基于神經網絡PID控制器的壓鑄機壓射速度控制系統的設計

楊力，徐林森

應用技術

基于神經網絡PID控制器的壓鑄機壓射速度控制系統的設計

楊力1，徐林森2

（1. 常州工業職業技術學院，江蘇 常州 213164；2. 中國科學院合肥物質科學研究所，合肥 230031）

通過神經網絡PID控制器，提高鑄件過程中對壓鑄機壓射速度的準確控制，以改善鑄件的品質。首先，從壓射系統的結構出發，分析其工作過程，通過輸入電壓求取電液伺服裝置的傳遞函數，利用比例閥所受壓力，計算其端口流量，進而完成壓射系統的建模。然后，以STM32F103RE處理器為核心，配以輸入電路、反饋電路等外圍單元，設計壓射速度控制系統的硬件框架。以PID算法為基礎，將壓射速度的誤差引入到神經網絡算法中，對PID算法的參數進行整定，以形成能夠自適應調整參數的神經網絡PID算法，進而作為壓射速度控制系統的控制算法，從而完成壓射速度控制系統的設計，以實現對壓射速度進行控制。通過對比實驗表明，該方法在跟蹤階躍目標壓射速度以及變化目標壓射速度時，都能較為穩定、快速地跟蹤壓射目標速度的變化。該方法不僅對壓射速度的控制準確度較高，而且控制過程較為穩定，對壓射速度具有較好的控制性能。

壓射速度控制；壓鑄機；STM32F103RE處理器；PID算法；神經網絡PID控制器

隨著人們生活品質的提升，對零部件的需求也在不斷提高。在零部件的生產過程中，壓鑄機扮演了重要角色[1-2]。零部件的鑄件過程可通過壓鑄機完成，但要想獲得高品質的鑄件，壓鑄機的壓射速度控制至關重要，只有準確控制壓射速度，才有利于提高鑄件質量和效率[3-4]。

近年來，智能化控制技術不斷發展，人們也對壓射速度的智能化控制展開了研究。張葉茂等[5]采用MKE06Z128VLK4處理器作為核心器件，配以壓力采集電路，設計了智能壓射速度控制系統，在該系統中采用模糊PID算法作為控制策略，來實現對壓射速度的控制。該系統的控制過程較為穩定，但控制準確度不夠高。吳星等[6]采用EP9315處理器聯合快壓射開關檢測方法，設計了壓射速度控制系統的控制電路，配以模糊PID算法，對壓射速度進行控制。該方法能夠自適應地調整PID參數，但控制準確度有待提高。張葉茂等[7]在對壓射系統進行數學建模后，在模糊PID算法的基礎上，引入變論域理論，設計了壓射速度的控制算法。該方法控制準確度有所提高，但計算過程較為復雜，使控制過程的穩定性有待改善。

文中在對壓射系統的結構進行分析后，對其進行了建模，接著根據壓射系統的工作過程，設計了壓射速度控制系統的框架。利用STM32F103RE處理器，搭載觸摸顯示屏等外圍電路，構建了壓射速度控制系統的硬件模塊。利用神經網絡方法對PID算法的參數進行自適應整定，建立了神經網絡PID算法，配合硬件控制電路，對壓射速度進行控制。采用對比實驗的方法，對文中方法的壓射速度控制性能進行了驗證。

1 壓射系統的建模

在鑄件過程中，壓射速度的控制至關重要。壓鑄機的壓射系統主要由增壓儲能器、電液伺服裝置、壓射缸等部分組成。壓射系統的結構如圖1所示[8-9]。

在圖1中，T為增壓儲能器，D為增壓缸，J為壓射缸，M為負載，A為電液伺服裝置，t為負載的速度，t為負載的彈性剛度，t為負載的阻尼系數，i、i、i（=1, 2）分別為增壓缸和壓射缸缸體的面積、壓力和體積。在鑄件時，壓射系統要進行慢速、快速壓射以及增壓保壓3個步驟，其中慢速和快速壓射過程中，對壓射系統的速度控制要求較高。在慢速壓射時，需要以較慢的速度控制推桿，推動負載前進至澆注口。在快速壓射時，需要以最快速度控制推桿前進，以實現快速充型。

圖1 壓射系統的結構

在壓射過程中，壓射速度是通過電液伺服裝置的輸出開度來控制的。電液伺服裝置的傳遞函數()可通過其輸入電壓來表示，其表達式如下[10-11]：

式中：k為流量增益；和分別為電液伺服裝置中活塞的固有頻率和阻尼比；為拉氏因子。

電液伺服裝置中比例閥的端口流量，可通過其所受壓力0及其端口開度0來計算，其過程如下：

式中：0為比例閥端口的初始流量。

壓射過程中，在壓射缸缸體中壓力2的推動下，壓射缸中推桿帶著負載以速度t動作。此時t和2的關系式為：

式中：為液壓油彈性模量；2為壓射缸的中推動推桿運動的流量。

考慮壓射缸質量，聯合式（1—3），可得出壓射系統的開環傳遞函數G()為：

2 壓射速度控制系統的框架設計

通過壓射系統的建模可知，壓射速度是通過電液伺服裝置的輸出開度來控制的，而電液伺服裝置的輸出開度又由比例閥來控制。因此，在壓射控制系統的硬件電路中，通過對比例閥進行控制，產生壓力，對壓射缸內推桿的速度進行調節，從而完成對壓射速度的控制。由此，文中設計了壓射控制系統框架如圖2所示。

圖2 壓射控制系統的框架示意

從圖2可見，文中設計的壓射控制系統，在采集到用戶的控制要求及推桿的反饋壓射速度后，將該信息送入中央處理器。中央處理器聯合控制算法，得出控制信號，對比例閥的開度進行控制，進而調節壓射缸中的壓力，對推桿的速度進行調節，以實現壓鑄機壓射速度的控制。

3 壓射控制系統的硬件設計

從圖2可知，在壓射控制系統的硬件設計時，需要針對用戶控制要求，考慮輸入電路單元，反饋采集壓射速度時的反饋電路單元以及中央處理器為中心的中心電路單元等。由此，文中設計了如圖3所示的壓射控制系統的硬件框圖。

圖3 壓射控制系統的硬件框圖

在圖3中，觸摸顯示屏和鍵盤電路組成了供用戶控制要求輸入的輸入電路單元，速度采集電路和信號調理電路組成了反饋壓射速度采集的反饋電路單元，電源電路和中央處理器構成了中心電路單元。除此之外，圖3所示的硬件框架中，還包含了警報電路和通訊電路，其中警報電路用于出現緊急情況時發出警報，通訊電路為硬件上的拓展接口，可用于系統的遠程控制。

在圖3中，觸摸顯示屏采用的是eView公司的ET070型7寸屏。該觸摸屏支持RS232通信，具有800×480（像素）的分辨率和4線精密電阻網絡，能適應于壓鑄機的工作環境。鍵盤電路采用的是3×3的九鍵電路。警報電路由喇叭和發光二極管組成，用于產生聲光報警。通訊電路主要由SIMCOM公司的SIM7070G型無線通訊模塊組成，該無線通訊模塊支持I2C及RS232等多種通訊方式，具有功耗低、安全性能強等特點，可用于對壓射控制系統的遠程控制。速度采集電路采用Trans-Tek公司的LVT100型位移傳感器來采集推桿速度的變化情況，并將該速度信號進行調理后送入中央處理器。中央處理器采用的是STM32F103RE處理器，其內部自帶RS232、I2C等多種通信接口，以及A/D和D/A功能，能夠便于其與觸摸顯示屏等外部設備通信，同時也能夠便于其對模擬和數字信號轉換的處理。同時STM32F103RE處理器的計算速度及穩定性都較強，能夠較好地適應于壓射速度控制過程的運算及信號處理需求。

在壓射過程開始前，用戶可借助觸摸顯示屏將控制需求通過RS232接口送入STM32F103RE中，同時也可通過觸摸顯示屏查看壓射速度的控制情況。同時，LVT100型速度傳感器可將采集到推桿速度的變化量經過調理后，送入STM32F103RE中的A/D轉換器中，以將速度變化的模擬量轉換成數字量。STM32F103RE再根據用戶的控制需求和采集到的反饋速度，通過控制算法求取輸出信息，該輸出信號在送入比例閥之前，需要利用STM32F103RE中的D/A轉換器將其轉換成模擬信號，以控制比例閥的開度，進而完成對推桿速度的控制，實現壓射速度的調節。在壓射過程中，若出現緊急情況，用戶可借助鍵盤電路控制系統急停、暫停以及開始等動作。當系統出現急停現象時，可通過警報電路，發出聲光報警。另外，用戶除了可通過觸摸顯示屏輸入控制需求和查看壓射速度的控制情況外，還可通過遠程終端，經過SIM7070G無線通訊模塊，與STM32F103RE進行數據交互，實現將控制需求送入STM32F103RE中，及時查看壓射速度控制情況。

4 壓射控制系統的控制算法設計

PID算法常被用于壓射速度的控制過程中，雖然該算法較為簡單實用，但是其參數欠缺自適應性能，易使控制準確度下降。對此，文中將引入自適應性能較好的神經網絡算法，以對PID算法的參數進行整定，以提高系統的控制準確度。

PID算法是以時刻壓射速度的誤差()為基礎來計算控制量()的。當時刻的反饋速度為()，目標速度為()時，()的表達式為[12]：

求取()后，對其進行比例、微分和積分計算，便可得出控制量()的表達式為：

式中：P，I，D分別為比例、積分和微分參數。

由于式（6）中P，I，D不具備自適應性，在對其取值時，需要依靠經驗不斷對其進行調試，來獲取適宜的P，I，D取值，從而導致系統的適應能力較弱，以及易導致系統的控制準確度降低。

神經網絡算法可通過學習的方法，根據系統的誤差，自適應地對P，I，D取值進行調整。對此，文中將利用神經網絡算法對P，I，D進行整定，以形成神經網絡PID控制器，對壓射速度進行準確控制。

神經網絡算法是在圖4所示的3層網絡結構上實現的[13-14]。

圖4 神經網絡結構框圖

在圖4中，k和k以及k（=1, 2, L, k）分別為神經網絡的輸入量、基矢量和權矢量。輸出量的表達式為：

在神經網絡的作用下，根據壓射速度誤差()，可得出P，I，D的整定過程為：

式中：γ(=,,)為學習效率。通過式（8—10）即可實現對PID算法參數的自適應整定。將式（8—10）和式（6）相聯合，便構成了神經網絡PID控制器。

5 實驗結果

借助Matlab/Simulink軟件搭建實驗環境，對文中所設計的壓射速度控制系統的有效性進行驗證。同時與基于逆系統方法的壓鑄機快壓射速度控制方法作對比，以便更為直觀地觀察文中方法的優越性能[15]。

5.1 階躍速度控制測試

利用PID控制方法和基于逆系統控制方法，對階躍目標速度進行跟蹤測試，以觀察2種方法對階躍目標速度的跟蹤準確性。以上2種方法對階躍目標速度的跟蹤結果如圖5所示。

圖5 PID控制方法和基于逆系統控制方法對階躍目標速度的跟蹤結果

從圖5可見，PID控制方法和基于逆系統控制方法對階躍目標速度跟蹤時，在0.2 s附近二者較階躍目標速度都發生了一定程度的偏差，但通過對比可見，文中方法的偏差更小。在0.21 s附近，PID控制方法和基于逆系統控制方法的跟蹤速度都到達了階躍目標速度處，但PID控制方法和基于逆系統控制方法的跟蹤速度曲線，較階躍目標速度曲線都發生了一次較大的偏差，觀察2種方法的偏差量可以發現，文中方法跟蹤速度曲線的偏差量為4.5 m/s，而基于逆系統控制方法跟蹤速度曲線的偏差量為6.25 m/s。2種方法的跟蹤速度曲線在產生此次較大偏差量后都進行了調整，在調整過程中，較階躍目標速度而言，基于逆系統控制方法的跟蹤速度曲線還出現了4次較大幅度的偏差，而文中方法僅出現了2次小幅的偏差。經過調整后，文中方法的跟蹤速度曲線在0.26 s附近基本重合于階躍目標速度曲線，基于逆系統控制方法的跟蹤速度曲線在0.32 s附近才基本趨于階躍目標速度曲線。在0.32～0.6 s期間，文中方法的跟蹤速度曲線一直重合于階躍目標速度曲線，基于逆系統控制方法的跟蹤速度曲線還出現了多次偏離階躍目標速度曲線的情況。由此可見，在對階躍目標速度跟蹤時，神經網絡PID控制方法比基于逆系統控制方法的跟蹤準確度更高，且偏離次數更少，能更好地適應對階躍目標速度的跟蹤，具有更為靈敏的階躍響應。

5.2 變化速度控制測試

為了進一步觀察文中方法的控制性能，PID控制方法和基于逆系統控制方法對具有多次變化的目標速度進行跟蹤，通過觀察2種方法跟蹤速度曲線的變化情況，來判斷2種方法的控制性能。PID控制方法和基于逆系統控制方法對變化目標速度的跟蹤結果如圖6所示。

圖6 PID控制方法和基于逆系統控制方法對變化目標速度的跟蹤結果

通過對比圖6所示的PID控制方法和基于逆系統控制方法對變化目標速度的跟蹤結果，可以發現較變化目標速度曲線而言，文中方法的跟蹤速度曲線比基于逆系統控制方法的跟蹤速度曲線更為貼合變化目標速度曲線，而且整個控制過程中，文中方法的跟蹤速度曲線，較基于逆系統控制方法的跟蹤速度曲線更為平穩。具體表現為，在0.1～0.3 s期間，文中方法的跟蹤速度曲線產生了4次明顯偏離變化目標速度曲線的情況，而文獻[15]所提方法的跟蹤速度曲線產生了7次明顯偏離變化目標速度曲線的情況。且在0.1～0.3 s期間，基于逆系統控制方法的跟蹤速度曲線比文中方法的跟蹤速度曲線波動更為頻繁，說明在此期間，文中方法控制的跟蹤速度更為平穩。在0.3～ 0.4 s期間，文中方法的跟蹤速度曲線產生了4次明顯偏離變化目標速度曲線的情況，而基于逆系統控制方法的跟蹤速度曲線產生了5次明顯偏離變化目標速度曲線的情況。在0.35 s附近，PID控制方法和基于逆系統控制方法的跟蹤速度曲線都出現了整個跟蹤過程中較變化目標速度曲線的最大偏差。其中，文中方法跟蹤速度曲線的最大偏差為5.21 m/s，基于逆系統控制方法的跟蹤速度曲線的最大偏差為9.83 m/s。在0.4～0.6 s期間，文中方法的跟蹤速度曲線產生了2次明顯偏離變化目標速度曲線的情況，而基于逆系統控制方法的跟蹤速度曲線產生了4次明顯偏離變化目標速度曲線的情況。且在0.4～0.6 s期間，基于逆系統控制方法的跟蹤速度曲線較文中方法的跟蹤速度曲線產生波動的次數更多。由此可見，在對變化目標速度跟蹤時，神經網絡PID控制方法比基于逆系統控制方法具有更高的跟蹤準確度，且跟蹤過程更為平穩。說明文中方法對壓射目標速度的變化更為敏感，能更靈活、快速地跟蹤壓射目標速度的變化，對壓射速度的控制更為準確和穩定，具有較好的壓射速度控制性能。

6 結語

對壓射系統的結構進行了分析，并在此基礎上對壓射系統進行了建模，得出了壓射系統的開環傳遞函數。根據壓射系統的結構特點，采用STM32F103RE處理器設計了壓射速度控制系統的硬件架構，并對硬件架構中各電路部分進行了選型。在PID算法的基礎上，聯合神經網絡算法，利用壓射速度的誤差，對PID算法中的參數進行自適應整定，形成了神經網絡PID算法，用以根據壓射速度控制系統中的用戶需求及反饋速度，求取輸出信號，以實現對壓射速度的控制。實驗結果顯示，文中方法對階躍和變化目標速度的跟蹤效果較好，能用于對壓射速度進行準確的控制。

[1] AMOL R J, DEEPAK P H, PRAVIN P H. Design and Optimization of Gating System, Modification of Cooling System Position and Flow Simulation for Cold Chamber High Pressure Die Casting Machine[J]. Elsevier, 2021, 46(17): 7175-7181.

[2] PRIN B. Low-Pressure Die Casting Machine Selection Using a Combined AHP and TOPSIS Method[J]. Naresuan University Engineering Journal, 2020, 15(2): 1-11.

[3] 鄭桂云. 12 000 kN擠壓機雙缸同步壓射系統開發[J]. 特種鑄造及有色合金, 2019, 39(6): 622-623.

ZHENG Gui-yun. Development of Double Cylinder Synchronous Injection System for 12 000 kN Squeezing Machine[J]. Special Casting & Nonferrous Alloys, 2019, 39(6): 622-623.

[4] ZAMORA R, FAURA F, LóPEZ J, et al. Experimental Verification of Numerical Predictions for the Optimum Plunger Speed in the Slow Phase of a High-Pressure Die Casting Machine[J]. The International Journal of Advanced Manufacturing Technology, 2007, 33(3/4): 266-276.

[5] 張葉茂, 楊起興. 基于嵌入式的壓鑄機控制系統設計[J]. 鑄造技術, 2017, 38(3): 715-718.

ZHANG Ye-mao, YANG Qi-xing. Design of Control System of Die-Casting Machine Based on Embedded[J]. Foundry Technology, 2017, 38(3): 715-718.

[6] 吳星, 任文強. 基于模糊PID控制的壓鑄機自動控制系統設計[J]. 廣西民族大學學報: 自然科學版, 2019, 25(4): 70-74.

WU Xing, REN Wen-qiang. Design of Die Casting Machine Control System Base on Fuzzy PID[J]. Journal of Guangxi University for Nationalities: Natural Science Edition, 2019, 25(4): 70-74.

[7] 張葉茂, 蘇茜. 基于變論域自適應模糊PID的壓鑄機壓射速度控制研究[J]. 熱加工工藝, 2020, 49(1): 68-72.

ZHANG Ye-mao, SU Qian. Research on Die Casting Machine Injection Velocity Control Based on Variable Universe Adaptive Fuzzy PID[J]. Hot Working Technology, 2020, 49(1): 68-72.

[8] XI Z G, KE Y Q. Equal Accelerating Control of the Injection Speed of the Cold Chamber Die-Casting Machine[J]. Foundry Technology, 2006, 27(6): 562-564.

[9] 吳曉鳴, 王旭永. 壓鑄機速度控制系統的建模與仿真分析[J]. 江蘇科技信息, 2019, 36(23): 49-51.

WU Xiao-ming, WANG Xu-yong. Modeling and Simulation Analysis of Speed Control System of Die Casting Machine[J]. Jiangsu Science & Technology Information, 2019, 36(23): 49-51.

[10] FENG Li-jun, YAN Hao. Nonlinear Adaptive Robust Control of the Electro-Hydraulic Servo System[J]. Applied Sciences, 2020, 13(10): 1-16.

[11] 閆孝姮, 陳偉華, 彭繼慎. 基于CADE算法的壓鑄機實時控制壓射系統的研究[J]. 特種鑄造及有色合金, 2013, 33(7): 642-645.

YAN Xiao-heng, CHEN Wei-hua, PENG Ji-shen. Nonlinear Predictive Control for Rear Time Control Injection System of Die Casting Machine Based on CADE Algorithm[J]. Special Casting & Nonferrous Alloys, 2013, 33(7): 642-645.

[12] BRILLIANTO A C H, MAGHFIROH H, LAKSITA A T. Design Close-Loop Control of BLDC Motor Speed Using PID Method in Solar Power with Matlab/Simul-ink[J]. AIP Conference Proceedings, 2020, 2217(1): 1-7.

[13] 陳德平, 陳營, 羅建設. 基于BP神經網絡風力發電機軸承座的鑄造工藝參數預測模型[J]. 鑄造技術, 2019, 40(10): 1086-1089.

CHEN De-ping, CHEN Ying, LUO Jian-she. Casing Process Parameter Prediction Model of Wind Turbine Bearing Pedestal Based on BP Neural Network[J]. Foundry Technology, 2019, 40(10): 1086-1089.

[14] BAU D, ZHU Jun-yan, STROBELT H, et al. Understanding the Role of Individual Units in a Deep Neural Network[J]. PNAS, 2020, 117(48): 30071-30078.

[15] 趙樹忠, 朱紅娜. 基于逆系統方法的壓鑄機快壓射速度控制[J]. 機床與液壓, 2019, 47(14): 144-146.

ZHAO Shu-zhong, ZHU Hong-na. Speed Control of Rapid Injection in Die-Casting Machine Based on Inverse System Method[J]. Machine Tool & Hydraulics, 2019, 47(14): 144-146.

Design of Injection Speed Control System of Die Casting Machine Based on Neural Network PID Controller

YANG Li1, XU Lin-sen2

(1. Changzhou Vocational and Technical College of Industry, Changzhou 213164, China; 2. Hefei Institute of Physical Science, Chinese Academy of Sciences, Hefei 230031, China)

The work aims to accurately control the injection speed of die casting machine in the casting process through neutral network PID controller, so as to improve the quality of castings. Firstly, from the structure of the injection system, the working process was analyzed, the transfer function of the electro-hydraulic servo device was obtained through the input voltage, the port flow was calculated by the pressure of the proportional valve, and then the modeling of the injection system was completed. Then, with STM32F103RE processor as the core and peripheral units such as input circuit and feedback circuit, the hardware framework of injection speed control system was designed. Based on the PID algorithm, the error of the injection speed was introduced into the neural network algorithm, and the parameters of the PID algorithm were adjusted to form a neural network PID algorithm that could adaptively adjust the parameters as the control algorithm of the injection speed control system, so as to complete the design of the injection speed control system to control the injection speed. According to the comparative experiments, this method could track the change of the injection speed of the step target stably and quickly when tracking the injection speed of the step target and changing the injection speed of the target. This method not only has high control accuracy for the injection speed, but also has stable control process and good control performance for the injection speed.

injection speed control; die casting machine; STM32F103RE processor; PID algorithm; neural network PID controller

10.3969/j.issn.1674-6457.2022.03.019

TP273

A

1674-6457(2022)03-0148-06

2021-12-05

國家重點研發計劃（2017YFB1303202）；江蘇省高校優秀科技創新團隊項目（2019-48）；常州輕院校青年基金計劃（QN201813101017）

楊力（1981—），男，碩士，講師，主要研究方向為機械設計制造、材料加工技術。