應文淵，趙章風，鐘 江

(浙江工業(yè)大學 機械工程學院，浙江 杭州 310014)

0 引 言

作為綠茶制作工藝中最重要的一步[1]，殺青效果直接影響綠茶品質(zhì)?，F(xiàn)有的殺青設備中[2]，電熱式滾筒殺青機因其加熱均勻、能源潔凈、價格較低、生產(chǎn)效率高，在茶葉加工生產(chǎn)中得到廣泛使用。滾筒殺青機的現(xiàn)場控制通過PID控制器控制筒壁溫度配合傳動及相關(guān)輔助設備完成殺青作業(yè)。該類殺青控制系統(tǒng)的問題有：(1)PID控制器的控制能力極大依賴于比例、微分、積分參數(shù)的設置，現(xiàn)有的經(jīng)驗法Z-N整定和試湊法的參數(shù)取值難以保證PID控制的高有效性，致使殺青機的控制算法存在較大的超調(diào)量和波動量；(2)由于殺青溫度設置極為依賴人本身的經(jīng)驗，而殺青過程中投葉速率和茶葉含水率會有所變化，其可靠性有限，導致殺青后常伴有一定量的焦葉黃葉現(xiàn)象(壞葉)。

滾筒殺青系統(tǒng)是非線性系統(tǒng)。對于非線性非理想的溫度控制系統(tǒng)，趙陽等人[3]基于變論域的模糊控制算法，實踐中收到了較為良好的控制效果；針對變速恒頻雙饋發(fā)電并網(wǎng)系統(tǒng),呂艷玲、馮曦等人[4]將傳統(tǒng)PID控制與BP神經(jīng)網(wǎng)絡控制相結(jié)合,提出了一種BP神經(jīng)網(wǎng)絡PID的空載并網(wǎng)控制策略，該策略動態(tài)響應快、并網(wǎng)過渡過程短、穩(wěn)態(tài)精度高、全局魯棒性高。

基于模糊算法和BP神經(jīng)網(wǎng)絡PID的特性，本研究將引入模糊算法替代人工經(jīng)驗，根據(jù)相關(guān)輸入條件確定對應溫度的精確值，并基于BP神經(jīng)網(wǎng)絡的可自調(diào)整參數(shù)的PID控制器取代傳統(tǒng)PID控制器，通過改進滾筒殺青機控制系統(tǒng)算法，以優(yōu)化殺青控制過程，避免或減少黃葉焦葉產(chǎn)生。

1 控制總體方案設計

1.1 滾筒殺青機的設備和殺青流程

本文中選用的殺青滾筒機型號為6CST50，實物圖如圖1所示[5]。

圖1 6CST50型滾筒殺青機

該系統(tǒng)主要由計量裝置、輸送裝置、傳動機構(gòu)、滾筒、加熱裝置、排濕裝置以及相關(guān)由電器控制元件組成的控制箱等構(gòu)成。整個工作過程傳統(tǒng)模式為先由計量裝置上的重量傳感器測定待殺青葉單批次投入質(zhì)量M，經(jīng)由經(jīng)驗判斷所需的溫度后，對自帶的控制器輸入目標溫度以控制加熱電熱管開關(guān)占空比進行溫度控制[6]，期間以溫度傳感器溫度作為反饋的傳統(tǒng)PID算法進行演算控制。

1.2 滾筒殺青機改進算法的控制方案

本文提出以模糊算法取代人工經(jīng)驗求解對應多輸入的精確輸出值(溫度參數(shù))，并由BP-PID控制器取代PID控制器對溫度參數(shù)進行控制?？刂品桨阜譃閮刹糠郑?/p>

(1)模糊決策部分[7]。輸入?yún)?shù)基于模糊算法計算對應控制參數(shù)具體值，為下一步控制器提供控制對象的精確目標值，對應輸出的滾筒筒壁溫度參數(shù)，本研究中選擇投葉速率(投葉量與傳輸時間決定)與茶葉含水率等級作為模糊算法推理的輸入條件[8]，含水率等級由人工按不同茶葉工藝要求手動輸入[9]，對控制器而言主要的參數(shù)即為滾筒筒壁溫度，因而將筒壁溫度作為模糊算法的輸出；

(2)溫度控制部分[10]。具有自整定功能的基于BP神經(jīng)網(wǎng)絡的PID控制器[11-12]，在PID參數(shù)最優(yōu)化條件下，使筒壁溫度維持低誤差的動態(tài)平衡狀態(tài)，并針對變化快速反應調(diào)整?？刂品桨冈诨贛CU的嵌入式控制器上實現(xiàn)。

控制方案流程圖如圖2所示。

圖2 控制方案流程圖

2 控制模塊設計

控制模塊設計分為模糊算法設計和BP神經(jīng)網(wǎng)絡控制器設計。

2.1 滾筒殺青機模糊推理模塊設計

在殺青作業(yè)中，參數(shù)間的相關(guān)性處于非線性關(guān)聯(lián)，對于這類不確定性系統(tǒng)，模糊算法由于利用語言信息，不依賴精確數(shù)學模型，可實現(xiàn)對不確定性系統(tǒng)的較好控制。因為本文引入模糊算法進行控制參數(shù)推理，模糊推理控制模塊以輸入殺青茶葉鮮葉的含水率等級和茶葉投葉速率兩個參數(shù)為基準，通過模糊算法推斷出符合殺青工藝的滾筒壁溫度，最后輸入到PID控制器(注：不同類型的茶葉有著各自殺青工藝要求[13]，其對應的模糊推理有所不同)。本文僅針對二芽一葉的葉片進行研究。

2.1.1 隸屬度函數(shù)建立

筆者選擇Matlab的Fuzzy工具箱構(gòu)建基于各輸入(出)參數(shù)對應的單輸出模糊算法模型。考慮到控制系統(tǒng)的魯棒性和靈敏度，選擇三角函數(shù)來進行構(gòu)建對含水率等級、投葉速率、筒壁溫度的隸屬度函數(shù)。

首先本研究將待殺青鮮葉含水率進行分級，在這里分為5個等級，以此建立模糊子集{A,B,C,D,E}，依次表示為：低含水率，較低，中度，較高，高含水率。結(jié)合該類茶葉殺青工藝的實際經(jīng)驗，設定論域范圍：[20,90]。含水率具體隸屬度函數(shù)如圖3所示。

圖3 含水率隸屬度函數(shù)

根據(jù)理論推算與經(jīng)驗，6CST50殺青機的投葉速率應在0.5 kg/min～2.0 kg/min之間，故論域范圍為[0.5,2.0]。本研究將投料速率也分5個等級，建立投葉速率模糊子集為{S MS M MB B}，依次代表慢速，稍慢，中速，稍快，快速。

投葉速率具體隸屬度函數(shù)如圖4所示。

圖4 投葉速率隸屬度函數(shù)

在茶葉殺青的過程中，不僅要求短時間內(nèi)達到高溫，令茶葉內(nèi)多酚氧化酶失活[14]，也要避免過高溫度使得茶葉燒焦。根據(jù)專家經(jīng)驗，符合要求的滾筒溫度取值在110 ℃～160 ℃，確定論域設置為[110,160].建立模糊子集{L ML M MH H}，依次代表溫度程度：低溫、中低溫、中溫、中高溫、高溫。滾筒筒壁溫度具體隸屬度函數(shù)如圖5所示。

圖5 滾筒筒壁隸屬度函數(shù)

2.1.2 模糊規(guī)則建立

本研究根據(jù)滾筒殺青的經(jīng)驗建立模糊推理的規(guī)則表，如表1所示。

表1 滾筒溫度模糊規(guī)則表

2.1.3 模糊推理

模糊規(guī)則類型：IF AND THEN。由此，推理結(jié)論為：

U′=(X×Y)°R

(1)

式中：X，Y—含水率和投葉速率的模糊集；R—由上表得的模糊蘊含關(guān)系；U′—輸出模糊集。

全部控制規(guī)則對應的總規(guī)則為各規(guī)則取“并”操作合成：

(2)

式中：Ri—基于表1的各條模糊關(guān)系。

2.1.4 模糊決策

為得出對應的目標溫度，算法最后應輸出確定值而非模糊輸出值，故而需對模糊輸出值進行解模糊，使得到確定值，這一過程稱作模糊決策。在本研究中采用加權(quán)平均解模糊法。其公式如下：

(3)

式中：Ui—模糊集U中的元素；μ(Ui)—Ui對應的隸屬度；u—加權(quán)平均后的輸出結(jié)果。

最終由fuzzy工具箱得到基于投料速率和含水率的滾筒溫度輸出效果圖，如圖6所示。

圖6 滾筒溫度輸出效果圖

根據(jù)該模糊算法模型，可根據(jù)輸入得出殺青所需溫度的具體值，實現(xiàn)投葉速率和含水率變化下的溫度目標參數(shù)動態(tài)調(diào)節(jié)。該算法上可有效降低純依賴經(jīng)驗的不可靠性。

2.2 基于BP神經(jīng)網(wǎng)絡的PID控制器設計

PID控制效果的好壞，取決于比例、積分、微分3個控制參數(shù)的取值和共同作用[15]。BP神經(jīng)網(wǎng)絡善于處理機制復雜的非線性映射，并具有高度自學習自適應能力，故本研究將BP神經(jīng)網(wǎng)絡與PID算法結(jié)合，以自適應地為系統(tǒng)選擇出優(yōu)化的PID控制參數(shù)。

2.2.1 控制器的總體設計

基于BP神經(jīng)網(wǎng)絡的PID控制器有兩部分組成：BP神經(jīng)網(wǎng)絡部分和PID控制器。PID控制器部分利用輸入rin與輸出yout的誤差e、誤差變化de/dt、以及由BP神經(jīng)網(wǎng)絡在線調(diào)整的Kp、Ki、Kd參數(shù)，由控制算法得出控制器輸出u(k)，再通過控制對象Plant的傳遞函數(shù)得到系統(tǒng)輸出yout以實現(xiàn)被控對象的閉環(huán)控制。而BP神經(jīng)網(wǎng)絡部分根據(jù)最優(yōu)化的性能指標監(jiān)督下，通過BP神經(jīng)網(wǎng)絡的自學習過程和權(quán)值自調(diào)整，使該部分輸出對應最優(yōu)控制指標或近似最優(yōu)PID控制器參數(shù)Kp、Ki、Kd?？刂破鞯木唧w結(jié)構(gòu)圖如圖7所示。

圖7 基于BP神經(jīng)網(wǎng)絡的PID控制器結(jié)構(gòu)框圖

2.2.2PID算法的選擇

本文選擇增量式數(shù)字PID作為PID算法的表現(xiàn)形式。增量式數(shù)字PID控制因通過求出增量，將原先PID的積分環(huán)節(jié)的累積作用進行了替換，避免積分環(huán)節(jié)占用大量計算性能和存儲空間。算法具體表示如下：

u(k)=Kp(e(k)-e(k-1))+Kie(k)+
Kd(e(k)-2e(k-1)+e(k-2))

(4)

為保證計算實時性與效率，本文選用3層的BP神經(jīng)網(wǎng)絡(輸入層、隱含層和輸出層)。各層輸入輸出和非線性激勵函數(shù)表示如下：

(1)網(wǎng)絡輸入層的輸入：

(5)

式中：M—輸入變量個數(shù)。

(2)網(wǎng)絡隱含層的輸入、輸出為：

(6)

(7)

隱層神經(jīng)元的非線性激勵函數(shù)為正負對稱的Sigmoid函數(shù)，即：

(8)

(3)網(wǎng)絡輸出層的輸入輸出為：

(9)

輸出層對應節(jié)點分別對應3個可調(diào)整參數(shù)Kp、Ki、Kd。因為PID的參數(shù)不能為負，故輸出層的非線性激勵函數(shù)設為非負的Sigmiod函數(shù)，即：

1.2.2 排除標準 排除入組時根據(jù)病史采集情況，已經(jīng)患有冠心病、心絞痛、心肌梗死、腦出血，腦梗死，腦栓塞的人群。

(10)

對輸出層權(quán)值的學習算法為：

(11)

(12)

隱含層的權(quán)系數(shù)學習算法同理有：

(13)

(14)

式中：g′(x)=g(x)(1-g(x))；f′(x)=(1-f2′(x))/2；δ—神經(jīng)元的誤差信號；η—學習速率；α—慣性系數(shù)。

以此BP神經(jīng)網(wǎng)絡算法為基準，即可實現(xiàn)有自整定功能的PID控制器，以極大優(yōu)化控制參數(shù)，并在傳遞性質(zhì)發(fā)生變化的情況下，可自適應調(diào)整PID控制器的參數(shù)。

BP算法流程圖如圖8所示。

圖8 BP算法流程圖

BP-PID算法可以總結(jié)為：

(1)首先確定BP網(wǎng)絡的結(jié)構(gòu)，即確定輸入層節(jié)點數(shù)和隱含層，并且給定網(wǎng)絡各層加權(quán)系數(shù)的初值，選定合適的學習速率η和合適的慣性系數(shù)α，此時k=1；

(2)通過采樣得到r(k)和y(k)，計算該時刻誤差e(k)=r(k)-y(k)；

(3)通過計算神經(jīng)網(wǎng)絡各層神經(jīng)元的輸入、輸出值，來確定其中神經(jīng)網(wǎng)絡輸出層的輸出，對應PID控制器Kp、Ki、Kd這3個參數(shù)；

(4)計算PID控制器的控制輸出u(k)，并將控制輸出u(k)參與系統(tǒng)進一步控制和計算；

(5)進入神經(jīng)網(wǎng)絡的學習過程，并且實時調(diào)整各加權(quán)系數(shù)，最終在線自適應調(diào)整PID的控制參數(shù)；

(6)令k=k+1,再返回到步驟(2)，一直到所得到的誤差滿足要求為止。

3 控制器的仿真和對比分析

本研究選用的BP神經(jīng)網(wǎng)絡其結(jié)構(gòu)為3層，其中輸入層4個神經(jīng)元，輸出層3個神經(jīng)元(各神經(jīng)元依次輸出PID參數(shù))。學習速率0.28，慣性系數(shù)0.05。各初始權(quán)值設為[-1,1]的隨機數(shù)。BP神經(jīng)網(wǎng)絡PID的Simulink模型包括輸入模塊、控制模塊、被控對象模塊等部分。仿真的輸入信號為階躍信號。本研究對象的系統(tǒng)為一階慣性系統(tǒng)，故將滾筒殺青機系統(tǒng)的傳遞函數(shù)[16]設置為2.04e-9s/(80s+1)，以湊數(shù)法獲得PID控制器的參數(shù)Kp=2.7，Ki=0.031，Kd=3。湊試法的原則為參考各參數(shù)對系統(tǒng)控制過程的影響趨勢，對參數(shù)調(diào)整實行先比例、后積分，再微分的整定步驟。具體模型如圖9所示。

圖9 BP-PID仿真模型

圖9左端為輸入信號，用Step模塊(單位階躍)；Ann_controller是一個控制模型的封裝，由一個基于S—function的子系統(tǒng)構(gòu)成?？刂颇Ｐ偷膔(k)接輸入信號，y(k)接輸出反饋信號。u(k)為控制器輸出信號，K為神經(jīng)網(wǎng)絡PID控制器的Kp、Ki、Kd輸出，輸出直接作用被控對象，神經(jīng)網(wǎng)絡PID控制器封裝于Ann_controller模型中，Ann_controller控制器的子系統(tǒng)如圖10所示。

圖10 Ann_controller封裝內(nèi)部結(jié)構(gòu)

在圖10中，左端口1(r(k))與左端口2(y(k))為系統(tǒng)輸入，相減后將誤差信號和誤差的導數(shù)信號輸入給控制器，右端口1(u(k))與右端口2(K)為系統(tǒng)輸出，延時模塊分別將神經(jīng)網(wǎng)絡的各個權(quán)值反饋給控制模塊S—function。

本研究進行了仿真，得到的仿真結(jié)果如圖11所示。

圖11 兩類算法結(jié)果對比

在圖11中可見：傳統(tǒng)PID算法超調(diào)量σ=11.1%，調(diào)節(jié)時間ts=67 s，穩(wěn)態(tài)誤差es= 0；BP神經(jīng)網(wǎng)絡PID算法自適應完成了對參數(shù)的調(diào)整，超調(diào)量σ= 6.7%，調(diào)節(jié)時間ts=45 s ，穩(wěn)態(tài)誤差es= 0。由此可看出基于BP神經(jīng)網(wǎng)絡的PID算法在超調(diào)量和調(diào)節(jié)時間等指標上都比傳統(tǒng)PID算法都具有更優(yōu)的特點。

4 實驗驗證

本研究在衢州上洋機械6CST50型號滾筒殺青機上進行實驗，并由R232接口將溫度數(shù)據(jù)傳輸入PC端進行記錄。為驗證控制系統(tǒng)效果，進行對比試驗，組一基于改進后算法進行殺青控制作業(yè)，記為A組；組二基于傳統(tǒng)PID，記為B組。實驗條件如表2所示。

表2 實驗條件表

經(jīng)實驗測得各組溫度曲線，實驗結(jié)果如圖(12，13)所示。

圖12 傳統(tǒng)PID算法實驗圖

圖13 BP-PID算法實驗圖

經(jīng)由圖(12，13)可知：BP-PID算法在超調(diào)量、調(diào)節(jié)時間和波動誤差上的表現(xiàn)都明顯優(yōu)于傳統(tǒng)的PID算法。

根據(jù)技術(shù)指標對兩組茶葉殺青后質(zhì)量進行綜合判定，結(jié)果如表3所示。

表3 實驗結(jié)果檢測報告

綜合表3及現(xiàn)場檢驗可知：A組茶葉色澤青綠，基本無焦葉焦邊；B組色澤相對較暗，存在一定程度葉有焦邊。得出結(jié)論：本文改進算法后的控制系統(tǒng)所生產(chǎn)的茶葉比原先傳統(tǒng)的PID恒溫控制算法生產(chǎn)的茶葉品質(zhì)更好，物料損耗更少。

5 結(jié)束語

基于滾筒殺青工藝，本文以Matlab軟件進行模糊推理和BP神經(jīng)網(wǎng)路PID控制器的系統(tǒng)仿真，并且基于以MCU的嵌入式系統(tǒng)、現(xiàn)場相關(guān)控制實驗驗證了改進算法的可行性和對殺青效果提升的有效性，得到以下結(jié)論：

(1)基于工藝和殺青經(jīng)驗，可針對要求，根據(jù)輸入由模糊算法推導出可行的滾筒溫度，降低純依靠經(jīng)驗的不可靠性和盲目性；

(2)相較于PID溫度控制系統(tǒng)，BP神經(jīng)網(wǎng)絡PID對溫度的控制效果更好，且可以進行自適應調(diào)整；

(3)基于模糊算法和BPPID算法改進后的控制系統(tǒng)可以將整個加工過程更加精確化，模式化，提升作業(yè)效率和可控性。