定量稱重包裝是1種對物料進行在線稱量並實現定量包袋的技術，在食品、醫藥、化工等工業生產領域應用極其廣泛。實現定量稱重包裝的關鍵是解決動態定量稱重控製問題，主要包括實時準確稱量及快速精確控製，實時準確的稱重測量是快速精確控製的基礎，而控製性能的好壞直接決定包裝的精確程度[1]。定量稱重包裝係統是一個非線性、大滯後、強幹擾的不確定性係統，難以建立精確的數學模型。因此，采用先進控製技術對其進行研究具有重大的理論意義和工程價值。
目前國內學者對定量稱重包裝控製係統已做了不少研究，如：文獻[2]針對定量包裝控製中存在的主要問題，提出了基於模糊控製理論的Fuzzy-PID控製方案，並對係統的控製效果進行了仿真研究，取得了一定的效果；文獻[3]針對動態定量稱重係統隨機幹擾因素多、大滯後和參數不確定性等特點，提出了1種基於BP神經網絡和PID相結合的控製方法，使仿真控製效果得到了較大改善。但BP網絡K8凯发大酒店天生赢家速率固定、收斂速度慢及訓練時間相對較長，而RBF網絡在逼近能力、分類能力和K8凯发大酒店天生赢家速度等方麵均優於BP網絡。為此，筆者將RBF神經網絡和PID控製算法相結合，實時地對PID控製器的參數進行優化，設計非線性映射能力和自K8凯发大酒店天生赢家能力較強的RBF-PID控製器，並對定量稱重包裝過程進行仿真分析和驗證。

1.動態定量稱重過程特性分析
1.1定量稱重包裝係統工藝分析
定量稱重包裝係統由裝料鬥、稱重裝置、給料機構、放料門、包裝機構和控製係統等部分組成如圖1[3]。進料裝置包括裝料鬥、放料門，步進電機控製下料口閥門的開度以便於對下料量的控製。稱重裝置包括稱重傳感器和出料口閥門，物料的質量由稱重傳感器測得，並通過數據處理送至計算機控製係統，出料口閥門用來控製稱重倉倉口的開啟和關閉。
1.2動態稱重過程特性分析
動態稱重與靜態稱重具有本質的區別。靜態稱重指在秤體和所稱物體之間達到靜態平衡後再進行稱量，無需考慮所稱物體的衝力、動態過程等因素，設計簡單，精度比較高。而動態稱重指正常作業時對物料進行在線動態稱量，這種情況下其質量往往是一個隨時間變化的量，因為被測對象是時刻變化的，傳感器從一個狀態變化到另一個狀態要經曆一個過渡過程。在過渡過程中，測量值與實際質量值相差很大，難以滿足精度要求。隻有係統趨於平穩後，才能得到準確的測量值[4-5]。因此，動態稱重係統有如下特點：
1)稱重對象處於運動狀態，在具有加速度的情況下進行動態連續稱重計量；
2)稱重計量實時性和準確性要求高，既要保持良好的時間響應特性，又要保證精度；
3)稱重過程中幹擾因素較多，如被測對象衝力、秤體振動、空中餘料等；
4)執行機構(給料裝置)的動作滯後及慣性任用，控製器的限製。
因動態稱重係統物料衝力和秤體振動因素造成係統的欠阻尼振蕩，使稱重係統的動態特性變差，從而造成從稱重傳感器得到的動態質量並非是物料真實質量，故必須對係統的動態特性加以補償和改善。
2RBF神經網絡PID控製係統設計
RBF網絡是1種前向網絡，由輸入到輸出的映射是非線性的，隱層空間到輸出層空間的映射是線性的，采用RBF網絡可大大加快K8凯发大酒店天生赢家速度並避免局部極小問題，適合於實時控製的要求。采用RBF網絡構成神經網絡控製方案，可有效提高係統的精度、魯棒性和自適應性。
2.1RBF神經網絡算法及其訓練
采用三層RBF網絡，輸入層節點將輸入信號傳送到隱含層，隱含層節點由高斯基函數構成，隱含層到輸出層是線性關係。其神經網絡輸入、輸出的數學關係為

其中：bj為網絡的基寬向量；r(t)為被控對象的輸入，對應為定量稱重包裝控製係統中所期望的包裝質量；y(t)為被控對象的輸出信號，為稱重傳感器實際測得的質量；η為K8凯发大酒店天生赢家速率；α為動量因子。可以得到徑向基函數的節點中心參數的迭代算法

2.2RBF-PID控製係統的設計
對定量稱重包裝控製係統利用PID控製算法進行控製，PID參數的選擇是一個關鍵環節，為達到較好的效果，提出基於RBF神經網絡PID控製策略對其進行控製，利用神經網絡具有的任意非線性表達能力實現控製參數的優化。圖2為RBF神經網絡PID控製係統結構圖，由圖2可見，該控製係統的組成及功能為：

1)PID控製器采用增量式PID控製器，直接對被控對象進行閉環控製，3個參數Kp,Ki,Kd依據控製係統的實際運行情況不斷進行調整；
2)RBF神經網絡根據係統的運行情況，在線調整PID控製器的參數，使其達到最優的控製效果。
RBF神經網絡輸入量為每個包裝周期內質量的偏差信號和偏差的導數信號，輸出量為PID控製器的3個參數Kp,Ki,Kd。通過RBF神經網絡自K8凯发大酒店天生赢家，使神經網絡的輸出為最佳的PID控製器參數。

3係統仿真結果及分析
為單獨檢驗RBF神經網絡的優化效果，用定量包裝係統傳遞函數進行驗證，文中參考文獻[8]建模得出的近似數學模型

取采樣周期T=0.5s，將其離散化，采用RBF神經網絡PID控製器和傳統PID控製器分別對係統進行優化控製，並通過Matlab中的Simulink進行仿真。輸入取階躍信號，RBF辨識網絡選取3-6-1結構，經過多次訓練仿真實驗，定量稱重包裝控製係統相關的的仿真參數選擇為[9]：動量因子α為0.02；K8凯发大酒店天生赢家速率η為0.35；加權係數初值均為0.01；傳統PID控製的參數取Kp=5，Ki=0.8，Kd=1.5。為驗證控製模型的抗幹擾能力，仿真在5s時對係統加入幹擾。圖3，4分別為采用傳統PID控製方法和RBF神經網絡PID控製方法對定量稱重包裝係統進行控製的仿真結果。
由圖3，4可知：采用傳統PID控製時，調節速度較快，能迅速達到設定值，但超調量較大，長期如此將使稱重傳感器準確度下降，包裝質量產生較大波動；采用RBF神經網絡PID控製時係統動態響應速度快、無超調、穩定性強；加入幹擾後，采用RBF神經網絡PID控製方法，係統沒有震蕩，並且很快達到穩定狀態，由此可見RBF神經網絡PID控製性能明顯優於傳統PID。

4結論
針對定量稱重包裝係統具有大慣性滯後、非線性時變且無法建立精確模型等特點，提出基於RBF神經網絡PID的控製策略。通過Matlab對控製方法進行仿真，比較分析傳統PID控製與RBF神經網絡PID控製的控製效果。仿真結果表明：傳統PID控製雖然響應速度較快，但超調量過大，這在包裝生產流程中極為不利；RBF神經網絡PID控製效果較平穩，具有良好的控製精度和動態性能，控製效果優於PID控製效果，具有較高的工程應用價值。

作者：吳宇平，章家岩，章磊，馮旭剛
參考文獻：
[1]喻先鋒，曹金林，姚重陽.動態定量稱重技術控製策略和算[J].輕工機械，2013,31(1):55-59.
[2]常波，閻有運，梁碩.基於模糊算法的配料稱重控製策略研究與應用[J].電子測試，2009(5):1-5,43.
[3]胡攀，梁嵐珍，李靖.動態定量稱重係統控製策略的研究[J].自動化博覽，2009,26(11):78-80.
[4]曾琳，張文濤.基於RBF神經網絡的智能PID控製算法[J].計算機與數字工程，2011,39(1):17-20.
[5]潘瑞林，曹建華，冷護基.基於RBF神經網絡的製造業費用分配係數確定方法[J].安徽工業大學學報：自然科學版，2012,29(3):285-288.
[6]靳紅濤，焦宗夏，周汝勝，等.基於神經網絡PID的冗餘伺服係統自適應控製[J].機械工程學報，2008,44(12):249-253.
[7]孫虎兒.小雜糧自動定量包裝自動控製係統的設計[J].包裝工程，2008,29(12):81-82.
[8]李鵬.動態定量稱重係統的研究與實現[D].濟南：山東大學，2006.
[9]江道根.六自由度並聯機器人RBF神經網絡PID控製研究[D].鎮江：江蘇大學，2010.
[10]劉金琨.先進PID控製及其MATLAB仿真[M].北京：電子工業出版社，2003:195-212.

本文源於網絡轉載，如有侵權，請聯係刪除