：
其中，参数a决定横坐标缩放尺度，k与放大倍数有关，b与相位有关，c与截距相关，x为横坐标；
当a∈[8,12]时曲线走势较为合理，选取a＝10作为研究对象，函数经归一化后得到速度控制曲线模型为：
进一步的，得到路径控制模型包括：
基于分类神经网络对输出向量和输入向量进行归一化处理；
利用神经网络作为运输路径搜索过程中的基函数时，将栅格地图中8个方向的节点定义为分类输出网络的8个输出类别；
定义输入向量与输出向量的格式；
利用增益抑制策略求解基函数，得到路径控制模型。
再进一步的是，路径控制模型包括：
F(n)＝G(n)+HNN(n)
其中，HEuclidean(n)为欧式距离计算方法，α为可以调节的参数，由于基函数的值代表路径代价，因此α<0，对于符合神经网络输出的方向，HNN(n)输出的值小于标准欧式距离，反之则大于标准欧式距离，即在没有其他因素影响的条件下，搜索方向将一直沿着神经网络所输出的结果方向前进。
S3：将优化处理后的路径控制模型与络筒AGV当前状态结合得到运输路线所需的控制量模型。其中还需要说明的是，控制量模型包括：
定义当前反馈速度为vi，对应控制量ui，下一时刻由上位机发送来的速度为vi+1，对应控制量ui+1，则在下一阶段采样时间t内的控制量为
u(t)＝u(i)+[u(i+1)-u(i)]·σ(t)＝[1-σ(t)]·u(i)+σ(t)·u(i+1)
其中，σ为控制频率。
S4：根据不同移动平台的控制频率提前计算出能够选取的权重值，并将选取的权重值代入控制量模型中进行运算。
S5：将运算结果应用于自动化控制***中，完成化纤生产自动化运输存储处理。
优选地，分类神经网络包括，全连接隐藏层；全连接隐藏层包括，在当前隐层中的每一个节点都与上一层的所有节点相连，用于将之前提取到的特征综合起来。
较佳的，对获取的RGB-D图像、雷达数据、里程计节点进行同步化处理，得到传感器数据；传感器数据传输至短期记忆模块内，形成回环和近距离探测以完成图像优化，得到全局地图组长；分别划分全局地图组长，得到栅格地图。
具体的，归一化处理包括，定义一个数组V，Vi表示V中第i个元素，则：
其中，Si对该函数的输入向量做了归一化操作，其输出可以被当作概率，即用来评价对于当前的神经网络输出来说，属于哪一种类别的概率最大，从而给出分类结果。
参照图2，对于每一个障碍物，使用4个数字来描述其属性，由于在当前节点中选择8个点作决策，实质上相当于对机器人的下一步的运动方向做出决策，因此，在描述障碍物的时候会突出其方向和距离两个方面的信息；在4个数字中，使用前两个数字来描述当前节点相对于障碍物上边缘点的角度和距离信息，使用后两个数字来描述当前节点相对于障碍物下边缘点的角度和距离信息。
本实施例还需要再次详细说明的是，现有的路径规划方法包括以下三种：
(1)基于模糊逻辑的路径规划
模糊逻辑避障是一种仿人控制过程，其原理就是根据总结的规则确定输出值，该方法最大的特点是参考人的驾驶经验，计算量不大，易做到边运动边规划，能够满足实时性要求，同时克服了势场法的局部最优的问题；其缺点是：人的经验也不一定是完备的；输入量增多时，推理规则和模糊表会急剧膨胀。
(2)基于神经网络方法的路径规划
路径规划是感知空间到行为空间的一种映射，映射关系可以用不同的方式表示，但很难用精确地数学方程表示，而神经网络巧妙地避开了这一难题，通过其网络的自学习来达到建立精确模型的目的。
(3)基于遗传算法的路径规划
以自然遗传机制和自然选择等生物进化理论为基础，构造了一类随机化搜索算法，其利用选择、交叉和变异等遗传操作来培养控制机构的计算过程，在某种程度上对生物进化过程做数学方式的模拟；其特点为：对参数的编码进行操作而不是参数本身；作为并行算法，在某种程度上适用于全局搜索；是用的是随机搜索过程；对于待优函数基本上没有任何要求，只利用适应度信息；缺点是：运算速度不快进行众多的规划要占用较大的存储空间和运算时间；有时候会提前收敛。
不难理解的是，在给定一种环境空间的表示方法(环境的抽象)和规划技术(数学的理论表达)后，求避障路径问题就变成了求解数学问题的最优解的问题，也就是搜索一个从起点到终点的连续节点序列问题。
优选地，本发明通过路径优化找到最佳运输路线，结合控制量得到***需要控制的权重，提高自动化运输的准确度和运输效率，为化纤生产环境提供高质量的服务平台，对促进化纤生产具有积极意义。
实施例2
参照图4和图5，为本发明的第二个实施例，提供了一种化纤生产自动化运输存储***，包括，
运输组件100，包括纺丝机101、AGV运输车102、缓存台103和小车通道104，小车通道104设置于纺丝机101和缓存台103之间，AGV运输车102设置于小车通道104中。
存储组件200，包括转运台201、机械轨202、抓取机器人203和货架204，机械轨202设置于转运台201和缓存台103之间，抓取机器人203置于机械轨202上，货架204与转运台201对接。
应说明的是，机械轨202为抓取机器人203所沿运动的轨道，抓取机器人203在其上运动。
该***的工作流程简述如下:
1.AGV运输车102待命收到纺丝完成指令，运行到纺丝机101前方完成自动络筒工作；
2.AGV运输车102按最优路线搬运至缓存台103，
3.AGV运输车102将丝饼推出至缓存台103，然后返回待命；
4.缓存台103按抓取机器人203取料节拍依次推出丝饼，抓取机器人203完成挂丝工作；
5.当丝车一面挂满丝饼后，转运台201按指令旋转至另一面，完成另一面挂丝；
6.丝车两面都挂满丝饼后，或人工推出丝车或通过输送线自动运输丝车再转运台201上移动，另一辆空丝车同时移动至与抓取机器人203对应的位置继续工作；
7.依次循环完成整体自动络筒、搬运、换向、挂车自动化工艺。
本实施例提供的***还包括数据库、运输模块和数据处理中心模块。
数据库，其用于存储采集的化纤生产设备拓扑结构信息和运行信息。
运输模块与数据库相连接，其包括路径规划模块和物资运输模块，路径规划模块用于搜索、计算最优路线，物资运输模块用于传输物资。
数据处理中心模块连接于运输模块的另一端，数据处理中心模块用于搭载运输目标函数、路径控制模型、控制量模型和基函数的运行程序，并输出计算结果和网络拓扑图。
不难理解的是，化纤生产自动化运输存储***中的上位机接收下位机发送的数据，计算位姿匹配并匹配地图中的坐标；判断其是否发布目标点，若是，则计算规划运输路径，刷新局部代价地图并发布底盘控制指令；若否，则直接结束。
本实施例需要再次说明的是，本发明中的下位机初始化数据信息，启动定时中断，设置为20ms；接收上位机速度、舵机角度数据，获取MPU6050、编码器数据；执行运动控制，向上位机发送速度、舵机角度数据。
应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机***通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机***的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种化纤生产自动化运输存储方法，其特征在于：包括，
建立运输目标函数；
对所述运输目标函数进行优化处理得到路径控制模型；
将优化处理后的所述路径控制模型与络筒AGV当前状态结合得到运输路线所需的控制量模型；
根据不同移动平台的控制频率提前计算出能够选取的权重值，并将选取的所述权重值代入所述控制量模型中进行运算；
将运算结果应用于自动化控制***中，完成化纤生产自动化运输存储处理。
2.根据权利要求1所述的一种化纤生产自动化运输存储方法，其特征在于：所述运输目标函数为S型函数，包括：
3.根据权利要求1或2所述的一种化纤生产自动化运输存储方法，其特征在于：所述优化处理包括，
在一定的范围内对所述运输目标函数进行归一化，使其值域处于[0,1]，定义域处于[0,1]，并同时满足下列条件：
4.根据权利要求3所述的一种化纤生产自动化运输存储方法，其特征在于：得到所述路径控制模型包括，
基于分类神经网络对输出向量和输入向量进行归一化处理；
利用神经网络作为运输路径搜索过程中的基函数时，将栅格地图中8个方向的节点定义为分类输出网络的8个输出类别；
定义输入向量与输出向量的格式；
利用增益抑制策略求解所述基函数，得到所述路径控制模型。
5.根据权利要求4所述的一种化纤生产自动化运输存储方法，其特征在于：所述分类神经网络包括，全连接隐藏层；
所述全连接隐藏层包括，在当前隐层中的每一个节点都与上一层的所有节点相连，用于将之前提取到的特征综合起来。
6.根据权利要求5所述的一种化纤生产自动化运输存储方法，其特征在于：所述归一化处理包括，
定义一个数组V，Vi表示V中第i个元素，则
其中，Si对该函数的输入向量做了归一化操作，其输出可以被当作概率，即用来评价对于当前的神经网络输出来说，属于哪一种类别的概率最大，从而给出分类结果。
7.根据权利要求4所述的一种化纤生产自动化运输存储方法，其特征在于：所述路径控制模型包括，
F(n)＝G(n)+HNN(n)
其中，HEuclidean(n)为欧式距离计算方法，α为可以调节的参数，由于基函数的值代表路径代价，因此α<0，对于符合神经网络输出的方向，HNN(n)输出的值小于标准欧式距离，反之则大于标准欧式距离，即在没有其他因素影响的条件下，搜索方向将一直沿着神经网络所输出的结果方向前进。
8.根据权利要求1所述的一种化纤生产自动化运输存储方法，其特征在于：所述控制量模型包括，
定义当前反馈速度为vi，对应控制量ui，下一时刻由上位机发送来的速度为vi+1，对应控制量ui+1，则在下一阶段采样时间t内的控制量为
u(t)＝u(i)+[u(i+1)-u(i)]·σ(t)
＝[1-σ(t)]·u(i)+σ(t)·u(i+1)
其中，σ为控制频率。
9.根据权利要求4所述的一种化纤生产自动化运输存储方法，其特征在于：还包括，
对获取的RGB-D图像、雷达数据、里程计节点进行同步化处理，得到传感器数据；
所述传感器数据传输至短期记忆模块内，形成回环和近距离探测以完成图像优化，得到全局地图组长；
分别划分所述全局地图组长，得到所述栅格地图。
10.一种化纤生产自动化运输存储***，其特征在于：包括，
运输组件(100)，包括纺丝机(101)、AGV运输车(102)、缓存台(103)和小车通道(104)，所述小车通道(104)设置于所述纺丝机(101)和缓存台(103)之间，所述AGV运输车(102)设置于所述小车通道(104)中；
存储组件(200)，包括转运台(201)、机械轨(202)、抓取机器人(203)和货架(204)，所述机械轨(202)设置于所述转运台(201)和缓存台(103)之间，所述抓取机器人(203)置于所述机械轨(202)上，所述货架(204)与所述转运台(201)对接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210025961.2A CN114313882A (zh) | 2022-01-11 | 2022-01-11 | 一种化纤生产自动化运输***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210025961.2A CN114313882A (zh) | 2022-01-11 | 2022-01-11 | 一种化纤生产自动化运输***及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114313882A true CN114313882A (zh) | 2022-04-12 |
Family
ID=81027278
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210025961.2A Pending CN114313882A (zh) | 2022-01-11 | 2022-01-11 | 一种化纤生产自动化运输***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114313882A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107697641A (zh) * | 2017-11-07 | 2018-02-16 | 无锡宏源机电科技股份有限公司 | 一种自动回转置放丝饼车装置 |
| US20180268281A1 (en) * | 2017-03-17 | 2018-09-20 | The Regents Of The University Of Michigan | Method And Apparatus For Constructing Informative Outcomes To Guide Multi-Policy Decision Making |
| CN108563122A (zh) * | 2018-04-12 | 2018-09-21 | 江南大学 | 一种移动机器人速度平滑插值方法 |
| CN112525196A (zh) * | 2020-11-23 | 2021-03-19 | 山东亚历山大智能科技有限公司 | 一种基于多维数据的agv路线规划调度方法及*** |
| CN112539750A (zh) * | 2020-11-25 | 2021-03-23 | 湖北三环智能科技有限公司 | 一种智能运输车路径规划方法 |
| GB202105672D0 (en) * | 2021-04-21 | 2021-06-02 | Zeta Specialist Lighting Ltd | Traffic control at an intersection |
| CN112987763A (zh) * | 2021-05-11 | 2021-06-18 | 南京理工大学紫金学院 | 一种基于ros的自主导航机器人控制***的智能小车 |
| CN113800328A (zh) * | 2021-09-27 | 2021-12-17 | 无锡市汇流化纤科技有限公司 | 一种化纤丝饼落筒、分拣及包装自动化控制***和方法 |
| CN113821025A (zh) * | 2021-08-24 | 2021-12-21 | 贵州电网有限责任公司 | 一种神经网络优化启发函数的移动机器人路径规划方法 |
-
2022
- 2022-01-11 CN CN202210025961.2A patent/CN114313882A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180268281A1 (en) * | 2017-03-17 | 2018-09-20 | The Regents Of The University Of Michigan | Method And Apparatus For Constructing Informative Outcomes To Guide Multi-Policy Decision Making |
| CN107697641A (zh) * | 2017-11-07 | 2018-02-16 | 无锡宏源机电科技股份有限公司 | 一种自动回转置放丝饼车装置 |
| CN108563122A (zh) * | 2018-04-12 | 2018-09-21 | 江南大学 | 一种移动机器人速度平滑插值方法 |
| CN112525196A (zh) * | 2020-11-23 | 2021-03-19 | 山东亚历山大智能科技有限公司 | 一种基于多维数据的agv路线规划调度方法及*** |
| CN112539750A (zh) * | 2020-11-25 | 2021-03-23 | 湖北三环智能科技有限公司 | 一种智能运输车路径规划方法 |
| GB202105672D0 (en) * | 2021-04-21 | 2021-06-02 | Zeta Specialist Lighting Ltd | Traffic control at an intersection |
| CN112987763A (zh) * | 2021-05-11 | 2021-06-18 | 南京理工大学紫金学院 | 一种基于ros的自主导航机器人控制***的智能小车 |
| CN113821025A (zh) * | 2021-08-24 | 2021-12-21 | 贵州电网有限责任公司 | 一种神经网络优化启发函数的移动机器人路径规划方法 |
| CN113800328A (zh) * | 2021-09-27 | 2021-12-17 | 无锡市汇流化纤科技有限公司 | 一种化纤丝饼落筒、分拣及包装自动化控制***和方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109885891B (zh) | 一种智能车gpu并行加速轨迹规划方法 | |
| CN110134140B (zh) | 一种环境信息未知连续状态下基于势函数奖赏dqn的无人机路径规划方法 | |
| CN113085850B (zh) | 车辆避障方法、装置、电子设备及存储介质 | |
| Min et al. | Autonomous driving path planning algorithm based on improved A* algorithm in unstructured environment | |
| CN108958285B (zh) | 一种基于分解思想的高效多无人机协同航迹规划方法 | |
| CN112596515B (zh) | 一种多物流机器人移动控制方法及装置 | |
| CN111694356A (zh) | 一种行驶控制方法、装置、电子设备及存储介质 | |
| Cheng et al. | Real-time trajectory planning for autonomous driving with gaussian process and incremental refinement | |
| GB2610276A (en) | Method for multi-agent dynamic path planning | |
| Batinovic et al. | A shadowcasting-based next-best-view planner for autonomous 3D exploration | |
| CN117213497A (zh) | 基于深度强化学习的agv全局路径规划方法 | |
| Chen et al. | Real-time path planning for a robot to track a fast moving target based on improved Glasius bio-inspired neural networks | |
| Pivtoraiko et al. | Differentially constrained motion replanning using state lattices with graduated fidelity | |
| CN114493013A (zh) | 基于强化学习的智能体路径规划方法、电子设备及介质 | |
| Abu et al. | A comprehensive overview of classical and modern route planning algorithms for self-driving mobile robots | |
| Fuertes et al. | Solving routing problems for multiple cooperative Unmanned Aerial Vehicles using Transformer networks | |
| Zhang et al. | An efficient planning method based on deep reinforcement learning with hybrid actions for autonomous driving on highway | |
| CN111310919B (zh) | 基于场景切分和局部路径规划的驾驶控制策略训练方法 | |
| CN114313882A (zh) | 一种化纤生产自动化运输***及方法 | |
| Yevsieiev et al. | Building a traffic route taking into account obstacles based on the A-star algorithm using the python language | |
| CN113885567B (zh) | 一种基于冲突搜索的多无人机的协同路径规划方法 | |
| CN113759915B (zh) | 一种agv小车路径规划方法、装置、设备及存储介质 | |
| CN112633585A (zh) | 无人设备调度方法、装置、电子设备及存储介质 | |
| Napoli et al. | Learning models for predictive adaptation in state lattices | |
| CN111954149A (zh) | 面向车联网定位的非全覆盖场景路边单元部署方法和*** |
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 |