基于PLC的自适应P I D控制器在预应力张拉仪中的

基于ＰＬＯ的自适应ＰＩＤ控制器在预应力张拉仪中的
应用
’贾敏智１，李珠２，石晓敏１
’
（１．太原理工大学信息工程学院，山西太原０３００２４；２，太原理工大学土木工程学院，山西太原０３００２４）
摘要：本文针对预应力筋在张拉施工过程中的各种不确定性，利用以ＰＬＣ为核心组成的全自动数字化预应力张拉仪，并采用具有自学习能力的单神经元ＰＩＤ控制器，对张拉过程实现全自动的数据采集与智能控制，保证了数据采集的及时和准确可靠，提高了张拉力的控制精度，达到了预期的张拉效果．
关键词：预应力张拉；ＰＬＣ；ＰＩＤ控制；单神经元
ＴＨＥＡＰＰＬＩＣＡｌ’ＩｏＮＯＦＳＥＬＦ－ＡＤＡＰＴＩＮＧＰＩＤＣｏＮＴＲｏＬＬＥＲＢＡＳＥＤｏＮＰＬＣＩＮＰＲＥＳＴＲＥＳＳＥＤＴＥＮＳＩＯＮＤＥⅥＣＥ
’ＪｉａＭｉｎｚｈｉｌＬｉＺｈｕ２ＳｈｉＸｉａｏｍｉｎｌ
（１．ＣｏｌｌｅｇｅｏｆＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＴａｉｙｕａｎＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，ＴａｉｙｕａｎＳｈａｎｘｉ，０３００２４；
２．ＣｏｌｌｅｇｅｏｆＣｉｖｉｌＥｎｇｉｎｅｅｒｉｎｇ，ＴａｉｙｕａｎＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，ＴａｉｙｕａｎＳｈａｎｘｉ。

０３００２４．）
Ａｂｓｔｒａｃｔ：Ｄｉｒｅｃｔｅｄｔｏｗａｒｄｓｖａｒｉｏｕｓｋｉｎｄｓｏｆｎｏｎｄｅｔｅｒｍｉｎａｃｙｏｆｐｒｅｓｔｒｅｓｓｅｄｓｔｅｅｌｉｎｔｅｎｓｉｏｎｉｎｇｐｒｏｃｅｓｓ，ｔｈｉｓｐａｐｅｒｄｅｓｉｇｎｓａｌｌａｕｔｏｍａｔｉｃｄｉｇｉｔａｌｐｒｅｓｔｒｅｓｓｅｄｔｅｎｓｉｏｎｄｅｖｉｃｅｗｉｔｈＰＬＣａｓｃｏｒｅｃｏｍｐｏｎｅｎｔ，ａｎｄｕｓｅｓａｓｉｎｇｌｅｎｅｕｒｏｎＰＩＤｃｏｎｔｒｏｌｌｅｒｗｉｔｈｓｅｌｆ－ｌｅａｒｎｉｎｇａｂｉｌｉｔｙｔＯａｕｔｏｍａｔｉｃａｌｌｙｃｏｌｌｅｃｔｄａｔａａｎｄｉｎｔｅｌｌｉｇｅｎｔｌｙｃｏｎｔｒｏｌｔｅｎｓｉｏｎｉｎｇｐｒｏｃｅｓｓ，ｅｎｓｕｒｉｎｇｔｈｅｄａｔａ－ｃｏｌｌｅｃｔｉｎｇｔｉｍｅｌｉｎｅｓｓａｎｄｒｅｌｉａｂｉｌｉｔｙａｎｄｉｍｐｒｏｖｉｎｇｔｅｎｓｉｏｎｉｎｇｆｏｒｃｅ’Ｓｃｏｎｔｒｏｌａｃｃｕｒａｃｙｗｈｉｃｈａｃｈｉｅｖｅｓｔｈｅｐｒｅｄｉｃｔｉｎｇｔｅｎｓｉｏｎｉｎｇｅｆｆｅｃｔ．
Ｋｅｙｗｏｒｄｓ：ｐｒｅｓｔｒｅｓｓｅｄｔｅｎｓｉｏｎ；ＰＬＣ；ＰＩＤｃｏｎｔｒｏｌ；ｓｉｎｇｌｅｎｅｕｒｏｎ
１引言
预应力筋的张拉是预应力施工中的关键环节。

预应力张拉涉及到预应力损失、温度效应等诸多因素的影响，是一个复杂的非线性的力的传递、分配过程。

目前在土木工程领域中，预应力张拉的施工主要采用的是由油泵驱动千斤顶进行张拉。

由压力表读数控制张拉力，人工测量张拉伸长值的施工工艺，这种方法测量、控制精度差，效率低，张拉的成败主要取决于操作员的操作，且施工环境较差ｎ儿引恤１。

为此，我们设计了一种一键式全自动数字张拉仪，能够实现张拉过程的全程自动化数字控制。

由于张拉对象不同并且张拉过程具有非线性和不确定性，因此张拉过程不能用精确的数学模型来描述，应用常规的ＰＩＤ控制器对张拉过程的张拉力进行控制时不能达到理想的控制效果。

而单神经元自适应ＰＩＤ控制器，结构简单，计算量小，能够自动校正ＰＩＤ参数，并且具有较强的鲁棒性，因此在本系统中采
作者简介：。

贸敏智（１９６３．５－），男，山两代县人，工学硕士，副教授，主要从事计算机控制系统的研究与应用（Ｅ－ｍａｉｌ：ｔｕｔｉｍｚ６６６＠ｓｉｎａ－ｅｏｍ）．李珠（１９５９．１２．），男，河南开封人，工学博士．教授，博导．主要从事土木结构工程的研究；
石跷敏（１９８５．９一）．女，山西太谷入，硕士研究生，二｝要苁事计算机控制系统的研究与应用．
式中：△已（七）＝ｅ（ｋ）ｅ（ｋＩ），Ａｅ（ｋ－１）＝ｅ（ｋ—１）一Ｐ（露一２）
在ＰＩＤ控制中，一个关键的问题便是ＰＩＤ参数的整定。

传统的方法是在获取对象数学模型的基础上，根据某一整定原则来确定ＰＩＤ参数，然而在实际的工业过程中，许多被控过程机理较复杂，具有高度非线性、时变不确定性和纯滞后等特点。

在噪声、负载扰动等因素的影响下，过程参数，甚至模型结构，均会发生变化。

这就要求在ＰＩＤ控制中，不仅ＰＩＤ参数的整定不依赖于对象模型，并且ＰＩＤ参数能在线调整，以满足实时控制的要求。

３．２单神经元自适应ＰＩＤ控制器
神经网络ＰＩＤ控制中，单神经元是最基本的控制部件，具有自
学习和自适应能力，且结构简单、算法计算量小，与传统ＰＩＤ控制
器结合，能够在线整定、优化ＰＩＤ参数，弥补传统ＰＩＤ控制器的不
足拉瑚。

单神经元自适应ＰＩＤ控制器的结构如右图２所示。

其输入层为：
五（七）＝ａｅ（ｋ）＝Ｐ（七）一ｅ（ｋ—１）
屯＠）＝Ｐ＠）
毛∞＝△《菇）一Ａｅ（七一１）
图２单神经元自适应ＰＩＤ控制器
设后为神经元控制器的比例系数，心（尼）为加权系数，则控制器的输出为：
３
＂（七）＝甜（后一１）＋后∑＿（七）而（七）
１＝１（３－２）（３・３）
（３－２）式变形得：
△“（七）＝七主ｗ（后）薯（七）＝七［ｗｌ（七）五（七）＋％（七）恐（七）＋ｗ３（ｋ）ｘ３（ｋ）］（３－４）
ｉ＝１
比较式（３－４）和（３．１），得ＰＩＤ参数对应关系分别为：
机（ｋ）＝ｋｐ
帆（ｋ）＝巧吖互＝毛（３—５）
饥（ｋ）＝七，乃／ｒ＝屯
它通过对加权系数的调整来实现自适应、自组织功能。

所以该神经元ＰＩＤ控制器是一类在线自适应ＰＩＤ控制器。

这种自适应能力是通过一定的学习规则进行的，而学习规则可以通过计算算法实现，因此神经元ＰＩＤ控制器的性能取决于学习算法的收敛性和自学习能力。

如何获得具有更完善的自学习能力、联想能力的算法是关键。

解决好学习算法的快速性和收敛性，便可以大大推进神经网络控制在工业生产过程中的实用化进程。

单神经元自适应控制器通过对加权系数的调整来实现自适应、自学习功能，权系数的调整是根据一些典型的学习规则实现的。

本文将介绍采用有监督的Ｈｅｂｂ学习规则的单神经元自适应ＰＩＤ控制器的算法。

有监督的Ｈｅｂｂ学习规则
将无监督的Ｈｅｂｂ学习规则和有监督的Ｄｅｌｔａ学习规则结合，就构成有监督的Ｈｅｂｂ学习规则。

考虑到加权系数ｗ（七）应和神经元的输入、输出和输出偏差三者的相关函数有关，因此在采用有监督Ｈｅｂｂ学习算法时有：
ｗ（七＋１）＝（１一ｃ）ｗ，（七）＋７７一（七）
ｖ，（七）＝ｚ（Ｊｉ｝）ｚ，（七）‘（七）
式中：一（七）——递进信号，随过程逐渐衰减；（３・６）（３—７）
ｚ（七）——输出误差信号，有ｚ（七）＝，．（后）一ｙ（七）＝Ｐ（七）；
７７——学习速率，ｒ／＞Ｏ；
ｃ——常数，０≤ｃ＜ｌ。

将式（３－７）代入式（３．６）中有
△ｗ（尼）＝ｗ（后＋１）一ｗ（七）＝一ｃ［嵋（后）一詈ｚ（七）“（七）薯（七）］（３・８）如果存在函数，（ｗ（后），ｚ（Ｊｊ｝），甜（七），ｘ，Ｃｋ）），对彬（七）求偏微分有：
善＝ｗ，（七）一詈吕（ｚ（七）甜（咖（七））（３．９）则式（３．８）可写为：
础）＿－ｃ器㈣上式说明，加权系数ｗ（ｋ）的修正是按函数Ｚ（・）对应于ｗ（ｋ）的负梯度方向进行搜索的。

应用随机逼近理论可以证明，当常数ｃ充分小时，ｗ（后）可以收敛到某一稳定值嵋，而且与其期望值的偏差在允许范
围内。

为保证这种单神经元自适应ＰＩＤ控制学习算法的收敛性和鲁棒性，将上述学习算法进行规范化处理后可得：
甜（孟）＝砧（豇一１）＋七∑而（七）薯（七）
羁（后）：掣
∑ｌ＿（七）｜
Ｈ（七＋１）＝ｗｌ（｜ｊ｝）＋％ｚ（七）ｚｆ（尼）而（七）
ｗｚ（ｋ＋１）＝ｗｚ（ｋ）＋ｒｌｚ（ｋ）ｕ（ｋ）ｘ：（七）
嵋（后＋１）＝ｗ３（七）＋％ｚ（七）“（七）毛（七）
（３—１１）
式中巩、研、仉分别为比例、积分、微分的学习速率。

这里对比例（Ｐ）、积分（Ｉ）、微／，－１－（Ｄ）分别采Ｈ３了不同的学习速率ｒ／。

、７７，、ｒ／，ｉ，以便了．根据需要对各自对应的加权系数分别进行调整，其取值可
先由现场实验或仿真来确定．且取ｃ＝０。

４自适应ＰＩＤ控制的ＰＬＣ实现
由于本系统是通过控制步进电机来控制油压的，执行机构需要
的是控制鼍的增量。

因此对丁采用有监督的Ｈｅｂｂ学习规则时，我
们需要的控☆４量为：
△”（Ｉ）＝々∑ｉ（帆（女）（３－ｔ３）
单神经元自适应ＰＩＤ控制算法在子程序中编写．在张拉过程中
每５００毫秒调用一次。

子程序流程图如右图３所示。

目３单神女￡自适应ＰＩＤ算法的流程图５单神经元自适应ＰＩＤ在预应力张拉系统中的应用效果
我们分别采用ＰＩＩ）算法和单神经元自适应ＰＩＤ算法对系统进行控制，并在控制参数不变的情况下对铜绞线和钢筋两种不同的张拉对象进行张拉。

使用组志王软件可以很方便地对ＰＬＣ进行访问．所以我们使用组志王软件对张拉力的变化进行了实时监测。

每次张拉力的给定值均为８４１Ｑｑ。

图４的张拉对象为钢绞线，图５的张拉对象为钢筋。

使用常规ＰＩｐ控制算法的张拉结果如下图中（ａ）国所示。

使用有监督的Ｈｃｂｂ学习规则的单神经元白适应ＰＩＤ算法的张拉结果为ｍ）图所示。

巨薹Ｉ目
褥意烈掣渊衅餐麓黧煮攀辫
图４钢纹线｝Ｅ拉曲线
：。

Ｌ／一————…一一．』
Ⅲ５
‘”：≈；ｉｉｊ二ｉ～。

“一，ｋ
蔷要銎墨ｄ鑫鑫襄黜魁耀
一，卜一’
４：Ｈｆ
‘：±ｆ一二Ⅱ＿一：ｉ一—；：一—ｉ？一１，毒灏弑裂最美娑辍豁裂
目ｏⅧ筋｛Ｅ＆曲线。