[发明专利]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

说明书

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。

技术领域：

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：

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：

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。

本发明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：