马 志,战 强
(北京航空航天大学 机械工程及自动化学院,北京 100191)
在编织物的力学性能测试中,有时需要对编织物进行加热,然后再进行压缩,这样就可以测试出各种编织物在不同温度下的可压缩性。但由于加热系统都会表现出迟滞性和非线性,传统PID调节控制效果并不理想,而编织物热压缩试验机对于精度要求又比较高,因此需要引入RBF神经网络控制,从而改善系统的控制性能[1]。
为了对编织物进行面加热,在加热底座内并排放置4支250 W的电热管,温度测量采用2支Pt100铂电阻温度传感器,对采集到的温度平均值之后反馈到控制单元。系统的主控制器采用ARM_Cotex M3内核的STM32F103芯片,最高频率为72 MHz,它通过发送PWM信号来控制继电器,进而驱动电热管进行加热。
Pt100铂电阻传感器接入专用的信号放大器后,输出1 V~5 V电压信号,然后进行数模转换。A/D转换单元采用12位带符号的AD7327芯片,采样频率500 Hz,通过SPI串口与控制器进行数据通讯。加热系统结构框图如图1所示。
电加热装置是具有自平衡能力的装置,可以用一阶惯性滞后环节近似表示被控对象的数学模型[2,3],其传递函数为:
其中:T为时间常数;k为放大系数;τ为滞后系数。这3个参数可以通过测量系统的飞升曲线获得,如图2所示。其中,OA表示滞后时间,AB表示加热时间,AC的斜率表示加热系数,则在此加热系统中,被控对象可以表示为:
图1 加热系统结构框图
图2 飞升曲线
增量式PID控制器输出增量为:
其中:KP,Ki,Kd分别为比例系数、积分系数、微分系数;XP,Xi,Xd分别为比例控制器、积分控制器以及微分控制器对应的输入。PID控制器性能指标取为:
其中:r(k)为给定值;y(k)为输出值。
Kp,Ki,Kd采用梯度下降法进行如下调整:
其中:ηi为学习速率;e(k)为误差;∂y/∂Δu为被控对象的Jacobian信息,即对象的输出对输入变化控制的灵敏度,可通过RBF(径向基)神经网络进行辨识得到。只要在线计算出∂y/∂Δu,PID控制器的3个参数就可以实现在线调整,这样就构成了RBF(径向基)神经网络PID控制器[4],其结构如图3所示。
图3 RBF神经网络PID控制器
在RBF(径向基)神经网络中采用3-6-1三层结构。在第k次采样时刻,网络输出为ym(k),目标是逐渐逼近实际输出y(k)。神经网络的输入为X=[x1,x2,x3]=[u(k),y(k),y(k-1)]T,隐含层设置6个单元,输出向量为 H=[h1,h2,…,h6]T,从隐含层到输出层的连接权系数为 W =[w1,w2,…,w6]T,则 RBF神经网络结构如图4所示。
图4 RBF神经网络结构
设网络隐含单元的数据中心矩阵为C=[c1,c2,…,c6],第j个隐含单元的数据中心向量为Cj=[c1j,c2j,c3j]T,隐含单元带宽系数为Bj=[b1,b2,…b6]T,从输入层到隐含层为非线性映射,这里引用高斯基函数,则第j个隐含单元的输出为:
则辨识网络的输出为:
选取辨识器的性能指标为:
在第k次采样时刻,使用梯度下降法来修正神经网络的输出权系数、带宽参数、中心数据的增量值分别为:
为了实现J更快的收敛,在输出权系数、带宽参数以及中心数据增量计算式后面分别添加一个动量项α,则相应的修正公式为:
在第k时刻,ym(k)=y(k),那么对象的输出对输入的灵敏度为:
这样就可以用来调整PID控制器的3个参数,实现更好的控制性能。
分别采用传统PID控制器和基于RBF神经网络的PID控制器针对编织物加热模型进行控制。由于基于RBF神经网络PID控制器结构复杂,这里采用Simulink Function模块来表达,应用Simulink的仿真结构如图5所示。
图5 RBF-PID控制器与PID控制器仿真结构图
经过大量的调试与实验[5],最终在PID控制器中选取的比例、积分、微分3个系数分别为2.7,0.08,0.02。在基于RBF(径向基)神经网络PID控制器中,设置输出权系数W、带宽系数B以及中心数据C的初始值均为随机数,神经网络的学习速率为0.15,PID的学习速率为0.1,动量项系数α为0.05,则系统的阶跃响应和矩形波响应分别如图6、图7所示。
由图6、图7可知,应用传统的PID控制器,系统具有25%左右的超调量,而应用RBF-PID控制器,系统的超调量几乎为零。而且,应用RBF-PID控制器后,系统的响应速度也有了一定的提高。
图6 系统阶跃响应曲线
图7 系统矩形波响应曲线
本文以STM32F103微控制器为核心,搭建了编织物加热的硬件系统,并对其进行了数学建模。对于加热系统这样带有大延时的迟滞系统,传统的PID调节往往不能达到理想的结果,应用RBF(径向基)神经网络强大的函数逼近能力在线辨识,实时跟踪被控对象的变化,这样就构成了基于RBF神经网络的PID控制器。最后通过Matlab仿真,验证了这种控制器的优越性,并使得控制系统具有更快响应性与更小的超调量。
[1] 屈毅.温室温度控制系统的神经网络PID控制[J].农业工程学报,2011,27(2):307-311.
[2] 欧阳磊.基于自整定PID控制器的温度控制系统研究[D].淮南:安徽理工大学,2009:21-22.
[3] 陆桂明.基于模糊PID控制的电锅炉温度控制系统的研究[D].哈尔滨:哈尔滨理工大学,2003:6-7.
[4] 赵娟平,任永彬.基于RBF神经网络的PID控制[J].微计算机信息,2007,23(10):76-78.
[5] 刘金琨.先进PID控制的MATLAB仿真[M].北京:电子工业出版社,2004.