基于神經網絡PID算法的優化飼料配制系統

方 杰,張 杰,馬 娟,田 翔,于秀針,馮 斌

(1.新疆農業大學機電工程學院,烏魯木齊 830000;2.新疆農業科學院農業機械化研究所,烏魯木齊 830000)

0 引 言

【研究意義】畜牧養殖是新疆傳統優勢[1-2]。飼料的科學配制是實現精細化養殖的關鍵。在給料過程中物料下落中出現滯后性、非線性,在配料稱重系統中容易產生較大的稱重誤差并直接影響著精度和配比,使得傳統的配料系統還不能滿足當前精細化養殖的要求?！厩叭搜芯窟M展】車璐等[3]對物料稱重誤差分析并探明影響誤差的主要因素;何武林等[4]在研究配料系統中使用PLC作為主控設備實現飼料生產過程自動控制系統;劉文秀等[5]通過模糊自適應控制算法替代PID算法實現工業上的誤差控制。劉超等[6]在總結自適應平滑預測等傳統模型提出了利用神經網絡的學習能力提高預測精度?！颈狙芯壳腥朦c】目前在中小型牧場中飼料配制仍較多采用人力上料稱重和無控制策略的控制平臺等方式,神經網絡具有逼近一切函數的優點,近年來在智能控制中獲得了廣泛應用,BP神經網絡模型具有前向傳播和后向傳播的特點,擁有更好的自學習能力,但在反向傳播算法中,容易出現在局部最小化問題,針對中小型牧場飼料稱重配料的作業需求以及飼料動態稱重存在的稱重誤差問題,需研究基于神經網絡PID算法的優化飼料配制系統?！緮M解決的關鍵問題】針對肉用牛配方的飼料稱重系統設計方案;搭建附加動量項BP神經網絡PID網絡模型作為控制策略并通過OPC技術實現復雜算法在PLC控制器中的應用,獲得并調整PID控制器參數,實現飼料稱重系統結果最優;利用網關完成PLC數據的云端保存,實現牧場的包含飼料配比和重量在內的基礎數據的存儲,為優質、高效的飼料配制和牧場管理提供保障。

1 材料與方法

1.1 材 料

1.1.1 多集成肉牛飼料制機組

精料采取5個傾斜式螺旋給料的方式將原料從入料槽運送到稱重料倉中;料倉稱重后精料由底部的水平螺旋輸送機運出至一端,再通過傾斜螺旋輸送機依次傳送物料到粉碎和攪拌機;完畢后隨垂直輸送機傳入存儲料罐,料罐存儲同一比例精料。粗料為粉碎后物料,備好的粗料由皮帶輸送機運送到混合料倉(TMR混合機)里稱重,兩個皮帶輸送機依次按量給定粗料,料罐的固定比例精料由水平輸送機傳入混合倉,混合后充分攪拌后進入喂食階段:1.精料稱重倉 2.螺旋給料機 3.水平排料機 4.精料粉碎機 5.混合料倉 6.存儲料罐 7.混合精料給料機 8.攪拌倉 9.粗料傳送帶。圖1

圖1 工藝流程示意

配料系統以PLC為控制核心。配料工作過程中PLC采用西門子S-200 smart型,其指令集豐富、支持多通訊協議等特點在中小規模的農牧場建設中得到廣泛的應用。運行在工控機上的組態軟件WinCC作為交互界面,控制柜開關作為輔助控制,PLC稱重數據通過ModBus協議反饋于組態軟件作為數據顯示和本地存儲,同時利用網關實現數據傳送云端。組態軟件提供配方的新建和增刪,電機控制,數據實時顯示和報警等功能。

1.1.2 系統控制的硬件

稱重料倉與支撐架間安置4個稱重傳感器用于稱量。稱重傳感器采用量程為1 000 kg麗景傳感器,該型傳感器為電阻應變式傳感器,輸出信號為電壓型模擬量,傳感器應變區域表面上粘貼四片應變電阻,組成惠斯汀電橋[6]。當受外力時,彈性體發生形變使電橋失去平衡,輸出與外力成正比的電壓信號,實現傳感器對重量的感知。

傳感器的輸出信號是以毫伏級電壓呈現的模擬量[7]。一個稱重平臺使用4個稱重傳感器并聯輸出,傳感器與PLC之間使用JB-154S稱重變送器和數字儀表連接。稱重變送器對傳感器輸出的毫伏級微弱信號進行放大、轉換等方式;同時變送器“四進一出”的特點,輸出模擬量連接數字儀表,變換成可讀的重量信號,利用變送器和儀表可將連接的4個稱重傳感器信號轉換成穩定的,可供儀表顯示和PLC接收的信號[8]。同時數字儀表支持可編程和獨立供電,一端接傳感器,另一端通過RS485接口,ModBus-RTU通信協議將稱重信號傳入PLC,利用可編程功能在編程中實現去皮重等。

電機控制采用AC70型變頻器,分布在精料稱重段的給料和排料以及混合日糧給料段控制電機轉速和轉動方向。稱重段一臺變頻器控制5臺給料器,另一臺變頻器控制水平的螺旋輸送器?；旌先占Z段變頻器連接4臺電機,電機分別控制2個粗料傳送皮帶和2個螺旋輸送器傳送粗料和精料。變頻器獨立供電并接收PLC中模擬量信號。變頻器開啟設置波特率和站地址等。變頻器以“一帶多”的方式,控制多臺電機,為確保安全,變頻器采取中間繼電器的方式控制電機,每次運送物料僅啟動一臺電機,關閉其他電機。

網關模塊。在設計中使用網關實現這一功能,當電機停止、稱臺稱重穩定后,對應的實際稱重數據數據傳輸到物聯網平臺。云平臺新建設備并復制https地址和秘鑰,在網關設備初始化中設置數據發送地址。使用手機APP鏈接該https地址及訪問秘鑰接收數值。

此外控制系統還包含其他電路,如粉碎、攪拌電機的啟停等。

1.1.3 系統控制的軟件

控制系統分為精料制作部分和日糧混合部分,精料加工部分包含原料稱重、加工和存儲。

在精料制作部分,上位機為組態軟件并通過以太網接口,modbus RTU與PLC通信。用戶自建配方,由于稱重容器容積限制,組態軟件將對精飼料總值和粗飼料總值分別做判斷是否超出稱重范圍。配料過程中組態軟件作為控制端。在自動配料模式下,精料制作端最先由5個螺旋輸送器順序啟動輸送不同精原料;稱重完畢后精料加工部分提前開機,由于設備安全考慮啟動設置自鎖,僅當加工段的后置機器運行后前置機器才能開啟,計時器20s后精料稱重料倉排料;料倉復零后10s水平螺旋輸送停機,隨后每隔10秒粉碎機給料器、粉碎機、粉碎出料器和攪拌給料器依次停機,攪拌倉內則繼續攪拌3 min后停機并聲光報警提示加工完畢,此時暫存料罐前的輸送器開始運行;打開排料門,物料進入暫存料罐,同時系統可進入下一輪精料稱重與加工。

在日糧混合部分,輸入已加工精料總值和各粗料值。系統運行皮帶機順序給料至設定值時停機,配料結束進入攪拌環節。

在各稱重部分,設置配方參數后,精料原料按照順序依次稱重。物料1開始稱重時,PLC先訪問可編輯的稱重模塊,通過指令可實現稱重平臺的歸零及初始化,上位機將配料各相關參數傳輸給現場的PLC控制系統作為各部分稱重的額定重量值。稱重平臺的傳感器并聯傳輸的電壓值傳遞至變送器經過數模轉換后得到對應的稱重數值為稱重當前值,稱重模塊提供當前值的現場顯示,同時也可將稱重當前值反饋至PLC中,并做條件語句判斷,當實時重量值達到額定值時,PLC控制電機停止,這樣完成了第一個物料的稱重存儲過程。每臺電機完成當前稱重后,組態軟件的數值顯示當前料倉累計值?；旌先占Z端稱重與精料稱重端相似,精料進入攪拌機內與粗料混合后啟動攪拌功能,攪拌完畢即進入喂食環節。圖2

稱重完成前的空中余料和物料下落沖擊力所引發的傳感器值不準確機器未停止給料是誤差的主要原因。配料控制算法程序在每次配料結束后讀取存儲寄存器地址進行相關參數的更新。控制算法依賴OPC工具箱完成MATLAB文件與組態軟件之間通信,實現復雜算法在PLC上智能控制。

圖2 PLC給料稱重程序流程

1.2 方 法

1.2.1 受控模型與PID算法

PID算法被廣泛應用在PLC控制過程中,PID的內在含義是比例積分微分控制器,是對三種不同的控制策略的組合。該算法被廣泛應用于工業控制系統中并起回路反饋的作用[9]。比例積分微分控制器的算法通過測量過程操作參數即連續的下落顆粒體物料,使得自動化控制系統能夠以安全且實用的方式操作復雜的生產過程。

PID控制器根據給定值與實際輸出構成偏差做控制,在PID算法中設置采樣時間并用離散信號表示[10]。圖3

經典PID控制器數學關系如下:

(1)

拉式變換后得到:

(2)

圖3 PID算法示意

由上得經典的增量式PID控制算法為:

u(k)=u(k-1)

+Kp(error(k)-error(k-1))

+Kierror(k)

+Kd(error(k)-2error(k-1)

+error(k-2)).

(3)

PID控制器所需的輸出可以通過調整控制器來獲得。有多種不同的技術可用于從控制器獲得所需的輸出,例如試錯法、Zeigler-Nichols和過程反應曲線等[11]。

1.2.2 動量項BP神經網絡PID算法

人工神經網絡的設計用節點代表神經元,并代表一個特定的函數,兩個節點之間的連接代表信號的權重[12-14]。

該神經網絡模型由三部分組成:輸入層、隱藏層和輸出層。輸入層為信息的輸入,用于輸入參數信息,并將參數轉換為向量。隱藏層也可以被稱為中間層,是除了輸入與輸出層以外的所有層,增加該層使得網絡獲得更高的精度的同時也變的復雜。

設計中優先只有一個隱藏層的網絡。通過調節隱藏層中的神經元個數可以降低錯誤,最終選取了由5個神經元組成的單隱藏層結構。輸出層輸出PID三個參數。神經網絡的數學計算主要由前向傳播、后向反饋和梯度下降三部分構成。向傳播算法是根據網絡的輸入值和輸出值得到誤差,據此實現對網絡的再調解。后向傳播算法的思想就在于學習完訓練樣本后誤差要盡量的小[15]。

梯度下降涉及分析成本函數曲線的斜率?；谛甭?調整權重,以逐步最小化成本函數。梯度下降過程是參數沿著梯度相反的方向進行迭代搜索直到遇見最小值的過程[16]。在前向傳播中由線性變換和非線性變換組成,線性變換可以視為一個線性回歸[17-18]。非線性變換將線性回歸的結果轉換為一個實數值,也稱激活函數。激活函數是對輸入做非線性映射,激活函數有多種,使用在不同的場景,其中比較典型的是輸出(0,1)和(-1,1)的函數。在訓練中為了得到一組最優的權值,通過損失函數不斷優化并得到最優的權值。損失函數的選取與激活函數一樣,需要考慮適合的場景。反向傳播是一種高級算法,能夠同時更新神經網絡中的所有權重[19]。

設計了輸入層3個神經元,隱藏層5個神經元,輸出層3個神經元的網絡結構。輸入層用公式表示。圖4

圖4 BP神經網絡算法示意

Oj(1)=x(j).

(4)

具體的輸入層各個神經元如下:

x1=Win(k).

(5)

x2=Wout(k).

(6)

x3=error(k).

(7)

隱藏層采用雙曲正切函數作為激活函數,其值域在(-1,1)。

(8)

輸入層神經元和權重相乘后疊加經過激活函數后輸出。

(9)

Oi(2)(k)=[neti(2)(k)].

(10)

一般輸出層采用值為非負數的激活函數,設計中值域為(0,1)之間:

(11)

隱藏層神經元的輸出乘以權重疊加至輸出層,并經過激活函數得到訓練目標。

(12)

Ol(3)(k)=g[netl(3)(k)].

(13)

其中輸出層各神經元表示為PID控制器的三個參數值。

Ol(3)(k)=Kp.

(14)

Ol(3)(k)=Ki.

(15)

Ol(3)(k)=Kd.

(16)

在算法中采用的平方差函數作為成本函數。

(17)

附加慣性項bp神經網絡的權重更新公式:

(18)

(19)

上述公式中的一未知項近似的用sgn()來表示,由此帶來的變化通過學習率的調節來補償。

(20)

同時由輸入層、隱藏層、輸出層傳輸公式可得如下:

(21)

(22)

(23)

(24)

由上可知:

Δwli(3)(k)=αδl(3)Oi(2)(k)+ηΔwli(3)(k-1).

(25)

(26)

同時由tanh()函數特性可得:

g'(·)=g(x)(1-g(x)).

(27)

神經網絡根據成本函數和梯度下降法反向傳播逐層更新權值。由前式同理可得輸入層與隱藏層間的權值更新公式

Δwli(2)(k)=α(k)δl(2)Oi(1)(k)

+η(k)Δwli(2)(k-1).

(28)

(29)

(30)

2 結果與分析

2.1 模型收斂性對比

研究表明,在MATLAB中搭建simulink仿真,其中神經網絡模型和PID算法通過使用S函數進行自定義封裝。clock函數提供時鐘信號,當t=0時進行初始化,學習率為0.001,動量項系數為0.001,權值矩陣使用隨機函數初始化,訓練數據預處理方式為均值化。仿真中建立了受控對象的系統函數,并將輸入信號確定為階躍信號,另搭建了PID模型作為對比。圖5～7

圖5 BPNN_PID算法示意

圖6 simulink仿真

圖7 響應曲線

2.2 改進BP神經網絡PID的調控方法可行性

研究表明,作為對比搭建的常規PID并出現約28%的超調現象并有較長的超調量調節時間,與常規PID相比新算法沒有超調現象,改進BP神經網絡PID有更好的適應性,上升時間更短,響應速度對比為3∶1,調節速度更快。改進BP神經網絡PID控制器可以能夠對三個參數進行及時的調整,進而對任意非線性輸入信號實現良好的跟蹤控制,能大大改善控制過程的響應速度、調節時間、超調量等,表現出更強的抗擾能力及適應性,提高控制過程的穩定性、精確性與魯棒性。表1,表2,圖8

圖8 系統裝置

表1 對比試驗

表2 配料試驗

3 討 論

該系統與何武林等[4]系統比較,能夠通過算法對系統進行學習和調節配料誤差,更加符合智能化的需求;與劉超等[6]系統在方法上比較,該系統通過神經網絡動態調整PID算法參數,使得模型可以根據實際配料誤差的變化控制機組狀態實現精準配料,避免了僅采用BP神經網絡時原始樣本數據對控制系統的直接影響,適應性更強。

稱重系統精料原料和加工料采用螺旋給料器、粗料采用帶式輸送機作為物料的給料機構。依據《農業機械設計手冊》[20],螺旋機構設計的主要參數為傾角40°、軸徑40 mm、葉片直徑200 m、螺距160 mm,間隙5 mm、填充率0.35、電機功率4 kW。皮帶輸送機參數為帶寬600 mm、傾角10°、電機功率3 kW。各變頻器默認頻率給定為20 Hz。

在驗證配料系統和優化算法中,采用玉米作為精料原料,粉碎的苜蓿秸稈作為粗料進行試驗,不同機構以400 kg為目標值,通過單一條件下系統運行的對比試驗并以配料精度為指標評估算法的優化效果。

4 結 論

4.1BPNN-PID神經網絡算法對系統實現了優化,在運輸精料的螺旋給料試驗中,相同條件下,神經網絡算法使得誤差相比于傳統控制系統平均值從402.62 kg降低到401.17 kg;在運輸粗料的皮帶給料試驗中,同條件下誤差從平均值從401.31 kg降低到400.27 kg。精度明顯提高并且標準偏差小,誤差趨向平穩。

4.2經計算平均配料精度為99.6%。在試驗中單個傳輸機構多次開關機,重復了空中余料下落環節使得配方試驗誤差比單機構試驗誤差略大,但總體誤差仍能得到有效控制。

4.3附加動量項BP神經網絡PID算法作為控制算法。在控制中具有更高效的表現。

4.4在驗證試驗中算法優化后的稱重誤差得到降低,在1 200 kg日糧配制中,配料精度為99.6%。