自学习迭代算法设计
由于各物料是由高处落入秤中,粒径大小、物料位置的高度、需要量的多少,甚至称量的顺序都直接影响配料的精度。一般采用经验数据与自学习调整相结合的方法解决落差量对配料精度的影响。以纯滞后数学模型为基础,利用经验公式,采用迭代自学习控制方法对落差进行预估及计算,实现落差自动修正,提高计量的准确度。
在迭代自学习控制系统中,控制作用的学习是通过对以往经验(控制作用与误差的加权和)的记忆实现的,算法的收敛性依赖于加权因子的确定。这种学习系统的核心是系统不变性的假设,以及基于记忆单元的间断的重复训练过程。学习规律简单可循,还可以实现训练间隙的离线计算,因而不但有较好的实时性,而且对于干扰和系统模型的变化具有一定的鲁棒性。迭代自学习控制系统的控制过程如图3所示。
首先在第一次称量前,根据经验人为设定一个补偿量的初始值Wf1,
u值一般取配方值Wt的5%,第一次称量就以配方值与它的差值作为控制值,达到WtWf1时发出关门信号提前结束称量。此时实际称量值W1与配方值Wt存在误差△W1,
可以产生新的切换系数:
q为加权学习因子。
计算出第一次称量的误差,接着以初始值和实际误差的加权值之和作为下一次的补偿量,从而决定一个新的落差值,作为控制下一次称量的依据,第二次称量结束后,又计算出一个新的补偿量,该补偿量实际上是考虑了上二次的误差后计算出来的。以此类推,以后每次都进行这样的修正,称量次数越多,称量的误差就越小。
根据补偿量的学习算法,编制了配料补偿子模块,每次称量时调用。
在编制补偿量控制算法程序时,采用表1中的算法公式。
由表1可得出:
式中:n—设定的配料次数
Wt—物料计量配方值,直接取自输入配比
Wci—提前关门量,各次实际控制的物料计量值
W fi —各次补偿量