登录
首页 » Others » agv的plc控制

agv的plc控制

于 2020-12-06 发布
0 437
下载积分: 1 下载次数: 2

代码说明:

这个文档主要介绍plc的整套对agv的开发过程对现实还是有一定的积极意义的长沙理工大学学位论文原创性声明本人郑重声明:所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外,本论文不包含任何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体,均已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。作者签名:6日期:20/b月&日学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定,同意学校保留并向国家有关部门或机构送交论文的复印件和电子版,允许论文被查阅和借阅。本人授权长沙理工大学可以将本学位论文的全部或部分内容编入有关数据库进行检索,可以采用影印、维印或扫描等复制手段保存和汇编本学位论文。同时授权中国科学技术信息研究所将本论文收录到《中国学位论文全文数据库》,并通过网络向社会公众提供信息服务。本学位论文属于1、保密口,在年解密后适用本授权书。2、不保密駟。(请在以上相应方框内打“√”)作者签名:日期:0/年6月孑日导师签名:日期:年/月。日摘要AGV自动导航车是现代物流领域的一个重要的研究课题。在工业领域柔性化生产中越来越重要,高性能、高有效性的AGV控制器受到国内外学者的高度重视。本文采用模糊控制方式,针对AGⅴ小车的响应速度、稳定性要求,设计实现了一种基于运动学模型的AGV控制系统。该控制系统按功能模块化设计硬件电路,由电杌驱动模块、路径识别模块、避障模块、通信模块组成。电机驱动模块由直流无刷电机驱动模块和电机速度检测模块组成,实现对直流无刷电机的控制;路径识别模块由位置检测模块和站点识別模块组成,实现小车对路径的识别,达到对路径跟踪控制的目的;避障模块实现小车的安全性;通信模块由CAN通信模块和无线ⅵi模块组成,实现控制系统的通信。小车的测试实验表明,先后给以80mm和-100mm的位置偏差,AGV小车能够在3s内对位置偏差进行修复,小车速度振幅控制在±10mm/s,小车位置偏差修复后,3s时间内,速度可回调到位置偏差前的速度,即小车回“零位”的速度比较快,表明AGⅴ控制系统的平稳性好,能够很好实现对路径的跟踪,同时也能及时的应对运行过程中的误差突变。关键字:AG;运动学模型;磁导航;模糊控制ABSTRACTThe Automatic Guided Vehicle (AGv) is an important research topic in the fieldof modern logistics. Flexibility in the field of industrial production more and moreimportant, the AGV controller which has the high performance and the highefficiency has been received the extensive attention by scholars both at home andabroad. This paper adopts the fuzzy control method, in view of the aGv car responsespeed and stability requirements, the design has realized one kind of AGv controlsystem based on kinematics modelThe control system hardware circuit is designed according to the functionmodular, the motor drive module, path recognition module, obstacle avoidancemodule, communication module. Motor driver module is composed of brushless dcmotor driver module and motor speed detection module, realize the control for thebrushless dc motor. Path recognition module is composed of position detectionmodule and site identification module, realize the aGv for the path recognition,achieve the goal of the path tracking control; Obstacle avoidance module to realizethe safety of the car; Communication module of Can communication module andwireless wifi module composition, realization of the control system ofcommunicationThe test results show that, successively give 80mm and 100mm positionaldeviation. the location of the AGv can within 3s to fix position deviation, vehiclespeed amplitude control in the plus or minus 10mm/s after repair the car positiondeviation, within 3s the speed can be back to the front of the position deviation ofspeed, the car back to " zero"speed is faster, the results show that the AGv controlsystem have good stability, a good path tracking, and can provide timely responsesduring the operation of the error mutationKeywords: AGV; Kinematics Model; Magnetic Navigation; Fuzzy Control目录摘要ABSTRACT…命命命中苹命命品哪命命命哪请自品中“非哪非命命命哪第一章绪论1AGV概述…12AGV国内外发展现状…121国外发展历史及现状122国内发展历史及现状13AGV的引导方式14本文的主要工作和主要问题.b自.身自命看非世看带看音萨世看中·宁非命●学●122455141本论文的主要工作…142本论文解决的主要问题第二章AGV车体结构及运动学模型建立21AGV结构分类。B西自鲁自·切是息甲带导211三轮结构2.12四轮结构213五轮或六轮结构.22AGV的性能指标23AGⅤ的组成幽·命命66778924AGⅤ运动状态分析申·自意25AGⅤ小车对电机的基本要求1026AGV的运动学模型27本章小结12第三章AGNV控制系统硬件设计3IAGⅴ控制系统整体结构.1332AGV控制系统研究方案32ICAN总线通信模块即14322无线wif模块15323电机实时速度检测看·。专中●·音专中324磁导航传感器组3.2.5障碍检测18326AGV小车对线路与站点的识别鲁·。感垂品自世品身岳一益自备自e非你ee非物9327AGV小车位置判断33硬件系统组成21331控制器芯片应用说明.1332电机驱动模块24333电源模块…633.4通讯模块命命命命··命命自命命●2734本章小结28第四章AGV路径跟踪控制方法研究41AGⅴ控制策略选择42模糊控制简介…294.3模糊PD控制器.3043.1模糊PD控制器的数学模型查看着看看看昏春●●●43,2模糊PID控制器的控制思想3143.3AGⅴ控制系统模糊控制必要性…3144模糊PID控制器设计…3344.1模糊PID控制器的输入输出量的确定…344.2模糊控制规则的设计.节。申春。鲁合。节是看看。节.自DD春3345模糊PID控制器的仿真…昨非···命e命自···总最46本章小结38第五章AGV控制系统软件设计51引言3952编译环境的介绍.....12053控制软件设计鲁暴非画非最命自曲曲自自非非命春告音春鲁D看41531产生PWM的程序流程.53,2电机实际速度检测模块程序流程425.3.3避障控制模块程序流程….534驱动控制模块程序流程中学鲁鲁鲁。鲁。●44535CAN总线通信模块程序流程.54本章小结45第六章系统测试与结果分析6.1路径跟踪测试.4662避障能力测试63本章小结总结和展望看中·49参考文献看●。。意非。。市中自看非如鲁致谢附录A(攻读学位期间发表论文及专利目录)55第一章绪论第一章绪论1.1AGV概述现代制造工艺的飞速发展,带动了柔性制造系统FMS和柔性装配系统FAS的迅速发展。中国早在“十一五”规划中就制定了侧重于科学和技术的发展,以先进的制造技术来提高企业的竞争力。自21世纪开始,物流的发展成为一个新热点。现代物流行业,尤其是西方的设备和实现技术已经达到很成熟的水平。目前,现代化物流格局已经形成以信息技术为核心,以信息、运送、卸载、自主化仓储、库存统计、自主化配货、包装等专业技术为支撑的现代化物流技术4。而自主导航车AGV是实现AGVS、FMS、CIMs的关键基础设备,是实现现代物流自动化和智能化的核心技术之—pAGV( Automated Guided Vehicle)是自动导航小车的英文缩写,是一种自主驾驶、无人操纵、以电池为动力的自动化运输设备,装有电磁或者光学等非接触自动导向装置和独立寻址系统。它的主要特点表现为具有可编程功能、安全保护装置、启停装置以及搬载功能并能在上位机的监控下,根据给定的起点和终点自主地沿预设的导引路径行驶,安全到达目的地,完成搬运卸载任务。其已经成为仓储物流自动化系统、柔性生产线、柔性装配线的重要设备。资料显示,在整个产品生产的过程中,用于加工和制造仅仅只占有5%的时间,剩余95%的时间主要用于包装、储存、装卸和运输;而在美国、日本和欧洲发达国家,直接劳动成本所占生产成本的比例不足15%而且这一比例还在不断下降,而储存、运输所占的成本却占总成本的40%7。因此各工业强国把降低物流成本作为提高企业竞争力的重要措施,在这样的背景下,AGⅤ小车广泛地应用于各行各业,并受到了极大的欢迎。12AG国内外发展现状AGⅤ是伴随着叉车技术和机器人技术产生并发展而来的,但都是为了实现货物的自动搬运为目的的3。随着技术的不断发展,AGV的功能不断完善,应用领域越来越大。硕学位论文121国外发展历史及现状AGV在国外起步早、发展快。首次出现在公众视野的AGV原型车于1913在美国福特汽车公司下线,该原型车首次将有轨引导的小车代替原来使用在汽车底盘装配线上的输送机,根据福特公司对外公开的资料,该小车将装配时间缩短了15小时,极大地提高了生产效率,从此AGv就步入了高速发展的时代例1953年,世界上第一台AGV由美国 Barrett Electric公司研制成功,采用真空管技术自动跟踪钢丝索行走。1954年,由英国人首先去掉了地面上的导引轨道,研制出了采用埋线电磁感应方式跟踪路径的AG。50年代末,AGV开始在欧洲推广使用。1959年,AGV系统在美国开始应用山。由文献-5,12,3]可知:直到70年代,AGv仍然主要采用电磁感应方式引导。AGv的优越性促使其不断发展,应用非常广泛,特别是在工业强国。随着物流系统的完善,AGV系统逐渐与计算机技术相融合,六十年代,计算机技术开始参与AGV系统的控制和管理;1969年,AGV首次在瑞典投入使用,主要集中在制造业12截止到六十年代和七十年代初, Barrett, Webb、 Clark公司占有市场大部分的AGV销售份额;同时在这个时期,AGV导引方式开始发展五花八门,各种环境的适应加速了AGⅤS的迅速发展。八十年代欧洲的AGV技术开始转移到美国,而且随着计算机控制系统的加入,美国使AGv的性能更加先进,AGⅤ控制器可靠性进一步加强,运输量进一步增加;此时,美国的AGV生产商由23家(1983年)增加到74家(1985年),全美国使用AGV的数量增加到3900多台101。1990年,AGⅴ制造强国瑞典NDC开发出新型的基于激光引导的AGV控制系统。同时,AGⅤ在日本的应用也比较成熟。到1988年,日本的AGV制造企业达到20多家,如比较知名的企业大福、 Fanuc公司、村田公司等。日本也成为使用AGV最广泛的国家之一。随着AGV技术的不断提高,美国、日本、欧洲等发达国家的使用已经非常广泛。现在的AGV控制系统装有车载计算机、通讯装置、安全装置和货物装卸设施,自动化程度很高,应用领域相当广泛,汽车制造、造纸、印刷、医药行业是使用量最大的行业,约占全球AGV总销量的80%15。目前,AGV的发展趋势是研究无固定引导路线、高度自由的AGV。122国内发展历史及现状我国第一台AGⅣ在1975年由北京起重运输机械研究所完成,该AGⅤ采用电磁

下载说明:请别用迅雷下载,失败请重下,重下不扣分!

发表评论

0 个回复

  • RX560 bios合集
    rx460开核rx560所需的 bios合集,请务必注意显存品牌和大小以及是否需要6pin
    2020-06-01下载
    积分:1
  • 京东电商机器学习之推荐系统实践
    基于用户和物品的推荐系统,比较值得机器学习行业分析目录x背景介绍x浅层模型时代x深度学习时代品平DTCC2016年中国数据库技术大会SeaueMedia Aise G chinaUhzx Tup背景介绍我们的业务媒体流量主站搜索页京东商品挖掘主站列表页京东移动端商品召回京东广告和商品推荐展示包段媒体业务系统排序优选广告召回ADX流量京准通广告平机器学习系统SEM流量品平DTCC2016年中国数据库技术大会SeaueMedia Aise G chinaUhzx Tup背景介绍问题x主要解决的问题+机器学习在排序算法中的应用+特点x实时,在线x广告,推荐的混合系统品平DTCC2016年中国数据库技术大会SeaueMedia Aise G chinaUhzx Tup目录x背景介绍x浅层模型时代x深度学习时代品平DTCC2016年中国数据库技术大会SeaueMedia Aise G chinaUhzx Tup浅层模型时代|机器学习系统核心问题x模型算法x日志流x训练系统x特征系统x评估系统品平DTCC2016年中国数据库技术大会SeaueMedia Aise G chinaUhzx Tup浅层模型时代模型算法x浅层模型算法大规模稀疏性特征建模,Ir+核心优化方向:特征x手工特征工程x特征组合算法:*Fm/ffm* gbdt+Ir品平DTCC2016年中国数据库技术大会SeaueMedia Aise G chinaUhzx Tup浅层模型时代模型算法x Fm/ffm通过因式分解,减少数据稀疏性,有效学习特征组合参数规模:η^2降为k*n(k
    2020-12-05下载
    积分:1
  • 直接序列扩频通信系统仿真程序.doc
    直接序列扩频通信系统仿真程序.doc直接序列扩频通信系统仿真程序.doc直接序列扩频通信系统仿真程序.doc直接序列扩频通信系统仿真程序.doc直接序列扩频通信系统仿真程序.doc
    2020-11-29下载
    积分:1
  • 电磁阀simulink仿真
    电磁阀液压仿真模型
    2020-11-28下载
    积分:1
  • JSP+Mysql+HTML5合同管理系统
    合同系统通过HTML5+前端框架+阿里的数据库技术,然后做出的一套系统
    2020-11-02下载
    积分:1
  • 大灰狼远程管理V8.96.zip
    大灰狼远程管理V8.96.zip
    2020-12-02下载
    积分:1
  • 滑模变结构控制第三版matlab仿真程序
    滑模变结构控制第三版matlab仿真程序,对于滑滑模控制的入门理解和编程参考很有帮助!!!
    2020-12-12下载
    积分:1
  • SPXY样本划分法及蒙特卡罗交叉验证结合 matlab
    SPXY样本划分法及蒙特卡罗交叉验证结合 matlab 可应用于近红外及高光谱
    2020-11-28下载
    积分:1
  • 反向传播算法推导—全连接神经网络
    反向传播算法是人工神经网络训练时采用的一种通用方法,在现代深度学习中得到了大 规模的应用。全连接神经网络(多层感知器模型,MLP),卷积神经网络(CNN),循环神 经网络(RNN)中都有它的实现版本。算法从多元复合函数求导的链式法则导出,递推的 计算神经网络每一层参数的梯度值。算法名称中的“误差”是指损失函数对神经网络每一层 临时输出值的梯度。反向传播算法从神经网络的输出层开始,利用递推公式根据后一层的误 差计算本层的误差,通过误差计算本层参数的梯度值,然后将差项传播到前一层(w, x,)+b这个神经元接受的输入信号为向量(),向量()为输入向量的组合权重,为徧置项,是标量。神经儿对输入冋量进行加权求和,并加上偏置项最后经过激活函数变换产生输出为表述简洁,我们把公式写成向量和矩阵形式。对每个神经元,它接受的来自前一层神经元的输入为向量,本节点的权重向量为,偏置项为,该神经元的输出值为先计算输入向量与权重向量的内积,加上偏置项,再送入一个函数进行变换,得到输出这个函数称为激活函数,典型的是函数。为什么需要激活函数以及什么样的函数可以充当激活函数,在之前的公众号文章“理解神经网终的激活函数”中已经进行了介绍。神绎网络一般有多个层。第一层为输入层,对应输入向量,神绎元的数量等于特征向量的维数,这个层不对数据进行处理,只是将输入向量送入下一层中进行计算。中间为隐含层,可能有多个。最后是输出层,神经元的数量等于要分类的类别数,输出层的输岀值被用来做分类预测。下面我们来看一个简单神经网络的例了,如下图所示这个网络有层。第一层是输入层,对应的输入向量为,有个神经元,写成分量形式为(),它不对数据做任何处理,直接原样送入下一层。中间层有个神经元,接受的输入数据为向量,输出向量为,写成分量形式为。第三个层为输出层,接受的输入数据为向量,输出向量为,写成分量形式为()。第一层到第层的权重矩阵为(,第二层到第三层的权重矩阵为()。权重矩阵的每一行为一个权重向量,是层所有神经元到本层某一个神经儿的连接权重,这里的上标表小层数如果激活函数选用函数,则第二层神经元的输出值为+(-(+0)+(1+(0)(-(()第三层神经元的输出值为如果把代入上面二式中,可以将输出向量表示成输出向量的函数。通过调整权重矩阵和偏置项可以实现不同的函数映射,因此神经网终就是一个复合函数需要解决的·个核心问题是·旦神经网络的结构(即神经元层数,每层神经元数量)桷定之后,怎样得到权重矩阵和偏置项。这些参数是通过训练得到的,这是本文推导的核心任务个简单的例子首先以前面的层神经网络为例,推导损失函数对神经网络所有参数梯度的计算方法假设训练样本集中有个样本()。其中为输入向量,为标签向量。现在要确定神经网络的映射函数:什么样的函数能很好的解释这批训练栟本?答案是神经网络的预测输出要尽可能的接近样本的标签值,即在训练集上最小化预测误差,如果使用均方误差,则优化的目标为:∑‖()-其中()和都是向量,求和项内部是向量的范数平方,即各个分量的平方和。上面的误差也称为欧氏距离损失函数,除此之外还可以使用其他损失函数,如交叉熵、对比损失等。优化目标函数的自变量是各层的权重矩阵和梯度向量,一般情况下无法保证目标函数是凸函数,因此这不是一个凸优化问题,有陷入局部极小值和鞍点的风险(对于这些概念和问题之前的公众号文章“理解梯度下降法”,“理解凸优化”中己经做了详细介绍)这是神经网络之前一直被诟病的一个问题。可以使用梯度下降法进行求解,使用梯度下降法需要计算出损失函数对所有权重矩阵、偏置向量的梯度值,接下来的关键是这些梯度值的计算。在这里我们先将问题简化,只考虑对单个样本的损失函数()-‖后面如果不加说明,都使用这种单样木的损失函数。如果计算出了对单个样木损失函数的棁度值,对这些梯度值计算均值即可得到整个目标函数的梯度值。和(要被代入到网络的后一层中,是复合函数的内层变量,我们先考虑外层的和。权重矩阵是一个x的矩阵,它的两个行分别为向量(和是个维的列向量,它的两个元素为()和()。网络的输入是向量,第一层映射之后的输出是向量首先计算损失函数对权重矩阵每个元素的偏导数,将欧氏距离损尖函数展开,有((+))(())6(如果,即对权重矩阵第行的元素求导,上式分了中的后半部分对来说是常数。根据链式法则有S()+()O如果,即对矩阵第二行的元素求导,类似的有:可以统一写成可以发现,第一个下标决定了权重矩阵的第行和偏置向量的第个分量,第二个下标决定了向量的第个分量。这可以看成是一个列向量与一个行向量相乘的结果,写成矩阵形式为上式中乘法⊙为向量对应元素相乘,第二个乘法是矩阵乘法。是个维列向量,+也是一个维列向量,两个向量执行⊙运算的结果还是个维列向量。是一个元素的列向量,其转置为维行向量,前面这个:维列向量与的乘积为的矩阵,这正好与矩阵的尺寸相等。在上面的公式中,权重的偏导数在求和项中由部分组成,分别是网络输出值与真实标签值的误差激活区数的导数+(),本层的输入值。神经网络的输出值、激活函数的导数值本层的输入值都可以在正向传播吋得到,因此可以晑效的计算出来。对所有训练样本的偏导数计算均值,可以得到总的偏导数对偏置项的偏导数为:如果上式分子中的后半部分对来说是常数,有:()⊥()如果类似的有这可以统写成:写成矩阵形式为偏置项的导数由两部分组成,分别是神经网络预测值与真实值之间的误差,激活函数的导数值,与权重矩阵的偏导数相比唯一的区别是少了。接下来计算对和的偏导数,由于是复合函数的内层,情况更为复杂。()是个的短阵,它的个行向量为(),(,(,(。偏置项()是维向量,个分量分别是(),(,(),(。首先计算损失函数对的元素的偏导数:而上式分子中的两部分都有,因此都与有关。为了表述简活,我们令:根据链式法则有:其巾((和和都是标量和()是两个()向量的内积,的每一个分量都是()的函数。接下来计算和这里的一是个向量,衣示的每个分量分别对求导。当时有:后面个分量相对于求导变量(都是常数。类似的当时有:()0)(()和时的结果以此类推。综合起来有:同理有:()十如果令合并得到()()[()-)。()。()写成矩阵形式为()最后计算偏置项的偏导数()类似的我们得到:合并后得到()写成矩阵形式为:(0)至此,我得到了这个简单网络对所有参数的偏导数,接下来我们将这种做法推广到更般的情况。从上面的结果可以看岀一个规律,输出层的权重矩阵和偏置向量梯度计算公式中共用了()-)()对」隐含层也有类似的结果完整的算法现在考虑一般的情况。假设有个训练样本(),其中为输入向量,为标签向量。训练的目标是最小化样木标签值与神经网络预测值之闩的误差,如果使用均方误差,则优化的目标为:其中为神经网络所有参数的集合,包括各层的权重和偏置。这个最优化问题是·个不带约束条件的问题,可以用梯度下降法求解。上面的误差函数定义在整个训练样本集上,梯度下降法每一次迭代利用了所有训练样本,称为批量棁度卜降法。如果样木数量很大,每次迭代都用所有样木进计算成木太高。为了解决这个问题,可以采用单样本梯度下降法,我们将上面的损失函数写成对单个样本的损失函数之和:定义对单个样本()的损失函数为)=-()如果采用单个样本进行迭代,梯度下降法第次迭代时参数的更新公式为:nV如果要用所有样本进行迭代,根据单个样本的损失函数梯度计算总损失梯度即可,即所有样本梯度的均值用梯度下降法求解需要初始化优化变量的值。一般初始化为一个随机数,如用正态分布(a)产生这些随机数,其中G是一个很小的正数到日前为止还有一个关键问题没有解决:日标函数是一个多层的复合函数,因为神经网络中每一层都有权重矩阵和偏置向量,且每一层的输出将会作为下一层的输入。因此,直接计算损失函数对所有权重和偏置的梚度很复杂,需要使用复合函数的求导公式进行递推计算几个重要的结论在进行推导之前,我们首先来看下面几种复合函数的求导。又如下线性映射函数:其中是维向量,是×的矩阵,是维向量。问题:假设有函数,如果把看成常数,看成的函数,如何根据函数对的梯度值Ⅴ计算函数对的梯度值Ⅴ?根据链式法则,由于只和有关,和其他的≠无关,因此有:c∑(对于的所有元素有:写成矩阵形式为:问题:如果将看成常数,将看成的函数,如何根据V计算Ⅴ?由于任意的和所有的都有关系,根据链式法则有写成矩阵形式为这是一个对称的结果,在计算函数映射时用矩阵乘以向量得到,在求梯度时用矩阵的转置乘以的梯度得到的梯度。问题:如果有向量到向量的映射:
    2020-12-09下载
    积分:1
  • FPFH点云配准
    用FPFH方法进行点云配准,包含一个两个源文件和一个头文件,头文件包括RANSAC和FPFH特征的定义,源文件其中一个是FPFH特征的提取,还有一个是主函数,主要是各种接口。通过该方法可以比较好的进行点云配准
    2020-11-28下载
    积分:1
  • 696516资源总数
  • 106914会员总数
  • 0今日下载