一種棉籽剝絨機的自動控制方法及裝置的制造方法
【專利摘要】本發(fā)明公開了一種棉籽剝絨機的自動控制方法，包括：步驟1，根據(jù)離線采集的進料棉籽的含水率、各級脫絨滾筒的轉矩和各級脫絨滾筒的最佳轉速，建立神經網絡控制模型；步驟2，在生產中實時采集進料棉籽的含水率和各級脫絨滾筒的轉矩；步驟3，利用采集到的該含水率和該各級脫絨滾筒的轉矩，基于該神經網絡控制模型，獲取對各級滾筒的轉速的控制模型；步驟4，調速裝置根據(jù)該控制模型對各級脫絨滾筒電機進行調速，以使得各級脫絨滾筒工作于能夠獲取最佳脫絨效果的最佳轉速。本發(fā)明可使得各級脫絨滾筒隨時工作于最佳工作轉速范圍之內，可優(yōu)化進料棉籽的處理量，避免棉籽累積可能引起的阻塞，從而提高了整體的工作可靠性。
【專利說明】
一種棉籽剝絨機的自動控制方法及裝置
技術領域
[0001] 本發(fā)明屬于棉花加工機械的自動控制技術領域，尤其涉及一種多級脫絨滾筒的棉 籽剝絨機的自動控制方法及裝置。
【背景技術】
[0002] 脫絨作為棉花種子加工中的重要環(huán)節(jié)之一，目前普遍采用脫絨機械完成該工序， 其工作效果直接影響后續(xù)的加工操作。
[0003] 棉籽喂入量是影響脫絨效果的重要因素，喂入量偏多容易造成脫絨滾筒阻塞，進 而燒壞電機；喂入量偏少則導致設備無法滿負荷運行，生產效率低，能耗大。隨著技術進步， 棉花脫絨機的自動化程度也在逐漸提高。
[0004] 專利CN102618941A提出了一種剝絨機自動控制系統(tǒng)，采用單片機技術，分別檢測 鋸軸電機電流和撥籽輥電機電流，通過撥籽輥電流給定值，自動調節(jié)喂籽量。該方法以電機 電流作為檢測和被控變量，由于鋸軸和撥籽輥驅動電機功率較大，只有棉籽喂入量明顯增 加時，電機電流才會隨之發(fā)生改變，因此這種測量方法仍帶有一定滯后性，不能及時反饋 喂入信息，這將為安全操作留下隱患，甚至會因調整不及時造成阻塞。因此，單純以電機電 流作為被控量，仍有相當?shù)木窒扌浴?br>[0005] 為了提高脫絨效率，磨擦式脫絨機采用多個并排且表面密閉刷毛的脫絨滾筒組合 完成脫絨。專利CN102206871A所公開的棉籽脫絨機即為此種類型。由于該型脫絨機具有 多個滾筒級聯(lián)，各滾筒的轉速必須相互協(xié)調，才能最大程度達到理想剝絨效果。但目前針對 該類型的剝絨機尚沒有相關的自動控制方法及裝置出現(xiàn)，因此提高其自動化控制程度就顯 得尤為必要。

【發(fā)明內容】

[0006] 本發(fā)明所要解決的技術問題在于，提供一種棉籽剝絨機自動控制方法，用于對多 級脫絨滾筒的轉速進行在線調節(jié)，以保證獲得最佳的脫絨效果。
[0007] 本發(fā)明公開了一種棉籽剝絨機的自動控制方法，包括：
[0008] 步驟1，根據(jù)離線采集的進料棉籽的含水率、各級脫絨滾筒的轉矩和各級脫絨滾筒 的最佳轉速，建立神經網絡控制模型；
[0009] 步驟2,在生產中實時采集進料棉籽的含水率和各級脫絨滾筒的轉矩；
[0010] 步驟3,利用采集到的該含水率和該各級脫絨滾筒的轉矩，基于該神經網絡控制模 型，獲取對各級滾筒的轉速的控制模型；
[0011] 步驟4,調速裝置根據(jù)該控制模型對各級脫絨滾筒電機進行調速，以使得各級脫絨 滾筒工作于能夠獲取最佳脫絨效果的最佳轉速。
[0012] 該步驟1進一步包括：
[0013] 步驟11，記錄在該進料棉籽為喂入量^且含水率Me "時，各級脫絨滾筒的轉矩Q lk 以及能夠達到最佳脫絨效果的各級脫絨滾筒的轉速Nik，m = 1，2…Μ ;n = 1，2…N ;k = 1，2··· K ;i為各級脫絨滾筒的序號，i = 1，2..· I ;K = M*N ;
[0014] 步驟12,以該進料棉籽的含水率和各級脫絨滾筒的轉矩為輸入量，以達到該最佳 脫絨效果的最佳轉速為輸出量，基于神經網絡建模方法，建立BP神經網絡控制模型。
[0015] 該步驟3進一步包括：
[0016] 當該脫絨滾筒的轉速在單位時間的波動大于閾值時，該控制模型包括：使喂入輥 電機停止工作，使該脫絨滾筒及該脫絨滾筒的所有前級脫絨滾筒停止工作，降低該脫絨滾 筒的所有后級脫絨滾筒的轉速。
[0017] 本發(fā)明還公開了一種棉籽剝絨機的自動控制裝置，包括多級脫絨滾筒電機，以及， 喂入輥電機，還包括：
[0018] 多個脫絨滾筒轉矩轉速傳感器，對應設置于多級脫絨滾筒，用于分別測量每級脫 絨滾筒的轉矩及轉速；
[0019] 棉籽含水率傳感器，用于測量進料棉籽的含水率；
[0020] 信號采集裝置，用于采集該脫絨滾筒轉矩轉速傳感器測量得到的轉矩、轉速以及 該棉籽含水率傳感器測量得到的含水率；
[0021] 控制器，利用該信號采集裝置采集到的該含水率和該各級脫絨滾筒的轉矩，基于 所建立的針對各脫絨滾筒轉速優(yōu)化控制的BP神經網絡控制模型，獲取對各級滾筒的轉速 的控制模型，其中，該神經網絡控制模型為根據(jù)離線采集的進料棉籽的含水率、各級脫絨滾 筒的轉矩和各級脫絨滾筒的最佳轉速而建立；
[0022] 調速裝置，根據(jù)該控制模型對該各級脫絨滾筒電機進行調速，以使得各級脫絨滾 筒工作于能夠獲取最佳脫絨效果的最佳轉速。
[0023] 該控制器預先離線記錄有在該進料棉籽為喂入量Wm且含水率Me "時，各級脫絨滾 筒的轉矩Qik以及能夠達到最佳脫絨效果的各級脫絨滾筒的轉速Nik，m= 1，2…Μ ;n = 1，2··· N ;k = 1，2···Κ ;i為各級脫絨滾筒的序號，i = 1，2··· I ;K = M*N ;該控制器以該進料棉籽的 含水率和各級脫絨滾筒的轉矩為輸入量，以達到該最佳脫絨效果的最佳轉速為輸出量，基 于神經網絡建模方法，建立該神經網絡控制模型。
[0024] 當該脫絨滾筒的轉速在單位時間的波動大于閾值時，該控制模型包括：使喂入輥 電機停止工作，使該脫絨滾筒及該脫絨滾筒的所有前級脫絨滾筒停止工作，降低該脫絨滾 筒的所有后級脫絨滾筒的轉速。
[0025] 本發(fā)明可使得各級脫絨滾筒隨時工作于最佳工作轉速范圍之內，可優(yōu)化進料棉籽 的處理量，避免棉籽累積可能引起的阻塞，從而提高了整體的工作可靠性。
【附圖說明】
[0026] 圖1所示為本發(fā)明的棉籽剝絨機自動控制裝置的結構示意圖。
[0027] 圖2所示為本發(fā)明的棉籽剝絨機自動控制裝置的結構框圖。
[0028] 圖3所示為本發(fā)明的棉籽剝絨機的自動控制方法的流程示意圖。
[0029] 圖4所示為本發(fā)明的神經網絡控制模型的示意圖。
【具體實施方式】
[0030] 如圖1所示為本發(fā)明的棉籽剝絨機的自動控制裝置的結構示意圖。如圖2所示為 本發(fā)明的棉籽剝絨機的自動控制裝置的結構框圖。
[0031] 該棉籽剝絨機的自動控制裝置包括進料斗22,喂入輥電機20,多級脫絨滾筒（圖 中以三級為例），棉籽含水率傳感器13,脫絨滾筒電機，脫絨滾筒轉矩轉速傳感器，信號采 集裝置12,控制器10和調速裝置11。
[0032] 棉籽含水率傳感器13設置于進料斗22的內壁，用于測量進入該進料斗22的進料 棉籽的含水率。進料斗22下方設置有該多級脫絨滾筒，該進料棉籽在該多級脫絨滾筒中實 現(xiàn)脫絨。喂入輥電機20安裝于進料斗22的喂籽輥軸端，用于控制進入到該多級脫絨滾筒 的進料棉籽的喂入量。
[0033] 每級脫絨滾筒均對應設置有一個脫絨滾筒電機，如圖中實例即為：一級脫絨滾筒 電機17、中級脫絨滾筒電機18、末級脫絨滾筒電機19。
[0034] 每級脫絨滾筒均對應設置有一個脫絨滾筒轉矩轉速傳感器，用于測量該脫絨滾筒 的實時轉矩和轉速。即，一級脫絨滾筒轉矩轉速傳感器14,中級脫絨滾筒轉矩轉速傳感器 15,末級脫絨滾筒轉矩轉速傳感器16。
[0035] 每級脫絨滾筒電機通過聯(lián)軸器與對應的各級轉速轉矩傳感器首端相連，轉速轉矩 傳感器末端通過聯(lián)軸器與該級脫絨滾筒首端相連。
[0036] 信號采集裝置12與所有的脫絨滾筒轉矩轉速傳感器連接，該信號采集裝置12還 與棉籽含水率傳感器13連接。該信號采集裝置12用于采集各級脫絨滾筒的轉矩、轉速以 及進料棉籽的喂入量。
[0037] 控制器10,利用該信號采集裝置12采集到的該含水率和該各級脫絨滾筒的轉矩， 基于一 BP神經網絡控制模型，獲取對各級滾筒的轉速的控制模型，其中，該神經網絡控制 模型為根據(jù)離線采集的進料棉籽的含水率、各級脫絨滾筒的轉矩和各級脫絨滾筒的最佳轉 速而建立。
[0038] 調速裝置11，根據(jù)該控制模型對該各級脫絨滾筒電機進行調速，以使得各級脫絨 滾筒工作于能夠獲取最佳脫絨效果的最佳轉速。
[0039] 在圖1、2所示裝置的基礎上，本發(fā)明還公開了一種棉籽剝絨機的自動控制方法， 如圖3所示本發(fā)明的棉籽剝絨機的自動控制方法的流程示意圖。
[0040] 步驟101，根據(jù)離線采集的進料棉籽的含水率、各級脫絨滾筒的轉矩和各級脫絨滾 筒的最佳轉速，建立神經網絡控制模型。該神經網絡控制模型為BP (Back Propagation,誤 差反向傳播）神經網絡控制模型。
[0041] 在實際生產之前，本發(fā)明需利用步驟101進行一離線的預處理操作。具體包括：啟 動各脫絨滾筒電機并使之工作于初始轉速，達到正常工作狀態(tài)。
[0042] 設定喂入輥電機20工作于某一工作速度Vi，即維持一初始的喂入量I，并持續(xù)喂 入某一固定含水率M Cl的進料棉籽。由一級脫絨滾筒轉矩轉速傳感器14獲取并記錄一級 脫絨滾筒當前的轉矩信息Qn，中級脫絨滾筒轉矩轉速傳感器15獲取并記錄中級脫絨滾筒 當前的轉矩信息Q 21，末級脫絨滾筒轉矩轉速傳感器16獲取并記錄末級脫絨滾筒當前的轉 矩ig息Qm。
[0043] 此時，根據(jù)經驗適當調節(jié)各脫絨滾筒電機的轉速，使棉籽達到最佳脫絨效果，并記 錄下此時一級脫絨滾筒電機的轉速N n，中級脫絨滾筒電機的轉速N21，末級脫絨滾筒電機的 轉速N31。
[0044] 接下來，調整喂入輥電機20至另一工作速度V2, 即，維持喂入量W2，并持續(xù)喂入該 含水率MCl的進料棉籽。由一級脫絨滾筒轉矩轉速傳感器14獲取并記錄一級脫絨滾筒當 前的轉矩信息Q 12，中級脫絨滾筒轉矩轉速傳感器15獲取并記錄中級脫絨滾筒當前的轉矩 信息Q22，末級脫絨滾筒轉矩轉速傳感器16獲取并記錄末級脫絨滾筒當前的轉矩信息Q 32。
[0045] 此時，根據(jù)經驗適當調節(jié)各脫絨滾筒電機的轉速，使棉籽達到最佳脫絨效果，并記 錄下此時一級脫絨滾筒電機的轉速N 12，中級脫絨滾筒電機的轉速N22，末級脫絨滾筒電機的 轉速N32。
[0046] 根據(jù)精度需求，還可繼續(xù)調整喂入輥電機20至多個工作速度^、^5……，以分別 維持喂入量W3、W4、W5……，并記錄下各級脫絨滾筒對應的轉矩信息Q 13、Q14、Q15……，Q23、Q24、 Q25……，Q33、Q34、Q35……，以及，各級脫絨滾筒電機的轉速N 13、N14、 N15......，N23、N24、N25......， N33、N34、N35......〇
[0047] 隨后，改變進料棉籽的含水率，持續(xù)喂入含水率Mc2的進料棉籽，并使喂入輥電機 20工作于I，與之前相似的，記錄各級脫絨滾筒的轉矩信息，以及調整各級脫絨滾筒電機的 轉速至獲得最佳脫絨效果，并記錄下來。
[0048] 接下來，持續(xù)喂入含水率Mc2的進料棉籽，并使喂入輥電機20工作于V 2，與之前相 似的，記錄各級脫絨滾筒的轉矩信息，以及調整各級脫絨滾筒電機的轉速至獲得最佳脫絨 效果，并記錄下來。
[0049] 根據(jù)精度需求，還可繼續(xù)調整喂入輥電機20至多個工作速度V3、V4、V 5……，記錄 各級脫絨滾筒的轉矩信息，以及調整各級脫絨滾筒電機的轉速至獲得最佳脫絨效果，并記 錄下來。
[0050] 該預處理操作中采集到的所有數(shù)據(jù)送至控制器10,簡單而言，該控制器10預先離 線記錄有在該進料棉籽為喂入量^且含水率Me "時，各級脫絨滾筒的轉矩Q lk以及能夠達到 最佳脫絨效果的各級脫絨滾筒的轉速Nlk，m = 1，2…Μ ;n = 1，2…N ;k = 1，2…K ;i為各級 脫絨滾筒的序號，i = 1，2…I ;其中K = M*N。
[0051] 該控制器10以該預處理操作中采集到的所有進料棉籽的含水率Mcn和各級脫絨 滾筒的所有轉矩Q lk(Qlk、Q2k……QIk)為輸入量，以該預處理操作中采集到的達到該最佳脫絨 效果的所有的最佳轉速N lk(Nlk、N2k……NIk)為輸出量，基于現(xiàn)有技術的神經網絡建模方法， 建立神經網絡控制模型。如圖4所示為神經網絡控制模型的示意圖。
[0052] 具體來說，以進料棉籽的含水率、各級脫絨滾筒的轉矩為輸入量，以達到該最佳脫 絨效果的所有最佳轉速的輸出量作為訓練樣本，將多個訓練樣本分為兩組，第一組用于訓 練BP神經網絡模型，第二組用于對BP神經網絡模型進行校驗，以確定最佳的BP神經網絡 控制模型。通常將多個訓練樣本中的2/3作為第一組訓練樣本，剩余的1/3為第二組，作為 校驗樣本。
[0053] 該BP神經網絡模型的訓練方法包括：
[0054] 步驟1011，對離線獲取的進料棉籽的含水率、各級脫絨滾筒的轉矩及各自達到最 佳脫絨效果的轉速進行歸一化處理。
[0055] 該步驟為，對輸入序列和輸出序列中的數(shù)據(jù)進行歸一化，這里輸入序列為：進料棉 籽的含水率Me、一級脫絨滾筒的轉矩仏，中級脫絨滾筒的轉矩Q 2，末級脫絨滾筒的轉矩Q3。 輸出序列為：達到最佳脫絨效果時的一級脫絨滾筒的轉速&，達到最佳脫絨效果時的中級 脫絨滾筒轉速N2，達到最佳脫絨效果時的末級脫絨滾筒轉速N3。輸入序列或輸出序列中的 每個數(shù)據(jù)均依照下式進行歸一化計算。
[0056]
[0057] 其中x_為輸入數(shù)據(jù)中的最大值，x_為輸入數(shù)據(jù)中的最小值；X為輸入數(shù)據(jù)，X'是 歸一化處理后的數(shù)據(jù)。
[0058] 以進料棉籽的含水率Me為例，將當前的含水率Me代入X，離線獲取的進料棉籽的 含水率中的最大值代入 x_，離線獲取的進料棉籽的含水率中的最小值代入x_，所得到X' 即為當前的含水率Me的歸一化處理后的數(shù)據(jù)。
[0059] 對一級脫絨滾筒的轉矩仏，中級脫絨滾筒的轉矩Q2，末級脫絨滾筒的轉矩Q 3，達到 最佳脫絨效果時的一級脫絨滾筒的轉速K，達到最佳脫絨效果時的中級脫絨滾筒轉速N2， 達到最佳脫絨效果時的末級脫絨滾筒轉速N 3均以此方式進行歸一化計算。如此使得輸入 序列和輸出序列中的每個數(shù)據(jù)均在[0，1]之間。
[0060] 步驟1012,初始建立一具有三層結構的BP神經網絡模型，包括輸入層、隱含層和 輸出層。
[0061] 其中，輸入層包括1+1個神經元，隱含層包括1+2個神經元，輸出層有I個神經元， 隱含層的活化函數(shù)為tanh(x)。
[0062] 其中，輸入層的1+1個輸入節(jié)點（Xl，x2，……x I+1)分別對應含水率Me、轉矩仏， Q2，……Q:。輸出層的I個輸出節(jié)點分別對應各個脫絨滾筒的轉速K，N2，……隊。
[0063] 設模型中的輸入輸出對應關系：
[0064] 輸入層：輸入 ％= Me，X 2= Q !，xI+1= Q 工
[0065] 輸出：O^XiGO
[0066] 隱含層：輸入：
[0067] 輸出：0j(k) = f(netj(k))
[0068] w,、為輸入層與隱含層的連接權，f( ·)為激活函數(shù)，可取為正負對稱的Sigmoid函 數(shù)，即：
[0069] 輸出層：輸入：
[0070] 輸出：0h(k) = g(neth(k))
[0071] w]h(k)為隱含層與輸出層之間的連接權，g( ·)為激活函數(shù)，
上述具有三層結構的訓練函數(shù)采用梯度下降函數(shù)。
[0072] 步驟1013,利用一隨機函數(shù)產生該連接權Wlj (k)、wjh (k)，并初始化BP神經網絡模 型，設定訓練次數(shù)和訓練目標誤差。
[0073] 步驟1014,利用在步驟1011中歸一化處理后的數(shù)據(jù)中的第一組樣本數(shù)據(jù)，對步驟 1012中建立起的BP神經網絡模型進行訓練直至收斂，并利用第二組樣本數(shù)據(jù)對訓練完成 的BP神經網絡模型校驗測試。
[0074] 具體的，在進行訓練時，每一個訓練樣本均包括輸入（含水率、各滾筒轉矩）和目 標輸出（滾筒轉速），當輸入作用到BP神經網絡模型時，BP神經網絡模型的實際輸出與目 標輸出相比較，然后調整網絡的連接權值，從而使實際輸出越來越接近于目標輸出，以達到 較快收斂。
[0075] 定義任一個訓練樣本p的目標輸出為4，根據(jù)步驟1012中所設定的公式獲得的 實際計算輸出為以，則對于每一樣本P的二次型誤差函數(shù)為
[0076]
[0077] 這里f為訓練樣本p對應的輸出節(jié)點h的目標輸出，％為訓練樣本p對應的輸出 節(jié)點h的實際計算輸出，I為網絡輸出的節(jié)點數(shù)。在進行訓練時驗證誤差Jp是否滿足誤差 要求；若不滿足，則誤差逐層反向傳至之前各層，并按照梯度下降原則將誤差信號加載到連 接權值上，使整個網絡的連接權值向誤差減小的方向轉化。對第一組訓練樣本中的另一個 樣本，再根據(jù)誤差要求調整BP神經網絡模型的連接權值使其滿足要求，直到所有樣本各自 的誤差都滿足要求或達到預設訓練次數(shù)為止。
[0078] 其中輸出層和隱含層的連接權的調整公式如下：
[0079] (1)輸出層的任一神經元節(jié)點h在樣本p作用時的連接權值增量公式為
[0080]
[0081]其中，麥=吋-￥是輸出節(jié)點h在樣本p作用下的誤差信號；
[0082] 式中wh_j (k+Ι)是k+Ι時刻輸出層與隱含層的連接權值，wh_j (k)是k時刻輸出層與 隱含層的連接權值，巧輸出節(jié)點h在樣本p作用時的輸出，巧隱含節(jié)點j在樣本p作用下 的輸出。
[0083] (2)隱含層的任一中間節(jié)點j在樣本p作用時的連接權值增量公式為
[0084] u:, (k+ 1) = u',; (k) + ?/《0廣
[0085] 其_
，巧是隱含層節(jié)點j在樣本P作用下的誤差信 號。
[0086] 式中，Cf是輸入節(jié)點i在樣本P作用下的輸出，η為學習速率，η >〇。
[0087] 該校驗測試的步驟進一步包括：
[0088] 保持訓練完的ΒΡ神經網絡模型中的連接權不變，將該校驗樣本中的輸入部分作 為網絡的輸入，正向運行該ΒΡ神經網絡模型，對輸出的均方誤差進行檢驗，若該誤差在許 可范圍內，則表明模型匹配度較好，可用于后續(xù)控制。否則，需要重新對ΒΡ神經網絡模型進 行訓練并檢驗，直到誤差在許可范圍內。
[0089] 可見，本發(fā)明的基本流程是在正式進入生產過程前，利用離線采集的數(shù)據(jù)進行神 經網絡模型訓練，并利用校驗樣本進行模型測試。在模型順利測試完畢后，即可進行生產應 用。
[0090] 通過該神經網絡模型的訓練過程可以保證該神經網絡模型針對當前的進料棉籽 的實際情況具有較高的匹配度，以便于后期的實際脫絨具有更佳的脫絨效果。
[0091] 步驟102,在神經網絡控制模型建立好后，進入生產過程，在生產中利用棉籽含水 率傳感器13實時采集進料棉籽的含水率，以及，利用脫絨滾筒轉矩轉速傳感器14-16實時 采集各級脫絨滾筒的轉矩。
[0092] 系統(tǒng)上電，進入工作過程，各電機開始工作，當棉籽喂入量或棉籽含水率發(fā)生波動 時，棉籽經進料斗22進入一級脫絨滾筒，一級脫絨滾筒的轉矩隨之發(fā)生變化，信號采集裝 置12通過棉籽含水率傳感器13實時采集進料棉籽的含水率，并且通過脫絨滾筒轉矩轉速 傳感器14-16實時采集各級脫絨滾筒的轉矩以及轉速。
[0093] 步驟103,控制器10將信號采集裝置12采集到的該含水率和該各級脫絨滾筒的轉 矩代入至該BP神經網絡控制模型，以獲取對各級滾筒的轉速的控制模型。
[0094] 該控制模型為對各級脫絨滾筒的轉矩進行的最優(yōu)化控制決策，其中包括對各級脫 絨滾筒電機提出的最佳工作轉速范圍，該最佳工作轉速范圍可使得棉籽達到最佳脫絨效 果。
[0095] 步驟104,該調速裝置11根據(jù)該控制模型對各級脫絨滾筒電機進行調速，以使得 各級脫絨滾筒工作于能夠獲取最佳脫絨效果的最佳轉速。
[0096] 各級脫絨滾筒工作于最佳工作轉速范圍之內，可優(yōu)化進料棉籽的處理量，避免棉 籽累積可能引起的阻塞，從而提高了整體的工作可靠性。
[0097] 由于每個脫絨滾筒具有獨立的脫絨滾筒轉矩轉速傳感器以及脫絨滾筒電機，故 而，各脫絨滾筒的轉速均可獨立進行調節(jié)。該控制模型可以根據(jù)當前的棉籽含水率以及各 級脫絨滾筒的轉速而專門調節(jié)某一級脫絨滾筒的轉速，以保證各級脫絨滾筒相互協(xié)調，提 高棉籽處理量，且保證脫絨效果。
[0098] 本發(fā)明循環(huán)執(zhí)行步驟102-104,隨時采集進料棉籽的含水率，以及，各級脫絨滾筒 的轉矩，并隨時根據(jù)當前采集的參數(shù)，調整各級脫絨滾筒的轉速。使脫絨效果始終處于優(yōu) 化。
[0099] 其中，該步驟103進一步包括：當控制器10發(fā)現(xiàn)某級脫絨滾筒的轉速在單位時間 的波動大于閾值時，意味著脫絨滾筒電機發(fā)生故障如轉速急劇降低甚至臨界停轉，則此時 生成的控制模型包括：使該喂入輥電機停止工作，使該脫絨滾筒及該脫絨滾筒的所有前級 脫絨滾筒停止工作，降低該脫絨滾筒的所有后級脫絨滾筒的轉速。
[0100] 這樣一來，喂入輥電機停止工作不再接收新的進料棉籽，則該脫絨滾筒及該脫絨 滾筒的所有前級脫絨滾筒無新的進料棉籽需要處理故而無需繼續(xù)工作，降低該脫絨滾筒的 所有后級脫絨滾筒的轉速使得后級棉籽可以慢慢排出。待全部排凈后，可停止后級脫絨滾 筒的轉動，進行故障排除。
[0101] 本發(fā)明可隨時調節(jié)脫絨滾筒的轉速，使得各級脫絨滾筒隨時工作于最佳工作轉速 范圍之內，可優(yōu)化進料棉籽的處理量，避免棉籽累積可能引起的阻塞，從而提高了整體的工 作可靠性。
【主權項】
1. 一種棉籽剝絨機的自動控制方法，其特征在于，包括： 步驟1，根據(jù)離線采集的進料棉籽的含水率、各級脫絨滾筒的轉矩和各級脫絨滾筒的最 佳轉速，建立神經網絡控制模型； 步驟2,在生產中實時采集進料棉籽的含水率和各級脫絨滾筒的轉矩； 步驟3,利用采集到的該含水率和該各級脫絨滾筒的轉矩，基于該神經網絡控制模型， 獲取對各級滾筒的轉速的控制模型； 步驟4,調速裝置根據(jù)該控制模型對各級脫絨滾筒電機進行調速，以使得各級脫絨滾筒 工作于能夠獲取最佳脫絨效果的最佳轉速。2. 如權利要求1所述的方法，其特征在于，該步驟1進一步包括： 步驟11，記錄在該進料棉籽為喂入量t且含水率Me "時，各級脫絨滾筒的轉矩Q lk以及 能夠達到最佳脫絨效果的各級脫絨滾筒的轉速Nik，m = 1，2…Μ ;n = 1，2…N ;k = 1，2…K ; i為各級脫絨滾筒的序號，i = 1，2." I ;K = M*N ; 步驟12,以該進料棉籽的含水率和各級脫絨滾筒的轉矩為輸入量，以達到該最佳脫絨 效果的最佳轉速為輸出量，基于神經網絡建模方法，建立神經網絡控制模型。3. 如權利要求1所述的方法，其特征在于，該步驟3進一步包括： 當該脫絨滾筒的轉速在單位時間的波動大于閾值時，該控制模型包括：使喂入輥電機 停止工作，使該脫絨滾筒及該脫絨滾筒的所有前級脫絨滾筒停止工作，降低該脫絨滾筒的 所有后級脫絨滾筒的轉速。4. 一種棉籽剝絨機的自動控制裝置，包括多級脫絨滾筒電機，以及，喂入輥電機，其特 征在于，還包括： 多個脫絨滾筒轉矩轉速傳感器，對應設置于多級脫絨滾筒，用于分別測量每級脫絨滾 筒的轉矩及轉速； 棉籽含水率傳感器，用于測量進料棉籽的含水率； 信號采集裝置，用于采集該脫絨滾筒轉矩轉速傳感器測量得到的轉矩、轉速以及該棉 籽含水率傳感器測量得到的含水率； 控制器，利用該信號采集裝置采集到的該含水率和該各級脫絨滾筒的轉矩，基于一神 經網絡控制模型，獲取對各級滾筒的轉速的控制模型，其中，該神經網絡控制模型為根據(jù)離 線采集的進料棉籽的含水率、各級脫絨滾筒的轉矩和各級脫絨滾筒的最佳轉速而建立； 調速裝置，根據(jù)該控制模型對該各級脫絨滾筒電機進行調速，以使得各級脫絨滾筒工 作于能夠獲取最佳脫絨效果的最佳轉速。5. 如權利要求4所述的裝置，其特征在于，該控制器預先離線記錄有在該進料棉籽為 喂入量t且含水率Me "時，各級脫絨滾筒的轉矩Q lk以及能夠達到最佳脫絨效果的各級脫 絨滾筒的轉速Nlk，m = 1，2…M;n = 1，2…N;k = 1，2…K ;i為各級脫絨滾筒的序號，i = 1，2··· I ;K = M*N ;該控制器以該進料棉籽的含水率和各級脫絨滾筒的轉矩為輸入量，以達 到該最佳脫絨效果的最佳轉速為輸出量，基于神經網絡建模方法，建立該神經網絡控制模 型。6. 如權利要求4所述的裝置，其特征在于，當該脫絨滾筒的轉速在單位時間的波動大 于閾值時，該控制模型包括：使喂入輥電機停止工作，使該脫絨滾筒及該脫絨滾筒的所有前 級脫絨滾筒停止工作，降低該脫絨滾筒的所有后級脫絨滾筒的轉速。
【文檔編號】G05B19/18GK105862136SQ201510027093
【公開日】2016年8月17日
【申請日】2015年1月20日
【發(fā)明人】周利明, 李樹君, 苑嚴偉, 趙化平, 張俊寧, 董鑫, 孫正
【申請人】中國農業(yè)機械化科學研究院