基于BP神经网络的大型模锻压机上横梁速度预测控制方法技术

本发明专利技术提供了一种基于BP神经网络的大型模锻压机上横梁速度预测控制方法。该方法包括如下步骤：(1)先对模型参数进行初始化，然后根据历史的模锻工艺数据离线训练预测神经网络和控制神经网络；(2)由预测神经网络给出系统下一时刻的预测输出；(3)对预测输出进行反馈校正，并规划下一时刻的模锻工艺参考值；(4)根据反馈校正值和模锻工艺参考值由控制神经网络给出系统当前时刻的输入；(5)在线感知当前时刻的模锻工艺数据，并根据当前的数据反馈调整控制神经网络和预测神经网络；(6)转入步骤2，进入下一时刻大型模锻压机上横梁速度的预测控制。本发明专利技术方法能够快速、准确地在线预测大型模锻压机上横梁速度，为有效控制大型模锻压机提供了理论依据与技术支持。

【技术实现步骤摘要】

：本专利技术属于锻造
，涉及一种基于BP神经网络的大型模锻压机上横梁速度预测控制方法。
技术介绍
：由于实际锻造过程中时变的负载、非线性液压驱动、以及锻件复杂的流变应力等多种因素影响，致使整个锻造过程非常复杂，从而对准确快速地预测和控制大型模锻压机的动态行为提出了挑战。目前，对大型模锻压机的控制方法主要有：PI控制、迭代学习控制以及滑模控制等方法。这些方法虽然在一定程度上实现了对压机的控制，但是这些方法大都将复杂的锻造过程简化为线性模型，并且忽略了未知扰动。鉴于锻造过程的强非线性和时变性，仅仅用线性模型很难准确地描述整个锻造过程，这些方法不能够达到高品质锻造的要求。随着智能方法的发展，神经网络、模糊集和支持向量机等方法逐渐引入到锻造系统的在线建模中，并且具有非常好的预测能力。因此，可以基于智能方法提出一种简单、快速、高效的大型模锻压机上横梁速度预测控制方法。自从上世纪70年代模型预测控制被提出以来，这种新型的控制策略经过多年的完善和发展，已经广泛应用于工业过程中。模型预测控制的基本特点是：模型预测、滚动优化和反馈控制。本专利技术方法基于模型预测控制方法的基本特点，结合BP神经网络快速、自适应以及良好的泛化和容错能力，避免了模型预测控制方法中预测模型难以建立和滚动优化耗时长的难题，提出了一种简单、快速、高效的大型模锻压机上横梁速度预测控制方法。
技术实现思路
：本专利技术的目的在于提供一种大型模锻压机上横梁速度预测控制方法，解决了现有的控制方法不能有效控制大型模锻压机上横梁速度的难题。本专利技术解决上述难题的方案是：基于BP神经网络的大型模锻压机上横梁速度预测控制方法，该方法包括如下步骤：步骤1：先对模型参数进行初始化，然后根据历史的模锻工艺数据离线训练预测神经网络和控制神经网络；步骤2：由预测神经网络给出系统下一时刻的预测输出；步骤3：对预测输出进行反馈校正，并规划下一时刻的模锻工艺参考值；步骤4：根据反馈校正值和模锻工艺参考值,由控制神经网络给出系统当前时刻的输入；步骤5：在线感知当前时刻的模锻工艺数据，并根据当前的数据反馈调整控制神经网络和预测神经网络；步骤6：转入步骤2，进入下一时刻大型模锻压机上横梁速度的预测控制。按照上述方案，步骤1中所述模型参数初始化是给定学习速率η、软化系数α、权值系数h以及初始的系统输入。按照上述方案，步骤1中所述根据历史的模锻工艺数据离线训练预测神经网络和控制神经网络是根据已采集的模锻工艺数据建立预测神经网络和控制神经网络，以给定在线训练预测神经网络和控制神经网络的初始权值，其中模锻工艺数据包括大型模锻压机的负载和上横梁速度。按照上述方案，步骤1中所述预测神经网络可以表示为：ym(k+1)＝fp[u(k-2),u(k-1),u(k),y(k-1),y(k)](1)其中，y(k)是k时刻系统的实际输出，u(k)是k时刻作用于系统的控制量，ym(k+1)为预测输出。在预测神经网络中选取的传递函数(激活函数)为：g(x)=11+e-x---(2)]]>在预测神经网络中，用U表示输入[u(k-2),u(k-1),u(k),y(k-1),y(k)]，用np1，hp1，np2和ym分别表示隐含层节点的输入，隐含层节点的输出，输出层节点的输入以及输出层节点的输出。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，步骤1中所述由控制神经网络可以表示为：u(k+1)＝fc[yr(k+1),yp(k+1),u(k-1),u(k)](7)其中，u(k+1)是k+1时刻作用于系统控制量，u(k-1)和u(k)分别表示k-1和k时刻作用于系统的控制量，yr(k+1)和yp(k+1)分别表示(k+1)时刻输出量的参考值和校正值。在控制神经网络中选取的传递函数与控制神经网络相同，用Y表示输入[yr(k+1),yp(k+1),u(k-1),u(k)]，用nc1，hc1，nc2和u(k+1)表示隐含层节点的输入，隐含层节点的输出，输出层节点的输入以及输出层的输出。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，步骤3中所述对预测输出进行反馈校正可以描述为：在得到模型的预测值之后，需要用当前过程(第k时刻)输出的测量值y(k)和模型的预测值ym(k)的差值对第k+1时刻的预测值ym(k+1)进行修正，修正后的输出预测值记为yp(k+1)，如式(12)所示：yp(k+1)＝ym(k+1)+h(y(k)-ym(k))(12)其中h为权值系数，一般取为1.按照上述方案，步骤3中所述规划下一时刻的模锻工艺参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)为参考值，α为柔化系数，0<α<1.若α取值较大则预测控制的鲁棒性强，但导致系统的响应速度变慢；若α取值较小则系统的响应速度变快，但是容易出现超调与震荡。yd为目标设定值。按照上述方案，步骤5中所述在线反馈调整预测神经网络可以表述为：当测得第k+1时刻的实际输出y(k+1)之后，也要对预测神经网络权值进行在线调整，以用于预测下一时刻的输出量。预测神经网络权值调整是基于如下优化指标是：E=12[y(k+1)-ym(k+1)]2---(14)]]>输入-隐含层权值调整公式为：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)]]>隐含-输出层权值调整公式为：ΔWp2i=-η∂E∂Wp2i=η·[y(k+1)-ym(k+1)&本文档来自技高网...

【技术保护点】
基于BP神经网络的大型模锻压机上横梁速度预测控制方法，其特征在于：根据工业锻造过程的强非线性和时变性，基于模锻工艺数据建立了预测神经网络模型和控制神经网络模型，实现了对大型模锻压机上横梁速度的精准、快速预测和有效控制，该方法包括如下步骤：步骤1：先对模型参数进行初始化，然后根据历史的模锻工艺数据离线训练预测神经网络和控制神经网络；步骤2：由预测神经网络给出系统下一时刻的预测输出；步骤3：对预测输出进行反馈校正，并规划下一时刻的模锻工艺参考值；步骤4：根据反馈校正值和模锻工艺参考值,由控制神经网络给出系统当前时刻的输入；步骤5：在线感知当前时刻的模锻工艺数据，并根据当前的数据反馈调整控制神经网络和预测神经网络；步骤6：转入步骤2，进入下一时刻大型模锻压机上横梁速度的预测控制。

【技术特征摘要】
1.基于BP神经网络的大型模锻压机上横梁速度预测控制方法，其特征在于：根据工业锻造过程的强
非线性和时变性，基于模锻工艺数据建立了预测神经网络模型和控制神经网络模型，实现了对大型模锻压
机上横梁速度的精准、快速预测和有效控制，该方法包括如下步骤：
步骤1：先对模型参数进行初始化，然后根据历史的模锻工艺数据离线训练预测神经网络和控制神经
网络；
步骤2：由预测神经网络给出系统下一时刻的预测输出；
步骤3：对预测输出进行反馈校正，并规划下一时刻的模锻工艺参考值；
步骤4：根据反馈校正值和模锻工艺参考值,由控制神经网络给出系统当前时刻的输入；
步骤5：在线感知当前时刻的模锻工艺数据，并根据当前的数据反馈调整控制神经网络和预测神经网
络；
步骤6：转入步骤2，进入下一时刻大型模锻压机上横梁速度的预测控制。
2.如权利要求1所述方法，其特征在于：步骤2中所述的预测神经网络解决了复杂锻造过程中预测模
型的建模难题，并且此预测神经网络是在线调整的，其权值是基于实际输出y(k+1)与预测输出ym(k+1)的
差值进行反馈调整：
E=12[y(k+1)-ym(k+1)]2]]>输入-隐含层权值调整公式为：
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)]]>隐含-输出层权值调整公式为：
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为学习速率，Wp1和bp1为输入-隐含层的权值矩阵和偏移项，Wp2和bp2为隐含-输出层的权值
矩阵和偏移项，U为系统的输入[u(k-2),u(k-1),u(k),y(k-1),y(k)]，hp1为隐含层的输出。

【专利技术属性】
技术研发人员：蔺永诚，谌东东，陈明松，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南;43