基于遗传算法的无头轧制技术闪光焊机行走系统

2013-08-29张军伟孙立雄高忠林

电焊机 2013年8期

关键词：钢坯焊机闪光

王睿，张军伟，孙立雄，高忠林

（1.河北工业大学控制科学与工程学院，天津 300130；2.天津七所高科技有限公司，天津 300409）

0 前言

1 无头轧制技术闪光焊机行走系统运动分析

无头轧制技术中，钢坯一直以恒定的速度向前运行，即便是焊接过程中，钢坯的运行速度也不改变。闪光焊机的运行速度相对复杂，分为四个阶段[4]。

（1）钢坯一直以恒定的速度向前运行，当钢坯1运动到设定位置，闪光焊机由预先设定的位置启动并加速向前运行，直至与钢坯1的运行速度相同。

（2）当闪光焊机与钢坯运行速度相同，一旦钢坯2到达夹送辊（加热炉出口处），钢坯头部（距端头1.5 m内）经除鳞装置除鳞后，被迅速送入闪光焊机夹具中，当钢坯2的头部到达焊机设定位置时，钢坯2随焊机与钢坯1同步运行。安装在闪光焊机上的夹紧液压缸动作，夹紧钢坯1的尾部和钢坯2的头部，同时进行对中调整。闪光焊接开始，焊接变压器自动接通，两钢坯端面间通过大电流，钢坯端部开始烧化，烧化一定时间后，顶锻系统就会以较大的力（即顶锻力）将两钢坯熔化的端面相互压紧，对焊在一起。焊接过程结束，安装在夹钳中间的毛刺清理装置就会清除钢坯焊缝区的所有毛刺，使钢坯表面恢复原形。毛刺清除后，夹钳打开，钢坯以设定的速度继续向前运行。

图1 焊机工作的步骤和相应的速度位移曲线Fig.1 Welding machine operating steps and corresponding curves of speed and displacement

（3）闪光焊机开始减速，直至速度降低为零。

（4）焊机反方向加速，加速一定时间，开始反方向减速，当速度再次降低到零时，焊机回到初始位置。

无头轧制技术中，钢坯和闪光焊机的运动速度曲线如图1所示。

在整个焊接过程中，焊机的最大行程为6.1 m，钢坯的前进速度为0.24 m/s。

实训分级阶梯式递进（虚拟仿真、影像体模、真人训练、岗前验收），从适用岗位任职需求的虚拟仿真综合实训软件模拟训练着手、配合配套的操作手册和实训指导、训练基本达标以后进入影像体模训练、最后实施真人体验式训练，直至通过课程教学目标达成考核。进入临床实习前再由临床专家完成实习前实训操作验收程序，合格后方可进入临床实习。学校实训教学对接行业标准、实现专业核心技能的培养。

2 无头轧制技术闪光焊机行走系统组成

闪光焊机行走系统等效力学模型如图2所示。交流伺服电机经减速比为20∶1的减速器减速，减速器驱动齿轮旋转，齿条通过齿轮旋转带动焊机沿水平移动，闪光焊机水平移动速度的调整由变频器实现。在建模分析中忽略了电机与减速器间扭转刚度影响。在减速器的输出，由于轴头比较长，与驱动齿轮间又采用了平键联接，并且轴头传递扭矩比较大，在建模中考虑减速器输出轴头刚度[5]。

变频器数学模型

式中 f1为变频器电源频率；uc为变频器控制电压；u1为电机定子相电压；Kv为变频器频率电压转换系数；b为变频器低频补偿电压。

电机传动数学模型

式中 Jel为电机轴转动惯量；θm为电机轴转速；mp为电机极对数；Ra为电机转子侧折算电阻；Bm为电机轴阻尼系数；i为减速器传动比；θL为驱动齿轮转速；k为速器输出轴头刚度的系数。

图2 闪光焊机行走系统等效力学模型Fig.2 Equivalent mechanics model of moving system of flash butt welding

式中 FL为焊机负载力；Ff为焊机受到的库伦摩擦力和静摩擦力；BL为焊机平移阻尼系数；v为焊机实际运行速度；r为驱动齿轮分度圆半径。

式中 Jm为电机转动惯量；Ja为联轴器上的折算惯量；Js为减速器上的折算惯量。

式中 Jp为驱动齿轮上的折算惯量；m为焊机的质量。

为了降低模型的复杂程度，忽略变频器的低频补偿特性，并默认变频器工作在恒压频比状态，则式（1）可改写为

建立系统传递函数模型为

3 基于遗传算法神经网络PID控制的闪光焊机移动控制策略和仿真分析

根据焊机在移动过程中对钢坯进行焊接的工艺特点，焊机的传动控制可分成两个独立的控制模式，即位移控制模式和速度控制模式。位移控制模式用于实现焊机的加速、减速返回、复位和待机。速度控制模式主要实现焊机对前一根（即正在被轧制）钢坯的快速追赶和随钢坯同步运动。

由于焊机质量较大，其驱动系统存在着齿侧间隙，焊机的运动存在着库伦摩擦、静摩擦和粘性阻尼。因此，焊机驱动系统是一个典型的大惯量、非线性系统。另外，在轧制过程中，钢坯的运动速度有波动现象，采用传统的PID控制很难满足焊机在线同步跟踪和抗干扰等性能的要求。本研究设计了基于遗传算法和神经网络的PID控制器系统结构如图3所示。

系统结构包括四个部分。

（1）经典PID控制器：直接对被控对象闭环控制，并且三个参数Kp、Ki、Kd为在线调整。

（2）GA寻优模块：对BP网络初始权值学习优化。

（3）BP神经网络：根据系统的运行状态，调节PID控制器的参数，以期达到性能指标优化。

图3 基于遗传算法和神经网络参数自学习PID控制器Fig.3 The adaptive PID control system based on neural network and GA

（4）RBF辨识网络：被控对象的在线辨识器，可以动态地观测对象的输出对控制输入的灵敏度信息。

采用了遗传算法神经网络PID复合控制策略，其控制框图如图4所示。

图4 闪光焊机同步控制框图Fig.4 Synchronous control diagram of FBW machine

通过仿真，BP网络权初值经GA优化后和网络权初值没有经过GA优化后的阶跃响应曲线如图5所示。由图5可知：当BP网络权初始值未经过GA寻优时，输出超调量较大；网络权初值经过GA优化后，输出超调几乎为零，调节时间短。从控制效果图来看，经过GA优化的曲线的控制效果比未经过GA优化的曲线好，原因就是遗传算法（GA）实现了多个方向上的搜索，而BP算法采用沿梯度下降方向的搜索算法，陷入局部最小。

4 结论

提出了一种基于遗传算法和神经网络的PID控制方法，该算法用GA（遗传算法）优化BP网络的初始连接权系数，得到一组较最佳的BP网络初始权值的参数组合，再通过BP算法，实现PID参数的在线调整。仿真结果表明，经过GA对网络初始权值优化后，闪光焊机行走系统的输出响应能够快速的跟踪输入的信号，使系统具有精确的同步跟踪性能。

[1]卢宁，付永领.钢坯无头轧制设备与关键技术分析[J].新技术新工艺，2006（3）：90-92.

[2]卢宁，付永领.无头轧制关键技术分析[J].机床与液压.2005（4）：25-27.