0 引言
冷凍干燥技術自1980年代在我國興起以來已取得長足發展，并已廣泛應用于食品、低溫和真空等科學領域，基于一些食品和藥品加工行業的工藝需要，真空冷凍干燥技術需要迅速應用與推廣。控制系統對物料的加工過程和質量影響比較大，還決定了真空冷凍干燥裝置運行的自動化程度。近年來國內外一些有實力的廠家對凍干機控制系統的研究有了較大的進展，采用了PLC、觸摸屏等裝置，能夠繪制凍干過程的工藝曲線，較大地改善了凍干機的性能。
隨著科技的發展，由于觸摸屏和PLC控制系統不易實現功能擴展、升級困難、操作界面不夠豐富等原因，已經不能完全滿足企業的需要，市場需要開發出更加先進的凍干設備控制系統。2007年1月上海遠東制藥機械總廠開發完成了目前國內最先進的嵌入式凍干控制系統。
控制系統根據凍干技術對凍干機控制系統的新要求而設計，采用高性能的Xscale內核嵌入式微處理器，結合FPGA完成集散控制(DCS)，該系統有穩定可靠的工作性能、強大的擴展功能、友善的界面，從而具有更強的競爭力。
1 系統硬件結構設計
該控制系統主要由嵌入式微控制器和現場可編程門陣列(FPGA)器件、溫度調節模塊、真空度調節模塊、GSM模塊、本地和網絡PC、LCD控制、各種傳感器、打印機及檢測、控制模塊組成，如圖1所示。
控制系統的核心由ARM及FPGA器件組成，實現整個系統的通信、現場顯示、現場控制等功能，同時實現溫度、真空度的神經網絡控制。
檢測量模塊主要由傳感器、信號調整及采集等組成，實現溫度、真空度、濕度以及各主要部件(熱繼電器、交流接觸器位置等)的狀態的測量。控制模塊主要由光隔離、驅動及執行機構組成，實現氣閥、水閥、電動機、變頻器、加熱器等的驅動與控制。LCD觸摸屏、IDE硬盤、打印機協調工作以實現凍干工藝曲線的實時采集、顯示、輸出與數據存儲，還有凍干機溫度與真空度參數的設置與控制等功能。
GSM模塊實現工業現場的無線監測，本地PC可用于遠程控制，網絡PC可擴展為正在興起的網絡控制。嵌入式微處理器的選擇。由于該真空干燥系統要進行大量的數據運算，需要較強的控制能力，需要有較多的USART接口，同時要有ADC轉換功能、LCD觸摸屏、USB口等，在微處理器選擇上，普通的8位、16位單片機已難以勝任，因此32位的嵌入式微處理器是比較好的選擇。本系統選擇INTEL PAX270，是一款基于32位Xscale核心的高性能、工業級的32位RISC微控制器，它具有極低的功耗，LCD控制器(最大支持64K色STN和1256K色TFT)提供1通道LCD專用DMA，8通道10比特ADC和觸摸屏接口，3通道UART(IrDA1．0，16字節TxFIFO，和16字節RX FIFO)／2通道SPI，2端口USB主機／1端口USB設備(1．1版)，PWM通道(4路輸出)，以及多達119個中斷源，這款微控制器特別適合自動化應用，并適用于工業控制、醫療系統、訪問控制和故障維護等應用領域。
FPGA器件的選擇。由于該系統包括了神經網絡的實現，需要大量RAM空間來保存中間參數和查表計算，同時還需要大量的通用I／O接口，用于輸入輸出模塊以及快速響應精確的PWM調制功能，因此用FPGA是比較好的選擇。這里選擇Altera公司推出的低成本Cyclone系列，型號為EP2C20。EP2C20內部有18752i邏輯單元，52個M4K RAM塊，共計239K位RAM，26個嵌入式18*18乘法器，4個鎖相環，資源非常豐富，可滿足系統設計要求。
2 溫度與真空度控制模型
2．1 恒溫或按某預定溫度曲線的控制模型
溫度控制模型如圖2所示。溫度控制采用神經網絡模糊控制模型，設定值和測定值經過模糊劃分后，同時送入神經模糊控制網絡，生成模糊控制子集，通過轉化器產生。PWM脈寬調制用的頻率值與占空比，然后生成PWM驅動信號，驅動電力電子器件，電源輸出給紅外石英管，對真空箱進行加熱。通過溫度傳感器及調整電路，形成溫度值和溫度變化率，根據溫度值和溫度變化率控制器對輸出頻率和占空比進行調整。
2．2 恒真空度或按某預定真空曲線的控制模型
真空度的控制模型與上述溫度控制模型結構相似，不同的是神經模糊控制網絡的輸出不是直接用于電機的控制驅動，而是把輸出的頻率量轉換成變頻器的遠程控制信號，通過RS485接口控制變頻器的啟動、停止和頻率設置，如圖3所示。
2．3 神經網絡選擇與仿真
根據上述控制模型，比較成熟的BP網絡選擇的控制神經網絡如圖4所示。神經模糊控制器在輸入／輸出參量的選擇，以及模糊論域和模糊子集的確定方面，與一般的模糊控制器沒有什么區別，只是在推理手段上引入了神經網絡。
以真空度控制為例來驗證控制模型的精確程度。令x1~x7為輸入真空度的模糊子集，x8~x14為輸入真空度變化的模糊子集，y1~y8為輸出空置量的模糊子集，從表1可以看出，共有16條控制規則。例如，當真空度為"合適"，變化率為"零"時，抽空時間應該為"短"，這個樣本可以表示為：
其中，x中的各元素為對應的隸屬函數，及模糊自己的賦值。同理可得其他15個樣本，并將它們依次送入神經網絡訓練，當訓練結束后，神經網絡已經記憶了模糊控制規則，使用時具有聯想記憶功能。如圖表2所示，為每一個輸入參量的模糊量。
根據模糊規則，可得到神經網絡的訓練樣本，本次訓練假設目標誤差為0．001，訓練步數為1000次，仿真結果如圖5所示，可以看出，在訓練到202次后目標誤差達到要求。
3 總結
本系統采用了ARM與FPGA的雙核處理器，與現在常用的PLC控制相比，大幅提高了系統功能及運算速度，采用FPGA的可重構計算技術，可實現動態系統的更新與升級，及遠程系統的更新與維護。