一种基于BP神经网络的3D打印混凝土的精度智能控制方法技术

本发明专利技术公开了一种基于BP神经网络的3D打印混凝土的精度智能控制方法，包括以下步骤；步骤1)：建立混凝土流变性和3D打印混凝土挤出系统的电机转速之间的关系；步骤2)：根据步骤1的关系建立3D打印混凝土挤出系统流变性控制系统的模型；步骤3)：针对步骤2建立的系统设计BP

【技术实现步骤摘要】
一种基于BP神经网络的3D打印混凝土的精度智能控制方法


[0001]本专利技术涉及3D打印
，特别涉及一种基于BP神经网络的3D打印混凝土的精度智能控制方法。

技术介绍

[0002]3D打印混凝土技术是通过利用计算机分层建模并传出程序命令，打印喷头受控逐层重复铺设材料进而搭建出自由方式的建筑结构的技术。与传统的建筑技术相比3D打印混凝土技术具有智能化、施工工期短、施工零污染、可打印复杂结构的节点、材料成本低等特点。
[0003]但当前3D打印混凝土的推广仍面临很多问题，主要原因之一是由于混凝土材料在拌和状态的流变性具有很敏感的时变发展特性，导致材料挤出后对成型精度控制提出了非常严格的要求，而实际建造过程往往难以达到对材料的实时控制与流变特性反馈调控，这直接导致了打印结构表观形貌的不均衡，出现裂纹及层间薄弱层等初始缺陷，严重削弱了打印结构整体的力学性能。
[0004]现有已经提出的一种3D打印混凝土流变性控制的方法中(公开号：CN115042295A)，在混凝土打印过程中，只考虑了温度对混凝土流变性的影响，由于混凝土材料对温度的敏感性不是特别高，所以此方法对打印材料流变性的影响不大，减少了打印机下料的有效工作时间，并没有提高工作效率。

技术实现思路

[0005]为了克服上述现有技术的不足，本专利技术的目的在于提供一种基于BP神经网络的3D打印混凝土的精度智能控制方法，以实现在打印过程中实时监测并调整混凝土的流变特性；本专利技术将BP神经网络与PID控制器相结合，利用BP神经网络的自适应学习能力在线实时调整PID控制参数，提升系统稳定性，针对BP
‑
PID自学习过程中容易陷入局部极小值问题，利用改进的PSO算法对其进行优化，确保BP
‑
PID系统收敛于全局最优解，提升了打印材料在下料过程中的均匀性，减少了裂纹等打印成品的表面缺陷，提升了混凝土成型的质量。
[0006]为了实现上述目的，本专利技术采用的技术方案是：
[0007]一种基于BP神经网络的3D打印混凝土的精度智能控制方法，包括以下步骤；
[0008]步骤1)：建立混凝土流变性和3D打印混凝土挤出系统的电机转速之间的关系；
[0009]步骤2)：根据步骤1的关系建立3D打印混凝土挤出系统流变性控制的模型；
[0010]步骤3)：针对步骤2建立的流变性控制模型设计BP
‑
PID控制器；
[0011]步骤4)：采用PSO算法对BP
‑
PID控制器的参数进行优化整定。
[0012]所述步骤1)建立挤出系统电机转速与混凝土流变性的关系；
[0013]设定混凝土的配料比相同，将电机转速作为变量，设计对照实验，在打印过程中测得当前电机转速下混凝土的流变性的大小，并使用MATLAB数据拟合器对得出的结果进行分析拟合，得到流变性随转速x变化的关系如下：
[0014][0015]所述步骤2)的建立3D打印混凝土挤出系统流变性控制模型：
[0016](1)在打印过程中混凝土的流变性应保持在180
‑
190之间，这样使打印的成品表面均匀，将给定混凝土流动性阈值作为3D打印混凝土流变性控制系统的输入rin(k)；
[0017](2)传感器实时测量混凝土流动性的大小，并将输出结果反馈给系统，与输入的信号进行比较，得到偏差信号e(k)；
[0018]e(k)＝rin(k)
‑
rout(k)
[0019](3)偏差信号传递到控制器以调整电机速度，一般的直流电机可看做是一个惯性环节，所以在系统中设定电机的传递函数为其中K为电机传递系数，T为电机时间常数；s为在控制上默认拉氏变换后得到以s为自变量的函数；
[0020](4)对步骤1)中得到的关系式进行拉氏变换，并基于此关系式将混凝土流动性大小作为系统的输出rout(k)，得到的控制传函G2如下：
[0021][0022]所述步骤3)BP
‑
PID控制器具体为：
[0023]采用增量式PID算法实现对混凝土流变性的闭环控制，使流动性与电机转速保持稳定，将PID控制器的k
p
、k
i
、k
d
三个参数则通过BP神经网络实现在线调整；BP神经网络根据系统的运行状态来调节这三个参数，从而间接调整被控对象，BP神经网络具有自学习特点，通过权值调整可以实现对PID的三个控制参数实时控制，增量式PID算法的公式为：
[0024]ΔU(k)＝K
o
[e(k)
‑
e(k
‑
1)]+K
i
e(k)+K
d
{[e(k)
‑
e(k
‑
1)]‑
[e(k
‑
1)
‑
e(k
‑
2)]}
[0025]即：ΔU(k)＝K
p
Δe(k)+K
i
e(k)+K
d
[Δe(k)
‑
Δe(k
‑
1)][0026]其中ΔU(k)为输出变化量，K
p
为比例系数，K
i
为积分系数，K
d
为微分系数，e(k)为这次的目标和实际的误差值，e(k
‑
1)为上一次的目标和实际的误差值，e(k
‑
2)为上上一次的目标和实际的误差值。
[0027]确定好PID控制器后，确定BP神经网络的结构框架应用于PID控制器；
[0028](1)隐含层节点数的选取：
[0029]按照公式选取隐含层节点数；
[0030]其中m为隐含层节点数，n为输入层节点数，a为1
‑
10之间的常数，输入层设置为4个神经元，分别是增量式PID算法的三个参数Δe(k)，e(k)，Δe(k
‑
1)以及稳定BP神经网络的常数因子1，输出层设置为三个输出神经元；
[0031](2)激活函数选取：
[0032]隐含层选取tanh函数为激活函数，输出层选单极性的Sigmoid函数为激活函数来对应三个输出非负PID参数，Sigmoid函数的优点是能将较大范围内的输入值挤压到(0，1)的输出范围内，tanh函数与Sigmoid函数相似，不过它是双极性的函数，它的输出值范围为(
‑
1,1)；
[0033](3)初始权值选取：
[0034]隐含层和输出层的初始权值均选取为靠近0的随机数，以此来加快网络开始的训
练速度；
[0035](4)学习速率的确定：
[0036]选定学习速率η，选取的学习速率统一为0.2。
[0037]在PID控制器中，比例环节P的作用是对偏差瞬间作出反应，偏差一旦产生控制器立即产生控制作用，使控制量向减少偏差的方向变本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于BP神经网络的3D打印混凝土的精度智能控制方法，其特征在于，包括以下步骤；步骤1)：建立混凝土流变性和3D打印混凝土挤出系统的电机转速之间的关系；步骤2)：根据步骤1的关系建立3D打印混凝土挤出系统流变性控制的模型；步骤3)：针对步骤2建立的流变性控制模型设计BP
‑
PID控制器；步骤4)：采用PSO算法对BP
‑
PID控制器的参数进行优化整定。2.根据权利要求1所述的一种基于BP神经网络的3D打印混凝土的精度智能控制方法，其特征在于，所述步骤1)建立挤出系统电机转速与混凝土流变性的关系；设定混凝土的配料比相同，将电机转速作为变量，设计对照实验，在打印过程中测得当前电机转速下混凝土的流变性的大小，并使用MATLAB数据拟合器对得出的结果进行分析拟合，得到流变性随转速x变化的关系如下：3.根据权利要求1所述的一种基于BP神经网络的3D打印混凝土的精度智能控制方法，其特征在于，所述步骤2)的建立3D打印混凝土挤出系统流变性控制模型：(1)在打印过程中混凝土的流变性应保持在180
‑
190之间，使打印的成品表面均匀，将给定混凝土流动性阈值作为3D打印混凝土流变性控制系统的输入rin(k)；(2)传感器实时测量混凝土流动性的大小，并将输出结果反馈给系统，与输入的信号进行比较，得到偏差信号e(k)；e(k)＝rin(k)
‑
rout(k)(3)偏差信号传递到控制器以调整电机速度，一般的直流电机可看做是一个惯性环节，所以在系统中设定电机的传递函数为其中K为电机传递系数，T为电机时间常数；(4)对步骤1)中得到的关系式进行拉氏变换，并基于此关系式将混凝土流动性大小作为系统的输出rout(k)，得到的控制传函G2如下：4.根据权利要求1所述的一种基于BP神经网络的3D打印混凝土的精度智能控制方法，其特征在于，所述步骤3)BP
‑
PID控制器具体为：采用增量式PID算法实现对混凝土流变性的闭环控制，使流动性与电机转速保持稳定，将PID控制器的k
p
、k
i
、k
d
三个参数则通过BP神经网络实现在线调整；BP神经网络根据系统的运行状态来调节这三个参数，从而间接调整被控对象，BP神经网络具有自学习特点，通过权值调整可以实现对PID的三个控制参数实时控制，增量式PID算法的公式为：ΔU(k)＝K
p
[e(k)
‑
e(k
‑
1)]+K
i
e(k)+K
d
{[e(k)
‑
e(k
‑
1)]
‑
[e(k
‑
...

【专利技术属性】
技术研发人员：马宗方，韩怡萱，宋琳，万伟鹏，崔衡，
申请(专利权)人：西安建筑科技大学，
类型：发明
国别省市：