咨詢電話
ENGLISH0755-88840386發(fā)布時間:2019-08-29 10:38:47 |來源:中國知網
電子定量包裝系統(tǒng)是在電子稱重技術的基礎之上發(fā)展而來的一種動態(tài)定量稱重系統(tǒng),是集機械、電氣、自動化、計算機等技術于一體的自動智能計量稱重設備 。電子定量包裝設備根據具體的控制程序,自動將大份的物料分成預定的小份物料。該設備因其具有智能自動稱量,大大提高生產效率,解放勞動力等優(yōu)點,在糧加工、食品包裝、水泥包裝、醫(yī)藥包裝等領域被廣泛應用 。電子定量包裝系統(tǒng)是否穩(wěn)定,對企業(yè)經濟效益具有直接影響,該系統(tǒng)如果能夠穩(wěn)定的運行,可以使企業(yè)獲得最佳的經濟效益。
實現動態(tài)定量稱重包裝的關鍵是解決動態(tài)定量稱重的精確控制,主要包括實時快速稱重和
實時精確稱重,該控制系統(tǒng)性能的好壞直接決定了動態(tài)定量稱重包裝的效率高低。動態(tài)定量稱重包裝系統(tǒng)是一個非線性、時變性以及多種干擾并存的一個復雜系統(tǒng) 。當為了提高包裝效率加快稱重速度時,由于物料沖擊和空中飛料等因素的存在,將直接影響稱重包裝精度。當為了提高稱重包裝精度時,又不得不降低下料速度,從而影響了包裝效率。因此如何同時兼顧下料速度和稱重包裝精度對于提高整個動態(tài)定量包裝系統(tǒng)性能至關重要。
目前國內外學者針對上述問題提出了多種智能控制方法,以解決稱重速度和稱重精度二者
之間存在的矛盾問題,例如在文獻中提出了一種模糊自適應PID控制方法,對控制系統(tǒng)進行了仿真,并取得了一定成效。文獻[10]中提出了一種基于BP神經網絡與PID相結合的控制算法,大大提高了控制系統(tǒng)性能,但BP神經網絡學習速率和收斂速率均較慢、而訓練時間過長。
徑向基函數神經網絡(radical basis function,RBF)在逼近能力、分析能力以及學習速率上均優(yōu)于BP網絡。為此提出了一種基于RBF神經網絡的PID的動態(tài)定量稱重包裝控制方法。在RBF神經網絡PID控制過程中,由神經網絡RBF在線辨識得到了梯度信息,然后由得到的梯度信息對PID中的三個參數進行在線調整,從而提高了動態(tài)稱量系統(tǒng)的控制精度。
1 定量稱重包裝系統(tǒng)組成
下料稱重包裝系統(tǒng)主要由料倉、下料裝置、稱重傳感器、稱量斗、放料門、夾袋裝置、包裝機以及傳送帶等設備組成,下料稱重包裝系統(tǒng)結構簡圖如圖1所示。
稱重系統(tǒng)中的傳感器將電信號經過A/D轉換后將信號傳送到單片機中,單片機再根據比較程序,通過對電磁閥1的控制從而實現物料重量的調節(jié),電磁閥2的開關實現最終產品的包裝。
2 傳統(tǒng)PID控制器
傳統(tǒng)的PID控制是一種線性的控制器,主要根據給定值 x 與實際輸出值 y 構成的控制偏差:
e(t)=x-y
(1)
將偏差的比例(P)、積分(I)以及微分(D)進
行線性組合從而構成PID控制,PID控制器如圖2
所示,其控制數學模型為:
u(t)=K p e(t)+K i ∫ 0
t e(t)dt+Kdde(t)dt
(2)
式(2)中: K p 為比例系數, K i 為積分系數, K d
為微分系數。
當控制對象具有非線性以及隨機性時,傳統(tǒng)的PID控制方法并不能達到理想的控制效果。
3 RBF神經網絡的 PID控制器
RBF神經網絡結構如圖3所示,該網絡主要由輸入層、隱含層以及輸出層組成。RBF神經網絡具有收斂周期短、全局逼近能力強的特點,在非線性和隨機性的控制系統(tǒng)中具有不錯表現從而被廣泛應用。
3.1 控制器的實現
結合傳統(tǒng)PID和RBF神經網絡各自的優(yōu)點,設計了如圖4所示的RBF神經網絡的PID控制結
構,通過RBF在線辨識得到梯度信息,再由梯度信息對控制系統(tǒng)中的PID參數進行自適應調整,從而使系統(tǒng)具有自適應性,顯著提高了系統(tǒng)的魯棒性。
定義控制誤差為:
e ( ) k =r ( ) k -y ( ) k(3)
其中, r ( ) k 為輸入, y ( ) k 輸出, e ( ) k 為控制誤差。對式(1)進行離散化處理可得:
u ( ) k =u(k-1)+K p [e(k)-e(k-1)]+K i e(k)
+K d [e(k)-2e(k-1)+e(k-2)](4)
由式(4)可得:
Δu ( ) k =K p [ ] e ( ) k -e ( ) k-1 +K i e ( ) k
+K d [ ] e ( ) k -2e ( ) k-1 +e ( ) k-2(5)
式中: Δu ( ) k =u ( ) k -u ( )k-1 ,其中PID中的參數由RBF神經網絡進行在線實時修正。
引入輸出誤差平方函數作為性能指標:
E ( ) k =12 [] r ( ) k -y ( ) k2=12e ( ) k2(6)
K p 、 K i 、 K d 三個參數采用梯度下降的方法進行調整:
4 仿真分析
為了驗證所提算法的有效性,將RBF神經網絡PID控制方法與傳統(tǒng)PID方法進行仿真對比。
參考文獻[12]中所提出了一種定量包裝系統(tǒng)傳遞
函數的數學模型G(s)=1.48(2.5s+1)(8.26s+1)e-0.2s(16)采樣周期 T=0.5s ,將其離散化處理,采用Matlab對上述兩種控制方法進行仿真。仿真參數選擇為:動量因子 α=0.02 ,學習速率 η=0.35 ,加權因子 w=0.01 ,PID 參數為 K p =5 , K i =0.8 ,K d =1.5 。圖5~7分別為傳統(tǒng)PID控制方法和RBF神經網絡的PID控制方法對不同物料質量稱重包裝系統(tǒng)仿真結果。
5 結束語
針對動態(tài)定量稱重包裝系統(tǒng)具有非線性、時變性以及建立精確數學模型困難等特點,提出了
一種基于RBF神經網絡的PID控制算法。通過MATLAB對不同控制方法進行仿真對比。仿真結果表明:傳統(tǒng)PID控制方法超調量較大,穩(wěn)定周期長;而RBF神經網絡的PID控制效果平穩(wěn),能夠實現包裝質量精確控制,具有良好的動態(tài)性能,控制效果明顯優(yōu)于傳統(tǒng)PID控制方法。
作者:盧君宜
摘于中國知網,如有侵權請聯系刪除