超快速注射机pid闭环控制算法研究.docxVIP

超快速注射机pid闭环控制算法研究 与普通预射机不同，超速预射机需要进行二次压射。初压为缓慢压，空腔压力充足，初压为高速压，芯压迅速填写。所谓模具快速填充是指在较高压力下将熔融料以很快的速度压入模具的腔体中, 从而避免熔融料填充不均匀产生次品, 而控制二级压射需要专门设计插装阀进行控制。超快速注射机使用专用二通插装阀, 首先二通阀控制压射腔体进行慢压射, 慢压射增压过程结束后系统比较插装阀的位置信号和位移传感器得到的阀芯位置信号, 通过闭环控制算法将位置偏差送给先导比例阀, 比例阀控制二通插装阀的开度, 此开度能够控制液压油从油管底部到油嘴的流速, 从而控制快速压射的速度, 也就是说通过先导阀的位置可以控制压射的速度。由此可见, 注射机二级注塑系统中最关键的技术是对二通插装阀的完美精确控制, 其实也就是对闭环控制算法的完善 一般的闭环控制算法以比例积分微分 (PID) 闭环控制算法较为常见, 其中P为比例调节, 是输入输出比例的放大倍数;I为积分调节, 用来消除系统静态误差;D为微分调节, 是对输出的提前预判调节。但受注塑系统的非线性、电磁阀的磁滞饱和性、液压油的压缩性等因素影响, 单纯的PID控制算法很难达到预期的控制效果 1 系统先导阀的压射 式中:m为螺杆活塞质量, kg;B为活塞的黏性阻尼系数, N· (s/m) ;F为稳态液动力, N;A为活塞缸两端面积, m 阀芯控制着液压油的压力和速度, 也就控制着注射机的压射质量, 如图2所示为系统先导阀, 它是一个理想的四通滑阀, 在理想状态下四个节流口都是对称的。在进行压射控制时处于节流口的紊流液压油假定为密度不变, 而且假定先导比例阀是个理想原件, 也就是说阀口的压力跟阀芯的位移变化响应时间为零, 回油压力在理想状态下为零, 供油压力为恒定值。 阀芯的动态位移公式为: 想要使阀芯左移, 以阀口1为参考方向, 使阀芯右移, 以2为参考方向。其中Q 2 模糊性质量的计算 如图3所示为结合RBF (Radical Basis Function) 神经网络与模糊系统T-S (Takagi-Sugeno) 模型建立的四阶神经网络系统。 各层依次为输入层、第一隐含层、第二隐含层、输出层。对于电液比例控制系统来说, 首要目的是输出平稳准确的液压油压力, 当然还要得到及时的流量控制参数, 这里主要研究对于液压压力的控制, 所以, e为压力的控制偏差;ec为偏差变化率。 液压系统在n T时刻的压力为e (n) , y (n) 为系统给定的压力, e (n-1) 为液压系统 (n-1) T时刻也就是上一相邻时刻的压力, 控制偏差即输出设定量P 利用模糊系统优化参数, 首先要将输入量进行模糊化, E对应模糊系统中的e, EC对应模糊系统中的ec, 也就是说e与ec模糊化以后可以写为E与EC, 这里将输入连的量化等级定义为7, 将其描述成模糊语言为: EC的模糊规则为: {NB, NM, NS, ZO, PS, PM, PB} 那么对应的第三层的结点个数为N=7×7=49个。针对于模糊化层, 一个节点就对应一个模糊语言, 例如E与EC模糊规则中提到的NM, NS, ZO等。利用高斯型函数作为评价标准, 计算各语言变量得到各输入变量的隶属度程度, 然后进行模糊推理: 式中:σ 接下来, 在模糊推理层中, 一个节点对应着一个模糊推理规则, 为了计算每个规则对于各自节点的适应度, 将每个模糊规则进行配对, 即 式中: f 式中:W为连接权矩阵, 在第四层输出层与第三层模糊推理层之间, i=1, 2, 3。控制器为: 式中:k 选用较为容易列出表达式的增量式PID算法作为本文液压控制系统的算法: 选取评价函数来对控制效果进行打分, 一般可以选择控制量偏差的累积作为评价标准: 式中:ec (t) 为液压系统压力变化率;t为积分时间变量;t 得到连接权W 式中:η为模糊神经网络算法的学习速率;α为惯性系数, 0α1。e 式中:y 将式 (14) 变换并改写为矩阵形式: 式中:输出Y=[y 利用正交分解对矩阵进行变换: 式中:H为正交向量A的包含矩阵, 利用最小二乘法变换得: 式中:S= (H 当满足以上标准时就终止算法的迭代, 同时可以确定权值矩阵: 由于注射机的电液比例控制系统的非线性和耦合性比较强, 单纯的模糊神经网络优化PID参数并不能够取得很好的效果, 所以本文引入粒子群算法对模糊神经网络的c 式中:r 式中: 这里, 适应度目标函数的选取显然对粒子群算法的惯性权重有着至关重要的影响, 系统的输入有压力变化和压力变化率, 对应的模糊规则有7个, 那么种群的解空间维数为14个, 每一维解都有各自的隶属度中心值和宽度, 所以f 对于输出层的学习速率η和惯性系数α, 照一般的算法都是随机数, 这里利用粒