动态定量称重的关键技术在于解决称量精度与速度的矛盾。动态称重过程的被控对象具有惯性、滞后、非时变等非线性环节的特性，是单输入单输出的无自平衡能力的二阶纯滞后对象。称重过程不确定因素多，误差主要来源于物料、给料装置、称量装置和控制系统。本研究从测量方法和控制原理角度入手，提出减小误差、提高精度的新方法。
经过对动态定量称重过程的悉心研究，研制了以传送带和给料阀门为二维被控对象，以单片机MCS-51开发系统为控制单元的整机结构；釆用将PID控制、模糊控制和神经网络控制技术三合为一的多元复合控制技术，形成以模糊神经网络PID为控制核心的控制思路。理论和试验研究表明：该方法能够较好地解决动态定量称重过程的速度与精度的矛盾，而且与简单的PID控制方法比较，将称量误差减小了2%~3%。
1整机结构
传统的分级给料装置的给料口的截面积固定，当该截面积过大，停止给料后，空中飞料质量大，精度难以保证;截面积过小，则称量速度不能保证。在提高控制精度和减小称量误差方面，许多研究都作出了贡献叫本研究的控制思路是以采样误差为控制依据，即在整个称量过程中通过对误差的不断监测及时控制给料量，无论给料阀门处于何种状态，都能够控制输送带和阀门的动作速度和方向。
定量称重是一个动态的过程，动态称量的精度与控制过程中的每一个环节密切相关。它需要在短时间内对被称量物料的质量加以判断、检测、控制算法运算、调整物料流量、修正因空中飞料的测量误差，为下一次称量做准备。一次称量过程如下:采样,物料质量经传感器转换成对应电压信号，经高精度放大、数字滤波、12位高精度A/D转换，得到的数字量与设定量程数字量比较,获取此次称量误差,将此误差经过处理输入控制器，控制器根据不同的控制算法输出控制量，经D/A转换成模拟电压信号驱动执行机构（两路输出控制量,一路控制步进电机的转速，以此改变给料阀门的开度，另一路控制交流电机的转速，以此改变输送带的速度），并通过终端部件——阀门和输送带改变给料量，直到下一采样时刻到来。这样就构成了一个反馈的闭环控制回路，直至系统反馈值无限逼近给定值，控制器输出为零。
2系统设计

2.1硬件设计
硬件结构包括传感器、MCS-51、稳压电源、放大电路、滤波电路、步进电机驱动电路、模数/数模转换电路、变频器等，如图1所示。
传感器电源要求具有相当高的平稳和均匀的输出性能，其稳定性应高于传感器精度;有源滤波为三阶RC低通滤波电路，截止频率高于常态干扰频率；步进电机的驱动采用斩波型平滑功放电路实现步进电机的三相六拍的工作方式。
2.2软件设计
用MCS-51单片机开发系统实现程序控制，釆用模块化编程方法，系统作业采用中断方式。TO定时器作为步进电机驱动脉冲的定时中断;T1为采样中断，计算监控程序包括键盘扫描、LED显示、器件初始化、定时计数器功能设置等。FNNPID控制算法流程见图1。

图1系统硬件连接圏

2.3控制器的设计
以增量式PID控制和模糊控制为控制核心的控制结果表明：控制效果均明显优于传统的分级给料过程，超调减小，精度提高，但不能很好地解决因控制环境和被控对象变化产生的不确定误差。以模糊神经网络PID为控制核心的控制器，能够克服被控对象和环境所具有的高度的复杂性和不确定性，能够解决在动态定量称重过程中出现的难点。
将神经网络的学习功能引到模糊控制系统中，模糊化处理、模糊推理和解模糊计算均通过神经元来表示。此控制器的结构特点结合了模糊逻辑推理、神经网络的自学习能力以及增量PID控制的优点。控制器的闭环设计框图如图2所示。

图2FNNPID控制算法程序框图
控制器为非线性的控制器，由模糊量化功能块FJ-5-1神经网络功能块、求和£功能块以及输出增益K.调整的功能块组成。
控制器的特点：
①模糊量化F釆取正态分布特性。
②神经网络增量式PID形式为Uk=A(Kp,K、,KQ幼+8(KpA,Kd)瓦_i+C(KpA,Kd)&-2,式中4(・),B(・),C()均为非线性系数，由神经网络非解析实现。BP神经网络采取闭环学习，其拟合误差的代价函数为min£=(l/2)£(/?k-K)2。
经验证，该算法具有能减少学习振荡，逐点逼近步长合理，收敛速度快等优点。
3试验分析
3.1试验结果
针对小定量称重，选择1kg的大米作为物料，标定量程为OOO-OFFFH。控制器的输出值经过D/A转换改了变频器的输出电压，即改变传送带的送料)速度，见图4。

图中，在不同输出增益K。作用下，控制器输出值随动态测量误差的变化而变化。可见，采用FNNPID的控制，超调小，稳定性好,控制误差小。经过不断的调试和修整，最终确定控制器的参数K=0.8,采样周期丁=7mso原因在于:a)带模糊神经网络的PID实际上近似于非线性的PID控制器，其误差前的系数通过模糊神经网络多次离线学习而获得，学习的效果已经明显地逼近被控对象E控制器的灵敏度高;b)经过C语言和51单片机开发环境的学习,FNNPID的最终控制误差范围在0.002-0.006之间。
3.2试验数据分析
将增量式PID控制算式和模糊控制算式两种控制方案对比做试验。增量式PID控制算式为Kc[e(k)-e(k-\)]+Kfi(k)+Kd[e(fc)-2e(fc-l)+e(fc-2)],式中:分别为比例、积分、微分系数;模糊控制算式为
J7=4a-E+(1-a)-A£]E>2
〃=-[□•E+(l-a)・A£]+(・£E；    E>2
式中：a为自调整因子；〈为积分加权因子，取上0.2；i=0,l,2，…,如[]为取整函数。这里设
&=[0,50]K,=0.1£={0,1,2,3,4,5}
AE*=[-10,0]K&=0.5    ~1,-2,-3,-4,-5}
17X0,25]    K.=-5.0U={-5,-4,-3,-2,-l,0}
式中:E.,聲分别为实测误差、误差变化和控制量的基本论域;K,,KaK«表示相应的量化因子和比例因子0e,通,U分别表示量化误差、误差变化、控制量的模糊论域。
数据比较结果表明，在相同测量条件下，单纯以增量式PID控制，相对误差约为5.24%；根据带积分的模糊控制方案，平均相对误差约为3.77%；本研究的控制方案模糊神经网络PID控制方式下，平均相对误差为2.1%,明显高于前两种控制方案，称量速度也得到一定的提高。
3.3误差分析

动态定量称重过程中存在的误差种类大致可以分成电子称重误差、自动控制的误差、外界干扰引起的误差。研究中，采取减小误差的其他措施：
(1)釆用0.02级悬臂梁式称重传感器，其额定称量值为25kg,保证称量最大值10kg的质量输出信号在量程范围的3/4左右；
(2)利用每次称量前进行软件标定和去皮重，将减小仪表的误差和称体质量产生的传递误差；
(3)对于转换后的电信号采用高精度放大电路和软件数字滤波方法，保证精度；
(4)缩短并稳定控制元件的响应时间和执行机构的动作时间，采用集成元件代替分立元件，减少执行机构的中间环节以电动代替机械机构；
(5)软件实现零点跟踪、落差修正、设置软件陷阱。
4结束语
基于PID、模糊和神经网络控制技术，提出将模糊神经网络PID的复合技术应用于定量称重过程控制。从测量的方法和控制原理上解决动态称量过程精度与速度的矛盾，最终实现了高速度、高精度的定量称重。该项研究对于定量称重技术的发展和多种复合控制技术的应用都有一定的推动作用。

文章来源于网络转载，侵删