基于神經(jīng)網(wǎng)絡PID控制的注塑機壓力控制系統(tǒng)

沈艷河，王 瑨

（黃河水利職業(yè)技術學院，河南省開封市 475004）

注塑成型是將樹脂顆粒加熱融化后將其注射到模具內(nèi)腔中，經(jīng)過開模、冷卻、固化，最終得到塑料制品［1-2］。該加工方法能夠加工外形復雜，尺寸精度要求較高或帶有嵌件的塑料制品，且能夠?qū)崿F(xiàn)自動化加工。注塑機是實現(xiàn)這一加工工藝的主要生產(chǎn)設備，逐漸成為塑料生產(chǎn)行業(yè)中使用量最多、生產(chǎn)量最大的主要設備之一。

在注塑過程中，伺服驅(qū)動電機產(chǎn)生的液壓對溫度和黏度等有重要影響，因此，需要對注塑機壓力進行精確控制。注塑機液壓控制系統(tǒng)需滿足以下要求：控制系統(tǒng)擁有良好的靜態(tài)和動態(tài)精度，具有快速的收斂性和較小的超調(diào)量；控制系統(tǒng)能夠應對外部干擾，對非線性因素具有較好的抵抗能力；控制算法實現(xiàn)簡單，對控制器硬件性能要求低［3-4］。在注塑機液壓控制系統(tǒng)中通常使用比例積分微分（PID）控制來實現(xiàn)壓力的精確控制。傳統(tǒng)PID控制結構簡單、易實現(xiàn)，被廣泛應用于各種工業(yè)控制領域。伺服驅(qū)動液壓注塑機具有非線性、強耦合性、時變性等特點，而傳統(tǒng)PID控制方法由于參數(shù)固定不變，其快速響應性能和超調(diào)量均不理想，無法滿足伺服驅(qū)動液壓注塑機高精度控制系統(tǒng)要求［5-7］。為了解決上述問題，通常將智能控制方法（如模糊控制、滑模控制以及自適應控制等）引入到PID控制中。神經(jīng)網(wǎng)絡控制方法具有一定的自學習、自適應能力，特別適合復雜不確定問題。本工作將徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡控制方法引入到PID控制中形成了一種具有自適應能力的RBF神經(jīng)網(wǎng)絡PID（RBF-PID）控制方法，并將其應用于注塑機液壓控制中，通過仿真分析驗證了所述方法的可行性和有效性。

1 伺服驅(qū)動液壓注塑機工作原理

伺服驅(qū)動液壓注塑機在運轉前，通過上位機觸摸屏設置注塑所需的目標壓力，該壓力通過線性化處理后轉化為數(shù)字量，通過數(shù)字量控制永磁同步電機的輸出轉矩和轉速，從而實現(xiàn)對注塑機壓力的控制，在此過程中通過壓力傳感器采集注塑機實時壓力，實現(xiàn)電機和液壓系統(tǒng)的閉環(huán)自動控制。

伺服驅(qū)動液壓注塑機控制原理見圖1。注塑機控制系統(tǒng)中的人機觸摸屏判斷注塑機運行狀態(tài)，通過觸摸屏設置壓力并將其傳送到控制器?？刂破鞲鶕?jù)線性化轉換指令將其轉化為數(shù)字量，通過輸出脈沖和脈沖輸出頻率控制伺服電機運轉，同時伺服電機末端的編碼器將電機的運轉狀態(tài)反饋到伺服驅(qū)動器中，伺服驅(qū)動器根據(jù)情況對電機進行自適應控制，從而達到電機的精確閉環(huán)控制，保證伺服電機穩(wěn)定輸出轉矩和轉速。注塑機中的油泵末端安裝壓力傳感器，將油泵工作信號傳送到伺服驅(qū)動器中。

圖1 伺服驅(qū)動液壓注塑機控制原理Fig.1 Control principle of servo-driven hydraulic injection molding machine

2 傳統(tǒng)PID控制

傳統(tǒng)PID控制具有結構簡單、易實現(xiàn)、可靠性高等優(yōu)點，是目前工業(yè)控制領域中應用最多的閉環(huán)控制方法，特別適用于可建立精確數(shù)學模型的確定系統(tǒng)。PID控制為一種線性控制算法，將注塑機壓力設定值r（k）與實際反饋值y（k）的偏差e（k）作為輸入：e（k）=r（k）-y（k）。傳統(tǒng)PID控制結構見圖2。

圖2 傳統(tǒng)PID控制結構Fig.2 Traditional PID control structure

PID控制數(shù)學模型見式（1）。

式中：u（t）為連續(xù)PID控制器輸出；Kp為離散PID數(shù)學模型比例系數(shù)；e（t）為在t時刻的偏差；T為采樣周期；Td為連續(xù)PID數(shù)學模型微分系數(shù)。

式（1）可簡化為式（2）。

式中：Ti為連續(xù)PID數(shù)學模型積分系數(shù)；S表示微分函數(shù)。這幾個參數(shù)可根據(jù)系統(tǒng)運行狀態(tài)進行調(diào)整。

控制器通過上述算法實現(xiàn)采樣控制，即對每一時刻偏差進行采樣計算。為此需要將PID控制進行離散化處理，通過一系列的時刻點kT（k為采樣序號）代替連續(xù)時間t［即t≈kT（k=0，1，2…）］，由此可得式（3）～式（4）。

式中：e（j）為j時刻采集值偏差。

則離散PID表達式見式（5）。

式中：Ki為離散PID數(shù)學模型積分系數(shù)；Kd為離散PID數(shù)學模型微分系數(shù)；u（k）離散PID為控制器輸出值。

3 RBF-PID控制

RBF神經(jīng)網(wǎng)絡主要由輸入層、隱含層以及輸出層組成，RBF-PID控制極大提升了學習速度并能夠避免算法陷入局部最?。?-10］。利用RBF神經(jīng)網(wǎng)絡的自我適應能力，實現(xiàn)PID參數(shù)的在線自適應調(diào)整，從而彌補PID控制不足。RBF神經(jīng)網(wǎng)絡結構見圖3。

圖3 RBF神經(jīng)網(wǎng)絡結構Fig.3 RBF neural network注：x1～xn為神經(jīng)網(wǎng)絡的輸入層；h1～hm為隱含層；w1～wm為權值函數(shù)；ym（k）為輸出層。

RBF-PID控制結構見圖4。通過在線辨識得到注塑機壓力模型的Jacobian信息后，根據(jù)梯度下降算法對PID控制中的參數(shù)進行自適應調(diào)整，再將其賦值到PID控制中。

圖4 RBF-PID控制結構示意Fig.4 RBF-PID control structure

網(wǎng)絡辨識器的性能指標函數(shù)見式（6）。

式中：J為網(wǎng)絡辨識器性能指標函數(shù)。

采用迭代算法保證注塑機壓力輸出的期望值和實際值偏差最小，迭代算法具體表達形式見式（7）～式（9）。

式中：η為學習速率；α為動量因子；wj為第j個節(jié)點網(wǎng)絡權值函數(shù)；Δσj為系統(tǒng)壓力的方差；cj為第j個輸入變量的中心矢量；cji和σji分別為第j個輸入變量的第i個模糊集合的隸屬度函數(shù)的中心和寬度；σj為第j個輸入變量寬度。

Jacobian矩陣直接反映系統(tǒng)輸出對輸入變化的靈敏度，如果RBF網(wǎng)絡辨識器能夠很好地逼近被控對象，那么被控對象輸出y就可以用辨識器輸出ym近似代替，見式（10）。

PID控制參數(shù)Kp，Ki，Kd采用梯度下降法進行調(diào)整，見式（11）。

式中：ηp表示比例系數(shù)學習速率；ηi表示積分系數(shù)學習速率；ηd表示微分系數(shù)學習速率。其中，x（1），x（2），x（3）可表示為式（12）。

4 仿真分析

為了驗證RBF-PID控制算法在伺服液壓注塑機壓力控制中的有效性，對傳統(tǒng)PID控制方法和RBF-PID控制方法分別進行了仿真分析，注塑機壓力設定值為20 MPa，在60 s時引入干擾，以測試控制器抗干擾能力。動量因子為0.02，學習速率為0.35。從圖5可以看出：在輸出初始階段RBF-PID控制響應速度更快，在5 s時便可達到穩(wěn)定輸出，而傳統(tǒng)PID控制在30 s時才能夠穩(wěn)定；RBF-PID控制壓力能夠穩(wěn)定在20 MPa，且超調(diào)量很小，而傳統(tǒng)PID控制超調(diào)量較大；在60 s時因系統(tǒng)引入了干擾，傳統(tǒng)PID控制出現(xiàn)了明顯的波動，而RBF-PID控制幾乎不出現(xiàn)波動。

圖5 仿真結果Fig.5 Simulation results

5 結論

a）為了提高伺服驅(qū)動液壓注塑機壓力控制精度，在傳統(tǒng)PID控制中引入了RBF神經(jīng)網(wǎng)絡自適應控制方法，利用RBF神經(jīng)網(wǎng)絡快速自我學習能力對PID中的參數(shù)進行自適應調(diào)整，克服了傳統(tǒng)PID控制中參數(shù)不能自我調(diào)整的缺點，極大縮短了調(diào)試時間。

b）與傳統(tǒng)PID控制相比，基于RBF-PID控制調(diào)節(jié)速度快、穩(wěn)定性高、抗干擾能力強，能夠顯著提高伺服驅(qū)動液壓注塑機壓力控制精度。