姜慶輝

(江蘇蘇鹽井神股份有限公司 第二分公司，江蘇 淮安 223003)

1 前言

食用鹽在人類生活必需品中占據(jù)十分重要的地位，市場需求巨大，同時，也對食用鹽的生產(chǎn)效率提出了挑戰(zhàn)。在食用鹽工業(yè)生產(chǎn)中，食用鹽包裝效率在一定程度上影響產(chǎn)品生產(chǎn)率，因此，從業(yè)人員和研究人員致力于提升食用鹽的包裝效率[1]。在食用鹽包裝過程中，封口裝置主要完成包裝的橫封和縱封，決定食鹽質(zhì)量和外觀。其中溫度控制通過熱電偶和溫度傳感器實現(xiàn)封口溫度閉環(huán)控制，是食用鹽包裝過程封口環(huán)節(jié)中至關重要的部分，要求所使用的溫度控制系統(tǒng)超調(diào)量更小，抗干擾能力更強，溫度控制精度更高，能以較快速度實現(xiàn)對各料筒溫度的控制[2]。鑒于此，研究以食用鹽包裝封口溫度控制系統(tǒng)為對象，論述NFOA-RBF神經(jīng)網(wǎng)絡在實現(xiàn) PID 控制器參數(shù)實時在線調(diào)節(jié)方面的作用，提出一種基于NFOA-RBF神經(jīng)網(wǎng)絡的食用鹽包裝封口溫度控制系統(tǒng)，并進行仿真和實驗。

2 基于PLC的食用鹽包裝封口系統(tǒng)架構

在食品工業(yè)中，包裝由包裝準備操作、產(chǎn)品準備填充操作、填充包裝、關閉(密封)、填充包裝的控制以及儲存和運輸?shù)臏蕚浣M成。其中，包裝操作必須符合嚴格的衛(wèi)生、毒性、臭味標準，并對內(nèi)裝物進行保護。同時，現(xiàn)代的分銷和銷售方式也影響了包裝的類型。例如，市場和倉庫需要單元包來鼓勵沖動購物和便于展示。在食用鹽包裝中，大多采取的是熱密封的保護包裝，以防止微生物進入并延緩物理變質(zhì)。為此，食鹽包裝封口控制系統(tǒng)主要包括：上位機、PLC、溫度檢測單元、角度檢測單元、料位檢測單元、電機執(zhí)行單元、溫度加熱單元等[3]。其中 PLC 作為下位機主要負責接收各種模擬信號、數(shù)字信號以及控制指令下傳。上位機即 PC 機，根據(jù) PLC 信號實現(xiàn)各種復雜算法分析同時生成控制指令。具體架構見圖1。

圖1 食用鹽包裝機控制系統(tǒng)結構

3 基于NFOA-RBF神經(jīng)網(wǎng)絡的溫度PID控制

3.1 溫度PID控制設計

食用鹽包裝封口溫度控制過程的主要困難在于熱慣性大、時間短、變量間耦合大、非線性強，常用的線性控制技術有分散PID控制，多變量解耦控制，預測控制和魯棒h ∞控制。使用PID的主要優(yōu)點是易于實現(xiàn)和調(diào)整[4]。在這樣的方式下，相對于其它應用于系統(tǒng)控制的方法，神經(jīng)網(wǎng)絡具有一定的特殊性，特別是神經(jīng)網(wǎng)絡控制器一般是一個靜態(tài)非線性函數(shù)，其參數(shù)可以用人的啟發(fā)式算法設計，也可以用被控系統(tǒng)的數(shù)學模型設計。在工業(yè)控制的背景下，設計過程中的非線性和直覺感覺非常重要，主要是因為兩個原因: 首先，大多數(shù)工業(yè)過程是非線性的，需要非線性模型；其次，通常在工業(yè)中不容易使用在某些情況下，啟發(fā)式知識或試錯過程，對于系統(tǒng)分析和控制設計可能更加實用和方便。在此基礎上，RBF網(wǎng)絡是一類混合連接模型，雖然它本質(zhì)上是三層前饋網(wǎng)絡，但RBF網(wǎng)絡與傳統(tǒng)的多層感知器有三個重要的不同之處: 首先，RBF網(wǎng)絡只有一組可訓練的權重，從隱藏層到輸出層；其次，RBF網(wǎng)絡節(jié)點的激活函數(shù)是非標準的le；最后，RBF網(wǎng)絡學習受監(jiān)督和無監(jiān)督的雙重影響。一般來說，質(zhì)心是通過K平均算法獲得，而輸出層的權重則是通過使用偽逆矩陣或SVD的單次激發(fā)過程來訓練。因此，RBF網(wǎng)絡在傳統(tǒng)的分類問題以及現(xiàn)代模糊控制系統(tǒng)中具有廣泛的適用性[5]。

與其它神經(jīng)網(wǎng)絡模型一樣，RBF網(wǎng)絡的拓撲結構對網(wǎng)絡性能有很大影響，即重心構成隱層的選擇。過多的質(zhì)心會導致過度擬合，而過少的質(zhì)心可能不足以充分捕獲內(nèi)含子類的分裂。因此，RBF網(wǎng)絡的分類精度主要受用于表示每個類的質(zhì)心數(shù)和每個質(zhì)心在其類中的位置的影響。由于每個類的重心數(shù)由用戶事先設置，通常是所有類的重心數(shù)。雖然這簡化了RBF網(wǎng)絡的設計，而且對于“常規(guī)”問題空間來說也是足夠的，但這種方法限制性太強，通常不切實際。在具有多類的復雜問題空間中，盡管許多類僅由幾個緊集群組成，但其它類可能會表現(xiàn)出需要附加質(zhì)心的奇點。在超維問題空間中，這樣的奇異點不容易被用戶檢測到。此外，RBF網(wǎng)絡的另一個難點是它隨機選擇了質(zhì)心的起始位置。這種非決定性阻礙了健壯性，并直接影響性能。鑒于此，為了克服傳統(tǒng)RBF網(wǎng)絡的質(zhì)心選擇方法的局限性，提出一種基于自我優(yōu)化的進化策略，將遺傳算法演化為模糊質(zhì)心，成為網(wǎng)絡隱藏層的基本函數(shù)。因為遺傳算法同時對所有類別進行操作，并以適應度作為分類準確性的衡量標準，所以該方法自然而然地從交互信息中獲益。此外，通過消除起始位置的非決定性選擇，RBF網(wǎng)絡的粗壯度得以增加。

具體來說，為了構造一個最優(yōu)的網(wǎng)絡布局，利用RBF網(wǎng)絡的輸出信息和RBF網(wǎng)絡的計算有效逼近，通過共同演化網(wǎng)絡拓撲結構的兩個決定性參數(shù):隱含層和輸出層來實現(xiàn)最優(yōu)聚類，其表達式為：

(1)

式(1)中，hj——徑向基向量；X——網(wǎng)絡輸入量；Cj——隱含層j節(jié)點的中心矢量；bj——隱含層j節(jié)點的中心基寬。

在進化過程中，輸出層不斷變化，從而提供了種群中必要的多樣性來優(yōu)化參數(shù)用于評估個體的客觀適應度函數(shù)，然后使用k均值計算的中心和最近吸引的原型分類器對評估集進行測試分類，使用個體基因編碼的起始位置。因此，研究采用梯度下降法的網(wǎng)絡分類器作為RBF網(wǎng)絡性能的有效近似值，其表達式為：

cij(k)=cij(k-1)+Δβcij+α(cij(k-1)-

cij(k-2))

(2)

bj(k)=bj(k-1)+Δβbj+α(bj(k-1)-

bj(k-2))

(3)

式(2)、式(3)中，cij(k)——第k時刻節(jié)點j中心矢量；bj(k)——第k時刻節(jié)點j中心基寬；α——為動量因子；β——學習因子。

雖然在優(yōu)化過程中標記了質(zhì)心，一旦放入RBF網(wǎng)絡并融合，就不會被標記，使得RBF能夠利用輸出信息進行更快速、更明智的搜索，以尋找最優(yōu)解決方案。

3.2 神經(jīng)網(wǎng)絡初始優(yōu)化

如上所述，這些RBF符號規(guī)則為具有某些參數(shù)限制的單變量網(wǎng)絡的零點數(shù)量提供了嚴格的界限。此外，它們可用于導出這些網(wǎng)絡的 Vapnik-Chervonenkis (VC) 維度和偽維度的緊密界限[6]。該結果與之前的工作形成對比，表明具有兩個或更多輸入節(jié)點的RBF神經(jīng)網(wǎng)絡具有超線性維度。這些規(guī)則還產(chǎn)生了網(wǎng)絡大小的下限，從而對系統(tǒng)性能比較大，所以需要通過優(yōu)化初始值來提高 RBF 神經(jīng)網(wǎng)絡的預測精度[7]。為此，研究引入了一種果蠅優(yōu)化算法(NFOA)，具體步驟如下：

首先，參數(shù)初始化，包括種群規(guī)模、最大迭代數(shù)值、果蠅群位置、初始濃度值等；

其次，通過嗅覺感知食物，果蠅個體向所感知食物聚攏同時更新果蠅位置；

再次，求解個體和原點之間距離；

最后，求解濃度最佳的果蠅個體。

其中，步驟2到步驟4循環(huán)執(zhí)行，滿足最大迭代次數(shù)同時果蠅濃度最優(yōu)，則執(zhí)行以下步驟：

標記同時保存最佳濃度值，此時果蠅群體會向最佳濃度位置聚攏。

所述自適應步長的果蠅優(yōu)化算法可很好地解決全局尋優(yōu)和局部尋優(yōu)問題。在前期計算過程中，全局優(yōu)化性能比較理想，這樣就可以最快地找到全局最優(yōu)解；在后期計算過程中，可以兼顧搜索速度和搜索精度。在保證算法收斂性的前提下，提高算法搜索精度。利用該算法可以較好地解決 RBF 神經(jīng)網(wǎng)絡初始值優(yōu)化問題。NFOA-RBF 神經(jīng)網(wǎng)絡算法流程見圖2。

圖2 NFOA-RBF神經(jīng)網(wǎng)絡算法流程

在這種方法中，輸入空間的網(wǎng)格化簡化了結構參數(shù)的估計，并且考慮到線性濾波理論，允許將網(wǎng)格交叉處的局部最大后驗估計替換為權值。

4 仿真和實驗分析

4.1 仿真

為了驗證所提出的食用鹽保障封口溫度控制系統(tǒng)的可行性，通過 MATLAB Simulink 技術創(chuàng)建控制器的擬合估計過程，并在圖表上相應地顯示結果。根據(jù)使用參數(shù)測試的有效性來

對傳統(tǒng)的PID控制器、基于BP神經(jīng)網(wǎng)絡的PID控制器和基于NPOA-RBF的PID控制器進行仿真對比。目標是在系統(tǒng)穩(wěn)定狀態(tài)下對比不同控制器的超調(diào)量和系統(tǒng)穩(wěn)定所需時間，為對比不同控制器的有效性提供范圍。具體仿真結果見圖3。

圖3 PID控制器仿真模擬結果

如圖3所示，在超調(diào)量方面，傳統(tǒng)的PID控制器的超調(diào)量為12.3%，基于BP神經(jīng)網(wǎng)絡的PID控制器的超調(diào)量為4.9%，基于NPOA-RBF的PID控制器的超調(diào)量為2.1%；在系統(tǒng)穩(wěn)定所需時間方面，傳統(tǒng)的PID控制器為6 s，基于BP神經(jīng)網(wǎng)絡的PID控制器為3.5 s，基于NPOA-RBF的PID控制器為3.8 s。由此可見，NPOA-RBF神經(jīng)網(wǎng)絡 PID 控制器的性能最優(yōu)。

4.2 實驗

為了確定研究所設計的溫度控制系統(tǒng)的實際精度，以某食用鹽工廠的包裝生產(chǎn)線為平臺進行了相關實驗。實驗以200 ℃為設定溫度，以6 min/次的頻率采集1 h內(nèi)系統(tǒng)的實際溫度并對比實際溫度和設定溫度的溫度偏差和相對誤差，具體結果如表1。

表1 食用鹽封口溫度控制系統(tǒng)實驗結果

如表1所示，此次實驗中實際檢測溫度最高為201.4 ℃，最低溫度為199.3 ℃，平均檢測溫度為200.14 ℃；溫度偏差最大為1.4 ℃，最小為-0.7 ℃，平均溫差為0.14 ℃；相對誤差最大為0.70%，最小為-0.50%，相對平均誤差為0.069%。由此結果可以得出該系統(tǒng)滿足生產(chǎn)所需的穩(wěn)定性，同時，實現(xiàn)了較為精確的溫度控制，可以進行實際應用和推廣。

5 結語

綜上所述，隨著先進控制技術的發(fā)展，超過95%的過程工業(yè)控制回路都在使用PID控制器，因為它結構簡單、易于實施和魯棒性。然而，由于PID控制過程的非線性和不穩(wěn)定性，傳統(tǒng)的PID在某些情況下會失敗并且表現(xiàn)出較差的性能。為了克服這些問題，研究人員開發(fā)了基于神經(jīng)網(wǎng)絡控制的PID控制器，它提供比傳統(tǒng)PID設計方法更好的閉環(huán)性能，可用于控制不穩(wěn)定的過程。與傳統(tǒng)PID相比，基于神經(jīng)網(wǎng)絡控制的PID控制器一個顯著優(yōu)勢是它具有單個調(diào)整參數(shù)，易于調(diào)整并應用于實際過程。這一點從實驗結果中可接受的溫度誤差指數(shù)值可以看出。研究表明，所提出的技術可以有效地用于控制食用鹽包裝機的封口溫度。