CN117215180B - 基于模糊pid的塑料膜包装智能调控*** - Google Patents

Abstract

本发明涉及塑料膜包装机控制领域，具体涉及基于模糊PID的塑料膜包装智能调控***，该***包括：采集连续多帧塑料膜图像，获取塑料膜二值图像中的高亮区域，得到高亮区域的走向线段，根据塑料膜二值图像中所有高亮区域的走向线段，获取分布角度特征，进一步得到偏移程度；获取当前帧与前一帧中高亮区域的多种组合方式，获取每种组合方式的评价程度，确定最优组合方式，根据最优组合方式获取高亮区域的偏差角度，进一步得到每个托辊的影响程度，进一步获取托辊的衰减参数；根据衰减参数构建神经网络，设置损失函数，得到控制量，根据控制量对塑料膜包装机所有的托辊的伺服电机的功率进行控制。本发明对塑料膜包装机的调控更加精准。

Description

基于模糊PID的塑料膜包装智能调控***

技术领域

本发明涉及塑料膜包装机控制领域，具体涉及基于模糊PID的塑料膜包装智能调控***。

背景技术

模糊PID控制是在传统的PID闭环控制的基础上，通过模糊规则解决传统的PID控制自适应获取控制参数的缺点，现在被广泛的用于装置机械控制中。塑料膜包装机是完成物品填充、包裹及封口等一系列包装过程的机器，具有广泛的市场需求，然而塑料膜包装机的塑料膜的供送速度严重影响到包装效果，因此塑料膜包装机的塑料膜的供送速度往往通过神经网络模糊PID控制器进行自适应控制，神经网络模糊PID控制器相较于传统的模糊PID控制器拥不需要过多的依赖于建立精确的数学模型，进而得到的控制参数更加准确。

在进行神经网络模糊PID控制过程中，将塑料膜的供送速度与实际的速度的差值以及对应的差值变化率作为PID控制器的输入参数，结合模糊规则得到对应的输出结果，进而进行塑料膜包装机的供送速度的调控。控制供送速度通过调节托辊的伺服电机的功率来进行，但是随着使用时间的增加，伺服电机的不稳定性以及不同托辊的伺服电机之间的综合作用，会造成神经网络模糊PID控制器的输出数据产生较大的误差，使得模糊PID控制器的参数的准确性不足，塑料膜包装机的调控的精准度不足。

发明内容

为了解决相关技术中神经网络模糊PID控制器的输出数据产生较大的误差，使得模糊PID控制器的参数的准确性不足，塑料膜包装机的调控的精准度不足的技术问题，本发明提供基于模糊PID的塑料膜包装智能调控***，所述***包括：

数据采集模块，采集连续多帧塑料膜图像；

托辊伺服电机校正参数获取模块，将塑料膜图像转换为塑料膜二值图像；获取塑料膜二值图像中的高亮区域；将高亮区域的边缘上任意两个边缘点进行连线，将最长的连线作为高亮区域的走向线段；根据塑料膜二值图像中所有高亮区域的走向线段，获取塑料膜二值图像的分布角度特征；根据分布角度特征获取塑料膜二值图像的偏移程度；

获取当前帧塑料膜二值图像的每个高亮区域在前一帧塑料膜二值图像中的多个候选对应区域；根据当前帧塑料膜二值图像的所有高亮区域的候选对应区域获取所有组合方式；获取每种组合方式中，当前帧塑料膜二值图像的每个高亮区域与前一帧塑料膜二值图像中对应的高亮区域之间的走向线段的方向的差异，作为当前帧塑料膜二值图像的每个高亮区域的分布差异；根据分布差异获以及当前帧塑料膜二值图像的每个高亮区域之间的距离获取每种组合方式的评价程度；将评价程度最大的组合方式作为最优组合方式，根据最优组合方式获取连续帧中对应高亮区域的偏差角度；根据偏差角度获取每个托辊的影响程度；根据每个托辊的影响程度获取当前帧每个托辊的衰减参数；

控制量获取模块，构建神经网络，根据当前帧每个托辊的衰减参数设置每个托辊的损失函数；利用神经网络输出控制参数，将控制参数输入到PID控制器中得到控制量；

控制模块，根据控制量对塑料膜包装机所有的托辊的伺服电机的功率进行控制。

优选的，所述获取塑料膜二值图像的分布角度特征，包括的步骤为：

塑料膜二值图像的分布角度特征的表达式为：

其中为塑料膜二值图像的分布角度特征；/>表示塑料膜二值图像中第/>个高亮区域的走向线段的像素点个数；/>为对/>进行归一化的结果；/>表示塑料膜二值图像中第/>个高亮区域的走向线段的方向角度；/>表示塑料膜二值图像中高亮区域的个数。

优选的，所述根据分布角度特征获取塑料膜二值图像的偏移程度，包括的步骤为：

将塑料膜二值图像的分布角度特征与塑料膜包装机当前托辊位置之间的塑料膜运行方向之间的差异除以360°，得到塑料膜二值图像的偏移程度。

优选的，所述获取当前帧塑料膜二值图像的每个高亮区域在前一帧塑料膜二值图像中的多个候选对应区域，包括的步骤为：

获取当前帧塑料膜二值图像的每个高亮区域在前一帧塑料膜二值图像中的投影，作为投影高亮区域，将前一帧塑料膜二值图像中距离投影高亮区域最近的多个高亮区域，分别作为当前帧塑料膜二值图像的每个高亮区域的候选对应区域。

优选的，所述根据当前帧塑料膜二值图像的所有高亮区域的候选对应区域获取所有组合方式，包括的步骤为：

将当前帧塑料膜二值图像的每个高亮区域与高亮区域的任意一个候选对应区域作为一个高亮区域对；将当前帧塑料膜二值图像中的所有高亮区域与前一帧塑料膜二值图像中的高亮区域组成多个高亮区域对，将所有高亮区域对作为一种组合方式，一种组合方式中所有高亮区域对中高亮区域不重叠；

获取所有组合方式。

优选的，所述根据分布差异获以及当前帧塑料膜二值图像的每个高亮区域之间的距离获取每种组合方式的评价程度，包括的步骤为：

第种组合方式的评价程度/>的计算表达式为：

其中为第/>种组合方式的评价程度；/>为塑料膜包装机运行时间；/>为第/>帧塑料膜图像采集的时间；/>为第/>种组合方式中第/>帧塑料膜二值图像的第/>个高亮区域与其在第/>帧塑料膜二值图像中对应的高亮区域的分布差异；/>为第/>帧塑料膜二值图像中高亮区域的个数；/>为第/>帧塑料膜二值图像中，第/>个高亮区域与距离其最近的高亮区域之间的距离；/>为以自然常数为底的指数函数；/>为超参数。

优选的，所述根据最优组合方式获取连续帧中对应高亮区域的偏差角度，包括的步骤为：

获取当前帧塑料膜二值图像的每个高亮区域在前一帧塑料膜二值图像中的投影的质心，获取投影的质心与最优组合方式中当前帧塑料膜二值图像每个高亮区域在前一帧帧塑料膜二值图像中对应的高亮区域的质心的连线，将连线的角度作为当前帧塑料膜二值图像每个高亮区域的偏差角度。

优选的，所述根据偏差角度获取每个托辊的影响程度，包括的步骤为：

第个托辊的影响程度/>的计算表达式为：

其中为第/>帧塑料膜二值图像中第/>个托辊的影响程度；/>为第/>帧塑料膜二值图像中第/>个高亮区域的偏差角度；/>为第/>个托辊的方向角度；/>为第/>帧塑料膜二值图像中高亮区域的个数，/>为绝对值符号。

优选的，所述根据每个托辊的影响程度获取当前帧每个托辊的衰减参数，包括的步骤为：

将当前帧每个托辊的影响程度除以360°再乘以当前帧塑料膜二值图像的偏移程度，得到当前帧每个托辊的衰减参数。

优选的，所述构建神经网络，根据当前帧每个托辊的衰减参数设置每个托辊的损失函数，包括的步骤为：

神经网络的拓扑结构为：输入层、模糊化层、模糊推理层以及输出层；将每个托辊的设定速度以及实际速度相减得到误差值，并对误差值进行差分得到误差变化率，将误差值以及误差变化率作为神经网络的输入数据；将每个托辊的三个预测控制参数作为输出数据；神经网络的训练集为塑料膜包装机历史运行时每个托辊的设定速度以及实际速度的误差值以及误差变化率；神经网络的标签为基于工程实践和专家经验得到的每个托辊的三个控制参数/>；将神经网络的输出用/>表示，将神经网络的标签用/>表示；

对于训练集中第j帧时刻第w个托辊，优化后的损失函数为：

其中为训练集中第/>帧时刻第/>个托辊的损失函数；/>为训练集中第/>帧时刻第/>个托辊的衰减参数；/>和/>分别表示训练集中第/>帧时刻第/>个托辊对应的模糊神经网络的标签以及输出。

本发明实施例至少具有如下有益效果：

传统的神经网络模糊PID控制塑料膜包装机的供送速度，没有考虑到随着使用时间的增长，托辊的伺服电机会出现一定程度的衰减，传统的神经网络模糊PID控制并没有结合托辊之间的综合作用，使得计算得到的神经网络模糊PID控制器的输出数据具有较大的误差，会造成错误的塑料膜包装机的供送速度调控。本发明实施例通过采集托辊之间的塑料膜图像进行分析，获取由于托辊的衰减造成的褶皱区域的分布特征在连续帧图像的变化，通过分析塑料膜中褶皱区域之间的在连续帧图像的短时变化分布聚集性以及长时趋势分布聚集性，来获取每个托辊的衰减参数，根据每个托辊的衰减参数对神经网络模糊PID控制器中的损失函数进行优化，使得计算得到的模糊PID控制器的参数更加准确，进而使得根据输出参数对塑料膜包装机进行调控更加精准。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例提供的基于模糊PID的塑料膜包装智能调控***的***框图；

图2为本发明一个实施例提供的塑料膜包装机的示意图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于模糊PID的塑料膜包装智能调控***，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的基于模糊PID的塑料膜包装智能调控***的具体方案。

请参阅图1，其示出了本发明一个实施例提供的基于模糊PID的塑料膜包装智能调控***，该***包括以下模块：

数据采集模块S101，用于采集控制所用的塑料膜数据。

塑料膜包装机如图2所示。在伺服电机参数的托辊之间的布置工业高分辨率CCD相机，利用工业高分辨率CCD相机采集伺服电机的托辊之间的塑料膜图像，用于后续托辊伺服电机校正参数获取模块中。

至此，获得了塑料膜图像。

托辊伺服电机校正参数获取模块S102，用于获取托辊衰减参数。

需要说明的是，控制供送速度通过调节托辊的伺服电机的功率来进行，但是随着使用时间的增加，伺服电机的不稳定性以及不同托辊的伺服电机之间的综合作用下(即若调节一个伺服电机的同时，还需要考虑不同伺服电机的互相影响，不同托辊之间的塑料膜的供送速度的综合影响)，若使用传统的模糊PID控制算法得到PID参数对各个托辊的伺服电机的参数进行控制，会在当前时刻对于不同的伺服电机产生错误的控制量值。因此本发明实施例结合采集的当前时刻的塑料膜的图像信息的变化特征获取不同伺服电机的衰减参数，并结合神经网络获取权值过程时自适应的损失函数进行校正，进而得到不同伺服电机准确的权重值，进而得到准确的神经网络模糊PID控制器的控制参数。

需要进一步说明的是，在塑料膜包装机的运行过程中，在光照影响下，塑料膜表面会产生光亮的纹理信息，该纹理信息可能对应的为塑料膜表面不平整区域，在塑料膜包装机正常的运转过程中，采集的塑料膜图像中的塑料膜仅存在运行方向上细微的移动偏差，而当托辊的运转产生异常时（包括托辊由于长时间未维护产生的异常运转，或者托辊的伺服电机参数设置不合理造成的打滑），会造成塑料膜的偏移以及对应的塑料膜内部出现除了运行方向上的其他方向上的移动偏差。因此本发明实施例对采集的每一帧塑料膜图像进行分析，获取每一帧塑料膜图像的偏差信息，进而在连续帧塑料膜图像中获取偏差程度值。当塑料膜由于托辊原因产生偏移时，会在塑料膜产生褶皱现象，并且褶皱区域的分布特征体现着塑料膜的偏移程度，因此本发明实施例根据塑料膜图像中塑料膜的褶皱程度来量化塑料膜图像的偏差信息，并结合不同帧塑料膜图像中的褶皱区域受到各个托辊的影响，来量化每个托辊的衰减参数。

在本发明实施例中，对塑料膜图像进行灰度化处理，得到塑料膜图像灰度图像，对塑料膜灰度图像进行OTUS阈值分割，将像素点灰度值大于阈值的像素值设置为1，将像素点灰度值小于阈值的像素值设置为0，得到塑料膜二值图像。塑料膜二值图像中像素值为1的像素点作为高亮像素点，塑料膜二值图像中直接相连或间接相连的高亮像素点构成一个连通域，将每个连通域作为一个高亮区域，如此得到多个高亮区域。需要说明的是，当一个高亮像素点位于另外一个高亮像素点的八邻域内，此两个高亮像素点直接相连；当两个高亮像素点不直接相连但此两个高亮像素点之间存在多个直接相连的高亮像素点，则此两个高亮像素点间接相连。

需要说明的是，高亮区域表征的塑料膜图像中褶皱区域，通过计算各个高亮区域之间的分布特征的相似性可获取塑料膜图像中塑料膜的偏移程度。

在本发明实施例中，获取塑料膜二值图像中每个高亮区域的边缘，将边缘上每个像素点作为边缘点。本发明实施例利用Canny算子获取塑料膜二值图像中每个高亮区域的边缘，在其他实施例中，实施人员根据实施情况选择边缘检测算法。

获取高亮区域的任意两个边缘点之间的连线，其中最长的连线反应了高亮区域的走向，将最长的连线作为走向线段，走向线段在塑料膜二值图像中的分布特征占比越大，该走向线段的方向越能代表塑料膜的偏移方向。获取每个高亮区域走向线段上的像素点个数，用L表示，对所有高亮区域走向线段上的像素点个数进行softmax归一化，将归一化后的结果用softmax(L)表示。如第i个高亮区域走向线段上的像素点个数归一化后记为。

根据塑料膜二值图像中所有高亮区域的走向线段，获取塑料膜二值图像的分布角度特征：

其中为塑料膜二值图像的分布角度特征；/>表示塑料膜二值图像中第/>个高亮区域的走向线段的像素点个数；/>为对/>进行归一化的结果；/>表示塑料膜二值图像中第/>个高亮区域的走向线段的方向角度（以塑料膜二值图像横坐标从左到右为0°方向）；/>表示塑料膜二值图像中高亮区域的个数。

根据分布角度特获取塑料膜二值图像的偏移程度：

其中为塑料膜二值图像的偏移程度；/>为塑料膜二值图像的分布角度特征；/>表示塑料膜包装机当前托辊位置之间的塑料膜运行方向，该运行方向用相对应的角度表征；为绝对值符号。

需要说明的是，根据一个时刻的塑料膜二值图像（即单帧塑料膜二值图像）仅能确定塑料膜包装机的托辊位置之间的塑料膜受到了偏移的影响，但是无法确定偏移程度受到哪个托辊的影响（由于塑料膜是在两个托辊之间的），因此本发明实施例通过连续帧的塑料膜二值图像的高亮区域之间的分布特征的变化来获取托辊的影响程度值。由于托辊在运行转动过程中，会使得相邻两帧的褶皱区域的形态以及区域分布发生变化，因此无法简单的根据相邻两帧的塑料膜二值图像中高亮区域的形态以及区域分布来确定相邻两帧的塑料膜二值图像中高亮区域的关联性，而托辊造成的塑料膜的打滑等异常会呈现短时变化分布聚集性以及长时趋势分布聚集性，因此本发明实施例对短时变化分布聚集性以及长时趋势分布聚集性进行分析。

在本发明实施例中，获取相邻两帧塑料膜二值图像中的高亮区域，将所有的高亮区域映射到同一个二值图像中，由于短时分布变化高亮区域变化程度较小，因此在本案中以第帧塑料膜二值图像的第/>个高亮区域为例进行分析，获取第/>帧塑料膜二值图像的第/>个高亮区域在第/>帧塑料膜二值图像中的投影，记为第/>个投影高亮区域，获得第/>帧塑料膜二值图像中距离第/>个投影高亮区域最近的K个高亮区域，将此K个高亮区域分别作为第/>帧塑料膜二值图像的第/>个高亮区域的候选对应区域。则对于第/>帧塑料膜二值图像中每个高亮区域，都有K个候选对应区域。其中K为预设个数，在本发明实施例中K=3，在其他实施例中，实施人员可根据需要设置K的值。需要说明的是，投影高亮区域与高亮区域之间的距离为投影高亮区域的质心与高亮区域的质心之间的欧式距离。

将第帧塑料膜二值图像的第/>个高亮区域与其任意一个候选对应区域作为一个高亮区域对，将第/>帧塑料膜二值图像中的高亮区域与第/>帧塑料膜二值图像中的高亮区域组成多个高亮区域对，将此些高亮区域对作为一种组合方式，要求组合方式中所有高亮区域对中高亮区域不重叠，即一个高亮区域已作为一个高亮区域对中的元素，则其不能作为其他高亮区域对的元素。

同理，可获得多种组合方式。

需要说明的是，多种组合方式中仅有一种为连续帧塑料膜二值图像之间高亮区域的实际变化情况，为了更好的确定高亮区域在连续帧塑料膜二值图像之间的变化，进而获取托辊的影响程度，需要对每种组合进行分析，选取短时变化分布聚集性以及长时趋势分布聚集性的最大的组合。其中短时变化分布聚集性表征的为较短时间内（即相邻帧），关联性较大的高亮区域之间的较为聚集，即同一个高亮区域在连续帧塑料膜二值图像中的变化应为聚集性变化，对应的为每个高亮区域在连续帧塑料膜二值图像的走向线段的方向是相近的；长时趋势分布聚集性表征的为对于较长时间变化的时候，褶皱区域的分布密度变化逐渐朝着受到托辊影响较大的方向来变化，其中对应的为长时间变化下高亮区域的分布越来越聚集。

在本发明实施例中，将第种组合方式中第/>帧塑料膜二值图像的第/>个高亮区域与其在第/>帧塑料膜二值图像中对应的高亮区域之间的走向线段的方向的差异，记为分布差异，用/>来表示，则/>获取的方法为：

其中为第/>种组合方式中第/>帧塑料膜二值图像的第/>个高亮区域与其在第帧塑料膜二值图像中对应的高亮区域的分布差异；/>为第/>帧塑料膜二值图像的第/>个高亮区域的走向线段的方向角度；/>为第/>种组合方式中第/>帧塑料膜二值图像的第/>个高亮区域在第/>帧塑料膜二值图像中对应的高亮区域的走向线段的方向角度；/>为绝对值符号；/>，表示当第/>种组合方式中第/>帧塑料膜二值图像的第/>个高亮区域在第/>帧塑料膜二值图像中存在对应的高亮区域时，将作为第/>种组合方式中第/>帧塑料膜二值图像的第/>个高亮区域与其在第帧塑料膜二值图像中对应的高亮区域的分布差异；/>，表示当第种组合方式中第/>帧塑料膜二值图像的第/>个高亮区域在第/>帧塑料膜二值图像中不存在对应的高亮区域时，第/>帧塑料膜二值图像的第/>个高亮区域在第/>帧塑料膜二值图像中对应的高亮区域为空，此时将0.001作为第/>种组合方式中第/>帧塑料膜二值图像的第/>个高亮区域与其在第/>帧塑料膜二值图像中对应的高亮区域的分布差异。

在本发明实施例中，第种组合方式的评价程度/>的计算表达式为：

其中为第/>种组合方式的评价程度；/>为塑料膜包装机运行时间；/>为第/>帧塑料膜图像采集的时间；/>为第/>种组合方式中第/>帧塑料膜二值图像的第/>个高亮区域与其在第/>帧塑料膜二值图像中对应的高亮区域的分布差异；/>为第/>帧塑料膜二值图像中高亮区域的个数；/>为第/>帧塑料膜二值图像中，第/>个高亮区域与距离其最近的高亮区域之间的距离；/>为以自然常数为底的指数函数；/>为超参数，目的是为了防止恒趋近于0，在本发明实施例中，/>，在其他实施例中，实施人员可根据实施情况设置/>的值；/>为短时变化分布聚集性；为长时趋势分布聚集性；/>表征第/>帧塑料膜二值图像的影响权重值；随着时间的分布，当第/>帧塑料膜二值图像的采集时间越短，则越需要考虑短时变化分布聚集性，塑料膜的褶皱的分布特征更需要考虑相邻帧的分布特征变化，而随着时间越长，则越需要考虑长时趋势分布聚集性，塑料膜的褶皱分布特征更需要考虑长时间的变化；短时变化分布聚集性为连续帧塑料膜二值图像中高亮区域之间的分布方向的相似性，长时趋势分布聚集性为长时间图像中高亮区域之间的分布聚集程度，即对应的高亮区域之间质心的欧式距离均值越小，则长时趋势分布聚集性越大。

需要说明的是，本发明实施例中两个高亮区域之间的距离为此两个高亮区域的质心之间的欧式距离。

获取所有组合方式中评价程度最大的组合方式作为最优组合方式，最优组合方式中每个高亮区域对反应了连续帧塑料膜二值图像之间高亮区域的实际变化情况，即前一帧的每个高亮区域对应的为下一帧的哪个高亮区域。

根据最优组合方式获取连续帧中对应高亮区域的偏差角度，如第帧塑料膜二值图像第/>个高亮区域的偏差角度/>的获取方式为：首先获取第/>帧塑料膜二值图像的第/>个高亮区域在第/>帧塑料膜二值图像中的投影的直线，即第/>个投影高亮区域的质心，获取该质心与最优组合方式中第/>帧塑料膜二值图像第/>个高亮区域在第/>帧塑料膜二值图像中对应的高亮区域的质心的连线，将该连线的角度作为第/>帧塑料膜二值图像第/>个高亮区域的偏差角度/>。需要说明的是，当最优组合方式中第/>帧塑料膜二值图像第/>个高亮区域在第/>帧塑料膜二值图像中不存在对应的高亮区域时，将第/>帧塑料膜二值图像第个高亮区域的偏差角度/>设为0°。

根据偏差角度获取每个托辊的影响程度，如根据第帧塑料膜二值图像中的每个高亮区域的偏差角度获取第/>个托辊的影响程度/>的计算表达式为：

其中为第/>帧塑料膜二值图像中第/>个托辊的影响程度；/>为第/>帧塑料膜二值图像中第/>个高亮区域的偏差角度；/>为第/>个托辊的方向角度；/>为第/>帧塑料膜二值图像中高亮区域的个数；/>为绝对值符号。

需要说明的是，托辊的方向角度的获取方法如下：塑料膜包装机中两个托辊是平行的，将两个托辊的中点的连线，将该连线的中点指向每个托辊的中点的方向作为每个托辊方向角度。

根据第帧塑料膜二值图像中第/>个托辊的影响程度获取第/>帧塑料膜二值图像中第/>个托辊的偏差程度/>：

其中为第/>帧塑料膜二值图像中第/>个托辊的偏差程度；/>为第/>帧塑料膜二值图像中第/>个托辊的影响程度；/>为第/>帧塑料膜二值图像的偏移程度。

将第帧塑料膜二值图像中第/>个托辊的偏差程度作为第/>帧时刻第/>个托辊的衰减参数。

同理，获取当前时刻每个托辊的衰减参数。

至此，获取了托辊衰减参数。

控制量获取模块S103，根据每个托辊的托辊衰减参数，对每个托辊的控制参数的神经网络的损失函数进行优化。

需要说明的是，由于不同的托辊对应的托辊衰减参数不同，则在每个托辊进行参数控制的时候，即每个托辊的模糊控制器的神经网络进行参数输出时，需要设置损失函数进行迭代进行模糊推理得到PID控制器的预测控制参数。

在本发明实施例中，模糊神经网络的拓扑结构为：输入层（2个节点）-模糊化层（14个节点）-模糊推理层（49个节点）-输出层（3个节点）。将每个托辊的设定速度以及实际速度相减得到误差值，并对误差值进行差分得到误差变化率，将误差值以及误差变化率作为输入数据，输入到模糊神经网络中，经正向传播输出PID控制器的三个预测控制参数。模糊神经网络的训练集为塑料膜包装机历史运行时每个托辊的设定速度以及实际速度的误差值以及误差变化率。模糊神经网络的标签为基于工程实践和专家经验得到的PID控制器的三个控制参数/>。

将模糊神经网络的输出用表示，即/>，将模糊神经网络的标签用/>表示，即/>。

在本发明实施例中，神经网络的学习率为0.0001，在其他实施例中，实施者可根据具体实施情况设置。

对于训练集中第j帧时刻第w个托辊，优化后的损失函数为：

其中为训练集中第/>帧时刻第/>个托辊的损失函数；/>为训练集中第/>帧时刻第/>个托辊的衰减参数；/>和/>分别表示训练集中第/>帧时刻的第/>个托辊对应的模糊神经网络的标签以及输出；将每个托辊的衰减参数作为/>的权重值，若衰减系数较大，则对应的放大差值，使得继续进一步的迭代得到更加准确的结果。

对于当前时刻的每个托辊的设定速度以及实际速度，获取误差值以及误差变化率，输入到训练完成的模糊神经网络中，得到每个托辊对应的预测控制参数，将输入到PID控制器中得到控制量。

至此，获取了控制量。

控制模块S104，用于根据控制量对每个托辊的伺服电机进行控制。

将控制量传输到PLC芯片中，对所有的托辊的伺服电机的功率进行控制，使各个托辊达到设定的速度。其中功率和速度的变化关系，可根据托辊的伺服电机的线速度以及功率等值获取对应的映射关系。根据获取的功率值调整各个托辊的伺服电机的功率大小。

至此，完成了塑料膜包装的智能调控。

综上所述，本发明的***包括数据采集模块、托辊伺服电机校正参数获取模块、控制量获取模块、控制模块，传统的神经网络模糊PID控制塑料膜包装机的供送速度，没有考虑到随着使用时间的增长，托辊的伺服电机会出现一定程度的衰减，传统的神经网络模糊PID控制并没有结合托辊之间的综合作用，使得计算得到的神经网络模糊PID控制器的输出数据具有较大的误差，会造成错误的塑料膜包装机的供送速度调控。本发明实施例通过采集托辊之间的塑料膜图像进行分析，获取由于托辊的衰减造成的褶皱区域的分布特征在连续帧图像的变化，通过分析塑料膜中褶皱区域之间的在连续帧图像的短时变化分布聚集性以及长时趋势分布聚集性，来获取每个托辊的衰减参数，根据每个托辊的衰减参数对神经网络模糊PID控制器中的损失函数进行优化，使得计算得到的模糊PID控制器的参数更加准确，进而使得根据输出参数对塑料膜包装机进行调控更加精准。

Claims (1)

1.基于模糊PID的塑料膜包装智能调控***，其特征在于，所述***包括：

数据采集模块，采集连续多帧塑料膜图像；

托辊伺服电机校正参数获取模块，将塑料膜图像转换为塑料膜二值图像；获取塑料膜二值图像中的高亮区域；将高亮区域的边缘上任意两个边缘点进行连线，将最长的连线作为高亮区域的走向线段；根据塑料膜二值图像中所有高亮区域的走向线段，获取塑料膜二值图像的分布角度特征；根据分布角度特征获取塑料膜二值图像的偏移程度；

获取当前帧塑料膜二值图像的每个高亮区域在前一帧塑料膜二值图像中的多个候选对应区域；根据当前帧塑料膜二值图像的所有高亮区域的候选对应区域获取所有组合方式；获取每种组合方式中，当前帧塑料膜二值图像的每个高亮区域与前一帧塑料膜二值图像中对应的高亮区域之间的走向线段的方向的差异，作为当前帧塑料膜二值图像的每个高亮区域的分布差异；根据分布差异获以及当前帧塑料膜二值图像的每个高亮区域之间的距离获取每种组合方式的评价程度；将评价程度最大的组合方式作为最优组合方式，根据最优组合方式获取连续帧中对应高亮区域的偏差角度；根据偏差角度获取每个托辊的影响程度；根据每个托辊的影响程度获取当前帧每个托辊的衰减参数；

控制量获取模块，构建神经网络，根据当前帧每个托辊的衰减参数设置每个托辊的损失函数；利用神经网络输出控制参数，将控制参数输入到PID控制器中得到控制量；

控制模块，根据控制量对塑料膜包装机所有的托辊的伺服电机的功率进行控制；

所述获取塑料膜二值图像的分布角度特征，包括的步骤为：

塑料膜二值图像的分布角度特征的表达式为：

其中为塑料膜二值图像的分布角度特征；/>表示塑料膜二值图像中第/>个高亮区域的走向线段的像素点个数；/>为对/>进行归一化的结果；/>表示塑料膜二值图像中第/>个高亮区域的走向线段的方向角度；/>表示塑料膜二值图像中高亮区域的个数；

所述根据分布角度特征获取塑料膜二值图像的偏移程度，包括的步骤为：

将塑料膜二值图像的分布角度特征与塑料膜包装机当前托辊位置之间的塑料膜运行方向之间的差异除以360°，得到塑料膜二值图像的偏移程度；

所述获取当前帧塑料膜二值图像的每个高亮区域在前一帧塑料膜二值图像中的多个候选对应区域，包括的步骤为：

获取当前帧塑料膜二值图像的每个高亮区域在前一帧塑料膜二值图像中的投影，作为投影高亮区域，将前一帧塑料膜二值图像中距离投影高亮区域最近的多个高亮区域，分别作为当前帧塑料膜二值图像的每个高亮区域的候选对应区域；

所述根据当前帧塑料膜二值图像的所有高亮区域的候选对应区域获取所有组合方式，包括的步骤为：

将当前帧塑料膜二值图像的每个高亮区域与高亮区域的任意一个候选对应区域作为一个高亮区域对；将当前帧塑料膜二值图像中的所有高亮区域与前一帧塑料膜二值图像中的高亮区域组成多个高亮区域对，将所有高亮区域对作为一种组合方式，一种组合方式中所有高亮区域对中高亮区域不重叠；

获取所有组合方式；

所述根据分布差异获以及当前帧塑料膜二值图像的每个高亮区域之间的距离获取每种组合方式的评价程度，包括的步骤为：

第种组合方式的评价程度/>的计算表达式为：

其中为第/>种组合方式的评价程度；/>为塑料膜包装机运行时间；/>为第/>帧塑料膜图像采集的时间；/>为第/>种组合方式中第/>帧塑料膜二值图像的第/>个高亮区域与其在第/>帧塑料膜二值图像中对应的高亮区域的分布差异；/>为第/>帧塑料膜二值图像中高亮区域的个数；/>为第/>帧塑料膜二值图像中，第/>个高亮区域与距离其最近的高亮区域之间的距离；/>为以自然常数为底的指数函数；/>为超参数；

所述根据最优组合方式获取连续帧中对应高亮区域的偏差角度，包括的步骤为：

获取当前帧塑料膜二值图像的每个高亮区域在前一帧塑料膜二值图像中的投影的质心，获取投影的质心与最优组合方式中当前帧塑料膜二值图像每个高亮区域在前一帧帧塑料膜二值图像中对应的高亮区域的质心的连线，将连线的角度作为当前帧塑料膜二值图像每个高亮区域的偏差角度；

所述根据偏差角度获取每个托辊的影响程度，包括的步骤为：

第个托辊的影响程度/>的计算表达式为：

其中为第/>帧塑料膜二值图像中第/>个托辊的影响程度；/>为第/>帧塑料膜二值图像中第/>个高亮区域的偏差角度；/>为第/>个托辊的方向角度；/>为第/>帧塑料膜二值图像中高亮区域的个数，/>为绝对值符号；

所述根据每个托辊的影响程度获取当前帧每个托辊的衰减参数，包括的步骤为：

将当前帧每个托辊的影响程度除以360°再乘以当前帧塑料膜二值图像的偏移程度，得到当前帧每个托辊的衰减参数；

所述构建神经网络，根据当前帧每个托辊的衰减参数设置每个托辊的损失函数，包括的步骤为：

神经网络的拓扑结构为：输入层、模糊化层、模糊推理层以及输出层；将每个托辊的设定速度以及实际速度相减得到误差值，并对误差值进行差分得到误差变化率，将误差值以及误差变化率作为神经网络的输入数据；将每个托辊的三个预测控制参数作为输出数据；神经网络的训练集为塑料膜包装机历史运行时每个托辊的设定速度以及实际速度的误差值以及误差变化率；神经网络的标签为基于工程实践和专家经验得到的每个托辊的三个控制参数/>；将神经网络的输出用/>表示，将神经网络的标签用/>表示；

对于训练集中第j帧时刻第w个托辊，优化后的损失函数为：

其中为训练集中第/>帧时刻第/>个托辊的损失函数；/>为训练集中第/>帧时刻第/>个托辊的衰减参数；/>和/>分别表示训练集中第/>帧时刻第/>个托辊对应的模糊神经网络的标签以及输出。