一种基于模糊RBF神经网络的烟丝风送速度控制方法

技术领域

本发明涉及一种基于模糊RBF神经网络的烟丝风送速度控制方法，属于卷烟工业科技创新技术领域。

背景技术

烟丝风力送丝系统采用真空负压抽吸原理，将送丝喂料机供给的烟丝通过密闭管道输送至卷烟机。在风力送丝系统中，烟丝风送速度控制非常重要，直接影响着卷烟产品的内在物理指标，当送丝管内风速过低会造成烟丝供应不足、管道堵塞或风机喘振；而风速过高会加剧烟丝与管道内壁摩擦和碰撞，烟丝容易造碎导致整丝率降低。

卷烟厂的烟丝风力送丝系统通常采用PID控制策略来维持送丝管道内风速稳定，由于风力送丝系统中卷烟机采用间歇要料方式，即喂丝机在卷烟机需要供料的时候向卷烟机输送烟丝，因此风送管路内风速变化频繁，使得一般的PID控制系统难以对风速进行精准控制。随着自动化技术发展，有学者提出了较好的控制策略。如采取偏差等级的PID参数组选取，实现自适应PID控制功能，获得较好的控制效果；也有借助模糊逻辑推理控制策略，使算法获得在线学习能力，以解决负载变化频繁的工况环境下干扰大的问题，维持控制系统稳定输出。

发明内容

本发明所要解决的技术问题是克服现有技术的缺陷，提供一种基于模糊RBF神经网络的烟丝风送速度控制方法。

为达到上述目的，本发明提供一种基于模糊RBF神经网络的烟丝风送速度控制方法，包括：

获取目标风速r(k)；

将目标风速r(k)输入预先训练获得的模糊RBF神经网络，获得控制决策对比例参数k

将控制决策对比例参数k

基于修正值，采用增量式PID控制算法计算输出值u(k)；

将风速控制阀调整到输出值u(k)。

优先地，预先训练获得模糊RBF神经网络，通过以下步骤实现：

构建初始的模糊RBF神经网络；

利用基于K-means的层次聚类方法对预先获取的训练数据进行聚类分析，获得模糊RBF神经网络结构参数的初始值；

训练数据包括历史烟丝风送目标风速、历史控制误差、历史控制决策对比例参数、历史积分参数及历史微分参数；

将历史烟丝风送目标风速和历史控制误差作为初始的模糊RBF神经网络的输入，将历史控制决策对比例参数、历史积分参数及历史微分参数作为初始的模糊RBF神经网络的输出，构建历史烟丝风送目标风速、历史控制误差、历史控制决策对比例参数、历史积分参数及历史微分参数之间的映射关系；

采用梯度下降法迭代更新初始的模糊RBF神经网络，获得最终的模糊RBF神经网络。优先地，模糊RBF神经网络采用双输入三输出，模糊RBF神经网络包括输入层、模糊化层、模糊推理层和输出层，模糊化层和模糊推理层的神经元个数及神经元中心通过K-means层次聚类确定，模糊化层和模糊推理层的神经元基宽、连接权值由LM算法确定。

优先地，通过下式计算获得历史控制误差e(k)：

e(k)＝r(k)-y(k)，

式中，r(k)是目标风速，y(k)是实际风速。

优先地，将控制决策对比例参数k

PID控制器的表达式为：

Δu(k)＝k

式中，Δu(k)为修正值，k

优先地，基于修正值，采用增量式PID控制算法计算输出值u(k)，通过以下步骤实现：

采用增量式PID控制算法计算输出值u(k):

u(k)＝u(k-1)+Δu(k)，

式中，Δu(k)是第k个修正值，u(k-1)是第k-1个输出值。

优先地，采用梯度下降法迭代更新初始的模糊RBF神经网络，通过以下步骤实现：

采用梯度下降法调整控制决策对比例参数k

式中，ω(1,j)为输出层的第1个节点与模糊推理层的第j个节点的连接权矩阵，ω(2,j)为输出层的第2个节点与模糊推理层的第j个节点的连接权矩阵，ω(3,j)为输出层的第3个节点与模糊推理层的第j个节点的连接权矩阵，N为模糊推理层的节点总数，f

式中，

优先地，利用K-means层次聚类算法确定模糊化层和模糊推理层的神经元个数及神经元中心，通过以下步骤实现：

定义训练数据为X＝{X

式中，n为训练样本总数，i＝1,2,3,…,n，d为训练样本数据维数，k为训练样本的种类；采用K－means层次聚类算法得到单一聚类Z：

Z＝{Z

训练样本

式中，j＝1，2，…，d；k＝1，2，…，n；t≠i；

计算模糊RBF神经网络的隐含层神经元个数m、隐含层神经元各节点基宽c

式中:i＝1,2,3,…,l；j＝1,2,3,…,d。

一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一项所述方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一项所述方法的步骤。

本发明所达到的有益效果：

本发明提出的一种基于模糊RBF的烟丝风送速度控制方法，通过对风力送丝系统网络送丝管内风速不稳定的原因进行研究分析，结合模糊控制、RBF神经网络和常规PID控制，构建基于模糊RBF神经网络的烟丝风送恒定控制系统，实现很好地随控制对象的变化而自动调整PID参数，实现烟丝输送过程中风速的快速精准调节，有效提高了风力送丝系统的控制性能和控制精度，解决现有风力送丝系统钟存在的烟丝风送速度波动大、烟丝碎丝率较高以及能耗较高等问题。

附图说明

图1是本发明的结构图；

图2是本发明的原理框图；

图3是模糊RBF神经网络的结构图；

图4是本发明中模糊RBF神经网络输出的控制决策对比例参数、积分参数及微分参数的曲线图；

图5是模糊RBF神经网络的PID控制输出响应曲线图。

具体实施方式

以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

卷烟机要料是间歇式工作制，通常一个工作周期在60秒之内，具有时间短、非连续的特点。因此在风力送丝系统中，最重要的问题就是解决烟丝风力送丝控制系统中存在的时变性和非线性问题，以保证烟丝风送速度的精确控制。本发明的目的在于解决现有技术存在的问题，通过模糊RBF神经网络通过共轭梯度优化算法确定权值，可以实时更新PID参数，不仅提高了收敛速度，省去了复杂的计算，对于解决非线性最优化问题是最有效的算法之一实现管路风速恒定控制功能。

本发明解决烟丝风力送丝控制系统中存在的时变性和非线性问题，以保证烟丝风送速度的精确控制。模糊RBF神经网络采用双输入三输出的4层结构形式，双输入为风速设定值与风速瞬间值之间偏差e(k)和偏差变化率e

如图1所示，本发明提供一种基于模糊RBF神经网络的烟丝风送速度控制方法，包括：

获取目标风速r(k)；

将目标风速r(k)输入预先训练获得的模糊RBF神经网络，获得控制决策对比例参数k

将控制决策对比例参数k

基于修正值，采用增量式PID控制算法计算输出值u(k)；

将风速控制阀调整到输出值u(k)。

进一步地，本实施例中预先训练获得模糊RBF神经网络，通过以下步骤实现：

构建初始的模糊RBF神经网络；

利用基于K-means的层次聚类方法对预先获取的训练数据进行聚类分析，获得模糊RBF神经网络结构参数的初始值；

训练数据包括历史烟丝风送目标风速、历史控制误差、历史控制决策对比例参数、历史积分参数及历史微分参数；

将历史烟丝风送目标风速和历史控制误差作为初始的模糊RBF神经网络的输入，将历史控制决策对比例参数、历史积分参数及历史微分参数作为初始的模糊RBF神经网络的输出，构建历史烟丝风送目标风速、历史控制误差、历史控制决策对比例参数、历史积分参数及历史微分参数之间的映射关系；

采用梯度下降法迭代更新初始的模糊RBF神经网络，获得最终的模糊RBF神经网络。训练过程中，经模糊RBF神经网络对历史控制决策对比例参数、历史积分参数及历史微分参数进行动态调整，PID控制器将输出值u(k)驱动伺服控制器，由伺服电机精确控制风送阀门开度，实现对送丝风速恒定控制。

定义学习的目标函数为：

式中：r(k)、y(k)为每一次迭代的理想输出和实际输出，r(k)－y(k)为控制误差。

网络权值的学习算法为：

模糊化层中心向量和基宽向量的学习算法为：

考虑动量因子影响，输出层的权值为：

ω

式中：α为学习动量因子；η为学习速率；k为网络的迭代步骤。

为提高神经网络的收敛及收敛速度，本文采用了K-means层次聚类的方法确定其参数初始值。假设训练样本数有n个，每个训练样本数据维数为d，训练样本为k个种类，设样本集合为：

X＝{X

X

式中，i＝1,2,3,…,n。

对各个种类编号为1，2，3，…，k，采用基于K－means的层次聚类方法得到的单一聚类Z，即Z＝{Z

式中:j＝1，2，…，d；k＝1，2，…，n；t≠i。

由上式计算得到模糊RBF神经网络的隐含层神经元个数、隐含层神经元各节点基宽和中心为：

式中:i＝1,2,3,…,l；j＝1,2,3,…,d。

进一步地，如图3所示，本实施例中模糊RBF神经网络采用双输入三输出，模糊RBF神经网络包括输入层、模糊化层、模糊推理层和输出层，模糊化层和模糊推理层的神经元个数及神经元中心通过K-means层次聚类确定，模糊化层和模糊推理层的神经元基宽、连接权值由LM算法确定。

进一步地，本实施例中通过下式计算获得历史控制误差e(k)：

e(k)＝r(k)-y(k)，

式中，r(k)是目标风速，y(k)是实际风速。

进一步地，本实施例中将控制决策对比例参数k

PID控制器的表达式为：

Δu(k)＝k

式中，Δu(k)为修正值，k

进一步地，本实施例中基于修正值，采用增量式PID控制算法计算输出值u(k)，通过以下步骤实现：

采用增量式PID控制算法计算输出值u(k):

u(k)＝u(k-1)+Δu(k)，

式中，Δu(k)是第k个修正值，u(k-1)是第k-1个输出值。

进一步地，本实施例中采用梯度下降法迭代更新初始的模糊RBF神经网络，通过以下步骤实现：

采用梯度下降法调整控制决策对比例参数k

式中，ω(1,j)为输出层的第1个节点与模糊推理层的第j个节点的连接权矩阵，ω(2,j)为输出层的第2个节点与模糊推理层的第j个节点的连接权矩阵，ω(3,j)为输出层的第3个节点与模糊推理层的第j个节点的连接权矩阵，N为模糊推理层的节点总数，f

式中，

一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一项所述方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一项所述方法的步骤。

本发明采用Delta(δ)学习规则修正控制决策对比例参数k

从图4中的k

图5为模糊RBF神经网络PID控制器输出响应曲线，具有输出响应速度快、振荡幅度小等优点，符合风量平衡控制系统精度和响应要求。

本发明针对风力送丝对烟丝输送速度的控制要求，以常规PID控制为基础，结合模糊控制与RBF神经网络两者的优势构建模糊RBF神经网络，实现对PID控制器的3个参数kp、ki、kd在线修正，设计了一种基于模糊RBF神经网络的风力送丝PID控制器，结合模糊控制与RBF神经网络两者的优势构建模糊RBF神经网络，实现对PID参数的快速修正。

利用基于K-means的层次聚类方法对训练数据进行聚类分析来确定模糊RBF神经网络结构参数的初始值，使得模糊RBF神经网络的训练速度加快，逼近效果更加，进一步改进模糊RBF神经网络对PID参数的调节效果，风力管路内风速波动＜2.73％，达到精确控制丝管调节阀开度的目的，具有超调量小、调节速度快、稳定的时间短、静态误差小、控制响应高和抗干扰能力强等优点，提高了风力送丝速度的控制精准性和稳定性。

在烟丝风力输送系统中，除尘风机提供负压吸风，在负压吸风作用下，烟丝通过喂丝机1的密闭输送管道送入卷烟机3，喂丝机1和卷烟机3之间设置风速检测装置2，卷烟机3和风机5之间设置风速控制阀4。基于模糊RBF的烟丝风送速度控制系统，对烟丝风速检测传感器检测的数据进行处理，控制风速调节阀开度，达到对烟丝风送速度进行精确控制的目的。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。