基于BP神经网络沥青洒布精度研究.docVIP

基于BP神经网络沥青洒布精度研究 　　摘要：针对传统沥青洒布车洒布精度低的问题，利用多传感器冗余检测信号确保了采集信息的准确性；提出利用非定常效率法来控制沥青洒布精度，设计了基于BP神经网络PID控制法的沥青洒布车控制器，通过建立泵效率数学模型，计算出泵出口压力与喷洒壁压力的关系。利用 MATLAB进行仿真，结果表明：采用BP神经网络PID控制法实现了沥青洒布车车速信号、泵速信号、压力信号的快速响应，可以有效地提高沥青洒布精度。 　　关键词：沥青洒布；BP神经网络；PID控制；洒布精度 　　中图分类号：U418.3文献标志码：B 文章编号：1000033X（2016 　　0引言 　　传统沥青洒布车多采用常规PID控制法来控制沥青洒布精度，存在沥青泵响应速度慢、车速变化不稳、管路阻力大、沥青泵容积效率变化等缺点[1]。本文将神经网络技术引入到常规PID控制技术中，设计出基于BP神经网络的PID控制器，并提出利用非定常效率法来控制沥青洒布精度。 　　1传感器多重冗余检测处理 　　采用多重冗余方法设计的沥青洒布精度检测装置，充分利用了多个传感器的特点和资源，通过对各种传感器所测信息的合理支配与不同传感器对同一对象的一致描述，提高了整个洒布装置检测信号的准确度[2]。即通过压力传感器对泵出口压力和喷嘴压力进行检测、雷达检测洒布车行驶速度、接近开关测量传动轴转速、流量传感器检测沥青流量、温度传感器检测沥青和导热油温度、编码器测量沥青泵转速等，按照它们提供信息的不同特征对同一现象进行循环检测确认[34]。 　　2数学模型建立 　　2.1相关参数推算 　　3基于BP网络的PID控制结构 　　BP神经网络的PID控制系统原理结构如图1所示。控制器是整个控制系统的核心，主要由神经网络算法和常规PID控制器构成。根据实际洒布运行状态，以及自学习能力、加权系数自调整能力修正PID控制器的3个参数Kp、Ki、Kd，最终达到一定的理想组合，使神经网络输出层节点上的值分别对应PID控制器的3个可调参数。 　　沥青洒布系统的整个控制结构如图2所示。系统控制器控制多路传感器采集周围环境信息，并将这些信息数据经特征提取之后送往信息融合中心进行融合处理，最终转化成对沥青泵转速的一致性描述[5]。根据设定的偏差量，系统给出沥青泵需要增加或减少的转速，以此作为沥青洒布控制系统中BP神经网络PID控制器的输入信号。PID控制器产生的控制量控制插头放大器，通过插头放大器实现对沥青泵转速的控制，进而对沥青洒布精度进行控制。 　　4BP网络的PID控制算法 　　4.1结构算法 　　BP神经网络算法以有向图为拓扑结构形式，对输入的数据信息进行实时处理。加权系数经神经网络算法调整之后，使得网络的输出值对应于最优控制下的PID数据控制参数，通过前向传播算法和反向传播算法的往复循环计算出最优参数值。 　　基于BP神经网络的沥青洒布精度由正向和反向传播阶段组成。处在正向传播阶段的信息数据，由输入层经隐含层到达各神经单元，由神经单元处理之后得到每个神经元节点的实际输出值。当实际输出值与期望值之间存在误差时，信息数据进入反向传播阶段。误差信号沿着误差反向传播路径传递到输入层，并将误差信息分配给各层的神经单元，根据各层的误差信息来实时修正各神经元的权值。2个阶如此往复进行，直至误差信号落到系统允许的误差范围之内为止。 　　4.2BP神经网络PID控制过程 　　（1）沥青洒布精度控制采用BP神经网络的数据结构形式，输入层的节点数m、隐含层的节点数q，给加权系数w1ij（0）和w2li（0）赋初始数值，选取η（学习速率）和a （惯性系数），取k=1。 　　（2）对传感器信息进行采样得数据A（k）、B（k），并计算此时的误差，得到e（k）=A（k）-B（k）。 　　（3）计算各层神经元的输入值、输出值。 　　（4）计算PID控制器的输出值μ（k）。 　　（5）对系数w1ij（k）和w2li（k）进行调整。 　　（6）置k=k+1，然后返回到过程（1）。 　　BP神经网络的PID控制算法流程，如图3所示。 　　5沥青洒布精度参数 　　喷洒壁的压力和沥青泵容积效率是反应沥青洒布精度的重要参数。在沥青洒布车作业过程中，不断测量沥青泵转速n1和沥青泵容积效率ηv这2个参数 　　6仿真分析 　　沥青洒布车洒布沥青的过程是时变、非线性的，故利用ZN第二法则来调整PID控制器的控制参数。 　　当系统首次出现等幅震荡时，对应的临界增益Kc=8 000，振荡周期Tc=18 s。根据ZN法则可知：Ti=0.5Tc=0.9 s，Td=0125Tc=0.225 s，则PID控制器参数为：Kp=06Kc=4 800，Ki=Kp/Ti=5 330