CN103105777A

CN103105777A - 一种应用于锥型双螺杆挤出机的神经网络自适应控制算法

Info

Publication number: CN103105777A
Application number: CN2012104549536A
Authority: CN
Inventors: 王国林; 吴明清
Original assignee: Shandong Transport Vocational College
Current assignee: Shandong Transport Vocational College
Priority date: 2012-11-14
Filing date: 2012-11-14
Publication date: 2013-05-15

Abstract

本发明提供一种针对锥型双螺杆挤出机械载荷变化的神经网络自适应控制算法。在借鉴传统锥型双螺杆挤出机械温度控制方法，针对锥型双螺杆挤出机负荷变化引起的温度波动，引进神经网络自适应控制的算法和实现方式，将传统PID控制和神经网络控制结合在一起，用于温度控制系统中，根据系统的运行状态，调节PID控制器的参数，以期达到性能指标的最优化。输出层神经元的输出状态对应于PID控制器的三个可调参数比例参数K_P，积分参数K_I，微分参数K_D，通过神经网络的自身学习、加权系数调整，从而使其稳定状态对应于某种最优控制律下的PID控制器参数。使整个锥型双螺杆挤出机械温度控制达到工作温度的要求，从而减少锥型双螺杆挤出机械载荷变化引起的废品率，提高锥型双螺杆挤出机械的工作效率和产品质量。

Description

一种应用于锥型双螺杆挤出机的神经网络自适应控制算法

技术领域

本发明涉及工业控制领域中挤出机械温度控制过程中应用功能研究，提供针对锥型双螺杆挤出机械载荷变化的神经网络自适应控制算法。在借鉴传统锥型双螺杆挤出机械温度控制方法，针对锥型双螺杆挤出机负荷变化引起的温度波动，引进神经网络自适应控制的算法和实现方式，将传统PID控制和神经网络控制结合在一起，用于温度控制系统中，根据系统的运行状态，调节PID控制器的参数，以期达到性能指标的最优化。输出层神经元的输出状态对应于PID控制器的三个可调参数比例参数K_P，积分参数K_I，微分参数K_D，通过神经网络的自身学习、加权系数调整，从而使其稳定状态对应于某种最优控制律下的PID控制器参数。使整个锥型双螺杆挤出机械温度控制达到工作温度的要求，从而减少锥型双螺杆挤出机械载荷变化引起的废品率，提高锥型双螺杆挤出机械的工作效率和产品质量。

背景技术

挤出机按其螺杆数量可以分为单螺杆、双螺杆和多螺杆挤出机。近些年来国外双螺杆挤出机已经有很大的发展，各种形式的双螺杆挤出机已系列化和商品化，生产的厂商也较多，两根轴线相对位置，有平行和锥型之分；锥型双螺杆挤出机如图1所示，由于喂料特性好，适用于粉料加工，且比单螺杆挤出机有更好的混炼、排气、反应和自洁功能，特点是加工热稳定性差的塑料和共混料时更显示出其优越性。锥型双螺杆挤出机螺杆运动示意如图2所示，由于具有由摩擦产生的热量较少、物料所受到的剪切比较均匀、螺杆的输送能力较大、挤出量比较稳定、物料在机筒内停留长，混合均匀。锥形双螺杆挤出机具有强制挤出、高质量、适应性广、寿命长、剪切速率小、混炼塑化性能好、粉料直接成型等特点。

在工程实际中，应用最为广泛的调节器控制规律为比例、积分、微分控制，简称PID控制，又称PID调节。PID控制器问世至今已有近70年历史，它以其结构简单、稳定性好、工作可靠、调整方便而成为工业控制的主要技术之一。PID调节器是一种线性调节器，它将给定值r(t)与实际输出值c(t)的偏差的比例(P)、积分(I)、微分(D)通过线性组合构成控制量，对控制对象进行控制，PID控制系统原理框图如图3所示。从锥形双螺杆挤出机发展来看，尽管近年来锥形双螺杆挤出机已较为完善，但随着高分子材料和塑料制品不断的发展，锥形双螺杆挤出机向着高速、高效、专用化方向发展。传统PID温度控制在锥型双螺杆挤出机械载荷变化的情况下的会造成温度波动引起的废品率升高，降低锥型双螺杆挤出机械的工作效率和产品质量。

神经网络是一种信息处理系统，神经网络具有分布式存储、并行处理、高容错能力以及良好的自学习、自适应、联想等特点。神经网络各层直接的连接权值具有一定的可调性，网络可以通过训练和学习来确定网络的权值，呈现出很强的对环境的自适应和对外界事物的自学习能力。引进神经网络自适应控制的算法和实现方式，将传统PID控制和神经网络控制结合在一起，用于锥型双螺杆挤出机械温度控制系统.

发明内容

本发明的目的解决针对锥型双螺杆挤出机械载荷变化的温度波动，提供一种应用于锥型双螺杆挤出机的神经网络自适应控制算法，在借鉴传统锥型双螺杆挤出机械温度控制方法，针对锥型双螺杆挤出机负荷变化引起的温度波动，引进神经网络自适应控制的算法和实现方式，将传统PID控制和神经网络控制结合在一起，用于温度控制系统中，根据系统的运行状态，调节PID控制器的参数，以期达到性能指标的最优化。PID调节器是一种线性调节器，它将给定值r(t)与实际输出值c(t)的偏差的比例(P)、积分(I)、微分(D)通过线性组合构成控制量，对控制对象进行控制

PID调节器的微分方程

u (t) = K_{P} [e (t) + \frac{1}{T_{I}} {&Integral;}_{0}^{t} e (t) dt + T_{D} \frac{de (t)}{dt}]

式中e(t)＝r(t)-c(t)

PID调节器的传输函数

D (S) = \frac{U (S)}{E (S)} = K_{P} [1 + \frac{1}{T_{I} S} + T_{D} S]

锥型双螺杆挤出机的神经网络自适应控制算法系统结构如图4所示，针对锥型双螺杆挤出机负荷变化引起的温度波动，调用锥型双螺杆挤出相关参数，引进神经网络自适应控制的算法，将传统PID控制和神经网络控制结合在一起，输出层神经元的输出状态对应于PID控制器的三个可调参数比例参数K_P，积分参数K_I，微分参数K_D，通过神经网络的自身学习、加权系数调整，从而使其稳定状态对应于某种最优控制律下的PID控制器参数。使整个锥型双螺杆挤出机械温度控制达到工作温度的要求，从而减少锥型双螺杆挤出机械载荷变化引起的废品率，提高锥型双螺杆挤出机械的工作效率和产品质量。

在PID温度控制中采用神经网络自适应控制算法，根据锥型双螺杆挤出机械温度模型采用特定神经网络的结构如图5所示的前馈网络。调用锥型双螺杆挤出相关参数，选定对应的输入层节点数和隐含层节点数，输入信息从输入层经隐层逐层计算各单元的实际输出值，每一层神经元的状态只对下一层神经元的状态产生影响；若在输出层未能得到期望的输出值，则逐层递归计算实际输出与期望输出之间的差值，根据此误差修正前一层权值使误差信号趋向最小。它通过连续不断地在相对于误差函数斜率下降的方向上计算网络权值和偏差变化而逐渐逼近目标。每一次权值和误差的变化都与网络误差的影响成正比，其具体的实现过程如图6所示。假设神经网络每层有N个节点，若某一层节点j与上层节点i之间权值为Wij，节点的输入总和计为netj、输出计为Oj，转移函数取非线性的Sigmoid型函数对于节点j，其输入值为其前一层各单元加权和net_j＝∑W_ijO_i+b_j，输出值为O_j＝f(met_j).定义误差函数

E = \frac{1}{2} Σ {(y_{i} - y_{i}^{^})}^{2}

式中

为输出期望值，y_j为输出实际值。BP算法采用梯度法调整权值，每次调整的量

式中0＜η＜1，称为学习速率，它决定每一次训练中的权值变化大小。进一步简化计算有ΔW_ij＝ηδ_ijO_b，Δb_i＝ηδ_ij，

其中：

δ_{ij} = f ({net}_{j}) (y_{j} - y_{j}^{^}),

j为输出层单元；

δ_ij＝f(net_j)∑δ_jkW_jk，j为隐层单元。

样本从输入层经各中间层向输出层传播，输出层的各神经元获得网络的输人响应；然后按照减小目标输出与实际输出误差的方向，从输出层开始经各中间层逐层修正各连接权值，从而优化输出层的输出极为PID控制器的三个可调参数。

应用于锥型双螺杆挤出机的神经网络自适应控制算法采用模糊化的数据归一化处理，其具体的实现方法如图7所示，在网络训练时要将实际数据规范到[0，1]区间，并进行模糊化处理来预处理实际数据，这样输入输出数据将全部在[0.1，0.9]，避免标准的归一方法训练速度缓慢的问题，即越来越趋近于0的区域和越来越趋近于1的区域里进行学习时，从而需要相当多的训练次数来不断修正权值，从而在保证数据间的关联特性下，大大加快网络学习速度。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。在附图中：

图1是锥型双螺杆挤出机实物图；

图2是锥型双螺杆挤出机螺杆运动示意图；

图3是PID控制系统原理框图；

图4是锥型双螺杆挤出机的神经网络自适应控制算法系统结构；

图5是锥型双螺杆挤出机械温度模型采用特定神经网络的结构图；

图6是锥型双螺杆挤出机的神经网络自适应控制算法控制原理示意图；

图7是神经网络自适应控制算法采用模糊化的数据归一化处理过程图；

图8是本发明的实施例数字温控仪表结构框图；

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本发明做进一步详细说明。在此，本发明的示意性实施方式及其说明用于解释本发明，但并不作为对本发明的限定。

本实施例提供基于ATMEL公司的AT89C52RD2通用处理芯片设计的处理器电路，结合电源电路，输入采集电路，显示电路和按键电路，加热输出电路，制冷输出电路，报警输出电路等组成数字温控仪表如图8所示，并采用针对包装机械载荷变化的具有温度补偿模糊控制算法功能。

在借鉴传统锥型双螺杆挤出机械温度控制方法，针对锥型双螺杆挤出机负荷变化引起的温度波动，引进神经网络自适应控制的算法和实现方式，将传统PID控制和神经网络控制结合在一起，用于温度控制系统中，根据系统的运行状态，调节PID控制器的参数，以期达到性能指标的最优化。输出层神经元的输出状态对应于PID控制器的三个可调参数比例参数K_P，积分参数K_I，微分参数K_D，通过神经网络的自身学习、加权系数调整，从而使其稳定状态对应于某种最优控制律下的PID控制器参数。使整个锥型双螺杆挤出机械温度控制达到工作温度的要求，从而减少锥型双螺杆挤出机械载荷变化引起的废品率，提高锥型双螺杆挤出机械的工作效率和产品质量。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种应用于锥型双螺杆挤出机的神经网络自适应控制算法，其特征在于，该方法包括：在借鉴传统锥型双螺杆挤出机械温度控制方法，针对锥型双螺杆挤出机负荷变化引起的温度波动，引进神经网络自适应控制的算法和实现方式，将传统PID控制和神经网络控制结合在一起，用于温度控制系统中，根据系统的运行状态，调节PID控制器的参数，以期达到性能指标的最优化。输出层神经元的输出状态对应于PID控制器的三个可调参数比例参数K_P，积分参数K_I，微分参数K_D，通过神经网络的自身学习、加权系数调整，从而使其稳定状态对应于某种最优控制律下的PID控制器参数。使整个锥型双螺杆挤出机械温度控制达到工作温度的要求，从而减少锥型双螺杆挤出机械载荷变化引起的废品率，提高锥型双螺杆挤出机械的工作效率和产品质量。

2.根据权利要求1所述的方法，其特征在于：在PID温度控制中采用神经网络自适应控制算法，根据锥型双螺杆挤出机械温度模型采用特定神经网络的结构，选定对应的输入层节点数和隐含层节点数，并选取各层加权系数的初值，确定学习速率和惯性系数，进行各层神经元的输入和输出计算，从而优化输出层的输出极为PID控制器的三个可调参数，进行神经网络自适应控制，防止锥型双螺杆挤出机械温度波动。

3.根据权利要求1所述的方法，其特征在于：应用于锥型双螺杆挤出机的神经网络自适应控制算法采用模糊化的数据归一化处理，在网络训练时要将实际数据规范到[0，1]区间，并进行模糊化处理来预处理实际数据，这样输入输出数据将全部在[0.1，0.9]，避免标准的归一方法训练速度缓慢的问题，即越来越趋近于0的区域和越来越趋近于1的区域里进行学习时，从而需要相当多的训练次数来不断修正权值，从而在保证数据间的关联特性下，大大加快网络学习速度。