基于PSO的BP-PID碾米機組控制系統優化

李 強 周 勁 張永林 宋少云

(1. 武漢輕工大學機械工程學院，湖北 武漢 430023；2. 武漢輕工大學電氣與電子工程學院，湖北 武漢 430023)

水稻是中國第一大糧食作物，全國約有2/3的人口以大米為主食，大米質量與人們的日常生活和健康息息相關[1]。近年來，在“中國制造2025”的牽引下，多項智能制造發展計劃和項目開始推進，智能技術開始被應用到更多行業[2]。稻米加工行業也開始向智能化方向發展[3]，其中，碾米單機智能控制系統[4]已完成研發并投入到實際應用中，該智能控制碾米單機主要采用模糊邏輯控制方式，通過控制碾米機的碾輥軸轉速和進出口流量完成作業[5]。雖然能實現碾米機功能化分工的自動運行，但其參數調節幅度大[6]，且因碾米機組之間沒有信息交流導致流量難以平衡，易產生單機效率降低、碾白不均衡或過碾致碎米增加等問題[7]。

文章擬提出一種基于粒子群算法(PSO)優化BP-PID控制的碾米機組控制系統，將多機輕碾技術進行數字化，并將碾白室內流量和溫升幅度納入調控，實現碾米機組中各臺米機之間的流量均衡控制，最大程度減少溫度過高和斷料造成的碎米增加[8]。碾米機組系統對傳統的PID控制器進行優化，即引入BP神經網絡找出每臺碾米機的PID控制參數最小偏差值[9-10]，同時利用粒子群算法(PSO)訓練BP神經網絡從而加快系統尋優速度[11]，再采用Matlab工具對算法進行仿真檢驗[12]，并通過試驗驗證優化后系統的有效性和優越性，為碾米設備智能化提供新方案。

1 碾米機組系統設計

1.1 設備改進

碾米機組控制系統主要包括數據采集、信息處理、執行機構等部分。機組結合了多機輕碾和低溫升的加工工藝(如圖1所示)，以兩臺砂輥噴風碾米機和一臺鐵輥噴風碾米機的多機協同方式實現智能控制。在碾米機組的碾白脫糠過程中，單臺碾米機之間常因無法及時調整各自的加工參數，容易出現流量不均衡而引起單臺碾米機加工過度或碾削不足，并且對碾白室內的流量、溫度和壓力的控制無法進行精確調整，最終引起碾白室腔內溫度升高或碾白均勻度不足。

圖1 碾米機組加工流程圖

改進的碾米機組將碾除糠粉量按比例分配至每臺碾米機，預設各臺碾白脫糠量的比例為4.5∶4.0∶1.5(可根據不同的原料來源和大米的精度等級進行調整)。機組系統以每臺碾米機實際的碾除糠粉比例達到預期值為總體目標，將第一臺碾米機作為領導者，實時監測加工狀態以對后續兩臺的跟隨者進行動態調控，實現碾米機組間的流量平衡加工。該系統將碾白室的噴風電機和室腔內流量納入控制，同時為每臺碾米機匹配合適的主電機轉速、噴風壓力、流量大小等控制參數以作為單機加工目標。加工運行一段時間后，通過對產品質量和設備運行狀態的評價，挑選合適的脫糠比例及每臺設備的運行參數，經數據庫迭代優化調整至最佳。

將單臺碾米機設備進行升級，如圖2所示。控制系統除了對主軸3轉速進行控制外，增加對進料口1安裝的電動閥門和噴風電機4的調控。其中在進料口1、吸糠機構5上端兩處安裝溫度傳感器對大米進行溫度(T1、T2)檢測，從而檢測碾白室2內溫升(T3)狀態，在碾白室內和噴風口安裝壓力傳感器檢測壓力(P1、P2)。

機組中每臺碾米機的輸入模擬量有T1、T2、T33個溫度參數，P1、P22個壓力參數，主要的控制參數為主電機轉速V1，進料口閥門開度d，噴風風壓電機轉速V2，實現控制時通過控制器完成調節。常用三相異步電動機簡化后的線性化傳遞函數為：

(1)

1. 進料口 2. 碾白室 3. 主碾軸 4. 噴風電機 5. 吸糠機構 6. 主電機 7. 機架

式中：

Km——電機傳遞函數的前向增益；

S——電機轉差率；

G(s)——傳遞函數代表式；

Ts——電機傳遞函數的慣性時間系數。

1.2 系統設計

1.2.1 系統通訊結構 智能碾米機組控制系統由多臺[智能碾米機]、[數據緩存工作站]及[上位機PC]組成，均采用西門子Smart系列和1200系列PLC，[智能碾米機]控制器采用SMART SR60，[數據緩存工作站]CPU采用S7-1200(1215C)，CPU之間采用PROFINET通信協議，各[智能碾米機]可實時讀寫[數據緩存工作站]數據，在[數據緩存工作站]上建立整個機組實時數據緩存區，通過OPC服務器與[上位機PC](OPC客戶機)交換信息，在[上位機PC]上建立智能碾米機組數據庫，分析碾米工藝的各項技術經濟數據，提供最佳碾米運行方案，并將各臺[智能碾米機]的運行控制參數寫入至[數據緩存工作站]控制參數緩存區，供終端設備調用執行，每臺米機均配置現場控制觸摸屏。

[智能碾米機]和[數據緩存工作站]、[智能碾米機]之間的PROFINET工業網絡，[數據緩存工作站]及[上位機PC]之間的OPC服務器組態，組成智能碾米機組控制系統(可根據需要增加碾米機數量)。通過上位機PC上開發遠程通訊程序，實現智能碾米機遠程控制，其系統控制框圖如圖3所示。

1.2.2 數據庫調用流程

(1) 通過單機控制器實現數據采集，單機觸摸屏實現參數監控，最終匯聚至數據緩存交換站，由上位機實現算法控制。

(2) 在上位機操作平臺中，上位機實時監測運行參數并存儲，通過對生產的大米進行質量檢測和設備運行狀態的評價，將數據庫中的運行參數進行優化，實現數據庫的自學習，為下一次加工提供數據支撐。

數據庫查詢優化流程如圖4所示，系統初始化時，根據專家經驗值設定的期望值作為數據庫的初始數據，設備運行后，開始同步采集溫度、壓力、轉速信息值，并上傳至數據緩存交換站，當運行參數超過誤差范圍則調用算法程序優化PID控制參數，并將調控好的運行參數再次上傳至數據庫中，若設備運行良好則直接儲存運行數據，同時在作業中不斷優化參數實現數據庫的自學習。

2 BP-PID控制

2.1 PID控制

傳統PID控制是根據給定值r(t)和實際輸出值c(t)構成的控制偏差：e(t)=r(t)-c(t)，將偏差按比例、積分和微分通過線性組合構成控制量，對被控對象進行控制后輸出為y(t)。

圖3 系統控制框圖

圖4 數據查詢與優化

其控制規律為：

(2)

傳遞函數為：

(3)

式中：

u(t)——PID控制器的輸出信號；

Kp——比例系數；

Ki——積分系數；

Kd——微分系數。

現碾米機控制系統常用的傳統PID控制結構簡單易操作，但由于其非線性、時變不確定性等特性，導致參數調節幅度大且不具備自學習功能，已不能滿足碾米機組精確的智能控制系統要求。

2.2 BP神經網絡優化PID控制器

智能控制中的人工神經網絡是通過模擬人類大腦的思維習慣，其中誤差反轉(BP)神經網絡是一種按照誤差逆向傳播算法訓練的多層前饋神經網絡。其原理是利用BP神經網絡可以用某種形式逼近非線性函數和網絡自學習的性能，在特定要求下找到最優的PID參數值(Kp、Ki、Kd)。

誤差反轉(BP)神經網絡的拓撲結構分為輸入層、隱含層、輸出層3層，系統采用BP神經網絡優化PID控制，其輸出層為PID的參數值Kp、Ki、Kd3個節點，輸入值為信號采集的變量：溫度T3，壓力P2，主電機轉速V1，進料口閥門開度d及噴風電機轉速V25個節點。

在訓練神經網絡初始化時，確定輸入節點數n，隱含層節點數l，輸出層節點數m；設定網絡輸入層和隱含層之間的連接權重ωij，隱含層和輸出層之間的連接權重ωjk，隱含層閥值a，輸出層閥值b的初始值，其中BP神經網絡采用Sigmoid傳遞函數，其是一種非線性變換函數。由于Kp、Ki、Kd為非負值，選用非負Sigmoid函數為激活函數，現取BP神經網絡的性能指標函數E(k)為：

(4)

神經網絡拓撲圖如圖5所示。

3 PSO訓練BP神經網絡

BP神經網絡自身在前期的訓練時間較長，會降低網絡的學習效率，也容易陷入局部極小值，若要提高系統性能則需要加快網絡的收斂速度。粒子群算法(PSO)是通過模擬鳥群覓食行為而發展起來的一種基于群體協作的隨機搜索算法，其搜索速度快，有記憶性，能在一定程度上克服BP神經網絡的局限性，更快地收斂于最優解。利用PSO訓練BP神經網絡的權值和閥值，通過這些粒子在域值內不斷更新自身的速度和位置優化參數，將神經網絡的自學習優點和PSO的高效尋優特點相結合，可以加強整個系統的控制性能，其優化控制框圖如圖6所示。

粒子群算法(PSO)先在給定的求解空間中隨機初始化粒子群，待優化問題的變量數決定了解空間維數。每一次迭代中，每個粒子通過跟蹤兩個極值更新自己的解空間中的位置和速度，其中一個粒子本身所找到的最優解為個體極值pBest，整個種群找到的最優解為全局極值gBest。在找到這兩個最優值時，粒子按式(5)、(6)更新自己的速度和位置。

vij(t+1)=ωvij(t)+c1r1[pij(t)-xij(t)]+c2r2[pgi(t)-xij(t)]，

(5)

xij(t+1)=xij(t)+vij(t+1)，

(6)

式中：

ω——慣性權重；

c1、c2——學習因子(加速常速)，通常為2；

r1、r2——[0,1]范圍內的均勻隨機數，增加了粒子的隨機性；

vij——vij∈[-vmax,vmax]為粒子速度，xij是當前粒子的位置；

圖5 BP神經網絡拓撲圖

圖6 優化控制框圖

pij、pgi——粒子的個體極值和局部極值。

因粒子群算法初期搜索范圍較大，為避免其過早陷入局部最優，而在迭代后期需要較強的局部搜索能力，同時隨迭代次數的增加需要加快系統的收斂速度，所以采用慣性權重ω和學習因子c1、c2逐漸遞減的方式。

在PSO優化BP-PID控制系統中，其算法流程是先用PSO訓練BP神經網絡的權值和閥值，再用訓練好的神經網絡對PID 3個參數進行調節，最后通過優化后的PID控制器作用至控制對象。PSO本身并沒有很多的參數需要調整，所以只需調整神經網絡中隱含層的節點數和權重的范圍以取得較好的擇優效果。其算法流程圖如圖7所示。

其具體步驟為：

(1) 初始化參數，確定網絡的隱含層節點數，可以初設r(t)參數，其中PSO算法的慣性權重ω可為0.6，學習因子c1、c2為2，粒子群維度D為5，總群個數N為10，最大迭代次數100。

(2) 輸入訓練數據組，組數為M，開始訓練神經網絡，計算粒子的適應值。

(3) 根據粒子的適應值更新個體最優pBest和全局最優gBest，更新權值和閥值粒子的位置和速度，并一直迭代直至更新的權值和閥值滿足適應度要求或者達到最大迭代次數，再進入下一步。

圖7 算法流程圖

(7)

(5) 滿足適應度的條件下，得到PID的最佳參數值，輸出到被控對象。

4 仿真與對比分析

為檢驗PSO優化BP-PID控制系統在碾米機組調控的控制效果，采用Matlab中的SIMULINK工具箱進行數據仿真，建立PSO優化BP-PID控制模型如圖8所示，其中封裝的BP-PID控制模型如圖9所示，將傳統PID控制、BP-PID控制和PSO-BP-PID控制3種控制方式進行對比，階躍響應仿真結果見圖10。

由圖10可知，傳統PID控制系統調節時間長，超調量接近10%；但經BP神經網絡優化后，其超調量有所改善，調節時間減少近30%但調控效果仍不夠理想；而加入PSO對BP-PID控制的優化，其超調量大大減少，響應時間相對于PID控制減少了近70%，整體控制效果大幅度提升，且具有良好的穩定性。

5 試驗

為測試系統的穩定性和可靠性，選用傳統PID控制的碾米機組和經PSO優化后的碾米機組進行檢測。選用秈稻，主要測試碾米機組的溫升狀況和增碎率，對比兩機組中第一道碾米機的米溫溫升狀態，室溫28 ℃，其溫升調控變化如圖11所示；測試傳統碾米機組的整體增碎率和改進后的每道碾米機增碎率，其結果見圖12。

由圖11可知，改進的碾米機組加工后的米溫整體溫升比傳統加工的低3 ℃左右，溫升變化幅度降低，溫升狀態穩定時間縮短。由圖12可知，改進后的碾米機組第二道增碎率低于第一道近3%，第三道增碎率低于第二道2%左右，改進的碾米機組總增碎率低于傳統PID控制的2%左右，且增碎率穩定的時間減少，改進后的碾米機組系統整體的控制效果優于傳統控制。

圖8 PSO優化BP-PID控制模型

圖9 BP-PID控制模型

6 結論

碾米機組控制系統將低溫升碾米和多機輕碾技術相結合，實現了數字化協同控制，并對傳統PID控制進行了改進，通過PSO算法優化了BP-PID控制器參數。仿真結果表明，改進后的碾米機組控制系統的調控時間大幅度降低，米溫溫升和增碎率均低于傳統碾米機組，且系統的穩定性良好，能夠較好地實現碾米機組內部的流量平衡。后續可以增加碾米機組內部可控的碾米機數量，同時將該碾米機組納入生產線的自動化管理系統中，進一步提高稻谷加工生產線數字化程度。

圖10 階躍響應仿真結果

圖11 溫升調控變化圖

圖12 增碎率變化圖