CN101226377B - 沥青混凝土搅拌设备配料误差的鲁棒控制方法 - Google Patents

Abstract

本发明公开了一种沥青混凝土搅拌设备配料误差的鲁棒控制方法。该方法首先建立输入输出人工神经网络模型，采用三层结构，输入层一个神经元，中间层五个神经元，输出层一个神经元；其次进行动态预测和学习阶段。本发明建立了流量和飞料量的非线性模型，并通过不断的学习调整，与固定参数的线性模型相比能自适应外界参数的变化，对沥青混合料搅拌设备配料误差达到了更好的控制效果，这样可以使配料误差达到≤±2％，提高了沥青混合料搅拌设备的配料精度。

Description

沥青混凝土搅拌设备配料误差的鲁棒控制方法

技术领域

本发明属于鲁棒控制方法，特别是一种沥青混凝土搅拌设备配料误差的鲁棒控制方法。

背景技术

沥青混合料混凝土搅拌设备是高等级公路建设的关键设备，混合料的质量高低对路面质量起着决定性作用，其中配料的误差起着重要的影响。据文献报道，沥青混合料搅拌设备配料因飞料量的变化导致超差占90％以上。目前配料的方法有以下几种：(1)定值修正法，也称固定冲量修正法，这种修正方法与仓内料的多少、仓门动作的稳定性、物料的成分变化等多种因素有关，配料误差大于10％，无法满足精度要求。(2)冲量自修正法也即提前量自动修正或冲量自修正法，系统自动记录飞料的变化情况，然后在固定冲量值上叠加一个冲量自动调整值，通过这个叠加后的冲量值控制配料仓门的提前关闭，使配料系统能够跟随飞料的变化。该方法法仅在飞料量有波动，但波动速度不大的情况下使用，其配料精度较高。由于采用的是历史数据或者说是根据上几次的配给值计算本次的修正值，即常说的本次补下次，落后于当前物料状况，所以实时性差。(3)流量控制法。在实际配料过程中经常会遇到飞料波动既大又快的情况，如在缺料时产生的飞料非常小，由缺料突然转为正常时飞料又很大，此时系统使用正常情况下的冲量进行调整则会带来很大的配料误差。如果W2为飞料重量，则该方法中关门后的飞料量W2≈QS，其中Q关门时刻的流量，kg/s；S物料完全落入秤中的时间，s。该方法利用计算机足够高的采样速度，不断采集变化的流量，及时控制仓门的关闭，达到准确的配给。由于Q反映了当前时刻的物料流量，排除了料仓料位的影响，料仓料多料少都能够及时修正本次的配料误差，具有实时性。但这种方法认为关门后流量和物料完全落入秤中的时间为一定值，采用的是线性模型，由于式中的Q是关门前实时采集的流量值，与飞料完全落入料仓的流量值是有时序上差异的，因而在数值上也有差异，而物料完全落入秤中的时间也与流量有关系，并非一定值，因此该方法的线性模型还是带来有一定的误差。以上方法的介绍见《筑路机械与施工矶械化》期刊的2000年第4期王志文的文章“沥青混合料搅拌设备配料误差的最优控制”。

发明内容

本发明的目的在于提供一种对飞料量自适应修正关门的提前量，大大提高配料精度的沥青混凝土搅拌设备配料误差的鲁棒控制方法。

实现本发明目的的技术解决方案为：一种沥青混凝土搅拌设备配料误差的鲁棒控制方法，料仓初始时秤重量为皮重W₀，打开仓门后，物料靠自重落入计量秤中，此时可读出秤的动态重量W₁，然后关闭仓门，待秤完全稳定后可读出静态重量W，那么仓门从开启到完全关闭后秤中的物料重量W＝W₁+W₂-W₀，式中：W₂为实际飞料重量；控制过程如下：

首先，建立输入输出人工神经网络模型，采用三层结构，输入层一个神经元，代表关仓门前流量Q；中间层五个神经元；输出层一个神经元，代表实际飞料量Y；建立关仓门前流量Q与实际飞料量Y的非线性模型，这是一种黑箱模型，神经元的输入输出采用非线性函数f(x)＝1/1+e^-x，x代表神经元输入，f(x)代表神经元输出，则Vi＝1/1+e^-Ui，Vi代表神经元的输出，Ui代表神经元的输入，i＝1～5；

其次，进行动态预测和学习阶段，即预测阶段：根据当前的实时流量Q作为输入神经元的值，根据人工神经网络模型当前的权值，通过前向计算得到输出神经元的值Y，Y代表飞料量，这种预测是定时计算的，不断预测飞料量Y，当W₁+Y-W₀等于本次的设定配给值W时，发出关闭仓门信号，预测阶段完成；

学习阶段：预测阶段完成后，得到采集的关仓门前流量Q与实际飞料量W₂这个最新采集样本对网络进行重新学习调整权值，使下式的配料误差E最小：

$E=\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{(Y^k-{w_2}^k)}^2/2;$

式中Y^k是根据第k个学习样本的输入量即关闭仓门时的流量Q^k，输入到人工神经网络后根据当前权值计算出来的输出值，W₂ ^k为第k个学习样本的实际飞料量；

其中，学习阶段采用Back Propagation算法，即输入信息的正向传播和误差的反相传播，在正向传播中，对于一个训练样本，将其特征向量即关仓门前流量输入神经网络，经过神经网络的前向传播计算，得到一个实际输出Y^k，然后将该输出与期望的样本输出实际飞料量W₂ ^k相比较，若有偏差，则转入反向传播过程，将该偏差由原来的联络通路返回，通过调整各层神经元的联系权值，使误差减小；然后，再转入正向传播过程，反复迭代，直到误差小于等于允许值，学习才结束。

本发明与现有技术相比，其显著优点：建立了流量和飞料量的非线性模型，并通过不断的学习调整，与固定参数的线性模型相比能自适应外界参数的变化，对沥青混合料搅拌设备配料误差达到了更好的控制效果，这样可以使配料误差达到≤±2％，提高了沥青混合料搅拌设备的配料精度。

下面结合附图对本发明作进一步详细描述。

附图说明

图1是配料控制示意图。

图2是本发明的人工神经网络模型示意图。

具体实施方式

如图1所示，料仓充满物料，仓门可控制料仓的开闭。初始时秤重量为皮重W₀，打开仓门后，物料靠自重落入计量秤中，此时可读出秤的动态重量W₁，然后关闭仓门，待秤完全稳定后可读出静态重量W，那么仓门从开启到完全关闭后秤中的物料重量W＝W₁+W₂-W₀。式中：W₂为飞料重量。

若设定配给值为W，由上式可得知比设定值提前W₂关闭仓门即可达到设定要求。由于W₂与仓内料的多少、仓门动作的稳定性、物料的成分变化等多种因索有关，所以W₂是时刻剧烈变化的。

W₂的值与开始关门到料完全落入秤中过程的料流量值有关，该流量值不能认为等于关门前实时采集的流量值且为定值，它们在时序上差异的，因而在数值上也有差异，而物料完全落入秤中的时间也与流量有关系，并非一定值，因此如果采用线性模型会带来有一定的误差。飞料量与Q是有关系的，这种关系也是时变的，比如仓门由于机械的原因渐渐反应变慢，导致飞料量变大，因此如果采用固定的模型也是不合适的。如何解决这种时变的非线性模型，寻找一种鲁棒的控制方法是本发明重点要解决的问题。

结合图2，本发明沥青混凝土搅拌设备配料误差的鲁棒控制方法的过程如下，首先，建立输入输出人工神经网络模型，采用三层结构，输入层一个神经元，代表关仓门前流量Q；中间层五个神经元；输出层一个神经元，代表实际飞料量Y；建立关仓门前流量Q与实际飞料量Y的非线性模型，这是一种黑箱模型，神经元的输入输出采用非线性函数f(x)＝1/1+e^-x，x代表神经元输入，f(x)代表神经元输出，则V_i＝1/1+e^-U _i，V_i代表神经元的输出，U_i代表神经元的输入，i＝1～5；

其次，进行动态预测和学习阶段，即预测阶段：根据当前的实时流量Q作为输入神经元的值，根据人工神经网络模型当前的权值，通过前向计算得到输出神经元的值Y，Y代表飞料量，这种预测是定时计算的(设定扫描周期，比如20ms)，不断预测飞料量Y，当W₁+Y-W₀等于本次的设定配给值W时，发出关闭仓门信号，预测阶段完成；

学习阶段：预测阶段完成后，得到采集的关仓门前流量Q与实际飞料量W₂这个最新采集样本对网络进行重新学习调整权值，使下式的配料误差E最小：

$E=\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{(Y^k-{w_2}^k)}^2/2;$

式中Y^k是根据第k个学习样本的输入量即关闭仓门时的流量Q^k，输入到人工神经网络后根据当前权值计算出来的输出值，W₂ ^k为第k个学习样本的实际飞料量。

其中学习采用Back Propagation算法，即输入信息的正向传播和误差的反相传播。在正向传播中，对于一个训练样本，将其特征向量，即关仓门前流量输入神经网络，经过神经网络的前向传播计算，得到一个实际输出Y^k，然后将该输出与期望的样本输出实际飞料量W₂ ^k相比较，若有偏差，则转入反向传播过程，将该偏差由原来的联络通路返回，通过调整各层神经元的联系权值，使误差减小；然后，再转入正向传播过程，反复迭代，直到误差小于等于允许值，学习才结束。因此，学习训练包括输入向量的前向传播和误差的反向传播两个过程，可见这个三层前馈网络的优点就是具有很强的非线性映射能力和柔性的网络结构。

这种学习和预测是不断在线进行的，一旦系统的参数出现变化，人工神经网络的权值会出现变化，所以算法是鲁棒的。

实施例。定时采集计量秤的传感器输出，转化成实时流量，将其作为输入量定时输入图1的输入层神经元，通过前向计算，得到输出层神经元的输出，在计算中神经元的输入输出采用非线性函数。输出层神经元的输出就是预测的飞料量，当飞料量加上已落到秤中的料的重量再除去净重等于本次的设定配给值时，发出关闭仓门信号。当飞料全部落入计量秤后，将实际的飞料量作为输出，关闭仓门时的流量作为输入，重新形成学习样本调整权值，使 $E=\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{(Y^k-{w_2}^k)}^2/2$ 最小，其中Y^k是第k个学习样本的输入量(关闭仓门时的流量Q^k)输入人工神经网络后根据当前权值计算出来的输出值，W^k为第k个学习样本的实际飞料量。下一仓的飞料预测值根据本次修正的权值来计算。可见，该鲁棒控制方法分为预测和学习两个动态的阶段，关仓门前流量与飞料量的非线性关系分布在神经元的连接权中。

Claims (1)

1.一种沥青混凝土搅拌设备配料误差的鲁棒控制方法，料仓初始时秤重量为皮重W₀，打开仓门后，物料靠自重落入秤中，此时读出秤的动态重量W₁，然后关闭仓门，待秤完全稳定后读出静态重量W，那么仓门从开启到完全关闭后秤中的物料静态重量W＝W₁+W₂-W₀，式中：W₂为实际飞料重量；控制过程如下：

首先，建立输入输出人工神经网络模型，采用三层结构，输入层一个神经元，代表关仓门前流量Q；中间层五个神经元；输出层一个神经元，代表实际飞料量Y；建立关仓门前流量Q与实际飞料量Y的非线性模型，这是一种黑箱模型，神经元的输入输出采用非线性函数f(x)＝1/1+e^-x，x代表神经元输入，f(x)代表神经元输出，则Vi＝1/1+e^-Ui，Vi代表神经元的输出，Ui代表神经元的输入，i＝1～5；

其次，进行动态预测和学习阶段，即预测阶段：以关仓门前流量Q作为输入神经元的值，根据人工神经网络模型当前的权值，通过前向计算得到输出神经元的值Y，Y代表实际飞料量，这种预测是定时计算的，不断预测实际飞料量Y，当W₁+Y-W₀等于本次的设定配给的静态重量W时，发出关闭仓门信号，预测阶段完成；

学习阶段：预测阶段完成后，得到采集的关仓门前流量Q与实际飞料量W₂这个最新采集样本对人工神经网络进行重新学习调整权值，使下式的配料误差E最小：

$E=\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{(Y^k-{w_2}^k)}^2/2;$

式中Y^k是根据第k个学习样本的输入量即关闭仓门时的流量Q^k，输入到人工神经网络后根据当前权值计算出来的输出值，W₂ ^k为第k个学习样本的实际飞料重量；

其中，学习阶段采用Back Propagation算法，即输入信息的正向传播和误差的反相传播，在正向传播中，对于一个训练样本，将其特征向量即关仓门前流量输入人工神经网络，经过人工神经网络的前向传播计算，得到一个实际输出Y^k，然后将该输出与期望的样本输出实际飞料量W₂ ^k相比较，若有偏差，则转入反向传播过程，将该偏差由原来的联络通路返回，通过调整各层神经元的联系权值，使误差减小；然后，再转入正向传播过程，反复迭代，直到误差小于等于允许值，学习才结束。

Images