模糊神經網絡PID在提升機恒減速系統中的應用研究

王利棟，王 政

(1.大同煤礦集團有限責任公司同大科技研究院，山西 大同 037003；2.中國礦業大學機電工程學院，江蘇 徐州 221116)

0 引 言

礦井提升機是一個復雜的非線性時變系統，不同的提升載荷對緊急制動下提升機制動性能有著較大的影響，而恒減速制動方式能夠很好地保障緊急制動的安全性。當發生緊急情況時，恒減速制動通過改變盤閘壓力值，可以使提升機以不變的減速度停車[1]。以上功能的實現，依賴于對控制策略的研究。

當前，提升機恒減速系統的控制策略仍然以PLC內置的PID控制為主[2]，但參數確定后便不可再進行微調，往往無法適應復雜的恒減速制動工況，更無法滿足緊急制動情況下響應迅速，制動平穩的要求，在此基礎上，有學者提出了模糊PID控制[3]，將離線的模糊規則與PID相結合，使參數可以在一定程度上進行微調，提高了控制精度，但無法針對整個提升過程，尤其是對突發狀況做出更加合理的判斷，僅僅是控制算法上的優化，且其性能過于依賴模糊規則的設定，因此，有學者提出了BP神經網絡PID控制方法，將神經網絡結構引入恒減速系統中，通過迭代訓練反向優化權值與閾值[4]，從而動態地微調PID參數值，彌補了此前研究的不足。但恒減速控制系統多數以PLC作為控制器，PLC對神經網絡的處理能力較弱，同時會占用其他安全策略的反應時間，增加了制動系統不確定風險。

本著使PID參數更加精確的原則，本文引入模糊神經網絡PID算法，將離線的模糊規則與可反復迭代優化的BP神經網絡相融合，既滿足了可根據不同工況微調PID參數值的要求，又解決了PLC處理大量數據能力不足，影響整個安全策略可靠性的問題，并對恒減速裝置的控制策略做進一步優化探究。

1 提升機恒減速制動系統的控制原理

恒減速制動是提升機緊急制動的一個重要制動方法，當實施恒減速制動時，可通過編程控制器實時獲取提升機的減速度，通過與人機界面設定的減速度做減法得到減速度誤差，將減速度誤差與減速度誤差變化率作為模糊神經網絡控制器的輸入。為使減速度的值在要求范圍內，本文將模糊PID與BP神經網絡相結合構建模糊神經網絡PID控制器，將在實驗條件下得到的數據集注入神經網絡結構，通過不斷地迭代更新，根據誤差值反向修正權值與閾值，即改變語言值與模糊規則，完成神經元結構優化。 最終輸出變化量ΔKp、ΔKi、ΔKd，并根據變化量調整PID值，輸出相應的電液比例溢流閥的控制信號，調節盤式制動器內的油壓，改變制動器作用于滾筒的制動力矩，使提升機減速度達到給定減速度允許的誤差范圍內直到停車。其控制原理圖如圖1所示。

圖1 恒減速制動系統控制原理圖

其中，恒減速系統的盤式制動器的制動原理圖如圖2所示。制動發生時，彈簧彈力大于油壓，最終閘瓦與制動盤接觸，通過摩擦力對卷筒進行制動。故活塞通過閘瓦壓向制動盤的正壓力N見式(1)。

N=F2-F1

(1)

式中：F1為壓力油產生的作用力，N；F2為彈簧的作用力，N。

盤式制動器在制動盤上產生的制動力矩取決于正壓力N的數值，計算公式見式(2)。

Mzh=2NμRmn

(2)

式中：Mzh為制動力矩，N·m；μ為閘瓦對制動盤的摩擦系數；Rm為制動盤制動半徑，m；n為提升機制動器副數。

注：1-碟形彈簧；2-活塞；3-閘瓦；4-制動盤。

故通過調節進油口油壓就可達到調節制動力矩的作用，不斷調節制動力矩保持恒定減速度制動。

2 模糊神經網絡控制器的搭建及實現方法

Matlab軟件中的ANFIS工具箱是構建模糊神經網絡控制器的主要工具，它能夠對通過模糊PID獲得的數據進行訓練，構建出神經網絡結構，得到隸屬度函數和控制規則表[5-6]，并建立基于恒減速系統的二維模糊推理模型。

首先在Matlab軟件中調用ANFISedit窗口。其次加載訓練數據，由于恒減速系統是一個復雜的時變系統，對于每種可能出現的狀況都要充分考慮在內，故采集不同的提升工況進行分析[7]，將實驗條件下預先獲取的每個情況中的減速度誤差E、減速度誤差變化率EC以及ΔKp、ΔKi、ΔKd注入到神經網絡結構中，并隨機劃分訓練集與測試集。最后對該樣本進行人為設定訓練次數即可。經過以上步驟后，就完成了利用訓練數據建立模糊神經網絡的過程。其中，將訓練次數Epochs設置為1 000次，訓練誤差最終穩定在0.418 14。訓練完畢，得到訓練完成的神經網絡結構模型，該模型的隸屬度函數如圖3和圖4所示。

圖3 偏差隸屬度函數曲線

圖4 偏差變化率隸屬度函數曲線

本文使用查表法將模糊神經網絡離線學習訓練過的模糊PID控制算法應用到西門子的PLC中，即經過訓練的模糊神經網絡系統，可導出語言變量E和EC與輸出ΔKp、ΔKi、ΔKd的離線賦值表，將得到的賦值表寫入可編程控制器的全局數據塊中，并以二維數組的形式存儲調用。該方法更加符合對響應速度要求高的系統，成本低且改造更為方便。

當危險工況發生需緊急制動時，恒減速系統被激活，為保證減速度為恒定值，PLC調用E和EC與ΔKp、ΔKi、ΔKd的離線賦值表，在PLC中表現為二維數組組成的數據塊，隨后與相匹配的量化因子相乘得到實際的變化量；并將其與起始值運算后，得到實際PID值，通過此種方法的PID運算即可滿足要求。

3 系統模型與仿真

控制器按上述方法搭建完成后，為了驗證其可行性，本文采用AMESim和Simulink聯合仿真[8]。該方式利用AMESim中提供的AMESim-Simulink接口把AMESim中的模型編譯為Simulink模型支持的S函數，然后通過Simulink中的S-Function模塊調用編譯后產生的S函數，實現聯合仿真。

恒減速制動系統在AMESim中搭建如圖5所示的恒減速制動仿真模型。本系統將減速度與減速度誤差變化率放在AMESim模型中運算，作為Simulink的輸入接口，比例溢流閥的控制信號作為輸出接口。

模型構建后，使用同煤四礦提升機的相關技術參數，對仿真模型的模塊設置相應參數，見表1。其中，先導式比例溢流閥的型號采用ATOS的AGMO-REB-P-NP-010/210。

圖5 AMESim中恒減速系統模型

表1 提升機技術參數

圖6 Simulink中的仿真模型

圖7 空載上提、下放時模糊PID與模糊神經網絡PID控制效果

圖8 重載上提、下放時模糊PID與模糊神經網絡PID控制效果

依據控制系統的結構和原理，在Simulink中構建仿真模型如圖6所示。K1、K2、K3分別表示ΔKp、ΔKi、ΔKd的比例系數；增益模塊Ke、Ke表示E和EC的量化因子；FNN模塊即為模糊控制模塊[9]，將事先命名好的模糊控制器的文件名即“FNN”輸入到該模塊的命名欄里，既可完成模塊與控制器的連接，模糊控制器的輸入E和EC以及輸出ΔKp、ΔKi、ΔKd的隸屬度函數使用前面經神經網絡訓練好的隸屬度函數；將AMESim中的恒減速液壓模型進行封裝，轉化成Simulink可作為接口的S函數模塊，即可完成液壓系統的仿真。

根據《煤礦安全規程》規定，提升機安全制動的減速度不能超過5 m/s2。 為驗證本文所探討的控制策略，將減速度值設置為2，3，4，既滿足了《煤礦安全規程》規定，也使減速度更具有代表性。 仿真不僅設定了不同的減速度，還綜合考慮了不同的工況，如空載與重載情況下的提升與下放，4種工況下分別對兩種控制算法進行對比分析，如圖7和圖8所示。

根據以上比對分析可以看出，當選用模糊神經網絡PID作為該系統的控制算法時，在4種工況下制動到指定減速度的時間都有明顯的減少，且都可以滿足在接收到安全回路掉電信號后的0.8 s內必須達到恒定的減速度的行業要求,且在調節的過程中減速度超調量更小，穩態精度更高。

4 結 語

本文針對恒減速裝置的PID算法進行了進一步的研究，引入了模糊神經網絡PID。通過在4種不同工況下的仿真，并與模糊PID控制算法進行比較。 結果表明：①該方案在所示三種減速度中減速度的超調量更小，且相比于模糊PID控制，穩態精度更高，效果更好；②對于減速度的響應時間更短，且均滿足0.8 s內達到恒定減速的要求，相比于模糊PID控制，響應更快，對恒減速系統的優化更好。