智能配料控制系统 沥青混合料智能称重配料控制方法与流程

1.本发明涉及一种沥青混合料智能称重配料控制方法，属于沥青搅拌站设备技术领域。

背景技术：

2.沥青混合料搅拌设备是重要的路面工程机械之一，被广泛应用于道路、机场、码头和基础设施的施工，生产的沥青混合料影响着工程质量的好坏。沥青混合料是由大小不同的石料、粉料和加热的沥青按比例送入搅拌缸搅拌至均匀，生成沥青混合料。生产过程中要按配方比及所设定的生产率计算并称量各种石料、粉料、沥青的重量。而目前的搅拌设备对石料、粉料、沥青的重量计量由于检测手段和计量方法的技术局限，计量环节具有滞后性，操作中存在着提前量或过冲量，造成计量精度不够精确，一定程度上影响沥青混合料的质量。为提高混合料的生产工艺和计量精度，设计智能化的称重配料系统有着重要的应用价值。

技术实现要素：

3.本发明的目的在于提供一种沥青混合料智能称重配料控制方法，在进行沥青混合料生产中，可以根据不同规格、等级的沥青混合料的生产工艺和配比要求，在系统中设定好参数，自动地完成沥青混合料中各种配料的称重计量，整个过程采用自动控制技术实现沥青混合料的自动称重配料。由于石料、粉料和沥青计量环节具有滞后性，现有技术的设备操作中存在着提前量和过冲量，本发明采用模糊神经网络算法来修正pid控制器的k

，ki，kd三个参数，提高沥青混合物石料、粉料和沥青的称重计量精度和计量模块的动态响应。

4.本发明的目的通过以下技术方案予以实现：

5.一种沥青混合料智能称重配料控制方法，采用基于模糊神经网络的pid控制器作为石料、粉料和沥青计量称重的控制器，模糊神经网络分为五层，从信号输入至输出依次为输入层、模糊化层、模糊化推理层、去模糊化层、输出层；石料、粉料和沥青计量称重传感器检测的称重数据与设定值比对，产生偏差e和偏差变化率ec，作为模糊神经网络的输入至输入层，然后由模糊化层通过隶属度函数规则进行模糊化，再经过模糊化推理层进行模糊推理与判断，确定模糊规则的匹配情况，并计算出各个模糊规则的适应度，接着进行归一化计算，输出归一化的控制量到输出层，输出δk

、δki、δkd来修正pid控制器的k

，ki，kd三个参数。

6.本发明的目的还可以通过以下技术措施来进一步实现：

7.前述沥青混合料智能称重配料控制方法，其中，

8.1)输入层：接收偏差e和偏差变化率ec两个输入量，连接权重为

9.10.偏差e和偏差变化率ec在时间域的表示形式为e(t)，ec(t)，oi表示输入层函数，oi＝xi＝[x1,x2]；

[0011]

2)模糊化层：对输入变量进行模糊化处理，

[0012][0013]

o2(i,j)表示模糊化处理时的隶属度函数值，表示隶属度函数，c

ij

和b

ij

表示第i个输入变量的第j个模糊集合的隶属度函数的中心和宽度；

[0014]

3)模糊化推理层和去模糊化层：共同完成模糊推理，模糊化推理层是“and”神经元，连接权重设置为1，由一系列模糊规则组成，通过各个节点的组合来计算结果；去模糊化层是“or”神经元，归一化运算，将该层神经元的归一化处理后输出模糊量；

[0015]

4)输出层：进行解模糊；去模糊化层的输出o

(4)

作为输出层的输入，即i

(5)

＝o

(4)

，k

，ki，kd三个参数的自适应输出公式如下：

[0016][0017]

分别为输出层三个输出。

[0018]

前述沥青混合料智能称重配料控制方法，对偏差e和偏差变化率ec进行模糊处理的模糊规则如下：

[0019]

1)根据e和ec的隶属度，推导输出值(u)对应隶属度的规则为：

[0020]

当e为nb，ec分别为nb、ns、zo、ps、pb时，输出值(u)对应的隶属度分别为pb、pb、pb、ps、zo；当e为ns，ec分别为nb、ns、zo、ps、pb时，输出值(u)对应的隶属度分别为pb、pb、ps、zo、zo；当e为zo，ec分别为nb、ns、zo、ps、pb时，输出值(u)对应的隶属度分别为ps、ps、zo、ns、ns；当e为ps，ec分别为nb、ns、zo、ps、pb时，输出值(u)对应的隶属度分别为zo、zo、ns、nb、nb；当e为pb，ec分别为nb、ns、zo、ps、pb时，输出值(u)对应的隶属度分别为zo、ns、nb、nb、nb；

[0021]

2)δk

为k

的变化量，模糊规则为：

[0022]

当e为nb，ec分别为nb、ns、zo、ps、pb时，δk

对应的隶属度分别为pb、pb、ps、ps、zo；当e为ns，ec分别为nb、ns、zo、ps、pb时，δk

对应的隶属度分别为pb、ps、zo、zo、ns；当e为zo，ec分别为nb、ns、zo、ps、pb时，δk

对应的隶属度分别为ps、ps、ns、ns、ns；当e为ps，ec分别为nb、ns、zo、ps、pb时，δk

对应的隶属度分别为ps、zo、ns、ns、nb；当e为pb，ec分别为nb、ns、zo、ps、pb时，δk

对应的隶属度分别为zo、ns、nb、nb、nb；

[0023]

3)δki为ki变化量，模糊规则为：

[0024]

当e为nb，ec分别为nb、ns、zo、ps、pb时，δki对应的隶属度分别为nb、nb、ns、ns、zo；当e为ns，ec分别为nb、ns、zo、ps、pb时，δki对应的隶属度分别为nb、ns、ns、zo、ps；当e为zo，ec分别为nb、ns、zo、ps、pb时，δki对应的隶属度分别为ps、ns、zo、ps、ps；当e为ps，ec分别为nb、ns、zo、ps、pb时，δki对应的隶属度分别为zo、zo、ps、ps、pb；当e为pb，ec分别为

nb、ns、zo、ps、pb时，δki对应的隶属度分别为zo、ps、pb、pb、pb；

[0025]

4)δkd为kd变化量，模糊规则为：

[0026]

当e为nb，ec分别为nb、ns、zo、ps、pb时，δkd对应的隶属度分别为ps、nb、nb、nb、ps；当e为ns，ec分别为nb、ns、zo、ps、pb时，δkd对应的隶属度分别为zo、ns、ns、ns、zo；当e为zo，ec分别为nb、ns、zo、ps、pb时，δkd对应的隶属度分别为zo、ns、ns、ns、zo；当e为ps，ec分别为nb、ns、zo、ps、pb时，δkd对应的隶属度分别为zo、zo、zo、zo、zo；当e为pb，ec分别为nb、ns、zo、ps、pb时，δkd对应的隶属度分别为pb、ps、ps、ps、pb。

[0027]

前述沥青混合料智能称重配料控制方法，对于沥青料的计量控制采用时间、称重双重控制，其方法为：当沥青开始称重计量时开始计时，当称重计量达到设定值或计量时间达到上一次平均配料时间ty，停止沥青供给至称量灌。平均配料时间不断迭代更新，即本次平均配料时间t＝(上一次计量时间t1-本次计量时间t2)/2+上一次平均配料时间ty。

[0028]

与现有技术相比，本发明的有益效果是：本发明采用模糊神经网络算法来修正pid控制器的k

，ki，kd三个参数，提高沥青混合物石料、粉料和沥青的称重计量精度和计量模块的动态响应，克服沥青混合料计量环节的滞后性，避免提前量和过冲量对计量精度的影响，保证生产质量与安全。

附图说明

[0029]

图1是本发明称重配料系统总体结构图；

[0030]

图2是石料称重模块结构图；

[0031]

图3是pid控制结构图；

[0032]

图4是模糊神经网络pid控制器结构图；

[0033]

图5是称重变送器接线图。

具体实施方式

[0034]

下面结合附图和具体实施例对本发明作进一步说明。

[0035]

称重配料控制是沥青混合料搅拌设备的核心环节，主要功能就是将加热后的石料、沥青和粉料按照预先设定好的配方比例分别进行称量，其中石料和粉料属于多种料的累加计量。称重系统的计量精度直接影响成品料的质量，按交通行业标准jt/t270-2002《强制间歇式沥青混合料搅拌设备》规定：标准工况下物料动态计量时精度误差为，沥青计量精度为

±

2.0％、粉料计量精度为

±

2.5％、石料计量精度为

±

2.5％。

[0036]

本发明由主控制器、石料控制、粉料控制、沥青控制、各配料的称重称重传感器、执行机构和各配料料仓组成，如图1所示。

[0037]

这里以石料称重为例，热石料称重控制系统结构如图2所示。粗级配的冷石料经烘干筒加热后，由提升机输送至振动筛，振动筛将热石料混合料筛分为大小不同粒径的四种料，分别储存在各自的热料仓中，各石料仓底部的仓门开关实现石料的放料控制控制。每个热料仓底部各有大小二个放料弧门，由气缸控制其开闭。称量开始时，按设定的放料顺序，某个热料仓大小放料弧门同时打开，所以称量开始时，石料能快速注入石料计量斗，此称为粗称；当计量斗内石料质量达到设定位的85％时，大放料弧门关闭，小放料弧门保持打开状态，石料缓慢注人计量斗，此即为石料的细称。当石料的质量达到设定值时，关闭小放料弧

门，停止石料的注入，完成一种石料的精称，石料计量是累加计量。

[0038]

在称重计量中，pid是一种常用的控制方法，pid控制是比例积分微分控制的简称，由于其算法简单、鲁棒性好，在工业控制中获得了广泛的应用，今天仍有90％以上的控制回路采用pid控制，其控制结构如图3所示。

[0039]

其控制规律为：

[0040]

式中，e(t)为误差，e(t)＝r(t)-y(t)，k

为比例系数；ti为积分时间常数；td为微分时间常数。由于传统的pid算法存在控制精度低的局限性，石料、粉料和沥青计量环节具有滞后性，操作中存在着提前量和过冲量，因此单一模糊控制的设计缺乏系统性，为了在不建立准确数学模型的前提下，仍能够保证控制的精度和实时性，本发明采用基于模糊神经网络的pid控制算法作为石料、粉料和沥青计量智能称重的控制方法，其结构如图4所示。

[0041]

基于模糊神经网络的pid控制器主要包括模糊神经参数整定器和变参数pid控制器两部分，模糊神经网络参数整定器有两个输入量：偏差e和偏差变化率ec。p1、z1、n1分别代表偏差e的负数、零、正数隶属度，p2、z2、n2分别代表偏差变化率ec的负数、零、正数隶属度。f/d代表输出层，分解为k

，ki和kd三个输出。

[0042]

模糊神经网络分为五层，分别为输入层、模糊化层、模糊化推理层、去模糊化层、输出层。石料、粉料和沥青计量称重传感器多次检测的数据反馈给控制器，经与设定值比对，产生偏差e和偏差变化率ec，作为模糊神经网络的输入，经过输入层，然后通过隶属度函数规则进行模糊化，再经过模糊化推理层，进行模糊推理与判断，确定模糊规则的匹配情况，并计算出各个模糊规则的适应度。接着进行归一化计算，输出归一化的控制量到输出层，经过分解得到k

，ki和kd三个输出。

[0043]

本发明采用模糊神经网络pid控制器对偏差e和偏差变化量ec进行模糊处理。这里将传感器采集的各配料重量偏差e的范围设置在-5到+5之间。即传感器采集重量偏离设定值的最大距离为10。正负表示重量正负偏离，基于以上设定，可以对e和ec进行模糊化，为减少神经网络的复杂度，现在将e的区间[-5,5]分为5个部分，分别为：-5～-3，-3～-1，-1～1，1～3，3～5。然后使用nb(负大)，ns(负小)，zo(零)，ps(正小)，pb(正大)，分别代表-3，-1，0，1，3。同理，模糊化偏差变化率ec可以得到：nb，ns，zo，ps，pb。

[0044]

将系统偏差e和偏差变化率ec变化范围定义为模糊集上的论域，即：

[0045]

其模糊子集为e,ec＝{-5,-3,-1,0,1,3,5}(2)

[0046]

对于输入的e和ec，需要计算出它们的隶属度，推导出输出值(u)对应的隶属度，本发明输出值(u)采用模糊规则如表1所示。

[0047]

表1偏差e和偏差变化率ec推导输出值(u)隶属度模糊规则表

[0048][0049]

即当e为nb，ec分别为nb、ns、zo、ps、pb时，输出值(u)对应的隶属度分别为pb、pb、pb、ps、zo；当e为ns，ec分别为nb、ns、zo、ps、pb时，输出值(u)对应的隶属度分别为pb、pb、ps、zo、zo；当e为zo，ec分别为nb、ns、zo、ps、pb时，输出值(u)对应的隶属度分别为ps、ps、zo、ns、ns；当e为ps，ec分别为nb、ns、zo、ps、pb时，输出值(u)对应的隶属度分别为zo、zo、ns、nb、nb；当e为pb，ec分别为nb、ns、zo、ps、pb时，输出值(u)对应的隶属度分别为zo、ns、nb、nb、nb。

[0050]

接下来，建立k

，ki和kd三个变量的模糊规则库来调整pid控制参数。

[0051]

(1)k

模糊规则

[0052]

在pid控制器中，系统的响应速度由k

决定。δk

为k

的变化量，模糊规则如表2所示。

[0053]

表2k

模糊规则

[0054][0055]

即当e为nb，ec分别为nb、ns、zo、ps、pb时，δk

对应的隶属度分别为pb、pb、ps、ps、zo；当e为ns，ec分别为nb、ns、zo、ps、pb时，δk

对应的隶属度分别为pb、ps、zo、zo、ns；当e为zo，ec分别为nb、ns、zo、ps、pb时，δk

对应的隶属度分别为ps、ps、ns、ns、ns；当e为ps，ec分别为nb、ns、zo、ps、pb时，δk

对应的隶属度分别为ps、zo、ns、ns、nb；当e为pb，ec分别为nb、ns、zo、ps、pb时，δk

对应的隶属度分别为zo、ns、nb、nb、nb。

[0056]

(2)ki模糊规则

[0057]

在pid控制器中，消除系统的稳态偏差是ki的作用，δki为ki变化量。模糊规则如表3所示。

[0058]

表3ki模糊规则

[0059][0060]

即当e为nb，ec分别为nb、ns、zo、ps、pb时，δki对应的隶属度分别为nb、nb、ns、ns、zo；当e为ns，ec分别为nb、ns、zo、ps、pb时，δki对应的隶属度分别为nb、ns、ns、zo、ps；当e为zo，ec分别为nb、ns、zo、ps、pb时，δki对应的隶属度分别为ps、ns、zo、ps、ps；当e为ps，ec分别为nb、ns、zo、ps、pb时，δki对应的隶属度分别为zo、zo、ps、ps、pb；当e为pb，ec分别为nb、ns、zo、ps、pb时，δki对应的隶属度分别为zo、ps、pb、pb、pb。

[0061]

(3)kd模糊规则

[0062]

在pid控制器中，改变系统动态特性是kd的作用，δkd为kd变化量。模糊规则如表4所示。

[0063]

表4kd模糊规则

[0064][0065][0066]

即当e为nb，ec分别为nb、ns、zo、ps、pb时，δkd对应的隶属度分别为ps、nb、nb、nb、ps；当e为ns，ec分别为nb、ns、zo、ps、pb时，δkd对应的隶属度分别为zo、ns、ns、ns、zo；当e为zo，ec分别为nb、ns、zo、ps、pb时，δkd对应的隶属度分别为zo、ns、ns、ns、zo；当e为ps，ec分别为nb、ns、zo、ps、pb时，δkd对应的隶属度分别为zo、zo、zo、zo、zo；当e为pb，ec分别为nb、ns、zo、ps、pb时，δkd对应的隶属度分别为pb、ps、ps、ps、pb。

[0067]

考虑k

，ki，kd三者的关联，根据工程经验设计模糊整定这三个参数，误差e和偏差变化率ec为输入。设e，ec和δk

，δki，δkd均服从正态分布，因此可得出各模糊子集的隶属度，根据偏差e和偏差变化量ec的模糊化结果推导出δk

，δki，δkd的模糊子集。输入量e和

ec是由模糊变量组成的向量，所以推理出的δk

，δki，δkd的模糊子集通常是由模糊变量组成的矩阵。为进一步提高沥青混合物石料、粉料和沥青的称重计量精度和计量模块的动态响应，这里采用模糊神经网络算法来修正pid控制器的k

，ki，kd三个参数。

[0068]

本发明模糊神经网络计算过程：本发明采用5层模糊神经网络结构，分别为输入层、模糊化层、模糊化推理层、去模糊化层、输出层。如图4所示。

[0069]

1)第一层：接收偏差e和偏差变化率ec两个输入量，这里取连接权重为w

i1

＝1。

[0070][0071]

偏差e和偏差变化率ec在时间域的表示形式为e(t)，ec(t)。oi表示输入层函数，oi＝xi＝[x1,x2]。

[0072]

2)第二层：对输入变量模糊化处理。

[0073][0074]

o2(i,j)表示模糊化处理时的隶属度函数值，表示隶属度函数，c

ij

和b

ij

表示第i个输入变量的第j个模糊集合的隶属度函数的中心和宽度。

[0075]

3)第三层和第四层：共同完成模糊推理，第三层是“and”神经元，连接权重设置为1，它由一系列模糊规则组成，通过各个节点的组合来计算结果；第四层是“or”神经元，归一化运算，将该层神经元的归一化处理后输出模糊量。

[0076]

4)第五层：解模糊。本发明要输出的是k

，ki，kd的自适应结果。第四层的输出o

(4)

作为第五层的输入，即i

(5)

＝o

(4)

，k

，ki，kd三个参数的自适应输出公式如下

[0077]

分别为第五层的三个输出。

[0078]

这里以石料称重为例，粗级配的冷石料经烘干筒加热后，由提升机输送至振动筛，振动筛将热石料混合料筛分为不同粒径的四种料，分别储存在各自的热料仓中，各石料仓底部的仓门开关实现石料的放料控制控制。每个热料仓底部各有大小二个放料弧门，由气缸控制其开闭。称量开始时，按设定的放料顺序，某个热料仓大小放料弧门同时打开，所以称量开始时，石料能快速注入石料计量斗，此称为粗称；当计量斗内石料质量达到设定位的85％时，大放料弧门关闭，小放料弧门保持打开，石料缓慢注人计量斗，此即为石料的细称。当石料的质量达到设定值时，关闭小放料弧门，停止石料的注入，完成一种石料的精称，石料计量是累加计量。粉料称重计量和石料类似。

[0079]

一般情况下沥青称重计量的控制可采用与石料、粉料相同的控制方法，采用模糊神经网络pid控制器。计量是通过沥青称量灌三个测点的测量数据实现，前提是三个点设置在同一水平面上，重心处于三个点的中心，沥青料门的开度大小是通过气阀实现的。但是沥

青料与石料、粉料相比具有粘性大，迟滞性突出的特点，尤其是当沥青温度发生较大变化时，相应的，其粘性也发生较大变化，从而影响其流动速度，如果沥青流动速度不稳将对其称重计量的准确度造成较大干扰。为了进一步提高沥青称重计量的准确度，对于沥青料的计量控制采用双重控制，其方法为：当沥青开始称重计量时开始计时，当称重计量达到设定值或计量时间达到上一次平均配料时间ty，停止沥青供给至称量灌。平均配料时间不断迭代更新，即本次平均配料时间t＝(上一次计量时间t1-本次计量时间t2)/2+上一次平均配料时间ty。

[0080]

沥青料属于有毒有害物质，如果沥青料发生过冲溢出将导致对设备、人员、环境的危害，为了防止因设备故障造成沥青料输送失控的极端情况发生，在实际运行过程中，可以设置以下防误紧急故障处理控制流程，当沥青计量称中的重量实际值或称量时间超过设定值的120％时停止沥青供给泵的工作并报警，防止沥青料溢出称量灌，此参数可根据需要设定更改。

[0081]

动态配料称重过程可以看作是siso系统，通常为高阶非线性环节的特性，且有n阶纯滞。因为称重模块有惯性特性，所以当称重计量速度加快时，石料的过冲量、从下落到计量斗内的时间差、执行机构的滞后以及沥青的粘度等干扰因素将影响石料计量精度，在实际情况，通过降低速度来提高石料计量精度。而模糊神经网络pid算法能修正物料计量的误差，提高精度。

[0082]

本系统的硬件配置为：本地站采用三菱q00ucpu作为核心控制器，模糊神经网络pid控制的均在此控制器中编程实现，重量信号由称重变送器处理后进入ad模块，经过ad转换后由cpu按照模糊神经网络pid算法计算k

，ki，kd三个参数并进行调节。本系统选用mettler-toledo的tsb系列高精度传感器和tr200h高精度信号变送器；选用三菱高速a/d转换模块q64ad模块；该模块为四通道a/d转换模块，转换精度高，转换速度快，且具有通道隔离功能，提高了运行的稳定性。以粉料计量斗设备为例，硬件上设计采用mettler-toledo称重传感器3只，料斗为单斗、带密封门、3点悬挂，容量为500kg，悬挂方式为3个0.3吨称重传感器，带运输固定螺栓，放料方式为气动斜槽和气动蝶阀控制快速螺旋放料，采用模糊神经网络算法计算pid参数实现放料自动补偿，称重变送器接线图如图5所示。

[0083]

除上述实施例外，本发明还可以有其他实施方式，凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围内。