陆金桂 (中国江苏省南京市鼓楼区青石村新生院77号, Jiangsu 9, 210009, CN)
HAN, Shaojun (No. 118 Aoti Street, Jianye DistrictNanjing, Jiangsu 9, 210019, CN)
江苏六维物流设备实业有限公司 (中国江苏省南京市建邺区奥体大街118号韩绍军, Jiangsu 9, 210019, CN)
LU, Jingui (No. 77 Xinshengyuan, Qingshicun Gulou Distric, Nanjing Jiangsu 9, 210009, CN)
陆金桂 (中国江苏省南京市鼓楼区青石村新生院77号, Jiangsu 9, 210009, CN)
| 权 利 要 求 书 1、 堆垛机神经网络控制技术， 其特征是以神经网络为手段、 以降低堆垛机高速运行过程中产生 的振动量为目标， 进行堆垛机运行过程的速度控制， 包括以下步骤： 建立堆垛机运行过程样本数据； 构建神经网络模型； 堆垛机运行速度预测； 堆垛机速度控制。 2、 根据权利要求 1所述的堆垛机神经网络控制技术， 其特征在于： 所述的堆垛机运行速度值的 预测是通过建立神经网络模型并对网络进行训练来实现的。 |
本发明属于堆垛机控制相关领域， 特别涉及一种针对堆垛机运行过程的神经网络 控制技术。 技术背景：
由于自动化立体仓库具有空间利用率高、管理 方便、 自动化程度高等优点，其应用范围越来越广。 作为立体化仓库中关键设备的堆垛机， 其控制技术对于对垛机性能十分关键。 随着可编程逻辑控制器
(PLC)、变频调速、 激光测距等技术在堆垛机控制领域的广泛应用 ，堆垛机运行速度有了明显的提高。 但是堆垛机运行速度的提高带来了振动等问题 ， 因而需要对堆垛机运行过程的速度进行优化来 降低堆 垛机的振动。
目前在堆垛机控制技术方面开展了一些研究工 作。王勇军和周奇才等以激光测距技术作为巷 道堆 垛机的认址手段， 应用变频器无级调速闭环控制方式,研究了一 新型巷道堆垛机高速运行的控制方 法。 陈娟和钟永彦等针对自动化立体仓库中堆垛机 控制的特点， 探讨了堆垛机控制系统的硬件和软件 实现方式。 吕全海和沈敏德等人结合激光测距技术对堆垛 机闭环速度控制的硬件和软件的实现技术进 行了讨论。 别文群和缕兴锋等对堆垛机行走机构、 升降机构、 伸缩货叉机构的 PLC控制系统进行了设 计。 葛高丰分析了堆垛机控制系统的组成、 结构和特点， 讨论了基于西门子 S7-300 PLC的堆垛机控 制系统方案。 罗志清和阎树田等针对邮包立体仓库堆垛机的 特殊性, 将模糊控制和预测控制相结合， 提出智能预测模糊控制算法， 并根据堆垛机运动的实际工况进行了模糊建模 和仿真。 目前利用神经网 络进行堆垛机运行速度控制来降低堆垛机振动 ， 这方面的研究工作还未见公开文献报道。
本发明是有关堆垛机的神经网络控制技术。 本发明提出的堆垛机控制新技术是以神经网络 为手 段、 以降低堆垛机高速运行过程中产生的振动量为 目标； 利用神经网络建立最小振动状态下堆垛机运 行参数之间映射模型， 进行堆垛机最小振动状态运行速度预报； 在此基础上进行堆块机运行过程的控 制， 从而实现减小堆垛机运行过程振动幅度的目标 。 本发明提出的堆垛机神经网络控制新技术， 是通 过神经网络来建立堆垛机运行参数与最小振动 状态之间映射模型， 因而是堆垛机最小振动状态下运行 速度控制参数的经验优选。本发明提出的堆垛 机神经网络控制技术， 可降低堆垛机高速运行过程中产 生的振动量， 为确保堆垛机的高效、 安全运行提供有效控制手段。 发明内容：
本发明的目的是以神经网络为手段、 以降低堆垛机高速运行过程中产生的振动量为 目标， 进行堆 垛机运行过程的速度控制。 为了达到上述目标， 本发明采用的技术方案是： 以堆垛机运行过程中主要 作业参数和堆垛机运行过程中产生的振动数据 为基础，建立最堆垛机最小振动状态下主要运 行参数之 间的神经网络映射模型； 利用建立的神经网络模型预测堆垛机作业过程 中振动量最小状态的运行速 度； 以预报的堆垛机速度为基础得到堆垛机运行的 速度控制曲线， 利用可编程逻辑控制器和变频控制 器的数值转换实现堆垛机的速度控制。
本发明包括堆垛机运行过程样本数据建立、 构建神经网络模型、 堆垛机运行速度预测、 堆垛机速 度控制等内容。 本发明包括的具体步骤如下：
1) 建立堆垛机运行过程样本数据
对堆垛机运行过程进行深入分析， 研究堆垛机运行过程产生振动的机理， 分析与堆垛机振动产生 直接相关的主要影响因素。 在此基础上对堆垛机类型、 操作台高度、 载重、 运行速度和堆垛机运行过 程振动之间关系按照正交试验方法进行实验， 获取反映有关堆垛机类型等参数与堆垛机振动 之间影响 关系的大量数据。 以堆垛机振动量为依据对获得的堆垛机运行数 据进行分类处理。按照堆垛机振动量 说 明 书
的数值， 将堆垛机振动量分为大、 中、 小三类。 在对获得的堆垛机运行数据进行分类基础上构 造堆垛 机运行过程样本数据。 在获取的所有堆垛机运行数据中， 筛选出堆垛机振动量小的一组数据， 并将该 组数据处理为样本数据。 堆垛机振动量小对应的一组数据， 就可以认为是反映了有关堆垛机类型、"操 作台高度、 载重、运行速度和堆垛机最小振动状态之间的 关系。本发明将该组数据中堆垛机振动量数 据项去除， 并将堆 ±朵机运行速度作为样本数据的输出、其它堆 机参数作为样本 ¾据的输入来— 样 本数据。 该样本数据反映了堆垛机最小振动状态下有关 堆垛机运行速度和堆垛机类型、 操作台高度、 载重之间的关系。
2) 构建神经网络模型
以建立的堆垛机运行过程样本数据为基础进行 神经网络模型的构建。堆垛机运行过程样本数 据反 映了堆垛机最小振动状态下堆垛机运行速度和 堆垛机类型等参数之间的关系，因此利用神经 网络进行 样本学习， 就可以将样本数据蕴涵的堆垛机最小振动状态 下堆垛机参数间关系由神经网络模型来描 述， 即通过样本学习获得的神经网络模型描述的堆 垛机运行速度和堆垛机类型等参数之间的关系 反映 了堆¾机最小振动状态下参数之间的规律。
构建神经网络模型需要先确定神经网络的结构 和属性， 包括神经网络的层数、 隐含层数、 每层的 神经元数、每层的激活函数设置以及该神经网 络模型的输入输出参数等。其中神经网络输入 层神经元 个数対应于样本输入部分的参数数目， 包括堆块机类型、 操作台高度、 载货重量。 神经网络输出层神 经 个数对应于样本输出部分的参数数目， 包括堆垛机运行速度。在确定神经网络结构后 ， 将样本数 据处理成满足神经网络学习需要的要求， 选择合适的学习算法进行神经网络的学习。完 成神经网络的 样本学习过程后， 就可以建立反映堆垛机最小振动状态下堆垛机 参数间关系的神经网络模型。
3 ) 堆垛机运行速度预测
以构建的堆垛机最小振动状态下堆垛机运行速 度和堆垛机类型等参数之间的神经网络模型为 基 础， 进行最小振动状态下堆垛机运行速度的预测。 将需要进行速度控制的堆探机类型、 操作台高度、 载货重量作为神经网络的输入参数， 对这些数据处理成满足神经网络预测需要的要 求， 即可获得的神 经网络的输出。 对神经网络的输出数据进行处理， 即可获得堆垛机最小振动状态下运行速度参数 。
4) 堆垛机速度控制
以神经网络预测获得的堆垛机最小振动状态下 堆垛机运行速度为基础， 进行离散速度值曲线拟 合， 得到堆垛机运行的控制速度曲线， 为变频器对堆垛机的速度控制做准备。
堆垛机运行的速度控制就是以堆垛机速度控制 曲线为依据， 取此速度曲线上的点作为速度设定值 传送给 FID功能块， 控制堆 ¾机的运行速度， 指导堆垛机的运行。
本发明的优点： 堆垛机的神经网络控制技术， 能够对堆垛机作业过程中最小振动状态下的运 行速 度进行预测和控制， 降低堆垛机运行过程中的振动量。 附图说明：
附图 1 是堆块机神经网络控制技术的流程图；
附图 2是堆垛机神经网络控制的控制原理示意图
附图 3是堆垛机神经网络控制的三层神经网络模型 意图； 具体实施方式：
以下结合附图， 说明本发明提出的针对自动化立体仓库堆垛机 的神经网络控制技术， 其具体实施 方法如下：
图 1是堆垛机神经网络控制的流程图， 在本发明中以神经网络为手段、 以降低堆垛机高速运行过 程中产生的振动量为目标， 进行堆垛机运行过程的速度控制。本发明首先 以堆垛机运行过程中主要作 业参数和堆垛机运行过程中产生的振动数据为 基础，建立最堆垛机最小振动状态下主要运行 参数之间 的神经网络映射模型； 利用建立的神经网络模型预测堆垛机作业过程 中振动量最小状态的运行速度； 以预报的堆垛机速度为基础得到堆垛机运行的 速度控制曲线，利用可编程逻辑控制器和变频 控制器的 薮值转换实现堆垛机的速度控制。
图 2是堆垛机神经网络控制的控制原理示意图， 本发明中堆垛机的神经网络控制算法主要由可 编 程控制器 PLC来完成。通过神经网络的训练预测堆垛机在 单次作业路径上每段的运行速度值， 此功能 块输出的是各时段的速度控制值， 这些速度值是一些离散点， 如何直接用于控制， 由于各点不连续， 对堆垛机会造成一定的冲击， 为了使堆垛机运行平稳， 这里通过将这些离散点拟合成堆垛机的运行控 制曲线， 以取此曲线上的各点作为速度设定值送变频控 制器。
本发明对速度采用闭环控制， 堆垛机的速度可以通过激光测距仪检测的堆垛 机水平位置的变化速 度来计算。运算后的速度控制量通过 PLC的 D/A模块转化为电流信号用于控制变频器，本发 明中行走、
说
起升和货叉电机分别由两台变频器分时控制 实现无极调速，变频器再通过改变电源频率控 制电机的转 速。 本发明的实施例： 书
图 3是堆垛机神经网络控制的三层神经网络模型 意图，本实施例中构建的神经网络为具有三 结构的神经网络模型， 如图 3所示。
1.确定输入输出变量
在立体化自动化仓库中，通常是将货物放置在 堆垛机的操作平台上，通过堆垛机的移动进行 运送， 在货物运行过程中， 由于堆垛机的起动、 加速、 匀速、 减速直到停止的复合运动等容易引起堆垛机机 体的有害振动， 影响了堆垛机安全有效的运行。这些因素主要 包括堆垛机的类型、堆垛机操作台的高 度、 堆垛机的载重、 堆垛机在运行线路上各段的运行速度。 因此， 可以采用堆垛机的类型、 操作台高 度、载货重量等几个变量作为堆垛机神经网络 模型的输入变量， 而将堆垛机在运行线路上各段的运行 速度作为堆垛机神经网络模型的输出变量。
2.网络结构描述
在该堆垛机神经网络控制技术中， 设我们将堆垛机的一次作业运行路线按照需要 分为 N个部分， 那么该发明中神经网络模型的输入层所包含的 神经元个数为 N + 3个， 分别对应堆垛机的类型、 操作 台的高度、 当前的载重以及堆垛机一次作业运行线路上各 段的速度值 ( 、 V 2 V N ) ; 该神经 网络模型输出节点数为 N个， 对应堆垛机一次作业路线上各段的速度值 ；、 V 2 V N ) 中间 一层为神经网络模型的隐含层， 它所包含的神经元的个数为 2N + 3 +t个， 其中 t表示 0到 10之间 的任意一个整数。
在本发明的神经网络模型中，输入层、中间层 (隐含层)和输出层、上下层之间各神经元实现 接， 同层之间无连接， 隐含层的激活函数均采用 Sigmoid函数 (S型函数)， 函数描述如下：
/( v ) =
1 + exp(-av)
式中， a为 Sigmoid函数的斜率参数， 通过改变参数 a， 可以获取不同斜率的 Sigmoid函数。 3.网络训练
网络的训练样本通过堆垛机实际作业过程随机 采集而来， 而神经网络采用三层的神经网络模型， 结构采用 N个输入神经元、 V^ T + t个隐含层节点（t表示 0到 10之间的任意一个整数)和 N个输 出节点。神经网络训练的过程就是一个学习的 过程： 首先将输入信息通过输入层经隐含层逐层处理 并 计算每个单元的实际输出值， 然后根据期望输出与实际输出的差值， 由输出端开始逐层调节权值。
Next Patent: NEW METHOD FOR PROPELLER DIGITAL DETECTION