（测试计量技术及仪器专业论文）基于dsp的拉丝机智能控制系统研究.pdf

摘要 论文题目：基于d s p 的拉丝机智能控制系统研究 学科专业：测试计量技术及仪器 研究生j ，吴瀛签名： 昱i 叠2 ： 指导老师：于殿泓副教授 签名：j 继童颦 姜明副教授签名： 盘凸： 摘要 论文针对自聚焦透镜制作中的拉丝工艺生产特点，设计出一种基于d s p 的拉丝机智能 控制系统。系统以d s p 芯片作为硬件控制器载体，将模糊神经网络理论应用于控制系统中， 利用激光测径仪作为反馈器件对拉丝电机进行闭环控制。通过拉丝机的智能化改造，实现对 纤维丝直径和锥度的自动化控制，改变目前由人工控制拉丝工艺的现状，提高生产效率。 本文主要介绍了系统的智能控制算法、硬件平台、软件系统、实验方法及实验结果分析。 在智能控制算法研究中，利用m a t l a b 神经网络工具箱，设计出针对拉丝电机的模糊神经 网络模型。硬件平台以t i 公司t m s 3 2 0 l f 2 4 0 7 a 的d s p 芯片为核心，设计了电平转换电路、 复位电路、时钟电路、s c i 串行接口电路、j t a g 接口电路以及a d 调理电路等部分，为下 一步软件设计提供了物理平台。软件系统包括在c c s 环境下的d s p 控制程序设计以及基于 c + + b u i l d e r 6 的上位机界面设计。d s p 软件控制程序主要包括：模糊神经网络算法设计， a d 转换，串行通讯以及电机控制程序设计。上位机界面设计由主控制界面及各个参数设置 的子界面设计组成。论文详细介绍了各个部分设计的思路、实现和检测方法。经过实验室检 测各个模块运行正常后，应用于拉丝机在线控制系统，分析实验结果得到设计满足现场拉丝 工艺指标要求。 本论文设计的拉丝机智能控制系统无需建立精确数学模型。在应用时，只需将熟练操作 人员的经验值作为样本输入模糊神经网络模型离线训练网络参数，将该网络参数应用于在线 控制，通过输入反馈量计算出相应的输出控制量。该系统有效减少不确定因素对拉丝工艺的 影响，具有良好的实用性和推广价值。 关键词：拉丝机，数字信号处理器，模糊神经网络，串行通讯 a b s t r a c t t i t l e ：r e s e a r c ho np u l l i n gm a c h i n e si n t e l l i g e n tc o n t r o l s y s t e mb a s e do nd s p m a j o r ：m e a s u r e m e n t ，m e t r o l o g ya n di n s t r u m e n t a t i o n n a m e ：y i n gw u s u p e r v i s o r ：a s s o c i a t ep r o f d i a n h o n gy u a s s o c i a t ep r o f m i n gj i a n g a b s t r ac t s i g n a t u r e ： s i g n a t u r e ： s i g n a t u r e ： a i m i n ga ti m p r o v i n gt h ep u l l i n gt e c h n o l o g yo fs e l f - f o c u sl e n sd u r i n gt h e i rm a n u f a c t u r i n g ，a p u l l i n gm a c h i n ei n t e l l i g e n tc o n t r o ls y s t e mb a s e do nd s p h a sb e e nd e v e l o p e d w h i l et h ed s pi s i n t e g r a t e da sh a r d w a r ec o n t r o l l e r , f u z z yn e u t r a ln e t w o r kt h e o r i ei sa p p l i e di nt h ec o n t r o ls y s t e m ， a n dc l o s el o o pc o n t r o lo nt h ep u l l i n gm a c h i n ei sr e a l i z e db yf e e d b a c kc o m p o n e n to fl a s e rc a l l i p e r t h r o u g ht h ei n t e l l i g e n t i z i n go nt h ep u l l i n gm a c h i n e ，t h ea u t o m a t i cc o n t r o lo nf i b r ed i a m e t e ra n d c o n i c i t yi si m p l e m e n t e d ，w h i c hw o u l dc h a n g et h ec u r r e n ts i t u a t i o no fm a n u a lw o r ko nt h ep u l l i n g t e c h n o l o g ya n di m p r o v ep r o d u c t i v i t yg r e a t l y t h i st h e s i sm a i n l yi n t r o d u c e st h es y s t e m si n t e l l i g e n tc o n t r o la l g o r i t h m ，h a r d w a r ep l a t f o r m ， s o f t w a r es y s t e m ， e x p e r i m e n t a lm e t h o d sa n dr e s u l td a t aa n a l y s i s d u r i n gt h ec o n t r o la l g o r i t h m s t u d y , t h ef u z z yn e u t r a ln e t w o r km o d e lf o rt h ec o n t r o lo nt h ep u l l i n gm a c h i n em o t o r i sd e s i g n e d u s i n gm a t l a bn e u t r a ln e t w o r kt o o l b o x t h ek e yp a r to fh a r d w a r ed e s i g ni st h ed s pm o d e l t m s 3 2 0 l f 2 4 0 7 af r o mt i ，b a s e do nw h i c ht h el e v e lc o n v e r t e rc i r c u i t ，r e s e tc i r c u i t ，c l o c kc i r c u i t ， s c is e r i a li n t e r f a c ec i r c u i t ，j t a gi n t e r f a c ec i r c u i ta n da dm o d u l a t i o nc i r c u i ta r ed e s i g n e d t h i s p r o v i d e sap h y s i c a lf o u n d a t i o nf o rs o f t w a r ed e s i g n t h es o f t w a r es y s t e mi n c l u d e st h ed s pc o n t r o l p r o g r a md e s i g nu n d e rc c se n v i r o n m e n ta n dt h eu p p e r - e n dc o m p u t e rs o f t w a r ei n t e r f a c ed e s i g nb y c + + b u i l d e r6 t h ed s pp r o g r a m sc o m p r i s e ：f u z z yn e u t r a ln e t w o r ka l g o r i t h md e s i g n ，a d c o n v e r s i o np r o g r a md e s i g n ，s e r i a lc o m m u n i c a t i o nd e s i g na n dm o t o rc o n t r o lp r o g r a md e s i g n t h e u p p e r - e n dc o m p u t e ri n t e r f a c ec o n s i s t so ft h em a i nc o n t r o li n t e r f a c ea n do t h e rs u b i n t e r f a c e sf o r p a r a m e t e rs e t t i n g t h ed e s i g nm e t h o d s ，i t sr e a l i z a t i o na n dt h ed e t e c t i o nt e c h n i q u e sa r ei n t r o d u c e d i nd e t a i l si nt h et h e s i s a l lt h ef u n c t i o nm o d u l e sh a v eb e e nw o r k i n gp r o p e r l ya f t e rt h el a b o r a t o r y e x p e r i m e n ta n dt h e nt h es y s t e mh a sb e e na p p l i e do nt h ep u l l i n gm a c h i n ei nt h ef i e l d t h ea n a l y s i s r e s u l t sm e e tt h er e q u i r e m e n to ff i b r ep u l l i n gs t a n d a r d s t h ep u l l i n gm a c h i n ei n t e l l i g e n tc o n t r o ls y s t e md e v e l o p e di nt h i st h e s i sn e e dn o tp r e c i s e m a t h e m a t i c a lm o d e l f o ra p p l i c a t i o n ，o n l yt h eo f f l i n er e s u l t sf r o me x p e r i e n c e do p e r a t o ra r en e e d e d a si n p u to ft h ef u z z yn e u t r a ln e t w o r km o d e l a f t e rt h ep a r a m e t e r sa r ed e t e r m i n e da n dt h eo n l i n e f e e d l 3 i a c kv a l u ei sk n o w n ，t h ec o n t r o lv a l u ew i l lb eo u t p u t t e db yt h en e t w o r kc a l c u l a t i o n t h e s y s t e me f f i c i e n t l yd e c r e a s e st h ei n f l u e n c eo fu n k n o w nf a c t o r so nt h ep u l l i n gp r o c e d u r e ，a n dh a sa g o o dp r a c t i c a b i l i t ya n dc o m m e r c i a li m p o r t a n c e k e yw o r d s ：p u l l i n gm a c h i n e ，d i g i t a ls i g n a lp r o c e s s o r , f n n ，s e r i a lc o m m u n i c a t i o n 2 独刨性声明 秉承祖国优良道德传统和学校的严谨学风郑重申明：本人所呈交的学位论文是我 个人在导师指导下进行的研究工作及取得的成果。尽我所知，除特别加以标注和致谢 的地方外，论文中不包含其他人的研究成果。与我一同工作的同志对本文所研究的工 作和成果的任何贡献均已在论文中作了明确的说明并已致谢。 本论文及其相关资料若有不实之处，由本人承担一切相关责任 论文作者签名：兰l & ：阳嵋年；月砷日 学位论文使用授权声明 本人 型班： 在导师的指导下创作完成毕业论文。本人已通过论文的答辩， 并已经在西安理工大学申请博士硕士学位。本人作为学位论文著作权拥有者，同意 授权西安理工大学拥有学位论文的部分使用权即：1 ) 已获学位的研究生按学校规定 提交印刷版和电子版学位论文。学校可以采用影印、缩印或其他复制手段保存研究生 上交的学位论文，可以将学位论文的全部或部分内容编入有关数据库进行检索；2 ) 为 教学和科研目的，学校可以将公开的学位论文或解密后的学位论文作为资料在图书馆、 资料室等场所或在校园网上供校内师生阅读、浏览。 本人学位论文全部或部分内容的公布( 包括刊登) 授权西安理工大学研究生部办 理 ( 保密的学位论文在解密后适用本授权说明) 论文作者签名墅站 导师签名： 硼年 月砷日 综述 1 综述 1 1 引言 近年来，光学领域以其一系列崭新成就而为世人所注目，其中之一就是得到了迅速发展 的梯度折射率光学。梯度折射率现象是自然界普遍存在的现象，在很多世纪以前就已经被观 测和记录。现在知道的“海市蜃楼 现象就是由于大气在重力的作用下导致密度不均匀从而 使其折射率产生渐变折射率而出现的一种现象。另外，各种动物的眼睛，包括人眼，都是一 个灵巧的变折射率光学系统n 枷。1 8 5 4 年j c m a x w e l l 研究了“f i s h e y el e n s ”，常称之为m a x w e l l f i s h e y el e n s 1 。这种“透镜 是一个理想的球堆成折射率分布介质，其折射率分布与球心为 对称中心，这种透镜的特点就是能把球内的点无像散地成像到共轭点，被称为理想的“绝对 光学仪器 。由于其折射率是不可能实现的，一直以来只有理论意义。长久以来，人们一直 在考虑这种规律能否为人类所用，一个半世纪前科学家们就已经近似总结出这种变折射率光 学系统的理论，但由于受到工艺的限制，变折射率光学一直没有得到较快的发展。 最早有文献记载变折射率介质的形成是在1 8 8 6 年，德国s c h o t t 玻璃厂的工厂发现融化 玻璃浇铸在圆柱铁模中，然后迅速冷却，结果在表面只能得到微弱的折射率梯度。直到1 9 6 9 年，日本板玻璃公司北野等人首次制成了自聚焦光学纤维，称为自聚焦透镜1 ，商品名为 s e l f o c 。1 9 7 0 年美国的康宁公司利用化学汽相沉积法制成了2 0 d b k m 的低损耗石英光纤。 这一事件标志着光纤通信时代爆炸性发展的到来，由此也带来了变折射率光学的迅速发展。 在我国，中科院西安光机所从1 9 7 2 年开始在著名光学专家、中科院院士龚祖同的指导 下开始了对自聚焦透镜的研究。1 9 7 4 年刘德森等人利用离子交换法制作出了自聚焦透镜实 验样品。随后这方面的研究工作在我国深入展开，技术日益成熟，并出现了一批学术价值很 高的理论专著1 6 - 8 1 。自聚焦透镜为径向折射率介质，它不但有普通透镜导光、准直和成像等 作用，而且有体积小，数值孔径大，光斑小等独特的优点，是微小光学的最重要基础元件。 它已经在光纤通信系统、光传感系统、光信息处理、传真复印系统以及医用内窥镜等领域获 得了广泛的应用睁1 。 应用最早并且目前仍在使用的最重要的应用是自聚焦阵列n 。阵列主要是用上百个小 的自聚焦透镜排成阵列，用于成像或光纤通信系统n 钉i t 4 。例如复印机n 钉，传真机和扫描仪 中都有用这样的阵列n ，这些系统要求透镜工作距离短，体积小，而自聚焦透镜正好符合 这个条件。另一个应用是用作医用内窥镜n 7 1 中，主要是它有独特的色散特性，低成本和简 单的光学设计，已经使这种内窥镜得以商业化。同时由于其潜在的成像特性使得它在其它一 些光学系统中也获得了很多应用，例如：用作显微物镜、照相机镜头、激光头、目镜、夜视 镜和隐形眼镜中。在这些系统中，若缺少自聚焦透镜不但要增加制作难度而且会增加制作成 本。近年来由于激光器和纤维光学的出现，光通信获得了巨大的发展，对自聚焦透镜的需求 也越来越大。正如电子元件的发展过程一样，微小光学最终必将朝着集成光学的方向发展。 自聚焦透镜制作工艺流程大体可分为基础玻璃熔制、拉丝和离子交换工艺。本课题的主要研 西安理工大学硕士学位论文 究对象就是自聚焦透镜制作的拉丝工艺。 自聚焦透镜的拉丝工艺主要由拉丝机完成，目前国内生产主要使用立式拉丝机。由于拉 丝工艺水平的高低直接影响到自聚焦透镜的质量。因此，完成对拉丝机的精确控制成为拉丝 工艺的关键。目前，国内使用的拉丝机仍然由人工操作，操作员根据操作经验调节控制按钮。 可以看出，现有的拉丝机系统仍然是一个开环控制系统，该系统不仅生产效率低，而且对操 作员的依赖性大，因此产品合格率相对比较低。本课题研究工作的重点就是拉丝机的自动化 控制。 1 2 课题研究背景及意义 本课题依托西安飞秒光电科技有限公司自聚焦透镜制作设备，对自聚焦透镜拉丝工艺的 拉丝机进行智能化改造，期望通过对拉丝机的智能化改造，实现对纤维丝直径和锥度的自动 化控制。从而改变目前人工控制拉丝工艺的现状，提高生产效率。 所谓自动控制，就是在没有人直接参与的情况下，利用控制装置对生产过程、工艺参数、 目标要求等进行自动的调节与控制，使之按照预定的方案达到要求的指标。自动控制系统性 能的优劣，将直接影响到产品的产量、质量、成本、劳动条件和预期目标的完成。 自动控制理论通常分为经典控制理论、现代控制理论和智能控制理论。 1 ) 经典控制理论 经典控制理论产生并发展于2 0 世纪4 0 - - 6 0 年代。2 0 世纪5 0 年代是经典控制理论发展 和成熟的时期，主要内容有频域法、根轨迹法、稳定性的代数判据等，这些理论基本解决了 单输入单输出自动控制系统的问题。 2 ) 现代控制理论 现代控制理论于2 0 世纪6 0 年代中期发展成熟。现代控制理论主要内容包括状态空间法、 系统辨识、最佳估计和最优控制。研究对象是多输入多输出的复杂系统，数学模型用状态方 程表示，主要用于实现企业管理和控制综合自动化。 3 ) 智能控制理论 智能控制理论是2 0 世纪7 0 年代后，控制理论向广度和深度发展的结果。智能控制系统 是指具有某些仿人智能的工程控制于信息处理系统。 传统控制理论( 经典控制理论和现代控制理论) 已在工业生产、军事科学、空间技术的 许多领域得到了成功的运用。在这些控制应用工程中，其控制器的设计是建立在被控对象精 确数学模型的基础上的。用精确定义的概念和严格证明的定理描述现实的数量关系和空间形 式，用精确控制的实验方法和精确的测量计算探索客观世界的规律，建立严密的理论体系， 这是精确科学方法的本质特点。 但是在拉丝机控制系统中，系统比较复杂，具有高度非线性、时变、干扰、时滞等特征。 这类系统本身所固有的模糊性、复杂性以及其他种种原因，使得人们难于用传统的数学方法 为其建立精确的数学模型，传统控制理论显得难以奏效。所谓的模糊控制n 盯，就是在控制 2 综述 方法上应用模糊集合论、模糊语言变量及模糊逻辑推理的知识来模拟人的模糊思维方法，以 使能对某些无法用精确数学模型描述的对象或过程进行成功的控制。它的基本设计思想就是 借助人工操作的经验，通过合成关系，把输入的模糊量和关系矩阵合成，推导出控制量。模 糊控制与传统控制的本质区别在于：传统控制器的设计是基于被控对象或过程的精确数学模 型，而模糊控制器的设计是基于人对所面临的控制问题持有的模糊的语言性经验。 近年来随着神经网络理论的迅速发展n 9 1 ，一些研究人员尝试将神经网络引入到模糊控 制器中，取得了不错的效果1 2 0 1 控制器性能得到了进一步的提高。传统的模糊控制器是利 用模糊逻辑来模仿人的思维，对那些非线性时变的复杂系统，以及无法建立数学模型的系统 实现控制的。它的设计过程为定义由语言变量描述的模糊子集，获取控制规则，并对这些规 则进行模糊化和去模糊化。模糊规则的品质决定了控制系统性能的优劣。在传统的模糊控制 系统中，控制规则的获取完全按照设计者和操作人员的经验进行。在某些系统中，由于设计 者和操作人员经验的局限性，造成模糊控制器的设计无法保证最优或次优的控制性能。而神 经网络具有自学习能力，通过训练来学习给定的经验，并由此生成模糊控制规则。可以说， 将模糊控制和神经网络两者结合组成的神经网络模糊控制技术是控制理论研究者们关注的 焦点之一。 将神经网络与模糊控制相结合，为模糊控制器提供了良好的学习功能，并自动生成模糊 控制规则。通过神经网络实现的模糊控制，对于知识的表达并不是通过显式的一条条的规则， 而是把这些规则隐含的分布在整个网络之中。在控制应用时，不必进行复杂的规则搜索和推 理，只需通过高速并行的分布计算就可以产生输出结果。神经网络模糊控制器是由神经网络 和模糊控制共同组成的混合系统，这种系统兼备着两种技术的优点2 1 2 2 1 。 为了提高拉丝机生产效率和拉丝机的自动化程度，课题结合现代控制理论的思想，设计 将模糊神经网络理论应用于拉丝机控制系统中，从而实现对拉丝机的智能控制。在应用时， 只需要离线将熟练操作人员的操作经验作为样本值，输入到建立好的模糊神经网络模型中， 计算出网络参数后，就可在线输入反馈值后经过网络计算得出相应的输出控制量。使用模糊 神经网络控制拉丝机时，不需要建立拉丝机的精确数学模型，只要根据操作人员的实际操作 经验作为样本值输入网络即可。控制系统的鲁棒性强，能够有效的抑制拉丝机系统中的不确 定因素影响，达到理想的控制效果。 1 3 本文主要内容安排及研究工作 本文结合模糊神经网络的优越性及拉丝工艺的生产特点，利用m a t l a b 神经网络工具 箱设计出拉丝机的模糊神经网络模型，离线训练网络参数并利用该模糊神经网络对拉丝机进 行在线自动控制。由拉丝机实际控制特点及难点结合d s p 芯片的特点e 2 3 1 课题选用t i 公司 应用于多电机控制系统的t m s 3 2 0 l f 2 4 0 7 a 芯片做为拉丝机控制系统硬件核心平台，在此硬 件平台的基础上开发拉丝机控制系统。包括了硬件外围电路设计，芯片内部的s c i 串行通讯 模块、a d c 信号采集模块和电机控制模块设计。最后，利用c 抖b u i l d e r 及w i n d o w sa p i 3 西安理工大学硕士学位论文 函数编译串行通讯控件c o m m ，并在此基础上设计了操作方便、界面友好的上位机程序，实 现拉丝机控制系统的人机对话。 具体研究工作包括： 1 、科学分析拉丝机的工作原理，通过对工作原理的理论研究和数学分析，得出影响纤 维丝直径和锥度的主要因素； 2 、在理论分析的基础上，设计拉丝机控制系统方案，包括拉丝电机的闭环控制系统及 送给电机的开环控制系统； 3 、利用m a t l a b 的神经网络工具箱，建立拉丝机模糊神经网络模型，通过现场采集的 样本值对网络参数进行离线训练和仿真计算，验证模型可行性。网络参数验证有效 后，将模糊神经网络算法嵌入d s p 芯片，用于拉丝机在线控制； 4 、设计基于d s p 芯片为核心的控制平台。主要包括信号采集模块设计，电机控制模块 设计以及实现与上位机高速同步通讯的串行接口s c i 模块设计； 5 、利用c + + b u i l d e r 及w i n d o w sa p i 函数设计串行通讯控件c o m m ，并且编译操作方便、 界面友好的上位机程序，实现拉丝机控制系统的人机对话。 4 拉丝机系统方案设计厦算法研究 2 拉丝机系统方案设计及算法研究 自聚焦透镜也称为梯度折射率透镜或变折射率透镜“”，它的折射率沿径向梯度变化。 由于这种折射率分布光线在其中传播是其轨迹成正弦曲线状，光线会周期性的在对称轴处 聚焦，因此称为自聚焦透镜。 自聚焦透镜制作工艺大体分为三个流程： 第一基础玻璃熔制工艺 为了解决基础玻璃的均匀性问题，必须要求熔制的铊玻璃质量好，经厂房在熔制过程中 取样测量和对块状玻璃模样测量，折射率都是1 6 1 7 _ + 00 0 1 。小于允许的误差o0 0 1 6 ，说明 这次融化的玻璃质量是很好的。 第二拉丝工艺 将玻璃棒( 直径大约4 5 m m ) 拉成自聚焦透镜产品所需要的直径，这就是拉丝工艺。其 技术要求是：拉出的纤维丝半径均匀性好，如对直径1 g r a m 的丝，直径偏差应小于00 0 5 m m 。 纤维丝的锥度也不能过大，如对直径1g r a m 的丝，锥度偏差应小于o0 0 5 。制作出半径均匀 的纤维丝是制作自聚焦透镜的基础。 第三离子交换工艺 离子交换工艺在离子交换炉进行，这一工艺阶段直接影响自聚焦透镜的质量。 本课题依托西安飞秒光电科技有限公司自聚焦透镜制作设备，对自聚焦透镜拉丝工艺的 拉丝机进行智能化改造。期望通过对拉丝机的智能化改造，实现对纤维丝直径和锥度的自动 化控制。 2 1 拉丝机控制系统方案设计 图2 - l 立式拉丝机实物图 f i g2 - 1p h o t o so f v e r t i c a lp u l l i n g m a c h i n e ( b ) 西安理工大学硕士学位论文 目前，飞秒光电科技有限公司使用的自聚焦透镜拉丝机为立式拉丝机。拉丝机实物如图 2 - 1 所示，图( a ) 为拉丝机上半部分，图( b ) 为拉丝机下半部分。目前，拉丝机工艺主要依靠人 工控制，生产效率很大程度依赖操作人员的经验。因此，生产效率比较低。 2 1 1 拉丝机工作原理的理论研究及数学分析 拉丝生产工艺是利用立式拉丝机将预制棒拉 伸成不同丝径纤维丝的过程。立式拉丝机整体结 构示意图如图2 2 所示。拉丝机运行过程如下： 先将预制棒悬挂于夹具的挂钩上，打开送给电机， 送给电机的转动使滑动丝杠匀速旋转，从而带动 夹具运动使预制棒匀速进入电炉中加热，加热一 段时间玻璃混合物熔化，从电炉导出口流出，经 过激光测径仪实时测量纤维丝参数后，在拉伸电 机的拉力作用下，玻璃丝一直向下运动，达到要 求长度后纤维丝被剪断。 现对玻璃纤维丝做如下的数学分析。在图2 2 中，设在流出电炉口的玻璃混合物上任意截取一 个平面m ，则在单位时间内流入平面m 的玻璃 图2 - 2 拉丝机整体结构示意图 f i g 2 - 2s c h e m a t i co fp u l l i n gm a c h i n e 混合物的量应始终等于流出平面m 玻璃混合的量。设在单位时间内流入平面m 的玻璃混合 物流入量的体积为所，玻璃混合物流出量的体积为，由于纤维丝的横截面的形状是圆形， 设其面积为s ，纤维丝的直径为d ，则： s = 万( 罢) 2 = 丢万d 2 ( 2 1 ) 由式( 2 1 ) 可得s o c d ，即纤维丝横截面面积的大小正比于纤维丝直径大小。由前述可知， 1 4 = v o = c ( 常数) 。设玻璃混合物流入平面m 时光纤横截面面积为s 、拉丝电机的转速为： 流出平面m 时纤维丝横截面面积为岛、拉丝电机的转速为 v o ，则可得玻璃混合物流入平面 m 和流出平面m 时的体积分别为： k = | s , v , d t= i s o v o d t 且 j 墨v 西21 s o l o 西= c ( 2 2 ) 由式( 2 2 ) 可知，若，变大，则s 变小，又s o c d ，从而使d 变小。反之，则d 变大。 锥度是指圆锥的底面直径与锥体高度之比，如果是圆台，则为上、下两底圆的直径差与 锥台高度之比值。在本拉丝工艺过程中，选择一个定长三作为检测锥度的高，则纤维丝每下 降一个三长度，记录丝径直径值分别为盔，杰，磊i 磊，则对应的锥度分别为： c 。：掣一：掣，c ：电掣 ( 2 3 ) 拉丝机系统方案设计及算法研究 由式( 2 3 ) 可知，由于三为定值，因此丝径锥度正比于为纤维丝直径d 的变化率。又由式 ( 2 2 ) 可知，d 的大小与拉丝速度v 成反比。因此，纤维丝的丝锥度也与拉丝速度有关。 综上所述可以得出，通过调节拉丝电机转速可以实现对纤维丝丝径及锥度的控制。拉丝 机所拉出纤维丝是否粗细均匀，即纤维丝直径和锥度的误差是否满足要求，关键在于对拉伸 电机控制的好坏，所以拉丝电机的控制是影响纤维丝质量的关键。 2 1 2 拉丝机系统总体控制方案设计 上僦i 圆 控制器二= 二纠送给电机 r 、，、 刮拉丝电机 被控对象爿瞅馨 控制算法 ( 丝径) 图2 - 3 拉丝机控制系统方案图 f i g 2 - 3c o n t r o lp r o g r a m m eo f p u l l i n gm a c h i n e 在对拉丝机实际工作原理进行科学的理论研究和数学分析的基础上，得出影响拉丝工艺 质量的重要结论，即纤维丝的直径与拉丝电机转速成反比、锥度与直径变化率成正比。由此， 建立拉丝机系统总体控制方案。拉丝机控制方案图如图2 3 所示，系统控制对象为两部分： 送给电机和拉丝电机。对于送给电机，由于在实际拉丝过程中送给电机的转速和旋转方向基 本恒定不变，因此选用一个开环控制系统控制。在工作时，由上位机直接发出控制信号，经 过控制器控制送给电机的转速和转向。对于拉丝电机的控制，由拉丝电机、激光测径仪和控 制器组成拉丝电机的闭环控制系统。激光测径仪为反馈器件，在拉丝工作中实时采集纤维丝 参数传送给控制器，控制器经过内部合理的控制算法计算出拉丝电机的控制量，对拉丝电机 进行实时控制。依次循环，构成拉丝电机闭环控制系统。 由控制系统方案可以看出，整个系统设计的重点在于合理有效的控制算法选择，以及控 制器的设计。 2 2 拉丝机控制算法研究 2 2 1 拉丝机智能控制算法方案选择 在拉丝机控制系统中，由于拉丝电机的精确数学模型难以建立，加之影响丝径变化的不 确定因素较多，因此选用传统控制算法无法得到理想的控制效果。模糊控制是以模糊数学为 起点n 硼2 6 1 ，应用语言变量和模糊i f t h e n 规则的表达方法和先进的计算机技术，不仅适用 于小规模单变量系统，而且逐渐向大规模、非线性复杂系统扩展。概括地讲，模糊控制具有 7 西安理工大学硕士学位论文 以下特点2 ： ? 1 ) 它是一种非线性控制方法，工作范围宽，适用范围广“盯伽1 ，特别适合于类似拉丝机 系统的非线性系统的控制； 2 ) 不依赖于对象的数学模型，对于无法建模或很难建模的复杂对象，也能利用人的经 验知识或其他方法来设计模糊控制器完成控制任务；而传统的控制方法都要已知被控对象的 数学模型，才能设计控制器； 3 ) 具有内在的并行处理机制，表现出极强的鲁棒性，对被控对象的特性变化不敏感， 模糊控制器的设计参数容易选择调整； 4 ) 算法简单，执行快，易于实现，容易普及推广。 本课题选用模糊逻辑应用于拉丝机控制系统中，系统输入对应模糊化后的测径仪采集信 号，输出对应拉丝电机的转速。这样无需建立系统的精确数学模型，利用操作员的经验知识 来设计模糊控制器。但由于拉丝的过程是一个比较复杂的非线性对象，存在拉丝环境、拉丝 温度等一系列不确定因素，因此单纯靠模糊逻辑，很难建立全面准确的模糊规则库，而且模 糊规则一旦建立难以修改，自学习能力较差，难以达到理想的辨识效果。 神经网络3 们定义为多个非常简单的处理单元彼此按某种方式相互连接而形成的计算机 系统，该系统靠状态对外部输入信息的动态相应来处理信息。在我国神经网络的研究起步较 晚，但目前发展迅速，它具有如下基本特点： 1 ) 神经网络具有的非线性映射能力、自学习适应能力、联想记忆能力、并行信息处理 方式及其优良的容错性能等特点，使得其非常适合于复杂系统的建模与控制，特别是当系统 存在不确定性因素时，更体现其优越性。 2 ) 神经网络对知识的表达并非通过规则显示，而是隐含分布在网络结构的连接权值中。 控制时，通过并行分布计算即可产生正确的输出，且其权值可以通过样本训练获得改善，具 有良好的自学习能力。 3 ) 神经网络是以对信息的分布式存储和并行处理为基础，在许多方面更接近人对信息 处理的方法，具有模拟人形象思维的能力，反映人脑功能的基本特性，但并不是人脑的逼真 描述，而只是其某种抽象、简化和模拟。 可见模糊技术的特长在于逻辑推理能力，容易进行高阶的信息处理，将模糊技术引入神 经网络，可大大的拓展神经网络处理信息的范围和能力，使其不仅能处理精确信息，也能处 理模糊信息或其他不精确信息“2 m 3 1 。神经网络在学习和自动模式识别方面有极强的优势， 采取神经网络技术来进行模糊信息处理，这使得模糊规则的自动提取及模糊隶属度函数的自 动生成有可能得以解决，是模糊系统成为一种自适应模糊系统。综上所述，模糊技术与神经 网络的优缺点具有明显的互补性，将二者进行有机结合应用在拉丝机控制系统中，可有效发 挥其各自的优势并弥补其不足，获得更加的信号处理性能，有效的控制丝径和锥度值。 2 2 2 模糊神经网络工作原理 模糊神经网络工作过程由两个阶段组成，一个阶段是学习期( 自适应或设计期) ，此时各 拉丝机系统方案设计及算法研究 计算单元学习状态不变，执行学习规则，即修改权值系数( 通过学习样本) ，获取合适的映射 关系或其它的系统性能。另一阶段是工作期，此时各连接权值固定，计算单元的状态变化， 最终达到一个稳定状态。图2 4 为应用模糊神经网络结构的拉丝机控制系统工作原理图。 图2 - 4 模糊神经网络工作原理图 f i g 2 - 4s c h e m a t i co ff n n 根据模糊神经网络工作原理，系统预先选定的n 组现场采集的数据样本组成训练样本 集，使用b p 算法对网络进行学习和训练，利用梯度下降技术，通过调整网络权值、阈值， 使得网络实际输出与期望输出的均方差值最小。训练结束后，通过权值的变化找出拉丝电机 转速与丝径直径和锥度之间的映射规律，完成对拉丝过程的学习，自动生成适用于拉丝机模 型的隶属度函数，并提取各模糊推理规则相对作用的权值。训练后的模糊神经网络即可用于 实际的拉丝控制过程。 2 2 3 拉丝机模糊神经网络设计 拉丝机的主要被控参量为玻璃混合物的直径和锥度值，而影响这一输出参量的主要因之 是拉丝电机的转速控制。在拉丝过程中，直径和拉丝电机转速成反比，锥度和拉丝电机速度 的变化率成正比。因此将直径和锥度作为控制系统的输入参量，电机转速作为控制量，即系 统的输出。拉丝机系统输入量直径和锥度采用三个模糊子集，分别选取三角形隶属度函数， 三角形隶属度函数，形状简单，容易计算，并且和其他比较复杂的隶属度函数得出的控制结 果差别甚小，故被广泛使用。输入隶属度函数曲线如图2 - 5 ( a ) ( b ) 所示。输出电机控制量隶属 度函数分别选取s 型函数和高斯型函数，隶属度函数曲线如图2 - 5 ( c ) 所示，函数表达式为： s m a l l ( x ) = 【1 + e x p 0 9 。g 一仍) 】_ 1 荆一h 等) 2 亿4 ， b 辔g ) = 1 + e x p ( - o j 3 ( x 一缈，) ) 】一 9 西安理工大学硕士学位论文 其中， 国，( p i ( i - - 1 ，2 ，3 ) 分别表示隶属度函数参数，分别选取 - 2 ，- 1 】、【1 ，o 】、【2 ，1 】。隶属度函数 确定后，就可计算出模糊变量的模糊子集。 o。2。101 呷“帽蝴州 ( a ) n b e r 州pf u n d i o n 一如p l o tp o i t t r i , 1 a 嚏l x v 0 r i 羞糖。叫p u r ( c ) 图2 5 拉丝机模糊变量隶属度函数曲线图 f i g 2 - 5f u z z yv a r i a b l e sm e m b e r s h i pf u n c t i o nc u r v eo fp u l l i n gm e c h i n e 考虑到适当的控制性能需要和简化程序，本系统设计选用的神经网络为三层前向反馈网 络。网络输入层为1 4 个神经元，令而x ，为输入量直径值的模糊子集，黾五。为输入量锥 度值的模糊子集。网络输出层为7 个神经元，m y ，为输出控拉丝电机转速的模糊子集。 在网络训练时，设t = g x j 抄，x n k ) 为网络的第七个输入样本，则网络的输出可表示为： ，一、 y 庐= 缈l 靠l ( 2 5 ) i = 1 其中为第f 个输入神经元和第_ ，个隐含层神经原元之间的连接权值，缈选用s 型函数，定 义为： q , ( x ) - - 1 ( 1 + p 。) ( 2 6 ) 在样本值预处理时，首先需要将样本精确量转化为模糊向量。如当输入样本值的直径值 d l = 1 8 0 4 m m ，锥度值e i = 0 0 0 1 时，输出电机转速，l = 3 2 r m i n ，设输入量和输出量的基本 论域均为 一3 ，3 】，则根据： 止击( x 一刳 ( 2 7 ) 式中：工k ，6 】，【口，6 】为输入变量的实际变化范围，x - 3 ，3 】。根据样本值，对于目标值为 1 0 拉丝机系统方案设计及算法研究 1 8 0 0 m m 的丝，输入样本的直径变化范围为【1 7 9 5 ，1 8 0 5 】，锥度的变化范围为【o ，0 0 0 5 】，转速 变化范围为【3 1 5 ，3 2 5 。则根据式( 2 7 ) ，可得，d ：= 2 4 ，c ：= 一1 8 ，w = 0 。根据隶属度函 数可知当d ：为s m a l l ，c ：为m e 历u m ，w 为m e 历u m 。因此，计算得到网络输入向量为： 【000000 5110 50000o 】，网络的输出格式为：【o0 0 40 4 610 4 60 0 4o 】。 同理将n 组输入输出数据作为模糊神经网络的输入输出样本，训练b p 网络的权值和阈 值。网络结构图如图2 - 6 所示。 x l x 7 x 8 x 1 4 输入层隐含层输出层 c 多1 y 2 ： y 7 图2 6 拉丝机模糊神经网络模型 f i g 2 6f n nm o d e l o fp u l l i n gm e c h i n e 拉丝机控制系统模糊神经网络的模型为三层b p 网络。在网络学习时，设网络的输入向 量只= b 。，石：，x 1 4 ) ，网络目标向量瓦= 。，y 29 9 y ，) 。 根据k o l m o g o r o v 定理，输入层数目为以，隐含层数目m ，则刀= 2 m + 1 。本系统输入层 有1 4 个结点，因此中间层有2 9 个结点。 中间层单元输入向量瓯= ( s 1 , j ：，s ：，) ，输出向量色= 0 。，b ：，b 2 9 ) ； 输出层单元输入向量l 。= ( f 。，z ：，) ，输出向量g = 0 。，c ：，c ，) ； 输入层至中间层的连接权值，扛1 , 2 ，1 4 ，歹= 1 , 2 ，2 9 ； 中间层至输出层的连接权值伊豇，= 1 , 2 ，2 9 ，t = l ，2 ，2 9 ； 中间层各单元的输出阈值伊，= 1 , 2 ，2 9 ； 输出层各单元的输出阈值以，t - - - - 1 , 2 ，7 ； 网络学习步骤如下： 1 ) 初始化。给每个连接权值、阈值够和乃赋予区间( 一1 ，1 ) 内的随机值。 2 ) 随即选取一组输入和目标样本只= ，工：k i ，o - 9 x 厶) 、正= ；! | ，y ；，y ；) 提供给网络。 3 ) 用输入样本最= b ? ，工：k ，x 厶j 、连接权c 9 驴和阈值p ，计算中间层各单元的输入j ，然 后用s ，通过传递函数计算中间层各单元的输出b ，。 1 1 西安理工大学硕士学位论文 s ，= 而一q ，产1 ，2 ，2 9 i = 1 b j = 厂b ) ，j = l ，2 ，2 9 厂选用s 型函数，定义为： 厂g ) = 1 ( 1 + p 吖) 4 ) 利用中间层的输出b j 、连接权缈，和阈值以计算输出层各单元的输出厶， 通过传递函数计算输出层各单元的响应e 。 2 9 厶= 屯一以，t - - 1 ，2 ，7 ( 2 8 ) ( 2 9 ) ( 2 1 0 ) 然后利用 ( 2 1 1 ) e = f 亿，) ，t - 1 , 2 ，7 ( 2 1 2 ) 厂选用s 型函数，定义为： g ) = 1 ( 1 + p “) 5 ) 利用网络目标向量瓦= ：，y ：，y ；) ，网络的实际输出c ，计算输出层的各单元一 般化误差钟。 d j = ：一c f ) c , 0 一c f ) ，t - - 1 , 2 ，o9 7 ( 2 1 3 ) 6 ) 利用连接权缈疗、输出层的一般化误差d ，和中问层的输出b j 计算中间层各单元的一 般化误差巧。 e = f 窆t l b j ( 1 一b j ) ，j = l ，2 ，2 9 ( 2 1 4 ) t = l 7 ) 利用输出层各