定量称重包装是1种对物料进行在线称量并实现定量包袋的技术，在食品、医药、化工等工业生产领域应用极其广泛。实现定量称重包装的关键是解决动态定量称重控制问题，主要包括实时准确称量及快速精确控制，实时准确的称重测量是快速精确控制的基础，而控制性能的好坏直接决定包装的精确程度[1]。定量称重包装系统是一个非线性、大滞后、强干扰的不确定性系统，难以建立精确的数学模型。因此，采用先进控制技术对其进行研究具有重大的理论意义和工程价值。
目前国内学者对定量称重包装控制系统已做了不少研究，如：文献[2]针对定量包装控制中存在的主要问题，提出了基于模糊控制理论的Fuzzy-PID控制方案，并对系统的控制效果进行了仿真研究，取得了一定的效果；文献[3]针对动态定量称重系统随机干扰因素多、大滞后和参数不确定性等特点，提出了1种基于BP神经网络和PID相结合的控制方法，使仿真控制效果得到了较大改善。但BP网络学习速率固定、收敛速度慢及训练时间相对较长，而RBF网络在逼近能力、分类能力和学习速度等方面均优于BP网络。为此，笔者将RBF神经网络和PID控制算法相结合，实时地对PID控制器的参数进行优化，设计非线性映射能力和自学习能力较强的RBF-PID控制器，并对定量称重包装过程进行仿真分析和验证。

1.动态定量称重过程特性分析
1.1定量称重包装系统工艺分析
定量称重包装系统由装料斗、称重装置、给料机构、放料门、包装机构和控制系统等部分组成如图1[3]。进料装置包括装料斗、放料门，步进电机控制下料口阀门的开度以便于对下料量的控制。称重装置包括称重传感器和出料口阀门，物料的质量由称重传感器测得，并通过数据处理送至计算机控制系统，出料口阀门用来控制称重仓仓口的开启和关闭。
1.2动态称重过程特性分析
动态称重与静态称重具有本质的区别。静态称重指在秤体和所称物体之间达到静态平衡后再进行称量，无需考虑所称物体的冲力、动态过程等因素，设计简单，精度比较高。而动态称重指正常作业时对物料进行在线动态称量，这种情况下其质量往往是一个随时间变化的量，因为被测对象是时刻变化的，传感器从一个状态变化到另一个状态要经历一个过渡过程。在过渡过程中，测量值与实际质量值相差很大，难以满足精度要求。只有系统趋于平稳后，才能得到准确的测量值[4-5]。因此，动态称重系统有如下特点：
1)称重对象处于运动状态，在具有加速度的情况下进行动态连续称重计量；
2)称重计量实时性和准确性要求高，既要保持良好的时间响应特性，又要保证精度；
3)称重过程中干扰因素较多，如被测对象冲力、秤体振动、空中余料等；
4)执行机构(给料装置)的动作滞后及惯性任用，控制器的限制。
因动态称重系统物料冲力和秤体振动因素造成系统的欠阻尼振荡，使称重系统的动态特性变差，从而造成从称重传感器得到的动态质量并非是物料真实质量，故必须对系统的动态特性加以补偿和改善。
2RBF神经网络PID控制系统设计
RBF网络是1种前向网络，由输入到输出的映射是非线性的，隐层空间到输出层空间的映射是线性的，采用RBF网络可大大加快学习速度并避免局部极小问题，适合于实时控制的要求。采用RBF网络构成神经网络控制方案，可有效提高系统的精度、鲁棒性和自适应性。
2.1RBF神经网络算法及其训练
采用三层RBF网络，输入层节点将输入信号传送到隐含层，隐含层节点由高斯基函数构成，隐含层到输出层是线性关系。其神经网络输入、输出的数学关系为

其中：bj为网络的基宽向量；r(t)为被控对象的输入，对应为定量称重包装控制系统中所期望的包装质量；y(t)为被控对象的输出信号，为称重传感器实际测得的质量；η为学习速率；α为动量因子。可以得到径向基函数的节点中心参数的迭代算法

2.2RBF-PID控制系统的设计
对定量称重包装控制系统利用PID控制算法进行控制，PID参数的选择是一个关键环节，为达到较好的效果，提出基于RBF神经网络PID控制策略对其进行控制，利用神经网络具有的任意非线性表达能力实现控制参数的优化。图2为RBF神经网络PID控制系统结构图，由图2可见，该控制系统的组成及功能为：

1)PID控制器采用增量式PID控制器，直接对被控对象进行闭环控制，3个参数Kp,Ki,Kd依据控制系统的实际运行情况不断进行调整；
2)RBF神经网络根据系统的运行情况，在线调整PID控制器的参数，使其达到最优的控制效果。
RBF神经网络输入量为每个包装周期内质量的偏差信号和偏差的导数信号，输出量为PID控制器的3个参数Kp,Ki,Kd。通过RBF神经网络自学习，使神经网络的输出为最佳的PID控制器参数。

3系统仿真结果及分析
为单独检验RBF神经网络的优化效果，用定量包装系统传递函数进行验证，文中参考文献[8]建模得出的近似数学模型

取采样周期T=0.5s，将其离散化，采用RBF神经网络PID控制器和传统PID控制器分别对系统进行优化控制，并通过Matlab中的Simulink进行仿真。输入取阶跃信号，RBF辨识网络选取3-6-1结构，经过多次训练仿真实验，定量称重包装控制系统相关的的仿真参数选择为[9]：动量因子α为0.02；学习速率η为0.35；加权系数初值均为0.01；传统PID控制的参数取Kp=5，Ki=0.8，Kd=1.5。为验证控制模型的抗干扰能力，仿真在5s时对系统加入干扰。图3，4分别为采用传统PID控制方法和RBF神经网络PID控制方法对定量称重包装系统进行控制的仿真结果。
由图3，4可知：采用传统PID控制时，调节速度较快，能迅速达到设定值，但超调量较大，长期如此将使称重传感器准确度下降，包装质量产生较大波动；采用RBF神经网络PID控制时系统动态响应速度快、无超调、稳定性强；加入干扰后，采用RBF神经网络PID控制方法，系统没有震荡，并且很快达到稳定状态，由此可见RBF神经网络PID控制性能明显优于传统PID。

4结论
针对定量称重包装系统具有大惯性滞后、非线性时变且无法建立精确模型等特点，提出基于RBF神经网络PID的控制策略。通过Matlab对控制方法进行仿真，比较分析传统PID控制与RBF神经网络PID控制的控制效果。仿真结果表明：传统PID控制虽然响应速度较快，但超调量过大，这在包装生产流程中极为不利；RBF神经网络PID控制效果较平稳，具有良好的控制精度和动态性能，控制效果优于PID控制效果，具有较高的工程应用价值。

作者：吴宇平，章家岩，章磊，冯旭刚
参考文献：
[1]喻先锋，曹金林，姚重阳.动态定量称重技术控制策略和算[J].轻工机械，2013,31(1):55-59.
[2]常波，阎有运，梁硕.基于模糊算法的配料称重控制策略研究与应用[J].电子测试，2009(5):1-5,43.
[3]胡攀，梁岚珍，李靖.动态定量称重系统控制策略的研究[J].自动化博览，2009,26(11):78-80.
[4]曾琳，张文涛.基于RBF神经网络的智能PID控制算法[J].计算机与数字工程，2011,39(1):17-20.
[5]潘瑞林，曹建华，冷护基.基于RBF神经网络的制造业费用分配系数确定方法[J].安徽工业大学学报：自然科学版，2012,29(3):285-288.
[6]靳红涛，焦宗夏，周汝胜，等.基于神经网络PID的冗余伺服系统自适应控制[J].机械工程学报，2008,44(12):249-253.
[7]孙虎儿.小杂粮自动定量包装自动控制系统的设计[J].包装工程，2008,29(12):81-82.
[8]李鹏.动态定量称重系统的研究与实现[D].济南：山东大学，2006.
[9]江道根.六自由度并联机器人RBF神经网络PID控制研究[D].镇江：江苏大学，2010.
[10]刘金琨.先进PID控制及其MATLAB仿真[M].北京：电子工业出版社，2003:195-212.

本文源于网络转载，如有侵权，请联系删除