基于NFOA-RBF神经网络的食用盐包装封口温度控制系统
发布时间：2021-08-24 05:28
目的为提高盐业包装线封口温度控制精度,融合果蝇优化算法和径向基神经网络设计一种温度控制系统。方法介绍控制系统结构,利用RBF神经网络的自学习、自适应能力实现PID控制器参数的在线调节,可确保封口温度的自适应控制。通过果蝇优化算法实现神经网络初始值优化,提高神经网络的全局搜索能力。最后,进行仿真和实验分析。结果结果表明,温度偏差可以控制在1%以下,该控制算法具有较好的稳定性,达到稳定状态耗时较少,系统超调量明显变小,在一定程度上提升了封口温度控制的精确性和稳定性。结论所述控制系统控制性能比较理想,可满足食用盐包装封口温度控制需求。
【文章来源】：包装工程. 2020,41(21)北大核心
【文章页数】：5 页
【部分图文】：
神经网络PID控制器结构
盎?瓿烧?霭?肮?獭＜屏孔爸每扇繁Ｊ秤醚沃柿?维持在误差允许范围内；封口装置主要完成包装的横封和纵封，直接决定食盐质量和外观。其中温度控制至关重要，通过热电偶和温度传感器实现封口温度闭环控制。食盐包装机控制系统主要包括：上位机、PLC、温度检测单元、角度检测单元、料位检测单元、电机执行单元、温度加热单元等。其中PLC作为下位机主要负责接收各种模拟信号、数字信号以及控制指令下传。上位机即PC机，根据PLC信号实现各种复杂算法分析同时生成控制指令。文中重点考虑封口温度控制方法，控制系统结构见图1。图1控制系统结构Fig.1Structureofcontrolsystem2基于神经网络的温度PID控制2.1传统PID控制目前，盐包横封和纵封温度控制大多采用传统PID算法，其表达式为：0dp1i10nkkkkkkttUKeeeett(1)式中：Uk为PID控制器输出；KP为比例系数；ti为积分时间；td为微分时间；t0为采样时间。为简化控制过程，可采用增量式控制对式（1）进行简化，即：p1id122kkkkkkkUKeeKeKeee(2)式中：ΔUn为相邻时刻的控制器输出之差；Kp为比例系数；Ki为积分系数；Kd为微分系数。总体来说，PID控制器具有结构简单、稳定性高等特点，但是无法根据盐包封口系统实际工作情况实现参数自适应调节。另外，横封和纵封温度控制是一种时变、非线性过程，仅仅依靠传统PID控制器无法满足温度高精度控制要求。为解决此问题，文中考虑采用神经网络实现封口温度非线性控制[13—14]。2.2神经网络控制器神经网络具有一定自学习能力，可根据系统运行状态，实时、在线调整PID控制器参数。神经网络PID控制器具有响应?
RRmMMCRmMRRmMMM≤≥(21)式中：M"为迭代次数设定值；Rmin为步长最小值；RA为步长变化幅度；C为一个常数。所述自适应步长的果蝇优化算法可很好地解决全局寻优和局部寻优问题。在前期计算过程中，全局优化性能比较理想，这样就可以最快地找到全局最优解；在后期计算过程中，可以兼顾搜索速度和搜索精度。在保证算法收敛性的前提下，提高算法搜索精度。利用该算法可以较好地解决RBF神经网络初始值优化问题。NFOA-RBF神经网络算法流程见图3。图3NFOA-RBF神经网络算法流程Fig.3NFOA-RBFneuralnetworkalgorithmflow4仿真和实验分析4.1仿真为验证所述温度控制算法的可行性和有效性，利用Matlab软件对PID控制器、BP神经网络PID控制器、NPOA-RBF神经网络控制器进行仿真对比分析，设置封口温度为200℃。控制器性能仿真对比曲线见图4。从图4可以看出，PID控制器、BP神经网络PID控制器、NPOA-RBF神经网络PID控制器的超调量依次为12.3%，4.9%，2.1%；系统达到稳定状态所需时间依次为6，3.5，3.8s。通过对比3种控制算法的超调量、稳定所需时间、响应速度可以发现，NPOA-RBF神经网络PID控制器的性能最优。图4控制器仿真曲线Fig.4Controllersimulationcurve4.2实验为进一步验证所述食用盐包装封口温度控制系统的控制精度，以某工厂包装生产线为实验平台进行相关实验研究。食盐质量为500g，封口温度设定为200℃，包装速度为120包/min，待系统运行稳定后实时采集封口装置温度，部分实验结果见表1。表1实验结果Tab.1Testresults序号温度/℃120022013198.54200.8519962007201.2819992001020011201.112200.9131
【参考文献】：
期刊论文
[1]NFOA-BP融合算法及其在焚烧炉温度控制中的应用[J]. 卢保昆,云涛,刘航. 软件导刊. 2020(01)
[2]基于自适应神经网络PID的注塑机温度控制[J]. 党霞. 合成树脂及塑料. 2018(06)
[3]基于BP神经网络模型的磁悬浮水泵PID参数优化[J]. 苏一新,马彦会,石倩,薛术,于溯源. 流体机械. 2018(01)
[4]基于RBF-PID的多功能包装机热封温度控制[J]. 丰会萍,胡亚南,李明辉,闫琛钰. 制造业自动化. 2018(01)
[5]串级控制系统闭环辨识及PID参数整定[J]. 林巍,王亚刚. 控制工程. 2018(01)
[6]模糊神经网络在炼钢加热炉温度控制中的应用[J]. 范子荣. 山西大同大学学报(自然科学版). 2017(06)
[7]基于模糊神经网络PID的卷材纠偏控制[J]. 谭印,李川. 包装工程. 2017(19)
[8]改进的RBF神经网络PID算法在电液伺服系统中应用[J]. 吴晓明,马立廷,郑协,张晓明,郑树伟. 机床与液压. 2015(11)
[9]基于改进型BP神经网络PID控制器的温室温度控制技术[J]. 蒋鼎国. 实验室研究与探索. 2015(01)
[10]定量称重包装系统RBF神经网络PID控制研究[J]. 吴宇平,章家岩,章磊,冯旭刚. 安徽工业大学学报(自然科学版). 2014(03)
本文编号：3359375
【文章来源】：包装工程. 2020,41(21)北大核心
【文章页数】：5 页
【部分图文】：
神经网络PID控制器结构
盎?瓿烧?霭?肮?獭＜屏孔爸每扇繁Ｊ秤醚沃柿?维持在误差允许范围内；封口装置主要完成包装的横封和纵封，直接决定食盐质量和外观。其中温度控制至关重要，通过热电偶和温度传感器实现封口温度闭环控制。食盐包装机控制系统主要包括：上位机、PLC、温度检测单元、角度检测单元、料位检测单元、电机执行单元、温度加热单元等。其中PLC作为下位机主要负责接收各种模拟信号、数字信号以及控制指令下传。上位机即PC机，根据PLC信号实现各种复杂算法分析同时生成控制指令。文中重点考虑封口温度控制方法，控制系统结构见图1。图1控制系统结构Fig.1Structureofcontrolsystem2基于神经网络的温度PID控制2.1传统PID控制目前，盐包横封和纵封温度控制大多采用传统PID算法，其表达式为：0dp1i10nkkkkkkttUKeeeett(1)式中：Uk为PID控制器输出；KP为比例系数；ti为积分时间；td为微分时间；t0为采样时间。为简化控制过程，可采用增量式控制对式（1）进行简化，即：p1id122kkkkkkkUKeeKeKeee(2)式中：ΔUn为相邻时刻的控制器输出之差；Kp为比例系数；Ki为积分系数；Kd为微分系数。总体来说，PID控制器具有结构简单、稳定性高等特点，但是无法根据盐包封口系统实际工作情况实现参数自适应调节。另外，横封和纵封温度控制是一种时变、非线性过程，仅仅依靠传统PID控制器无法满足温度高精度控制要求。为解决此问题，文中考虑采用神经网络实现封口温度非线性控制[13—14]。2.2神经网络控制器神经网络具有一定自学习能力，可根据系统运行状态，实时、在线调整PID控制器参数。神经网络PID控制器具有响应?
RRmMMCRmMRRmMMM≤≥(21)式中：M"为迭代次数设定值；Rmin为步长最小值；RA为步长变化幅度；C为一个常数。所述自适应步长的果蝇优化算法可很好地解决全局寻优和局部寻优问题。在前期计算过程中，全局优化性能比较理想，这样就可以最快地找到全局最优解；在后期计算过程中，可以兼顾搜索速度和搜索精度。在保证算法收敛性的前提下，提高算法搜索精度。利用该算法可以较好地解决RBF神经网络初始值优化问题。NFOA-RBF神经网络算法流程见图3。图3NFOA-RBF神经网络算法流程Fig.3NFOA-RBFneuralnetworkalgorithmflow4仿真和实验分析4.1仿真为验证所述温度控制算法的可行性和有效性，利用Matlab软件对PID控制器、BP神经网络PID控制器、NPOA-RBF神经网络控制器进行仿真对比分析，设置封口温度为200℃。控制器性能仿真对比曲线见图4。从图4可以看出，PID控制器、BP神经网络PID控制器、NPOA-RBF神经网络PID控制器的超调量依次为12.3%，4.9%，2.1%；系统达到稳定状态所需时间依次为6，3.5，3.8s。通过对比3种控制算法的超调量、稳定所需时间、响应速度可以发现，NPOA-RBF神经网络PID控制器的性能最优。图4控制器仿真曲线Fig.4Controllersimulationcurve4.2实验为进一步验证所述食用盐包装封口温度控制系统的控制精度，以某工厂包装生产线为实验平台进行相关实验研究。食盐质量为500g，封口温度设定为200℃，包装速度为120包/min，待系统运行稳定后实时采集封口装置温度，部分实验结果见表1。表1实验结果Tab.1Testresults序号温度/℃120022013198.54200.8519962007201.2819992001020011201.112200.9131
【参考文献】：
期刊论文
[1]NFOA-BP融合算法及其在焚烧炉温度控制中的应用[J]. 卢保昆,云涛,刘航. 软件导刊. 2020(01)
[2]基于自适应神经网络PID的注塑机温度控制[J]. 党霞. 合成树脂及塑料. 2018(06)
[3]基于BP神经网络模型的磁悬浮水泵PID参数优化[J]. 苏一新,马彦会,石倩,薛术,于溯源. 流体机械. 2018(01)
[4]基于RBF-PID的多功能包装机热封温度控制[J]. 丰会萍,胡亚南,李明辉,闫琛钰. 制造业自动化. 2018(01)
[5]串级控制系统闭环辨识及PID参数整定[J]. 林巍,王亚刚. 控制工程. 2018(01)
[6]模糊神经网络在炼钢加热炉温度控制中的应用[J]. 范子荣. 山西大同大学学报(自然科学版). 2017(06)
[7]基于模糊神经网络PID的卷材纠偏控制[J]. 谭印,李川. 包装工程. 2017(19)
[8]改进的RBF神经网络PID算法在电液伺服系统中应用[J]. 吴晓明,马立廷,郑协,张晓明,郑树伟. 机床与液压. 2015(11)
[9]基于改进型BP神经网络PID控制器的温室温度控制技术[J]. 蒋鼎国. 实验室研究与探索. 2015(01)
[10]定量称重包装系统RBF神经网络PID控制研究[J]. 吴宇平,章家岩,章磊,冯旭刚. 安徽工业大学学报(自然科学版). 2014(03)
本文编号：3359375
本文链接：https://www.wllwen.com/wenshubaike/csscizb/3359375.html
