一种基于迭代学习控制策略混凝土配料控制算法.docVIP

一种基于迭代学习控制策略的混凝土配料控制算法 　　摘要:配料控制系统的控制关键之一在于解决配料系统的精度问题。当称量斗上的物料重量到达设定值时才关闭给料阀门并停止供料,空中还有部分物料没落到称量斗,必然造成超称;若当称量斗上物料重量未到达设定值而提前停止供料,则有可能造成欠称。针对该问题,本文提出一种用于混凝土配料控制系统控制的预估算法,采用迭代学习控制来修正控制物料仓关门时间的预估值,提高配料系统的控制精度。实验结果表明,经过控制系统短暂的迭代自学习,实际重量控制曲线逐渐逼近设定值,取得了满意的控制效果。 　　关键词:控制系统;配料系统;配料精度;迭代学习 　　 　　1 引言 　　 　　在现代工业生产中,经常需要按一定比例混合原料的过程即配料。从总体上说,目前国内的配料控制器普遍在配料精度算法上有很多不足之处,需要进一步优化设计。 　　 　　2 配料控制过程的数学模型 　　 　　如图1所示,开始配料时,打开底部给料门,物料从料斗落到秤斗。秤斗上的称重传感器检测到物料实际重量达到设定重量时,关闭给料门停止下料。 　　可以看出,实际重量W(t)是系统固有特性参数和时间t的函数。 　　系统固有特性参数有?籽,S,H和P等。其中H、S、P可以通过测量得到。而物料在空中的比重?籽易受外界影响而难以预先确定。[1]但是最终的配料结果重量值却直接受参数?籽的影响,从而导致最终的配料结果难以确定,配料精度无法控制。不难看到,这是一个不确定的非线性模型,传统的控制方法难于对它进行控制。 　　 　　3 基于迭代学习控制策略的混凝土配料控制算法 　　 　　与其他控制方法相比,迭代学习的特点是能充分利用前几次的控制信息构成当前的输入信号,且不依赖被控系统的详细模型,由于它的算法简洁、控制效果显著而受到各国科研工作者的极大关注[2~5]。 　　3.1 迭代学习控制策略 　　前面已经推导出了称量配料的模型。在此基础上,本小节对称量配料的受控过程进行进一步分析。设给料门在ton时刻开门,在toff时刻关门。给料门打开后,物料在t0时刻落到秤斗,时间差为t0-ton。给料门关闭后,在t1时刻空中余料全部落入秤斗,时间差为t0-toff。 　　可见,Wall为u的函数,即:Wall=f(u)。 　　根据推导可知,在设定重量r一定的情况下,最后重量直接受提前关门量u控制。虽然物料比重?籽难以预先确定,但是在一段时间内,外界环境变化不大,故?籽可以看作相对稳定。由此推出:混凝土配料系统可以看作具有系统不变性,由于参数不确定导致系统模型不确定,但是可以采用迭代自学习控制,对提前关门量u进行迭代修正提前关门量使系统的实际输出(配料重量Wall)逼近期望输出(设定重量r)。 　　因此,可以将输出重量值反馈回来,用来修正提前关门量,从而形成一个闭环反馈控制系统。 　　3.2 迭代学习控制方案 　　设定输入控制量u(t)选为关门提前量,每次配料过程中,当秤斗中物料重量到达预先设定重量(Woff)时立即关料门,使得空中余料落入秤斗后的最终实际配料重量与设定值在其允许偏差范围之内。 　　初始控制量为u0,一般设为r的15~20%。在第一次配料中,当秤斗内物料的重量达到r-u0时,提前关闭料门。当空中余料全部落入秤斗后,得到实际配料重量值w0,实际配料值与期望轨迹存在误差: 　　e0=w0-r (13) 　　得到提前关门量: 　　u1=u0+qe0=u0+q(w0-r) (14) 　　上式中,q为迭代学习因子。 　　下一次配料过程,则按照u1作为控制量,同理可以得到第二次的误差: 　　(15) 　　依次类推,得到配料迭代过程如下。 　　设第k次配料时,控制量为uk,实际配料值为wk,则第k次配料误差ek为: 　　 (16) 　　则第k+1次配料时的控制量uk+1为: 　　 (17) 　　q通常取:0q1。 　　若每次重复训练时都满足初始条件ek(0)=0,当 足够大时,可以实现输出量逼近期望轨迹。 　　在本系统中,就可以使用这种方法,使用上次修正后的提前关门量进行提前关门。经过反复训练后使得提前关门量不断优化,当达到迭代停止条件|wk-r|?着时(?着为给定的允许误差范围),停止迭代。从而使得配料实际重量值达到误差允许的范围之内[1]。迭代学习控制算法在配料控制中应用原理如图3所示[1]。 　　 　　4 仿真实验结果 　　 　　基于仿真软件MATLAB对上述迭代算法进行了仿真。具体迭代算式如下: 　　上式中:w(k)为实际配料重量值;u(k)提前关门量值;k为迭代次数;?籽,S,P,H,r均和前面定义相同。算法中物料比重取值为500,迭代学习因子q取值为0.5。 　　 　　5 结论