一种采用自适应滤波器的大圆机旋转周期预测方法及系统与流程

本发明涉及纺织业大圆机生产测控领域，特别涉及一种采用自适应滤波器的大圆机旋转周期预测方法及系统，应用在生产环境复杂且大圆机旋转状态不稳定的疵点检测系统中。

背景技术：

在大圆机传统生产中，往往采用人工检测的方式来监控生产中疵点布，但传统方法容易受到检测工人的主观干扰，并且效率低下。伴随工业视频监控的普及和视频图像处理技术的发展，采用基于机器视觉的智能疵点检测的研究越来越多的出现在人们的视野之中。以往的智能疵点检测的研究均是围绕着提高疵点检测算法的准确度和降低算法的时间复杂度而进行，然而将算法运用到实际工业生产上依然会受到生产环境的制约。通常的疵点检测系统均是采用逐帧分析和定时抓拍来实时采集视频图像信息，并对图像信息进行快速的分析得到分析结果。胚布的疵点信息出现频率低，采用逐帧分析法会浪费大量的图像信息，由于大圆机实际生产环境的影响和自身长期的生产寿命条件的限制，采用定时抓拍方法设定合适的时间就变得异常困难。

技术实现要素：

本发明的目的在于克服现有技术的不足，提出一种预测速度快、预测准确度高、现场适应性强且具有自学习能力的采用自适应滤波器的大圆机旋转周期预测方法及系统；利用特定串口信号分析获取实际周期，并将所述实际周期作为自适应滤波器的学习对象，自学习出符合当前大圆机运转规律的滤波器参数，能够有效地针对大圆机不同的工作环境对其旋转周期进行预测。

本发明解决其技术问题所采用的技术方案是：

一种采用自适应滤波器的大圆机旋转周期预测方法，包括：

实时接收接近开关发送的串口信号，对接收到的最新两个有效串口信号的时间求差，获得大圆机实际旋转周期rci；其中，i表示大圆机旋转次数，在滤波器中表示迭代循环次数；

采用rls周期预测算法进行滤波器参数学习，计算下一转的预测周期pci；

判断当前滤波器参数是否达到学习标准条件；

如果当前滤波器参数未达到学习标准条件，采用单步周期预测算法获得下一转的预测周期pci，并跳出本次滤波器迭代过程，等待第i+1次迭代的到来；

如果当前滤波器参数达到学习标准条件，采用所述rls周期预测算法计算得到pci作为下一转的预测周期pci，并跳出本次滤波器迭代过程，等待第i+1次迭代的到来。

优选的，所述采用rls周期预测算法进行滤波器参数学习，其学习过程如下：

a.计算周期误差ei，如下：

ei＝rci-pci-1(1)

其中，ei表示第i次迭代的周期误差，是rls滤波器的误差反馈信号，由第i次迭代时两个参数rci和pci-1相减得到；rci表示为第i次迭代的实际周期，用于作为第i次迭代计算周期误差ei的第一参数；pci-1为第i-1次迭代输出得到的预测周期，用于作为第i次迭代计算周期误差ei的第二参数；

b.计算增益向量ki(m)，如下：

其中，ki(m)表示大小为m*1的第i次迭代的增益向量；λ为常量，表示遗忘因子；m为常量，表示rls自适应滤波器阶数；pi-1(m)表示大小为m*m的第i-1次迭代的逆矩阵；ui-1(m)表示大小为m*1的第i-1次迭代的输入矩阵；

c.计算迭代的逆矩阵pi(m)，如下

其中，pi(m)表示大小为m*m的第i次迭代的逆矩阵；t表示矩阵转置；

d.计算权值向量wi(m)，如下：

wi(m)＝wi-1(m)+ki(m)ei(4)

其中，wi(m)表示表示大小为m*1的第i次迭代的权值向量；wi-1(m)表示表示大小为m*1的第i-1次迭代的权值向量其向量值；

e.更新输入矩阵ui(m)，如下：

ui(m)＝[rci；ui-1(1:m-1)](5)

其中，ui(m)表示大小为m*1的第i次迭代的输入矩阵，该矩阵是针对rci进行m阶采样构成，每次迭代都要更新ui(m)，更新模式为进出队列模式，即每次迭代都要在队头输入一个新的rci，并将第i-1次迭代的1到m-1的u向量值向队尾推进，队尾ui(m)的值被ui(m-1)覆盖；

f.计算下一转的预测周期pci，如下：

pci＝wi^t(m)ui(m)(6)

其中，pci为第i次迭代输出得到的预测周期，即rls滤波器的输出，作为第i+1次迭代求取周期误差ei+1的第二参数，其值为第i次迭代的权值向量wi(m)的转置向量与m阶输入向量ui(m)的向量积得到。

优选的，所述单步周期预测算法中，将实际旋转周期rci设置为下一转的预测周期pci。

优选的，所述判断当前滤波器参数是否达到学习标准条件，包括：

如果连续t个周期内采用rls周期预测算法计算得到的误差值|ei|与单步周期预测误差值|ei'|相减得到的差值η为负值的比例θ大于等于预设值时，表示达到学习标准条件；其中，ei'＝rci-rci-1。

优选的，所述t等于10，所述预设值等于60％。即10个连续周期中，有6次测得η值为负值，则判断当前滤波器参数达到学习标准条件。

优选的，判断串口信号有效的方法为：判断串口信号指定字段的值是否等于设定值，如果是，则判断接收到的串口信号为有效。

本发明还提供一种采用自适应滤波器的大圆机旋转周期预测系统，基于所述的采用自适应滤波器的大圆机旋转周期预测方法，包括：下位机、上位机及连接在所述下位机和上位机之间的串口传输线；所述下位机包括大圆机和接近开关；所述接近开关包括固定在大圆机机台内壁的红外探头及能够随大圆机进行圆周运动的圆周外壁螺母；所述大圆机每工作一圈，所述接近开关产生一个串口信号并通过所述串口传输线发送给所述上位机，所述上位机根据所述大圆机旋转周期预测方法进行旋转周期预测。

本发明具有如下有益效果：

(1)为了在大圆机实际生产环境中采用定时抓拍方法准确的抓拍图像，既要克服实际生产复杂的环境影响，又要克服大圆机自身使用寿命的影响，因此，本发明提出了一种采用自适应滤波器的大圆机旋转周期预测方法，通过rls(最小二乘法)周期预测算法和单步周期预测算法的结合，实现了一种适应于大圆机工业生产的旋转周期预测的自适应滤波器；通过实验证明，运行采用自适应滤波器的大圆机旋转周期预测方法能够快速准确对大圆机特点串口信号做出分析处理，并对大圆机旋转周期进行预测，同时能够适用于不同的大圆机工作环境，如一旦检测到异常的串口信号，则不作为自适应滤波器的学习对象；

(2)rls周期预测算法，具有一定的自学习能力，能够在对大圆机实际旋转周期学习训练一段时间后，预测能力达到一定的准确程度，并且在这之后，可保留训练好的参数对之后的旋转周期进行预测，但是，该算法存在一定的学习缓冲期，在此期间rls周期预测算法所预测得到的周期与实际相差甚远，不能直接用于疵点检测视觉系统的定时抓拍操作；单步周期预测算法，则是假定大圆机的预测旋转周期近似等于前一转的实际旋转周期，由于实际大圆机实际工作中，出现前后转波动性变化的次数较少，此假定条件基本满足，则单步周期预测算法可以直接用于疵点检测视觉系统的定时抓拍操作，但是，该算法存在一定的假定条件，没有自适应能力，且周期预测准确度没有rls周期预测算法强，不适用于大圆机复杂的生产环境。基于此，本发明结合rls周期预测算法和单步周期预测算法，提出了一种采用自适应滤波器的大圆机旋转周期预测方法及系统，既具备自适应能力且适用于大圆机复杂的工作环境；

(3)本发明与疵点检测视觉系统紧密结合，通过串口信号的实时分析和自适应滤波的处理可快速准确的获取预测周期，预测周期可用于计算大圆机的旋转速度，定位疵点检测视觉系统需要抓拍的图像位置，以及定位疵点在整批布中的位置，为实现高效的胚布检测系统奠定了基础，通过实验证明，本发明能够快速准确的对大圆机周期进行预测，降低了疵点检测视觉系统的精确抓拍难度，提高了胚布疵点定位准确度。

以下结合附图及实施例对本发明作进一步详细说明，但本发明的一种采用自适应滤波器的大圆机旋转周期预测方法及系统不局限于实施例。

附图说明

图1是本发明的自适应滤波器rls周期预测算法的工作原理图；

图2是本发明的更新输入向量ui(m)的队列模式图；

图3是本发明的rls周期预测算法的运算核心图；

图4是本发明的采用自适应滤波器的大圆机旋转周期预测系统的结构图；

图5是本发明的实际周期的数据样本图；

图6是本发明的大圆机自适应滤波器工作机制图；

图7是本发明的滤波器误差权重(power)分布图；

图8是本发明的滤波器单步pc误差图；

图9是本发明的滤波器16阶pc误差图；

图10是本发明的周期(70-79)16阶误差绝对值与单步误差绝对值的差值η；

图11是本发明的16阶误差绝对值与单步误差绝对值的差值η；

图12是本发明的16阶误差绝对值与单步误差绝对值的差值η正负统计。

具体实施方式

下面根据附图详细对本发明的具体实施作进一步描述。

参见图1、图2、图3所示，自适应滤波器中rls周期预测算法的工作原理描述如下。

参见图1所示，到⑤构成一次rls周期预测迭代过程，迭代过程按照到⑤过程次序进行，滤波器输入为实际周期rci，输出为预测周期pci。

-①-②过程完成第i次迭代求解周期误差ei的任务，过程①的输入信号rci表示为大圆机实际周期，过程的输入信号pci表示为前一次迭代输出的预测周期，rci与pci相减得到周期误差ei。

④过程完成本次迭代输入向量ui(m)的更新，更新模式采用队列模式参见2所示，每次迭代滤波器都会输入一个新的rci，第i次迭代时的rci将作为ui(m)的队头(front)元素进入队列，第i次迭代之前的m-1次进入队列的元素则按照队列顺序依次向队尾(rear)运动，ui(m)将随着迭代的进行不断更新。

③和⑤过程构建了rls运算的核心内容，即求解权值向量wi(m)和计算预测周期pci。③过程完成本次迭代权值向量wi(m)的更新，wi(m)是实现rls自适应滤波器周期预测的关键，rls自适应滤波器可以根据输入的矩阵ui(m)和实际周期数据rci通过自学习不断修正wi(m)权值向量，直到wi(m)趋于稳定；⑤过程完成本次迭代的预测周期pci输出，其值为权值向量wi(m)的转置向量与输入向量ui(m)的向量积进行累加得到。

参图3所示，图中的“1”、“2”和“3”分别表示增益向量ki(m)、逆矩阵pi(m)和输入向量ui(m)的更新过程。根据rls周期预测算法公式(2)，ki(m)更新需要用到本次迭代更新前的输入向量ui-1(m)和逆矩阵pi-1(m)，以及遗忘因子λ；根据rls周期预测算法公式(3)，pi(m)更新需要用到本次迭代更新前的逆矩阵pi-1(m)和输入向量ui-1(m)，更新后的增益向量ki(m)，以及遗忘因子λ；根据rls周期预测算法公式(4)，wi(m)更新则需要用到本次迭代更新前的权值向量wi-1(m)、更新后的增益向量ki(m)和-①-②过程计算得到的周期误差ei；ui(m)更新则发生在wi(m)更新之后；最后，根据rls周期预测算法公式(6)，完成⑤过程计算得到本次迭代的预测周期pci。

本发明一种采用自适应滤波器的大圆机旋转周期预测系统其详细工作描述如下。

参见图4所示，大圆机周期预测系统由上位机和下位机及上下位机之间的连线构成。具体的，所述下位机包括大圆机和接近开关，即大圆机的硬件模型；所述上位机包括接近开关串口信号分析模块与自适应滤波器模块，即大圆机的软件模型。在下位机中“1”和“2”构成一个接近开关，“1”为红外探头，被固定在大圆机机台内壁，“2”为能够阻断红外光线的被固定在能够随大圆机进行圆周运动的圆周外壁螺母。

具体的，接近开关信号为9字节串口信号，接近开关信号协议如表1所示，字节信息均采用16进制，即00-ff样式。“字头”采用统一的“005a”信息，确保了设备的统一性和安全性；“设备地址”用户可以根据圆纬机的数量自定义信息，便于统一化设备管理；“命令”统一采用“01”信息，主要是为了区分除去串口信号以外的其他命令信息；“保留”的4字节暂时未作任何处理；“校验和”是前面8个字节信息之和，可用于上位机校验接近开关信号的准确性。

表1

大圆机每工作一圈，接近开关均可以产生一个串口信号，并通过rs485/rs232协议上传到上位机，上位机通过usb转串口接收串口信号，进而在上位机上完成串口信号分析，并获取实际周期rc数据集过程。

系统详细的数据采集过程如下。

步骤一，接近开关串口信号生成与上传。当“2”接近“1”时能够产生一个中断脉冲信号，该信号会在下位机中产生一个9字节接近开关信号，该串口信号可以通过串口传输线(rs485/rs232)再经usb转串口被上传到上位机；

步骤二，接近开关串口信号分析。待上位机接收到串口信号之后，要对串口信号进行校验和分析，进而判断当前串口信号是否正确，用于排除下位机因受环境因素干扰上传的错误的串口信号。在接近开关能够正常工作下，当上位机接收到第二个接近开关信号时，即认为大圆机旋转一周，此时上位机可根据接收到的两个接近开关的信号的时间，计算出大圆机经过的一转的旋转周期，标识为rc，并且将当前的第二个接近开关信号作为下一转的的第一个接近开关信号，按照此过程可依次计算出每一转的rc；

步骤三，收集并制作rc数据集。根据步骤一和二所述，设计软件工具在真实的纺织工厂的圆纬机环境中进行rc收集，由于在真实纺织环境中，纺织生产作业存在着许多突发因素，如断针、断线、工人手控停机等都会对rc数据集造成不可靠的影响，且对rc数据集的大小造成绝对的影响，本文实验选择在实验圆纬机上进行了多次采集，之后通过对比分析选取了大小为4578的rc数据集，参见图5所示。

为构建大圆机自适应滤波器工作机制，本实施例设计以下两个部分的实验，实验一，寻找rls周期预测算法最佳阶数m的实验；实验二，确认阶数的rls周期预测算法与单步周期预测算法对比实验。实验数据均为大小4578的实际周期rc数据样本。

rls周期预测算法在应用时需要对p0(m)进行赋初值，根据文献可知rls遗忘因子的取值范围为0.9<λ<1，经反复实验，对于任意一组rc数据，设定λ＝0.98，p0(m)＝(1/λ)*eye，eye表示大小为m*m的单位矩阵。

实验一中，为寻找rls周期预测算法最佳阶数，设计rls误差权重(power)随阶数n变化的实验。误差权重(power)采用周期误差ei的平方数表示，即power＝ei*ei。阶数n取值2到30。实验内容为，设计4578次rls周期预测算法的迭代过程，伴随迭代的进行，ei将趋于平稳状态，再计算出power值，根据阶数n的不同取值重复上述迭代过程，可获取误差权重power与阶数n的关系变化。

实验二中，单步周期预测是将第i次迭代的实际周期rci作为第i-1次迭代的预测周期pci，最终获取4578组预测周期；为确认阶数的rls周期预测，可以根据自适应滤波器中rls周期预测算法工作原理，在matlab平台上设计程序，测试rc数据集，获取4578组预测周期。根据以上实验内容可绘制图8、图9、图10，图11和图12所示实验结果。

实验结果与分析如下：

根据实验一，参见7所示，给出了rls滤波器误差权重(power)随阶数n变化分布图，由于1阶pc可近似看作单步pc，故而在分布图并未给出1阶pc。伴随着n阶数的增长，power值呈现，先快速下跌，再缓慢上涨的分布情况，可以找到一个极小值n＝16作为power的最小值，即认为rls周期预测算法的最佳阶数在16阶，即m＝maxn＝16。实验二便是在16阶rls滤波器上进行的。

根据实验二，图8、图9、图10，图11和图12分别从不同的角度分析了rls周期n阶预测算法和单步周期预测算法的优缺点，并给出了自适应滤波器可用于大圆机工业现场生产的结论。

图8和图9分别表示滤波器单步pc误差和滤波器16阶pc误差实验结果。从图8中能够观察到：滤波器单步pc误差值能够围绕0轴呈现不规则的波动，波动范围在-170—120；波动幅度越大，距离0轴越远，表示单步周期预测性能越差，图中超过50的有107个周期，分布在不同的周期区域，超过100的有7次，分布在不同的周期区域；从图9中能够观察到：滤波器16阶pc误差值同样围绕0轴呈现不规则的波动，波动范围在-290—230；图中超过50的有20个周期，并且有12/20分布在第80周期之前，超过100的有4次，分布在周期编号为2、6、7、8。从上述现象可知，c点相对于a点接近b点的距离更多，16阶周期预测结果普遍比单步周期预测值更为准确，预测异常的值可控制在第80周期的获取标准学习周期的阶段，16阶周期预测效果优于单步周期预测。

参见10表示周期(70-79)16阶误差绝对值与单步误差绝对值的差值，从图10中观察到：在周期70-79，10个周期中，正值数为6，达到了标准学习周期的要求，可选择第80个周期由单步预测周期切换到16阶周期预测算法。图11表示16阶误差绝对值与单步误差绝对值的差值η，正值表示16阶误差绝对值大于单步误差绝对值的差值，负值表示16阶误差绝对值小于单步误差绝对值的差值，从图11中能够观察到：整体来看，η的正值远小于负值的数目，并且在80周期之前正值多于负值，80-300周期正值与负值统计数目持平，并且16阶预测周期误差与单步预测周期误差相近。图12表示为16阶误差绝对值与单步误差绝对值的差值正负统计的实验结果，图中的1表示差值为正，2表示差值为负。从图12中能够观察到：在总计4575组数据中，正值(1)η1有1318组，负值(2)η2有3257组，正负比例16阶周期预测准确度比单步周期预测准确的提升了40.46％。

通过上述实验分析可知，采用16阶rls周期预测算法，能够有效且更为准确的预测大圆机旋转周期，但在预测到稳定的pc之前需要经过一个80左右的缓冲期对向量权值进行自学习的过程。采用单步周期预测算法，尽管不能自学习，不具备适应性，但在rls缓冲期可作为临时预测周期，确保定时抓拍工作的正常进行。参见图6所示大圆机自适应滤波器工作机制，可用于大圆机复杂的生产环境中，即设立rls缓冲期和rls预测期，其中rls缓冲期由单步预测周期构成，rls预测期是由确定阶数的rls周期预测算法所得到的预测周期构成。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。