基于神經網絡PID的纖維板調施膠控制系統的設計1)

謝永華 周宏威

(東北林業大學，哈爾濱，150040)

基于神經網絡PID的纖維板調施膠控制系統的設計1)

謝永華 周宏威

(東北林業大學，哈爾濱，150040)

基于神經網絡的優點，設計了神經網絡作為主控制器的對系統進行辨識的纖維板調施膠控制系統和神經網絡作為輔助控制器來修正PID控制器的纖維板調施膠控制系統。分析了兩種神經網絡控制器的性能優劣。仿真表明，神經網絡作為輔助控制器調節PID比神經網絡作為主控制器的超調小，系統穩定時間更短。

調施膠;神經網絡;系統辨識;PID控制

在中密度纖維板(MDF)生產中，調施膠是標志生產技術水平的主要工段之一，能否達到按配方要求準確配比和均勻按比例施膠，是衡量調施膠技術優劣的標志[1]。MDF生產是一個技術密集型的生產過程，要求設備性能優良，自動化程度高。而在MDF生產中，膠的用量約占總成本的三分之一，原膠與各種輔助添加劑的配比不準確，會導致成品板物理力學性能不穩定;施膠量(施膠比)過高或過低，則會導致產品質量不合格，甚至原料浪費、增加生產成本[2]。本文應用神經網絡的自學習能力和對非線性過程的處理能力，設計了兩種基于神經網絡的控制系統，通過仿真分析，指出了兩種方法的優劣。

1 神經網絡方法

人工神經網絡是由許多處理單元(又稱神經元)按照一定的拓撲結構相互連接而成的一種具有并行計算能力的網絡系統[3]。這種網絡系統具有非線性大規模自適應的動力學特征。它試圖通過模擬人腦神經網絡處理信息的方式，從另一個研究角度來獲取具有人腦那樣的信息處理能力。研究表明，三層BP神經網絡可以任意精度逼近任意復雜的多變量系統[4]。BP算法本質上是以網絡誤差平方和為目標函數，按梯度法求其目標函數達到最小值的算法。

設N是一個前向神經網絡，給定樣本集K，對第p個樣本進行迭代學習，設迭代到第t時刻時網絡的權，閾值矩陣為W(t)，其對應的誤差平方和為E(W(t))，用梯度法迭代搜索求W的最優值，即

式中:α是迭代步長。

在推導?E(W)/?W過程中引入“誤差”的概念，令第l層第i個神經元的誤差為δ(l)i:

式中:I(l)i表示第l層第i個神經元的凈輸入。

Rumelhart推導出各層的“誤差”之間有如下的遞推關系[4]:

這個關系式具有鮮明的物理意義，即誤差沿網絡向后傳播。利用“誤差”，又可將梯度表示為

其中O(l-1)j為l-1層第j個神經元的輸出。公式(4)簡單明了，且富有鮮明的物理意義。

所以BP神經網絡表現出如下優勢:①信息可分布存儲，且容量大，容錯性較好;②可大規模并行處理收集到的網絡信息;③自學習、自組織、自適應性強;④神經網絡的行為是大量神經元的集體行為，并不是各單元行為的簡單相加，而是表現出一般復雜非線性動態系統的特征;⑤神經元可以處理一些環境信息十分復雜，知識背景不清楚和推理規則不明確的問題。

2 調施膠工藝

調膠和施膠這兩個階段成為調施膠控制系統的核心。調膠階段是將各種不同的固化劑、原膠、水、添加劑按配方比例進行混合攪拌，之后將調好的膠液貯存在貯膠罐中。傳統的辦法是依次加入各種物料，即添加完一種物料之后再加入另一種物料，各物料通過同一管道流入到調膠罐中，之后將調好的膠貯存起來。這種方式稱為串行調膠。此方法浪費時間，生產效率低。不同物料的黏稠度不同，流經管道時會有粘掛現象，甚至堵塞管道。一旦出現停產事故，未調好的膠液將會造成浪費。針對以上缺點，本文將采用如圖1所示的并行在線調膠方式，即將各種固化劑、原膠、水、添加劑分別按比例經過各自的管道同時向調膠罐中添加，邊攪拌邊施膠，實現了調多少膠施多少膠。這樣不僅提高了調膠效率，而且一旦出現故障，各物料管道同時關閉，避免了未完成調膠而造成原料的浪費[5]。

施膠階段是將調好的膠液與木纖維按照15/100的比例進行精確地配比混合。其中各種物料的添加由變頻泵進行調節，各種物料的流量由電磁流量計檢測。通過各傳感器檢測回的數據進行電機的調速，控制物料的添加，達到調施膠精準控制。

圖1 調膠流程圖

3 神經網絡在調施膠系統中的應用

在調施膠系統中，被測參量繁多，現場環境總在不斷的波動，不確定因素的干擾較多。盡管試圖建立起系統模型，但由于限制因素較多，并不能精確描述整個調施膠的過程。

神經網絡所接觸的各種對象具有復雜的非線性和不確定性，尤其擅長處理模式識別與空間映射的問題。對于一些很難用文字表述的規則，其學習和適應能力較之其他人工智能技術要高出許多。因此，這對于過程復雜、信息眾多、模型不精確的調施膠系統的控制是很有利的。本文將利用神經網絡的這方面優點分別設計神經網絡作為主控制器和輔助控制器的控制系統，并分析其優缺點。

3.1 神經網絡作為主控制器的設計

由于膠液具有一定的黏稠性，管道的連接方式及其管道內的殘留膠液都會影響到計量的準確性，除此之外，環境的影響和電磁干擾等不確定的因素都對建立系統精確模型產生嚴重的影響。神經網絡的方法具有自適應性、自學習能力和容錯功能，避免了傳統建模方法的不足和實驗誤差帶來的干擾[6]。從質量控制的角度出發，希望盡快調整規范參數，并獲得各類信息立即加以處理和做出決策，即實時性是調施膠過程的一大特點。所以，將神經網絡應用到調施膠中，對收集的信息進行處理，對各種物理量予以實時監控，從而保證生產出的纖維板的質量。

本文應用逆-逆模型建模法，對系統進行辨識。該控制系統由兩個逆系統模型和未知對象一起構成學習回路(見圖2)。在正向通道上是神經網絡控制器，他要控制一個未知對象，使它復現網絡輸入(期望輸出)。由于神經網絡控制器與對象的逆動力學特性不相等，使網絡輸出的未知對象的期望值有差別。為了克服這一誤差，引入未知對象的另一個逆模型，用它來計算未知對象應得輸入的估計值。

3.2 神經網絡作為輔助控制器的設計

神經網絡不僅可以作為主控制器來控制系統，還可以對其它形式的控制器進行修正調整，以達到理想的控制效果。調施膠系統結構復雜，應用PID控制器難以達到控制精度，甚至完不成控制要求，通過神經網絡的自學習和自適應能力對PID控制器進行修正、優化，從而使輸出達到期望值。本文應用BP神經網絡對PID控制器進行在線監測調節，系統結構如圖3。前向通道采用傳統的PID控制，但是由于膠液的滯后性和非線性，導致系統的超調甚至震蕩，因此采用神經網絡對偏差e進行實時監測。根據學習章法，對PID控制器進行在線的調節，使輸出能夠精確地跟隨輸入的變化[7-8]。

圖2 逆系統辨識模型

圖3 神經網絡修正PID模型

4 仿真

4.1 神經網絡作為主控制器的仿真

本文采用3層BP神經網絡，用實驗室測得的數據對網絡進行訓練，根據膠液和纖維的流量，對電機的轉速進行預測，達到實時調節，保證準確無誤施膠。設控制對象傳遞函數為G(s)=440(0.1s+1)/(s(0.002 5s+1)(s+1))，表1 為對10組測試樣本的預測。從表1中可以看出，神經網絡的輸出比較精確地跟隨輸入的變化進行了調節。神經網絡設計的誤差性能曲線如圖4。從圖4中看到，網絡74步之后就進入了2％誤差帶。系統輸出調節曲線如圖5所示。

表1 10組測試樣本的預測值

4.2 神經網絡作為輔助控制器的仿真

在前向通道中采用PID控制器對系統進行控制，但是由于系統的非線性和滯后性，導致系統調節品質變差，所以采用了神經網絡進行監督，動態改變PID參數。同樣采取三層BP神經網絡，輸入層為兩個神經元節點，輸出層為三個神經元分別來修正比例系數P、積分系數I、微分系數D，隱含層神經元自動配置。活化函數 f(x)=tanh(x)=(ex-e-x)/(ex+e-x)，學習速率 β 取0.30，慣性系數 α 取0.25。設系統傳遞函數為G(s)=440(0.1s+1)/(s(0.002 5s+1)(s+1))，神經元網絡根據學習法則對PID調節的仿真結果如圖6。從圖6中可以看出，系統是穩定的，與單一PID控制器相比，控制品質得到很大的改善，超調變小，穩定時間更短。

圖4 神經網絡誤差性能曲線

圖5 系統輸出調節曲線

5 結束語

神經網絡作為主控制器可以不用對系統內部結構了解太多，只需描述系統的輸入輸出特性，用已知數據對網絡訓練，使系統能夠復現標準的理想輸出值，因此不需要建立精確系統模型。但是，前提是要有大量的比較精確的數據對網絡進行訓練。這對于沒有第一手資料的系統或未知系統來說是比較困難的。

圖6 PID調節曲線

神經網絡作為輔助控制器，對PID控制器進行修正，在無外界干擾和無波動的情況下，PID控制器可以得到較好的控制效果，但是在出現波動和干擾的情況下，會出現非線性現象和震蕩，由于膠液具有黏性，因此也會有時滯出現，此時神經網絡就會對系統進行辨識和修正，動態調節PID參數，魯棒性較好。

通過對比圖5和圖6發現，神經網絡作為輔助控制器調節PID要比神經網絡作為主控制器的超調小，系統穩定時間也更短。此種方法在實際工程中易于實現，控制效果改善明顯，適合廣泛推廣。

[1] 史鐵槐，張璇，鄭維綱.淺談中密度纖維板調施膠控制現狀與發展趨勢[J].林業機械與木工設備，2002，30(7):4-5.

[2] 祖海燕，陳雪梅，張怡卓.中密度纖維板調施膠技術的應用和發展趨勢[J].木工機床，2007(2):10-13.

[3] 林盾，馬培鋒，李建生.人工神經網絡在工業控制領域中的應用[J].湘潭師范學院學報:自然科學版，2005，27(2):90-93.

[4] 戴文戰.基于三層BP網絡的多指標綜合評估方法及應用[J].系統工程理論與實踐，1999，19(5):29-34，40.

[5] 王代琳，許海燕，劉亞秋.并聯組稱方法在小型調施膠系統中的應用[J].自動化技術與應用，2006，25(11):78-80.

[6] 趙興君，張蘭芳，岳瑜.用神經網絡預測礦渣與粉煤灰混凝土的強度[J].遼寧工程技術大學學報，2003，22(6):797-799.

[7] 扈宏杰，爾聯潔，劉強，等.基于神經網絡自適應穩定PID控制方法的研究[J].北京航空航天大學學報，2001，27(2):153-156.

[8] 付華，李大志.基于神經網絡的PID自整定控制系統[J].工礦自動化，2009(7):72-75.

Design of Control System for Dosing and Applying Glue to MDF Based on Neural Network PID

/Xie Yonghua，Zhou Hongwei(College of Electromechanical Engineering，Northeast Forestry University，Harbin 150040，P.R.China)//Journal of Northeast Forestry University.-2011，39(6).-125～127

Mixed glue system;Neural network;System identification;PID control

TP273

1)黑龍江省自然科學基金項目(F200920)，中央高校基本科研業務專項基金(09AB09)。

謝永華，男，1979年6月生，東北林業大學機電工程學院，工程師。E-mail:zdhxyh@163.com。

2010年11月3日。

責任編輯:張 玉。

Based on the advantages of neural network，two control systems for dosing and applying glue to Medium-density fiberboard(MDF)were designed using neural network as the main controller as well as using neural network control system as the auxiliary control unit to revise the main controller.Advantages and disadvantages of performances of the two neural network controllers were analyzed.Simulation results show that the neural network control system using the auxiliary control unit to revise the main controller has a more favorable effect than the control system using neural network as the main controller.