基于神经网络PID的牧草烘干机控制系统研究

周修理，江丽丽，李艳军，毛先峰，梁　煜，冯　江

(1.东北农业大学 电气与信息学院，哈尔滨　150030；2.哈尔滨工业大学 电子与信息工程学院， 哈尔滨　150001)



基于神经网络PID的牧草烘干机控制系统研究

周修理1，江丽丽1，李艳军1，毛先峰1，梁煜2，冯江1

(1.东北农业大学 电气与信息学院，哈尔滨150030；2.哈尔滨工业大学 电子与信息工程学院， 哈尔滨150001)

摘要：牧草的烘干效果直接影响牧草的品质和储藏时间。为此，根据牧草的品质和储藏要求，针对牧草烘干系统的多变量、时变和大滞后、非线性的特点，分析了牧草烘干机的结构及工艺，并应用正交试验和回归分析方法建立的非线性数学模型，设计了一种基于BP神经网络PID控制算法的牧草烘干控制系统。试验结果表明：所设计的牧草烘干控制系统能够达到系统性能指标的要求，控制效果良好。

关键词：牧草烘干；BP神经网络；PID

0引言

随着畜牧业的迅速发展，牧草的需求量大幅增加，需要长期存储牧草且保证牧草的品质，这就要求牧草的含水率应保证在9%～12%的范围[1]。通常采用牧草自然晾晒的方法，需时较长、生产效率低，且受自然因素影响，牧草晾晒后的品质不能保证；采用烘干设备烘干牧草，可以缩短烘干时间、提高牧草品质，而现有的烘干设备控制参数单一，有一定的局限性[2-3]，牧草烘干效果较难达到要求。目前，学者和工程技术人员，多是针对牧草烘干进行的理论研究[4]，应用于实际牧草生产的并不多。

本文针对牧草烘干机的入口温度、出口风速和滚筒转速等影响出口温度的因素，运用正交设计与回归分析相结合的研究结果，设计BP神经网络PID控制器；并以烘干机的出口温度为目标参数，研究牧草烘干机控制系统，从而提高烘干牧草的品质。

1牧草烘干机结构及工艺流程

牧草烘干机组成结构，如图1所示。牧草烘干机主要由燃油机、入料口、滚筒和集料箱等组成。燃油机为系统提供热源，由入口风机将热风吹入烘干机滚筒；入料电机带动牧草段(50～70mm)通过入料口进入烘干机中，再由热风机吹送至滚筒中；滚筒由电机(3.5kW)带动旋转，将滚筒中的牧草段翻转，做横向和纵向的运动，经外、中、内层，在出口风机产生的负压的作用下，进入到集料箱中缓苏，完成牧草烘干过程[5]。

1.燃油机　2.入口电机(主电机也是鼓风机)　3.燃烧腔　4.入料电机

2神经网络PID控制原理

神经网络具有鲁棒性强、非线性映射能力和自学习能力，适用于非线性、不确定的复杂性系统。

将神经网络技术与传统PID控制相结合，在一定程度上解决了传统PID控制器不易进行在线实时参数整定的缺陷，且不完全依赖精准的数学模型，较好地适应系统的参数变化对系统的影响。

2.1人工神经网络模型

典型的多输入单输出的人工神经元模型，如图2所示。图2中，xj(j=1，2，…，p)为输入信号；Wkp为权值；Uk为求和单元；θk为阈值；Vk为偏差调整后的值；φ(vk)为传输函数。

多输入单输出人工神经元模型的数学表达式为

Vk=netk=Uk-θk

yk=φ(vk)

图2　多输入单输出的人工神经元模型

2.2BP神经网络PID 算法

2.2.1BP神经网络结构

BP神经网络结构如图3所示[6]。

图3　BP神经网络结构

图3中，n为输入节点个数；r为隐含层节点个数；输出节点为3个可调参数KP，KI，KD，都是正值。

1)BP神经网络的输入为

xi(k)=e(k+1-i) i=1,2,...,n

其中，n为被控系统输入变量的个数；x1，x2，…，xn为输入层中的神经元输出。

2)网络的隐含层输入输出分别为

3)网络的隐含层输入输出分别为

2.2.2BP神经网络传递函数

传递函数f(s)的设计为输入输出的非线性的关系，一般选用下面的形式的Sigmoid函数[7]，有

其中，传递函数压缩的程度由系数λ决定，传递函数的图形，如图4所示。

图4　Sigmoid函数图形

2.2.3BP神经网络PID算法

BP神经网络PID控制系统结构[8]，如图5所示。其主要组成：①PID控制器，在线整定控制器参数KP，KI，KD，实现被控对象的被控制量的调节；②BP神经网络(BPNN)。系统的运行过程中，神经网络通过自身学习和加权系数的调整，确定系统稳定状态下，调节PID参数KP，KI，KD，控制系统性能指标达到最优。

图5　神经网络PID系统结构

神经网络与PID有机结合，大大增加了系统的鲁棒性，可实现高性能的控制。

3牧草烘干机控制系统

3.1牧草烘干机控制系统组成结构

牧草烘干机控制系统，主要由单片机、D/A转换电路、A/D转换电路、开关量输入，输出电路及接口电路等组成，如图6所示。。

烘干牧草过程中，由传感器测量入口温度、外层温度、内层温度、转角温度和出口温度；经变送器转换为4～20mA的电流信号；再由I/V电路转换，A/D转换为数字信号送给计算机系统。按工艺指标要求，神经网络PID数字控制器输出控制信号，D/A转换器将数字量转换为模拟量，通过变频器调节电机转速(出口风机、滚筒电机、入料电机等设备的启停)，可实现工艺参数和时间设定、系统设备的启停、故障复位及检测参数等显示。

图6　系统总体结构框图

3.2控制器数学模型

系统设定指标参数：滚筒电机的变频器频率为10.10Hz；滚筒转速为10r/min；出口风机变频器频率为30Hz；出口风速为16.8m/s；按照工艺流程，牧草烘干启动工作30min后，系统烘干温度相对稳定，此时要求：入口温度为425℃；出口温度为100℃。

正交试验设计具有“均匀分散，齐整可比”的特点[9]，能够准确地找出各因素的变化规律。文小平在设定指标工艺要求下进行实验[10]，获取数据，采用正交设计与回归分析相结合的方法，获取数学模型为

y1=107.482-4.983x1+0.085x2-0.103x3

其中，y1为出口温度。x1为热风入口温度、x2为滚筒转速，x3为出口风速。

经理论仿真验证，该模型可用于牧草烘干机控制系统的设计研究。

3.3系统硬件设计

3.3.1系统温度检测

牧草烘干过程对温度参数指标的要求，如表1所示。

表1　温度检测参数指标列表

根据表1中系统温度参数要求的范围和精度，考虑烘干机内物料的高速撞击(要求传感器有较高强度的封装)、安装环境及成本等因素，选取温度传感器，其具体参数如表2所示。

表2　温度传感器列表

采用HT-133一体化变送器与温度传感器相配套，从而提高了抗电磁干扰能力和温度检测的精度。

变送器将采集的信号转换为4～20mA电流信号，经I/V和A/D转换传送给计算机系统。I/V转换电路，如图7所示。

图7　I/V转换电路

A/D转换电路采用TLC2543，该芯片为12位逐次逼近模数转换器，具有模拟输入通道11个、简单的3线SPI串行接口、内置自检测等功能，最大转换时间为10μs，线性度误差最大为±1LSB。A/D转换器的基准源选择由美信公司生产的MAX6341电压基准芯片，其初始精度为±0.02%、温漂为1×10-6°C；信号传输采用TLP521光耦隔离、75451驱动器。A/D转换接口电路如图8所示。

3.3.2滚筒电机与出口风机变频调速

牧草烘干过程中，其入口温度、滚筒转速、出口风速是影响牧草烘干质量的主要因素。系统热源采用Spark26/W燃油机，通过调节油门的开度调节入口温度；滚筒电机的功率为3.7kW，其额定电压380～440V，采用的变频器为艾默生EV1000，调节频率为0～50Hz；出口风机的功率为7.5kW，其额定电压380～440V，采用的变频器为惠丰HF-G，调节频率0～50Hz。

系统控制单元采用STC89C58RD+单片机，工作电压为3.4～5.5V；通用I/O口32个，能够达到系统要求。

图8　A/D转换接口电路

3.4系统软件设计

3.4.1BP神经网络PID控制系统

牧草烘干机控制系统BP神经网络PID控制系统，实现系统的运行及数据的采集、处理和控制，如图9所示。

图9　BP神经网络PID控制主程序流程图

3.4.2BP神经网络PID数字控制器

BP神经网络PID数字控制器程序流程，如图10所示。计算机系统运行BP神经网络PID参数算法，完成实时优化PID参数。

4结果分析与讨论

4.1系统误差分析

控制系统存在系统误差，主要包括温度变送器、I/V转换电路、A/D转换等出现的误差。经过计算与测试，A/D转换误差为：0.02%，系统I/V转换误差为0.23%，变送器误差为0.25%。综上分析，系统误差可达±0.5%。

图10　BP神经网络PID控制器程序流程图

4.2测试结果分析

基于BP神经网络PID的牧草烘干控制系统测试在样机中进行。检测仪表选用ALNOR8585热风速仪(测温范围1～120℃，精度0.1%)，测试结果如表3所示。

表3　出口温度检测表

对比检测样机的出口温度与标准仪表检测的数据，结果表明：测量的相对误差均在系统要求的0.5%以下，能够满足系统性能指标的控制要求。

5结论

针对牧草烘干系统的多变量、时变和大滞后、大惯性、非线性的特点，应用正交试验和回归分析方法建立的非线性数学模型，给出了一种基于BP神经网络PID的控制算法，设计实现了基于BP神经网络PID的牧草烘干控制系统。系统测试与分析结果表明，所设计的系统满足系统控制指标要求。

参考文献：

[1]卢英林.苜蓿草高温快速烘干设备研制中的若干问题[J].干燥技术与设备，2004(2):38.

[2]刘柏青.四重滚筒干燥机的模拟和设计[D].哈尔滨:东北农业大学，2007：9-15.

[3]黄志刚，毛志怀.转筒干燥器的现状及发展趋势[J].食品科学，2003(8)：185-187.

[4]Asunción Iguaz，Hector Budman，Peter L.Douglas. Modelling and control of an alfalfa rotary dryer [J].Drying Technology，2002，20(9):1869-1887.

[5]佟勇.四重滚筒式牧草烘干机控制系统的研究[D].哈尔滨:东北农业大学，2009：5-11.

[6]Carmen Jover，Carlos F.Alastruey. Multivariable control for an industrial rotary dryer [J].Food control，2006，17:653-659.

[7]张国忠．智能控制系统及应用[M]．北京：中国电力出版社，2007：87-101.

[8]李绍铭，赵伟．基于S函数的BP神经网络PID控制器Simulink仿真[J]．工业控制技术，2008，(1)：95-96.

[9]徐中儒.农业试验最优回归设计[M].北京：清华大学出版社，1988：68.

[10]文小平.滚筒式牧草烘干机控制系统非线性回归模型[J].农机化研究，2011，33(8):115-118.

Research on BPNN-PID for Forage Dryer Control System

Zhou Xiuli1，Jiang Lili1，Li Yanjun1，Mao Xianfeng1，Liang Yu2，Feng Jiang1

(1.School of Electric and Information, Northeast Agricultural University, Harbin, 150001, China; 2.School of Electronics and Information Engineering, Harbin Institute of Technology, Harbin, 150030, China)

Abstract：Drying forage directly affect the forage quality and storage time. In this paper, based on the quality and storage of forage drying requirements, according to the system characteristics of multivariable, time-varying and large time-delay and nonlinear, both the forage dryer structure and process are analyzed, using the nonlinear mathematical model that is established by the orthogonal test and regression analysis method, to design a forage drying control system on BP neural network PID control algorithm. The results show that it can achieve the requirements of the system performance index, the control effect is good.

Key words：forage drying; BP neural network; PID

文章编号：1003-188X(2016)03-0055-05

中图分类号：S818.1

文献标识码：A

作者简介：周修理(1966-)，男，山东文登人，副教授，(E-mail)xlzhou@neau.edu.cn。通讯作者：江丽丽(1990-)，女，黑龙江宁安人，硕士研究生，(E-mail)383363349@qq.com。

基金项目：黑龙江省教育厅研究项目(12541041)

收稿日期：2015-04-24