基于MATLBA的自動貼標機的參數(shù)尋優(yōu)

惠州城市職業(yè)學院 劉錦杭

貼標機是一種為包裝或產品添加標簽的機器。它不僅具有美觀的效果，更重要的是可以實現(xiàn)產品銷售的跟蹤管理，特別是在制藥，食品等行業(yè)，貼標機是現(xiàn)代包裝的組成部分。為使生產效益最大化，貼標機的貼標故障率往往需要降到最低。本文從貼標機的三個參數(shù)作為分析因子，利用神經(jīng)網(wǎng)絡軟件MATLAB對系統(tǒng)進行訓練學習，建立系統(tǒng)的神經(jīng)網(wǎng)絡模型。最后在此模型下，進行參數(shù)尋優(yōu)，實現(xiàn)系統(tǒng)參數(shù)的優(yōu)化，達到了最優(yōu)故障率。

一、參數(shù)分析

貼標機在運行過程中，最重要的設定參數(shù)主要有三個，分別是步進電機速度、電磁鐵打開延時、電磁鐵關閉延時。對于電機速度，如果電機速度設定太高故障率會升高，如果速度太低，效率會降低。所以電機速度應該設定在一個合理的范圍。對于電磁鐵打開延時，因為電磁鐵打開延時的計時時刻為電機啟動瞬間，如果該延時設得過短，會導致回收輪在運動中，壓標輪就已經(jīng)執(zhí)行壓標動作，導致標帶扯斷；如果設得過大，效率會降低。對于電磁鐵關閉延時，因為電磁鐵關閉延時的計時時刻為打開電磁鐵瞬間，如果該延時設得過短，會導致壓標不成功中；如果設得過大，效率會降低。

綜上所述，步進電機速度、電磁鐵打開延時和電磁鐵關閉延時三個參數(shù)必須設定為一個合理值才能使系統(tǒng)運行在最佳狀態(tài)。在系統(tǒng)實際運行中，對三個參數(shù)分別設定不同值，測得系統(tǒng)貼標失敗率如表1-1所示。

表1-1 不同參數(shù)下貼標故障率

從表1-1中可知，電磁鐵打開延時設置范圍為100ms～300ms之間；電磁鐵關閉延時設置范圍為100ms～300ms之間；步進電機轉速設定范圍在100～500r/min之間；標簽定位檢測時間為50ms～150ms之間；光纖靈敏度在400～600之間。假設設定時間分辨率為1ms，光纖靈敏度分辨率為1，則參數(shù)設置組合可與200×200×400×100×200=3200億種組合。這是非常龐大的設置組合，不可能所有組合一一設定進行測試。由于人工神經(jīng)網(wǎng)絡無需事先確定輸入輸出之間映射關系的數(shù)學方程，僅通過自身的訓練，學習某種規(guī)則，在給定輸入值時就可以得到最接近期望輸出值的結果。貼標系統(tǒng)的貼標失敗率和三個參數(shù)之間的關系是復雜的非線性關系，可通過神經(jīng)網(wǎng)絡對系統(tǒng)進行訓練學習，建立系統(tǒng)的神經(jīng)網(wǎng)絡模型。最后在此模型下，進行參數(shù)尋優(yōu)，實現(xiàn)系統(tǒng)參數(shù)的優(yōu)化。

二、MATLAB神經(jīng)網(wǎng)絡應用

MATLAB具有強大的數(shù)學分析功能，其在神經(jīng)網(wǎng)絡分析方面，同樣表現(xiàn)出強大的分析能力。在訓練神經(jīng)網(wǎng)絡前，需要對數(shù)據(jù)進行預處理，一種重要的預處理手段是歸一化處理。下面簡要介紹歸一化處理的原理與方法。

1.數(shù)據(jù)歸一化

進行數(shù)據(jù)歸一化，就是將數(shù)據(jù)映射到[0,1]或[-1,1]或更小的區(qū)間，比如(0.1,0.9)。需要對數(shù)據(jù)進行歸一化的原因主要有：（1）輸入數(shù)據(jù)的單位不一樣；（2）數(shù)據(jù)的范圍不同，功能不同；（3）由于神經(jīng)網(wǎng)絡的輸出層中的激活函數(shù)的范圍是有限的，因此需要將網(wǎng)絡中訓練的目標數(shù)據(jù)映射到激活函數(shù)的范圍。Matlab中數(shù)據(jù)的歸一化主要采用以下兩個功能函數(shù)：

（1）.premnmx

將矩陣歸一化，主要用于訓練數(shù)據(jù)集的歸一化。

（2）.postmnmx

矩陣映射是回歸到變換之前的范圍。該函數(shù)主要用于將神經(jīng)網(wǎng)絡的輸出結果映射到歸一化前的數(shù)據(jù)范圍。

2.神經(jīng)網(wǎng)絡實現(xiàn)函數(shù)

利用Matlab構建一個神經(jīng)網(wǎng)絡，需要使用到三個功能函數(shù)：網(wǎng)絡創(chuàng)建函數(shù)newff、訓練神經(jīng)網(wǎng)絡函數(shù)train、應用建立得網(wǎng)絡進行仿真的功能函數(shù)sim。

（1）.newff函數(shù)

神經(jīng)網(wǎng)絡創(chuàng)建函數(shù)，使用方法：net = newff ( A, B, {C} ,‘trainFun’)。

（2）.train函數(shù)

神經(jīng)網(wǎng)絡訓練學習函數(shù)，使用方法：[ net, tr, Y1, E ] = train( net, X, Y )。

圖3-1 神經(jīng)網(wǎng)絡MATLAB程序流程圖

（3）.sim函數(shù)

神經(jīng)網(wǎng)絡仿真函數(shù)，使用方法：Y=sim(net,X)。

三、系統(tǒng)參數(shù)優(yōu)化

1.神經(jīng)網(wǎng)絡MATLAB代碼設計

根據(jù)MATLAB神經(jīng)網(wǎng)絡建模方法，設計得神經(jīng)網(wǎng)絡參數(shù)尋優(yōu)MATLAB程序流程圖如圖3-1所示。

首先對輸入的數(shù)據(jù)進行歸一化處理；然后創(chuàng)建網(wǎng)絡，設定訓練參數(shù)，比如訓練次數(shù)、訓練精度等；最后應用建立好的網(wǎng)絡對參數(shù)進行尋優(yōu)。

根據(jù)程序流程圖，設計得MATLAB代碼如下：

2.參數(shù)優(yōu)化

在MATLAB運行上面程序，得出網(wǎng)路訓練結果圖如圖3-2所示。從圖中可看出，訓練次數(shù)在180次的時候，訓練誤差達到0.01。

圖3-2 神經(jīng)網(wǎng)絡訓練結果

運行后，MATLAB打印出的最佳參數(shù)為（160,100,190），最小失敗率為2.63。對貼標控制器進行設定，使得機器在參數(shù)（160,100,190）下運行，統(tǒng)計實際的貼標失敗率。并在此參數(shù)范圍內進行微調，最后確定機器在參數(shù)為（180，110，160）這個參數(shù)點運行狀態(tài)最佳。

四、結束語

通過MATLAB神經(jīng)網(wǎng)絡建模以及參數(shù)尋優(yōu)，確定最佳參數(shù)為（280,280,340,50,440），最小貼標失敗率為0.9541。對貼標控制器進行設定，讓機器在參數(shù)（280,280,340,50,440）下運行，統(tǒng)計實際的貼標失敗率，并在此參數(shù)范圍內進行微調，最后確定機器在參數(shù)為（260,290,320,60,455）這個參數(shù)點運行狀態(tài)達到最佳，實測最小失敗率為0.9/1000，滿足2/1000的設計目標。