日本在线www-日本在线播放一区-日本在线不卡免费视频一区-日本在线不卡视频-成人影院久久久久久影院-成人影院一区二区三区

  





   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化網絡。




    摘  要：通動態定量稱重系統是一種非線性、大滯后、時變性的系統。PID控制應用廣泛，但其參數整定仍未得到很好的解決。因此采用神經網絡與PID控制理論相結合，為動態定量稱重系統設計了一種神經網絡PID控制器，以及提出了新的智能控制策略。該控制器算法簡單，通過自學習、記憶功能在線調整PID控制參數Kp、KI、KD，來實現具有最佳組合的PID控制。

    關鍵詞：動態定量稱重系統；神經網絡；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、化工等行業的生產過程中都需要對產品進行定量包裝。動態定量稱重的兩個關鍵問題：一是稱重精度；二是稱重速度。這兩方面需要綜合考慮，兩者兼顧。在工業連續生產過程中，如何同時提高動態定量稱重精度和稱重速度，一直是企業和計量領域亟需解決的難題之一[1,2]。智能算法采用基于BP神經網絡的神經網絡PID預測控制算法，發揮神經網絡的自學習、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，以得到最優的PID控制參數，從而達到稱重精度和稱重速度的最優化。本文將PXA270微處理器為核心的系統硬件與神經網絡PID控制器自學習相結合，針對動態定量稱重系統提出了一種新的智能控制策略。

    2 動態定量稱重系統模型

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

    對上式進行拉式變換可得到

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

                                          （3）

    ρ為物料的密度。

    假定對象是一階慣性的, 則螺旋進料器的運動方程為[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為神經網絡PID混料控制結構框圖，物料密度ρ=k。

             

                       圖1   神經網絡PID混料控制結構框圖

    3 神經網絡PID控制算法

    BP神經網絡具有逼近任意非線性函數的能力，而且結構和學習算法明確。通過神經網絡自身的學習，可以找到某一最優控制規律下的P，I，D參數。基于BP神經網絡的神經網絡預測PID控制器的結構，如圖2所示，控制器由兩部分組成：① 經典的PID控制器：直接對被控對象進行閉環控制，并且三個參數為在線整定；② 神經網絡NN：根據系統運行狀態，調節PID控制器 Kp、KI、KD的參數，以期達到性能指標的最優化。

              
                        圖2   神經網絡預測PID控制框圖

            （6）

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

                                       （7）

    式中是與Kp、KI、KD，u（K-1），y（K）等有關的非線性函數，可以用BP神經網絡NN通過訓練和學習找到一個最佳控制規律[3]。

    3.1 神經網絡算法

    神經網絡預測控制器采用的是BP神經網絡。BP網絡在應用于預測預報之前，需要一個網絡學習過程。網絡根據輸入的訓練（學習）樣本進行自適應、自組織，自學習，確定各神經元的連接權W和閾值。經過多次訓練后，網絡具有了對學習樣本的記憶和聯想的能力。網絡學習過程包括信息正向傳播和誤差反向傳播兩個反復交替的過程。

    在正向傳播過程中，輸入信息從輸入層經隱含層逐層處理，并傳向輸出層，每層神經元的狀態只影響到下一層神經元的狀態。信息正向傳播過程可由第k層第j個神經元的輸入輸出關系來簡單地表征
                       （8）
 
                                        （9）

    式中為第(k-1)層第i個神經元到第k層第j個神經元的連接權因子；為該神經元的閾值；f(x)為網絡節點作用函數，通常為一非線性函數，如sigmoid函數；nk為第k層神經元的數目，m為神經網絡模型的總層數。

    誤差反向傳播的學習過程是將從輸出層到輸入層向后傳播并修正相應網絡參數的過程，通過修改各層神經元的權值，使網絡的誤差信號最小。

    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為網絡學習率或學習因子，α為動力因子。

    上述各式構成了BP神經網絡模型。根據神經網絡的訓練學習算法，可確定網絡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系，使實際輸出與計算輸出的誤差達到最小[4]。

    3.2 神經網絡算法的結構

    神經網絡控制器均采用3層的BP網絡。BP網絡有3個輸入節點、1個隱含層、3個輸出節點，激發函數取tansig，BP網絡結構[5]見圖3。神經網絡輸入選為：

           

                           圖3   BP網絡結構[5]見圖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（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。嵌入式的特點為之一是硬件設計與軟件設計緊密聯系，在設計過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。在本動態稱重配料控制系統中，重量信號經放大變送后送到模擬量數據輸入模塊中進行轉換處理，后送微處理器，CPU根據該信號的大小來確定物料的重量，并通過數字量I/O模塊控制電機和閥門動作。控制系統可通過串行通訊模塊或以太網與上位機進行通信；嵌入式工控主板與數據采集模塊采用PC/104總線進行通信。

                   

                              圖4   系統硬件框圖

    4.2 控制方法

    神經網絡PID控制器自學習過程（如圖5為神經網絡PID控制器自學習過程圖）：

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

    （2）設定停止加料工作點a（k）千克（模擬量數據輸入模塊采集到的物料稱重重量）時，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為空中落量下落時間）秒后，模擬量數據輸入模塊采集n組稱重數據，并通過中位值平均濾波法求得此次稱重過程的實際輸出值r。

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

   （5）計算反向誤差與權值的學習。

               
                                圖5   神經網絡PID控制器自學習流程圖
                               （13）
                                   （14） 

    （6）判斷經神經網絡PID控制器自學習自訓練后，是否得到滿足要求的實際輸出值。如果滿足要求，輸出Kp、Ki、Kd；不滿足要求，繼續下一輪訓練。

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

    5 結語

    本文針對動態定量稱重系統設計了一種神經網絡PID控制器，提出了一神經網絡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. 基于神經網絡技術的動態定量稱重控制方法的研究[J].自動化儀表，2000，21(7)，8-10.

    [2] 王書鶴. 螺旋加料控制方法的研究[J]. 山東大學學報，2003，38(1)，83-85

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

    [4] 易繼鍇，侯媛彬.智能控制技術[M].北京：北京工業大學出版社，1999.



                                                      ——轉自《自動化博覽》