智能热变形、维卡软化点温度测定仪的研制

　　1　引　　言

　　非金属的维卡软化点温度(VICAT)是指试样在1kg或5kg的负荷力作用下,以每小时50℃的升温速率加热,当试样变形量达1mm时的温度值;热变形温度(HDT)是指试样在不同的负荷下(F=2σbh2/3L,与试样尺寸有关),以每小时120℃的升温速率加热,当试样变形量达0.25mm时的温度值。整个测定过程要在国际严格规定的升温速率下进行。

　　早期的产品是基于Z80的单板机设计的,难以实现复杂的控制算法及实验数据的管理,控制精度低,无法胜任塑料工业的高速发展和现代测试水平的要求。

     本设计采用最新的国际标准和国家标准,结合传统的PID控制思想,设计了基于单神经网络预测控制器,有效地实现了PID参数的实时自适应调整,取得了很好的控制效果;并实现了实验过程的计算机综合控制、管理。

　　2　控制算法

　　实验过程中是通过加热甲基硅油,热量经试验架传递至试样,由于加热介质的粘度、搅拌情况的不同,以及传热所导致的时延因素的影响,本设计将单神经网络和系统预测相结合,采用PID控制方式,构成了基于单神经元网络的预测PID控制策略,可以实现对具有时滞和参数变化的对象实现快速有效的控制,如图1所示。

　　2.1　神经元PID算法

　　式中ω1,ω2,ω3分别相当于随时间可调的PID参数Kp,KiT,Kd/T,其中T为采样周期。通过自学习可找到任何时刻最优的权值,实现再线自适应控制,这是常规PID所不能的。

　　2.2　神经元权值的学习、调整

　　本设计中采用LMS法对权值做最陡梯度优化修正。

　　对于无监督学习神经网络,误差函数E(k+1)=1/2[r(k+1)-Yc(k+1)] ²;其中r(k+1)是k+1时刻系统的期望输出,Yc(k+1)是k+1时刻预测器的输出(对于本系统经验证用二阶模型的递推最小二乘预测可以达到较好的效果)。

　　其中a是神经元学习率,a∈[0,1]影响网络的学习速度。

　　2.3　神经元权值的初始化整定

　　神经元网络初始化权值与网络的动态特性有关,　对神经网络在线学习过程中的稳定程度及收敛性影响很大。合适的初值使网络具有较好的控制性能,本文的网络控制器是在分析常规PID基础上构造的。所以本系统,先整定出常规PID控制器参数,以此做为ω1,ω2,ω3的初始化权值,使网络学习时间很短就能达到收敛。

　　3　控制系统的组成

　　实验系统测控部分组成如下:

　　本设计测控部分主要包括两路信号的采集、滤波整形处理及加热控制部分,在信号的处理方面考虑了以下两个问题: