BP神经网络PID在扭矩标准机上的建模与实现

BP神经网络PID在扭矩标准机上的建模与实现静重式扭矩标准机是进行扭矩量值传递的基础其采用祛码的力源作为标准力值，借助力臂杠杆的相互作用形成标准扭矩，直接或经过特定的杠杆机械结构产生标准扭矩,并施加到被检对象上很多国家的扭矩标准装置结构基本参照PTB的标准装置进行设计目前处于国内领先水平的一级扭矩计量站,其装置的加载方式均为分段式速度加载在检定扭矩传感器过程中，连接往往存在不同大小的间隙各品牌扭矩传感器材料弹性模量各不相同，如依旧使用传统的控制逻辑,会导致检定校准过程单

一、缓慢同时/衣据目前现行的国家检定规程操作，在实际使用中检定校准过程往往需要花费大量时间由于组态软件与可编程逻辑控制器（控制系统自身技术的局限，使用其内部数据库与程序,难以引入先进的控制算法针对扭矩标准机加载系统中用于平衡加载祛码的二相混合式步进电机,本文提出了基于误差反向传播神经网络自适应比例积分微分控制系统算法该控制算法使用用于过程控制的对象连接与嵌入通信协议实现组态王与Matlab的数据交换,将组态软件与神经网络自适应PID控制算法相结合经过PLC编程后的静态扭矩标准机实现了智能化自整定、自适应的功能该项技术可以使扭矩标准机在不同安装状况、不同被测对象中依旧平稳加载至目标值，从而大幅度缩小各级扭矩加载时间1加载控制系统建模本文以实验室中的一台3000Nm静重式扭矩标准机为研究对象加载系统由PLC控制器以及上位机、标准力臂机构、力臂平衡机构、祛码加载机构、位移传感器组成该自动控制系统的控制对象为平衡杠杆上的位移传感器相对位置,而被控对象为混合式两相伺服电机输出所以该系统是一个典型单闭环伺服系统伺服系统PID控制如图1所示图1伺服系统PID控制框图系统中，输入量环节受到扭矩传感器安装间隙与受力形变因素影响,在安装不同的被检传感器时往往引入不同的时滞和非线性高阶项,导致整个控制系统不确定因素增加，影响系统稳定性现代控制系统理论建模中，将输入作为扰动信号并简化为单位脉冲信号,以便后续反馈系统建模设计分析在步进电机的控制中,需要在负载扭矩中进行高分辨率步进角度控制，同时减缓运转过程的震动和噪声，以提高转角精度和运行平稳性因此，需要利用步进电机驱动器对其进行细分驱动⑸本文选用的是KINCO2S110Q-03999两相式步进电机，其步进角6b为L8,搭配2Hli60步进电机驱动器，可用于细分控制驱动器顶部设置八段双列直插封装，设定开关中的DIP

2、DIP

3、DIP4为OFF、OFF、OFF,并选择128步细分驱动控制步进角结合细分控制步进电机的转角6为式中:P为脉冲数；n为细分数减速机是负责传递动能的机械结构，利用不同齿数的齿轮啮合构成速度转换器，使高速运转动力装置的速度变为正常工作所需要的速度减速机能有效提高转矩的输出，同时可减少负载惯量在此采用大型减速机，减速比i为

5294.8其输出转速⑴为式中⑴为输入转速；i为转速比控制角度可由转速随时间积分得到非接触式位移传感器安装于平衡杠杆的特定位置，距离杠杆中心支点为固定总目离，即

0.665m D=LxsinOL式中D为位移传感器读取的相对位移值；L为位移传感器平衡杠杆位置长度；6L为平衡杠杆偏移水平面角度经过传感器线性变换转换为采样信号d,由单位换算关系可得△d=Dxl00000式中Ad为经过传感器线性变换转换为采样模拟量输入的变化值取杠杆平衡位置为采样信号的零点d0=0根据d=dO+Ad,Ad的值为实际相对位移输出执行机构需要控制驱动步进电机的增量，采用经典增量式PID控制

[6],利用闭环反馈原理，以系统输出值与期望值的差作为系统偏差，纠正控制输出值其控制器逻辑可由式⑸实现式中uk为本次控制量；uk-l为上次控制量；ek为本次偏差；rink为系统期望值；youtk为控制对象输出实际值；ek-l为上次偏差；ek-2为上上次偏差；Kp为比例系数；Ki为积分系数；Kd为微分系数建立经典的增量式PID控制器之手，使用Simulink对系统进行数学建模在Simulink建立PID控制框图如图2所示图2在Simulink建立PID控制框图闭环传递函数根据等效变换法则，可简化为式中Gs为连续系统闭环传递函数；s为拉氏变换的s域对闭环传递函数作离散Z变换,设置采样时间1s,可得简化闭环传递函数为:式中G⑵为离散系统闭环传递函数；z为Z变换的z域在Simulink建立简化PID控制框图如图3所示图3在Simulink建立简化PID控制框图2BP神经网络自适应PID控制系统PID神经网络是一种新型的多层神经元网络，可作为系统的解耦控制器，由经典增量式PID控制器和BP神经网络算法组合而成BP神经网络PID控制器结构如图4所示其PID控制利用BP神经网络整定实时更新,具有良好的自学习和自适应解耦控制特性图4BP神经网络PID控制器结构BP神经网络算法是基于生物神经网络，模拟人的形象思维和信息处理能力的算法,需要经历学习过程实际使用时，需要大量数据,并通过学习不断更新连接权重，使得神经网络逐渐逼近非线性系统BP神经网络结构如图5所示图5BP神经网络结构BP神经网络利用输入前向传播、误差闭环反馈信号反向传播和梯度下降的基本原理，以链式求导法则获取权值更新变化规律，使权值可以按照一定的函数规律进行更新迭代［9］；通过对权值的输出调节PID控制参数，达到降低误差、取代人工调节参数，并使神经网络输出对应于最优控制规律的PID控制参数的目的由于不受制于被控对象,通过加入神经网络对PID控制进行参数自整定，能大幅度提高控制系统的鲁棒性BP神经网络控制器网络由输入层Layerl＞隐含层Layer2＞输出层Layer3三层结构组成输入层的三个输入分别对应期望值xl、实际值x

2、偏差x3输出层的三个输出分别对应比例系数KP、积分系数Ki、微分系数Kdo隐含层共五层BP神经网络的学习原理是反向梯度下降算法Simulink仿真设计由初始化与仿真循环两个部分组成其中，仿真输出由求解器控制，负责传递模块输出、对状态量的积分求导和确定采样时间系统的作用是计算模块输出、计算导数状态、计算状态更新、产生过零事件在S函数中通过不同标志和子函数，控制求解器和系统之间的信息传递BP神经网络PID控制器仿真结构如图6所示图6BP神经网络PID控制器仿真结构图在图6中,BP神经网络控制器由S函数实现S函数控制结构如图7所示图7s函数控制结构图S函数初始化通过mdllnitializeSizes子函数,flag=O的方法实现BP神经网络控制函数由以下数学逻辑得出BP神经网络控制器的输入层输入量为ojk=uj,j=l,2,3BP神经网络控制器隐含层的输入量和输出量分别为oik=f[nik],i=l,2,...,5隐含层神经元采用双曲正切Sigmoid函数为激发函数BP神经网络控制器输出层的输入量和输出量分别为:olk=g[nlk],l=l,2/3BP神经网络输出层加权系数计算式为j=L23kL2,34,51=123BP神经网络PID调参功能主要通过S函数程序结构实现根据n、Ct梯度下降法修正神经元加权系数在Simulink仿真中尸ID控制由梯度下降设置相同的n和ao在使用Sigmoid函数作为激活函数时，固定的n、a会导致网络训练收敛速度比较缓慢需要长时间多次收集庞大的训练数据,才能整定出最优整定系数由于实际应用中学习方式为在线学习,无法像在仿真学习状态下得出庞大的训练数据在线训练数据有限的条件下，输出PID控制参数时需要各自乘以不同的放大系数放大系数由经验法人工整定得出增加放大系数后,该控制系统可以增大收敛速度、减少训练时间，并且不易产生振荡BP神经网络PID控制模型如图8所示图8BP神经网络PID控制模型图8中信号源为阶梯信号发生器；BP神经网络PID控制器参数可由双击S函数图标弹出对话框输入神经网络参数得到，包括小a、隐含层数nh、输出动作值限制最大值Um、采样时间T、隐含层的激活函数与输出层的激活函数如果n取值偏大，容易产生震荡；取值偏小,收敛速度慢这里选择合适的n=o.L取常用的非线性Sigmoid函数作为隐含层输出层激活函数，把神经元连续输入值映射到〜1之间作为输出BP神经网络PID控制阶跃信号、阶梯信号响应如图9所示图9中rin为阶跃阶梯输入信号函数；yout为阶跃阶梯信号响应函数图9BP神经网络PID控制阶跃信号、阶梯信号响应Ki、KP、Kd参数变化曲线如图10所示图10Ki、KP、Kd参数变化曲线由图

9、图10可知，PID控制器的三个参数不再是固定的，而是随时间变化,因此可以很好地实现对控制对象的跟踪控制这种控制策略可以实现较好的控制效果3Mat lab与组态王通信0PC通信本软件通过建立OPC服务器实现组态软件与Matlab相结合的控制两者之间利用OPC的方法进行数据交换OPC数据交换结构如图11所示图110PC数据交换结构图OPC广泛应用于工业控制领域，由OPC服务器和OPC客户组成OPC服务器负责提供数据OPC客户负责数据的处理不同来源的数据都可以通过OPC服务器转发OPC服务器与OPC客户的连接可由OPC客户根据需求断开或连接建立OPC服务器，可以实现Matlab、PLC和组态软件的数据交换OPC数据存取服务器主要由Server Group和Item这三类对象组成［12］根据OPC服务器，在组态软件建立OPC服务器KingView.View.L并在服务器中建立各项数据项对象Item使用Matlab编写m文件，建立OPC服务器连接建立的组态王组态软件界面中，PID控制可以通过OPC服务器与Matlab通信，实现在线PID控制自整定实际PLC控制程序中，在PID控制逻辑稳定误差达到±4%,保持3s后就会切断控制,达到平衡状态，供人员读取仪器数据控制性能的优劣主要从平均超调量和平均上升时间两方面衡量PID控制性能对比如表1所示表1PID控制性能对比在实际应用中，试验对象选择型号为川338的扭矩传感器，其量程为400〜2000Nm验证过程使用实验室

0.05级、量程为3000Nm的静重式扭矩标准机对该扭矩传感器按照静态扭矩测量仪检定规程进行检定根据国家检定规程，检定过程要求预载一次，再分别检定加载三次在每次加载或卸载动作的间隔中，判断动作完成需要等待的时间为3So本次验证过程中，除去检定时人为读数与手写原始记录的时间实际应用中的PID控制性能对比如表2所示表2实际应用中的PID控制性能对比由表2可知，整体检定时间可从

114.4min缩减至

66.0min,效率提升73%通过更换试验对象、安装方式,其时间不会产生太大差别4结论本文提出了一种新的BP神经网络PID参数自适应整定算法该算法应用于3000Nm静重式扭矩标准机基于这种新型控制算法,本文设计出一套新型基于神经网络的PID自适应控制系统软件通过试验结果可以看出，改进后的算法响应速度和精度都有一定的改善特别在首次安装加载时,扭矩传感器连接存在间隙，优势更为明显由此可知，BP神经网络控制效果更好，而且不受传感器种类、安装方式的限制该自适应整定控制算法可以有效提高静重式扭矩标准机使用时间和效率，实现静态扭矩标准机智能化自整定、自适应功能在未来推广后,该算法能减缓企业送检周期与送检成本，推动扭矩量值溯源的发展该研究为保障人民群众生命安全和社会公共安全提供有力的计量技术支撑，对现代制造业、国防和工程技术有重要意义。