毛片网站在线观看-毛片网站在线-毛片网站有哪些-毛片网站视频-女生脱衣服app-女色综合

  





   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(wǎng)絡。




    摘  要：通動態(tài)定量稱重系統(tǒng)是一種非線性、大滯后、時變性的系統(tǒng)。PID控制應用廣泛，但其參數(shù)整定仍未得到很好的解決。因此采用神經(jīng)網(wǎng)絡與PID控制理論相結(jié)合，為動態(tài)定量稱重系統(tǒng)設計了一種神經(jīng)網(wǎng)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(diào)整PID控制參數(shù)Kp、KI、KD，來實現(xiàn)具有最佳組合的PID控制。

    關鍵詞：動態(tài)定量稱重系統(tǒng)；神經(jīng)網(wǎng)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(yī)藥、化工等行業(yè)的生產(chǎn)過程中都需要對產(chǎn)品進行定量包裝。動態(tài)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(yè)連續(xù)生產(chǎn)過程中，如何同時提高動態(tài)定量稱重精度和稱重速度，一直是企業(yè)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(jīng)網(wǎng)絡的神經(jīng)網(wǎng)絡PID預測控制算法，發(fā)揮神經(jīng)網(wǎng)絡的自學習、自適應特性，按照控制要求自主調(diào)節(jié)PID控制器Kp、KI、KD的參數(shù)，以得到最優(yōu)的PID控制參數(shù)，從而達到稱重精度和稱重速度的最優(yōu)化。本文將PXA270微處理器為核心的系統(tǒng)硬件與神經(jīng)網(wǎng)絡PID控制器自學習相結(jié)合，針對動態(tài)定量稱重系統(tǒng)提出了一種新的智能控制策略。

    2 動態(tài)定量稱重系統(tǒng)模型

    系統(tǒng)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(shù)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(jù)上式可推導螺旋加料器的傳遞函數(shù)為：

                                     （5）


    其中，a1和b1為對象參數(shù)，k1為轉(zhuǎn)速與流量之間的變換系數(shù)。

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

             

                       圖1   神經(jīng)網(wǎng)絡PID混料控制結(jié)構(gòu)框圖

    3 神經(jīng)網(wǎng)絡PID控制算法

    BP神經(jīng)網(wǎng)絡具有逼近任意非線性函數(shù)的能力，而且結(jié)構(gòu)和學習算法明確。通過神經(jīng)網(wǎng)絡自身的學習，可以找到某一最優(yōu)控制規(guī)律下的P，I，D參數(shù)。基于BP神經(jīng)網(wǎng)絡的神經(jīng)網(wǎng)絡預測PID控制器的結(jié)構(gòu)，如圖2所示，控制器由兩部分組成：① 經(jīng)典的PID控制器：直接對被控對象進行閉環(huán)控制，并且三個參數(shù)為在線整定；② 神經(jīng)網(wǎng)絡NN：根據(jù)系統(tǒng)運行狀態(tài)，調(diào)節(jié)PID控制器 Kp、KI、KD的參數(shù)，以期達到性能指標的最優(yōu)化。

              
                        圖2   神經(jīng)網(wǎng)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(shù)，將為系統(tǒng)運行狀態(tài)的可調(diào)參數(shù)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(shù)，可以用BP神經(jīng)網(wǎng)絡NN通過訓練和學習找到一個最佳控制規(guī)律[3]。

    3.1 神經(jīng)網(wǎng)絡算法

    神經(jīng)網(wǎng)絡預測控制器采用的是BP神經(jīng)網(wǎng)絡。BP網(wǎng)絡在應用于預測預報之前，需要一個網(wǎng)絡學習過程。網(wǎng)絡根據(jù)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(jīng)元的連接權(quán)W和閾值。經(jīng)過多次訓練后，網(wǎng)絡具有了對學習樣本的記憶和聯(lián)想的能力。網(wǎng)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(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)。信息正向傳播過程可由第k層第j個神經(jīng)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(jīng)元到第k層第j個神經(jīng)元的連接權(quán)因子；為該神經(jīng)元的閾值；f(x)為網(wǎng)絡節(jié)點作用函數(shù)，通常為一非線性函數(shù)，如sigmoid函數(shù)；nk為第k層神經(jīng)元的數(shù)目，m為神經(jīng)網(wǎng)絡模型的總層數(shù)。

    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(wǎng)絡參數(shù)的過程，通過修改各層神經(jīng)元的權(quán)值，使網(wǎng)絡的誤差信號最小。

    權(quán)向量和閾值的修正采用梯度法，根據(jù)該法分別得到權(quán)向量和閾值的迭代式為

                                             （10）
                                                （11）
    η為網(wǎng)絡學習率或?qū)W習因子，α為動力因子。

    上述各式構(gòu)成了BP神經(jīng)網(wǎng)絡模型。根據(jù)神經(jīng)網(wǎng)絡的訓練學習算法，可確定網(wǎng)絡的連接權(quán)向量和閾值等參數(shù)，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(jīng)網(wǎng)絡算法的結(jié)構(gòu)

    神經(jīng)網(wǎng)絡控制器均采用3層的BP網(wǎng)絡。BP網(wǎng)絡有3個輸入節(jié)點、1個隱含層、3個輸出節(jié)點，激發(fā)函數(shù)取tansig，BP網(wǎng)絡結(jié)構(gòu)[5]見圖3。神經(jīng)網(wǎng)絡輸入選為：

           

                           圖3   BP網(wǎng)絡結(jié)構(gòu)[5]見圖3
        
                            （12）

    4 控制策略

    4.1 硬件系統(tǒng)設計

    系統(tǒng)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），F(xiàn)LASH（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(tǒng)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(lián)系，在設計過中需要考慮二者之間相互的影響。

    系統(tǒng)硬件設計框圖如圖4所示。在本動態(tài)稱重配料控制系統(tǒng)中，重量信號經(jīng)放大變送后送到模擬量數(shù)據(jù)輸入模塊中進行轉(zhuǎn)換處理，后送微處理器，CPU根據(jù)該信號的大小來確定物料的重量，并通過數(shù)字量I/O模塊控制電機和閥門動作。控制系統(tǒng)可通過串行通訊模塊或以太網(wǎng)與上位機進行通信；嵌入式工控主板與數(shù)據(jù)采集模塊采用PC/104總線進行通信。

                   

                              圖4   系統(tǒng)硬件框圖

    4.2 控制方法

    神經(jīng)網(wǎng)絡PID控制器自學習過程（如圖5為神經(jīng)網(wǎng)絡PID控制器自學習過程圖）：

    （1）確定稱重物料在靜態(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(tǒng)訓練的目標值。

    （2）設定停止加料工作點a（k）千克（模擬量數(shù)據(jù)輸入模塊采集到的物料稱重重量）時，數(shù)字量I/O模塊控制下料電機停止工作，系統(tǒng)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(shù)據(jù)輸入模塊采集n組稱重數(shù)據(jù)，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(diào)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(quán)值的學習。

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

    （6）判斷經(jīng)神經(jīng)網(wǎng)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(xù)下一輪訓練。

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

    5 結(jié)語

    本文針對動態(tài)定量稱重系統(tǒng)設計了一種神經(jīng)網(wǎng)絡PID控制器，提出了一神經(jīng)網(wǎng)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(tǒng)條件下通過程序調(diào)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)絡技術的動態(tài)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(tǒng)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(yè)大學出版社，1999.



                                                      ——轉(zhuǎn)自《自動化博覽》