目的為提高鹽業(yè)包裝線封口溫度控制精度,融合果蠅優(yōu)化算法和徑向基神經網絡設計一種溫度控制系統(tǒng)。方法介紹控制系統(tǒng)結構,利用RBF神經網絡的自學習、自適應能力實現PID控制器參數的在線調節(jié),可確保封口溫度的自適應控制。通過果蠅優(yōu)化算法實現神經網絡初始值優(yōu)化,提高神經網絡的全局搜索能力。最后,進行仿真和實驗分析。結果結果表明,溫度偏差可以控制在1%以下,該控制算法具有較好的穩(wěn)定性,達到穩(wěn)定狀態(tài)耗時較少,系統(tǒng)超調量明顯變小,在一定程度上提升了封口溫度控制的精確性和穩(wěn)定性。結論所述控制系統(tǒng)控制性能比較理想,可滿足食用鹽包裝封口溫度控制需求。 

【文章來源】：包裝工程. 2020,41(21)北大核心

【文章頁數】：5 頁

【部分圖文】：

神經網絡PID控制器結構

盎?瓿燒?靄?骯?獺＜屏孔爸每扇繁Ｊ秤醚沃柿?維持在誤差允許范圍內；封口裝置主要完成包裝的橫封和縱封，直接決定食鹽質量和外觀。其中溫度控制至關重要，通過熱電偶和溫度傳感器實現封口溫度閉環(huán)控制。食鹽包裝機控制系統(tǒng)主要包括：上位機、PLC、溫度檢測單元、角度檢測單元、料位檢測單元、電機執(zhí)行單元、溫度加熱單元等。其中PLC作為下位機主要負責接收各種模擬信號、數字信號以及控制指令下傳。上位機即PC機，根據PLC信號實現各種復雜算法分析同時生成控制指令。文中重點考慮封口溫度控制方法，控制系統(tǒng)結構見圖1。圖1控制系統(tǒng)結構Fig.1Structureofcontrolsystem2基于神經網絡的溫度PID控制2.1傳統(tǒng)PID控制目前，鹽包橫封和縱封溫度控制大多采用傳統(tǒng)PID算法，其表達式為：0dp1i10nkkkkkkttUKeeeett(1)式中：Uk為PID控制器輸出；KP為比例系數；ti為積分時間；td為微分時間；t0為采樣時間。為簡化控制過程，可采用增量式控制對式（1）進行簡化，即：p1id122kkkkkkkUKeeKeKeee(2)式中：ΔUn為相鄰時刻的控制器輸出之差；Kp為比例系數；Ki為積分系數；Kd為微分系數�？傮w來說，PID控制器具有結構簡單、穩(wěn)定性高等特點，但是無法根據鹽包封口系統(tǒng)實際工作情況實現參數自適應調節(jié)。另外，橫封和縱封溫度控制是一種時變、非線性過程，僅僅依靠傳統(tǒng)PID控制器無法滿足溫度高精度控制要求。為解決此問題，文中考慮采用神經網絡實現封口溫度非線性控制[13—14]。2.2神經網絡控制器神經網絡具有一定自學習能力，可根據系統(tǒng)運行狀態(tài)，實時、在線調整PID控制器參數。神經網絡PID控制器具有響應?

RRmMMCRmMRRmMMM≤≥(21)式中：M"為迭代次數設定值；Rmin為步長最小值；RA為步長變化幅度；C為一個常數。所述自適應步長的果蠅優(yōu)化算法可很好地解決全局尋優(yōu)和局部尋優(yōu)問題。在前期計算過程中，全局優(yōu)化性能比較理想，這樣就可以最快地找到全局最優(yōu)解；在后期計算過程中，可以兼顧搜索速度和搜索精度。在保證算法收斂性的前提下，提高算法搜索精度。利用該算法可以較好地解決RBF神經網絡初始值優(yōu)化問題。NFOA-RBF神經網絡算法流程見圖3。圖3NFOA-RBF神經網絡算法流程Fig.3NFOA-RBFneuralnetworkalgorithmflow4仿真和實驗分析4.1仿真為驗證所述溫度控制算法的可行性和有效性，利用Matlab軟件對PID控制器、BP神經網絡PID控制器、NPOA-RBF神經網絡控制器進行仿真對比分析，設置封口溫度為200℃�？刂破餍阅芊抡鎸Ρ惹�見圖4。從圖4可以看出，PID控制器、BP神經網絡PID控制器、NPOA-RBF神經網絡PID控制器的超調量依次為12.3%，4.9%，2.1%；系統(tǒng)達到穩(wěn)定狀態(tài)所需時間依次為6，3.5，3.8s。通過對比3種控制算法的超調量、穩(wěn)定所需時間、響應速度可以發(fā)現，NPOA-RBF神經網絡PID控制器的性能最優(yōu)。圖4控制器仿真曲線Fig.4Controllersimulationcurve4.2實驗為進一步驗證所述食用鹽包裝封口溫度控制系統(tǒng)的控制精度，以某工廠包裝生產線為實驗平臺進行相關實驗研究。食鹽質量為500g，封口溫度設定為200℃，包裝速度為120包/min，待系統(tǒng)運行穩(wěn)定后實時采集封口裝置溫度，部分實驗結果見表1。表1實驗結果Tab.1Testresults序號溫度/℃120022013198.54200.8519962007201.2819992001020011201.112200.9131

【參考文獻】：
期刊論文
[1]NFOA-BP融合算法及其在焚燒爐溫度控制中的應用[J]. 盧保昆,云濤,劉航.  軟件導刊. 2020(01)
[2]基于自適應神經網絡PID的注塑機溫度控制[J]. 黨霞.  合成樹脂及塑料. 2018(06)
[3]基于BP神經網絡模型的磁懸浮水泵PID參數優(yōu)化[J]. 蘇一新,馬彥會,石倩,薛術,于溯源.  流體機械. 2018(01)
[4]基于RBF-PID的多功能包裝機熱封溫度控制[J]. 豐會萍,胡亞南,李明輝,閆琛鈺.  制造業(yè)自動化. 2018(01)
[5]串級控制系統(tǒng)閉環(huán)辨識及PID參數整定[J]. 林巍,王亞剛.  控制工程. 2018(01)
[6]模糊神經網絡在煉鋼加熱爐溫度控制中的應用[J]. 范子榮.  山西大同大學學報(自然科學版). 2017(06)
[7]基于模糊神經網絡PID的卷材糾偏控制[J]. 譚印,李川.  包裝工程. 2017(19)
[8]改進的RBF神經網絡PID算法在電液伺服系統(tǒng)中應用[J]. 吳曉明,馬立廷,鄭協(xié),張曉明,鄭樹偉.  機床與液壓. 2015(11)
[9]基于改進型BP神經網絡PID控制器的溫室溫度控制技術[J]. 蔣鼎國.  實驗室研究與探索. 2015(01)
[10]定量稱重包裝系統(tǒng)RBF神經網絡PID控制研究[J]. 吳宇平,章家?guī)r,章磊,馮旭剛.  安徽工業(yè)大學學報(自然科學版). 2014(03)



本文編號：3359375