[0063] 本发明是一种大型模锻压机上横梁速度预测控制方法，其流程图如图1所示。下面 以铝合金(A1-1100)锻件的锻造过程为例，详细介绍本发明涉及的大型模锻压机上横梁速 度预测控制的实施细节，其方法包括：
[0064] 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；
[0005]初始化参数主要包括:学习速率n = 〇. 005，反馈校正权值系数h = 1，柔化系数α = 〇 · 1，以及大型模锻压机上横梁速度设定?
[0066]历史的模锻工艺数据包括大型模锻压机的负载和上横梁速度，分别如图2和3所 示，首先利用这些模锻工艺数据训练预测神经网络和控制神经网络，得到的权值矩阵可以 作为在线预测神经网络和控制神经网络的初始权值矩阵。由历史模锻工艺数据训练的预测 神经网络初始权值矩阵为：
[0067]
[0069] 由历史模锻工艺数据训练的控制神经网络初始权值矩阵为：[0070]
[0068]
[0071]预测神经网络的结构如图4所示，WpleRllx5为输入层到隐含层的权值矩阵，bpie R11X1为输入层到隐含层的偏置项，Wp2eRlxl1为隐含层到输出层的权值矩阵，bp2ER lxl为隐 含层到输出层的偏置项。基于BP神经网络的预测模型可以表示为：
[0072] ym(k+l) = fP[u(k-2) ,u(k-l) ,u(k) ,y(k-l) ,y(k)] (24)
[0073] 其中，y(k)是k时刻大型模锻压机上横梁速度，u(k)是k时刻大型模锻压机的负载， ym(k+l)为预测大型模锻压机上横梁速度。
[0074]控制神经网络的结构如图5所示，WcleR9x4为输入层到隐含层的权值矩阵，bcle R9X1为输入层到隐含层的偏置项，Wc2eRlx9为隐含层到输出层的权值矩阵，bc2eR lxl为隐 含层到输出层的偏置项。基于BP神经网络的控制模型可以表示为：
[0075] u(k+l) = fc[yr(k+l) ,yP(k+l) ,u(k-l) ,u(k) ] (25)
[0076] 其中，u(k+l)是k+1时刻计算得到的大型模锻压机的负载，u(k-l)和u(k)分别表示 k-Ι和k时刻实际大型模锻压机的负载，yr(k+l_yP(k+l)分别表示(k+Ι)时刻大型模锻压机 上横梁速度的参考值和校正值。
[0077] 步骤2:由预测神经网络给出系统下一时刻的预测输出；
[0078] 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；
[0079] 反馈校正可以描述为：由预测神经网络得到预测值之后，需要用当前时刻（第k时 亥IJ)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(29)所示：
[0080] yp(k+l) =ym(k+l)+h(y(k)-ym(k)) (26)
[0081] 其中，h为权值系数，一般取为1.
[0082] 模锻工艺参考值可以用如下方程表示：
[0083] yr(k+l) =ay(k) + ( l-a)ya (27)
[0084] 其中，yr(k+1)为模锻工艺参考值，a为柔化系数，〇〈a〈l.在实际锻造过程控制中为 了快速达到目标，a = 0.1. yd为大型模锻压机上横梁速度目标设定值。
[0085] 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；
[0086] 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；
[0087] 在线反馈调整预测神经网络可以表述为：当测得第k+Ι时刻的大型模锻压机上横 梁速度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大型 模锻压机上横梁速度。预测神经网络权值调整是基于如下优化指标：
[0088]
(28)
[0089]输入-隐含层权值调整公式为：[0090]
[0093] (31；) (29)
[0 (3Q)
[0092] 隐含-输出层权倌调整公式为：
[0094] (幼
[0095] 在线反馈调整控制神经网络可以表述为：当测得第k+Ι时刻的大型模锻压机上横 梁速度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大型 模锻压机的负载。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：
[0096]
(33)
[0097] 输入-隐含层权值调整公式为：[nnpRl
[0101] (36) (34)
[ (35)
[0100] 隐含-输出层权值调整公式为：
[0102] (37)
[0103] 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。
[0104] 根据在线感知的模锻工艺数据，利用预测神经网络预测大型模锻压机上横梁速 度，利用控制神经网络给出大型模锻压机的负载，按照这种方式进行下去可以实现大型模 锻压机上横梁速度的有效预测控制，预测控制结果如图6所示。
[0105] 从上述结果可以发现，本发明提出的方法能够快速、准确地预测并控制锻造过程 中大型模锻压机上横梁速度，为实现高品质锻造提供了可靠的途径。
[0106] 上面结合附图对本发明的实例进行了说明，但本发明不局限于上述具体的实施方 式，上述的【具体实施方式】仅是示例性的。任何不超过本发明权利要求的发明，均在本发明的 保护范围之内。
【主权项】
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 化+1)与预测输出ym化+1)的差值进行反馈调整：输入-隐含层权值调整公式为：隐含-输出层权值调整公式为：其中，n为学习速率，Wpl和bpl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化-2)，u化-1)，u化），y化-1)，y化）]，hpl为 隐含层的输出。3. 如权利要求1所述方法，其特征在于：步骤4中所述的控制神经网络解决了优化求解 控制量耗时长的难题，并且此控制神经网络是在线调整的，其权值是基于规划的模锻工艺 参考值yr化+1)与校正预测输出yp化+1)的差值进行反馈调整：输入-隐含层权值调整公式为：隐含-输出层权值调整公式为：其中，Wcl和bcl为输入-隐含层的权值矩阵和偏移项，Wc2和bc2为隐含-输出层的权值 矩阵和偏移项，Y为系统的输入[yr化+1)，yp化+1)，u化-1) ,U化)]，hcl为隐含层的输出。
【专利摘要】本发明提供了一种基于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。
【IPC分类】G05B13/04
【公开号】CN105652666
【申请号】
【发明人】蔺永诚, 谌东东, 陈明松
【申请人】中南大学
【公开日】2016年6月8日
【申请日】2016年3月9日