一种臂架控制系统的制作方法

本发明涉及工程机械领域，具体涉及一种臂架控制系统。

背景技术：

相关技术中，混凝土泵车的操作是通过遥控器来控制单节臂或者多节臂复合动作，手柄开度对应控制阀输出的控制电流值大小，从而控制臂架油缸的运动速度。但因臂架展开后高度的影响，操作者不能全局把握臂架运动姿态，且不同的臂架运动全凭操作者经验，臂架运动的多少不能把握，臂架运动过的轨迹也是不规则运动，臂架运动的过程中会产生振动，这都导致操作者无法精确控制臂架。

技术实现要素：

为解决上述问题，本发明旨在提供一种臂架控制系统。

本发明的目的采用以下技术方案来实现：

一种臂架控制系统，包括用于调整臂架位置的臂架位置控制设备和用于降低臂架振动的臂架振动调整设备；所述臂架位置控制设备包括位置信号接收模块、调整距离确定模块和臂架运动控制模块；所述位置信号接收模块用于接收臂架末端的当前位置和臂架末端的目标位置，所述调整距离确定模块用于计算臂架末端的当前位置和臂架末端的目标位置之间的距离，并确定臂架每臂节所需的调整距离和调整方向，所述控制模块用于根据所述调整距离和调整方向对臂架每臂节进行相应的运动控制。

本发明的有益效果为：通过设置用于调整臂架位置的臂架位置控制设备和用于降低臂架振动的臂架振动调整设备，实现臂架位置距离调整的自动化分析计算以及臂架振动的控制，提高了臂架控制的精确度，从而解决了上述的技术问题。

附图说明

利用附图对本发明作进一步说明，但附图中的应用场景不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1是本发明臂架位置控制设备、臂架振动调整设备的模块连接示意图。

图2是本发明臂架振动健康监测设备的运作流程示意图。

附图标记：

臂架位置控制设备1、臂架振动调整设备2、臂架振动健康监测设备3、位置信号接收模块11、调整距离确定模块12、臂架运动控制模块13、振动信息接收模块21、振动控制模块22、数据采集及预处理模块31、数据分析模块32、数据评估模块33和数据显示模块34。

具体实施方式

结合以下应用场景对本发明作进一步描述。

应用场景1

参见图1、图2，本应用场景中的一个实施例的臂架控制系统，包括用于调整臂架位置的臂架位置控制设备1和用于降低臂架振动的臂架振动调整设备2；所述臂架位置控制设备1包括位置信号接收模块、调整距离确定模块和臂架运动控制模块；所述位置信号接收模块用于接收臂架末端的当前位置和臂架末端的目标位置，所述调整距离确定模块用于计算臂架末端的当前位置和臂架末端的目标位置之间的距离，并确定臂架每臂节所需的调整距离和调整方向，所述控制模块用于根据所述调整距离和调整方向对臂架每臂节进行相应的运动控制。

本发明上述实施例通过设置用于调整臂架位置的臂架位置控制设备1和用于降低臂架振动的臂架振动调整设备2，实现臂架位置距离调整的自动化分析计算以及臂架振动的控制，提高了臂架控制的精确度，从而解决了上述的技术问题。

优选的，所述臂架振动调整设备2包括振动信息接收模块21和振动控制模块22；所述振动信息接收模块21用于接收当前臂架振动烈度和当前控制阀阀芯位移；所述振动控制模块22用于计算所述当前臂架振动烈度对应的控制阀阀芯位移以及所述当前控制阀阀芯位移之间的差值，并根据差值与预定阈值的比较调整所述控制阀的控制电流，从而控制臂架振动。

本优选实施例通过对控制阀的控制电流进行调整，可以使得控制阀阀芯位移与当前臂架振动烈度匹配，从而实现降低振动的目的。

优选的，所述差值小于所述预定阈值时，所述振动控制模块22执行降低所述控制阀的控制电流的操作。

本优选实施例给出了振动控制模块22对控制阀的控制方式。

优选的，所述臂架控制系统还包括臂架振动健康监测设备3，所述臂架振动健康监测设备3包括依次连接的数据采集及预处理模块31、数据分析模块32、数据评估模块33和数据显示模块34，所述数据采集及预处理模块31用于采集臂架振动的视频图像、将所述视频图像转化到灰度空间，并使转换后的图像通过高斯滤波器进行滤波处理；所述数据分析模块32用于对预处理后的视频图像进行分析和处理，以得到跟踪目标的振动位移曲线；所述数据评估模块33用于对所述振动位移曲线进行健康分析并判断跟踪目标的振动位移是否处于健康状态，输出臂架振动健康状态结果；所述数据显示模块34用于显示所述臂架振动健康状态结果。

本优选实施例提出了臂架振动健康监测设备3，并构建了臂架振动健康监测设备3对臂架振动健康状态进行监测分析的模块架构，提高了系统的安全性。

优选的，所述数据分析模块32包括算法选择子模块、主算法子模块、副算法子模块、位移修正子模块和显示子模块，具体为：

(1)算法选择子模块：与主算法子模块、副算法子模块连接，用于对视频中各桢图像的位移提取算法进行选择，其遵循的选取原则为：当前帧图像与前一桢图像相比不满足亮度恒定、空间一致和桢间位移差小于设定阈值T₁的任一项条件时，选取主算法子模块进行追踪目标的运动位移的提取；当前帧图像与前一桢图像相比满足亮度恒定、空间一致和桢间位移差小于设定阈值T₁条件时，选取副算法子模块进行追踪目标的运动位移的提取，T₁的取值范围为(0,1mm]；

(2)主算法子模块：用于通过图像配准的方式来提取追踪目标的运动位移，设视频共有n桢图像，选取视频中的第一帧中的追踪目标图像作为模板图像P(σ)，后续帧图像为I_j(σ),j＝2,...n，多次扭曲所述后续帧图像I_j(σ)，使其与模板图像P(σ)对齐，每次扭曲后所述后续帧图像I_j(σ)与模板图像P(σ)之间的增量△δ_j为：

${\mathrm{\Δ\δ}}_j={\[\underset{\mathrm{\σ}\∈P}{\Σ}{(\▿P)}^P\·\▿P\]}^{-1}\underset{\mathrm{\σ}\∈P}{\Σ}{(\▿P)}^P\[I_j\left(\mathrm{\ψ}\right(\mathrm{\σ};{\mathrm{\δ}}_j\left)\right)-P\left(\mathrm{\σ}\right)\]$

其中，ψ(σ；δ_j)为模板图像P(σ)的像素坐标σ(x,y)映射到后续帧图像I_j(σ)的亚像素坐标，δ_j表示扭曲变换的参数向量，I_j(ψ(σ；δ_j))为从后续帧图像I_j(σ)中截取的扭曲部分，为扭曲部分在亚像素坐标ψ(σ；δ_j)处的梯度；

所述主算法子模块通过不断迭代计算增量△δ_j来更新δ_j，以逐渐实现图像配准，更新过程为：δ_j←δ_j+△δ_j，每次更新后对变换参数δ_j的小数点后一位进行四舍五入取整，停止更新的条件为||△δ_j||≤T₂，T₂为设定的阈值，T₂的取值范围为[0.4,0.5]，最后更新的变换参数δ_j即为后续帧图像I_j(σ)中要提取的追踪目标的复杂运动位移；

(3)副算法子模块：用于通过模板匹配的方式来提取追踪目标的运动位移，设视频共有n桢图像，选取视频中的第一帧图像为匹配图像，后续帧的有效区域为模板图像P_i,i＝2,...n,各桢图像中追踪目标的简单运动位移(x_i,y_i)为：

$(x_i,y_i)=(x_0+\frac{2m_1{m}_5-m_2{m}_4}{{m_4}^2-4m_3{m}_5},y_0+\frac{2m_2{m}_3-m_1{m}_4}{{m_4}^2-4m_3{m}_5})$

其中，(x₀,y₀)为通过计算模板图像P_i与第一帧图像的NCC相关系数矩阵得到的最大位置点的坐标，m₁,m₂,m₃,m₄,m₅为(x₀,y₀)周围8个坐标点(x_k,y_k)的相关系数，k＝1,...,8，(x₀,y₀)与所述相关系数的关系为c(x_k,y_k)＝m₀+m₁x_k+m₂y_k+m₃x_k²+m₄x_ky_k+m₅y_k²；

(4)位移修正子模块,考虑到当地温度对桥梁位移的影响，引入温度修正系数L对上述提取的运动位移进行修正，经验值L的取值范围是[0.95，1.05]：

修正后的复杂运动位移：δ′_j＝δ_j×L

修正后的简单运动位移：(x_i,y_i)′＝(x_i,y_i)×L；

(5)显示子模块，与主算法子模块、副算法子模块连接，用于处理并显示与追踪目标相关的运动位移数据和跟踪目标的振动位移曲线。

本优选实施例设置副算法子模块，对满足亮度恒定、空间一致和桢间位移差小于设定阈值T₁条件的相邻桢图像进行位移提取，只需选择模板图像进行计算，简单、直观，自动化能力强，且提出了简单运动位移(x_i,y_i)的计算公式，提高了计算的速度；通过设置主算法子模块，对不满足亮度恒定、空间一致和桢间位移差小于设定阈值T₁任一项条件的相邻桢图像进行位移提取，提取过程较为简单，可以快速被执行，可以实现高速摄像的实时位移提取；通过设置算法选择子模块，对视频中各桢图像的位移提取算法进行优化选择，减少了对图像处理的依赖，提高了位移提取的效率，算法对每桢图像的位移提取时间可以降低到0.1ms以下；通过设置位移修正子模块，消除了温度对位移的影响，计算结果更为准确。

优选的，所述数据评估模块33包括主评估子模块和副评估子模块：

a、主评估子模块：对显示子模块中的振动位移曲线进行评估，若振动位移曲线评估合格，则不再对运动位移数据进行评估；

b、副评估子模块：当振动位移曲线评估不合格时，对显示子模块中的运动位移数据进行评估，找出异常数据。

本优选实施例提高了评估的精度。

本应用场景上述实施例取T₁＝0.1，T₂＝0.5，对臂架振动的健康状态的分析速度相对提高了5％，分析精度相对提高了4.2％。

应用场景2

参见图1、图2，本应用场景中的一个实施例的臂架控制系统，包括用于调整臂架位置的臂架位置控制设备1和用于降低臂架振动的臂架振动调整设备2；所述臂架位置控制设备1包括位置信号接收模块、调整距离确定模块和臂架运动控制模块；所述位置信号接收模块用于接收臂架末端的当前位置和臂架末端的目标位置，所述调整距离确定模块用于计算臂架末端的当前位置和臂架末端的目标位置之间的距离，并确定臂架每臂节所需的调整距离和调整方向，所述控制模块用于根据所述调整距离和调整方向对臂架每臂节进行相应的运动控制。

本发明上述实施例通过设置用于调整臂架位置的臂架位置控制设备1和用于降低臂架振动的臂架振动调整设备2，实现臂架位置距离调整的自动化分析计算以及臂架振动的控制，提高了臂架控制的精确度，从而解决了上述的技术问题。

优选的，所述臂架振动调整设备2包括振动信息接收模块21和振动控制模块22；所述振动信息接收模块21用于接收当前臂架振动烈度和当前控制阀阀芯位移；所述振动控制模块22用于计算所述当前臂架振动烈度对应的控制阀阀芯位移以及所述当前控制阀阀芯位移之间的差值，并根据差值与预定阈值的比较调整所述控制阀的控制电流，从而控制臂架振动。

本优选实施例通过对控制阀的控制电流进行调整，可以使得控制阀阀芯位移与当前臂架振动烈度匹配，从而实现降低振动的目的。

优选的，所述差值小于所述预定阈值时，所述振动控制模块22执行降低所述控制阀的控制电流的操作。

本优选实施例给出了振动控制模块22对控制阀的控制方式。

优选的，所述臂架控制系统还包括臂架振动健康监测设备3，所述臂架振动健康监测设备3包括依次连接的数据采集及预处理模块31、数据分析模块32、数据评估模块33和数据显示模块34，所述数据采集及预处理模块31用于采集臂架振动的视频图像、将所述视频图像转化到灰度空间，并使转换后的图像通过高斯滤波器进行滤波处理；所述数据分析模块32用于对预处理后的视频图像进行分析和处理，以得到跟踪目标的振动位移曲线；所述数据评估模块33用于对所述振动位移曲线进行健康分析并判断跟踪目标的振动位移是否处于健康状态，输出臂架振动健康状态结果；所述数据显示模块34用于显示所述臂架振动健康状态结果。

本优选实施例提出了臂架振动健康监测设备3，并构建了臂架振动健康监测设备3对臂架振动健康状态进行监测分析的模块架构，提高了系统的安全性。

优选的，所述数据分析模块32包括算法选择子模块、主算法子模块、副算法子模块、位移修正子模块和显示子模块，具体为：

(1)算法选择子模块：与主算法子模块、副算法子模块连接，用于对视频中各桢图像的位移提取算法进行选择，其遵循的选取原则为：当前帧图像与前一桢图像相比不满足亮度恒定、空间一致和桢间位移差小于设定阈值T₁的任一项条件时，选取主算法子模块进行追踪目标的运动位移的提取；当前帧图像与前一桢图像相比满足亮度恒定、空间一致和桢间位移差小于设定阈值T₁条件时，选取副算法子模块进行追踪目标的运动位移的提取，T₁的取值范围为(0,1mm]；

(2)主算法子模块：用于通过图像配准的方式来提取追踪目标的运动位移，设视频共有n桢图像，选取视频中的第一帧中的追踪目标图像作为模板图像P(σ)，后续帧图像为I_j(σ),j＝2,...n，多次扭曲所述后续帧图像I_j(σ)，使其与模板图像P(σ)对齐，每次扭曲后所述后续帧图像I_j(σ)与模板图像P(σ)之间的增量△δ_j为：

${\mathrm{\Δ\δ}}_j={\[\underset{\mathrm{\σ}\∈P}{\Σ}{(\▿P)}^P\·\▿P\]}^{-1}\underset{\mathrm{\σ}\∈P}{\Σ}{(\▿P)}^P\[I_j\left(\mathrm{\ψ}\right(\mathrm{\σ};{\mathrm{\δ}}_j\left)\right)-P\left(\mathrm{\σ}\right)\]$

其中，ψ(σ；δ_j)为模板图像P(σ)的像素坐标σ(x,y)映射到后续帧图像I_j(σ)的亚像素坐标，δ_j表示扭曲变换的参数向量，I_j(ψ(σ；δ_j))为从后续帧图像I_j(σ)中截取的扭曲部分，为扭曲部分在亚像素坐标ψ(σ；δ_j)处的梯度；

所述主算法子模块通过不断迭代计算增量△δ_j来更新δ_j，以逐渐实现图像配准，更新过程为：δ_j←δ_j+△δ_j，每次更新后对变换参数δ_j的小数点后一位进行四舍五入取整，停止更新的条件为||△δ_j||≤T₂，T₂为设定的阈值，T₂的取值范围为[0.4,0.5]，最后更新的变换参数δ_j即为后续帧图像I_j(σ)中要提取的追踪目标的复杂运动位移；

(3)副算法子模块：用于通过模板匹配的方式来提取追踪目标的运动位移，设视频共有n桢图像，选取视频中的第一帧图像为匹配图像，后续帧的有效区域为模板图像P_i,i＝2,...n,各桢图像中追踪目标的简单运动位移(x_i,y_i)为：

$(x_i,y_i)=(x_0+\frac{2m_1{m}_5-m_2{m}_4}{{m_4}^2-4m_3{m}_5},y_0+\frac{2m_2{m}_3-m_1{m}_4}{{m_4}^2-4m_3{m}_5})$

其中，(x₀,y₀)为通过计算模板图像P_i与第一帧图像的NCC相关系数矩阵得到的最大位置点的坐标，m₁,m₂,m₃,m₄,m₅为(x₀,y₀)周围8个坐标点(x_k,y_k)的相关系数，k＝1,...,8，(x₀,y₀)与所述相关系数的关系为c(x_k,y_k)＝m₀+m₁x_k+m₂y_k+m₃x_k²+m₄x_ky_k+m₅y_k²；

(4)位移修正子模块,考虑到当地温度对桥梁位移的影响，引入温度修正系数L对上述提取的运动位移进行修正，经验值L的取值范围是[0.95，1.05]：

修正后的复杂运动位移：δ′_j＝δ_j×L

修正后的简单运动位移：(x_i,y_i)′＝(x_i,y_i)×L；

(5)显示子模块，与主算法子模块、副算法子模块连接，用于处理并显示与追踪目标相关的运动位移数据和跟踪目标的振动位移曲线。

本优选实施例设置副算法子模块，对满足亮度恒定、空间一致和桢间位移差小于设定阈值T₁条件的相邻桢图像进行位移提取，只需选择模板图像进行计算，简单、直观，自动化能力强，且提出了简单运动位移(x_i,y_i)的计算公式，提高了计算的速度；通过设置主算法子模块，对不满足亮度恒定、空间一致和桢间位移差小于设定阈值T₁任一项条件的相邻桢图像进行位移提取，提取过程较为简单，可以快速被执行，可以实现高速摄像的实时位移提取；通过设置算法选择子模块，对视频中各桢图像的位移提取算法进行优化选择，减少了对图像处理的依赖，提高了位移提取的效率，算法对每桢图像的位移提取时间可以降低到0.1ms以下；通过设置位移修正子模块，消除了温度对位移的影响，计算结果更为准确。

优选的，所述数据评估模块33包括主评估子模块和副评估子模块：

a、主评估子模块：对显示子模块中的振动位移曲线进行评估，若振动位移曲线评估合格，则不再对运动位移数据进行评估；

b、副评估子模块：当振动位移曲线评估不合格时，对显示子模块中的运动位移数据进行评估，找出异常数据。

本优选实施例提高了评估的精度。

本应用场景上述实施例取T₁＝0.09，T₂＝0.5时，分析速度相对提高了4.5％，分析精度相对提高了4.2％。

应用场景3

参见图1、图2，本应用场景中的一个实施例的臂架控制系统，包括用于调整臂架位置的臂架位置控制设备1和用于降低臂架振动的臂架振动调整设备2；所述臂架位置控制设备1包括位置信号接收模块、调整距离确定模块和臂架运动控制模块；所述位置信号接收模块用于接收臂架末端的当前位置和臂架末端的目标位置，所述调整距离确定模块用于计算臂架末端的当前位置和臂架末端的目标位置之间的距离，并确定臂架每臂节所需的调整距离和调整方向，所述控制模块用于根据所述调整距离和调整方向对臂架每臂节进行相应的运动控制。

本发明上述实施例通过设置用于调整臂架位置的臂架位置控制设备1和用于降低臂架振动的臂架振动调整设备2，实现臂架位置距离调整的自动化分析计算以及臂架振动的控制，提高了臂架控制的精确度，从而解决了上述的技术问题。

优选的，所述臂架振动调整设备2包括振动信息接收模块21和振动控制模块22；所述振动信息接收模块21用于接收当前臂架振动烈度和当前控制阀阀芯位移；所述振动控制模块22用于计算所述当前臂架振动烈度对应的控制阀阀芯位移以及所述当前控制阀阀芯位移之间的差值，并根据差值与预定阈值的比较调整所述控制阀的控制电流，从而控制臂架振动。

本优选实施例通过对控制阀的控制电流进行调整，可以使得控制阀阀芯位移与当前臂架振动烈度匹配，从而实现降低振动的目的。

优选的，所述差值小于所述预定阈值时，所述振动控制模块22执行降低所述控制阀的控制电流的操作。

本优选实施例给出了振动控制模块22对控制阀的控制方式。

优选的，所述臂架控制系统还包括臂架振动健康监测设备3，所述臂架振动健康监测设备3包括依次连接的数据采集及预处理模块31、数据分析模块32、数据评估模块33和数据显示模块34，所述数据采集及预处理模块31用于采集臂架振动的视频图像、将所述视频图像转化到灰度空间，并使转换后的图像通过高斯滤波器进行滤波处理；所述数据分析模块32用于对预处理后的视频图像进行分析和处理，以得到跟踪目标的振动位移曲线；所述数据评估模块33用于对所述振动位移曲线进行健康分析并判断跟踪目标的振动位移是否处于健康状态，输出臂架振动健康状态结果；所述数据显示模块34用于显示所述臂架振动健康状态结果。

本优选实施例提出了臂架振动健康监测设备3，并构建了臂架振动健康监测设备3对臂架振动健康状态进行监测分析的模块架构，提高了系统的安全性。

优选的，所述数据分析模块32包括算法选择子模块、主算法子模块、副算法子模块、位移修正子模块和显示子模块，具体为：

(1)算法选择子模块：与主算法子模块、副算法子模块连接，用于对视频中各桢图像的位移提取算法进行选择，其遵循的选取原则为：当前帧图像与前一桢图像相比不满足亮度恒定、空间一致和桢间位移差小于设定阈值T₁的任一项条件时，选取主算法子模块进行追踪目标的运动位移的提取；当前帧图像与前一桢图像相比满足亮度恒定、空间一致和桢间位移差小于设定阈值T₁条件时，选取副算法子模块进行追踪目标的运动位移的提取，T₁的取值范围为(0,1mm]；

(2)主算法子模块：用于通过图像配准的方式来提取追踪目标的运动位移，设视频共有n桢图像，选取视频中的第一帧中的追踪目标图像作为模板图像P(σ)，后续帧图像为I_j(σ),j＝2,...n，多次扭曲所述后续帧图像I_j(σ)，使其与模板图像P(σ)对齐，每次扭曲后所述后续帧图像I_j(σ)与模板图像P(σ)之间的增量△δ_j为：

${\mathrm{\Δ\δ}}_j={\[\underset{\mathrm{\σ}\∈P}{\Σ}{(\▿P)}^P\·\▿P\]}^{-1}\underset{\mathrm{\σ}\∈P}{\Σ}{(\▿P)}^P\[I_j\left(\mathrm{\ψ}\right(\mathrm{\σ};{\mathrm{\δ}}_j\left)\right)-P\left(\mathrm{\σ}\right)\]$

其中，ψ(σ；δ_j)为模板图像P(σ)的像素坐标σ(x,y)映射到后续帧图像I_j(σ)的亚像素坐标，δ_j表示扭曲变换的参数向量，I_j(ψ(σ；δ_j))为从后续帧图像I_j(σ)中截取的扭曲部分，为扭曲部分在亚像素坐标ψ(σ；δ_j)处的梯度；

所述主算法子模块通过不断迭代计算增量△δ_j来更新δ_j，以逐渐实现图像配准，更新过程为：δ_j←δ_j+△δ_j，每次更新后对变换参数δ_j的小数点后一位进行四舍五入取整，停止更新的条件为||△δ_j||≤T₂，T₂为设定的阈值，T₂的取值范围为[0.4,0.5]，最后更新的变换参数δ_j即为后续帧图像I_j(σ)中要提取的追踪目标的复杂运动位移；

(3)副算法子模块：用于通过模板匹配的方式来提取追踪目标的运动位移，设视频共有n桢图像，选取视频中的第一帧图像为匹配图像，后续帧的有效区域为模板图像P_i,i＝2,...n,各桢图像中追踪目标的简单运动位移(x_i,y_i)为：

$(x_i,y_i)=(x_0+\frac{2m_1{m}_5-m_2{m}_4}{{m_4}^2-4m_3{m}_5},y_0+\frac{2m_2{m}_3-m_1{m}_4}{{m_4}^2-4m_3{m}_5})$

其中，(x₀,y₀)为通过计算模板图像P_i与第一帧图像的NCC相关系数矩阵得到的最大位置点的坐标，m₁,m₂,m₃,m₄,m₅为(x₀,y₀)周围8个坐标点(x_k,y_k)的相关系数，k＝1,...,8，(x₀,y₀)与所述相关系数的关系为c(x_k,y_k)＝m₀+m₁x_k+m₂y_k+m₃x_k²+m₄x_ky_k+m₅y_k²；

(4)位移修正子模块,考虑到当地温度对桥梁位移的影响，引入温度修正系数L对上述提取的运动位移进行修正，经验值L的取值范围是[0.95，1.05]：

修正后的复杂运动位移：δ′_j＝δ_j×L

修正后的简单运动位移：(x_i,y_i)′＝(x_i,y_i)×L；

(5)显示子模块，与主算法子模块、副算法子模块连接，用于处理并显示与追踪目标相关的运动位移数据和跟踪目标的振动位移曲线。

本优选实施例设置副算法子模块，对满足亮度恒定、空间一致和桢间位移差小于设定阈值T₁条件的相邻桢图像进行位移提取，只需选择模板图像进行计算，简单、直观，自动化能力强，且提出了简单运动位移(x_i,y_i)的计算公式，提高了计算的速度；通过设置主算法子模块，对不满足亮度恒定、空间一致和桢间位移差小于设定阈值T₁任一项条件的相邻桢图像进行位移提取，提取过程较为简单，可以快速被执行，可以实现高速摄像的实时位移提取；通过设置算法选择子模块，对视频中各桢图像的位移提取算法进行优化选择，减少了对图像处理的依赖，提高了位移提取的效率，算法对每桢图像的位移提取时间可以降低到0.1ms以下；通过设置位移修正子模块，消除了温度对位移的影响，计算结果更为准确。

优选的，所述数据评估模块33包括主评估子模块和副评估子模块：

a、主评估子模块：对显示子模块中的振动位移曲线进行评估，若振动位移曲线评估合格，则不再对运动位移数据进行评估；

b、副评估子模块：当振动位移曲线评估不合格时，对显示子模块中的运动位移数据进行评估，找出异常数据。

本优选实施例提高了评估的精度。

本应用场景上述实施例取T₁＝0.06，T₂＝0.45时，分析速度相对提高了3.5％，分析精度相对提高了4％。

应用场景4

参见图1、图2，本应用场景中的一个实施例的臂架控制系统，包括用于调整臂架位置的臂架位置控制设备1和用于降低臂架振动的臂架振动调整设备2；所述臂架位置控制设备1包括位置信号接收模块、调整距离确定模块和臂架运动控制模块；所述位置信号接收模块用于接收臂架末端的当前位置和臂架末端的目标位置，所述调整距离确定模块用于计算臂架末端的当前位置和臂架末端的目标位置之间的距离，并确定臂架每臂节所需的调整距离和调整方向，所述控制模块用于根据所述调整距离和调整方向对臂架每臂节进行相应的运动控制。

本发明上述实施例通过设置用于调整臂架位置的臂架位置控制设备1和用于降低臂架振动的臂架振动调整设备2，实现臂架位置距离调整的自动化分析计算以及臂架振动的控制，提高了臂架控制的精确度，从而解决了上述的技术问题。

优选的，所述臂架振动调整设备2包括振动信息接收模块21和振动控制模块22；所述振动信息接收模块21用于接收当前臂架振动烈度和当前控制阀阀芯位移；所述振动控制模块22用于计算所述当前臂架振动烈度对应的控制阀阀芯位移以及所述当前控制阀阀芯位移之间的差值，并根据差值与预定阈值的比较调整所述控制阀的控制电流，从而控制臂架振动。

本优选实施例通过对控制阀的控制电流进行调整，可以使得控制阀阀芯位移与当前臂架振动烈度匹配，从而实现降低振动的目的。

优选的，所述差值小于所述预定阈值时，所述振动控制模块22执行降低所述控制阀的控制电流的操作。

本优选实施例给出了振动控制模块22对控制阀的控制方式。

优选的，所述臂架控制系统还包括臂架振动健康监测设备3，所述臂架振动健康监测设备3包括依次连接的数据采集及预处理模块31、数据分析模块32、数据评估模块33和数据显示模块34，所述数据采集及预处理模块31用于采集臂架振动的视频图像、将所述视频图像转化到灰度空间，并使转换后的图像通过高斯滤波器进行滤波处理；所述数据分析模块32用于对预处理后的视频图像进行分析和处理，以得到跟踪目标的振动位移曲线；所述数据评估模块33用于对所述振动位移曲线进行健康分析并判断跟踪目标的振动位移是否处于健康状态，输出臂架振动健康状态结果；所述数据显示模块34用于显示所述臂架振动健康状态结果。

本优选实施例提出了臂架振动健康监测设备3，并构建了臂架振动健康监测设备3对臂架振动健康状态进行监测分析的模块架构，提高了系统的安全性。

优选的，所述数据分析模块32包括算法选择子模块、主算法子模块、副算法子模块、位移修正子模块和显示子模块，具体为：

(1)算法选择子模块：与主算法子模块、副算法子模块连接，用于对视频中各桢图像的位移提取算法进行选择，其遵循的选取原则为：当前帧图像与前一桢图像相比不满足亮度恒定、空间一致和桢间位移差小于设定阈值T₁的任一项条件时，选取主算法子模块进行追踪目标的运动位移的提取；当前帧图像与前一桢图像相比满足亮度恒定、空间一致和桢间位移差小于设定阈值T₁条件时，选取副算法子模块进行追踪目标的运动位移的提取，T₁的取值范围为(0,1mm]；

(2)主算法子模块：用于通过图像配准的方式来提取追踪目标的运动位移，设视频共有n桢图像，选取视频中的第一帧中的追踪目标图像作为模板图像P(σ)，后续帧图像为I_j(σ),j＝2,...n，多次扭曲所述后续帧图像I_j(σ)，使其与模板图像P(σ)对齐，每次扭曲后所述后续帧图像I_j(σ)与模板图像P(σ)之间的增量△δ_j为：

${\mathrm{\Δ\δ}}_j={\[\underset{\mathrm{\σ}\∈P}{\Σ}{(\▿P)}^P\·\▿P\]}^{-1}\underset{\mathrm{\σ}\∈P}{\Σ}{(\▿P)}^P\[I_j\left(\mathrm{\ψ}\right(\mathrm{\σ};{\mathrm{\δ}}_j\left)\right)-P\left(\mathrm{\σ}\right)\]$

其中，ψ(σ；δ_j)为模板图像P(σ)的像素坐标σ(x,y)映射到后续帧图像I_j(σ)的亚像素坐标，δ_j表示扭曲变换的参数向量，I_j(ψ(σ；δ_j))为从后续帧图像I_j(σ)中截取的扭曲部分，为扭曲部分在亚像素坐标ψ(σ；δ_j)处的梯度；

所述主算法子模块通过不断迭代计算增量△δ_j来更新δ_j，以逐渐实现图像配准，更新过程为：δ_j←δ_j+△δ_j，每次更新后对变换参数δ_j的小数点后一位进行四舍五入取整，停止更新的条件为||△δ_j||≤T₂，T₂为设定的阈值，T₂的取值范围为[0.4,0.5]，最后更新的变换参数δ_j即为后续帧图像I_j(σ)中要提取的追踪目标的复杂运动位移；

(3)副算法子模块：用于通过模板匹配的方式来提取追踪目标的运动位移，设视频共有n桢图像，选取视频中的第一帧图像为匹配图像，后续帧的有效区域为模板图像P_i,i＝2,...n,各桢图像中追踪目标的简单运动位移(x_i,y_i)为：

$(x_i,y_i)=(x_0+\frac{2m_1{m}_5-m_2{m}_4}{{m_4}^2-4m_3{m}_5},y_0+\frac{2m_2{m}_3-m_1{m}_4}{{m_4}^2-4m_3{m}_5})$

其中，(x₀,y₀)为通过计算模板图像P_i与第一帧图像的NCC相关系数矩阵得到的最大位置点的坐标，m₁,m₂,m₃,m₄,m₅为(x₀,y₀)周围8个坐标点(x_k,y_k)的相关系数，k＝1,...,8，(x₀,y₀)与所述相关系数的关系为c(x_k,y_k)＝m₀+m₁x_k+m₂y_k+m₃x_k²+m₄x_ky_k+m₅y_k²；

(4)位移修正子模块,考虑到当地温度对桥梁位移的影响，引入温度修正系数L对上述提取的运动位移进行修正，经验值L的取值范围是[0.95，1.05]：

修正后的复杂运动位移：δ′_j＝δ_j×L

修正后的简单运动位移：(x_i,y_i)′＝(x_i,y_i)×L；

(5)显示子模块，与主算法子模块、副算法子模块连接，用于处理并显示与追踪目标相关的运动位移数据和跟踪目标的振动位移曲线。

本优选实施例设置副算法子模块，对满足亮度恒定、空间一致和桢间位移差小于设定阈值T₁条件的相邻桢图像进行位移提取，只需选择模板图像进行计算，简单、直观，自动化能力强，且提出了简单运动位移(x_i,y_i)的计算公式，提高了计算的速度；通过设置主算法子模块，对不满足亮度恒定、空间一致和桢间位移差小于设定阈值T₁任一项条件的相邻桢图像进行位移提取，提取过程较为简单，可以快速被执行，可以实现高速摄像的实时位移提取；通过设置算法选择子模块，对视频中各桢图像的位移提取算法进行优化选择，减少了对图像处理的依赖，提高了位移提取的效率，算法对每桢图像的位移提取时间可以降低到0.1ms以下；通过设置位移修正子模块，消除了温度对位移的影响，计算结果更为准确。

优选的，所述数据评估模块33包括主评估子模块和副评估子模块：

a、主评估子模块：对显示子模块中的振动位移曲线进行评估，若振动位移曲线评估合格，则不再对运动位移数据进行评估；

b、副评估子模块：当振动位移曲线评估不合格时，对显示子模块中的运动位移数据进行评估，找出异常数据。

本优选实施例提高了评估的精度。

本应用场景上述实施例取T₁＝0.06，T₂＝0.4时，分析速度相对提高了4％，分析精度相对提高了4.5％。

应用场景5

参见图1、图2，本应用场景中的一个实施例的臂架控制系统，包括用于调整臂架位置的臂架位置控制设备1和用于降低臂架振动的臂架振动调整设备2；所述臂架位置控制设备1包括位置信号接收模块、调整距离确定模块和臂架运动控制模块；所述位置信号接收模块用于接收臂架末端的当前位置和臂架末端的目标位置，所述调整距离确定模块用于计算臂架末端的当前位置和臂架末端的目标位置之间的距离，并确定臂架每臂节所需的调整距离和调整方向，所述控制模块用于根据所述调整距离和调整方向对臂架每臂节进行相应的运动控制。

本发明上述实施例通过设置用于调整臂架位置的臂架位置控制设备1和用于降低臂架振动的臂架振动调整设备2，实现臂架位置距离调整的自动化分析计算以及臂架振动的控制，提高了臂架控制的精确度，从而解决了上述的技术问题。

优选的，所述臂架振动调整设备2包括振动信息接收模块21和振动控制模块22；所述振动信息接收模块21用于接收当前臂架振动烈度和当前控制阀阀芯位移；所述振动控制模块22用于计算所述当前臂架振动烈度对应的控制阀阀芯位移以及所述当前控制阀阀芯位移之间的差值，并根据差值与预定阈值的比较调整所述控制阀的控制电流，从而控制臂架振动。

本优选实施例通过对控制阀的控制电流进行调整，可以使得控制阀阀芯位移与当前臂架振动烈度匹配，从而实现降低振动的目的。

优选的，所述差值小于所述预定阈值时，所述振动控制模块22执行降低所述控制阀的控制电流的操作。

本优选实施例给出了振动控制模块22对控制阀的控制方式。

优选的，所述臂架控制系统还包括臂架振动健康监测设备3，所述臂架振动健康监测设备3包括依次连接的数据采集及预处理模块31、数据分析模块32、数据评估模块33和数据显示模块34，所述数据采集及预处理模块31用于采集臂架振动的视频图像、将所述视频图像转化到灰度空间，并使转换后的图像通过高斯滤波器进行滤波处理；所述数据分析模块32用于对预处理后的视频图像进行分析和处理，以得到跟踪目标的振动位移曲线；所述数据评估模块33用于对所述振动位移曲线进行健康分析并判断跟踪目标的振动位移是否处于健康状态，输出臂架振动健康状态结果；所述数据显示模块34用于显示所述臂架振动健康状态结果。

本优选实施例提出了臂架振动健康监测设备3，并构建了臂架振动健康监测设备3对臂架振动健康状态进行监测分析的模块架构，提高了系统的安全性。

优选的，所述数据分析模块32包括算法选择子模块、主算法子模块、副算法子模块、位移修正子模块和显示子模块，具体为：

(1)算法选择子模块：与主算法子模块、副算法子模块连接，用于对视频中各桢图像的位移提取算法进行选择，其遵循的选取原则为：当前帧图像与前一桢图像相比不满足亮度恒定、空间一致和桢间位移差小于设定阈值T₁的任一项条件时，选取主算法子模块进行追踪目标的运动位移的提取；当前帧图像与前一桢图像相比满足亮度恒定、空间一致和桢间位移差小于设定阈值T₁条件时，选取副算法子模块进行追踪目标的运动位移的提取，T₁的取值范围为(0,1mm]；

(2)主算法子模块：用于通过图像配准的方式来提取追踪目标的运动位移，设视频共有n桢图像，选取视频中的第一帧中的追踪目标图像作为模板图像P(σ)，后续帧图像为I_j(σ),j＝2,...n，多次扭曲所述后续帧图像I_j(σ)，使其与模板图像P(σ)对齐，每次扭曲后所述后续帧图像I_j(σ)与模板图像P(σ)之间的增量△δ_j为：

${\mathrm{\Δ\δ}}_j={\[\underset{\mathrm{\σ}\∈P}{\Σ}{(\▿P)}^P\·\▿P\]}^{-1}\underset{\mathrm{\σ}\∈P}{\Σ}{(\▿P)}^P\[I_j\left(\mathrm{\ψ}\right(\mathrm{\σ};{\mathrm{\δ}}_j\left)\right)-P\left(\mathrm{\σ}\right)\]$

其中，ψ(σ；δ_j)为模板图像P(σ)的像素坐标σ(x,y)映射到后续帧图像I_j(σ)的亚像素坐标，δ_j表示扭曲变换的参数向量，I_j(ψ(σ；δ_j))为从后续帧图像I_j(σ)中截取的扭曲部分，为扭曲部分在亚像素坐标ψ(σ；δ_j)处的梯度；

所述主算法子模块通过不断迭代计算增量△δ_j来更新δ_j，以逐渐实现图像配准，更新过程为：δ_j←δ_j+△δ_j，每次更新后对变换参数δ_j的小数点后一位进行四舍五入取整，停止更新的条件为||△δ_j||≤T₂，T₂为设定的阈值，T₂的取值范围为[0.4,0.5]，最后更新的变换参数δ_j即为后续帧图像I_j(σ)中要提取的追踪目标的复杂运动位移；

(3)副算法子模块：用于通过模板匹配的方式来提取追踪目标的运动位移，设视频共有n桢图像，选取视频中的第一帧图像为匹配图像，后续帧的有效区域为模板图像P_i,i＝2,...n,各桢图像中追踪目标的简单运动位移(x_i,y_i)为：

$(x_i,y_i)=(x_0+\frac{2m_1{m}_5-m_2{m}_4}{{m_4}^2-4m_3{m}_5},y_0+\frac{2m_2{m}_3-m_1{m}_4}{{m_4}^2-4m_3{m}_5})$

其中，(x₀,y₀)为通过计算模板图像P_i与第一帧图像的NCC相关系数矩阵得到的最大位置点的坐标，m₁,m₂,m₃,m₄,m₅为(x₀,y₀)周围8个坐标点(x_k,y_k)的相关系数，k＝1,...,8，(x₀,y₀)与所述相关系数的关系为c(x_k,y_k)＝m₀+m₁x_k+m₂y_k+m₃x_k²+m₄x_ky_k+m₅y_k²；

(4)位移修正子模块,考虑到当地温度对桥梁位移的影响，引入温度修正系数L对上述提取的运动位移进行修正，经验值L的取值范围是[0.95，1.05]：

修正后的复杂运动位移：δ′_j＝δ_j×L

修正后的简单运动位移：(x_i,y_i)′＝(x_i,y_i)×L；

(5)显示子模块，与主算法子模块、副算法子模块连接，用于处理并显示与追踪目标相关的运动位移数据和跟踪目标的振动位移曲线。

本优选实施例设置副算法子模块，对满足亮度恒定、空间一致和桢间位移差小于设定阈值T₁条件的相邻桢图像进行位移提取，只需选择模板图像进行计算，简单、直观，自动化能力强，且提出了简单运动位移(x_i,y_i)的计算公式，提高了计算的速度；通过设置主算法子模块，对不满足亮度恒定、空间一致和桢间位移差小于设定阈值T₁任一项条件的相邻桢图像进行位移提取，提取过程较为简单，可以快速被执行，可以实现高速摄像的实时位移提取；通过设置算法选择子模块，对视频中各桢图像的位移提取算法进行优化选择，减少了对图像处理的依赖，提高了位移提取的效率，算法对每桢图像的位移提取时间可以降低到0.1ms以下；通过设置位移修正子模块，消除了温度对位移的影响，计算结果更为准确。

优选的，所述数据评估模块33包括主评估子模块和副评估子模块：

a、主评估子模块：对显示子模块中的振动位移曲线进行评估，若振动位移曲线评估合格，则不再对运动位移数据进行评估；

b、副评估子模块：当振动位移曲线评估不合格时，对显示子模块中的运动位移数据进行评估，找出异常数据。

本优选实施例提高了评估的精度。

本应用场景上述实施例取T₁＝0.03，T₂＝0.4时，分析速度相对提高了4.7％，分析精度相对提高了4.5％。

最后应当说明的是，以上应用场景仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳应用场景对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。