CN114326630A - 沥青混合料智能称重配料控制方法 - Google Patents
沥青混合料智能称重配料控制方法 Download PDFInfo
- Publication number
- CN114326630A CN114326630A CN202111651647.7A CN202111651647A CN114326630A CN 114326630 A CN114326630 A CN 114326630A CN 202111651647 A CN202111651647 A CN 202111651647A CN 114326630 A CN114326630 A CN 114326630A
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- layer
- weighing
- membership degrees
- asphalt
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000010426 asphalt Substances 0.000 title claims abstract description 71
- 238000005303 weighing Methods 0.000 title claims abstract description 70
- 239000000203 mixture Substances 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims description 27
- 239000004575 stone Substances 0.000 claims abstract description 57
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 239000000843 powder Substances 0.000 claims abstract description 25
- 230000008859 change Effects 0.000 claims abstract description 21
- 238000010606 normalization Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 239000000463 material Substances 0.000 claims description 22
- 210000002569 neuron Anatomy 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000009977 dual effect Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 11
- 230000004044 response Effects 0.000 abstract description 5
- 238000007599 discharging Methods 0.000 description 13
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000003756 stirring Methods 0.000 description 4
- 239000004615 ingredient Substances 0.000 description 3
- 238000002156 mixing Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000001035 drying Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 230000007096 poisonous effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- URWAJWIAIPFPJE-YFMIWBNJSA-N sisomycin Chemical compound O1C[C@@](O)(C)[C@H](NC)[C@@H](O)[C@H]1O[C@@H]1[C@@H](O)[C@H](O[C@@H]2[C@@H](CC=C(CN)O2)N)[C@@H](N)C[C@H]1N URWAJWIAIPFPJE-YFMIWBNJSA-N 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开了一种采用基于模糊神经网络的PID控制器作为石料、粉料和沥青计量称重的控制器，石料、粉料和沥青计量称重传感器检测的称重数据与设定值比对，产生偏差e和偏差变化率ec，作为模糊神经网络的输入至输入层，然后由模糊化层通过隶属度函数规则进行模糊化，再经过模糊化推理层进行模糊推理与判断，确定模糊规则的匹配情况，并计算出各个模糊规则的适应度，接着进行归一化计算，输出归一化的控制量到输出层，输出ΔKp、ΔKi、ΔKd来修正PID控制器的Kp，Ki，Kd三个参数。本发明采用模糊神经网络算法来修正PID控制器的Kp，Ki，Kd三个参数，提高沥青混合物石料、粉料和沥青的称重计量精度和计量模块的动态响应。
Description
技术领域
本发明涉及一种沥青混合料智能称重配料控制方法，属于沥青搅拌站设备技术领域。
背景技术
沥青混合料搅拌设备是重要的路面工程机械之一，被广泛应用于道路、机场、码头和基础设施的施工，生产的沥青混合料影响着工程质量的好坏。沥青混合料是由大小不同的石料、粉料和加热的沥青按比例送入搅拌缸搅拌至均匀，生成沥青混合料。生产过程中要按配方比及所设定的生产率计算并称量各种石料、粉料、沥青的重量。而目前的搅拌设备对石料、粉料、沥青的重量计量由于检测手段和计量方法的技术局限，计量环节具有滞后性，操作中存在着提前量或过冲量，造成计量精度不够精确，一定程度上影响沥青混合料的质量。为提高混合料的生产工艺和计量精度，设计智能化的称重配料系统有着重要的应用价值。
发明内容
本发明的目的在于提供一种沥青混合料智能称重配料控制方法，在进行沥青混合料生产中，可以根据不同规格、等级的沥青混合料的生产工艺和配比要求，在系统中设定好参数，自动地完成沥青混合料中各种配料的称重计量，整个过程采用自动控制技术实现沥青混合料的自动称重配料。由于石料、粉料和沥青计量环节具有滞后性，现有技术的设备操作中存在着提前量和过冲量，本发明采用模糊神经网络算法来修正PID控制器的Kp，Ki，Kd三个参数，提高沥青混合物石料、粉料和沥青的称重计量精度和计量模块的动态响应。
本发明的目的通过以下技术方案予以实现：
一种沥青混合料智能称重配料控制方法，采用基于模糊神经网络的PID控制器作为石料、粉料和沥青计量称重的控制器，模糊神经网络分为五层，从信号输入至输出依次为输入层、模糊化层、模糊化推理层、去模糊化层、输出层；石料、粉料和沥青计量称重传感器检测的称重数据与设定值比对，产生偏差e和偏差变化率ec，作为模糊神经网络的输入至输入层，然后由模糊化层通过隶属度函数规则进行模糊化，再经过模糊化推理层进行模糊推理与判断，确定模糊规则的匹配情况，并计算出各个模糊规则的适应度，接着进行归一化计算，输出归一化的控制量到输出层，输出ΔKp、ΔKi、ΔKd来修正PID控制器的Kp，Ki，Kd三个参数。
本发明的目的还可以通过以下技术措施来进一步实现：
前述沥青混合料智能称重配料控制方法，其中，
1)输入层：接收偏差e和偏差变化率ec两个输入量，连接权重为
偏差e和偏差变化率ec在时间域的表示形式为e(t)，ec(t)，Oi表示输入层函数，Oi＝xi＝[x1,x2]；
2)模糊化层：对输入变量进行模糊化处理，
O2(i,j)表示模糊化处理时的隶属度函数值，
表示隶属度函数，cij和bij表示第i个输入变量的第j个模糊集合的隶属度函数的中心和宽度；
3)模糊化推理层和去模糊化层：共同完成模糊推理，模糊化推理层是“AND”神经元，连接权重设置为1，由一系列模糊规则组成，通过各个节点的组合来计算结果；去模糊化层是“OR”神经元，归一化运算，将该层神经元的归一化处理后输出模糊量；
4)输出层：进行解模糊；去模糊化层的输出O(4)作为输出层的输入，即I(5)＝O(4)，Kp，Ki，Kd三个参数的自适应输出公式如下：
前述沥青混合料智能称重配料控制方法，对偏差e和偏差变化率ec进行模糊处理的模糊规则如下：
1)根据e和ec的隶属度，推导输出值(U)对应隶属度的规则为：
当e为NB，ec分别为NB、NS、ZO、PS、PB时，输出值(U)对应的隶属度分别为PB、PB、PB、PS、ZO；当e为NS，ec分别为NB、NS、ZO、PS、PB时，输出值(U)对应的隶属度分别为PB、PB、PS、ZO、ZO；当e为ZO，ec分别为NB、NS、ZO、PS、PB时，输出值(U)对应的隶属度分别为PS、PS、ZO、NS、NS；当e为PS，ec分别为NB、NS、ZO、PS、PB时，输出值(U)对应的隶属度分别为ZO、ZO、NS、NB、NB；当e为PB，ec分别为NB、NS、ZO、PS、PB时，输出值(U)对应的隶属度分别为ZO、NS、NB、NB、NB；
2)Δkp为Kp的变化量，模糊规则为：
当e为NB，ec分别为NB、NS、ZO、PS、PB时，Δkp对应的隶属度分别为PB、PB、PS、PS、ZO；当e为NS，ec分别为NB、NS、ZO、PS、PB时，Δkp对应的隶属度分别为PB、PS、ZO、ZO、NS；当e为ZO，ec分别为NB、NS、ZO、PS、PB时，Δkp对应的隶属度分别为PS、PS、NS、NS、NS；当e为PS，ec分别为NB、NS、ZO、PS、PB时，Δkp对应的隶属度分别为PS、ZO、NS、NS、NB；当e为PB，ec分别为NB、NS、ZO、PS、PB时，Δkp对应的隶属度分别为ZO、NS、NB、NB、NB；
3)Δki为Ki变化量，模糊规则为：
当e为NB，ec分别为NB、NS、ZO、PS、PB时，Δki对应的隶属度分别为NB、NB、NS、NS、ZO；当e为NS，ec分别为NB、NS、ZO、PS、PB时，Δki对应的隶属度分别为NB、NS、NS、ZO、PS；当e为ZO，ec分别为NB、NS、ZO、PS、PB时，Δki对应的隶属度分别为PS、NS、ZO、PS、PS；当e为PS，ec分别为NB、NS、ZO、PS、PB时，Δki对应的隶属度分别为ZO、ZO、PS、PS、PB；当e为PB，ec分别为NB、NS、ZO、PS、PB时，Δki对应的隶属度分别为ZO、PS、PB、PB、PB；
4)Δkd为Kd变化量，模糊规则为：
当e为NB，ec分别为NB、NS、ZO、PS、PB时，Δkd对应的隶属度分别为PS、NB、NB、NB、PS；当e为NS，ec分别为NB、NS、ZO、PS、PB时，Δkd对应的隶属度分别为ZO、NS、NS、NS、ZO；当e为ZO，ec分别为NB、NS、ZO、PS、PB时，Δkd对应的隶属度分别为ZO、NS、NS、NS、ZO；当e为PS，ec分别为NB、NS、ZO、PS、PB时，Δkd对应的隶属度分别为ZO、ZO、ZO、ZO、ZO；当e为PB，ec分别为NB、NS、ZO、PS、PB时，Δkd对应的隶属度分别为PB、PS、PS、PS、PB。
前述沥青混合料智能称重配料控制方法，对于沥青料的计量控制采用时间、称重双重控制，其方法为：当沥青开始称重计量时开始计时，当称重计量达到设定值或计量时间达到上一次平均配料时间Ty，停止沥青供给至称量灌。平均配料时间不断迭代更新，即本次平均配料时间T＝(上一次计量时间t1-本次计量时间t2)/2+上一次平均配料时间Ty。
与现有技术相比，本发明的有益效果是：本发明采用模糊神经网络算法来修正PID控制器的Kp，Ki，Kd三个参数，提高沥青混合物石料、粉料和沥青的称重计量精度和计量模块的动态响应，克服沥青混合料计量环节的滞后性，避免提前量和过冲量对计量精度的影响，保证生产质量与安全。
附图说明
图1是本发明称重配料系统总体结构图；
图2是石料称重模块结构图；
图3是PID控制结构图；
图4是模糊神经网络PID控制器结构图；
图5是称重变送器接线图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明。
称重配料控制是沥青混合料搅拌设备的核心环节，主要功能就是将加热后的石料、沥青和粉料按照预先设定好的配方比例分别进行称量，其中石料和粉料属于多种料的累加计量。称重系统的计量精度直接影响成品料的质量，按交通行业标准JT/T270-2002《强制间歇式沥青混合料搅拌设备》规定：标准工况下物料动态计量时精度误差为，沥青计量精度为±2.0％、粉料计量精度为±2.5％、石料计量精度为±2.5％。
本发明由主控制器、石料控制、粉料控制、沥青控制、各配料的称重称重传感器、执行机构和各配料料仓组成，如图1所示。
这里以石料称重为例，热石料称重控制系统结构如图2所示。粗级配的冷石料经烘干筒加热后，由提升机输送至振动筛，振动筛将热石料混合料筛分为大小不同粒径的四种料，分别储存在各自的热料仓中，各石料仓底部的仓门开关实现石料的放料控制控制。每个热料仓底部各有大小二个放料弧门，由气缸控制其开闭。称量开始时，按设定的放料顺序，某个热料仓大小放料弧门同时打开，所以称量开始时，石料能快速注入石料计量斗，此称为粗称；当计量斗内石料质量达到设定位的85％时，大放料弧门关闭，小放料弧门保持打开状态，石料缓慢注人计量斗，此即为石料的细称。当石料的质量达到设定值时，关闭小放料弧门，停止石料的注入，完成一种石料的精称，石料计量是累加计量。
在称重计量中，PID是一种常用的控制方法，PID控制是比例积分微分控制的简称，由于其算法简单、鲁棒性好，在工业控制中获得了广泛的应用，今天仍有90％以上的控制回路采用PID控制，其控制结构如图3所示。
其控制规律为：
式中，e(t)为误差，e(t)＝r(t)-y(t)，KP为比例系数；Ti为积分时间常数；Td为微分时间常数。由于传统的PID算法存在控制精度低的局限性，石料、粉料和沥青计量环节具有滞后性，操作中存在着提前量和过冲量，因此单一模糊控制的设计缺乏系统性，为了在不建立准确数学模型的前提下，仍能够保证控制的精度和实时性，本发明采用基于模糊神经网络的PID控制算法作为石料、粉料和沥青计量智能称重的控制方法，其结构如图4所示。
基于模糊神经网络的PID控制器主要包括模糊神经参数整定器和变参数PID控制器两部分，模糊神经网络参数整定器有两个输入量：偏差e和偏差变化率ec。P1、Z1、N1分别代表偏差e的负数、零、正数隶属度，P2、Z2、N2分别代表偏差变化率ec的负数、零、正数隶属度。F/D代表输出层，分解为Kp，Ki和Kd三个输出。
模糊神经网络分为五层，分别为输入层、模糊化层、模糊化推理层、去模糊化层、输出层。石料、粉料和沥青计量称重传感器多次检测的数据反馈给控制器，经与设定值比对，产生偏差e和偏差变化率ec，作为模糊神经网络的输入，经过输入层，然后通过隶属度函数规则进行模糊化，再经过模糊化推理层，进行模糊推理与判断，确定模糊规则的匹配情况，并计算出各个模糊规则的适应度。接着进行归一化计算，输出归一化的控制量到输出层，经过分解得到Kp，Ki和Kd三个输出。
本发明采用模糊神经网络PID控制器对偏差e和偏差变化量ec进行模糊处理。这里将传感器采集的各配料重量偏差e的范围设置在-5到+5之间。即传感器采集重量偏离设定值的最大距离为10。正负表示重量正负偏离，基于以上设定，可以对e和ec进行模糊化，为减少神经网络的复杂度，现在将e的区间[-5,5]分为5个部分，分别为：-5～-3，-3～-1，-1～1，1～3，3～5。然后使用NB(负大)，NS(负小)，ZO(零)，PS(正小)，PB(正大)，分别代表-3，-1，0，1，3。同理，模糊化偏差变化率ec可以得到：NB，NS，ZO，PS，PB。
将系统偏差e和偏差变化率ec变化范围定义为模糊集上的论域，即：
其模糊子集为e,ec＝{-5,-3,-1,0,1,3,5}(2)
对于输入的e和ec，需要计算出它们的隶属度，推导出输出值(U)对应的隶属度，本发明输出值(U)采用模糊规则如表1所示。
表1偏差e和偏差变化率ec推导输出值(U)隶属度模糊规则表
即当e为NB，ec分别为NB、NS、ZO、PS、PB时，输出值(U)对应的隶属度分别为PB、PB、PB、PS、ZO；当e为NS，ec分别为NB、NS、ZO、PS、PB时，输出值(U)对应的隶属度分别为PB、PB、PS、ZO、ZO；当e为ZO，ec分别为NB、NS、ZO、PS、PB时，输出值(U)对应的隶属度分别为PS、PS、ZO、NS、NS；当e为PS，ec分别为NB、NS、ZO、PS、PB时，输出值(U)对应的隶属度分别为ZO、ZO、NS、NB、NB；当e为PB，ec分别为NB、NS、ZO、PS、PB时，输出值(U)对应的隶属度分别为ZO、NS、NB、NB、NB。
接下来，建立Kp，Ki和Kd三个变量的模糊规则库来调整PID控制参数。
(1)Kp模糊规则
在PID控制器中，系统的响应速度由Kp决定。Δkp为Kp的变化量，模糊规则如表2所示。
表2Kp模糊规则
即当e为NB，ec分别为NB、NS、ZO、PS、PB时，Δkp对应的隶属度分别为PB、PB、PS、PS、ZO；当e为NS，ec分别为NB、NS、ZO、PS、PB时，Δkp对应的隶属度分别为PB、PS、ZO、ZO、NS；当e为ZO，ec分别为NB、NS、ZO、PS、PB时，Δkp对应的隶属度分别为PS、PS、NS、NS、NS；当e为PS，ec分别为NB、NS、ZO、PS、PB时，Δkp对应的隶属度分别为PS、ZO、NS、NS、NB；当e为PB，ec分别为NB、NS、ZO、PS、PB时，Δkp对应的隶属度分别为ZO、NS、NB、NB、NB。
(2)Ki模糊规则
在PID控制器中，消除系统的稳态偏差是Ki的作用，Δki为Ki变化量。模糊规则如表3所示。
表3Ki模糊规则
即当e为NB，ec分别为NB、NS、ZO、PS、PB时，Δki对应的隶属度分别为NB、NB、NS、NS、ZO；当e为NS，ec分别为NB、NS、ZO、PS、PB时，Δki对应的隶属度分别为NB、NS、NS、ZO、PS；当e为ZO，ec分别为NB、NS、ZO、PS、PB时，Δki对应的隶属度分别为PS、NS、ZO、PS、PS；当e为PS，ec分别为NB、NS、ZO、PS、PB时，Δki对应的隶属度分别为ZO、ZO、PS、PS、PB；当e为PB，ec分别为NB、NS、ZO、PS、PB时，Δki对应的隶属度分别为ZO、PS、PB、PB、PB。
(3)Kd模糊规则
在PID控制器中，改变系统动态特性是Kd的作用，Δkd为Kd变化量。模糊规则如表4所示。
表4Kd模糊规则
即当e为NB，ec分别为NB、NS、ZO、PS、PB时，Δkd对应的隶属度分别为PS、NB、NB、NB、PS；当e为NS，ec分别为NB、NS、ZO、PS、PB时，Δkd对应的隶属度分别为ZO、NS、NS、NS、ZO；当e为ZO，ec分别为NB、NS、ZO、PS、PB时，Δkd对应的隶属度分别为ZO、NS、NS、NS、ZO；当e为PS，ec分别为NB、NS、ZO、PS、PB时，Δkd对应的隶属度分别为ZO、ZO、ZO、ZO、ZO；当e为PB，ec分别为NB、NS、ZO、PS、PB时，Δkd对应的隶属度分别为PB、PS、PS、PS、PB。
考虑Kp，Ki，Kd三者的关联，根据工程经验设计模糊整定这三个参数，误差e和偏差变化率ec为输入。设e，ec和ΔKp，ΔKi，ΔKd均服从正态分布，因此可得出各模糊子集的隶属度，根据偏差e和偏差变化量ec的模糊化结果推导出ΔKp，ΔKi，ΔKd的模糊子集。输入量e和ec是由模糊变量组成的向量，所以推理出的ΔKp，ΔKi，ΔKd的模糊子集通常是由模糊变量组成的矩阵。为进一步提高沥青混合物石料、粉料和沥青的称重计量精度和计量模块的动态响应，这里采用模糊神经网络算法来修正PID控制器的Kp，Ki，Kd三个参数。
本发明模糊神经网络计算过程：本发明采用5层模糊神经网络结构，分别为输入层、模糊化层、模糊化推理层、去模糊化层、输出层。如图4所示。
1)第一层：接收偏差e和偏差变化率ec两个输入量，这里取连接权重为wi 1＝1。
偏差e和偏差变化率ec在时间域的表示形式为e(t)，ec(t)。Oi表示输入层函数，Oi＝xi＝[x1,x2]。
2)第二层：对输入变量模糊化处理。
O2(i,j)表示模糊化处理时的隶属度函数值，
表示隶属度函数，cij和bij表示第i个输入变量的第j个模糊集合的隶属度函数的中心和宽度。
3)第三层和第四层：共同完成模糊推理，第三层是“AND”神经元，连接权重设置为1，它由一系列模糊规则组成，通过各个节点的组合来计算结果；第四层是“OR”神经元，归一化运算，将该层神经元的归一化处理后输出模糊量。
4)第五层：解模糊。本发明要输出的是Kp，Ki，Kd的自适应结果。第四层的输出O(4)作为第五层的输入，即I(5)＝O(4)，Kp，Ki，Kd三个参数的自适应输出公式如下
这里以石料称重为例，粗级配的冷石料经烘干筒加热后，由提升机输送至振动筛，振动筛将热石料混合料筛分为不同粒径的四种料，分别储存在各自的热料仓中，各石料仓底部的仓门开关实现石料的放料控制控制。每个热料仓底部各有大小二个放料弧门，由气缸控制其开闭。称量开始时，按设定的放料顺序，某个热料仓大小放料弧门同时打开，所以称量开始时，石料能快速注入石料计量斗，此称为粗称；当计量斗内石料质量达到设定位的85％时，大放料弧门关闭，小放料弧门保持打开，石料缓慢注人计量斗，此即为石料的细称。当石料的质量达到设定值时，关闭小放料弧门，停止石料的注入，完成一种石料的精称，石料计量是累加计量。粉料称重计量和石料类似。
一般情况下沥青称重计量的控制可采用与石料、粉料相同的控制方法，采用模糊神经网络PID控制器。计量是通过沥青称量灌三个测点的测量数据实现，前提是三个点设置在同一水平面上，重心处于三个点的中心，沥青料门的开度大小是通过气阀实现的。但是沥青料与石料、粉料相比具有粘性大，迟滞性突出的特点，尤其是当沥青温度发生较大变化时，相应的，其粘性也发生较大变化，从而影响其流动速度，如果沥青流动速度不稳将对其称重计量的准确度造成较大干扰。为了进一步提高沥青称重计量的准确度，对于沥青料的计量控制采用双重控制，其方法为：当沥青开始称重计量时开始计时，当称重计量达到设定值或计量时间达到上一次平均配料时间Ty，停止沥青供给至称量灌。平均配料时间不断迭代更新，即本次平均配料时间T＝(上一次计量时间t1-本次计量时间t2)/2+上一次平均配料时间Ty。
沥青料属于有毒有害物质，如果沥青料发生过冲溢出将导致对设备、人员、环境的危害，为了防止因设备故障造成沥青料输送失控的极端情况发生，在实际运行过程中，可以设置以下防误紧急故障处理控制流程，当沥青计量称中的重量实际值或称量时间超过设定值的120％时停止沥青供给泵的工作并报警，防止沥青料溢出称量灌，此参数可根据需要设定更改。
动态配料称重过程可以看作是SISO系统，通常为高阶非线性环节的特性，且有N阶纯滞。因为称重模块有惯性特性，所以当称重计量速度加快时，石料的过冲量、从下落到计量斗内的时间差、执行机构的滞后以及沥青的粘度等干扰因素将影响石料计量精度，在实际情况，通过降低速度来提高石料计量精度。而模糊神经网络PID算法能修正物料计量的误差，提高精度。
本系统的硬件配置为：本地站采用三菱Q00UCPU作为核心控制器，模糊神经网络PID控制的均在此控制器中编程实现，重量信号由称重变送器处理后进入AD模块，经过AD转换后由CPU按照模糊神经网络PID算法计算Kp，Ki，Kd三个参数并进行调节。本系统选用METTLER-TOLEDO的TSB系列高精度传感器和TR200H高精度信号变送器；选用三菱高速A/D转换模块Q64AD模块；该模块为四通道A/D转换模块，转换精度高，转换速度快，且具有通道隔离功能，提高了运行的稳定性。以粉料计量斗设备为例，硬件上设计采用METTLER-TOLEDO称重传感器3只，料斗为单斗、带密封门、3点悬挂，容量为500kg，悬挂方式为3个0.3吨称重传感器，带运输固定螺栓，放料方式为气动斜槽和气动蝶阀控制快速螺旋放料，采用模糊神经网络算法计算PID参数实现放料自动补偿，称重变送器接线图如图5所示。
除上述实施例外，本发明还可以有其他实施方式，凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围内。
Claims (4)
1.一种沥青混合料智能称重配料控制方法，其特征在于，采用基于模糊神经网络的PID控制器作为石料、粉料和沥青计量称重的控制器，模糊神经网络分为五层，从信号输入至输出依次为输入层、模糊化层、模糊化推理层、去模糊化层、输出层；石料、粉料和沥青计量称重传感器检测的称重数据与设定值比对，产生偏差e和偏差变化率ec，作为模糊神经网络的输入至输入层，然后由模糊化层通过隶属度函数规则进行模糊化，再经过模糊化推理层进行模糊推理与判断，确定模糊规则的匹配情况，并计算出各个模糊规则的适应度，接着进行归一化计算，输出归一化的控制量到输出层，输出ΔKp、ΔKi、ΔKd来修正PID控制器的Kp，Ki，Kd三个参数。
2.如权利要求1所述的沥青混合料智能称重配料控制方法，其特征在于，
1)输入层：接收偏差e和偏差变化率ec两个输入量，连接权重为
偏差e和偏差变化率ec在时间域的表示形式为e(t)，ec(t)，Oi表示输入层函数，Oi＝xi＝[x1,x2]；
2)模糊化层：对输入变量进行模糊化处理，
O2(i,j)表示模糊化处理时的隶属度函数值，
表示隶属度函数，cij和bij表示第i个输入变量的第j个模糊集合的隶属度函数的中心和宽度；
3)模糊化推理层和去模糊化层：共同完成模糊推理，模糊化推理层是“AND”神经元，连接权重设置为1，由一系列模糊规则组成，通过各个节点的组合来计算结果；去模糊化层是“OR”神经元，归一化运算，将该层神经元的归一化处理后输出模糊量；
4)输出层：进行解模糊；去模糊化层的输出O(4)作为输出层的输入，即I(5)＝O(4)，Kp，Ki，Kd三个参数的自适应输出公式如下：
3.如权利要求1所述的沥青混合料智能称重配料控制方法，其特征在于，对偏差e和偏差变化率ec进行模糊处理的模糊规则如下：
1)根据e和ec的隶属度，推导输出值(U)对应隶属度的规则为：
当e为NB，ec分别为NB、NS、ZO、PS、PB时，输出值(U)对应的隶属度分别为PB、PB、PB、PS、ZO；当e为NS，ec分别为NB、NS、ZO、PS、PB时，输出值(U)对应的隶属度分别为PB、PB、PS、ZO、ZO；当e为ZO，ec分别为NB、NS、ZO、PS、PB时，输出值(U)对应的隶属度分别为PS、PS、ZO、NS、NS；当e为PS，ec分别为NB、NS、ZO、PS、PB时，输出值(U)对应的隶属度分别为ZO、ZO、NS、NB、NB；当e为PB，ec分别为NB、NS、ZO、PS、PB时，输出值(U)对应的隶属度分别为ZO、NS、NB、NB、NB；
2)Δkp为Kp的变化量，模糊规则为：
当e为NB，ec分别为NB、NS、ZO、PS、PB时，Δkp对应的隶属度分别为PB、PB、PS、PS、ZO；当e为NS，ec分别为NB、NS、ZO、PS、PB时，Δkp对应的隶属度分别为PB、PS、ZO、ZO、NS；当e为ZO，ec分别为NB、NS、ZO、PS、PB时，Δkp对应的隶属度分别为PS、PS、NS、NS、NS；当e为PS，ec分别为NB、NS、ZO、PS、PB时，Δkp对应的隶属度分别为PS、ZO、NS、NS、NB；当e为PB，ec分别为NB、NS、ZO、PS、PB时，Δkp对应的隶属度分别为ZO、NS、NB、NB、NB；
3)Δki为Ki变化量，模糊规则为：
当e为NB，ec分别为NB、NS、ZO、PS、PB时，Δki对应的隶属度分别为NB、NB、NS、NS、ZO；当e为NS，ec分别为NB、NS、ZO、PS、PB时，Δki对应的隶属度分别为NB、NS、NS、ZO、PS；当e为ZO，ec分别为NB、NS、ZO、PS、PB时，Δki对应的隶属度分别为PS、NS、ZO、PS、PS；当e为PS，ec分别为NB、NS、ZO、PS、PB时，Δki对应的隶属度分别为ZO、ZO、PS、PS、PB；当e为PB，ec分别为NB、NS、ZO、PS、PB时，Δki对应的隶属度分别为ZO、PS、PB、PB、PB；
4)Δkd为Kd变化量，模糊规则为：
当e为NB，ec分别为NB、NS、ZO、PS、PB时，Δkd对应的隶属度分别为PS、NB、NB、NB、PS；当e为NS，ec分别为NB、NS、ZO、PS、PB时，Δkd对应的隶属度分别为ZO、NS、NS、NS、ZO；当e为ZO，ec分别为NB、NS、ZO、PS、PB时，Δkd对应的隶属度分别为ZO、NS、NS、NS、ZO；当e为PS，ec分别为NB、NS、ZO、PS、PB时，Δkd对应的隶属度分别为ZO、ZO、ZO、ZO、ZO；当e为PB，ec分别为NB、NS、ZO、PS、PB时，Δkd对应的隶属度分别为PB、PS、PS、PS、PB。
4.如权利要求1所述的沥青混合料智能称重配料控制方法，其特征在于，对于沥青料的计量控制采用时间、称重双重控制，其方法为：当沥青开始称重计量时开始计时，当称重计量达到设定值或计量时间达到上一次平均配料时间Ty，停止沥青供给至称量灌；平均配料时间不断迭代更新，即本次平均配料时间T＝(上一次计量时间t1-本次计量时间t2)/2+上一次平均配料时间Ty。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111651647.7A CN114326630A (zh) | 2021-12-30 | 2021-12-30 | 沥青混合料智能称重配料控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111651647.7A CN114326630A (zh) | 2021-12-30 | 2021-12-30 | 沥青混合料智能称重配料控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114326630A true CN114326630A (zh) | 2022-04-12 |
Family
ID=81019813
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111651647.7A Pending CN114326630A (zh) | 2021-12-30 | 2021-12-30 | 沥青混合料智能称重配料控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114326630A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115302630A (zh) * | 2022-10-08 | 2022-11-08 | 南通钰昇智能科技有限公司 | 一种新型混凝土砂浆搅拌控制方法 |
| CN117247132A (zh) * | 2023-11-15 | 2023-12-19 | 成都之维安科技股份有限公司 | 一种基于aao工艺的智能精准曝气方法 |
| CN118408626A (zh) * | 2024-07-01 | 2024-07-30 | 深圳大因医疗科技有限公司 | 一种动态人体体重检测装置以及检测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102122132A (zh) * | 2010-01-11 | 2011-07-13 | 北京航空航天大学 | 一种基于模糊神经网络的用于环境模拟系统的智能控制系统 |
| CN111963471A (zh) * | 2020-08-14 | 2020-11-20 | 苏州浪潮智能科技有限公司 | 一种风扇转速控制方法和装置 |
-
2021
- 2021-12-30 CN CN202111651647.7A patent/CN114326630A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102122132A (zh) * | 2010-01-11 | 2011-07-13 | 北京航空航天大学 | 一种基于模糊神经网络的用于环境模拟系统的智能控制系统 |
| CN111963471A (zh) * | 2020-08-14 | 2020-11-20 | 苏州浪潮智能科技有限公司 | 一种风扇转速控制方法和装置 |
Non-Patent Citations (2)
| Title |
|---|
| 唐红雨等: "基于蚁群算法的沥青混合料动态配料称重控制模块设计", 《公路工程》 * |
| 毛卫东等: "双滚筒沥青拌合设备骨料计量系统模糊PID控制仿真研究", 《公路与汽运》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115302630A (zh) * | 2022-10-08 | 2022-11-08 | 南通钰昇智能科技有限公司 | 一种新型混凝土砂浆搅拌控制方法 |
| CN115302630B (zh) * | 2022-10-08 | 2023-01-31 | 南通钰昇智能科技有限公司 | 一种混凝土砂浆搅拌控制方法 |
| CN117247132A (zh) * | 2023-11-15 | 2023-12-19 | 成都之维安科技股份有限公司 | 一种基于aao工艺的智能精准曝气方法 |
| CN117247132B (zh) * | 2023-11-15 | 2024-01-30 | 成都之维安科技股份有限公司 | 一种基于aao工艺的智能精准曝气方法 |
| CN118408626A (zh) * | 2024-07-01 | 2024-07-30 | 深圳大因医疗科技有限公司 | 一种动态人体体重检测装置以及检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114326630A (zh) | 沥青混合料智能称重配料控制方法 | |
| CN101226377B (zh) | 沥青混凝土搅拌设备配料误差的鲁棒控制方法 | |
| DE3873405T2 (de) | "fuzzy inference" pulverwaegeverfahren und messmischer. | |
| CN108809167A (zh) | 一种基于模糊控制的bp神经网络pid调速控制算法 | |
| US4272824A (en) | Batch product preparation | |
| DE3852716T2 (de) | Mess-Mischeinrichtung für Flüssigkeiten und Pulver. | |
| CN106644013B (zh) | 一种自动称量配料系统以及控制方法 | |
| CN100458604C (zh) | 物料平衡智能控制系统 | |
| CN100546791C (zh) | 沥青混合料搅拌设备冷骨料给料控制方法 | |
| CN113295000B (zh) | 一种基于料层厚度预测的布料控制系统及方法 | |
| CN104384009B (zh) | 一种基于Bang‑Bang控制的水泥联合粉磨预测控制方法 | |
| CN114261787B (zh) | 一种散料快速定量配料控制系统和方法 | |
| CN114265885A (zh) | 一种烧结返粉料的水分自动控制方法及系统 | |
| CN103235510B (zh) | 生料供料过程仓重智能切换控制方法 | |
| CN110471285B (zh) | 基于趋势事件驱动的锌冶炼焙烧过程模糊控制方法 | |
| CN100371840C (zh) | 基于给料速度控制的在线称量配料方法 | |
| CN107999545A (zh) | 基于系统辨识与参数自适应的冷轧机秒流量厚度控制方法及系统 | |
| CN112631121B (zh) | 水泥自立式辊压磨自动监测控制方法及系统 | |
| CN113299352B (zh) | 一种烧结台车的料层厚度动态预测系统及方法 | |
| CN102135761B (zh) | 视觉传感器参数的模糊自适应控制系统 | |
| CN111002564B (zh) | 一种吹塑成形工艺参数在线调控方法 | |
| JPH03248024A (ja) | 定量秤の計量制御装置 | |
| Tiryaki et al. | Mathematical modeling of a cement raw-material blending process using a neural network | |
| CN108973081A (zh) | 一种挤出控制系统及方法 | |
| RU2812444C1 (ru) | Система и способ управления распределением материала на основе прогнозирования толщины слоя материала |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220412 |