[发明专利]一种基于APSO-BP的双配重盘自动平衡控制方法

摘要

本发明公开了一种基于APSO‑BP的双配重盘自动平衡控制方法，结合BP神经网络，充分利用每一次的平衡数据，拟合并优化配平参数，实现自动平衡控制。输入参数为两个平衡块初始位置A1、B1、转速N，不平衡力优化目标为系统振动响应最优输出为两个平衡块的目标位置A2、B2。本方法以已经获得配重块初始位置、转速和系统振动响应初值为前提，利用BP神经网络来拟合出系统振动值，结合自适应粒子群进行寻优得出两个配重块的最佳目标位置。能有效的根据神经系统拟合输入输出关系，利用改进的自适应调整权值的方法优化粒子群，有利于全局寻优，加快收敛速度，增加自动平衡系统控制的准确性和数据的有效性。

主权项

1.一种基于APSO‑BP的双配重盘自动平衡控制方法，其特征在于：结合BP神经网络，建立基于自适应粒子群优化算法的稳态/非稳态自动平衡控制方法，充分利用每一次的平衡数据，拟合并优化配平参数，实现自动平衡控制；输入参数为两个平衡块初始位置A1、B1、转速N，不平衡力优化目标为系统振动响应最优输出为两个平衡块的目标位置A2、B2；本方法以已经获得配重块初始位置、转速和系统振动响应初值为前提，利用BP神经网络来拟合出系统振动值，结合自适应粒子群进行寻优得出两个配重块的最佳目标位置；两个平衡块初始位置A1、B1的合力为两个平衡块的目标位置A2、B2的合力为具体包括以下步骤：步骤1、建立转子动力学仿真模型；利用传递矩阵法将实际转子系统转化为有限个自由度的离散化模型，通过Matlab软件对轴系进行转子动力学仿真，建立转子不平衡动力学响应仿真模型；步骤2、获取训练样本；在转子不平衡动力学响应仿真模型中，转速逐渐升高，随机改变两平衡块的位置，并在轴上某处添加不平衡质量，运行得到振动响应并保存；步骤3、提取训练数据和测试数据；在Matlab中直接读取上述文本，以配重块位置、转速为神经网络输入，转轴振动值为输出，构造神经网络；步骤4、训练与测试数据设定；即用Matlab中的Rand和Sort函数随机抽取190组作为训练集，剩下10组作为测试集；步骤5、归一化处理；即用Mapminmax函数将训练集的输入输出归一化；步骤6、初始化网络结构；即设置神经网络的迭代次数、学习率和目标误差参数；步骤7、网络训练；即直接调用神经网络训练函数Train，设置好输入输出后对网络开始训练；步骤8、测试数据；即当训练达到一定要求后停止，这时神经网络拟合非线性功能已构造完成，用10组测试集验证网络，对比预测值与真实值；步骤9、统计误差并绘制误差图；计算预测值与真实值的差值，将此差值定义为误差，当误差在允许范围内时表示神经网络拟合功能符合要求；步骤10、保存神经网络；神经网络构造且完成测试后，需要将归一化函数Mapminmax中的映射关系和神经网络函数net保存下来，以保证神经网络下次使用时拟合性能和结构不变；步骤11、定义函数Function[fitness]＝Fitness(x,y)；步骤12、开始进行粒子群寻优，先初始化参数，设置迭代次数、加速度因子和种群规模参数，设置个体速度和位置的最大值和最小值；步骤13、初始化种群，计算适应度值；即随机产生一个包括若干个体的种群，每个个体的速度和位置都是二维向量，调用适应度函数Fitness(x,y)，以个体位置信息为(x,y)，输出为适应度值fitness；步骤14、计算个体极值和群体极值；将各个适应度值比较，以此得出种群中的个体极值和群体极值；个体极值是指个体所经历的最好的适应度的值，群体极值是指种群某一代中适应度最大的值；步骤15、更新粒子的速度和位置；各个粒子按个体极值和群体极值计算出该粒子下一代中的速度，再根据速度计算出位置；步骤16、更新结束，得出结果；即经过若干次更新之后，粒子达到最优位置，粒子适应度值达到全局最优，即获得了轴系振动最低点，此时代表粒子位置的二维向量就是对应的神经网络的输入，即两配重块的最佳位置；步骤17、控制系统驱动配重块到达最佳位置完成自动平衡。