基于BP神經網絡的瀝青灑布精度研究

邵珠楓 朱敬花

摘要：針對傳統瀝青灑布車灑布精度低的問題，利用多傳感器冗余檢測信號確保了采集信息的準確性；提出利用非定常效率法來控制瀝青灑布精度，設計了基于BP神經網絡PID控制法的瀝青灑布車控制器，通過建立泵效率數學模型，計算出泵出口壓力與噴灑壁壓力的關系。利用 MATLAB進行仿真，結果表明：采用BP神經網絡PID控制法實現了瀝青灑布車車速信號、泵速信號、壓力信號的快速響應，可以有效地提高瀝青灑布精度。

關鍵詞：瀝青灑布；BP神經網絡；PID控制；灑布精度

中圖分類號：U418.3文獻標志碼：B 文章編號：1000033X（2016）06009704

0引言

傳統瀝青灑布車多采用常規PID控制法來控制瀝青灑布精度，存在瀝青泵響應速度慢、車速變化不穩、管路阻力大、瀝青泵容積效率變化等缺點[1]。本文將神經網絡技術引入到常規PID控制技術中，設計出基于BP神經網絡的PID控制器，并提出利用非定常效率法來控制瀝青灑布精度。

1傳感器多重冗余檢測處理

采用多重冗余方法設計的瀝青灑布精度檢測裝置，充分利用了多個傳感器的特點和資源，通過對各種傳感器所測信息的合理支配與不同傳感器對同一對象的一致描述，提高了整個灑布裝置檢測信號的準確度[2]。即通過壓力傳感器對泵出口壓力和噴嘴壓力進行檢測、雷達檢測灑布車行駛速度、接近開關測量傳動軸轉速、流量傳感器檢測瀝青流量、溫度傳感器檢測瀝青和導熱油溫度、編碼器測量瀝青泵轉速等，按照它們提供信息的不同特征對同一現象進行循環檢測確認[34]。

2數學模型建立

2.1相關參數推算

3基于BP網絡的PID控制結構

BP神經網絡的PID控制系統原理結構如圖1所示。控制器是整個控制系統的核心，主要由神經網絡算法和常規PID控制器構成。根據實際灑布運行狀態，以及自學習能力、加權系數自調整能力修正PID控制器的3個參數Kp、Ki、Kd，最終達到一定的理想組合，使神經網絡輸出層節點上的值分別對應PID控制器的3個可調參數。

瀝青灑布系統的整個控制結構如圖2所示。系統控制器控制多路傳感器采集周圍環境信息，并將這些信息數據經特征提取之后送往信息融合中心進行融合處理，最終轉化成對瀝青泵轉速的一致性描述[5]。根據設定的偏差量，系統給出瀝青泵需要增加或減少的轉速，以此作為瀝青灑布控制系統中BP神經網絡PID控制器的輸入信號。PID控制器產生的控制量控制插頭放大器，通過插頭放大器實現對瀝青泵轉速的控制，進而對瀝青灑布精度進行控制。

4BP網絡的PID控制算法

4.1結構算法

BP神經網絡算法以有向圖為拓撲結構形式，對輸入的數據信息進行實時處理。加權系數經神經網絡算法調整之后，使得網絡的輸出值對應于最優控制下的PID數據控制參數，通過前向傳播算法和反向傳播算法的往復循環計算出最優參數值。

基于BP神經網絡的瀝青灑布精度由正向和反向傳播階段組成。處在正向傳播階段的信息數據，由輸入層經隱含層到達各神經單元，由神經單元處理之后得到每個神經元節點的實際輸出值。當實際輸出值與期望值之間存在誤差時，信息數據進入反向傳播階段。誤差信號沿著誤差反向傳播路徑傳遞到輸入層，并將誤差信息分配給各層的神經單元，根據各層的誤差信息來實時修正各神經元的權值。2個階如此往復進行，直至誤差信號落到系統允許的誤差范圍之內為止。

4.2BP神經網絡PID控制過程

（1）瀝青灑布精度控制采用BP神經網絡的數據結構形式，輸入層的節點數m、隱含層的節點數q，給加權系數w1ij（0）和w2li（0）賦初始數值，選取η（學習速率）和a （慣性系數），取k=1。

（2）對傳感器信息進行采樣得數據A（k）、B（k），并計算此時的誤差，得到e（k）=A（k）-B（k）。

（3）計算各層神經元的輸入值、輸出值。

（4）計算PID控制器的輸出值μ（k）。

（5）對系數w1ij（k）和w2li（k）進行調整。

（6）置k=k+1，然后返回到過程（1）。

BP神經網絡的PID控制算法流程，如圖3所示。

5瀝青灑布精度參數

噴灑壁的壓力和瀝青泵容積效率是反應瀝青灑布精度的重要參數。在瀝青灑布車作業過程中，不斷測量瀝青泵轉速n1和瀝青泵容積效率ηv這2個參數

6仿真分析

瀝青灑布車灑布瀝青的過程是時變、非線性的，故利用ZN第二法則來調整PID控制器的控制參數。

當系統首次出現等幅震蕩時，對應的臨界增益Kc=8 000，振蕩周期Tc=18 s。根據ZN法則可知：Ti=0.5Tc=0.9 s，Td=0125Tc=0.225 s，則PID控制器參數為：Kp=06Kc=4 800，Ki=Kp/Ti=5 330，Kd=Kp·Td=1 080。經過計算并適當調整，通過仿真可以得到傳統PID控制系統的階躍響應曲線，如圖4所示。

基于BP神經網絡算法的PID控制器采用3層神經網絡結構，其慣性系數α=0.01，學習速率η=0.2，層與層間的初始值取[-0.5，0.5]的任意數，神經網絡輸入層的輸入數據分別為輸入值r（k）、誤差值e（k）、輸出值y（k）和單位1。然后通過MATLAB軟件對瀝青灑布控制系統進行數據仿真，可得到此時系統的階躍響應曲線，如圖5所示。

根據經驗調整網絡的學習速率和初始權值，并降低學習速率，得到修正之后的階躍響應曲線，如圖6所示。由圖6可知，基于BP神經網絡的PID控制器的控制效果非常好，基本無超調。

7結語

（1）采用基于BP神經網絡的PID控制法控制瀝青泵的響應，實現了瀝青灑布車車速信號、泵速信號、壓力信號等快速響應，實現了灑布精度的動態控制。

（2）通過對瀝青灑布控制精度的影響因素進行分析，提出利用非定常效率法來控制瀝青灑布精度，建立瀝青泵效率的數學模型，得到了瀝青灑布控制精度的計算方法。

（3）通過MATLAB對BP神經網絡PID控制法和常規PID控制法的瀝青灑布精度進行仿真對比，表明了本文所設計的系統控制器在對信號的跟蹤特性、抗干擾能力以及魯棒性方面比傳統的控制法有明顯的優越性。

參考文獻：

[1]崔克寧，楊露，謝東亮.一種多傳感器冗余的神經網絡算法研究[J].河南大學學報，2001，31（1）：1620.

[2]柏松山，韋東，花思洋.基于多重冗余技術的企業電力調度自動化系統[J].電力自動化設備，2004，24（12）：4648.

[3]王利明，張聰，郭小宏.基于模糊神經網絡的筑路機械生產率預測方法[J].筑路機械與施工機械化，2001，18（3）：1013.

[4]涂川川.基于BP神經網絡PID控制的溫室環境控制系統的仿真研究[D].長春：吉林農業大學，2012.

[5]李強，楊曉京，魏嵐.基于神經網絡信息融合的智能機器人[J].機電工程技術，2006，35（6）：7274，115.