超快速注射機pid閉環控制算法研究

與普通預射機不同，超速預射機需要進行二次壓射。初壓為緩慢壓，空腔壓力充足，初壓為高速壓，芯壓迅速填寫。所謂模具快速填充是指在較高壓力下將熔融料以很快的速度壓入模具的腔體中,從而避免熔融料填充不均勻產生次品,而控制二級壓射需要專門設計插裝閥進行控制。超快速注射機使用專用二通插裝閥,首先二通閥控制壓射腔體進行慢壓射,慢壓射增壓過程結束后系統比較插裝閥的位置信號和位移傳感器得到的閥芯位置信號,通過閉環控制算法將位置偏差送給先導比例閥,比例閥控制二通插裝閥的開度,此開度能夠控制液壓油從油管底部到油嘴的流速,從而控制快速壓射的速度,也就是說通過先導閥的位置可以控制壓射的速度。由此可見,注射機二級注塑系統中最關鍵的技術是對二通插裝閥的完美精確控制,其實也就是對閉環控制算法的完善一般的閉環控制算法以比例積分微分(PID)閉環控制算法較為常見,其中P為比例調節,是輸入輸出比例的放大倍數;I為積分調節,用來消除系統靜態誤差;D為微分調節,是對輸出的提前預判調節。但受注塑系統的非線性、電磁閥的磁滯飽和性、液壓油的壓縮性等因素影響,單純的PID控制算法很難達到預期的控制效果1系統先導閥的壓射式中:m為螺桿活塞質量,kg;B為活塞的黏性阻尼系數,N·(s/m);F為穩態液動力,N;A為活塞缸兩端面積,m閥芯控制著液壓油的壓力和速度,也就控制著注射機的壓射質量,如圖2所示為系統先導閥,它是一個理想的四通滑閥,在理想狀態下四個節流口都是對稱的。在進行壓射控制時處于節流口的紊流液壓油假定為密度不變,而且假定先導比例閥是個理想原件,也就是說閥口的壓力跟閥芯的位移變化響應時間為零,回油壓力在理想狀態下為零,供油壓力為恒定值。閥芯的動態位移公式為:想要使閥芯左移,以閥口1為參考方向,使閥芯右移,以2為參考方向。其中Q2模糊性質量的計算如圖3所示為結合RBF(RadicalBasisFunction)神經網絡與模糊系統T-S(Takagi-Sugeno)模型建立的四階神經網絡系統。各層依次為輸入層、第一隱含層、第二隱含層、輸出層。對于電液比例控制系統來說,首要目的是輸出平穩準確的液壓油壓力,當然還要得到及時的流量控制參數,這里主要研究對于液壓壓力的控制,所以,e為壓力的控制偏差;ec為偏差變化率。液壓系統在nT時刻的壓力為e(n),y(n)為系統給定的壓力,e(n-1)為液壓系統(n-1)T時刻也就是上一相鄰時刻的壓力,控制偏差即輸出設定量P利用模糊系統優化參數,首先要將輸入量進行模糊化,E對應模糊系統中的e,EC對應模糊系統中的ec,也就是說e與ec模糊化以后可以寫為E與EC,這里將輸入連的量化等級定義為7,將其描述成模糊語言為:EC的模糊規則為:{NB,NM,NS,ZO,PS,PM,PB}那么對應的第三層的結點個數為N=7×7=49個。針對于模糊化層,一個節點就對應一個模糊語言,例如E與EC模糊規則中提到的NM,NS,ZO等。利用高斯型函數作為評價標準,計算各語言變量得到各輸入變量的隸屬度程度,然后進行模糊推理:式中:σ接下來,在模糊推理層中,一個節點對應著一個模糊推理規則,為了計算每個規則對于各自節點的適應度,將每個模糊規則進行配對,即式中:f式中:W為連接權矩陣,在第四層輸出層與第三層模糊推理層之間,i=1,2,3。控制器為:式中:k選用較為容易列出表達式的增量式PID算法作為本文液壓控制系統的算法:選取評價函數來對控制效果進行打分,一般可以選擇控制量偏差的累積作為評價標準:式中:ec(t)為液壓系統壓力變化率;t為積分時間變量;t得到連接權W式中:η為模糊神經網絡算法的學習速率;α為慣性系數,0<α<1。e式中:y將式(14)變換并改寫為矩陣形式:式中:輸出Y=[y利用正交分解對矩陣進行變換:式中:H為正交向量A的包含矩陣,利用最小二乘法變換得:式中:S=(H當滿足以上標準時就終止算法的迭代,同時可以確定權值矩陣:由于注射機的電液比例控制系統的非線性和耦合性比較強,單純的模糊神經網絡優化PID參數并不能夠取得很好的效果,所以本文引入粒子群算法對模糊神經網絡的c式中:r式中:這里,適應度目標函數的選取顯然對粒子群算法的慣性權重有著至關重要的影響,系統的輸入有壓力變化和壓力變化率,對應的模糊規則有7個,那么種群的解空間維數為14個,每一維解都有各自的隸屬度中心值和寬度,所以f對于輸出層的學習速率η和慣性系數α,照一般的算法都是隨機數,這里利用粒子群算法優化此項參數,與系統的實際輸出相聯系,E為適應度評價函數。為了驗證快速收斂粒子群算的收斂速度,引入廣義評價函數Griewank函數對這種改進慣性權重的算法進行收斂驗證,迭代50次,得到收斂效果如圖5所示,藍色線為普通粒子群收斂效果,黑色虛線為快速下降慣性權重粒子群算法。由圖5可以明顯看到收斂速度的快慢,表1是不同評價函數收斂到最低值的收斂次數,通過與表1可以明顯看到改進慣性權重后算法收斂非常迅速,有利于提高注射機控制的實時性。(1)初始化算法,14維粒子賦予各自的初始值,這里為局部極值,算法沒有開始迭代,還無法獲得全局極值,將十四維空間分為兩個,e與ec各占七維。隨機初始化高斯隸屬度函數,即中心函數c(2)運行算法,根據(5)~(9)、(11)~(13)迭代算法,在線進行優化,得到模糊神經網絡的輸出PID優化結果u。(3)計算每一維粒子對應的中心函數c(4)對全局最優解與個體最優解進行最優化選取,得到適應度評價函數最小的粒子,用這個粒子的速度及位移替換原來公式中的速度及位移。(5)利用式(14)~(15)實時優化模糊神經網絡中的中心值c(6)計算系統的評價函數E,篩選目標函數最小的η和α,返回步驟2,重復算法,直到達到規定的迭代次數4matlab仿真對式(1)~(3)取拉普拉斯變換,以HZ-180(如圖6所示)為實際仿真模型,可以得到系統的開環傳遞函數為取值理想狀態下的流量方程為:將上式在MATLAB的SIMULINK平臺進行仿真,如圖7所示。如圖8所示為注射機在初始設定智能模糊神經網絡PID和自校正PID控制效果對比曲線,可以明顯發現,系統的控制效果要比文獻表2為注射機進行初始壓射的控制效果,也可以發現調整時間與超調量明顯優于傳統PID控制算法,且隨著壓邊力的增大,系統的調整時間與超調量沒有出現很大的變化,另一方面也驗證了算法的穩定輸出效果。5超快速注射機專用二通插裝閥結構注射機是一個強時變性、非線性的大型液壓系統,無法獲得準確的數學模型,所以一般的PID控制算法難以獲得理想的控制效果。本文提出一種智能的模糊神經網絡算法來優化注射機的PID閉環控制,其中又引入改進的快速粒子群算法來優化模糊神經網絡算法的部分參數,使得系統的整體性能卓越,通過搭建仿真平臺可以驗證算法的有效性,為注射機的改進控制提供一定參考借鑒。圖1所示為超快速注射機專用二通插裝閥結構圖,它通過兩個工作油口控制內部兩個油腔的相互聯系,如圖2所示。油腔頂住閥芯,閥芯上的液壓油合力決定了插入元件的工作狀態,液壓油在主腔體內也就是先導閥的下面,合力由閥壓力和腔體壓力共同決定;合力為正時,向上打開閥芯;合力為負時,向下關閉閥芯。E的論域為:[-1,1]EC的論域為:[-1,1]E的模糊規則為:{NB(