陶瓷浆料<strong>3D</strong>打印机挤压力模糊神经网络<strong>PID</strong>稳定控制研究

doi:10.3785/j.issn.1006-754X.2023.00.003

工程设计学报

2023, Vol. 30

Issue (1): 65-72 DOI: 10.3785/j.issn.1006-754X.2023.00.003

保质设计

陶瓷浆料3D打印机挤压力模糊神经网络PID稳定控制研究

杨杰(

),彭壮壮,王世杰,马聪,王龙,段国林(

)

河北工业大学机械工程学院，天津 300401

Study on fuzzy neural network PID stability control for extrusion force of ceramic slurry 3D printer

Jie YANG(

),Zhuang-zhuang PENG,Shi-jie WANG,Cong MA,Long WANG,Guo-lin DUAN(

)

School of Mechanical Engineering, Hebei University of Technology, Tianjin 300401, China

全文: PDF(2976 KB) HTML

摘要：

针对在微流挤出陶瓷浆料3D打印机作业过程中挤压力稳定控制的需求，根据打印机挤压力控制系统非线性、时变性的特点，总结了现有挤压力稳定控制策略的优缺点，并在模糊PID（proportion-integral-derivative，比例?积分?微分）控制器中嵌入神经网络结构，提出了挤压力模糊神经网络PID稳定控制策略。该策略基于六层模糊神经网络，以挤压力偏差值 $e$ 和偏差值变化率 $e c$ 为输入，PID控制器控制参数为输出，完成正向模糊控制过程，并基于神经网络的自学习优势实现反向传播及在线更新神经网络权值，以实现打印过程中挤压力的精准自适应调节。挤压力控制Simulink仿真、挤压力控制实验及坯体打印实验表明：相较于传统PID控制策略，采用模糊神经网络PID控制策略可使超调量减小20.9%，挤压力提前90 s达到稳定状态，压力峰值减小12 N，压力谷值增大18 N；相较于采用模糊PID控制策略，超调量减小1.73%，挤压力提前56 s达到稳定状态，压力峰值减小4 N，压力谷值增大8 N；模糊神经网络PID控制策略具有一定的优越性，可使打印过程中挤压力的控制精度更高，稳定速度更快，超调量更小，所打印坯体的整体形貌质量更优，也可使控制系统的鲁棒性更好。研究结果为其他工业设备的PID控制、智能控制提供了新的思路和方法。

关键词： 3D打印; 挤压力; 稳定控制策略; 模糊神经网络

Abstract:

In view of the demand of extrusion force stability control in the process of micro-flow extrusion ceramic slurry 3D printer operation, according to the nonlinear and time-varying characteristics of the printer extrusion force control system, the advantages and disadvantages of the existing extrusion force stability control strategy were summarized, and the neural network structure was embedded in the fuzzy PID (proportional-integral-derivative) controller, so a fuzzy neural network PID stability control strategy for extrusion force was proposed. The strategy was based on a six-layer fuzzy neural network, with the extrusion force deviation value e and the deviation change rate e_c as the input, and the PID controller control parameters as the output, to complete the forward fuzzy control process, and based on the self-learning advantage of the neural network to realize the reverse propagation and online update the neural network weight, to achieve the accurate adaptive adjustment of the extrusion force in the printing process. The Simulink simulation of extrusion force control, the extrusion force control experiment and the blank printing experiment showed that, compared with the traditional PID control strategy, the fuzzy neural network PID control strategy could reduce the overshoot by 20.9%, the extrusion force reached a stable state 90 s ahead of time, the pressure peak value decreased by 12 N, and the pressure valley value increased by 18 N; compared with the fuzzy PID control strategy, the overshoot was reduced by 1.73%, the extrusion force reached a stable state 56 s ahead of time, the pressure peak decreased by 4 N, and the pressure valley increased by 8 N; the fuzzy neural network PID control strategy had certain advantages, which could make the control precision of extrusion force higher, the stability speed faster, the overshoot smaller, the overall shape quality of the printed body better, and could also make the system more robust. The research results provide new ideas and methods for PID control and intelligent control of other industrial equipment.

Key words: 3D printing extrusion force stability control strategy fuzzy neural network

收稿日期: 2022-03-26 出版日期: 2023-03-06

CLC:

TQ 174.6

基金资助: 中央引导地方科技发展资金资助项目(216Z1804G)

通讯作者: 段国林 E-mail: yj18812616880@163.com;glduan@hebut.cn

作者简介: 杨杰（1995—），男，甘肃武威人，硕士生，从事数字化设计与制造研究，E-mail: yj18812616880@163.com，http://orcid.org/0000-0003-1511-8661

	服务
	把本文推荐给朋友
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	杨杰
	彭壮壮
	王世杰
	马聪
	王龙
	段国林

引用本文:

杨杰,彭壮壮,王世杰,马聪,王龙,段国林. 陶瓷浆料3D打印机挤压力模糊神经网络PID稳定控制研究[J]. 工程设计学报, 2023, 30(1): 65-72.

Jie YANG,Zhuang-zhuang PENG,Shi-jie WANG,Cong MA,Long WANG,Guo-lin DUAN. Study on fuzzy neural network PID stability control for extrusion force of ceramic slurry 3D printer[J]. Chinese Journal of Engineering Design, 2023, 30(1): 65-72.

链接本文:

https://www.zjujournals.com/gcsjxb/CN/10.3785/j.issn.1006-754X.2023.00.003 或 https://www.zjujournals.com/gcsjxb/CN/Y2023/V30/I1/65

图1 挤压力稳定控制原理

图2 e和Δkp的隶属度函数

$e$	$e c$	Δk_p	Δk_i	Δk_d
NVB	NB	PVB	NVB	NVB
NB	NM	PB	NB	NS
NM	NVB	PVB	NVB	PS
NS	NM	PM	NM	NS
ZO	PS	NS	PS	NS
?	?	?	?	?
PB	NB	ZO	ZO	PB
PS	PB	NM	PB	ZO
PM	NS	NS	PS	PS
NS	PS	ZO	ZO	NS
NM	PVB	NM	PS	PS

表1 模糊控制规则表

图3 模糊神经网络结构

图4 模糊神经网络PID控制模型

图5 3种控制策略下挤压力稳定控制仿真结果

图6 挤压力稳定控制流程

图7 陶瓷浆料3D打印机

图8 挤压力控制结果

图9 陶瓷坯体形貌

1	刘文进，周国相，林坤鹏，等.基于浆料形态的陶瓷3D打印技术的浆料体系研究进展［J］.硅酸盐通报，2021， 40（6）：1918-1926. LIU Wen-jin， ZHOU Guo-xiang， LIN Kun-peng， et al. Research progress on slurry system of ceramic 3D printing technology based on slurry morphology［J］. Bulletin of the Chinese Ceramic Society， 2021， 40（6）： 1918-1926.
2	CAI Jia-wei， ZHANG Bai-cheng， ZHANG Mao-hang， et al. Indirect 3D printed ceramic： A literature review［J］. Journal of Central South University， 2021（4）： 983-1002.
3	周婧，段国林，卢林，等.陶瓷浆料微流挤压成形关键问题研究［J］.中国机械工程，2015，26（22）：3097-3102. doi：10.3969/j.issn.1004-132X.2015.22.018 ZHOU Jing， DUAN Guo-lin， LU Lin， et al. Research on several key problems of microflow extrusion forming of ceramic slurry［J］. China Mechanical Engineering， 2015， 26（22）： 3097-3102. doi: 10.3969/j.issn.1004-132X.2015.22.018
4	NPKA B， DC B， MZA B. Optimization of 3D printing parameters of screw type extrusion （STE） for ceramics using the Taguchi method ［J］. Ceramics International， 2019， 45（2）： 2351-2360.
5	刘志鹏.基于微流挤出工艺的3D打印机控制系统研究［D］. 天津：河北工业大学， 2020：43-55. doi：10.13433/j.cnki.1003-8728.20190249 LIU Zhi-peng. Research on 3D printer control system based on microfluidic extrusion process［D］. Tianjin： Hebei University of Technology， 2020： 43-55. doi: 10.13433/j.cnki.1003-8728.20190249
6	MASON M S， HUANG T， LANDERS R G， et al. Freeform extrusion of high solids loading ceramic slurries， part I： extrusion process modeling［C］//Seventeenth Annual Solid Freeform Fabrication Symposium， Rolla， Missouri， September 14-16， 2006.
7	焦盼德，李淑娟，杨磊鹏，等.功能梯度材料快速成形过程建模与控制［J］.中国机械工程，2017，28（6）：733-738. doi：10.3969/j.issn.1004-132X.2017.06.016 JIAO Pan-de， LI Shu-juan， YANG Lei-peng， et al. Modeling and control of rapid deposition for functionally gradient material components［J］. China Mechanical Engineering， 2017， 28（6）： 733-738. doi: 10.3969/j.issn.1004-132X.2017.06.016
8	李聪.基于STM32的陶瓷浆料3D打印机控制系统研究［D］. 天津：河北工业大学， 2021：47-55. LI Cong. Research on the control system of ceramic slurry 3D printer based on STM32［D］. Tianjin： Hebei University of Technology， 2021： 47-55.
9	DIAZ-RODRIGUEZ I D， HAN S， BHATTACHARYYA S P， et al. Bookshelf： analytical design of PID controllers［J］. IEEE Control Systems Magazine， 2021， 41（1）： 80-81.
10	DUTTA P， NAYAK S K. Grey wolf optimizer based PID controller for speed control of BLDC motor［J］. Journal of Electrical Engineering & Technology， 2021（2）： 955-961.
11	AL-DHAIFALLAH M， KANAGARAJ N， NISAR K S. Fuzzy fractional-order PID controller for fractional model of pneumatic pressure system［J］. Mathematical Problems in Engineering， 2018（1）： 1-9.
12	王伟，张晶涛，柴天佑.PID参数先进整定方法综述［J］. 自动化学报，2000（3）：347-355. WANG Wei， ZHANG Jing-tao， CHAI Tian-you. A survey of advanced PID parameters turning methods［J］. Acta Automatica Sinica， 2000（3）： 347-355.
13	肖亚宁，孙雪，郭艳玲，等.基于BP-PID的选择性激光烧结温度控制系统设计［J］.机床与液压，2021，49（24）： 95-100. doi：10.3969/j.issn.1001-3881.2021.24.019 XIAO Ya-ning， SUN Xue， GUO Yan-ling， et al. Design of temperature control system based on BP-PID for selective laser sintering［J］. Machine Tool & Hydraulics， 2021， 49（24）： 95-100. doi: 10.3969/j.issn.1001-3881.2021.24.019
14	罗昌恩，张国林，戴毅.基于STM32小型四轴飞行器PID参数整定［J］.电子世界，2018（19）：37-38. LUO Chang-en， ZHANG Guo-lin， DAI Yi. PID parameter tuning based on STM32 small quadcopter［J］. Electronics World， 2018（19）： 37-38.
15	陈星.基于模糊神经网络PID控制的花茶烘焙温控系统设计［J］.食品与机械，2020，36（9）：131-137. CHEN Xing. Design of tea baking temperature control system based on fuzzy neural network PID control［J］. Food & Machinery， 2020， 36（9）： 131-137.
16	郭佳跃，韦根原.基于自适应神经网络模糊PID的磨煤机控制研究［J］.热能动力工程，2022，37（2）：148-154. GUO Jia-yue， WEI Gen-yuan. Research on coal mill control based on adaptive neural network fuzzy PID［J］. Journal of Engineering for Thermal Energy and Power， 2022， 37（2）： 148-154.
17	DAVANIPOUR M， JAVANMARDI H， GOODARZI N. Chaotic self-tuning PID controller based on fuzzy wavelet neural network model［J］. Iranian Journal of Science and Technology， Transactions of Electrical Engineering， 2018（3）： 357-366.
18	PARK D， LE T L， QUYNH N V， et al. Online tuning of PID controller using a multilayer fuzzy neural network design for quadcopter attitude tracking control［J］. Frontiers in Neurorobotics， 2021，14： 619350.
19	杨艺，虎恩典.基于S函数的BP神经网络PID控制器及Simulink仿真［J］.电子设计工程，2014，22（4）：29-31. doi：10.3969/j.issn.1674-6236.2014.04.009 YANG Yi， HU En-dian. Simulink simulation of BP neural network PID controller based on S-function［J］. Electronic Design Engineering，2014，22（4）：29-31. doi: 10.3969/j.issn.1674-6236.2014.04.009
20	李绍铭，赵伟.基于S函数的RBF神经网络PID控制器Simulink仿真［J］. 安徽冶金科技职业学院学报，2008（1）： 19-21. doi：10.3969/j.issn.1672-9994.2008.01.007 LI Shao-ming， ZHAO Wei. Simulink simulation of RBF network PID controlle based on S-function ［J］. Journal of Anhui Vocational College of Metallurgy and Technology， 2008（1）： 19-21. doi: 10.3969/j.issn.1672-9994.2008.01.007

[1]	谢博伟,金莫辉,杨洲,段洁利,屈明宇,李锦辉. 3D打印TPU材料的力学性能及模型参数研究[J]. 工程设计学报, 2023, 30(4): 419-428.
[2]	周婧,高红飞,卢林,段国林. 变论域模糊PID控制微流挤出型3D打印机的挤压力研究[J]. 工程设计学报, 2022, 29(5): 572-578.
[3]	潘盛湖, 刘云强, 胡涵, 张小军, 冯一夫. 基于多喷头并联的3D打印机控制系统的研究[J]. 工程设计学报, 2022, 29(1): 100-106.
[4]	曹文意, 陈继民, 袁艳萍, 刘思达. 基于混合坐标系的FDM型3D打印机研制[J]. 工程设计学报, 2019, 26(1): 110-115.
[5]	司国斌, 王春霞, 靳孝峰. FDM型3D打印机的高精度进料系统研究[J]. 工程设计学报, 2016, 23(5): 497-500,512.
[6]	曹衍龙, 刘保军, 杨将新. 基于模糊神经网络的公差-成本模型研究[J]. 工程设计学报, 2004, 11(2): 73-76.

Viewed

Full text

Abstract

Cited

Shared

Discussed