胡攀 （1984-）

    男，湖北鄂州人，碩士研究生，主要研究方向計算機控制與自動(dòng)化網(wǎng)絡(luò )。




    摘  要：通動(dòng)態(tài)定量稱(chēng)重系統是一種非線(xiàn)性、大滯后、時(shí)變性的系統。PID控制應用廣泛，但其參數整定仍未得到很好的解決。因此采用神經(jīng)網(wǎng)絡(luò )與PID控制理論相結合，為動(dòng)態(tài)定量稱(chēng)重系統設計了一種神經(jīng)網(wǎng)絡(luò )PID控制器，以及提出了新的智能控制策略。該控制器算法簡(jiǎn)單，通過(guò)自學(xué)習、記憶功能在線(xiàn)調整PID控制參數Kp、KI、KD，來(lái)實(shí)現具有最佳組合的PID控制。

    關(guān)鍵詞：動(dòng)態(tài)定量稱(chēng)重系統；神經(jīng)網(wǎng)絡(luò )；PID控制器；控制策略

    Abstract: The dynamic quantitative weighing system is a kind of nonlinear ,large delay,time-varying system. PID controllers are used in a large number of industries. However，there are no satisfactory solutions about the turning of PID parameters.Therefore the neural network PID controller is designed by means of the neural network theory combined with the PID control theory for the dynamic quantitative weighing system,and proposed the new intelligent control strategy.The designed algorithm is easy.The optiml combination of PID controller can be realized by self-learning and memory fuction adjusting the control parameter Kp、KI、KD of PID online.

    Key words: dynamic quantitative weighing system; neural network r; PID controller; control strategy


    1 引言

    食品、醫藥、化工等行業(yè)的生產(chǎn)過(guò)程中都需要對產(chǎn)品進(jìn)行定量包裝。動(dòng)態(tài)定量稱(chēng)重的兩個(gè)關(guān)鍵問(wèn)題：一是稱(chēng)重精度；二是稱(chēng)重速度。這兩方面需要綜合考慮，兩者兼顧。在工業(yè)連續生產(chǎn)過(guò)程中，如何同時(shí)提高動(dòng)態(tài)定量稱(chēng)重精度和稱(chēng)重速度，一直是企業(yè)和計量領(lǐng)域亟需解決的難題之一[1,2]。智能算法采用基于BP神經(jīng)網(wǎng)絡(luò )的神經(jīng)網(wǎng)絡(luò )PID預測控制算法，發(fā)揮神經(jīng)網(wǎng)絡(luò )的自學(xué)習、自適應特性，按照控制要求自主調節PID控制器Kp、KI、KD的參數，以得到最優(yōu)的PID控制參數，從而達到稱(chēng)重精度和稱(chēng)重速度的最優(yōu)化。本文將PXA270微處理器為核心的系統硬件與神經(jīng)網(wǎng)絡(luò )PID控制器自學(xué)習相結合，針對動(dòng)態(tài)定量稱(chēng)重系統提出了一種新的智能控制策略。

    2 動(dòng)態(tài)定量稱(chēng)重系統模型

    系統采用螺旋加料機進(jìn)行加料。在0—tn時(shí)刻螺旋給料機出料的總重量為Q(t)與物料的流量A(t)的關(guān)系為：
                                              （1）

    對上式進(jìn)行拉式變換可得到

                                              （2）
   則螺旋給料機向稱(chēng)量容器加料過(guò)程的傳遞函數為

                                          （3）

    ρ為物料的密度。

    假定對象是一階慣性的, 則螺旋進(jìn)料器的運動(dòng)方程為[3]

                                     （4）

    則根據上式可推導螺旋加料器的傳遞函數為：

                                     （5）


    其中，a1和b1為對象參數，k1為轉速與流量之間的變換系數。

    圖1為神經(jīng)網(wǎng)絡(luò )PID混料控制結構框圖，物料密度ρ=k。

             

                       圖1   神經(jīng)網(wǎng)絡(luò )PID混料控制結構框圖

    3 神經(jīng)網(wǎng)絡(luò )PID控制算法

    BP神經(jīng)網(wǎng)絡(luò )具有逼近任意非線(xiàn)性函數的能力，而且結構和學(xué)習算法明確。通過(guò)神經(jīng)網(wǎng)絡(luò )自身的學(xué)習，可以找到某一最優(yōu)控制規律下的P，I，D參數?；贐P神經(jīng)網(wǎng)絡(luò )的神經(jīng)網(wǎng)絡(luò )預測PID控制器的結構，如圖2所示，控制器由兩部分組成：① 經(jīng)典的PID控制器：直接對被控對象進(jìn)行閉環(huán)控制，并且三個(gè)參數為在線(xiàn)整定；② 神經(jīng)網(wǎng)絡(luò )NN：根據系統運行狀態(tài)，調節PID控制器 Kp、KI、KD的參數，以期達到性能指標的最優(yōu)化。

              
                        圖2   神經(jīng)網(wǎng)絡(luò )預測PID控制框圖

            （6）

     式中 Kp、KI、KD分別為比例、積分、微分系數，將為系統運行狀態(tài)的可調參數時(shí)，可將式描述為

                                       （7）

    式中是與Kp、KI、KD，u（K-1），y（K）等有關(guān)的非線(xiàn)性函數，可以用BP神經(jīng)網(wǎng)絡(luò )NN通過(guò)訓練和學(xué)習找到一個(gè)最佳控制規律[3]。

    3.1 神經(jīng)網(wǎng)絡(luò )算法

    神經(jīng)網(wǎng)絡(luò )預測控制器采用的是BP神經(jīng)網(wǎng)絡(luò )。BP網(wǎng)絡(luò )在應用于預測預報之前，需要一個(gè)網(wǎng)絡(luò )學(xué)習過(guò)程。網(wǎng)絡(luò )根據輸入的訓練（學(xué)習）樣本進(jìn)行自適應、自組織，自學(xué)習，確定各神經(jīng)元的連接權W和閾值。經(jīng)過(guò)多次訓練后，網(wǎng)絡(luò )具有了對學(xué)習樣本的記憶和聯(lián)想的能力。網(wǎng)絡(luò )學(xué)習過(guò)程包括信息正向傳播和誤差反向傳播兩個(gè)反復交替的過(guò)程。

    在正向傳播過(guò)程中，輸入信息從輸入層經(jīng)隱含層逐層處理，并傳向輸出層，每層神經(jīng)元的狀態(tài)只影響到下一層神經(jīng)元的狀態(tài)。信息正向傳播過(guò)程可由第k層第j個(gè)神經(jīng)元的輸入輸出關(guān)系來(lái)簡(jiǎn)單地表征
                       （8）
 
                                        （9）

    式中為第(k-1)層第i個(gè)神經(jīng)元到第k層第j個(gè)神經(jīng)元的連接權因子；為該神經(jīng)元的閾值；f(x)為網(wǎng)絡(luò )節點(diǎn)作用函數，通常為一非線(xiàn)性函數，如sigmoid函數；nk為第k層神經(jīng)元的數目，m為神經(jīng)網(wǎng)絡(luò )模型的總層數。

    誤差反向傳播的學(xué)習過(guò)程是將從輸出層到輸入層向后傳播并修正相應網(wǎng)絡(luò )參數的過(guò)程，通過(guò)修改各層神經(jīng)元的權值，使網(wǎng)絡(luò )的誤差信號最小。

    權向量和閾值的修正采用梯度法，根據該法分別得到權向量和閾值的迭代式為

                                             （10）
                                                （11）
    η為網(wǎng)絡(luò )學(xué)習率或學(xué)習因子，α為動(dòng)力因子。

    上述各式構成了BP神經(jīng)網(wǎng)絡(luò )模型。根據神經(jīng)網(wǎng)絡(luò )的訓練學(xué)習算法，可確定網(wǎng)絡(luò )的連接權向量和閾值等參數，即確定輸入向量與輸出向量的對應關(guān)系，使實(shí)際輸出與計算輸出的誤差達到最小[4]。

    3.2 神經(jīng)網(wǎng)絡(luò )算法的結構

    神經(jīng)網(wǎng)絡(luò )控制器均采用3層的BP網(wǎng)絡(luò )。BP網(wǎng)絡(luò )有3個(gè)輸入節點(diǎn)、1個(gè)隱含層、3個(gè)輸出節點(diǎn)，激發(fā)函數取tansig，BP網(wǎng)絡(luò )結構[5]見(jiàn)圖3。神經(jīng)網(wǎng)絡(luò )輸入選為：

           

                           圖3   BP網(wǎng)絡(luò )結構[5]見(jiàn)圖3
        
                            （12）

    4 控制策略

    4.1 硬件系統設計

    系統采用的嵌入式工控主板，它是在PXA270微處理器的基礎上附加SDRAM（64MByte），FLASH（32MByte）、以太網(wǎng)（10/100MEthemetcontroll）CPLD等外圍芯片和外設接口組成的。PXA270是英特爾公司的PXA27x系列嵌入式處理器。這是一款高性能，低功耗的XScale處理器，最高頻率可達624MHz。系統主要用到以下的外設接口：USB Host、USB Device；UART；JTAG；LCD；PC104；觸摸屏。嵌入式的特點(diǎn)為之一是硬件設計與軟件設計緊密聯(lián)系，在設計過(guò)中需要考慮二者之間相互的影響。

    系統硬件設計框圖如圖4所示。在本動(dòng)態(tài)稱(chēng)重配料控制系統中，重量信號經(jīng)放大變送后送到模擬量數據輸入模塊中進(jìn)行轉換處理，后送微處理器，CPU根據該信號的大小來(lái)確定物料的重量，并通過(guò)數字量I/O模塊控制電機和閥門(mén)動(dòng)作?？刂葡到y可通過(guò)串行通訊模塊或以太網(wǎng)與上位機進(jìn)行通信；嵌入式工控主板與數據采集模塊采用PC/104總線(xiàn)進(jìn)行通信。

                   

                              圖4   系統硬件框圖

    4.2 控制方法

    神經(jīng)網(wǎng)絡(luò )PID控制器自學(xué)習過(guò)程（如圖5為神經(jīng)網(wǎng)絡(luò )PID控制器自學(xué)習過(guò)程圖）：

    （1）確定稱(chēng)重物料在靜態(tài)下的重量為x千克（其中水y升，固態(tài)物料z千克），作為系統訓練的目標值。

    （2）設定停止加料工作點(diǎn)a（k）千克（模擬量數據輸入模塊采集到的物料稱(chēng)重重量）時(shí)，數字量I/O模塊控制下料電機停止工作，系統不再加料。

    （3）下料電機停止工作t（t>tp，tp為空中落量下落時(shí)間）秒后，模擬量數據輸入模塊采集n組稱(chēng)重數據，并通過(guò)中位值平均濾波法求得此次稱(chēng)重過(guò)程的實(shí)際輸出值r。

   （4）停止加料工作點(diǎn)的調整采用二分法，即a（k+1）=a（k）+ [x-a（k）]/2。

   （5）計算反向誤差與權值的學(xué)習。

               
                                圖5   神經(jīng)網(wǎng)絡(luò )PID控制器自學(xué)習流程圖
                               （13）
                                   （14） 

    （6）判斷經(jīng)神經(jīng)網(wǎng)絡(luò )PID控制器自學(xué)習自訓練后，是否得到滿(mǎn)足要求的實(shí)際輸出值。如果滿(mǎn)足要求，輸出Kp、Ki、Kd；不滿(mǎn)足要求，繼續下一輪訓練。

    （7）在確定了停止加料工作點(diǎn) 以及最優(yōu)Kp、Ki、Kd后，即可定量稱(chēng)重重量為x千克的物料。

    5 結語(yǔ)

    本文針對動(dòng)態(tài)定量稱(chēng)重系統設計了一種神經(jīng)網(wǎng)絡(luò )PID控制器，提出了一神經(jīng)網(wǎng)絡(luò )PID控制器為核心的新的控制策略。該控制策略已在本文所設計的硬件系統條件下通過(guò)程序調試并投入運行。

   其它作者：梁嵐珍（1957-），女，教授，碩士生導師；李靖（1982-），男，山東臨沂人，碩士，中國重汽工程師。

   參考文獻：

    [1] 白瑞林，李軍，白瑞祥. 基于神經(jīng)網(wǎng)絡(luò )技術(shù)的動(dòng)態(tài)定量稱(chēng)重控制方法的研究[J].自動(dòng)化儀表，2000，21(7)，8-10.

    [2] 王書(shū)鶴. 螺旋加料控制方法的研究[J]. 山東大學(xué)學(xué)報，2003，38(1)，83-85

    [3] 楊新志. 粉狀物料稱(chēng)重系統的預測控制[J]. 上海大學(xué)學(xué)報，1999，(5)，414-418.

    [4] 易繼鍇，侯媛彬.智能控制技術(shù)[M].北京：北京工業(yè)大學(xué)出版社，1999.



                                                      ——轉自《自動(dòng)化博覽》