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
【技术领域】：
[0001] 本发明属于锻造技术领域，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。
【背景技术】：
[0002] 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。
[0003] 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。
[0004] 本发明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。
【发明内容】
：
[0005] 本发明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。
[0006] 本发明解决上述难题的方案是：
[0007] 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：
[0008] 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；
[0009] 步骤2:由预测神经网络给出系统下一时刻的预测输出；
[0010] 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；
[0011] 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；
[0012] 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；
[0013] 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。
[0014] 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q、软化系数α、权值 系数h以及初始的系统输入。
[0015] 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。
[0016] 按照上述方案，步骤1中所述预测神经网络可以表示为：
[0017] ym(k+l) = fP[u(k-2) ,u(k-l) ,u(k) ,y(k-l) ,y(k)] (1)
[0018] 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+l) 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：
[0019]
⑵..
[0020] 在预测神经网络中，用U表示输入[u(k-2)，u(k-l)，u(k)，y(k-l)，y(k)]，用npl， 1^1，即2和 7"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。
[0021] npl=ffpl · U+bpl (3)
[0022] hpl=g(npl) (4)
[0023] np2=ffp2 · hpl+bp2 (5)
[0024] ym(k+l) = g(np2) (6)
[0025] 按照上述方案，步骤1中所述由控制神经网络可以表示为：
[0026] u(k+l) = fc[yr(k+l) ,yP(k+l) ,u(k-l) ,u(k) ] (7)
[0027] 其中，u(k+l)是k+1时刻作用于系统控制量，u(k-l)和u(k)分别表示k-1和k时刻作 用于系统的控制量，y r(k+lWPyP(k+l)分别表示(k+Ι)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[7#+1)，^仏+1)，1 1仏-1)，u(k)]，用ncl，hcl，nc2和u(k+l)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。
[0028] ncl =ffcl · U+bcl (8)
[0029] hcl =g(ncl) (9)
[0030] nc2=ffc2 · hcl+bc2 (10)
[0031] u(k+l) =g(nc2) (11)
[0032] 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 7"(1〇的差值对 第k+Ι时刻的预测值ym(k+l)进行修正，修正后的输出预测值记为y P(k+l)，如式（12)所示：
[0033] yp(k+l) =ym(k+l)+h(y(k)-ym(k)) (12)
[0034]其中h为权值系数，一般取为1.
[0035] 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：
[0036] yr(k+l) =ay(k) + ( l-a)yd (13)
[0037] 其中，yr(k+l)为参考值，a为柔化系数，0〈α〈1.若a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。
[0038] 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+l)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：
[0039]
(14)
[0040] 输入-隐含层权值调整公式为：[0041]
[0044] (IS) (16)
[0043] 隐含-输出层权值调整公式为：
[0045] (18)
[0046] 按照上述方案，步骤5中所述在线反馈调整控制神经网络可以表述为：当测得第k+ 1时刻的实际输出y(k+l)之后，就要对控制神经网络权值进行在线调整，以用于计算下一时 刻的控制量。控制神经网络权值调整是基于模型预测控制的滚动优化，优化指标是：
[0047]
(19)
[0048] 输入-隐含层权值调整公式为：[0049]
[0052] (22) (：20)
[0( (21)：
[0051] 隐含-输出层权值调整公式为：
[0054] 按照上述方案，利用在线感知的大型模锻压机的负载和上横梁速度，根据步骤5在
[0053] (23) 线调整预测神经网络和控制神经网络，实现大型模锻压机上横梁速度的精准快速预测控 制。
[0055] 本发明的有益效果:本发明针对实际工业锻造过程中的强非线性和时变性，根据 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，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，精准快速地实现了大型模锻压机上横梁速度 的在线预测和控制，能够应用到复杂时变的锻造过程中，解决了现有方法耗时长、误差大的 弊端。该方法的发明和推广应用对准确预测控制大型模锻压机上横梁速度有重要工程意 义。
【附图说明】：
[0056] 图1基于BP神经网络大型模锻压机上横梁速度预测控制方法流程图；
[0057] 图2历史锻造过程中大型模锻压机的负载；
[0058] 图3历史锻造过程中大型模锻压机上横梁速度；
[0059]图4预测神经网络结构图；
[0060]图5控制神经网络结构图；
[0061]图6实际锻造过程中的大型模锻压机预测控制结果：（a)大型模锻压机的负载；（b) 大型模锻压机上横梁速度的预测控制结果。
【具体实施方式】：
[0062]下面结合附图和【具体实施方式】对本发明进行详细的说明。