基于STOA-PNN的带式输送机自适应纠偏系统_邢丹.pdf

基于 STOA-PNN 的带式输送机自适应纠偏系统*邢丹李敬兆（安徽理工大学计算机科学与工程学院，安徽 淮南232001）石晴刘继超冯思强刘磊（淮北合众机械设备有限公司，安徽 淮北235000）Adaptive Deflection Correction System for Belt Conveyor Based on STOA-PNN摘要：在散状物料运输过程中，经常出现带式输送机跑偏现象。基于多智能体协同控制思想，采用STOA-PNN方法，设计了带式输送机自适应纠偏系统。通过STOA算法优化概率神经网络（PNN）的平滑参数，将传感器采集到的不同情况下的偏移数据作为输入，PNN控制器根据输送带偏移情况，自适应地输出控制参数，结合调整电机完成输送机运行过程的动态纠偏。现场应用表明，基于STOA-PNN方法的纠偏系统应用到带式输送机上，有效避免了偏移故障的发生，保证了输送机稳定运行，实现无偏移运输。关键词：带式输送机；纠偏；STOA；PNN；协同控制；多智能体Abstract:In the process of bulk material transportation,belt conveyor runout phenomenon often occurs.Based on theidea of multi-intelligent body cooperative control,the STOA-PNN method is used to design the belt conveyor adaptive de-flection correction system.The smoothing parameters of the probabilistic neural network(PNN)are optimized by the STOAalgorithm,and the offset data collected by the sensors under different conditions are used as input.The PNN controlleradaptively outputs the control parameters according to the belt offset,and completes the dynamic deflection correction ofthe conveyor operation process in combination with the adjustment motor.The field application shows that the deflection cor-rection system based on STOA-PNN method applied to the belt conveyor effectively avoids the occurrence of deflectionfailure,ensures the stable operation of the conveyor and realizes deflection-free transportation.Keywords:belt conveyor,corrective action,STOA,PNN,collaborative control,multi-agent煤、砂等堆积在一起的散状物料需要进行远距离、大运量输送，使用带式输送机具有输送量大、结构简单、维修方便、成本低的优点。然而，在带式输送机朝着提高输送速度、增加输送距离的方向发展的同时，会带来许多其他的问题，其中，带式输送机发生跑偏的问题极大程度上影响了运输的效率，需要不断地停止工作去调整，会带来工作效率低下和经济效益损失的影响1。因此，提出了一种利用概率神经网络控制的带式输送机智能纠偏系统，该系统主要通过控制调整电机的工作状态实现纠偏功能。将光电式传感器检测到的皮带跑偏距离以及磁敏角度传感器检测到的偏移角度数据输入到PNN（概率神经网络）控制器中2，PNN控制器会根据接收到的数据，经过分析后发出对应的纠正指令给调整电机，进而实现对带式输送机在运行过程中的自动纠偏控制，满足运行安全性需求。实现对带式输送机运行状态的实时调整，有效避免了运行过程中的跑偏现象。1相关工作针对散装物料运输过程中，经常出现的带式输送机跑偏问题，国内外的一些学者也做出了相应的研究。文献3利用视觉系统检测输送带运行状态，纠偏部分采用一级小幅度纠偏，二级大幅度的模式；文献4应用一套蜗杆传动机构，对机械系统和控制系统进行详细计算与设计，进一步提升输送机整机的可靠性和安全性；文献5使用机器视觉方法采集偏移量，PLC控制电机的转速，以此控制托辊的偏移量，达到纠偏的目的；文献6采用排序蚁群算法对传统的PID控制器中的参数进行优化，从而提升输送带横向纠偏控制的性能。目前大多数的输送带纠偏装置是从视觉角度检测到偏移，却无法实现精准获取偏移数据，造成纠偏误差；还有些企业是通过加强纠偏装置，起到皮带跑偏预警及改善跑偏状态的作用，本文通过设计多智能体协同控制系统，利用传感器检测偏移数据，PNN控制器控制电机，可以更精确地实现纠偏目的。2带式输送机结构设计2.1智能纠偏功能设计系统使用光电式传感器，检测输送带是否出现偏移情况，通过光量的变化来对输送带偏移的距离进行多方位的测量；使用磁敏角度传感器采集输送带的偏移角度数据。数据的采集是整个系统最关键的地方，因此数据是否精准是重中之重。相较于其他测量输送带偏移情况的技术，使用传感器采集数据的精度较高，安装也更为简单。将采集到的偏移距离、偏移角度数据作为输入样本数据，在经过使用乌燕鸥算法优化的概率神经网络学习后，将纠正方向作为输出参数，通过PNN控制器自适应地输出调整参数，可以实现快速调整、及时纠偏的功能7。使用PNN控制器输出的调整参数以及运动控制器的协同工作，做到精确反馈、精准输出，实现了输送带的智能纠偏功能。2.2带式输送机纠偏系统架构带式输送机智能纠偏系统分为感知执行层、边缘处理层以及应用控制层，如图1所示。1）感知模块是在输送带两侧安装光电式传感器实时检测输送带的偏移距离，安装磁敏角度传感器检测输送带的偏移角度；执行模块通过PNN控制器来控制调整电机的运行参数，实现对输送带的纠偏控制。2）边缘处理层主要包含STOA-PNN带式输送机纠偏模型*淮北市重大科技专项（Z2020004）；国家自然科学基金项目（51874010）基于STOA-PNN的带式输送机自适应纠偏系统34工业控制计算机2023年第36卷第1期以及各种无线设备。STOA是2019年提出的一种新的工业工程问题优化算法，带式输送机纠偏模型使用PNN控制器对电机输出调整参数；STOA-PNN对偏移数据进行学习，实现对PNN的优化；无线设备用来实现通信功能。3）应用控制层主要包括控制中心以及显示器，控制中心是对整个系统运行进行监管，显示器用来实现对输送机运转状况的监控。3基于STOA-PNN模型优化3.1 PNN纠偏结构设计PNN是一个前向传播的网络，应用十分广泛，与传统的BP神经网络相比有较为明显的性能优势，本文选取概率神经网络作为调整电机的控制器，具有很好的分类作用，系统设置当输送带与输送机架的中心线出现偏移时，PNN控制器将控制调整电机对输送带进行向左侧或向右侧的纠正。因此，使用PNN控制器可以做到针对不同的偏移情况做出不同的调整控制。PNN主要包括4层：第1层为输入层，第2层为模式层，第3层为求和层，最后一层为决策输出层8，构建4层架构的神经网络模型，如图2所示：图2PNN结构1）输入层：接收来自样本数据的值，将光电式传感器、磁敏角度传感器采集到的偏移数据作为样本数据进行输入。2）模式层：也称为隐含层，将输入的样本与偏移数据进行匹配，确定纠偏方向。模式层的每个单元输出为：g（X，Wi）=exp（X-Wi）T（X-Wi）22（1）式中：X为输入样本；同为分类平滑因子；Wi为输入层和模式层之间的权值。3）求和层：用于完成概率估计，PNN输出变量判别函数。4）输出层：输出控制数据，控制调整电机，实现输送带运动方向的纠正，输出层每一个神经元对应一个纠偏方向。f（x）=1（2）p/2p1texp-（X-Xi）T（X-Xi）22（2）式中：X为输入特征向量；Xi为某一纠正方向的第i样本；t为某一个偏转方向的样本个数；为平滑因子。3.2 STOA优化乌燕鸥算法（Sooty Tern Optimization Algorithm，STOA）是一种新型智能优化算法，其灵感来源于海鸟在自然界中觅食的行为。采用乌燕鸥算法寻找最优平滑参数，对于输入到PNN控制器的每组数据，计算适应度值，将乌燕鸥最新位置作为目标函数以寻找全局最优，从而达到优化的目的。STOA主要步骤如下9：（1）迁徙行为分为避免冲突，聚集和更新。1）避免冲突：Cst=SA*Pst（Z）（3）式中：Cst为不与其他乌燕鸥发生冲突的前提下应当处在的位置；Pst为乌燕鸥的当前位置；SA用来计算避免碰撞后的位置，它的约束公式如下。SA=Cf-（Z*（Cf/Maxiterations）（4）式中：Cf是用来调整SA的控制变量；Z表示当前迭代次数，因此SA从Cf到0线性递减。本文中Cf的值设置为2，Cf的取值参考文献10，SA从2到0逐渐减小。2）聚集。在避免冲突的前提下向最优解的位置靠拢，公式如下：mst=CB*（Z*（pbst（Z）-pst（Z）（5）式中：mst表示当前位置最优解的位置pbst移动的过程，CB是一个使探索更加全面的随机变量，按照以下公式变化：CB=0.5*Rrand，Rrand0，1（6）3）更新。朝向最优解的位置更新轨迹，轨迹dst的表达式为：dst=cst+mst（7）（2）攻击行为乌燕鸥攻击猎物时，在空中的行为可定义为以下数学模型：x=R*sin（i）（8）y=R*cos（i）（9）z=R*i（10）R=uekv（11）式中：R为每个螺旋的半径；i为0，2之间的变量；u和v是定义其螺旋形状的常数，乌燕鸥的位置按照以下公式更新位置：pst（Z）=（dst*（x+y+z）*pbst（Z）（12）3.3基于STOA-PNN的带式纠偏系统模型在概率神经网络中，平滑因子的选择影响着PNN诊断的准确率。使用固定的平滑因子无法正确地反映出输入变量对正确结果分类的真实影响。本文提出一种采用乌燕鸥（STOA）优化算法对概率神经网络的平滑参数进行优化的方法，从而提高PNN控制器诊断准确率。基本步骤如下：1）使用磁敏角度传感器采集偏转角度数据；使用光电式传感器采集偏移距离数据作为原始信号；2）初始化STOA参数，建立PNN控制模型；3）使用STOA寻找最优平滑参数：计算适应度值将乌燕鸥最优解的位置作为目标函数；更新乌燕鸥最新位置得到最优平滑参数；4）PNN控制器测试，将所求最优平滑参数和偏移数据代入STOA-PNN模型进行偏移分类，得到调整状态的分类结果；5）输出最终控制器分类结果，对调整电机进行控制。图1输送机智能纠偏系统架构35图3STOA-PNN的纠偏流程图基于STOA-PNN的带式纠偏系统模型基本流程如图3所示：4实验研究及应用4.1验证与测试以淮北合众机械设备有限公司生产的多台输送机历史应用偏移数据为例，输送机产品型号选取不同带宽的输送机进行验证，表1为带宽1.4 m的输送机数据：表1带式输送机技术参数为验证STOA-PNN的有效性，采用Intel Core i7-9750处理器，NVIDIA GeForce GTX1650显卡，8GB内存。网络模型MATLAB 2018b中进行仿真实验。初始乌燕鸥种群大小50，最大迭代次数设置为20次，控制设置变量为4，将4种不同纠偏样本值输入到优化后的PNN控制器中进行测试验证。本文以带宽为1.4 m和1.6 m的输送机机型为例，设置输送带偏移距离阈值为60 mm，当输送带出现大于60 mm的偏移距离时，控制调整电机进行纠偏。经过测