CN102357637A - 非线性精密锻压机的神经网络控制方法 - Google Patents

Abstract

本发明涉及工业自动控制领域，尤其是一种非线性精密锻压机的神经网络控制方法。所述的控制系统由低通滤波器G(Z)、对象模型P(Z)、对象逆模型D(Z)、对象正模型Q(Z)以及系统扰动d组成；系统输入r为工作滑块位移的设定值，对象逆模型D(Z)输出为控制信号u，控制信号u经对象模型P(Z)后与系统扰动d叠加形成工作滑块的实际位移输出y，控制信号u经对象正模型Q(Z)输出y1，y与y1的误差信号e1作为系统的闭环反馈量。通过本发明构建的控制系统，可有效提升非线性精密锻压机的精度；可广泛应用于非线性精密锻压机上。

Description

非线性精密锻压机的神经网络控制方法

技术领域

本发明涉及工业自动控制领域，尤其是一种非线性精密锻压机的神经网络控制方法。

背景技术

锻压是机械制造工业的基础工艺之一，是研发、生产各类机械装备的重要物质基础和技术基础，是制造机械产品关键零件和重要零件不可缺少的毛坯件。其应用范围涉及国民经济、国防工业和社会生活的各个领域。在汽车、铁路机车车辆、电力、石化、煤炭、冶金、航空、航天、船舶、兵器和机械等工业部门中，至关重要的承力构件都是由锻件制造的。

目前国内的锻压机械控制算法应用最为广泛的是比例、积分、微分控制，简称PID控制。PID控制器问世至今已有近70年历史，它以其结构简单、稳定性好、工作可靠、调整方便而成为工业控制的主要技术之一。然而，对于非线性控制领域，应用传统的PID算法却不能得到很好的应用效果。

70年代后期兴起的智能控制理论为智能控制系统通过模仿人脑神经结构、思维、专家决策、生物进化和群体特性等；可设计出高智能的控制器，为大规模复杂的系统控制提供了一种解决方法。神经网络是(人工)神经网络与控制理论相结合的产物，它汇集了多学科的研究成果，包括数学、生物学、神经生理学、脑科学、遗传学、人工智能、计算机科学、自动控制学等学科理论、技术和方法。神经网络控制器是使用人工神经网络作为控制器与(或)辨识器，对被控系统进行学习、训练和控制。它具有对非线性函数逼近、大规模并行处理、学习、寻优和自适应、自组织的能力，能解决复杂的非线性、不确定、不确知系统在不确定、不确知环境中的控制问题，使控制系统稳定、鲁棒性好，具有要求的动态、静态性能。

发明内容

本发明解决的技术问题在于将神经网络的内模控制应用到精密锻压机上，有效提升非线性精密锻压机精度的神经网络控制方法。

本发明解决上述技术问题的技术方案是：

所述的控制系统由低通滤波器G(Z)、对象模型P(Z)、对象逆模型D(Z)、对象正模型Q(Z)以及系统扰动d组成；系统输入r为工作滑块位移的设定值，对象逆模型D(Z)输出为控制信号u，控制信号u经对象模型P(Z)后与系统扰动d叠加形成工作滑块的实际位移输出y，控制信号u经对象正模型Q(Z)输出y1，y与y1的误差信号e1作为系统的闭环反馈量。

采用三层的BP网络建立系统的正模型，输入结点的输出为：

隐层结点输出为：输出层的输出为： $y(t+1)=\underset{j=1}{\overset{3}{\mathrm{\Σ}}}{W}_{\mathrm{ij}}^3{O}_j^2\left(t\right),$ 其中i，j，n＝1，2，3，

为网络的加权系数。

取可微的S型作用函数

计算网络的目标函数： $J=\frac{y\left(k\right)-y1\left(k\right)}{2}.$

采用三层的BP网络建立系统的逆模型，输入结点的输出为：隐层结点输出：

输出层的输出： $u\left(k\right)=g\left(\underset{j=0}{\overset{3}{\mathrm{\Σ}}}{W}_{\mathrm{ij}}^3{O}_j^2\left(t\right)\right),$ 其中i，j，n＝1，2，3，为网络的加权系数。取可微的S型作用函数计算网络的目标函数： $J_1=\frac{{[y_r(k+1)-y(k+1)]}^2}{2}.$

低通滤波器G(Z)取一阶形式， $G\left(Z\right)=\frac{1-a}{1-a{z}^{-1}},$ a＝0.707。

在控制系统的运行过程中可根据控制量u(k)、输出y(k)和误差e1(k)动态地修改对象的正模型，可根据输出y(k)和控制量u(k)输出动态地修改对象的逆模型。

通过本发明构建的控制系统，在非线性控制的精密锻压机上可实现精度为10um的产品加工，为非线性控制的锻压机提供了一种基于神经网络内模控制的方法。

附图说明

下面结合附图对本发明进一步说明：

图1是精密锻压机的机械结构图；

图2是精密锻压机的机构简图及受力分析；

图3是控制系统的结构框图；

图4是正模型的辨识结构；

图5是逆模型的辨识结构；

具体实施方式

如图1所示，本发明涉及的精密锻压机由机身、低速大扭矩AC伺服电机、同步齿轮、滚珠丝杆、滚珠花键、驱动滑块、平衡缸、短连杆、曲轴、长连杆、滑块1等组成。锻压机的工作原理是：控制器根据用户指定滑块的时间-位置关键点控制伺服电机的转角，电机带动同步带轮，通过滚珠丝杠驱动滑块，再经过增力机构带动末端滑块在垂直方向上运动，从而带动模具工作。图2为锻压机的机构和受力分析图，其中A点固定不动，C点为滑块1，D点与丝杆相连，丝杆上下运动时带动杆c运动，由于A固定，关节B驱动杆b运动，从而带动滑块垂直上下运动。由其工作原理可以看出伺服电机的转角与滑块运动位移为非线性关系。

控制系统结构框图如图3所示，图中r为系统输入的工作滑块设定输入值，G(Z)为低通滤波器，D(Z)为对象逆模型，P(Z)为对象模型，Q(Z)为对象正模型，d为系统的扰动。系统由低通滤波器G(Z)、对象模型P(Z)、对象逆模型D(Z)、对象正模型Q(Z)以及系统扰动d组成。系统输入r为工作滑块位移的设定值，对象逆模型D(Z)输出控制信号u，控制信号u经对象模型P(Z)后与系统扰动d叠加形成工作滑块的实际位移输出y，控制信号u经对象正模型Q(Z)输出y1，y与y1的误差信号e1作为系统的闭环反馈量。考虑到本锻压机系统的非线性、迟延等因素使得内模控制算法中对象的正、逆模型的精确建立十分困难，且不能适应系统的动态变化；系统先从实验中得到若干样本，离线训练得到对象的正、逆模型，在系统的运行过程中根据控制量u(k)、输出y(k)和误差e1(k)动态地修改对象的正模型，根据输出y(k)和控制量输出动态地修改对象的逆模型。

由图3可得误差信号e、控制量u、输出y、反馈量e1的Z变换：

E(Z)＝R(Z)-E1(Z)

U(Z)＝G(Z)E(Z)

Y(Z)＝P(Z)U(Z)+V(Z)

E1(Z)＝[P(Z)-Q(Z)]U(Z)+V(Z)

式中R(Z)为输入信号r的Z变换，V(Z)为输入扰动v的Z变换。

由以上四个式子可推出输出控制信号u关系式：

$U\left(Z\right)=\frac{G\left(Z\right)[R\left(Z\right)-V\left(Z\right)]}{1+F\left(Z\right)[P\left(Z\right)-Q\left(Z\right)]}$

输出工作滑块的位移y的关系式为：

$Y\left(Z\right)=\frac{P\left(Z\right)G\left(Z\right)[R\left(Z\right)-V\left(Z\right)]}{1+G\left(Z\right)[P\left(Z\right)-Q\left(Z\right)]}+V\left(Z\right)=\frac{P\left(Z\right)G\left(Z\right)}{1+G\left(Z\right)[P\left(Z\right)-Q\left(Z\right)]}R\left(Z\right)+\frac{1-G\left(Z\right)Q\left(Z\right)}{1+G\left(Z\right)[P\left(Z\right)-Q\left(Z\right)]}V\left(Z\right)$

当对象模型稳定且Q(Z)＝P(Z)时，系统可实现“完全控制”；当对象模型稳定且Q(Z)≠P(Z)时，系统可实现无静差控制。

低通滤波器G(Z)取一阶形式，0＜a＜1，现取a＝0.707。

系统正模型辨识结构如图4所示，图中u(k)、y(k)分别为训练输入、输出样本，y1(k)为正模型的训练输出，e(k)为y(k)与y1(k)的差。正模型通过BP网络动态模型中的串并联模型来建立。设对象的离散时间非线性系统表达式为：y(k)＝f[y(k-1)，…，y(k-n)；u(k-1)，…，u(k-m)]，其中y(k-n)、u(k-m)为阶次分别为n、m的输入输出时间序列。结合本锻压机连杆式机构结构大惯量和非线性的动态特性，采用三层的BP网络建立系统的正模型，输入结点的输出为：

隐层结点输出为：

输出层的输出为： $y(t+1)=\underset{j=1}{\overset{3}{\mathrm{\Σ}}}{W}_{\mathrm{ij}}^3{O}_j^2\left(t\right),$ 其中i，j，n＝1，2，3，

为网络的加权系数。

取可微的S型作用函数计算网络的目标函数： $J=\frac{y\left(k\right)-y1\left(k\right)}{2}.$

系统逆模型辨识结构如图5所示，图中y(k)、u(k)分别为训练输入、输出样本，u1(k-1)为正模型的训练输出，e(k-1)为u(k)与u1(k-1)的差。逆模型应用“对象-正模型-逆模型”的学习方法来建立。设内模控制器控制率为：u(k)＝f[yr(k+1)，…，yr(k+p)，u(k-1)，…，u(k-q)，e(k)]，其中e(k)为内部模型输出的误差，p+q+1为输入点数。结合本锻压机连杆式机构结构大惯性和非线性的动态特性，采用三层的BP网络建立系统的逆模型，输入结点的输出为：

隐层结点输出：

输出层的输出： $u\left(k\right)=g\left(\underset{j=0}{\overset{3}{\mathrm{\Σ}}}{W}_{\mathrm{ij}}^3{O}_j^2\left(t\right)\right),$ 其中i，j，n＝1，2，3，

为网络的加权系数。

取可微的S型作用函数

计算网络的目标函数： $J_1=\frac{{[y_r(k+1)-y(k+1)]}^2}{2}.$

Claims (9)

1.一种非线性精密锻压机的神经网络控制方法，其特征在于：所述的控制系统由低通滤波器G(Z)、对象模型P(Z)、对象逆模型D(Z)、对象正模型Q(Z)以及系统扰动d组成；系统输入r为工作滑块位移的设定值，对象逆模型D(Z)输出为控制信号u，控制信号u经对象模型P(Z)后与系统扰动d叠加形成工作滑块的实际位移输出y，控制信号u经对象正模型Q(Z)输出y1，y与y1的误差信号e1作为系统的闭环反馈量。

2.根据权利要求1所述的控制方法，其特征在于：采用三层的BP网络建立系统的正模型，输入结点的输出为：

隐层结点输出为：

输出层的输出为： $y(t+1)=\underset{j=1}{\overset{3}{\mathrm{\Σ}}}{W}_{\mathrm{ij}}^3{O}_j^2\left(t\right),$ 其中i，j，n＝1，2，3，

为网络的加权系数。

取可微的S型作用函数

计算网络的目标函数： $J=\frac{y\left(k\right)-y1\left(k\right)}{2}.$

3.根据权利要求1或2所述的控制方法，其特征在于：采用三层的BP网络建立系统的逆模型，输入结点的输出为：

隐层结点输出：

输出层的输出： $u\left(k\right)=g\left(\underset{j=0}{\overset{3}{\mathrm{\Σ}}}{W}_{\mathrm{ij}}^3{O}_j^2\left(t\right)\right),$ 其中i，j，n＝1，2，3，为网络的加权系数。取可微的S型作用函数计算网络的目标函数： $J_1=\frac{{[y_r(k+1)-y(k+1)]}^2}{2}.$

4.根据权利要求1或2所述的控制方法，其特征在于：低通滤波器G(Z)取一阶形式， $G\left(Z\right)=\frac{1-a}{1-a{z}^{-1}},$ a＝0.707。

5.根据权利要求3所述的控制方法，其特征在于：低通滤波器G(Z)取一阶形式， $G\left(Z\right)=\frac{1-a}{1-a{z}^{-1}},$ a＝0.707。

6.根据权利要求1或2所述的控制方法，其特征在于：在控制系统的运行过程中可根据控制量u(k)、输出y(k)和误差e1(k)动态地修改对象的正模型，可根据输出y(k)和控制量u(k)输出动态地修改对象的逆模型。

7.根据权利要求3所述的控制方法，其特征在于：在控制系统的运行过程中可根据控制量u(k)、输出y(k)和误差e1(k)动态地修改对象的正模型，可根据输出y(k)和控制量u(k)输出动态地修改对象的逆模型。

8.根据权利要求4所述的控制方法，其特征在于：在控制系统的运行过程中可根据控制量u(k)、输出y(k)和误差e1(k)动态地修改对象的正模型，可根据输出y(k)和控制量u(k)输出动态地修改对象的逆模型。

9.根据权利要求5所述的控制方法，其特征在于：在控制系统的运行过程中可根据控制量u(k)、输出y(k)和误差e1(k)动态地修改对象的正模型，可根据输出y(k)和控制量u(k)输出动态地修改对象的逆模型。

Images