CN117775886B - 一种用于纤维缠绕的高性能张力控制方法及系统 - Google Patents
一种用于纤维缠绕的高性能张力控制方法及系统 Download PDFInfo
- Publication number
- CN117775886B CN117775886B CN202410206983.8A CN202410206983A CN117775886B CN 117775886 B CN117775886 B CN 117775886B CN 202410206983 A CN202410206983 A CN 202410206983A CN 117775886 B CN117775886 B CN 117775886B
- Authority
- CN
- China
- Prior art keywords
- tension
- fiber
- winding
- neural network
- output
- 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.)
- Active
Links
- 239000000835 fiber Substances 0.000 title claims abstract description 87
- 238000004804 winding Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 68
- 241000254173 Coleoptera Species 0.000 claims abstract description 50
- 210000003608 fece Anatomy 0.000 claims abstract description 50
- 230000008569 process Effects 0.000 claims abstract description 33
- 230000008859 change Effects 0.000 claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 238000011217 control strategy Methods 0.000 claims abstract description 22
- 238000012546 transfer Methods 0.000 claims abstract description 22
- 238000009730 filament winding Methods 0.000 claims abstract description 11
- 238000013178 mathematical model Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 34
- 238000003062 neural network model Methods 0.000 claims description 28
- 238000013139 quantization Methods 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 12
- 230000003993 interaction Effects 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 6
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 4
- 239000010931 gold Substances 0.000 claims description 4
- 229910052737 gold Inorganic materials 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 229920000049 Carbon (fiber) Polymers 0.000 abstract description 3
- 239000004917 carbon fiber Substances 0.000 abstract description 3
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 9
- 230000003044 adaptive effect Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 239000000047 product Substances 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000011056 performance test Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000004791 biological behavior Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 241000283323 Delphinapterus leucas Species 0.000 description 1
- 241000287127 Passeridae Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005489 elastic deformation Effects 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 238000005470 impregnation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012933 kinetic analysis Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明属于碳纤维缠绕设备控制领域,解决了换层缠绕时,张力目标值发生变化而控制器的增益参数固定,导致控制性能下降的问题。提供了一种用于纤维缠绕的高性能张力控制方法及系统,包括以下步骤:构建纤维缠绕系统中部件的数学模型,确定纤维缠绕系统的开环传递函数;建立基于改进的蜣螂算法优化的BP神经网络模糊PID控制策略;设定张力目标值,通过摆杆和气缸配合将张力施加到纤维纱束上;采集张力输出值,计算实时误差和误差变化率,PLC控制器调用基于改进的蜣螂算法优化的BP神经网络模糊PID控制策略完成张力控制。本发明能够实现换层缠绕变张力控制及同层缠绕恒张力控制,提高整个缠绕过程的稳定性,改善缠绕制品的性能。
Description
技术领域
本发明属于碳纤维缠绕设备控制领域,具体涉及一种用于纤维缠绕的高性能张力控制方法及系统。
背景技术
现有碳纤维缠绕设备控制领域中的张力控制由于受到纱团半径、纱团角加速度、纱线浸胶不均匀、工作环境和工艺变化等因素的影响,导致张力波动较大,进而在缠绕过程中出现滑纱、架空等现象,严重影响缠绕制品的质量。
若缠绕张力恒定不变,随着缠绕层数的增加,外层纤维会对内层纤维产生径向压应力,迫使内层纤维缠绕层发生径向压缩变形,呈现内松外紧的状态,复合材料受力时各纤维缠绕层不能均匀承载,极大地影响缠绕制品的强度和疲劳性能。为保证缠绕制品的质量,应采用同层缠绕恒张力、换层缠绕变张力的控制方案。
目前,纤维张力控制包括PID控制和模糊控制等方法,虽然常规PID控制和模糊控制能够有效地控制张力波动,但是常规PID控制参数固定,容易出现震荡,无法满足缠绕过程中纤维张力控制系统的实时调控要求;常规模糊控制器的参数选择极大地影响模糊控制器的控制性能,甚至会从根本上改变其输出特性,实际应用中模糊PID控制器的参数是根据经验总结得来的,然而面对不同的控制系统时,其参数往往难以得到最佳组合。
上述两种控制方法在用于换层缠绕时,张力目标值发生变化而控制器的增益参数固定,会导致控制性能下降。
发明内容
本发明为了解决现有技术中存在的上述至少一个技术问题,提供了一种于纤维缠绕的高性能张力控制方法及系统。
本发明采用如下的技术方案实现:一种于纤维缠绕的高性能张力控制方法,包括以下步骤:
S1:构建纤维缠绕系统中部件的数学模型,根据影响张力变化的因素,确定纤维缠绕系统的开环传递函数;
S2:建立基于改进的蜣螂算法优化的BP神经网络模糊PID控制策略;
S3:设定张力目标值,通过摆杆和气缸配合将张力施加到纤维纱束上;
S4:采集张力输出值,计算实时误差和误差变化率,PLC控制器调用基于改进的蜣螂算法优化的BP神经网络模糊PID控制策略完成张力控制。
优选地,纤维缠绕系统的开环传递函数的表达式为:
式中,为伺服电机的传递函数;/>为张力传感器的传递函数;/>为摆杆的传递函数;/>为纤维纱团半径;/>为纤维截面积;/>为纤维弹性模量;/>为伺服电机的增益系数;/>为放卷辊与芯模间的纤维长度;/>为伺服电机的时间常数;/>为拉氏变换中的复频率。
优选地,基于改进的蜣螂算法优化的BP神经网络模糊PID控制策略包括以下步骤:
S201:通过改进的蜣螂算法获取不同张力目标值下对应的模糊PID控制器中可变因子的最优值集合;
S202:将可变因子的最优值集合和不同张力目标值集合作为BP神经网络模型的训练样本对BP神经网络模型进行训练;
S203:利用训练好的BP神经网络模型对模糊PID控制器的参数进行动态调整,将调整后的模糊PID控制器参数作为张力输出控制参数。
优选地,模糊PID控制中的可变因子包括PID控制器中以及模糊PID控制器中的量化因子和比例因子;蜣螂算法的改进策略为自适应黄金正弦策略。
优选地,步骤S3中,通过电气比例阀控制气缸输出,使得摆杆偏离平衡位置;当启动纤维缠绕系统后,摆杆在纤维张力的作用下回到平衡位置,从而达到设定初始纤维张力目标值的目的;此时改进的蜣螂算法已优化确定出可变因子的最优值,模糊PID控制器响应;换层缠绕时,张力目标值递减变化,BP神经网络模型预测确定并调整可变因子的最优值。
优选地,气缸的输出拉力的计算公式为:
式中,为气缸的输出拉力;/>为纤维张力的力臂;/>为气缸的输出拉力与摆杆的夹角;/>为摆杆与水平方向的夹角;/>为纤维纱线张力;/>为纤维伸长方向与摆杆的夹角。
优选地,步骤S4中,张力传感器实时采集张力信号,计算实时误差及误差变化率并传输至模糊PID控制器;张力误差及误差变化率经过输入量化、模糊化、模糊推理、解模糊化、输出量化后得到输出信号并作用于放卷辊伺服电机,实时调整伺服电机的输出转速,进而改变放卷辊的放卷速度,完成张力控制;
当换层缠绕时,已训练好的BP神经网络模型根据新缠绕层的张力目标值输出与该张力目标值对应的可变因子的最优值,并将该输出传输至模糊PID控制器,如此实现整个缠绕过程中的最优张力控制。
优选地,步骤S4中,纤维缠绕时,将待缠绕层的张力目标值输入已训练好的BP神经网络模型中,BP神经网络模型建立在Python中,BP神经网络模型的输出传输至TIA Portal软件中的相应DB数据块中,将与该张力目标值对应的可变因子的最优值赋给模糊PID控制器;TIA Portal软件与Python之间进行数据交互,随着缠绕层的更换实时调整可变因子的参数值。
本发明还提供了一种用于纤维缠绕的高性能张力控制系统,包括放卷辊、伺服电机、摆杆、气缸、上位机、电气比例阀、导向轮、芯模、张力传感器、A/D转换模块、PLC控制器、D/A转换模块、伺服驱动器;
放卷辊用于进行纤维丝束的放卷,并通过伺服电机控制放卷速度;摆杆在气缸的作用下摆动,用于设定纤维张力目标值,气缸的输出通过上位机控制电气比例阀实现;导向轮设置在放卷辊与摆杆间用于进行纤维丝束的传输导向;经摆杆输出的纤维丝束输出至芯模进行缠绕,摆杆和芯模间的纤维丝束处设置有张力传感器;张力传感器用于检测纤维张力,经A/D转换模块与PLC控制器连接;PLC控制器内置有基于改进的蜣螂算法优化的BP神经网络模糊PID控制策略并经D/A转换模块与伺服驱动器连接,控制伺服驱动器改变伺服电机的输出转速,进而改变放卷辊的放卷速度。
与现有技术相比,本发明的有益效果是:
本发明通过Python建立BP神经网络模型并完成训练,实现了对模糊PID控制器中可变因子动态拟合,确定出不同张力目标值对应的可变因子的最优值,使得换层缠绕时控制系统能够根据张力目标值的变化实时调整可变因子,提高缠绕系统在换层缠绕时的快速响应性及抗干扰性,避免各缠绕层出现内松外紧的现象,保证内外各层纤维的初始应力状态相同,从而使容器充压后,内外各层纤维能够同时承载,极大地提高制品强度及其疲劳性能。
本发明采用自适应黄金正弦算法对蜣螂算法进行改进,能够提高局部开发和全局搜索能力,降低陷入局部最优解的可能性,缩短寻优时间。最终将改进的蜣螂算法用于优化模糊PID控制器中的可变因子,改变技术人员利用经验调参不准确的现状,实现同层缠绕时恒张力控制,降低张力波动,提高控制器的控制性能。
本发明将常规PID控制与模糊控制结合,提出采用模糊PID控制策略,集二者优势于一身,能够弥补常规模糊控制器存在量化误差和调节死区以及稳态性能差的缺点,同时依据模糊控制策略实现对PID控制器原设定输出参数的实时整定。模糊PID控制算法能够适应各种复杂的非线性系统,同时能够处理系统的不确定性和干扰,使得控制系统具备鲁棒性好、精度高的优势。
本发明采用SIMATIC S7-1200 PLC作为控制器搭建张力控制系统,该控制器具有高效稳定的运行性能和多种智能化的功能模块,可实现精确的控制任务。实验时,通过Python与S7-1200 PLC建立通讯,并实现数据交互功能,进而反复调用训练好的BP神经网络模型,最终实现整个缠绕过程的最优张力控制。可变因子的优化工作可以离线进行,将待缠绕层的张力目标值集合与其对应的可变因子的最优值集合输入至Python的模型中进行训练,实际缠绕时,只需调用模型即可,更加省时,最终实现整个缠绕过程的最优张力控制。由于只有在换层缠绕时需要调整可变因子,同层缠绕时可变因子保持最优值恒定即可,且完成一层缠绕工作所需时间远远大于硬件间的通讯时间,故而Python与PLC之间传输数据存在的时间延迟问题不会影响本发明的顺利实施,能够满足所提工艺方案的实施要求。
通过配合使用基于蜣螂优化算法的BP神经网络模糊PID控制策略和高性能张力控制系统,能够打破目前技术人员利用经验调参不准确的局面,实现换层缠绕变张力控制及同层缠绕恒张力控制,提高整个缠绕过程的稳定性,改善缠绕制品的性能。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施张力控制的流程图;
图2为本发明张力控制系统组成原理图;
图3为用于测试本发明改进的蜣螂算法的单峰基准测试函数F1图像;
图4为本发明改进的蜣螂算法在单峰基准测试函数F1上的性能测试图;
图5 为用于测试本发明改进的蜣螂算法的多峰基准测试函数F8图像;
图6为本发明改进的蜣螂算法在多峰基准测试函数F8上的性能测试图;
图7为本发明改进的蜣螂算法优化模糊PID控制器的流程图;
图8为本发明改进的蜣螂算法整定可变因子过程图;
图9为本发明基于改进的蜣螂算法优化的BP神经网络模糊PID控制系统图;
图10为本发明BP神经网络结构图;
图11为本发明BP神经网络学习过程图;
图12为本发明基于改进的蜣螂算法优化的BP神经网络模糊PID的控制效果图;
图13为本发明控制方法实验流程图;
图14为本发明张力控制系统部分硬件通讯原理图。
图中:1-放卷辊;2-伺服电机;3-摆杆;4-气缸;5-上位机;6-电气比例阀;7-导向轮;8-芯模;9-张力传感器;10-A/D转换模块;11-PLC控制器;12-D/A转换模块;13-伺服驱动器;14-脉冲编码器。
具体实施方式
结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚,完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部实施例。基于本发明的实施例,本领域的普通技术人员在没有做出创造性劳动的前提下所得到的所有其他实施方式,都属于本发明所保护的范围。
须知,本说明书附图所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应落在本发明所揭示的技术内容能涵盖的范围内,需要说明的是,在本说明书中,诸如第一和第二之类的关系术语仅仅用来将一个实体与另外几个实体区分开来,而不一定要求或者暗示这些实体之间存在任何实际的关系或者顺序。
本发明提供了一种实施例:
一种用于纤维缠绕的高性能张力控制方法,如图1所示,包括以下步骤:
S1:构建纤维缠绕系统中部件的数学模型,根据影响张力变化的因素,确定纤维缠绕系统的开环传递函数并验证;
S2:建立基于改进的蜣螂算法优化的BP神经网络模糊PID控制策略;
S3:设定张力目标值,通过摆杆3和气缸4配合将张力施加到纤维纱束上;
S4:采集张力输出值,计算实时误差和误差变化率,PLC控制器11调用基于改进的蜣螂算法优化的BP神经网络模糊PID控制策略完成张力控制。
步骤S1中,对纤维缠绕系统中伺服电机2、摆杆3、张力传感器9等机构建立数学模型,进行动力学分析,该缠绕系统是一个多变量、时变的非线性系统。
具体地,伺服电机部分可以简化为一个惯性环节和一个比例环节,伺服电机的传递函数的表达式为:
式中,为电机增益系数,/>为机电时间常数。
张力传感器部分可以简化为一个比例环节,张力传感器的传递函数的表达式为:
摆杆部分可以简化为一个积分环节,摆杆的传递函数的表达式为:
式中,为纤维截面积,/>为纤维弹性模量,/>为放卷辊与芯模间的纤维长度。
综上,纤维缠绕系统的开环传递函数的表达式为:
式中,为伺服电机的传递函数;/>为张力传感器的传递函数;/>为摆杆的传递函数;/>为纤维纱团半径;/>为纤维截面积;/>为纤维弹性模量;/>为伺服电机的增益系数;/>为放卷辊与芯模间的纤维长度;/>为伺服电机的时间常数;/>为拉氏变换中的复频率。
本实施例中,参数具体数值与具体实验条件有关,本实施例中,纤维纱团半径约0.05m,张力传感器9选用WFGL-3三辊式张力传感器,伺服电机2选用SIMOTICS S-1FL6,减速器选用PRF60-L2-20,通过采集缠绕张力数据,验证并调整所建立模型的参数值,最终确定系统的开环传递函数为:
。
步骤S2中,基于改进的蜣螂算法优化的BP神经网络模糊PID控制策略包括以下步骤:
S201:通过改进的蜣螂算法获取不同张力目标值下对应的模糊PID控制器中可变因子的最优值集合;
S202:将可变因子的最优值集合和不同张力目标值集合作为BP神经网络模型的训练样本对BP神经网络模型进行训练;
S203:利用训练好的BP神经网络模型对模糊PID控制器的参数进行动态调整,将调整后的模糊PID控制器参数作为张力输出控制参数。
设计思路:由于模糊PID控制器的可变因子的大小以及相对关系极大地影响控制性能,采用改进的蜣螂算法对其进行优化,在MATLAB中通过m文件编写改进的蜣螂算法,确定初始种群数、迭代次数、变量的上下限及评价指标函数,评价指标函数以系统输出误差、控制器输入量、超调量及响应时间为变量,通过评价指标函数值的大小进而获取最优变量组合。
本实施例可变因子组合的初始种群数为30,迭代次数为100,在m文件中通过使用接口函数与SIMULINK仿真数据实现交互,将输出误差、控制器输入量、超调量及响应时间返回评价指标函数并计算,进而实现优化,确定出可变因子的最优值。MATLAB与SIMULINK数据交互式方法实现优化,能够减小编程工作量,优化过程更加直观;为避免各缠绕层出现内松外紧的现象,本实施例采用换层缠绕变张力控制、同层缠绕恒张力控制的复合方案,通过Python建立BP神经网络模型并完成训练,换层缠绕时将变化后的张力目标值作为BP网络的输入,输出即为此张力下可变因子的最优值,Python通过使用库函数snap7与硬件PLC建立通讯,进行数据交互,实现不同张力目标值对应的可变因子时刻保持最优值,提高系统响应速度性与稳定性,最终保证内外各层纤维的初始应力状态相同,从而使容器充压后,内外各层纤维能够同时承载,提高制品性能。
缠绕张力PID控制的传递函数为:
根据纤维缠绕系统的开环传递函数,确定出的初值,与模糊控制结合构成模糊PID控制策略,依据模糊控制策略实现对PID控制器原设定输出参数的实时整定。模糊控制策略包括输入量化、模糊化、模糊推理、解模糊化、输出量化五部分。输入量化是通过量化因子将张力目标值和张力检测值的差值 e 和偏差率ec量化为模糊域中的语言变量 E、EC;模糊化过程是通过隶属度函数曲线确定输入的E、EC的值属于各模糊子集语言的程度;模糊推理是根据模糊规则判别出输出值的模糊子集语言;解模糊化是将各模糊子集语言乘以各自对应的中心值得到最终的模糊输出值;输出量化是通过比例因子将模糊输出值量化为实际输出值。
其中,以及量化因子和比例因子的值对控制性能有着至关重要的影响。为获得其最优值,设计改进的蜣螂算法对其进行优化。
蜣螂算法是一种基于生物行为的启发式搜索算法,通过模拟蜣螂的滚球、繁殖、觅食和偷窃四种生物行为对所需参数进行迭代优化,能够有效利用局部信息来寻找最优解,并且具有较好的鲁棒性和可扩展性,适用于解决一些连续空间的优化问题。但在高维问题中容易陷入局部最优解,无法全局搜索;个体数目较少,在处理高维问题时,无法提高搜索效率;收敛速度较慢,需要更多的时间来找到最优解。本发明利用自适应黄金正弦策略对蜣螂算法进行了改进。具体改进方案如下:
自适应黄金正弦策略:引入黄金分割系数,结合自适应算子,该算子服从自由度参数为迭代次数的分布,其随着迭代次数的增加而自适应变化,对蜣螂位置进行扰动,使算法在进行搜索的过程中对解的周围进行充分的搜索,提高算法的局部开发能力,加快算法的收敛速度。
算法在位置更新过程中引入黄金分割系数使“搜索”和“开发”达到良好的平衡,这些系数能够缩小搜索空间引领个体趋近最优值。/>表示如下:
式中,为黄金分割率搜索初始值,/>为黄金分割率,本实施例中。
黄金分割系数在迭代过程中将空间逐渐缩小,指引个体逐渐向最优解靠近。同时加入自适应算子利于算法跳出局部最优。其位置更新公式如下:
其中,式中为第/>个个体第/>次迭代位置,/>为第/>个个体第/>次迭代位置,为第/>个个体第/>次迭代最优位置,/>为/>范围内的随机数,/>为/>范围内的随机数,/>为当前迭代次数。
自适应算子的引入虽然可以提升算法的寻优能力,但是若无差别的对每次迭代中的所有个体使用,会增加算法运行的时间,且会掩盖原算法本身的特性。因此采用动态概率来规定自适应算子使用的条件,公式如下:
其中为最大迭代次数,/>为当前迭代次数,/>分别决定了动态选择概率的上限和变化幅度,且经过大量实验发现/>调节效果最优。
动态选择概率使得算法在迭代前期有较大概率于利用自适应算子对蜣螂的位置进行扰动,改善原算法在迭代初期就存在收敛于最优解的倾向;同时在迭代后期,充分发挥原算法良好的局部开发能力,并以较小概率的/>分布变异作为补充,提升算法的收敛速度。
为验证改进后蜣螂算法的性能,本发明通过CEC2005测试函数对白鲸优化算法(BWO)、麻雀搜索算法(SSA)、沙猫群优化算法(SCSO)、蜣螂优化算法(DBO)及改进的蜣螂优化算法(IDBO)进行了对比测试,改进后的蜣螂算法(IDBO)在单峰基准测试函数与多峰基准测试函数上都表现出良好的性能,具有很好的全局探索和局部开发能力。图3为用于测试本发明改进的蜣螂算法的单峰基准测试函数F1图像;图4为本发明改进的蜣螂算法在单峰基准测试函数F1上的性能测试图;图5 为用于测试本发明改进的蜣螂算法的多峰基准测试函数F8图像;图6为本发明改进的蜣螂算法在多峰基准测试函数F8上的性能测试图;本发明中改进的蜣螂算法优化模糊PID控制器的流程图如图7所示;改进的蜣螂算法整定可变因子过程图如图8所示。
在整个缠绕过程中均使用恒张力控制方案,缠绕制品存在缠绕层内松外紧的现象,导致内外各层纤维不能同时承受载荷,本发明采用同层缠绕恒张力控制,换层缠绕变张力控制的方案。传统模糊PID控制器参数固定,当输入在某一范围内时具有良好响应,但当张力目标值过大或过小,控制器并未使用整个模糊论域,调节粗糙,系统控制性能降低。为使模糊PID控制在不同张力目标值下都有较好的控制效果,需要调节模糊PID控制器参数适应不同输入值,本发明利用BP神经网络较强的拟合能力,学习在不同张力目标值下基于改进的蜣螂算法优化后的可变因子样本,通过调用训练好的BP神经网络模型,实现对模糊PID控制器参数的动态整定。
基于改进的蜣螂算法优化的BP神经网络模糊PID控制系统如图9所示;本发明采用三层BP神经网络,结构如图10所示;首先初始化 BP,对所有神经元连接赋权值;再配置训练样本,根据输入样本和神经元之间连接权值,计算实际输出;按照误差反向传播方向,调节各神经元间传递权值,从输出层节点反推到隐藏层同时整定权值;当误差满足系统要求,且达到设定的迭代次数,学习结束,否则重复以上过程,直到满足系统要求为止;三层 BP 神经网络包括输入层、隐藏层和输出层,其学习过程如图11所示。
可变因子的数值直接关系到控制灵敏度和输出值大小,为使模糊PID控制器在不同张力输入指令下都能保持优良的控制性能,通过BP神经网络动态调整可变因子大小。BP神经网络的学习样本来自于改进的蜣螂算法优化后的数据,在设计的传统模糊PID基础上,通过SIMULINK仿真,输入不同阶跃张力指令,分析系统性能指标,使用所设计的改进的蜣螂算法优化可变因子值,使得系统在完整张力指令信号域上都有良好的动态性能。
基于改进的蜣螂算法优化的BP神经网络模糊PID控制器的控制效果如图12所示,由图中张力的趋势可看出,本发明所提出的控制策略满足同层恒张力、换层变张力的控制需求。
步骤S3中,采用伺服电机速度差方式生成张力,当缠绕侧速度和放卷侧速度之间存在一定的速度差时,纤维束会被迫拉伸产生弹性形变从而生成张力。
初始时,通过电气比例阀6控制气缸4输出,使得摆杆3偏离平衡位置;当启动纤维缠绕系统后,摆杆3在纤维张力的作用下回到平衡位置,从而达到设定初始纤维张力目标值的目的;此时改进的蜣螂算法已优化确定出可变因子的最优值,模糊PID控制器响应;换层缠绕时,张力目标值递减变化,BP神经网络模型预测确定并调整可变因子的最优值。
气缸的输出拉力的计算公式为:
式中,为气缸的输出拉力;/>为纤维张力的力臂;/>为气缸的输出拉力与摆杆的夹角;/>为摆杆与水平方向的夹角;/>为纤维纱线张力;/>为纤维伸长方向与摆杆的夹角。
实际工作过程中,系统的运行并不是非常平稳的,总有速度和张力波动。当波动产生时,伺服电机2、气缸4、摆杆3共同作用,尽量使张力波动延缓,并限制在一个范围之内。纤维纱线张力变化,摆杆3受力不平衡,摆杆3的角加速度产生,于是摆杆3开始摆动,此时,张力传感器9检测到张力的变化,反馈给PLC控制器11,通过内置程序处理,控制伺服电机2改变输出转度,使得纤维张力恢复到设定值,使摆杆3恢复到平衡位置。
步骤S4中,张力传感器9实时采集张力信号,计算实时误差及误差变化率并传输至模糊PID控制器;张力误差及误差变化率经过输入量化、模糊化、模糊推理、解模糊化、输出量化后得到输出信号并作用于伺服电机2,实时调整伺服电机2的输出转速,进而改变放卷辊1的放卷速度,完成张力控制;
当换层缠绕时,已训练好的BP神经网络模型根据新缠绕层的张力目标值输出与该张力目标值对应的可变因子的最优值,并将该输出传输至模糊PID控制器,如此实现整个缠绕过程中的最优张力控制。
实验过程中,通过TIA Portal软件编写模糊PID控制程序,按照工艺方案,编程中张力目标值以逐层递减形式变化,将编写好的程序编译并下载至PLC控制器11,当缠绕层改变时,张力目标值随之减小并传输至Python,Python通过snap7库函数与硬件PLC控制器11建立通讯并测试连接功能是否正常,保证可以进行数据交互,将待缠绕层的张力目标值通过PLC控制器11传输至Python。Python中建立好BP神经网络模型,以张力目标值集合作为模型输入,以MATLAB优化后的可变因子值作为模型输出,对模型进行训练,待缠绕层的张力目标值作为输入经过训练好的BP神经网络模型,将输出传输至TIA Portal软件中的相应DB数据块中,将最优的可变因子值赋给模糊PID控制器。缠绕过程中,张力传感器9采集张力值,计算实时误差及误差变化率,进而完成张力控制;可变因子的优化工作与BP神经网络模型的训练都可以在实际缠绕工作前完成,实际缠绕时,只需TIA Portal软件与Python之间进行数据交互,随着缠绕层的更换实时调整可变因子的参数值即可,控制方法实验流程图如图13所示。
如图2所示,为能够高效执行本发明所提供的缠绕机张力控制方法,本发明还提供了一种用于纤维缠绕的高性能张力控制系统,包括放卷辊1、伺服电机2、摆杆3、气缸4、上位机5、电气比例阀6、导向轮7、芯模8、张力传感器9、A/D转换模块10、PLC控制器11、D/A转换模块12、伺服驱动器13;
放卷辊1用于进行纤维丝束的放卷,并通过伺服电机2控制放卷速度;摆杆3在气缸4的作用下摆动,用于设定纤维张力目标值,气缸4的输出通过上位机5控制电气比例阀6实现;导向轮7设置在放卷辊1与摆杆3间用于进行纤维丝束的传输导向;经摆杆3输出的纤维丝束输出至芯模8进行缠绕,摆杆3和芯模8间的纤维丝束处设置有张力传感器9;张力传感器9用于检测纤维张力,经A/D转换模块10与PLC控制器11连接;PLC控制器11经D/A转换模块12与伺服驱动器13连接,控制伺服驱动器13改变伺服电机2的输出转速,进而改变放卷辊1的放卷速度。
如图14所示,本发明的缠绕机张力控制系统中的上位机5、存储器、网卡与I/O接口模块、PLC控制器11之间通过网线连接,并通过Profibus协议建立通讯,Profibus通信协议具有实时性能强、高带宽、高灵活性、集成方便等优势,广泛应用于工业自动化领域;上位机5用来数据采集监控,以及向控制器下载控制程序;存储器用来存储程序和各种数据,并能在计算机运行过程中高速、自动地完成程序或数据的存取;网卡实现工作站与局域网传输介质之间的物理连接和电信号匹配,接收和执行工作站与服务器送来的各种控制命令;I/O接口模块用于处理和控制数字信号;张力传感器9用于采集实时张力信号并传递给PLC控制器11,与目标张力值比较后,PLC控制器11根据张力实时检测信号变化实时调用控制策略实现张力高精度控制。本发明的控制系统精度高、性能好,能够稳定地执行本发明提供的控制方法,提升本发明整体适用性和实际应用能力。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应该涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (2)
1.一种用于纤维缠绕的高性能张力控制方法,其特征在于,包括以下步骤:
S1:构建纤维缠绕系统中部件的数学模型,根据影响张力变化的因素,确定纤维缠绕系统的开环传递函数;纤维缠绕系统的开环传递函数的表达式为:
式中,为伺服电机的传递函数;/>为张力传感器的传递函数;/>为摆杆的传递函数;/>为纤维纱团半径;/>为纤维截面积;/>为纤维弹性模量;/>为伺服电机的增益系数;/>为放卷辊与芯模间的纤维长度;/>为伺服电机的时间常数;/>为拉氏变换中的复频率;
S2:建立基于改进的蜣螂算法优化的BP神经网络模糊PID控制策略:
S201:通过改进的蜣螂算法获取不同张力目标值下对应的模糊PID控制器中可变因子的最优值集合;蜣螂算法的改进策略为自适应黄金正弦策略;
S202:将可变因子的最优值集合和不同张力目标值集合作为BP神经网络模型的训练样本对BP神经网络模型进行训练;模糊PID控制中的可变因子包括PID控制器中以及模糊PID控制器中的量化因子和比例因子;
S203:利用训练好的BP神经网络模型对模糊PID控制器的参数进行动态调整,将调整后的模糊PID控制器参数作为张力输出控制参数;
S3:设定张力目标值,通过摆杆(3)和气缸(4)配合将张力施加到纤维纱束上;
步骤S3中,通过电气比例阀(6)控制气缸(4)输出,使得摆杆(3)偏离平衡位置;启动纤维缠绕系统后,摆杆(3)在纤维张力的作用下回到平衡位置,从而达到设定初始纤维张力目标值的目的;气缸的输出拉力的计算公式为:
式中,为气缸的输出拉力;/>为纤维张力的力臂;/>为气缸的输出拉力与摆杆的夹角;为摆杆与水平方向的夹角;/>为纤维纱线张力;/>为纤维伸长方向与摆杆的夹角;
此时改进的蜣螂算法已优化确定出可变因子的最优值,模糊PID控制器响应;换层缠绕时,张力目标值递减变化,BP神经网络模型预测确定并调整可变因子的最优值;
S4:采集纤维缠绕系统的张力输出值,计算实时误差和误差变化率,PLC控制器(11)调用基于改进的蜣螂算法优化的BP神经网络模糊PID控制策略完成张力控制;
步骤S4中,张力传感器(9)实时采集张力信号,计算实时误差及误差变化率并传输至模糊PID控制器;张力误差及误差变化率经过输入量化、模糊化、模糊推理、解模糊化、输出量化后得到输出信号并作用于伺服电机(2),实时调整伺服电机(2)的输出转速,进而改变放卷辊(1)的放卷速度,完成张力控制;
纤维缠绕时,将待缠绕层的张力目标值输入已训练好的BP神经网络模型中,BP神经网络模型建立在Python中,BP神经网络模型的输出传输至TIAPortal软件中的相应DB数据块中,将与该张力目标值对应的可变因子的最优值赋给模糊PID控制器;TIAPortal软件与Python之间进行数据交互,随着缠绕层的更换实时调整可变因子的参数值;
当换层缠绕时,已训练好的BP神经网络模型根据新缠绕层的张力目标值输出与该张力目标值对应的可变因子的最优值,并将该输出传输至模糊PID控制器,如此实现整个缠绕过程中的最优张力控制。
2.一种用于纤维缠绕的高性能张力控制系统,用于实现权利要求1所述的一种用于纤维缠绕的高性能张力控制方法,其特征在于:包括放卷辊(1)、伺服电机(2)、摆杆(3)、气缸(4)、上位机(5)、电气比例阀(6)、导向轮(7)、芯模(8)、张力传感器(9)、A/D转换模块(10)、PLC控制器(11)、D/A转换模块(12)、伺服驱动器(13);
放卷辊(1)用于进行纤维丝束的放卷,并通过伺服电机(2)控制放卷速度;摆杆(3)在气缸(4)的作用下摆动,用于设定纤维张力目标值,气缸(4)的输出通过上位机(5)控制电气比例阀(6)实现;导向轮(7)设置在放卷辊(1)与摆杆(3)间用于进行纤维丝束的传输导向;经摆杆(3)输出的纤维丝束输出至芯模(8)进行缠绕,摆杆(3)和芯模(8)间的纤维丝束处设置有张力传感器(9);张力传感器(9)用于检测纤维张力,经A/D转换模块(10)与PLC控制器(11)连接;PLC控制器(11)内置有基于改进的蜣螂算法优化的BP神经网络模糊PID控制策略并经D/A转换模块(12)与伺服驱动器(13)连接,控制伺服驱动器(13)改变伺服电机(2)的输出转速,进而改变放卷辊(1)的放卷速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410206983.8A CN117775886B (zh) | 2024-02-26 | 2024-02-26 | 一种用于纤维缠绕的高性能张力控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410206983.8A CN117775886B (zh) | 2024-02-26 | 2024-02-26 | 一种用于纤维缠绕的高性能张力控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117775886A CN117775886A (zh) | 2024-03-29 |
CN117775886B true CN117775886B (zh) | 2024-05-10 |
Family
ID=90394941
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410206983.8A Active CN117775886B (zh) | 2024-02-26 | 2024-02-26 | 一种用于纤维缠绕的高性能张力控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117775886B (zh) |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06250703A (ja) * | 1993-02-26 | 1994-09-09 | Toshiba Corp | フィードバック制御装置 |
JPH09110251A (ja) * | 1995-10-23 | 1997-04-28 | Yaskawa Electric Corp | ウェブ張力制御方法 |
CN2414047Y (zh) * | 2000-03-28 | 2001-01-10 | 中国航天科技集团公司第四研究院第四十三研究所 | 具有收卷、放卷自动转换功能的张力控制装置 |
WO2008043689A1 (de) * | 2006-10-12 | 2008-04-17 | Siemens Aktiengesellschaft | Verfahren zum regeln eines istzuges auf einen sollzug mittels eines modells der zugregelstrecke adaptierten zugreglers |
JP2010064875A (ja) * | 2008-09-12 | 2010-03-25 | Avr:Kk | 速度張力制御装置 |
CN103076743A (zh) * | 2012-12-28 | 2013-05-01 | 西安建筑科技大学 | 卷取机的张力模糊pid控制方法 |
KR20140049793A (ko) * | 2012-10-18 | 2014-04-28 | 주식회사 썬스타 | 자수기의 실장력 설정 방법 및 이에 적합한 자수기 |
CN104261200A (zh) * | 2014-09-10 | 2015-01-07 | 长春设备工艺研究所 | 一种可进行变张力调节和控制的舞蹈轮检测机构 |
CN106743903A (zh) * | 2016-12-28 | 2017-05-31 | 广东工业大学 | 一种非晶带材卷取张力控制方法及装置 |
CN107037729A (zh) * | 2017-03-31 | 2017-08-11 | 江苏大学 | 一种基于rbf神经网络自抗扰控制器的设计方法 |
CN107877836A (zh) * | 2017-10-19 | 2018-04-06 | 北京航空航天大学 | 一种碳纤维缠绕机工艺参数调节系统及张力调节方法 |
CN209167910U (zh) * | 2018-11-16 | 2019-07-26 | 国网山西省电力公司大同供电公司 | 一种具有自适应能力的恒张力控制系统 |
CN110244550A (zh) * | 2019-05-08 | 2019-09-17 | 郑州工程技术学院 | 一种基于生物启发法优化pid的wedm电极丝张力控制方法 |
CN112223788A (zh) * | 2020-09-08 | 2021-01-15 | 武汉大学 | 纤维自动铺放系统以及其铺放轨迹的规划方法 |
CN114034417A (zh) * | 2021-11-09 | 2022-02-11 | 河北工业大学 | 一种剑杆织机专用的张力检测系统及控制策略 |
CN114660945A (zh) * | 2022-04-02 | 2022-06-24 | 西南石油大学 | 一种石油机械绞车缆绳张力智能控制方法 |
WO2022157707A1 (en) * | 2021-01-22 | 2022-07-28 | Cilag Gmbh International | Machine learning to improve artifical intelligence algorithm iterations |
CN115847786A (zh) * | 2023-02-27 | 2023-03-28 | 太原理工大学 | 一种多束缠绕设备联合驱动系统及其张力控制方法 |
CN116841207A (zh) * | 2023-07-18 | 2023-10-03 | 青岛科技大学 | 基于机器学习优化的绕线机张力网络化迭代学习控制方法 |
CN117549588A (zh) * | 2023-12-25 | 2024-02-13 | 南京工业大学 | 一种基于rbf辨识网络的自适应pid冠带条缠绕张力控制方法 |
-
2024
- 2024-02-26 CN CN202410206983.8A patent/CN117775886B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06250703A (ja) * | 1993-02-26 | 1994-09-09 | Toshiba Corp | フィードバック制御装置 |
JPH09110251A (ja) * | 1995-10-23 | 1997-04-28 | Yaskawa Electric Corp | ウェブ張力制御方法 |
CN2414047Y (zh) * | 2000-03-28 | 2001-01-10 | 中国航天科技集团公司第四研究院第四十三研究所 | 具有收卷、放卷自动转换功能的张力控制装置 |
WO2008043689A1 (de) * | 2006-10-12 | 2008-04-17 | Siemens Aktiengesellschaft | Verfahren zum regeln eines istzuges auf einen sollzug mittels eines modells der zugregelstrecke adaptierten zugreglers |
JP2010064875A (ja) * | 2008-09-12 | 2010-03-25 | Avr:Kk | 速度張力制御装置 |
KR20140049793A (ko) * | 2012-10-18 | 2014-04-28 | 주식회사 썬스타 | 자수기의 실장력 설정 방법 및 이에 적합한 자수기 |
CN103076743A (zh) * | 2012-12-28 | 2013-05-01 | 西安建筑科技大学 | 卷取机的张力模糊pid控制方法 |
CN104261200A (zh) * | 2014-09-10 | 2015-01-07 | 长春设备工艺研究所 | 一种可进行变张力调节和控制的舞蹈轮检测机构 |
CN106743903A (zh) * | 2016-12-28 | 2017-05-31 | 广东工业大学 | 一种非晶带材卷取张力控制方法及装置 |
CN107037729A (zh) * | 2017-03-31 | 2017-08-11 | 江苏大学 | 一种基于rbf神经网络自抗扰控制器的设计方法 |
CN107877836A (zh) * | 2017-10-19 | 2018-04-06 | 北京航空航天大学 | 一种碳纤维缠绕机工艺参数调节系统及张力调节方法 |
CN209167910U (zh) * | 2018-11-16 | 2019-07-26 | 国网山西省电力公司大同供电公司 | 一种具有自适应能力的恒张力控制系统 |
CN110244550A (zh) * | 2019-05-08 | 2019-09-17 | 郑州工程技术学院 | 一种基于生物启发法优化pid的wedm电极丝张力控制方法 |
CN112223788A (zh) * | 2020-09-08 | 2021-01-15 | 武汉大学 | 纤维自动铺放系统以及其铺放轨迹的规划方法 |
WO2022157707A1 (en) * | 2021-01-22 | 2022-07-28 | Cilag Gmbh International | Machine learning to improve artifical intelligence algorithm iterations |
CN114034417A (zh) * | 2021-11-09 | 2022-02-11 | 河北工业大学 | 一种剑杆织机专用的张力检测系统及控制策略 |
CN114660945A (zh) * | 2022-04-02 | 2022-06-24 | 西南石油大学 | 一种石油机械绞车缆绳张力智能控制方法 |
CN115847786A (zh) * | 2023-02-27 | 2023-03-28 | 太原理工大学 | 一种多束缠绕设备联合驱动系统及其张力控制方法 |
CN116841207A (zh) * | 2023-07-18 | 2023-10-03 | 青岛科技大学 | 基于机器学习优化的绕线机张力网络化迭代学习控制方法 |
CN117549588A (zh) * | 2023-12-25 | 2024-02-13 | 南京工业大学 | 一种基于rbf辨识网络的自适应pid冠带条缠绕张力控制方法 |
Non-Patent Citations (2)
Title |
---|
基于PLC的积分分离PID算法在张力控制中的应用;李革;贾元武;张华;赵匀;;纺织学报;20080815(第08期);109-112 * |
渔网机张力控制技术研究;王飞;顾寄南;唐仕喜;;机电工程;20181220(12);1348-1352 * |
Also Published As
Publication number | Publication date |
---|---|
CN117775886A (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP1466219B1 (en) | Method of ascertaining control parameters for a control system | |
CN103888044B (zh) | 一种模糊pid控制器的参数自整定方法 | |
CN109472057B (zh) | 基于跨工步隐式参数记忆的产品加工质量预测装置及方法 | |
Khan | Neural fuzzy based intelligent systems and applications | |
CN116341771B (zh) | 一种耐低温电缆生产工艺智能优化方法及系统 | |
Kazemian | Developments of fuzzy PID controllers | |
CN113093526B (zh) | 一种基于强化学习的无超调pid控制器参数整定方法 | |
Zhang et al. | New PID parameter autotuning for nonlinear systems based on a modified monkey–multiagent DRL algorithm | |
CN115936060B (zh) | 一种基于深度确定性策略梯度的变电站电容温度预警方法 | |
CN116841207A (zh) | 基于机器学习优化的绕线机张力网络化迭代学习控制方法 | |
CN117775886B (zh) | 一种用于纤维缠绕的高性能张力控制方法及系统 | |
CN115940294A (zh) | 多级电网实时调度策略调整方法、系统、设备及存储介质 | |
Komarudin et al. | Signature PSO: A novel inertia weight adjustment using fuzzy signature for LQR tuning | |
Mamboundou et al. | Indirect adaptive model predictive control supervised by fuzzy logic | |
Arkun et al. | A novel approach to full CD profile control of sheet-forming processes using adaptive PCA and reduced-order IMC design | |
CN116722541A (zh) | 一种基于卷积神经网络的电力系统负荷预测方法及装置 | |
Kraft et al. | Real-time vibration control using CMAC neural networks with weight smoothing | |
CN116755323A (zh) | 一种基于深度强化学习的多旋翼无人机pid自整定方法 | |
CN113919217B (zh) | 自抗扰控制器自适应参数整定方法及装置 | |
CN116400582A (zh) | 一种基于强化学习算法的比例控制器参数自整定方法 | |
CN111077771A (zh) | 一种自整定模糊pid控制方法 | |
Zuperl et al. | System for off‐line feedrate optimization and neural force control in end milling | |
CN115407736A (zh) | 一种提高产品良率的方法、装置、设备及介质 | |
CN112615364A (zh) | 一种新型的电网稳控装置广域智能协同控制方法 | |
Kou et al. | Neural Network Intelligent Control based on MPSO |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |