鄭 濤 楊 昆

(合肥工業(yè)大學(xué)電氣與自動化工程學(xué)院，合肥 230009)

基于混合神經(jīng)網(wǎng)絡(luò)的多機驅(qū)動系統(tǒng)的協(xié)調(diào)控制

鄭 濤 楊 昆

(合肥工業(yè)大學(xué)電氣與自動化工程學(xué)院，合肥 230009)

采用基于PLC的神經(jīng)網(wǎng)絡(luò)參數(shù)自學(xué)習(xí)PID控制器，通過神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)，對PID參數(shù)進行在線實時調(diào)整，較好地解決了大型生產(chǎn)輸送系統(tǒng)運行過程中的功率不平衡現(xiàn)象。仿真結(jié)果表明：混合神經(jīng)網(wǎng)絡(luò)PID方法的響應(yīng)速度快、靈活性好，使電機獲得了較好的跟隨性能和跟隨精度。

帶式輸送系統(tǒng) 功率平衡 混合神經(jīng)網(wǎng)絡(luò)PID 跟隨精度

隨著企業(yè)對物料和產(chǎn)品運輸效率要求的提高，由單臺電機驅(qū)動的大型帶式運輸機系統(tǒng)已經(jīng)不能滿足人們對高速度、大運載量和長運輸距離的要求，這就需要多臺電機協(xié)調(diào)驅(qū)動才能完成輸送任務(wù)[1]。在現(xiàn)場實際應(yīng)用中，由于各電機自身參數(shù)的細微差別、輸送帶受力變化及滾筒磨損等變化因素的影響，各電機實際功率分配會出現(xiàn)不平衡現(xiàn)象[2，3]，這種現(xiàn)象會造成電機長時間過載運行，進而對系統(tǒng)的安全運行產(chǎn)生較大影響。為實現(xiàn)多電機協(xié)同驅(qū)動系統(tǒng)的功率平衡[4]，一般采用傳統(tǒng)PID控制方法，但這種方法不具備在線實時調(diào)整功率的能力。而膠帶機系統(tǒng)是一個非線性且時變的多耦合復(fù)雜系統(tǒng)，對控制的實時性和靈活性有著較高的要求，這就限制了傳統(tǒng)PID控制方法的應(yīng)用。

為此，筆者將傳統(tǒng)PID控制技術(shù)和神經(jīng)網(wǎng)絡(luò)控制技術(shù)相結(jié)合，設(shè)計以BP神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的參數(shù)自學(xué)習(xí)PID控制器[5]，基于混合神經(jīng)網(wǎng)絡(luò)的控制器集合了神經(jīng)網(wǎng)絡(luò)控制和傳統(tǒng)PID控制各自的優(yōu)點，以期采用該控制器解決大型生產(chǎn)輸送系統(tǒng)運行過程中的多電機功率不平衡現(xiàn)象。

以印尼某露天礦區(qū)的雙電機驅(qū)動帶式運輸機系統(tǒng)(圖1)為研究對象，研究帶式運輸機的功率平衡控制。雙電機驅(qū)動帶式運輸機控制系統(tǒng)以PLC和變頻器為控制核心(圖2)，兩臺電機均在膠帶機的頭部，采用主從控制方式[6]，其中主電機M1根據(jù)系統(tǒng)設(shè)定頻率f1按照轉(zhuǎn)速N1運行，通過旋轉(zhuǎn)編碼器1將其實際運行速度Nc反饋給PLC進行PID運算，實現(xiàn)電機M1速度的閉環(huán)控制。電機M2的控制，起始頻率設(shè)置同電機M1，待啟動結(jié)束進入正常運行狀態(tài)后，PLC通過采集得到電機M1和M2的電流I1和I2，以電流偏差e作為基于神經(jīng)網(wǎng)絡(luò)參數(shù)自學(xué)習(xí)PID控制器的輸入，通過ANN的自學(xué)習(xí)調(diào)整連接權(quán)系數(shù)，將控制器最終得到的輸出電流I送至變頻器2控制電動機M2，最終實現(xiàn)系統(tǒng)的功率平衡控制。

圖1 雙電機協(xié)同驅(qū)動系統(tǒng)簡圖

2 數(shù)字增量PID控制

在工業(yè)生產(chǎn)過程中，數(shù)字PID控制是一種被普遍采用的控制方法，在自動化等行業(yè)獲得廣泛應(yīng)用。數(shù)字PID控制算法中，常采用數(shù)字增量PID算法，其算式為：

Δu(k)=u(k)-u(k-1)

=KP[e(k)-e(k-1)]+KIe(k)+KD[e(k)-

2e(k-1)+e(k-2)]

(1)

式中e(k)——系統(tǒng)實際輸出值y(k)和期望輸出值r(k)之間的誤差；

KP、KI、KD——比例、積分時間和微分時間系數(shù)；

Δu(k)——控制器輸出增量。

圖2 雙電機驅(qū)動帶式運輸機控制系統(tǒng)框圖

3 基于BP神經(jīng)網(wǎng)絡(luò)的參數(shù)自學(xué)習(xí)PID控制方法

3.1BP神經(jīng)網(wǎng)絡(luò)的PID控制系統(tǒng)結(jié)構(gòu)

由于膠帶機多機驅(qū)動系統(tǒng)是非線性且時變的多耦合復(fù)雜系統(tǒng)，傳統(tǒng)PID控制的靈活性和實時性有限，且不具有參數(shù)在線實時調(diào)整功能。而BP神經(jīng)網(wǎng)絡(luò)可以擬合復(fù)雜的非線性函數(shù)，且結(jié)構(gòu)和學(xué)習(xí)算法比較簡單明晰，故采用以BP神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的PID控制策略[7]取代傳統(tǒng)PID控制方法來實現(xiàn)對多電機驅(qū)動功率平衡的控制?；旌仙窠?jīng)網(wǎng)絡(luò)控制器[8]的結(jié)構(gòu)如圖3所示，控制器由經(jīng)典PID控制器和神經(jīng)網(wǎng)絡(luò)NN兩部分組成，根據(jù)整個系統(tǒng)的輸出和運行狀態(tài)，通過神經(jīng)網(wǎng)絡(luò)NN的自學(xué)習(xí)來調(diào)整加權(quán)系數(shù)值，輸出3個可學(xué)習(xí)參數(shù)KP、KI、KD，用于實現(xiàn)系統(tǒng)的控制要求。

圖3 混合神經(jīng)網(wǎng)絡(luò)控制結(jié)構(gòu)

3.2BP網(wǎng)絡(luò)結(jié)構(gòu)

該系統(tǒng)用于控制對象的神經(jīng)網(wǎng)絡(luò)模型[8],此處采用三層BP網(wǎng)絡(luò)，為了能充分體現(xiàn)PID控制器輸入信號的特性和系統(tǒng)誤差量的變化，選取3個神經(jīng)元作為網(wǎng)絡(luò)的輸入層：

x1=e(k)

x2=e(k)-e(k-1)

(2)

x3=e(k)-2e(k-1)+e(k-2)

選取正負(fù)對稱的Sigmoid函數(shù)作為隱含層的激活函數(shù)。為了較好地擬合目標(biāo)函數(shù)并有適當(dāng)?shù)挠嬎銖?fù)雜度，隱含層神經(jīng)元個數(shù)取為5。3個可學(xué)習(xí)參數(shù)KP、KI、KD分別對應(yīng)輸出層的輸出節(jié)點，故輸出層神經(jīng)元個數(shù)為3。由于KP、KI、KD不能取負(fù)值，所以選取非負(fù)的Sigmoid函數(shù)作為輸出層的激活函數(shù)。這樣該系統(tǒng)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)即為3-5-3，如圖4所示。

圖4 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

3.3參數(shù)自學(xué)習(xí)算法

首先要確定網(wǎng)絡(luò)中各層的輸入輸出。網(wǎng)絡(luò)輸入層的輸入和輸出為：

(3)

網(wǎng)絡(luò)隱含層的輸入輸出為：

(4)

式中f(x)——隱含層的激活函數(shù)，f(x)=tanh(x)；

網(wǎng)絡(luò)輸出層的輸入輸出為：

(5)

式中g(shù)(x)——輸出層的激活函數(shù)，g(x)=(1/2)(1+tanh(x))；

3個可調(diào)整的參數(shù)KP、KI、KD分別對應(yīng)輸出層的3個輸出節(jié)點。

取性能指標(biāo)函數(shù)E(k)為：

(6)

E(k)按照最速下降法調(diào)整網(wǎng)絡(luò)的權(quán)系數(shù)，并添加一個很小的讓搜索加速收斂全局的慣性項：

(7)

式中α——神經(jīng)網(wǎng)絡(luò)的慣性系數(shù)；

η——神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速率。

由以上分析可得：

(8)

由于?y(k)/?u(k)是未知的，此處近似用符號函數(shù)sgn(?y(k)/?u(k))代替進行計算，隨之帶來的誤差可以通過調(diào)整神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速率η補償。又有：

(9)

由以上分析可得網(wǎng)絡(luò)輸出層的權(quán)系數(shù)的自學(xué)習(xí)算法為：

(10)

同時可得網(wǎng)絡(luò)隱含層的權(quán)系數(shù)的自學(xué)習(xí)算法為：

(11)

g′(·)=g(x)(1-g(x))

f′(·)=(1-f2(x))/2

4 硬件與軟件部分

該系統(tǒng)的硬件設(shè)計采用S7-300 PLC作為主控制器。軟件設(shè)計采用SIMATIC Manager實現(xiàn)。筆者研究的重點是通過PID控制器進行參數(shù)自調(diào)整，解決雙電機驅(qū)動系統(tǒng)功率不平衡問題，因此把這一運算環(huán)節(jié)作為一個子程序(圖5)，當(dāng)系統(tǒng)運行狀態(tài)下雙電機電流差值超過一定范圍時即可調(diào)用該子程序。

圖5 PID控制器參數(shù)自調(diào)整流程

5 仿真分析

筆者采用Matlab對基于神經(jīng)網(wǎng)絡(luò)參數(shù)自學(xué)習(xí)PID控制算法的帶式輸送機雙電機驅(qū)動功率平衡控制系統(tǒng)進行仿真[9]，對電機M1和M2通過分析從電動機M2對主電動機M1輸出的跟蹤效果，并將其與采用傳統(tǒng)PID控制算法電機系統(tǒng)的仿真效果進行比較，來驗證筆者所提方法的可行性和優(yōu)異性。

仿真初始化參數(shù)：神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)3-5-3，學(xué)習(xí)速率η=0.2，慣性系數(shù)α=0.2，各層加權(quán)系數(shù)初始值取[-0.5,0.5]的隨機數(shù)，輸入信號為正弦信號r(k)=sin(kπTs)，采樣時間0.01s，仿真時間5s。

當(dāng)采用傳統(tǒng)增量式PID控制方法時，能基本實現(xiàn)對輸入信號的跟蹤，但在動態(tài)跟蹤過程中會出現(xiàn)波動，超調(diào)量較大，傳統(tǒng)PID控制跟蹤曲線如圖6所示。

采用筆者所提混合神經(jīng)網(wǎng)絡(luò)控制方法時，控制效果良好，能平穩(wěn)地實現(xiàn)對輸入信號的跟蹤，超調(diào)量小，具有良好的實時性和靈活性，混合神經(jīng)網(wǎng)絡(luò)控制跟蹤波形如圖7所示。

圖6 PID控制跟蹤曲線

圖7 混合神經(jīng)網(wǎng)絡(luò)控制跟蹤曲線

圖8是兩種控制方法跟蹤誤差波形，可以直觀地看到，采用混合神經(jīng)網(wǎng)絡(luò)控制的跟蹤誤差很小且波動平穩(wěn)，效果明顯優(yōu)于傳統(tǒng)增量式PID控制策略。

圖8 跟蹤誤差對比

圖9是采用混合神經(jīng)網(wǎng)絡(luò)控制的PID參數(shù)自調(diào)整波形，顯示了該方法能夠?qū)W習(xí)和適應(yīng)不確定系統(tǒng)的良好動態(tài)特性。

圖9 PID參數(shù)自調(diào)整曲線

6 結(jié)束語

筆者提出了在帶式輸送機多電機功率平衡控制中采用神經(jīng)網(wǎng)絡(luò)參數(shù)自學(xué)習(xí)PID的控制方法。給出了實際應(yīng)用中PLC控制子程序的軟件流程，并通過Matlab對混合神經(jīng)網(wǎng)絡(luò)控制策略進行了仿真分析。結(jié)果也證實該方法具有較強的實時性、穩(wěn)定性和容錯性，可以較好地解決多電機協(xié)同驅(qū)動系統(tǒng)的功率平衡問題，控制效果優(yōu)于傳統(tǒng)的PID控制。同時也反映了該方法在處理高度非線性與復(fù)雜耦合系統(tǒng)方面的優(yōu)越性。

[1] 宋偉剛.煤礦用帶式輸送機的現(xiàn)狀與發(fā)展[J].煤炭工程,2009,(B11):I0038～I0046.

[2] 鄧永勝,宋偉剛,趙琛.雙滾筒傳動帶式輸送機的電動機功率平衡[J].東北大學(xué)學(xué)報(自然科學(xué)版)，2000，21(5):520～523.

[3] 陳梅,毛映霞,陳薇,等.基于耦合補償?shù)氖噶孔冾l驅(qū)動帶式輸送機的功率平衡控制策略[J].化工自動化及儀表,2015,42(3):241～244.

[4] 滿詠梅.帶式輸送機多電機驅(qū)動功率平衡問題探討[J].煤礦機電,2009,(6):35～37.

[5] Shu H,Pi Y.PID Neural Networks for Time-delay Systems[J].Computers and Chemical Engineering,2000,24(2-7):859～862.

[6] 張磊,馬峰,袁鑫磊.多電機驅(qū)動帶式輸送機主從控制策略研究[J].中國科技縱橫,2013,(21):242～243.

[7] 劉金琨.先進PID控制及其MATLAB仿真[M].北京:電子工業(yè)出版社,2003.

[8] Chen G C.Application of Neural Network PID Controller in Constant Temperature and Constant Liquid-level System[J].Micro-computer Information,2003,19(1):23～24.

[9] 何東健,劉忠超,范靈燕.基于MATLAB的PID控制器參數(shù)整定及仿真[J].西安科技大學(xué)學(xué)報,2006,26(4):511～514.

CoordinationControlofMulti-motorDrivingSystemBasedonHybridNeuralNetwork

ZHENG Tao, YANG Kun

(SchoolofElectricalEngineeringandAutomation,HefeiUniversityofTechnology,Hefei230009,China)

Considering the power imbalance in multi-motor driving conveying system, a PLC-based neural network PID controller with self-adaptive parameters was adopted. Through neural network’s self-learning, the controller can realize online and real-time adjustment of the PID parameters so as to solve power imbalance in operational process of large-scale conveying system. Simulation results show that the hybrid neural network PID has a fast response speed and good flexibility, and it benefits motors in achieving good following performance and precision.

belt conveyor system, power balance, hybrid neural network PID, following precision

TH222

A

1000-3932(2016)02-0124-05

2015-11-27(修改稿)