基于模糊PID的智能制造生产线控制算法设计.pdf

IM新技术新应用 New Technology&New Application110 2024年第1期基于模糊 PID 的智能制造生产线 控制算法设计吴神风，刘宇，冉倩，易祖成，王艺尧，梁孝东（湖北中烟有限责任公司恩施卷烟厂，湖北 恩施 445000）摘要：生产线控制过程具有复杂性高、动态性强及变量多等特点，导致智能制造生产线控制难度大幅度上升。因此，提出基于模糊 PID 的智能制造生产线控制方法。利用传感器采集智能制造生产线的运行数据，剔除数据采集结果中的异常数据。使用 LAD-LASSO 算法从处理后的数据中提取实时状态数据的重要特征，利用这些重要特征识别智能制造生产线的运行状态，根据智能制造生产线运行状态来确定模糊控制器（PID）的参数，实现对生产线的精细控制。实验结果表明：本文方法的控制精度最高达到 97%，执行效率与响应时间最高分别为 299 个/h、16s，具有实用性。关键词：模糊 PID；传感器；通信模块；智能制造生产线中图分类号：TP273+.4文献标志码：A1引言智能制造生产线控制是指利用先进的信息技术，如人工智能、物联网、大数据等，在生产线上进行智能化管理和控制的领域，是通过优化生产过程来提高生产效率的重要手段。自动化控制系统能够实现高速、高精度的生产操作，同时也能够有效降低成本并提高产品质量。智能制造生产线的控制可以通过合理配置资源、优化调度和减少人力投入等方式降低生产成本。通过自动化检测、实时监控和质量控制等手段，能够提高产品质量的一致性和稳定性，并且能够对生产过程中的实时监测情况进行调整，及时发现和纠正问题，从而减少生产中的缺陷和不良品率1。有效的智能制造生产线控制还可以实现灵活生产。通过灵活的控制系统，能够快速切换不同产品或订单，并根据需求进行生产线的调整和优化，提高生产线的灵活性和适应性。因此，许多相关研究人员针对智能制造生产线控制进行了深入研究。向艳芳2等利用 PLC 对智能制造生产线进行控制，通过多设备的联动工作实现了复杂零件的混合加工生产，并采用 PLC 和 HMI 界面作为控制系统。汪有才3等提出基于 ProfiNet 对智能制造生产线进行控制，通过工业以太网交换机与总控 PLC 进行 ProfiNet 通信，实现了设备之间的直接交互控制。蒋金伟4等根据 ARM 架构设计控制器设备，与传感器模块、数据传送通信模块作为系统硬件。在系统软件设计分析自动包装生产线机械结构与工艺流程，结合实时信号检测结果计算生产线控制量，New Technology&New Application 新技术新应用IM投稿网站： 2024年第1期 111以此控制传送带速度、包装放料恒张力、机械手套袋与装箱，完成全自动包装生产线控制系统软件设计。然而，生产线通常具有复杂的结构和动态特性，包括多变量之间的相互影响和关联，这些复杂性使得上述方法无法有效的对生产线进行有效控制，导致控制精度较差。模糊 PID 控制器在解决一些复杂的控制问题时具有较好的适应性和鲁棒性5-6。其能够根据实际系统的特征进行自适应调整，并且具有一定程度的容错性。在智能制造生产线中，通常会涉及处理多个设备和关联的控制变量。模糊 PID 控制器能够利用模糊推理和模糊规则库来处理多变量之间的交互关系，提供一种综合性的控制策略，有效地协调各个设备之间的工作，提高整个生产线的效率和性能。2基于模糊 PID 的智能制造生产线控制2.1智能制造生产线运行数据采集与预处理智能制造生产线的工作环境可能会存在一定的干扰源，如电磁场、噪音、振动等，这些干扰可能会对用于测量结果的传感器产生影响，导致收集的信息中出现了较多存在错误的异常信息，使得采集数据的可靠性和稳定性都会受到干扰。设定在制造生产线中共安装使用了 N 个传感器，对制造生产线中的实时状态数据信息开展监测，假定这 N 个传感器同时进行了 M 次监测，那么编号为 a 的传感器在 h时刻的检测数值界定为。定义dah为编号 a 和 b 两传感器的融合度，即它们之间的一致性检验 dah可由下式计算：（1）式中，G(x)表示一个标准的正态分布函数，2表示 h 时测量数据的方差，lab表示传感器数据之间一致性的判定结果。G(x)的计算公式如下：（2）针对同一时间段检测某个物理量的 N 个传感器，检测数据之间的融合度用矩阵 D 来表示：（3）设定融合度 dab的阈值为 aab，将数据融合度矩阵 D中的 dab与设定的界值相比较，得到传感器数据之间一致性的判定结果 lab，表达式：（4）若一致性判定结果 lab为 1，则表示第 a 个与第 b 个传感器的融合性能比较好，称它们相互支持。反之，说明了编号为 a 和 b 的两个传感器融合性能较差，称它们之间并没有相互支持。如果某一传感器只获得较少的传感器支持，则此传感器采集的数据将被确认为存在异常数据，并需要剔除。如果同时被数个传感器支持，即为有效正常数据，当监测到一个传感器的数据采集值持续非正常时，就必须对该传感器进行检测，判定是否是具有故障的传感器。则最终去除异常数据的制造生产线运行数据采集结果：（5）2.2智能制造生产线运行状态识别以上述预处理后的制造生产线运行数据为基础，通过LAD-LASSO提取出生产线实时状态数据的重要特征，利用这些特征识别智能制造生产线运行状态。建立一般线性回归模型，其中自变量和因变量进行中心化处理，消除它们之间的线性关系：（6）为了简化模型，可以对因变量和自变量进行中心化处理，使得 0=0，消除它们之间的线性关系，得到简化模型：（7）式中，yiR是因变量，是回归系数向量，是 p 维协变量行向量，i是独立同分布的随机误差。然后，加入 L1正则化惩罚项，L1正则化惩罚项可以使得一部分回归系数为 0，从而实现特征选择和提取的功能。具体来说，L1正则化惩罚项与回归系数的绝对值成正比，因此，对于某些不重要的特征，其对应的回归系数可能会被惩罚到 0，从而实现特征选择的效果。得到LAD-LASSO 的目标函数：（8）式中，wi是由 x 的稳健度量确定的权重，i0 是正则化参数，X 为 np 的自变量矩阵，yi是因变量向量，IM新技术新应用 New Technology&New Application112 2024年第1期 是残差平方和，是L1正则化惩罚项。采用交叉验证方法来确定正则化参数 的值，从而达到最优的特征选择效果，其表达式：（9）式中，CV(i)是在给定的正则化参数 i下进行交叉验证的误差，CV(i)越小，说明模型的泛化能力越好，特征选择效果越好。最后，建立数据集，其中，且定义，ej是一个 p 维向量，第 j 个元素等于 1，其余元素等于 0。使用所得到的最优正则化参数值进行回归估计，得到最终的回归估计量。这些回归系数构成了最终的特征集合，其中系数为 0 的对应特征被剔除。则重要特征选择结果：（10）利用特征选择结果识别智能制造生产线运行状态，具体的结果如下：（11）式中，表示参与定义和描述生产线运行状态的各种参数，f 表示状态函数。2.3基于生产线运行状态的模糊 PID 控制算法设计模糊 PID 控制7是一种基于传统控制方法的改进。本文选用模糊 PID 进行制造生产线控制，模糊控制结构如图 1 所示。图 1模糊控制结构图模糊 PID 控制是基于预处理后的制造生产线实时状态数据信息，通过模糊推理策略来调节 PID 的 3 个参数：比例、积分和微分8。这种控制策略满足制造生产线在制造过程中不同时刻的控制要求，提升 PID 控制器的自适应性能，确保制造生产线的控制精度，具体控制流程 如下：（1）模糊处理及隶属度函数确定模糊 PID 控制利用上述预处理后的制造生产线实时状态数据信息，将该数据与最终期望值相减，形成误差数据信号9。通过固定的比例因子对误差数据信号进行模糊化后，将其作为控制器的输入。模糊规则会对输入的信息进行复杂逻辑推理运算，实时输出关于 PID 控制的 3 个参数的修正量，从而进行实时调整，以确保系统具备自适应能力和精准控制能力。则 PID 的控制公式：（12）式中，x(t)表示输出控制量，Kp、Ki、Kd表示模糊 PID的 3 个控制参数，ui(t)表示期望输出值与输入的差值。Kp、Ki、Kd作为输出的 PID 控制器的 3 个参数变化量结果，这些参数的论域为-3，3。模糊子集为 NB，NM，NS，ZO，PS，PM，PB，子集中的元素分别代表 负大，负中，负小，零，正小，正中，正大。（2）模糊控制规则 模糊规则库是将输入模糊量映射到输出模糊量的依据，模糊规则库的合理与否关系到整个模糊控制系统的性能10。文中以制造生产线的控制需求为基础，设定模糊 PID 控制规则见表 13。表 1Kp的模糊规则eecNBNMNSZOPSPMPBNBPBPBPMPMPSZOZONMPBPBPMPSPSZONSNSPMPMPSPSZONSNSZOPMPMPSZONSNMNMPSPSPSZONSNSNMNMPMPSZONSNMNMNMNBPBZOZONMNMNMNBNBNew Technology&New Application 新技术新应用IM投稿网站： 2024年第1期 113表 2Ki的模糊规则eecNBNMNSZOPSPMPBNBNBNBNMNMNSZOZONMNBNMNMNSNSZOZONSNBNMNSNSZOPSPSZONMNMNSZOPSPMPMPSNMNSZOPSPSPMPBPMZOZOPSPSPMPBPBPBZOZOPSPMPMPBPB表 3Kd的模糊规则eecNBNMNSZOPSPMPBNBPSNSNBNBNBNMPSNMPSNSNBNMNMNSZONSZONSNMNMNMNSZOZOZONSNSNSNSNSZOPSZOZOZOZOZOZOZOPMPBNSPSPSPSPSPBPBPBPMPSPMPMPSPB通过上述的模糊控制规则获取模糊集后，采用解模糊对该子集进行转化，以此得出一个精确结果。依据构建的模糊控制规则获取调整后的 PID 的实际控制参数 Kp、Ki、Kd结果，其公式：（13）式中，表示 PID 的初始参数。通过上述步骤即可完成控制参数的调整，以此实现制造生产线的有效控制，并保证控制偏差最小。3实验分析3.1实验设置为验证本文提出的基于模糊 PID 的智能制造生产线控制方法的实用性能，进行了对比分析测试。具体的实验过程如下：1）确定实验目的和设定实验参数，选择智能砖机生产线作为实验对象，确保智能制造生产线正常运行并记录初始状态。智能制造生产线如图 2 所示。图 2智能制造生产线2）数据采集。利用多种方式采集智能制造生产线数据，包括传感器数据、控制命令数据、故障信息数据、生产线性能指标数据及环境数据等，数据参数见表 4。IM新技术新应用 New Technology&New Application114 2024年第1期表 4实验数据参数数据描述数据类型数据采集方式传感器数据温度、压力、湿度、电流、速度、位置等读取传感器上的测量值控制命令数据调整机器速度、位置，控制执行器运动等通过网络通信接口获取故障信息数据设备故障代码、报警信号等读取故障检测器上的数据生产线性能指标数据产量、质量指标、生产效率、能源消耗等读取设备和生产数据记录装置上的测量值环境数据温度、湿度、光照强度等读取传感器上的测量值3）控制策略设计与执行。依据实验目的，选择本文方法、文献 2 方法与文献 3 方法作为实验方法并应用于生产线。根据设定的控制策略和初始状态，进行实验操作，记录各个阶段的数据特征和系统响应，得到相关的实验结果。4）实验评价指标。采用执行效率、控制精度与响应时间作为评估指标进行智能制造生产线控制效果评估。执行效率是衡量生产线控制系统的操作速度和效率的指标。其可以表示为生产线完成特定任务所需的时间。较高的执行效率意味着生产线可以更快地完成任务，提高生产率和产能。（14）式中，E 表示执行效率，T 表示完成任务所需的时间，N表示任务的数量。控制精度是衡量控制系统对于输入信号和期望输出之间误差减小程度的指标。在基于模糊 PID 控制的生产线系统中，控制器通过调节参数来减小误差，并使实际输出与期望输出更加接近。控制精度越低表明控制系统具有更好的稳定性和精确度。（15）式中，A表示控制精度，O表示实际输出，U表示期望输出。较短的响应时间意味着控制系统可以更快地跟踪输入信号的变化并作出相应调整，提高系统的动态响应性和鲁棒性。3.2实验结果基于上述实验环境的设置，以控制精度为测试指标，采用本文方法、文献 2 方法与文献 3 方法进行对比测试，结果如图 3 所示。根据图 3，本文方法的控制精度最高达到 97%，均高于对比方法，说明本文方法的控制性能较高。为进一步验证本文方法的实用性，以执行效率、响应时间作为测试指标，进行对比测试，结果见表 5。图 3三种方法的控制精度表 5测试结果迭代次数/次执行效率/（个/h）响应时间/s本文方法文献 2 方法文献 3 方法本文方法文献 2 方法文献 3 方法102601902091131382029619621612333930294198220103236402851892181533355029418621516353460297187205143639New Technology&New Application 新技术新应用IM投稿网站： 2024年第1期 115迭代次数/次执行效率/（个/h）响应时间/s本文方法文献 2 方法文献 3 方法本文方法文献 2 方法文献 3 方法702891702131234348028617621213323890295175203113335100299189201143234根据上述表格可以看出，本文方法的执行效率与响应时间最高分别为 299 个/h、16s，而对比方法的执行效率明显小于本文方法，响应时间明显高于本文方法的最高响应时间。由此可见，本文方法的控制效率 较高。4结论随着全球竞争的加剧，企业面临着降低生产成本、提高生产效率的巨大压力。智能制造生产线的控制可以通过优化和自动化生产过程，提高生产效率。因此，本文研究基于模糊 PID 的智能制造生产线控制方法。实验结果表明该方法具有一定的技术水平与实用性。基于模糊 PID 的智能制造生产线控制算法具有适应性强、抗干扰能力强、灵活性高、不依赖精确数学模型及易于实现和调试等应用优点，可以有效面对生产线控制过程具有复杂性高、动态性强及变量多等实际问题，降低控制难度，使得该算法在智能制造生产线控制中有着广泛的应用前景。参考文献1 孔丽云，孔丽霞基于混合云计算的制造业数字化生产线控制研究 J制造业自动化，2021，43(12)：28-31，362 向艳芳，刘苗，兰凯，等智能制造生产线中 PLC 控制系统设计应用 J机械研究与应用，2022，35(6)：170-172，1763 汪有才，徐金鑫，王栋栋，等基于 PROFINET 的耐磨球生产线智能控制系统设计 J锻压装备与制造技术，2021，56(6)：70-744 蒋金伟，蒋正炎包装搬运自动生产线控制系统设 计 J制造业自动化，2022，44(10)：137-140，1465 胡业林，邓想，郑晓亮改进遗传算法优化的矿井局部通风机模糊 PID 控制器设计 J工矿自动化，2021，47(9)：38-446 王伟，樊显绒，闫新军，等数字式调压器的模糊PID 控制器设计 J电机与控制应用，2021，48(8)：8-15，437 朱正林，张欢，崔晓波基于改进粒子群算法的模糊PID 在 DEH 中的应用 J信息技术，2023，47(2)：35-408 储江伟，谢鼎盛，刘贺，等模糊 PID 控制对电磁耦合调速器的转速控制研究 J重庆理工大学学报：自然科学，2023，37(1)：204-2119 陈书锦，任剑剑，谢青霖，等基于模糊 PID 控制的高转速铝合金薄板搅拌摩擦焊接过程控制研究 J江苏科技大学学报：自然科学版，2023，37(1)：35-4010 李腾辉，周德强，何冯光，等基于遗传算法优化模糊 PID 的甘蔗收获机切割器控制系统 J华中农业大学学报，2023，42(2)：243-250收稿日期：2023-08-01（续）