基于自适应遗传优化递归神经网络的木工送料平台补偿控制研究

朱莉; 马婧尧; 孟兆新; 石晋菘; 邢鑫; 姜中金

doi:10.12171/j.1000-1522.20200248

基于自适应遗传优化递归神经网络的木工送料平台补偿控制研究

东北林业大学机电工程学院，黑龙江哈尔滨 150040

基金项目: 中央高校基本科研业务费专项（2572018CP08）

详细信息

作者简介:
朱莉，博士，副教授。主要研究方向：林业工程自动化。Email：33499426@qq.com　地址：150040 黑龙江省哈尔滨市香坊区和兴路26号东北林业大学机电工程学院

中图分类号: S777
计量
- 文章访问数: 1298
- HTML全文浏览量: 298
- PDF下载量: 54
出版历程
- 收稿日期: 2020-08-09
- 修回日期: 2020-08-30
- 网络出版日期: 2020-11-20
- 发布日期: 2021-01-06

Compensation control of woodworking feeding platform based on self-adaptive genetic optimization recurrent neural network

College of Mechanical and Electrical Engineering, Northeast Forestry University, Harbin 150040, Heilongjiang, China

摘要

摘要:
目的针对结构较为复杂的并联式多轴联动的新型木工带锯送料平台加工精度较低，控制参数无法优化，有多种不确定因素影响精度等问题。结合遗传算法寻优速度快和递归神经网络具有抑制不确定性因素的优点，设计一种将递归神经网络和自适应遗传算法结合的全局优化的控制策略。
方法分析送料平台结构和误差产生来源，从而建立了相应的误差源模型；结合自适应遗传算法优化RNN网络参数进而对PID参数进行优化，通过Matlab和Adams联合仿真的方法对该补偿控制策略进行验证，并与传统PID、遗传算法优化PID参数和RNN网络优化PID参数3种补偿控制算法进行对比；分析不同算法下控制参数、送料平台位移与角度变化曲线，并搭建了实际电路和控制器进行实验。
结果分析仿真结果可知：该控制策略与其他3种控制策略相比，超调量最小，响应最快，大约在0.6 s达到稳定，且其在外部干扰下，更快达到稳定，大约0.3 s达到稳定。经过该控制策略补偿后，Y方向的偏移误差从补偿前6 mm降低至小于3 mm，X方向的偏移误差从6 mm降低到2 mm，倾斜角误差从5.5°减小至3°，平台轨迹曲线大部分曲线段与目标曲线完全重合；传统PID控制时，Y方向的偏移误差为6 mm，X方向的偏移误差6 mm，倾斜角误差5.5°，平台轨迹曲线与目标曲线偏差较大；遗传算法优化PID参数控制时，Y方向的偏移误差从补偿前6 mm降低至小于4.8 mm，X方向的偏移误差从6 mm降低到5 mm，倾斜角误差从5.5°减小至4.5°，平台轨迹曲线部分曲线段与目标曲线重合；RNN网络优化PID参数控制时，Y方向的偏移误差从补偿前6 mm降低至小于4.5 mm，X方向的偏移误差从6 mm降低到4.8 mm，倾斜角误差从5.5°减小至4°，平台轨迹曲线部分曲线段与目标曲线重合。
结论该方法与其他3种方法相比，响应速度快，超调量小，具有很好的抗干扰性能和较强的鲁棒性，且可有效补偿误差，提高其运动精度，满足驱动要求。
- 运动精度 /
- 误差补偿 /
- 遗传算法 /
- 补偿控制
Abstract:
Objective In view of the complex structure of new woodworking band saw feeding platform with the parallel multi axis linkage, the processing accuracy is low, the control parameters can not be optimized, and there are many uncertain factors affecting the accuracy, et al. Combined with the advantages of self-adaptive genetic algorithm (GA) and recurrent neural network (RNN), a global optimization control strategy was designed, which combined recurrent neural network and self-adaptive genetic algorithm.
Method The corresponding error source model was established by analyzing the feeding platform structure and error source. The RNN parameters were optimized in combination with self-adaptive genetic algorithms, and then the PID parameters were optimized. The compensation control strategy was verified by Matlab and Adams joint simulation method, and compared with the traditional PID, genetic algorithm optimization PID parameters and RNN optimization PID parameters. The control parameters, feeding platform displacement and angle change curve were analyzed under different algorithms. Then we set up the actual circuit and controller for experiments.
Result According to the simulation results, compared with the other three control strategies, the control strategy had the smallest overshoot, the fastest response, reaching stable at about 0.6 second. And it was quicker to reach stable under external interference at about 0.3 second. After the control strategy compensating, the offset error in the Y direction was reduced from 6 to less than 3 mm, the offset error in the X direction was reduced from 6 to 2 mm, the tilt angle error was reduced from 5.5° to 3°, and most of the platform trajectory curve overlapped the target curve fully. When controlled by traditional PID, the offset error of Y direction was 6 mm, the offset error of X direction was 6 mm, the tilt angle error was 5.5°, and the platform trajectory curve deviated greatly from the target curve. When the genetic algorithm optimized the control of PID parameters, the offset error in the Y direction was reduced from 6 to less than 4.8 mm, the offset error in the X direction was reduced from 6 to 5 mm, the tilt angle error was reduced from 5.5° to 4.5°, and part of the platform trajectory curve overlapped the target curve. When the RNN neural network optimized PID parameter control, the offset error in the Y direction was reduced from 6 to less than 4.5 mm, the offset error in the X direction was reduced from 6 to 4.8 mm, and the tilt angle error was reduced from 5.5° to 4° . Part of the platform trajectory curve overlapped the target curve.
Conclusion Compared with the other three methods, this method has fast response speed, small overshoot, good anti-interference performance and strong robustness. Moreover, it can effectively compensate the error, improve its motion accuracy and meet the driving requirements.
- motion precision /
- error compensation /
- genetic algorithm /
- compensation control

HTML全文

从古至今，木材作为一种天然可再生的环保型材料，以其独特的性能和优良的环境学特性深受人们喜爱，并广泛应用于生产生活的各个方面。随着现代科学技术的突飞猛进、人类学理论的不断发展，考古木材作为进行植物考古学和环境考古学研究的一种典型生物材料，正成为专家学者的研究热点，国内外考古作业挖掘出大量的木质文物^[1-2]，例如：“Riksapplet号”沉船^[3]、“小白礁Ⅰ号”沉船^[4]、“南海Ⅰ号”船木^[5]等为出土考古木材的研究提供了丰富的材料。

Crestini等^[6]运用X射线衍射和扫描电镜的方法对埃及古代棺木进行研究，研究发现：考古木材中纤维素、半纤维素、木质素均产生不同程度的降解，小分子化合物发生改变，使考古木材变得脆弱而柔软。Łucejko等^[7]运用热裂解气相色谱–质谱联用法对取自比萨圣罗索雷古船的木材样品进行了主成分分析，样品木质素中愈创木基和紫丁香基的去甲基化表明考古木材中多糖产生了流失。卢芸^[8]指出大多木质文物纤维素结晶区被严重破坏，葡聚糖侧链的乙酰基消失，多糖类物质遭到严重降解，木质素相对含量明显增加。

考古木材微观结构的变化，将在很大程度上影响其水分吸着行为，因而可利用等温吸附曲线和水分吸着理论对考古木材与吸着水分子的相互作用进行分析，如Guggenheim-Anderson-de Boer模型^[9]、Hailwood-Horrobin模型^[10]等。Guo等^[11]利用Guggenheim-Anderson-de Boer模型计算得到每千克古代润楠木（Machilus pingii Cheng ex Yang）样品的最大单层吸水量为7.388 kg，而相同树种现代木材的最大单层吸水量仅为4.602 kg，考古木材的最大单层吸水量比现代木材增加了61%。

木材的水分吸着过程必然伴随着热量或能量的变化^[12]，因此基于吸附热力学考察水分吸着机理，有助于从本质上获得考古木材与水分相互作用方面的信息。曹金珍^[13]发现西藏云杉（Picea spinulosa）在水分吸着过程中微分吸着热、微分吸着熵值随吸湿过程不断增大。Simón 等^[14]研究了在吸湿和解吸平衡态下辐射松（Pinus radiata）的微分吸着熵值随含水率的变化曲线，结果显示在相同平衡含水率下辐射松解吸的微分吸着熵值大于吸湿值。

在以往的研究中，研究者多从成分、结构角度对考古木材水分吸着行为进行研究，且取得了一定进展，而对考古木材的吸附热力学研究较少，而且对各种热力学量变化的系统分析也很欠缺。本研究将聚焦考古木材在吸湿和解吸平衡状态下微分吸着热、自由能变化及微分吸着熵三大热力学量的研究，并分别利用电子显微镜（scanning electron microscope，SEM）、傅里叶红外光谱（Fourier transform infrared spectroscopy，FTIR）分析考古木材的细胞壁结构和化学成分变化，从而建立考古木材微观结构与其水分吸着行为间的构效关系，探究考古木材与现代木材在水分吸附热力学方面的差异及其原因，为从能量角度解析考古木材与水分之间的相互作用机制奠定理论基础，同时也可为我国木质文物的保护提供科学依据，以减少出土饱水木质文物与环境中水分的相互作用，提高木质文物的尺寸稳定性。

1. 材料与方法

1.1 材　料

本研究所用考古木材取自成都文物考古研究院发掘出土的南宋木棺残片，由研究院提供的材料和信息确定为考古柏木，并采集四川产柏木（Cupressus sp.）作为现代对照材。

1.2 细胞壁微观形貌表征

利用滑动切片机（REM-710，Yamato Kohki industrial Co.，Ltd，Japan）制得尺寸为1 mm（轴向） × 2 mm（弦向） × 2 mm（径向）的柏木考古木材与现代木材薄片试样（试样重复数为3），用于SEM观察。在80 ℃的鼓风干燥箱中将试样干燥至质量恒定后进行喷金处理，设置SEM（S-3400，Hitachi，日本）加速电压为3 kV，对柏木试样的细胞结构进行观察，初步了解考古木材的降解、腐朽情况。

1.3 化学成分表征

利用研磨机将考古木材与现代木材样品加工成100目以下的木粉，并在80 ℃的真空干燥箱中干燥至质量恒定，之后将木粉与溴化钾充分混合研磨压制成透明薄片，利用红外光谱仪（BRUKER vertex 70 V，德国）对试样进行检测分析，扫描范围设为400 ~ 4 000 cm⁻¹，分辨率为4 cm⁻¹，每个试样扫描次数为32次。重复测试3次，取平均值。

1.4 吸附热力学量测定

将柏木考古木材、现代木材样品加工为20 mg左右木片，并分别置于（103 ± 2）℃下干燥至质量恒定，用于动态水分吸附分析（dynamic vapor sorption，DVS）实验。将各组试样放入DVS中，分别预设恒定温度为25和50 ℃，相对湿度以10%为梯度从0%增加到90%，继续增加至95%，然后降回至90%，再以10%为梯度从90%降低到0%，试样在每个相对湿度下逐渐达到吸湿/解吸平衡后（当样品质量变化速率连续在10 min内小于0.000 1%/min，则认为样品达到吸湿/解吸平衡），仪器自动进入下一个相对湿度梯度。仪器每隔1 min记录样品质量、温度和相对湿度等数据，得到考古木材和现代木材的吸湿和解吸平衡的等温吸附曲线。

利用Hailwood-Horrobin水分吸着理论^[10]分析所获得的等温吸附曲线，木材在不同相对湿度条件下达到的平衡含水率可表达为

$M=M_{{\rm{h}}} + M_{{\rm{d}}}= \frac{18}{m}\left(\frac{{K}_{\mathrm{h}}{K}_{\mathrm{d}}H}{1 + {K}_{\mathrm{h}}{K}_{\mathrm{d}}H} + \frac{{K}_{\mathrm{d}}H}{1-{K}_{\mathrm{d}}H}\right)$

(1)

式中：M为试样平衡含水率（%）；M_h为水合水质量分数（%）；M_d为溶解水质量分数（%）；m为单位摩尔数吸着位点的绝干木材质量（g/mol）；K_h为水合水与溶解水之间的平衡常数；K_d为溶解水与环境温湿度之间的平衡常数；H为相对湿度（%）。

将式（1）整理成多项式，具体为

$\frac{H}{M}=A + BH-C{H}^{2}$

(2)

式中：A、B、C为多项式的拟合参数，A、B、C与K_h、K_d、m的关系为

$A=\frac{m}{18} \times \frac{1}{{K}_{\mathrm{d}}({K}_{\mathrm{h}} + 1)}$

(3)

$B=\frac{m}{18}\times \frac{{K}_{\mathrm{h}}-1}{{K}_{\mathrm{h}} + 1}$

(4)

$C=\frac{m}{18}\times \frac{{K}_{\mathrm{h}}{K}_{\mathrm{d}}}{{K}_{\mathrm{h}} + 1}$

(5)

通过不同相对湿度环境试样的等温吸湿曲线数据分析可得到拟合参数A、B、C的值，进而可以求解m、K_h和K_d的值，公式中 $\dfrac{m}{18}$ 的倒数 $\dfrac{18}{m}$ 表示木材中有效吸着基团被水合水饱和时的含水率，间接表达了水分吸着位点的数量。

利用各组试样的DVS数据拟合等温吸附曲线，进一步通过Clausius-Clapeyron公式^[15]分别计算考古木材与现代木材的微分吸着热Q_S、自由能变化ΔG和微分吸着熵ΔS，分析考古木材与现代木材在吸附热力学量间的差异，各热力学量的计算公式如下。

${Q_{\text{S}}} = 0.254\;{{{\text{d}}\left( {\ln \frac{1}{H}} \right)} \mathord{\left/ {\vphantom {{{\text{d}}\left( {\ln \frac{1}{H}} \right)} {{\text{d}}\left( {\frac{1}{T}} \right)}}} \right.} {{\text{d}}\left( {\frac{1}{T}} \right)}}$

(6)

$\Delta G= -\frac{\mathrm{R}T}{18} \ln\;H$

(7)

$\Delta S= Q_{\rm{S}} −\Delta G/T$

(8)

式中：T为温度（K）；R为气体常数。

T和H的值均由DVS实验的拟合数据获取，然后分别通过公式（6）、（7）计算得到Q_S和ΔG的值，进一步计算得到ΔS。

2. 结果与讨论

2.1 细胞壁结构

图1为考古木材与现代木材横切面、纵切面的SEM图片。对比考古木材与现代木材图像，可以发现在经历长时间的饱水腐朽下，考古木材除复合胞间层、细胞角隅保存相对完整外^[16-17]，其细胞壁结构发生了明显的变化，与现代木材完整有序的细胞排列相比（图1b），考古木材由于长时间遭受微生物降解，细胞结构发生破坏，细胞壁产生腐朽。

图 1 考古木材和现代木材的SEM图

Figure 1. SEM images of archaeological wood and recent wood

下载: 全尺寸图片幻灯片

具体而言，考古木材细胞壁上出现少量圆形孔洞（图1a），除此之外，从考古木材纵切面可见纹孔膜腐朽细节（图1c），并有菌丝体的存在（图1d），该菌丝体是导致考古木材在所处环境中受到降解的各类真菌的聚集体。Guo等^[11]通过氮气吸附法和压汞法对山桐子（Idesia polycarpa）考古木材多孔结构的研究结果表明，考古木材的中孔隙的总孔体积比现代木材样品增加了471%，这也进一步证明了本研究中考古木材孔洞增多的事实。

2.2 化学成分变化

对等量考古木材与现代木材样品的红外光谱进行归一化处理后，可用吸收峰高度半定量表示吸收峰所代表基团的含量^[18]，通过对比考古木材与现代木材试样红外光谱（图2）的特征吸收峰位置变化及消失情况，结合各特征吸收峰所代表的化学基团，研究得到考古木材3种主要化学成分（纤维素、半纤维素、木质素）的含量变化情况及极性基团−OH、−COOH类型和含量的变化情况。

图 2 考古木材与现代木材的红外光谱图

Figure 2. FTIR spectra of archaeological wood and recent wood

下载: 全尺寸图片幻灯片

3 337 ~ 3 401 cm⁻¹范围内的吸收峰代表极性基团−OH（O−H伸缩振动），考古木材在此处的吸收峰高度小于现代木材，证明考古木材中−OH含量减少。选取1 742 cm⁻¹（半纤维素C=O伸缩振动）、1 231 cm⁻¹（半纤维素酰氧键−COO伸缩振动）为半纤维素的代表特征峰，与现代木材相比，柏木考古木材的红外吸收光谱在1 742、1 231 cm⁻¹处吸光度变小，特别是在1 742 cm⁻¹处吸收峰几乎完全消失，证明考古木材细胞壁结构中的半纤维素降解严重；另一方面，1 231 cm⁻¹吸收峰代表半纤维素酰氧键−COO，考古木材在1 231 cm⁻¹处的吸收峰高度明显小于现代木材，证明考古木材半纤维素上的−COOH含量减少。

此外，由于考古木材纤维素结晶区中纤维素链的氢键网络的部分断裂，导致892 cm⁻¹处的峰几乎消失，而该处波峰代表C−H弯曲振动，并且对氢键系统的性质敏感，因此该峰几乎消失表明，在考古木材试样中形成更稳定氢键的羟基数量减少，同时这也表明考古木材中无论是无定形区还是结晶区中的纤维素链都发生部分降解^[19]。

指纹区吸收光谱峰数多、较为复杂，包含了更多能反映分子结构细微变化的信息^[20]。为了提供更多的信息，将FTIR光谱图分析细化至3个指纹区域（1 550 ~ 1 800 cm⁻¹、1 200 ~ 1 550 cm⁻¹和850 ~ 1 200 cm⁻¹），在这个范围内通过直接的红外光谱分析考古木材和现代木材仍存在一定局限性，因为指纹区往往存在高度重叠的峰，难以分辨和解析。为此，通过对考古木材和现代木材指纹区光谱进行分峰拟合处理，得到分峰拟合曲线，可以更直观地分析考古木材化学成分的变化。

通过对比考古木材和现代木材FTIR在1 550 ~ 1 800 cm⁻¹波数范围内的分峰拟合曲线（图3a）可以发现，考古木材在1 654 cm⁻¹（木质素中共轭C=O伸缩振动）处吸收峰吸光度值较高，这说明考古木材木质素相对含量升高。通过对比考古木材和现代木材FTIR在1 200 ~ 1 550 cm⁻¹波数范围内的分峰拟合曲线（图3b）可以发现，考古木材在1 418 cm⁻¹（木质素甲基中C−H弯曲振动）处吸收峰强度变大，代表考古木材木质素相对含量升高。通过对比分析考古木材和现代木材FTIR在850 ~ 1 200 cm^–1波数范围内的分峰拟合曲线（图3c）可以得到：考古木材在892 cm^–1（纤维素C−H弯曲振动）处峰几乎消失，这表明在考古木材中形成更稳定氢键的羟基数目减少；1 159 cm^–1（综纤维素C−O−C变形振动）处，考古木材吸收峰吸光度值很低，这表明综纤维素也有一定程度的降解。

图 3 考古木材与现代木材在1 550 ~ 1 800 cm^–1（a）、1 200 ~ 1 550 cm^–1（b）、850 ~ 1 200 cm^–1（c）波数范围内的分峰拟合曲线

Figure 3. Deconvolution of the “fingerprint” region for archaeological wood and recent wood FTIR spectrum 1 550 − 1 800 cm^–1 (a), 1 200 − 1 550 cm^–1(b), 850 −1 200 cm^–1(c)

下载: 全尺寸图片幻灯片

综上可以发现，考古木材与现代木材相比，半纤维素、纤维素降解严重，纤维素骨架结构受到破坏，因此在SEM下可观察到细胞壁产生腐朽，这种化学成分和化学结构的变化进一步导致了细胞壁孔洞的出现，从化学成分变化角度解释了SEM中观察到考古木材出现孔洞等腐朽现象的原因。通过Xia等^[21]的研究，考古木材木质素的化学结构也发生了变化，木质素仍会有降解，但考古木材中多糖类物质（纤维素、半纤维素）比芳环类物质（木质素）降解程度更高，因而木质素相对含量总体有升高趋势^[22-23]。除纤维素、半纤维素含量降低及木质素相对含量升高的变化外，考古木材中极性基团−OH、−COOH含量均减少，导致考古木材对水分的吸着减少。

2.3 吸附热力学分析

2.3.1 Hailwood-Horrobin模型拟合

通过Hailwood-Horrobin模型拟合等温吸附曲线，不仅可以得到给定温度下木材吸湿和解吸任意平衡含水率状态下的相对湿度，更可以通过研究考古木材与现代木材的曲线差异，帮助理解考古木材水分吸附行为的差异本质。

根据Hailwood-Horrobin模型分别拟合出在25和50 ℃下考古木材、现代木材的等温吸附曲线（图4）。从中可以看出各等温吸附曲线的拟合度R²值均高于0.99，即Hailwood-Horrobin模型能够较好地描述考古木材及现代木材的等温吸附曲线。所有的等温吸附曲线均呈现“S”形，这说明无论考古木材还是现代木材都属于Ⅱ类等温吸附曲线，具备多孔材料的吸附特征^[24-25]。在给定温度的每一个相对湿度条件下，考古木材的平衡含水率均高于现代木材，以温度为50 ℃，相对湿度为0.6时为例，考古木材平衡含水率为7.94%，现代木材为7.46%，考古木材是现代木材的1.1倍。这是因为图1a的 SEM图像显示考古木材物理环境遭到改变，细胞壁孔洞增多，即木材降解程度越大，木材细胞壁内孔隙越多，对水分的容纳空间增加，含水率越高，所以考古木材在经历长时间的降解后平衡含水率高于现代木材。

图 4 考古木材与现代木材的等温吸附曲线

Figure 4. Adsorption isotherms of archaeological wood and recent wood

下载: 全尺寸图片幻灯片

图5为50 ℃下考古木材吸湿和解吸平衡状态的等温吸附曲线，图5显示考古木材的解吸曲线始终位于吸湿之上，即出现了水分吸湿滞后现象。表1总结了在不同相对湿度条件下，考古木材、现代木材分别在25、50 ℃下的滞后率。从表1可以看出：随着温度或相对湿度的升高，考古木材和现代木材的滞后率均增大，即水分吸湿滞后均减小，这与以往研究结果一致^[13]；另一方面，考古木材与现代木材的水分吸湿滞后大小差异不大。

图 5 50 ℃下考古木材的吸湿和解吸等温吸附曲线

Figure 5. Adsorption and desorption isotherms of archaeological wood at 50 ℃

下载: 全尺寸图片幻灯片

2.3.2 吸湿平衡状态下的热力学量分析

2.3.2.1 微分吸着热

图6是吸湿平衡状态下考古木材与现代木材中水分的微分吸着热（Q_S）随含水率（moisture content，MC）的变化曲线，Q_S值越大表示木材中水分子与周围分子之间的结合力越强^[13]。与以往研究结果略有不同的是，在MC为5%处产生一明显拐点。根据曲线变化趋势，可以将曲线分为两个阶段，当MC小于 5%的低含水率状态下时，Q_S值逐渐增大直至达到最大值，这表明水分子和木材之间的氢键结合首先表现为单层分子之间的相互结合，且随MC增大，单个水分子和木材中的−OH形成了更多的氢键结合，相互作用更强，形成的键能更高^[18]。当含水率大于5%时，Q_S值随MC的增大而减小，此时单分子层吸着水几乎达到饱和，吸着水分子与木材实质之间形成的氢键结合作用变弱，键能降低^[13]。

表 1 考古木材、现代木材在25、50 ℃下不同相对湿度下的吸湿滞后

Table 1. Moisture sorption hysteresis of archaeological wood and recent wood under different relative humidities at 25 and 50 ℃

相对湿度 Relative humidity	滞后率 Hysteresis rate
相对湿度 Relative humidity	25 ℃考古木材 25 ℃-archaeological wood	50 ℃考古木材 50 ℃-archaeological wood	25 ℃现代木材 25 ℃-recent wood	50 ℃现代木材 50 ℃-recent wood
0.1	0.62	0.74	0.63	0.71
0.2	0.63	0.72	0.64	0.73
0.3	0.64	0.72	0.65	0.74
0.4	0.66	0.73	0.67	0.76
0.5	0.68	0.75	0.70	0.78
0.6	0.71	0.77	0.73	0.81
0.7	0.76	0.81	0.77	0.84
0.8	0.82	0.86	0.84	0.89
0.9	0.91	0.94	0.93	0.95

下载: 导出CSV

| 显示表格

图 6 考古木材与现代木材中水分的微分吸着热（Q_S）随含水率（MC）的变化曲线

Figure 6. Variation curves of differential heat of sorption (Q_S) of moisture in archaeological wood and recent wood against moisture content (MC)

下载: 全尺寸图片幻灯片

考古木材与现代木材相比，整体曲线形状基本相同，但考古木材的Q_S值随MC的变化曲线位于现代木材之下。根据上文FTIR分析，考古木材化学成分中纤维素、半纤维素大量降解，因此外界水分子可结合−OH、−COOH位点数量减少，这种化学环境的改变导致吸着水与木材分子之间的结合减少，Q_S值降低^[26]。

2.3.2.2 自由能变化

水分的自由能变化的物理意义是水分子润胀木材并切断木材分子相互间氢键结合，裸露木材吸着点所需做的功^[13]。基于图7所示吸湿平衡状态下考古木材与现代木材中水分的自由能变化ΔG值随MC的变化曲线，可以发现考古木材与现代木材的ΔG值均随MC的增大而减小。ΔG值与MC变化呈负相关可以解释为，MC升高使木材可塑性增大，吸着水分子与木材实质分子的协同运动加剧，因此裸露木材吸着点所需做的功减少。

图 7 考古木材（a）与现代木材（b）中水分的自由能变化（ΔG）随含水率的变化曲线

Figure 7. Variation curves of free energy change (ΔG) of moisture in archaeological wood (a) and recent wood (b) against moisture content

下载: 全尺寸图片幻灯片

其次，无论是考古木材或是现代木材，50 ℃相较于25 ℃的ΔG值都有一定程度的减小，这是因为温度升高吸着水分子能量增加，活动加剧，所需做的功减小。

2.3.2.3 微分吸着熵

微分吸着熵（ΔS）体现了木材中吸着的水分子与液态水分子相比排列规则上的差异，ΔS > 0代表木材中水分子排列更有规律^[13]。根据吸湿平衡状态下考古木材与现代木材中水分的ΔS值随MC的变化曲线（图8）可知：ΔS值与Q_S值随MC的变化曲线在MC小于5%呈现相似的变化趋势，都随MC的增大而增大。在MC小于5%的低含水率阶段，ΔS < 0表明木材中吸着的水分子比液态水分子更无序，这是因为此时木材中吸着的水分子主要为单分子层吸着水，它们比处于液体状态的水分子显示出更无序的状态；在经过5%的拐点之后，ΔS值随MC变化不明显。而随着MC的增大，ΔS值经历了由负到正、由无序到有序的变化，这说明吸着在木材中的水分子排列越来越规则。

图 8 考古木材与现代木材中水分的微分吸着熵（ΔS）随含水率的变化曲线

Figure 8. Variation curves of differential entropy of sorption (ΔS) of moisture in archaeological wood and recent wood againstmoisture content

下载: 全尺寸图片幻灯片

进一步分析考古木材与现代木材的曲线差异，考古木材ΔS值低于现代木材，这是因为考古木材在经历长期酸碱环境下软腐菌等真菌的降解后^[27]，细胞壁出现的孔洞分布是随机的，且与水结合的−OH分布也十分不均匀，造成考古木材中吸着的水分子排列更无序。

2.3.3 水分吸湿与解吸的比较

以50 ℃考古木材为例，分别绘制Q_S、ΔG、ΔS三大热力学量随MC的变化曲线，每张图包含吸湿和解吸平衡态下的两条曲线（图9）。发现吸湿和解吸变化曲线形状基本一致，但解吸的Q_S、ΔG和ΔS值均大于吸湿的值^[14]，对应于水分吸湿滞后（图5），这个现象即为“热力学吸湿滞后”，其表征在吸湿与解吸平衡态下，每一个吸着水分子与木材吸着点之间的氢键结合平均数的差异^[13]。

图 9 50 ℃下考古木材吸湿与解吸过程中的Q_S（a）、ΔG（b）、ΔS（c）随含水率的变化曲线

Figure 9. Variation curves of Q_S (a), Δ G (b), Δ S (c) in archaeological wood against moisture content during moisture adsorption and desorption at 50 ℃

下载: 全尺寸图片幻灯片

热力学吸湿滞后同样可以用水分吸湿滞后的“有效羟基说”^[28]解释，即在干燥状态下，部分木材吸着点之间形成氢键结合，当木材从干燥状态开始吸湿时，由于这部分已经形成的氢键结合的影响，处于游离状态能够吸着水分子的吸着点的数量减少，每个吸着水分子与木材吸着点之间的氢键结合平均数减少，从而吸湿的热力学量也低于解吸过程。

3. 结　　论

为探究考古木材的水分吸着行为与现代木材的差异机理，本研究从考古木材与现代木材微观结构与吸附热力学两个层面进行了研究。

考古木材三大主要成分（纤维素、半纤维素、木质素）均发生不同程度的降解，且考古木材中极性基团−OH、−COOH含量均减少，导致考古木材对水分的吸着减少。其中半纤维素、纤维素降解程度更大，因此在SEM中可观察到细胞壁产生腐朽，且可见孔洞分布；而考古木材中多糖类物质（纤维素、半纤维素）比芳环类物质（木质素）降解程度更高，因而木质素相对含量升高。

在吸附热力学研究中，通过DVS等温吸附实验并利用Hailwood-Horrobin模型拟合等温吸附曲线，在给定温度条件下考古木材的平衡含水率高于现代木材。结合Clausius-Clapeyron公式计算考古木材与现代木材的Q_S、ΔG和ΔS三大热力学量。考古木材因纤维素、半纤维素降解导致−OH、−COOH数量减小，Q_S值低于现代木材；考古木材与现代木材的ΔG值差异不大，且随温度升高而减小；考古木材的细胞壁孔洞、−OH分布不均匀，所以ΔS值低于现代木材；在MC小于5%，考古木材Q_S值和ΔS值随MC的变化曲线趋势相似，在此范围内木材中吸着的水分子主要为单分子层吸着水，随后在5%处产生一拐点，此时单分子层吸着水达到饱和，此后木材中吸着的水分子以多分子层吸着水占主导。最后，通过对比吸湿和解吸过程的热力学量（吸湿 < 解吸），发现考古木材存在热力学吸湿滞后现象。

基于以上对于考古木材水分吸着行为差异的研究，考古木材的吸湿性在经历长时间的泡水、腐朽下发生了较大变化，因此在出土饱水木质文物的保护工作中，建议采用各种物理、化学手段减少木质文物与环境中水分的相互作用，如涂覆防水涂层、浸渍脱水材料等，从而提高木质文物的尺寸稳定性^[29]，为我国出土饱水木质文物的保护提供理论支撑。

图 1 结构和误差源示意图

A、B、C为连杆与夹具铰接的点，D、E、F、M、N为丝杠传动组，L_D、L_E、L_F为连杆，O_j为等效锯切点，a为丝杠间距，f为Y方向丝杠M与光杆间距，θ₃₁为运动时丝杠D和连杆L_D产生的误差角，θ₃₂为运动时丝杠E和连杆L_E产生的误差角，θ₃₃为运动时丝杠F和连杆L_F产生的误差角。A, B and C are hinge points of connecting rod and the fixture, D, E, F, M, N are the screw driving groups, L_D, L_E, L_F are the connecting rods, O_j is the equivalent sawing point, a is the lead screw spacing, f is the distance between Y-direction lead screw M and polished rod, θ₃₁ is the error angle caused by lead screw D and connecting rod L_D when moving, θ₃₂ is the error angle caused by lead screw E and connecting rod L_E, θ₃₃ is the error angle caused by lead screw F and connecting rod L_F during movement.

Figure 1. Structure and error source diagram

下载: 全尺寸图片幻灯片

图 2 控制系统原理

r为输入信号, e为误差, e'为误差变化率, e_m为理想模型的误差, f为干扰信号, y_outm为学习后理想输出信号, y_out为实际输出信号, k_p为比例系数, k_i为积分系数, k_d为微分系数。r is input signal, e is error, e' is error change rate, e_m is error of ideal model, f is interference signal, y_outm is ideal output signal after learning, y_out is actual output signal, k_p is proportional coefficient, k_i is integral coefficient, k_d is differential coefficient.

Figure 2. Schematic diagram of control system

下载: 全尺寸图片幻灯片

图 3 递归神经网络控制器结构

z⁻¹为前一时刻神经网络循环过程输出值, ∆k_p为比例调节系数变化率, ∆k_i为积分调节系数变化率, ∆k_d为微分调节系数变化率。z⁻¹ is the output value of the previous neural network cycle process, ∆k_p is the changing rate of proportional adjustment coefficient, ∆k_i is the changing rate of integral regulation coefficient, and ∆k_d is the changing rate of differential regulation coefficient.

Figure 3. Controller structure of recurrent neural network

下载: 全尺寸图片幻灯片

图 4 适应度迭代曲线

Figure 4. Fitness iteration curves

下载: 全尺寸图片幻灯片

图 5 训练误差曲线

GA-RNN为遗传优化递归神经网络参数，RNN为递归神经网络。GA-RNN is a genetically optimized recursive neural network parameter and RNN is a recursive neural network.

Figure 5. Training error curves

下载: 全尺寸图片幻灯片

图 6 控制对象模型

电机型号为SMG-E02430。Motor model No. is SMG-E02430.

Figure 6. Control object model

下载: 全尺寸图片幻灯片

图 7 控制模型

error_x、error_y、error_1、error_2、error_3为各螺母位移误差；x、y、I_D、I_E、I_F为各螺母位移输入位移；output_x、output_y、output_1、output_2、output_3为各螺母输出位移；output_j为夹具输出转角；S-Function为算法优化模块。error_x, error_y, error_1, error_2, error_3 are errors of displacement of each nut. x, y, I_D, I_E, I_F are input displacement of each nut. output_x, output_y, output_1, output_2, output_3 are output displacement of each nut. output_j is rotation angle of clamp. S-Function is the algorithm optimization module.

Figure 7. Control model

下载: 全尺寸图片幻灯片

图 8 仿真结果

PID为比例积分微分控制；GA-PID为遗传PID控制；GA-RNN-PID为遗传算法优化递归神经网络PID控制；RNN-PID为递归神经网络PID控制。PID is proportional integral calculus control, GA-PID is genetic PID control, GA-RNN-PID optimizes neural network PID control for genetic algorithms, and RNN-PID is recursive neural network PID control.

Figure 8. Simulation results

下载: 全尺寸图片幻灯片

图 9 参数k_p、k_i、k_d曲线变化

Figure 9. Curve variation of parameters k_p, k_iand k_d

下载: 全尺寸图片幻灯片

图 10 模拟加工曲线变化比较

Figure 10. Comparison in simulated machining curve changes

下载: 全尺寸图片幻灯片

图 11 样机和加工轨迹曲线

Figure 11. Model machine and trajectory curves of processing

下载: 全尺寸图片幻灯片

表 1 送料平台参数

Table 1 Parameters of feeding platform

参数 Parameter	值 Value
D连杆长度 D connecting rod length (L_D)/mm	240
E连杆长度 E connecting rod length (L_E)/mm	335
F连杆长度 F connecting rod length (L_F)/mm	240
P丝杠螺距 P lead screw pitch (P_P)/mm	5
L₁丝杠螺距 L₁ lead screw pitch (P_L₁)/mm	3
L₂丝杠螺距 L₂ lead screw pitch (P_L₂)/mm	5.5
电机转矩 Motor torque (T_m)/(N·m)	1.7
电机转速 Motor speed (ω_m)/(r·min⁻¹)	30
丝杠滑块行程 Lead screw slide stroke (L)/mm	400

下载: 导出CSV

参考文献(17)

[1]	张万军, 张峰, 张景轩, 等. CNC多轴联动的机床交叉耦合轮廓误差补偿技术[J]. 机床与液压, 2019, 47(2):1−5, 17. Zhang W J, Zhang F, Zhang J X, et al. Research on cross-coupled contour error compensation technology of CNC machine tool with multi axis linkage[J]. Machine Tool & Hydraulics, 2019, 47(2): 1−5, 17.
[2]	李彬, 张云, 王立平, 等. 基于遗传算法优化小波神经网络数控机床热误差建模[J]. 机械工程学报, 2019, 55(21):215−220. Li B, Zhang Y, Wang L P, et al. Modeling for CNC machine tool thermal error based on genetic algorithm optimization wavelet neural networks[J]. Journal of Mechanical Engineering, 2019, 55(21): 215−220.
[3]	刘九庆, 林浩. 基于误差补偿原理对木材上料实验台理论分析与实验研究[J]. 激光杂志, 2020, 41(5):118−122. Liu J Q, Lin H. Theoretical analysis and experimental study of wood feeding test-bed based on error compensation principle[J]. Laser Journal, 2020, 41(5): 118−122.
[4]	栾伟, 易勇帆, 王钦若.基于EtherCAT总线的高速高精度多轴伺服运动控制器[J]. 电子世界, 2017(2): 86−87. Luan W, Yi Y F, Wang Q R. High-speed, high-precision multi-axis servo motion controller based on EtherCAT bus[J]. Electronics World, 2017(2): 86−87.
[5]	吴麒, 仇翔, 王军晓, 等. 基于线性自抗扰控制的多轴运动控制系统位置同步控制[C]//中国自动化学会控制理论专业委员会. 第37届中国控制会议论文集. 武汉: 中国自动化学会控制理论专业委员会, 2018: 464−469. Wu Q, Qiu X, Wang J X, et al. ADRC-based position synchronization for multi-axis motion control systems[C]// Control theory Professional Committee of China Society of automation. Proceedings of the 37th Chinese Control Conference. Wuhan: Control Theory Professional Committee of China Society of Automation, 2018: 464−469.
[6]	张恩忠. 基于最小二乘支持向量机的精密数控机床热误差建模与补偿研究[J]. 机床与液压, 2018, 46(20):7−10. doi: 10.3969/j.issn.1001-3881.2018.20.002. Zhang E Z. Thermal error modeling and compensation for precision CNC machine tool based on least square support vector machine[J]. Machine Tool & Hydraulics, 2018, 46(20): 7−10. doi: 10.3969/j.issn.1001-3881.2018.20.002.
[7]	范帆. 曲线磨削全轮廓误差原位视觉检测和补偿方法的研究[D]. 上海: 上海交通大学, 2019. Fan F. In-situ visual detection and compensation of full contour in profile grinding[D]. Shanghai: Shanghai Jiaotong University, 2019.
[8]	Castillo-Castaneda E, Takeda Y. Improving path accuracy of a crank-type 6-dof parallel mechanism by stiction compensation[J]. Mechanism and Machine Theory, 2006, 43(1): 104−114.
[9]	Vorob’ev E I, Zuev V V, Filipov D G. Kinematic Accuracy of manipulators in industrial systems[J]. Russian Engineering Research, 2020, 40(1): 21−25. doi: 10.3103/S1068798X20010232.
[10]	Shan X L, Cheng G. Structural error identification and kinematic accuracy analysis of a 2(3PUS + S) parallel manipulator[J]. Mechanism and Machine Theory, 2019, 140: 22−28.
[11]	Li S M, Zeng L, Feng P F, et al. An accurate probe pre-travel error compensation model for five-axis on-machine inspection system[J]. Precision Engineering, 2020, 62: 256−264.
[12]	张墩利, 周国栋. 基于PID神经网络控制器的汽车起动电机测试系统[J]. 电机与控制应用, 2016, 43(9):70−73, 78. doi: 10.3969/j.issn.1673-6540.2016.09.013. Zhang D L, Zhou G D. Automobile staring motor test system based of PID neural network controller[J]. Electric Machines & Control Application, 2016, 43(9): 70−73, 78. doi: 10.3969/j.issn.1673-6540.2016.09.013.
[13]	Liu J G, Gao Q, Liu Z W, et al. Attitude control for astronaut assisted robot in the space station[J]. International Journal of Control, Automation and Systems, 2016, 14(4): 1082−1095. doi: 10.1007/s12555-014-0568-4.
[14]	王通, 齐向东. 遗传算法PID控制在AUV姿态调节中的应用[J]. 自动化技术与应用, 2020, 39(4):8−14. doi: 10.3969/j.issn.1003-7241.2020.04.002 Wang T, Qi X D. Application of genetic algorithm pid control in AUV attitude adjustment[J]. Automation Technology and Application, 2020, 39(4): 8−14. doi: 10.3969/j.issn.1003-7241.2020.04.002
[15]	Pan C L, Rong J L, Xu T F, et al. Novel approach for active vibration control of a flexible missile[J]. Defence Technology, 2020, 16(4): 956−967. doi: 10.1016/j.dt.2019.11.015.
[16]	Li G H, Zhu W D, Dong H Y, et al. A method for robot placement optimization based on two-dimensional manifold in joint space[J/OL]. Robotics and Computer-Integrated Manufacturing, 2021, 67 [2020−09−22]. https://DOI:10.1016/j.rcim.2020.102002" target="_blank">10.1016/j.rcim.2020.102002">https://DOI:10.1016/j.rcim.2020.102002.
[17]	葛宏伟, 李小琳, 梁艳春, 等. 基于免疫粒子群优化的一种动态递归神经网络辨识与控制非线性系统[J]. 吉林大学学报(工学版), 2008, 38(4):858−864. Ge H W, Li X L, Liang Y C, et al. Immune PSO-based dynamic recurrent neural network for identifying and controlling nonlinear systems[J]. Journal of Jilin University (Engineering and Technology Edition), 2008, 38(4): 858−864.

施引文献(9)

期刊类型引用(6)

1.	冯林艳，周火艳，赵晓迪. 乌兰布和沙漠两种植物的分布格局及其变化. 南京林业大学学报(自然科学版). 2024(01): 155-160 . 百度学术
2.	曾红，徐永艳，邵琳亚，闻永慧，夏小丽，汪琼. 4种植物叶片浸提液成分分析及其对珊瑚樱种子萌发的影响. 西南林业大学学报(自然科学). 2023(04): 39-46 . 百度学术
3.	马光宗，徐高峰，杨韶松，杨云海，张付斗，温丽娜，陶琼，申时才，叶敏. 甘薯提取物对3种杂草种子萌发和幼苗生长的化感作用. 西南农业学报. 2022(06): 1295-1302 . 百度学术
4.	路文杰，佛芒芒，肖毅，王永新，杜利霞，钟华，赵祥，董宽虎. 草地植物凋落物浸提液对根际微生物碳源利用的影响. 中国草地学报. 2021(06): 35-42 . 百度学术
5.	张林媚，刘姝玲，郭彩云. 立地条件对榆林沙区樟子松嫁接红松生长的影响. 林业科技通讯. 2021(11): 32-37 . 百度学术
6.	王方琳，尉秋实，柴成武，王理德，张德魁，王昱淇，王飞，胡小柯. 沙蒿（Artemisia desertorum）浸提液对自身种子萌发与幼苗生长的化感作用. 中国沙漠. 2021(06): 21-28 . 百度学术

其他类型引用(3)

资源附件(0)

图(11) / 表(1)

计量

文章访问数: 1298
HTML全文浏览量: 298
PDF下载量: 54
被引次数: 9

1. 材料与方法
1.1 材　料
1.2 细胞壁微观形貌表征
1.3 化学成分表征
1.4 吸附热力学量测定
2. 结果与讨论
2.1 细胞壁结构
2.2 化学成分变化
2.3 吸附热力学分析
2.3.1 Hailwood-Horrobin模型拟合
2.3.2 吸湿平衡状态下的热力学量分析
2.3.2.1 微分吸着热
2.3.2.2 自由能变化
2.3.2.3 微分吸着熵
2.3.3 水分吸湿与解吸的比较
3. 结　　论

1. 材料与方法
1.1 材　料
1.2 细胞壁微观形貌表征
1.3 化学成分表征
1.4 吸附热力学量测定
2. 结果与讨论
2.1 细胞壁结构
2.2 化学成分变化
2.3 吸附热力学分析
2.3.1 Hailwood-Horrobin模型拟合
2.3.2 吸湿平衡状态下的热力学量分析
2.3.2.1 微分吸着热
2.3.2.2 自由能变化
2.3.2.3 微分吸着熵
2.3.3 水分吸湿与解吸的比较
3. 结　　论

参考文献(17)

施引文献(9)

资源附件(0)

基于自适应遗传优化递归神经网络的木工送料平台补偿控制研究

作者简介: 朱莉，博士，副教授。主要研究方向：林业工程自动化。Email：33499426@qq.com 地址：150040 黑龙江省哈尔滨市香坊区和兴路26号东北林业大学机电工程学院

计量

出版历程