基于BP神經網絡的大型模鍛壓機上橫梁速度預測控制方法技術

本發明專利技術提供了一種基于BP神經網絡的大型模鍛壓機上橫梁速度預測控制方法。該方法包括如下步驟：(1)先對模型參數進行初始化，然后根據歷史的模鍛工藝數據離線訓練預測神經網絡和控制神經網絡；(2)由預測神經網絡給出系統下一時刻的預測輸出；(3)對預測輸出進行反饋校正，并規劃下一時刻的模鍛工藝參考值；(4)根據反饋校正值和模鍛工藝參考值由控制神經網絡給出系統當前時刻的輸入；(5)在線感知當前時刻的模鍛工藝數據，并根據當前的數據反饋調整控制神經網絡和預測神經網絡；(6)轉入步驟2，進入下一時刻大型模鍛壓機上橫梁速度的預測控制。本發明專利技術方法能夠快速、準確地在線預測大型模鍛壓機上橫梁速度，為有效控制大型模鍛壓機提供了理論依據與技術支持。

【技術實現步驟摘要】

：本專利技術屬于鍛造
，涉及一種基于BP神經網絡的大型模鍛壓機上橫梁速度預測控制方法。
技術介紹
：由于實際鍛造過程中時變的負載、非線性液壓驅動、以及鍛件復雜的流變應力等多種因素影響，致使整個鍛造過程非常復雜，從而對準確快速地預測和控制大型模鍛壓機的動態行為提出了挑戰。目前，對大型模鍛壓機的控制方法主要有：PI控制、迭代學習控制以及滑模控制等方法。這些方法雖然在一定程度上實現了對壓機的控制，但是這些方法大都將復雜的鍛造過程簡化為線性模型，并且忽略了未知擾動。鑒于鍛造過程的強非線性和時變性，僅僅用線性模型很難準確地描述整個鍛造過程，這些方法不能夠達到高品質鍛造的要求。隨著智能方法的發展，神經網絡、模糊集和支持向量機等方法逐漸引入到鍛造系統的在線建模中，并且具有非常好的預測能力。因此，可以基于智能方法提出一種簡單、快速、高效的大型模鍛壓機上橫梁速度預測控制方法。自從上世紀70年代模型預測控制被提出以來，這種新型的控制策略經過多年的完善和發展，已經廣泛應用于工業過程中。模型預測控制的基本特點是：模型預測、滾動優化和反饋控制。本專利技術方法基于模型預測控制方法的基本特點，結合BP神經網絡快速、自適應以及良好的泛化和容錯能力，避免了模型預測控制方法中預測模型難以建立和滾動優化耗時長的難題，提出了一種簡單、快速、高效的大型模鍛壓機上橫梁速度預測控制方法。
技術實現思路
：本專利技術的目的在于提供一種大型模鍛壓機上橫梁速度預測控制方法，解決了現有的控制方法不能有效控制大型模鍛壓機上橫梁速度的難題。本專利技術解決上述難題的方案是：基于BP神經網絡的大型模鍛壓機上橫梁速度預測控制方法，該方法包括如下步驟：步驟1：先對模型參數進行初始化，然后根據歷史的模鍛工藝數據離線訓練預測神經網絡和控制神經網絡；步驟2：由預測神經網絡給出系統下一時刻的預測輸出；步驟3：對預測輸出進行反饋校正，并規劃下一時刻的模鍛工藝參考值；步驟4：根據反饋校正值和模鍛工藝參考值,由控制神經網絡給出系統當前時刻的輸入；步驟5：在線感知當前時刻的模鍛工藝數據，并根據當前的數據反饋調整控制神經網絡和預測神經網絡；步驟6：轉入步驟2，進入下一時刻大型模鍛壓機上橫梁速度的預測控制。按照上述方案，步驟1中所述模型參數初始化是給定學習速率η、軟化系數α、權值系數h以及初始的系統輸入。按照上述方案，步驟1中所述根據歷史的模鍛工藝數據離線訓練預測神經網絡和控制神經網絡是根據已采集的模鍛工藝數據建立預測神經網絡和控制神經網絡，以給定在線訓練預測神經網絡和控制神經網絡的初始權值，其中模鍛工藝數據包括大型模鍛壓機的負載和上橫梁速度。按照上述方案，步驟1中所述預測神經網絡可以表示為：ym(k+1)＝fp[u(k-2),u(k-1),u(k),y(k-1),y(k)](1)其中，y(k)是k時刻系統的實際輸出，u(k)是k時刻作用于系統的控制量，ym(k+1)為預測輸出。在預測神經網絡中選取的傳遞函數(激活函數)為：g(x)=11+e-x---(2)]]>在預測神經網絡中，用U表示輸入[u(k-2),u(k-1),u(k),y(k-1),y(k)]，用np1，hp1，np2和ym分別表示隱含層節點的輸入，隱含層節點的輸出，輸出層節點的輸入以及輸出層節點的輸出。np1＝Wp1·U+bp1(3)hp1＝g(np1)(4)np2＝Wp2·hp1+bp2(5)ym(k+1)＝g(np2)(6)按照上述方案，步驟1中所述由控制神經網絡可以表示為：u(k+1)＝fc[yr(k+1),yp(k+1),u(k-1),u(k)](7)其中，u(k+1)是k+1時刻作用于系統控制量，u(k-1)和u(k)分別表示k-1和k時刻作用于系統的控制量，yr(k+1)和yp(k+1)分別表示(k+1)時刻輸出量的參考值和校正值。在控制神經網絡中選取的傳遞函數與控制神經網絡相同，用Y表示輸入[yr(k+1),yp(k+1),u(k-1),u(k)]，用nc1，hc1，nc2和u(k+1)表示隱含層節點的輸入，隱含層節點的輸出，輸出層節點的輸入以及輸出層的輸出。nc1＝Wc1·U+bc1(8)hc1＝g(nc1)(9)nc2＝Wc2·hc1+bc2(10)u(k+1)＝g(nc2)(11)按照上述方案，步驟3中所述對預測輸出進行反饋校正可以描述為：在得到模型的預測值之后，需要用當前過程(第k時刻)輸出的測量值y(k)和模型的預測值ym(k)的差值對第k+1時刻的預測值ym(k+1)進行修正，修正后的輸出預測值記為yp(k+1)，如式(12)所示：yp(k+1)＝ym(k+1)+h(y(k)-ym(k))(12)其中h為權值系數，一般取為1.按照上述方案，步驟3中所述規劃下一時刻的模鍛工藝參考值可以用如下方程表示：yr(k+1)＝αy(k)+(1-α)yd(13)其中，yr(k+1)為參考值，α為柔化系數，0<α<1.若α取值較大則預測控制的魯棒性強，但導致系統的響應速度變慢；若α取值較小則系統的響應速度變快，但是容易出現超調與震蕩。yd為目標設定值。按照上述方案，步驟5中所述在線反饋調整預測神經網絡可以表述為：當測得第k+1時刻的實際輸出y(k+1)之后，也要對預測神經網絡權值進行在線調整，以用于預測下一時刻的輸出量。預測神經網絡權值調整是基于如下優化指標是：E=12[y(k+1)-ym(k+1)]2---(14)]]>輸入-隱含層權值調整公式為：ΔWp1ij=-η∂E∂Wp1ij=η·[y(k+1)-ym(k+1)]·ym(k+1)·(1-ym(k+1))·Wp2i·hp1i·(1-hp1i)·Uj---(15)]]>Δbp1i=-η∂E∂bp1i=η·[y(k+1)-ym(k+1)]·ym(k+1)·(1-ym(k+1))·Wp2i·hp1i·(1-hp1i)---(16)]]>隱含-輸出層權值調整公式為：ΔWp2i=-η∂E∂Wp2i=η·[y(k+1)-ym(k+1)&本文檔來自技高網...

【技術保護點】
基于BP神經網絡的大型模鍛壓機上橫梁速度預測控制方法，其特征在于：根據工業鍛造過程的強非線性和時變性，基于模鍛工藝數據建立了預測神經網絡模型和控制神經網絡模型，實現了對大型模鍛壓機上橫梁速度的精準、快速預測和有效控制，該方法包括如下步驟：步驟1：先對模型參數進行初始化，然后根據歷史的模鍛工藝數據離線訓練預測神經網絡和控制神經網絡；步驟2：由預測神經網絡給出系統下一時刻的預測輸出；步驟3：對預測輸出進行反饋校正，并規劃下一時刻的模鍛工藝參考值；步驟4：根據反饋校正值和模鍛工藝參考值,由控制神經網絡給出系統當前時刻的輸入；步驟5：在線感知當前時刻的模鍛工藝數據，并根據當前的數據反饋調整控制神經網絡和預測神經網絡；步驟6：轉入步驟2，進入下一時刻大型模鍛壓機上橫梁速度的預測控制。

【技術特征摘要】
1.基于BP神經網絡的大型模鍛壓機上橫梁速度預測控制方法，其特征在于：根據工業鍛造過程的強
非線性和時變性，基于模鍛工藝數據建立了預測神經網絡模型和控制神經網絡模型，實現了對大型模鍛壓
機上橫梁速度的精準、快速預測和有效控制，該方法包括如下步驟：
步驟1：先對模型參數進行初始化，然后根據歷史的模鍛工藝數據離線訓練預測神經網絡和控制神經
網絡；
步驟2：由預測神經網絡給出系統下一時刻的預測輸出；
步驟3：對預測輸出進行反饋校正，并規劃下一時刻的模鍛工藝參考值；
步驟4：根據反饋校正值和模鍛工藝參考值,由控制神經網絡給出系統當前時刻的輸入；
步驟5：在線感知當前時刻的模鍛工藝數據，并根據當前的數據反饋調整控制神經網絡和預測神經網
絡；
步驟6：轉入步驟2，進入下一時刻大型模鍛壓機上橫梁速度的預測控制。
2.如權利要求1所述方法，其特征在于：步驟2中所述的預測神經網絡解決了復雜鍛造過程中預測模
型的建模難題，并且此預測神經網絡是在線調整的，其權值是基于實際輸出y(k+1)與預測輸出ym(k+1)的
差值進行反饋調整：
E=12[y(k+1)-ym(k+1)]2]]>輸入-隱含層權值調整公式為：
ΔWp1ij=-η∂E∂Wp1ij=η·[y(k+1)-ym(k+1)]·ym(k+1)·(1-ym(k+1))·Wp2i·hp1i·(1-hp1i)·Uj]]>Δbp1i=-η∂E∂bp1i=η·[y(k+1)-ym(k+1)]·ym(k+1)·(1-ym(k+1))·Wp2i·hp1i·(1-hp1i)]]>隱含-輸出層權值調整公式為：
ΔWp2i=-η∂E∂Wp2i=η·[y(k+1)-ym(k+1)]·ym(k+1)·(1-ym(k+1))·hp1i]]>Δbp2=-η∂E∂bp2=η·[y(k+1)-ym(k+1)]·ym(k+1)·(1-ym(k+1))]]>其中，η為學習速率，Wp1和bp1為輸入-隱含層的權值矩陣和偏移項，Wp2和bp2為隱含-輸出層的權值
矩陣和偏移項，U為系統的輸入[u(k-2),u(k-1),u(k),y(k-1),y(k)]，hp1為隱含層的輸出。

【專利技術屬性】
技術研發人員：藺永誠，諶東東，陳明松，
申請(專利權)人：中南大學，
類型：發明
國別省市：湖南;43