CN104597753A - 一种同步碎石封层车沥青碎石撒布智能控制方法及装置 - Google Patents

Abstract

本发明公开一种同步碎石封层车沥青碎石撒布智能控制方法及装置，采用以超声波传感器、压力传感器、转速传感器、红外传感器为主的感知系统来检测周围环境信息，并将检测的信息通过数据层、特征层、决策层分析确定最终执行数据；将BP神经网络算法引入到常规PID控制器中，构建信息神经网络，并利用神经网络的自学习能力和逼近任意函数的能力，实现在线调整PID的控制参数，使神经网络的输出对应于某种最优控制规律下的PID控制参数，将其作为常规PID控制器的输入控制沥青和碎石的洒布量。本发明克服了PID控制器现有缺陷，提高了同步碎石封层车沥青洒布和碎石撒布控制系统的洒布精度、可靠性能、稳定性能以及对复杂环境的适应能力。

Description

一种同步碎石封层车沥青碎石撒布智能控制方法及装置

技术领域

本发明涉及一种同步碎石封层车沥青碎石撒布智能控制方法及装置，属于同步碎石封层车控制系统技术领域。

背景技术

传统的同步碎石封层车大多采用手动调节的方式对泵速、滚筒转速、送料转速以及料门大小进行控制，极少数洒布车的沥青撒布采用传统的PID进行调节，对碎石则是全凭经验没有任何调节，换言之，极少数采用常规PID控制法在对撒布系统进行控制，即PID控制法针对碎石和沥青撒布控制还没得到广泛应用。

目前，常规的PID控制系统都是由被控对象和传统PID控制器组成，其中，如图7中传统PID控制系统原理图所示，PID控制器是一种基于比例积分微分控制的线性控制器，通过偏差对系统的被控对象进行控制；它的偏差信号e(t)是系统的给定输入值x(t)与实际输出值y(t)之间的差值，即：e(t)＝x(t)-y(t)。其中，PID控制规律为：控制量是由偏差的比例、积分和微分经线性组合而得到，并用于控制被控对象；即PID控制器的输出量u(t)为：

$u\left(t\right)=K_p[e\left(t\right)+\frac{1}{T_i}{\∫}_0^{t}e\left(t\right)\mathrm{dt}+\frac{T_d\mathrm{de}\left(t\right)}{\mathrm{dt}}];$

其传递函数G(s)为： $G\left(s\right)=\frac{U\left(s\right)}{E\left(s\right)}=K_p(1+\frac{1}{T_{i}s}+T_{d}s),$

式中，K_p为比例系数，T_i为积分时间常数，T_d为微分时间常数。

可见，在PID控制中比例系数K_p、积分时间常数T_i及微分时间常数T_d三个参数的整定是其的核心内容，这三个参数的取值将直接影响到整个控制系统控制品质和鲁棒性能的好坏，故在使用前，需要对这些PID控制参数进行整定。

然而，常用的传统整定法主要有：Ziegler-Nichols整定法、ISTE最优设整方、衰减曲线法、基于总和时间常数的整定法、基于交叉两点法的参数整定法以及基于增益优化的整定法等。这些方法虽然能够用于PID控制参数的整定，但在实际整定参数的过程中，控制系统的快速性和平稳性、动态性能和稳态精度很难同时达到最佳，系统的控制效果也不理想。尤其是对于那些时变的、非线性的复杂控制对象，在某一时刻通过参数整定系统可以很好的运行，一旦工作环境发生变化或有外界干扰时，相应的控制参数也必须进行相应的调整才能达到较好的控制效果。而这些参数整定法大都是建立在被控对象的精确数学模型上，并根据某种整定原则来确定PID控制参数的，即其控制参数大都是通过凑试法或相关公式推出来的，只适合在某些特定条件下才能达到比较理想的控制效果。

总的来说，传统的PID控制系统存在抗干扰能力差和参数整定困难等缺陷，如果将其直接用于控制同步碎石封层车沥青洒布和碎石撒布系统，对于同步碎石封层车碎石撒布和沥青洒布的时变、非线性、变参数等不确定的系统，以及难以建立准确数学模型的复杂控制系统，将导致同步碎石封层车在沥青洒布和碎石撒布过程中出现撒布精度难以保证、可控性差、稳定性差等缺点。

发明内容

针对上述现有技术存在的问题，本发明提供一种同步碎石封层车沥青碎石撒布智能控制方法及装置，能够克服PID控制器的现有缺陷，提高同步碎石封层车沥青洒布和碎石撒布控制系统的洒布精度、可靠性能、稳定性能以及对复杂环境的适应能力。

为了实现上述目的，本发明采用的一种同步碎石封层车沥青碎石撒布智能控制方法，该方法首先采用以超声波传感器、压力传感器、转速传感器、红外传感器为主的感知系统来检测周围环境信息，并将检测的信息通过数据层、特征层、决策层分析确定最终执行数据，按照各自的信息权重调节进行数据分析；其次，将BP神经网络算法引入到常规PID控制器中，通过对传感器检测的石料量、滚筒转速、传输带转速、泵排量、泵转速、喷洒梁沥青压力等多参数组成信息神经网络，利用神经网络的自学习能力和逼近任意函数的能力，实现在线调整PID的控制参数，使神经网络的输出对应于某种最优控制规律下的PID控制参数，并将其作为常规PID控制器的输入控制沥青和碎石的洒布量。

所述BP神经网络算法是基于误差反向传播原理的BP神经网络算法，通过对权值误差的修正，使神经网络最终的实际输出值与目标期望值尽可能接近，其过程主要包括两个阶段：信息正向传播阶段和误差反向传播阶段；当信息处在正向传播阶段时，沥青泵信息、沥青压力信息、滚筒转速信息、石料输送信息等数据进入输入层向前传播到隐含层节点上，并经各神经单元处理之后计算出每个神经元节点的实际输出，当输出层实际输出值与期望输出值之间有误差时，则转入误差反向传播阶段；在误差反向传播阶段，误差信号沿正向传播的线路返回，最终传递到输入层，并将误差信息分配给各层神经元，从而根据各层的误差信息来修正各神经元的权值；这两个阶段是往复进行的，直至将误差信号降到系统允许的范围之内。

所述BP神经网络结构采用三层：输入层、隐含层和输出层，所述输入层有m个节点，m为输入变量的个数，由被控对象的复杂程度决定；所述隐含层有q个节点；所述输出层有三个节点，三个输出量分别对应着三个PID控制参数K_p、K_i、K_d，通过前向传播算法和反向传播算法计算参数值，具体算法如下：

1)前向传播算法：

神经网络输入层的输出为：

神经网络隐含层的输入输出为：

${\mathrm{net}}_i^{\left(2\right)}\left(k\right)=\underset{j=0}{\overset{m}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}^{\left(2\right)}{O}_j^{\left(1\right)}$

$O_i^{\left(2\right)}\left(k\right)=f\left({\mathrm{net}}_l^{\left(3\right)}\left(k\right)\right),(l=12,\·\·\·q),$

式中为隐含层的加权系数，f(·)为激发函数；

隐含层神经元的活化函数取正负对称的Sigmoid函数：

神经网络输出层的输入输出为：

${\mathrm{net}}_l^{\left(3\right)}\left(k\right)=\underset{i=0}{\overset{q}{\mathrm{\Σ}}}{w}_{\mathrm{li}}^{\left(3\right)}{O}_i^{\left(2\right)}\left(k\right)$

$O_l^{\left(3\right)}\left(k\right)=g\left[{\mathrm{net}}_l^{\left(3\right)}\left(k\right)\right],(l=\mathrm{12,3})$

$O_1^{\left(3\right)}\left(k\right)=K_p$

$O_2^{\left(3\right)}\left(k\right)=K_i$

$O_3^{\left(3\right)}\left(k\right)=K_d,$

其中，为输出层加权系数，为激活函数，输出层的三个输出节点分别是PID控制器的三个可调参数K_p、K_i、K_d，由于这三个参数只能为正值，所以神经元输出层的活化函数取非负Sigmoid函数：性能指标函数为： $E\left(k\right)=\frac{1}{2}{(\mathrm{rin}\left(k\right)-\mathrm{yout}\left(k\right))}^2;$

2)反向传播算法：

神经网络的权系数根据梯度下降法的原则进行修正，即按照E(k)对权系数的负梯度方向进行搜索调整，并附加一个使搜索快速收敛全局极小的惯性项：

$\mathrm{\Δ}{w}_{\mathrm{li}}^{\left(3\right)}\left(k\right)=-\mathrm{\η}\frac{\∂E\left(k\right)}{\∂w_{\mathrm{li}}^{\left(3\right)}}+\mathrm{a\Δ}{w}_{\mathrm{li}}^{\left(3\right)}(k-1)$

其中，η为网路的学习速率，a为惯性系数；

$\frac{\∂E\left(k\right)}{\∂w_{\mathrm{li}}^{\left(3\right)}}=\frac{\∂E\left(k\right)}{\∂y\left(k\right)}\·\frac{\∂y\left(k\right)}{\∂u\left(k\right)}\·\frac{\∂u\left(k\right)}{\∂O_l^{\left(3\right)}\left(k\right)}\·\frac{\∂O_l^{\left(3\right)}\left(k\right)}{\∂{\mathrm{net}}_l^{\left(3\right)}\left(k\right)}\·\frac{\∂{\mathrm{net}}_l^{\left(3\right)}\left(k\right)}{\∂w_{\mathrm{li}}^{\left(3\right)}\left(k\right)},$

$\frac{\∂{\mathrm{net}}_l^{\left(3\right)}\left(k\right)}{\∂w_{\mathrm{li}}^{\left(3\right)}\left(k\right)}=O_i^2\left(k\right),$

由于是未知的，所以用近似的符号函数来取代，通过调整学习速率η来补偿由此产生的误差；

$\frac{\∂u\left(k\right)}{\∂O_1^{\left(3\right)}\left(k\right)}=e\left(k\right)-e(k-1)$

$\frac{\∂u\left(k\right)}{\∂O_2^{\left(3\right)}\left(k\right)}=e\left(k\right)$

$\frac{\∂u\left(k\right)}{\∂O_3^{\left(3\right)}\left(k\right)}=e\left(k\right)-2e(k-1)+e(k-2)$

由此可得神经网络输出层的权系数：

$\mathrm{\Δ}{w}_{\mathrm{li}}^{\left(3\right)}\left(k\right)=\mathrm{a\Δ}{w}_{\mathrm{li}}^{\left(3\right)}(k-1)+\mathrm{\η}{\mathrm{\δ}}_i^{\left(3\right)}{O}_j^{\left(2\right)}\left(k\right)$

${\mathrm{\δ}}_l^{\left(3\right)}=e\left(k\right)\mathrm{sgn}\left(\frac{\∂y\left(k\right)}{\∂u\left(k\right)}\right)\frac{\∂u\left(k\right)}{\∂O_l^{\left(3\right)}\left(k\right)}{g}^{/}\left({\mathrm{net}}_l^{\left(3\right)}\left(k\right)\right),(l=\mathrm{1,2,3});$

同理可得隐含层网络权系数：

$\mathrm{\Δ}{w}_{\mathrm{ij}}^{\left(2\right)}\left(k\right)=\mathrm{a\Δ}{w}_{\mathrm{ij}}^{\left(2\right)}(k-1)+\mathrm{\η}{\mathrm{\δ}}_i^{\left(2\right)}{O}_j^{\left(1\right)}\left(k\right)$

${\mathrm{\δ}}_l^{\left(2\right)}=f^{/}\left({\mathrm{net}}_i^{\left(2\right)}\left(k\right)\right)\underset{l=1}{\overset{3}{\mathrm{\Σ}}}{\mathrm{\δ}}_i^{\left(3\right)}{w}_{\mathrm{li}}^{\left(3\right)}\left(k\right),(i=\mathrm{1,2,3}\·\·\·q),$

式中，g^/(·)＝g(x)[1-g(x)],f^/(·)＝[1-f²(x)]/2；

确定BP神经网络的结构，即首先确定神经网络各层节点的数目，如：输入层节点m、隐含层节点q，并给权系数赋初始值和选取学习速率η和惯性系数a，取k＝1。

一种同步碎石封层车沥青碎石撒布智能控制装置，包括微控制器、电源模块、驱动模块、PID智能调节模块以及多传感器检测模块，所述微控制器为单片机，所述电源模块用于给整个装置供电；所述多传感器检测模块以超声波传感器、压力传感器、转速传感器和红外传感器为主，并采用多传感器融合技术检测碎石和沥青的状态；所述PID智能调节模块是将BP神经网络算法引入到常规PID控制器中，通过对传感器检测的石料量、滚筒转速、传输带转速、泵排量、泵转速、喷洒梁沥青压力等多参数组成信息神经网络，通过神经网络的自学习能力和逼近任意函数的能力，实现在线调整PID的控制参数，使神经网络的输出对应于某种最优控制规律下的PID控制参数，并将其作为常规PID控制器的输入控制沥青和碎石的洒布量。

与现有技术相比，本发明针对常规PID控制在同步碎石封层车沥青碎石撒布智能控制系统中存在参数整定困难、碎石量难控制、撒布均匀性差、调节时间长、受介质物料影响大、超调量大以及抗干扰能力差的问题，提出了将采用多传感器信息融合，并将BP神经网络算法引入到常规PID控制器中，通过对传感器检测的石料量、滚筒转速、传输带转速、泵排量、泵转速、喷洒梁沥青压力等多参数组成信息神经网络，再通过神经网络的自学习能力和逼近任意函数的能力，实现在线调整PID的控制参数，使神经网络的输出对应于某种最优控制规律下的PID控制参数，并将其作为常规PID控制器的输入控制沥青和石子的洒布量，基于此方法设计了基于BP神经网络的PID控制器实现同步碎石车的沥青与石料的精确均匀撒布，同步碎石封层车的沥青和碎石撒布基于BP神经网络的PID控制器模块装置的控制精度、自学习和自适应能力，以及抗干扰能力和系统的鲁棒性能都有了显著的提高，大大提高了同步碎石封层车的碎石撒布精度和沥青洒布精度，提高了同步碎石封层车的智能化。

附图说明

图1为本发明的控制原理示意图；

图2为本发明碎石沥青控制硬件总体结构示意图；

图3为本发明信息数据层融合原理示意图；

图4为本发明信息特征层融合原理示意图；

图5为本发明信息决策层融合原理示意图；

图6为BP神经网络结构图；

图7为传统PID控制系统原理图；

图8为本发明基于BP网络的PID控制系统结构原理示意图；

图9为本发明基于BP网络的PID控制系统原理示意图。

具体实施方式

下面结合附图对本发明作进一步说明。

如图1至图5所示，一种同步碎石封层车沥青碎石撒布智能控制方法，该方法首先采用以超声波传感器、压力传感器、转速传感器、红外传感器为主的感知系统来检测周围环境信息，并将检测的信息通过数据层、特征层、决策层分析确定最终执行数据，按照各自的信息权重调节进行数据分析；其次，将BP神经网络算法引入到常规PID控制器中，通过对传感器检测的石料量、滚筒转速、传输带转速、泵排量、泵转速、喷洒梁沥青压力等多参数组成信息神经网络，利用神经网络的自学习能力和逼近任意函数的能力，实现在线调整PID的控制参数，使神经网络的输出对应于某种最优控制规律下的PID控制参数，并将其作为常规PID控制器的输入控制沥青和碎石的洒布量。

神经网络是人工建立的以有向图为拓扑结构形式的动态系统，通过对断续或连续的输入信息作状态响应并进行相应的信息处理。

所述BP神经网络算法是基于误差反向传播原理的BP神经网络算法，通过对权值误差的修正，使神经网络最终的实际输出值与目标期望值尽可能接近，其过程主要包括两个阶段：信息正向传播阶段和误差反向传播阶段；当信息处在正向传播阶段时，沥青泵信息、沥青压力信息、滚筒转速信息、石料输送信息等数据进入输入层向前传播到隐含层节点上，并经各神经单元处理之后计算出每个神经元节点的实际输出，当输出层实际输出值与期望输出值之间有误差时，则转入误差反向传播阶段；在误差反向传播阶段，误差信号沿正向传播的线路返回，最终传递到输入层，并将误差信息分配给各层神经元，从而根据各层的误差信息来修正各神经元的权值；这两个阶段是往复进行的，直至将误差信号降到系统允许的范围之内。

如图6、图8和图9所示，所述BP神经网络结构采用三层：输入层、隐含层和输出层，所述输入层有m个节点，m为输入变量的个数，由被控对象的复杂程度决定；所述隐含层有q个节点；所述输出层有三个节点，三个输出量分别对应着三个PID控制参数K_p、K_i、K_d，通过前向传播算法和反向传播算法计算参数值，具体算法如下：

1)前向传播算法：

神经网络输入层的输出为：

神经网络隐含层的输入输出为：

${\mathrm{net}}_i^{\left(2\right)}\left(k\right)=\underset{j=0}{\overset{m}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}^{\left(2\right)}{O}_j^{\left(1\right)}$

$O_i^{\left(2\right)}\left(k\right)=f\left({\mathrm{net}}_l^{\left(3\right)}\left(k\right)\right),(l=12,\·\·\·q),$

式中为隐含层的加权系数，f(·)为激发函数；

隐含层神经元的活化函数取正负对称的Sigmoid函数：

神经网络输出层的输入输出为：

${\mathrm{net}}_l^{\left(3\right)}\left(k\right)=\underset{i=0}{\overset{q}{\mathrm{\Σ}}}{w}_{\mathrm{li}}^{\left(3\right)}{O}_i^{\left(2\right)}\left(k\right)$

$O_l^{\left(3\right)}\left(k\right)=g\left[{\mathrm{net}}_l^{\left(3\right)}\left(k\right)\right],(l=\mathrm{12,3})$

$O_1^{\left(3\right)}\left(k\right)=K_p$

$O_2^{\left(3\right)}\left(k\right)=K_i$

$O_3^{\left(3\right)}\left(k\right)=K_d,$

其中，为输出层加权系数，为激活函数，输出层的三个输出节点分别是PID控制器的三个可调参数K_p、K_i、K_d，由于这三个参数只能为正值，所以神经元输出层的活化函数取非负Sigmoid函数：性能指标函数为： $E\left(k\right)=\frac{1}{2}{(\mathrm{rin}\left(k\right)-\mathrm{yout}\left(k\right))}^2;$

2)反向传播算法：

神经网络的权系数根据梯度下降法的原则进行修正，即按照E(k)对权系数的负梯度方向进行搜索调整，并附加一个使搜索快速收敛全局极小的惯性项：

$\mathrm{\Δ}{w}_{\mathrm{li}}^{\left(3\right)}\left(k\right)=-\mathrm{\η}\frac{\∂E\left(k\right)}{\∂w_{\mathrm{li}}^{\left(3\right)}}+\mathrm{a\Δ}{w}_{\mathrm{li}}^{\left(3\right)}(k-1)$

其中，η为网路的学习速率，a为惯性系数；

$\frac{\∂E\left(k\right)}{\∂w_{\mathrm{li}}^{\left(3\right)}}=\frac{\∂E\left(k\right)}{\∂y\left(k\right)}\·\frac{\∂y\left(k\right)}{\∂u\left(k\right)}\·\frac{\∂u\left(k\right)}{\∂O_l^{\left(3\right)}\left(k\right)}\·\frac{\∂O_l^{\left(3\right)}\left(k\right)}{\∂{\mathrm{net}}_l^{\left(3\right)}\left(k\right)}\·\frac{\∂{\mathrm{net}}_l^{\left(3\right)}\left(k\right)}{\∂w_{\mathrm{li}}^{\left(3\right)}\left(k\right)},$

$\frac{\∂{\mathrm{net}}_l^{\left(3\right)}\left(k\right)}{\∂w_{\mathrm{li}}^{\left(3\right)}\left(k\right)}=O_i^2\left(k\right),$

由于是未知的，所以用近似的符号函数来取代，通过调整学习速率η来补偿由此产生的误差；

$\frac{\∂u\left(k\right)}{\∂O_1^{\left(3\right)}\left(k\right)}=e\left(k\right)-e(k-1)$

$\frac{\∂u\left(k\right)}{\∂O_2^{\left(3\right)}\left(k\right)}=e\left(k\right)$

$\frac{\∂u\left(k\right)}{\∂O_3^{\left(3\right)}\left(k\right)}=e\left(k\right)-2e(k-1)+e(k-2)$

由此可得神经网络输出层的权系数：

${\mathrm{\δ}}_l^{\left(3\right)}=e\left(k\right)\mathrm{sgn}\left(\frac{\∂y\left(k\right)}{\∂u\left(k\right)}\right)\frac{\∂u\left(k\right)}{\∂O_l^{\left(3\right)}\left(k\right)}{g}^{/}\left({\mathrm{net}}_l^{\left(3\right)}\left(k\right)\right),(l=\mathrm{1,2,3});$

同理可得隐含层网络权系数：

$\mathrm{\Δ}{w}_{\mathrm{ij}}^{\left(2\right)}\left(k\right)=\mathrm{a\Δ}{w}_{\mathrm{ij}}^{\left(2\right)}(k-1)+\mathrm{\η}{\mathrm{\δ}}_i^{\left(2\right)}{O}_j^{\left(1\right)}\left(k\right)$

${\mathrm{\δ}}_l^{\left(2\right)}=f^{/}\left({\mathrm{net}}_i^{\left(2\right)}\left(k\right)\right)\underset{l=1}{\overset{3}{\mathrm{\Σ}}}{\mathrm{\δ}}_i^{\left(3\right)}{w}_{\mathrm{li}}^{\left(3\right)}\left(k\right),(i=\mathrm{1,2,3}\·\·\·q),$

式中，g^/(·)＝g(x)[1-g(x)],f^/(·)＝[1-f²(x)]/2；

确定BP神经网络的结构，即首先确定神经网络各层节点的数目，如：输入层节点m、隐含层节点q，并给权系数赋初始值和选取学习速率η和惯性系数a，取k＝1。

对传感器信息进行采样得rin(k)、yout(k)，并计算此时的误差得e(k)＝rin(k)-yout(k)。计算神经网络各层神经元的输入值和输出值，其中神经网络输出值为PID控制器的三个参数(K_p、K_i、K_d)，计算PID控制器的输出值u(k)。在线调整神经网络各层神经元的权系数和实现PID控制参数的调整。

同步碎石封层车碎石撒布和沥青洒布控制系统设计的基于BP神经网络的PID控制系统原理，碎石撒布和沥青洒布控制系统是由神经网络和常规PID控制器构成，常规PID控制器对被控对象的控制方式为闭环控制，其控制参数(K_p、K_i、K_d)为在线调整方式。神经网络根据同步碎石封层车碎石撒布和沥青洒布控制系统的运行状态，以及自学习能力、加权系数自调整能力来修正PID控制器的三个参数，最终达到一定状态下的最优组合，使神经网络输出层的值对应于PID控制器的三个可调参数。

同步碎石封层车沥青洒布和碎石撒布控制系统，通过实验编写BP神经网络PID控制的算法程序，同步碎石封层车沥青洒布和碎石撒布控制系统的跟踪特性、抗干扰性以及鲁棒性进行分析，并与常规PID控制器进行比较，从而来验证将BP神经网络引入到常规PID器中可以提高同步碎石封层车沥青洒布和碎石撒布控制的控制效果和控制精度。利用实验分别对同步碎石封层车沥青洒布和碎石撒布控制系统的常规PID控制法和BP神经网络PID法进行仿真分析。同步碎石封层车碎石撒布和沥青洒布控制的运行过程是一个时变、非线性与多变量相耦合的复杂过程，因此在这里选用Z-N法则第二法[49](即齐格勒-尼克尔斯法)来调整同步碎石封层车沥青洒布和碎石撒布控制常规PID控制器的三个参变量。Z-N法的调整过程是首先假设T_i＝∞，T_d＝0，将比例系数K_p从0逐渐增大到同步碎石封层车沥青洒布和碎石撒布控制系统首次出现持续等幅振荡，将此时的K_p称为临界增益，记为K_c，T_c为振荡周期。Z-N整定公式如下表：

首先，在MATLAB的Simulink工具箱中建立同步碎石封层车沥青洒布和碎石撒布控制系统的控制器的模型，其中PID controller是封装之后的PID控制器。利用Z-N第二法则整定同步碎石封层车沥青洒布和碎石撒布控制传统PID控制器的控制参数，当系统首次出现震荡时，对应的临界增益k_c＝30，振荡周期T_c＝6s，根据Z-N法则可知：k_p＝0.6k_c＝18，T_i＝0.5T_c＝3s，T_d＝0.125T_c＝0.75s，则PID控制器参数为：k_p＝0.6k_c＝18，k_i＝k_p/T_i＝6，k_d＝k_p·T_d＝13.5，经适当调整之后可得传统PID控制系统的阶跃响应曲线。

基于BP神经网络算法的同步碎石封层车沥青洒布和碎石撒布控制PID控制器，选用三层的神经网络，惯性系数α＝0.01，学习速率η＝0.2，取[-0.5,0.5]之间的随机数为层与层间的初始值，以输入值r(k)，误差值e(k)，输出值y(k)和单位1为输入到输入层的输入信号。然后，对同步碎石封层车沥青洒布和碎石撒布控制系统进行仿真，可以得到BP神经网络PID控制器的阶跃响应曲线。

通过实验对比同步碎石封层车沥青洒布和碎石撒布控制系统常规PID控制和BP神经网络PID控制的结果，可以看出同步碎石封层车沥青洒布和碎石撒布控制系统BP神经网络PID控制器的控制精度，自学习和自适应能力，以及控制品质都有了显著的提高，可以达到预期的控制效果。而将BP神经网络算法引入到常规PID控制器中，利用神经网络的自学习能力和逼近任意函数的能力，可在线调整PID的控制参数调整，提高了对较复杂被控对象的控制驾驭能力，实现了同步碎石封层车在不同种类的沥青和不同规格的碎石都可以保证石料输送、沥青洒布和碎石撒布的精确性、可靠性和稳定性，实现不同环境下的需求。

一种同步碎石封层车沥青碎石撒布智能控制装置，包括微控制器、电源模块、驱动模块、PID智能调节模块以及多传感器检测模块，所述微控制器为单片机，所述电源模块用于给整个装置供电；所述多传感器检测模块以超声波传感器、压力传感器、转速传感器和红外传感器为主，并用于检测碎石和沥青的状态；所述PID智能调节模块是将BP神经网络算法引入到常规PID控制器中，通过对传感器检测的石料量、滚筒转速、传输带转速、泵排量、泵转速、喷洒梁沥青压力等多参数组成信息神经网络，通过神经网络的自学习能力和逼近任意函数的能力，实现在线调整PID的控制参数，使神经网络的输出对应于某种最优控制规律下的PID控制参数，并将其作为常规PID控制器的输入控制沥青和碎石的洒布量。通过在MATLAB环境下利用文件编写BP神经网络PID控制的算法程序，同步碎石封层车沥青洒布和碎石撒布控制系统的跟踪特性、抗干扰性以及鲁棒性进行仿真分析，并与常规PID控制器进行比较，从而来验证将BP神经网络引入到常规PID器中可以提高同步碎石封层车沥青洒布和碎石撒布控制的控制效果和控制精度。

综上所述，本发明使用多传感器融合技术检测碎石和沥青的状态，采用将BP神经网络算法引入到常规PID控制中实现高精度控制，搭建了以STC15F2K60S2为主控运算芯片的同步碎石封层车的碎石撒布精度和沥青洒布精度控制的硬件平台，使用以超声波传感器、压力传感器、转速传、红外传感器为主的感知系统来检测周围环境信息，实现了同步碎石封层车石子沥青撒布智能控制功能。具体是，本发明专利通过实时控制沥青泵转速、沥青压力、碎石滚筒转速、输料带转速、料门大小状态，通过神经网络的自学习能力、加权系数的调整，使神经网络的输出(K_p、T_i、T_d)对应于某种最优控制规律下的PID控制参数，从而其作为常规PID控制器的输入控制沥青和石子的洒布量，同步碎石封层车的沥青和碎石撒布基于BP神经网络的PID控制器模块装置的控制精度、自学习和自适应能力，以及抗干扰能力和系统的鲁棒性能都有了显著的提高，大大提高了同步碎石封层车的碎石撒布精度和沥青洒布精度，提高了同步碎石封层车的智能化。

Claims (4)

1.一种同步碎石封层车沥青碎石撒布智能控制方法，其特征在于，沥青碎石撒布控制方法首先采用以超声波传感器、压力传感器、转速传感器、红外传感器为主的感知系统来检测周围环境信息，并将检测的信息通过数据层、特征层、决策层分析确定最终执行数据，按照各自的信息权重调节进行数据分析；其次，将BP神经网络算法引入到常规PID控制器中，通过对传感器检测的石料量、滚筒转速、传输带转速、泵排量、泵转速、喷洒梁沥青压力等多参数组成信息神经网络，利用神经网络的自学习能力和逼近任意函数的能力，实现在线调整PID的控制参数，使神经网络的输出对应于某种最优控制规律下的PID控制参数，并将其作为常规PID控制器的输入控制沥青和碎石的洒布量。

2.根据权利要求1所述的一种同步碎石封层车沥青碎石撒布智能控制方法，其特征在于，所述BP神经网络算法是基于误差反向传播原理的BP神经网络算法，通过对权值误差的修正，使神经网络最终的实际输出值与目标期望值尽可能接近，其过程主要包括两个阶段：信息正向传播阶段和误差反向传播阶段；当信息处在正向传播阶段时，沥青泵信息、沥青压力信息、滚筒转速信息、石料输送信息等数据进入输入层向前传播到隐含层节点上，并经各神经单元处理之后计算出每个神经元节点的实际输出，当输出层实际输出值与期望输出值之间有误差时，则转入误差反向传播阶段；在误差反向传播阶段，误差信号沿正向传播的线路返回，最终传递到输入层，并将误差信息分配给各层神经元，从而根据各层的误差信息来修正各神经元的权值；这两个阶段是往复进行的，直至将误差信号降到系统允许的范围之内。

3.根据权利要求2所述的一种同步碎石封层车沥青碎石撒布智能控制方法，其特征在于，所述BP神经网络结构采用三层：输入层、隐含层和输出层，所述输入层有m个节点，m为输入变量的个数，由被控对象的复杂程度决定；所述隐含层有q个节点；所述输出层有三个节点，三个输出量分别对应着三个PID控制参数K_p、K_i、K_d，通过前向传播算法和反向传播算法计算参数值，具体算法如下：

1)前向传播算法：

神经网络输入层的输出为： $O_j^{\left(1\right)}=x\left(j\right),j=\mathrm{1,2}\·\·\·m,$

神经网络隐含层的输入输出为：

${\mathrm{net}}_i^{\left(2\right)}\left(k\right)=\underset{j=0}{\overset{m}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}^{\left(2\right)}{O}_j^{\left(1\right)}$

$O_i^{\left(2\right)}\left(k\right)=f\left({\mathrm{net}}_j^{\left(2\right)}\left(k\right)\right),(i=12,\·\·\·q),$

式中为隐含层的加权系数，f(·)为激发函数；

隐含层神经元的活化函数取正负对称的Sigmoid函数：

神经网络输出层的输入输出为：

${\mathrm{net}}_l^{\left(3\right)}\left(k\right)=\underset{i=0}{\overset{q}{\mathrm{\Σ}}}{w}_{\mathrm{li}}^{\left(3\right)}{O}_i^{\left(2\right)}\left(k\right)$

$O_l^{\left(3\right)}\left(k\right)=g\left[{\mathrm{net}}_l^{\left(3\right)}\left(k\right)\right],(l=\mathrm{12,3})$

$O_1^{\left(3\right)}\left(k\right)=K_p$

$O_2^{\left(3\right)}\left(k\right)=K_i$

$O_3^{\left(3\right)}\left(k\right)=K_d,$

其中，为输出层加权系数，g[·]为激活函数，输出层的三个输出节点分别是PID控制器的三个可调参数K_p、K_i、K_d，由于这三个参数只能为正值，所以神经元输出层的活化函数取非负Sigmoid函数：性能指标函数为： $E\left(k\right)=\frac{1}{2}{(\mathrm{rin}\left(k\right)-\mathrm{yout}\left(k\right))}^2;$

2)反向传播算法：

神经网络的权系数根据梯度下降法的原则进行修正，即按照E(k)对权系数的负梯度方向进行搜索调整，并附加一个使搜索快速收敛全局极小的惯性项：

${\mathrm{\Δw}}_{\mathrm{li}}^{\left(3\right)}\left(k\right)=-\mathrm{\η}\frac{\∂E\left(k\right)}{{\∂w}_{\mathrm{li}}^{\left(3\right)}}+\mathrm{a\Δ}{w}_{\mathrm{li}}^{\left(3\right)}(k-1)$

其中，η为网路的学习速率，a为惯性系数；

$\frac{\∂E\left(k\right)}{\∂w_{\mathrm{lt}}^{\left(3\right)}}=\frac{\∂E\left(k\right)}{\∂y\left(k\right)}\·\frac{\∂y\left(k\right)}{\∂u\left(k\right)}\·\frac{\∂u\left(k\right)}{{\∂O}_l^{\left(3\right)}\left(k\right)}\·\frac{\∂O_l^{\left(3\right)}\left(k\right)}{{\∂\mathrm{net}}_l^{\left(3\right)}\left(k\right)}\·\frac{\∂{\mathrm{net}}_l^{\left(3\right)}\left(k\right)}{{\∂w}_{\mathrm{li}}^{\left(3\right)}\left(k\right)},$

$\frac{{\∂\mathrm{net}}_l^{\left(3\right)}\left(k\right)}{{\∂w}_{\mathrm{li}}^{\left(3\right)}\left(k\right)}=O_i^{\left(2\right)}\left(k\right),$

由于是未知的，所以用近似的符号函数来取代，通过调整学习速率η来补偿由此产生的误差；

$\frac{\∂u\left(k\right)}{{\∂O}_1^{\left(3\right)}\left(k\right)}=e\left(k\right)-e(k-1)$

$\frac{\∂u\left(k\right)}{{\∂O}_2^{\left(3\right)}\left(k\right)}=e\left(k\right)$

$\frac{\∂u\left(k\right)}{\∂O_3^{\left(3\right)}\left(k\right)}=e\left(k\right)-2e(k-1)+e(k-2)$

由此可得神经网络输出层的权系数：

${\mathrm{\Δw}}_{\mathrm{li}}^{\left(3\right)}\left(k\right)=a{\mathrm{\Δw}}_{\mathrm{li}}^{\left(3\right)}(k-1)+{\mathrm{\η\δ}}_l^{\left(3\right)}{O}_l^{\left(2\right)}\left(k\right)$

${\mathrm{\δ}}_l^{\left(3\right)}=e\left(k\right)\mathrm{sgn}\left(\frac{\∂y\left(k\right)}{\∂u\left(k\right)}\right)\frac{\∂u\left(k\right)}{{\∂O}_l^{\left(3\right)}\left(k\right)}{g}^{/}\left({\mathrm{net}}_l^{\left(3\right)}\left(k\right)\right),(l=\mathrm{1,2,3});$

同理可得隐含层网络权系数：

${\mathrm{\Δw}}_{\mathrm{ij}}^{\left(2\right)}\left(k\right)=a{\mathrm{\Δw}}_{\mathrm{ij}}^{\left(2\right)}(k-1)+{\mathrm{\η\δ}}_i^{\left(2\right)}{O}_j^{\left(1\right)}\left(k\right)$

${\mathrm{\δ}}_l^{\left(2\right)}=f^{/}\left({\mathrm{net}}_i^{\left(2\right)}\left(k\right)\right)\underset{l=1}{\overset{3}{\mathrm{\Σ}}}{\mathrm{\δ}}_i^{\left(3\right)}{w}_{\mathrm{li}}^{\left(3\right)}\left(k\right),(i=\mathrm{1,2,3}\·\·\·q),$

式中，g^/(·)＝g(x)[1-g(x)],f^/(·)＝[1-f²(x)]/2；

确定BP神经网络的结构，即首先确定神经网络各层节点的数目，如：输入层节点m、隐含层节点q，并给权系数赋初始值和选取学习速率η和惯性系数a，取k＝1。

4.一种同步碎石封层车沥青碎石撒布智能控制装置，其特征在于，包括微控制器、电源模块、驱动模块、PID智能调节模块以及多传感器检测模块，所述微控制器为单片机，所述电源模块用于给整个装置供电；所述多传感器检测模块以超声波传感器、压力传感器、转速传感器和红外传感器为主，并用于检测碎石和沥青的状态；所述PID智能调节模块是将BP神经网络算法引入到常规PID控制器中，并用于控制沥青碎石的撒布。