基于并聯機器人的食品分揀控制系統設計

郝琳，張坤平

許昌電氣職業學院（許昌 461000）

在食品包裝生產線中，分揀操作十分關鍵而且不容易控制。傳統分揀操作主要依靠人工，該方式勞動強度大、效率低、誤檢率高[1-3]。因此，一些大型企業引進分揀機器人實現食品生產自動分揀。所謂食品自動分揀是指根據食品屬性將不同類型食品分離和歸類，確保相同食品能夠分配到同一地點。與傳統分揀方式相比，自動分揀具有速度快、效率高、誤檢率低等優點，可節約企業成本，提高企業效益[4-5]。食品分揀機器人普遍使用Delta并聯機器人，如ABB、BOSCH已實現并聯機器人產業化。相對而言，中國并聯機器人的研究和應用比較滯后，仍處于起步階段。因此，開展并聯機器人在食品分揀領域應用研究具有一定實際意義[6]。

并聯機器人具有時變、非線性、強耦合等特點，采用傳統控制方式無法滿足高精度、高速度等控制要求[7-9]。為解決此類問題，眾多學者嘗試將智能控制算法和傳統PID控制相結合，提高整個控制系統魯棒性。智能控制算法主要包括神經網絡控制、粒子群優化控制、滑模變結構控制、模糊控制等。另外，機器視覺技術的引入能提高系統響應速度和控制精度，通過工業相機獲取待分揀物體圖像，經圖像處理、分析，得到物體位置和形狀。分揀機器人根據圖像分析結果進行拾取、搬運、分類、包裝等操作[10-12]。在現有研究基礎上，設計一種基于并聯機器人的食品分揀控制系統，結合模糊神經網絡和粒子群優化算法實現PID控制參數調節。通過試驗驗證所述方法可行性和有效性。

1 食品分揀設備

物料分揀設備集成機器視覺、機器人運動控制等先進技術，可用于食品包裝分揀操作，食品分揀設備組成如圖1所示[13]。食品分揀設備主要包括并聯機器人、夾持器、工業相機、LED光源、傳送帶等。整個設備的控制核心為工業控制計算機。考慮到食品包裝分揀工藝流程特點，食品分揀設備應滿足幾個要求。

1) 系統簡化性。設備組件越多，配合起來就會越困難，增加控制難度。為降低結構復雜程度，所述設備僅僅依靠一臺并聯機器人即可實現食品抓取、搬運、分揀、剔除等操作。控制系統只需結合視覺系統完成并聯機器人控制即可，控制對象比較單一。

2) 系統柔性化。分揀設備需要面對不同類型的食品，因此分揀設備應具備一定兼容性，所述并聯機器人末端夾持器可根據實際情況進行更換。

3) 二次損傷最小。利用機器視覺實時檢測，不會對產品造成二次損傷或污染；末端執行器一般采用氣動吸附方式，可最大限度避免食品損傷，保持產品原有屬性。

圖1 食品分揀設備

基于并聯機器人的食品分揀控制系統結構如圖2所示。控制系統主要包括硬件部分和軟件部分；硬件部分主要由CCD相機、圖像采集卡、計算機、運動控制器、伺服電機、并聯機器人、夾持器組成；軟件部分主要由并聯機器人控制平臺和視覺控制組成。食品分揀系統工作原理可描述為：如果待分揀食品進入作業區域時，CCD相機會獲取食品圖像，經圖像采集卡處理后會傳送至計算機；計算機利用圖像處理算法，實現運動目標狀態的追蹤；通過運動控制器驅動并聯機器人和夾持器動作，完成食品抓取、搬運、分揀等操作，可將目標物放到指定位置，即食品的自動分揀。并聯機器人的抓取精度和穩定性在很大程度上決定食品分揀設備工作效率，因此重點論述并聯機器人控制系統設計。

圖2 控制系統結構

2 控制器設計

食品分揀過程中，傳送帶上待分揀食品分布比較雜亂，干擾因素比較多。對于并聯機器人控制，如果僅采用PID控制，很難滿足分揀要求。為解決該問題，設計一種基于改進粒子群優化算法的模糊神經網絡控制器。

2.1 PID控制原理

本質上講，PID控制比較適用于線性場合，其位置控制規律可描述為：

式中：u(k)為第k次采樣時刻控制器輸出值；T為采樣周期；TI為積分時間常數；TD為微分時間常數；Kp為比例系數；KI=Kp/TI，表示積分系數；KD=KpTD，為微分系數；e(k)為第k次采樣時刻誤差值；e(k-1)為第k-1次采樣時刻誤差值。

為取得比較理想的控制效果，必須對PID控制器的比例、微分和積分系數實時在線調整。模糊神經網絡控制器作用在于確定PID控制器參數（Kp,KI,KD）、誤差e(k)及其變化率ec(k)之間函數關系，即：

式中：f1、f2、f3分別為映射關系，根據映射關系e(k)和ec(k)，實時在線調整參數Kp、KI和KD的具體數值。模糊神經網絡PID控制器結構如圖3所示。

圖3 模糊神經網絡PID控制器

2.2 模糊神經網絡結構

模糊神經網絡包括4層，即輸入層、模糊化層、模糊推理層和輸出層；網絡輸入為誤差e及其變化率ec；網絡輸出分別對應Kp、KI和KD。另外，可根據e和ec模糊子集數目確定模糊化層節點數；模糊推理方法則采用Max-min法；輸出層需要解模糊處理，選用重心法。

輸入層的輸入和輸出可表示為：

模糊化層輸出可表示為：

式中：i=1, 2，j=1, 2, …,n，其中n為模糊子集個數目（n=5）。選用高斯函數作為模糊化層的隸屬度函數，其中cij為隸屬度函數中心值；bij為隸屬函數寬度。

模糊推理層輸出可表示為：

式中：k1=1, 2, …, 5；k2=1, 2, …, 5；i=1, 2, …, 25。

輸出層輸出可表示為：

式中：wij為模糊推理層和輸出層之間的連接權值。分別對應PID控制器的3個參數，即：

為提高模糊神經網絡控制效果，神經網絡的幾個關鍵參數，如高斯隸屬函數中心值cij和寬度bij、連接權值wij能夠在線修正，即：

式中：α為學習速率；η為慣性系數。另外，為衡量實際控制效果，選定性能指標函數為：

神經網絡權值會不斷調整、優化，直至滿足式（9）所示性能指標函數。但是神經網絡權值的初始值大多隨機確定，初始值不合適非常容易導致系統初始狀態變化劇烈。因此，選用改進粒子群優化算法確定神經網絡初始權值。

2.3 改進粒子群算法

定義一個由m個粒子組成的種群，其目標搜索空間維度為D；定義第i個粒子（i=1, 2, …,m）的D維位置矢量zi=zi1,zi2, …,ziD；飛行速度vi=vi1,vi2, …,viD；搜索到最優值pi=pi1,pi2, …,piD。定義整個種群當前搜索到的最優值pg=pg1,pg2, …,pgD。粒子自身速度及位置更新過程可描述為：

式中：i=1, 2, …,m；d=1, 2, …,D；r1和r2為隨機數，取值介于[0, 1]；k為迭代次數；ξ為慣性權重。

慣性權重在很大程度上決定粒子群優化算法的性能。如果慣性權重比較大，則有利于粒子群的全局搜索性能；如果慣性權重比較小，則有利于粒子群局部搜索性能。為兼顧粒子群全局搜索和局部搜索性能，采用可變慣性權值，即：

式中：kmax為迭代次數最大值；ξ0為初始慣性權重；ξend為最終慣性權重。

神經網絡初始權值優化之前需要明確粒子群算法目標函數，即適應度函數。通過該函數即可評價當前粒子優劣，適應度值最小的粒子就是最佳權值。在食品分揀過程中，為減小定位誤差，可選定位置偏差的時間積分作為目標函數；鑒于并聯機器人運行狀態要平穩，可在適應度函數中引入輸出量平方項。為提高系統響應速度，可在適應度函數中引入時間量，即：

式中：e(t)為定位誤差；u(t)為PID控制器輸出；tu為上升時間；γ1、γ2、γ3分別為可調系數。

為減小控制系統的超調量，在式（13）中加入懲罰函數，即：

式中：ey(t)=y(t)-y(t-1)，y(t)為系統實際輸出；γ4為可調系數。

3 試驗研究

為驗證所述分揀系統的可行性和有效性，開展相關試驗研究。以DELTA機械手為試驗平臺，移植控制系統，測試結果如表1所示。

基于所設計食品分揀控制系統，并聯機械手抓取速度可以達到每分鐘60次；漏抓和誤抓率非常低，最大為0.1%。試驗結果表明，基于并聯機器人的食品分揀控制系統具有非常好的穩定性、可靠性；抓取精度較高；能滿足食品包裝要求。

表1 試驗結果

4 結語

以食品包裝過程中分揀抓取為研究對象，重點討論并聯機器人控制系統設計。在介紹分揀設備硬件結構和軟件組成基礎上，基于模糊神經網絡算法設計一種并聯機器人位置控制器。通過改進粒子群優化算法實現神經網絡權值初值確定。通過試驗驗證所述控制系統可行性和有效性。結果表明，基于并聯機器人的食品分揀控制系統穩定性好、可靠性高，能夠滿足食品包裝需求。