CN103639211A - Bp神经网络和pid参数优化的辊缝控制方法及系统 - Google Patents
Bp神经网络和pid参数优化的辊缝控制方法及系统 Download PDFInfo
- Publication number
- CN103639211A CN103639211A CN201310716867.2A CN201310716867A CN103639211A CN 103639211 A CN103639211 A CN 103639211A CN 201310716867 A CN201310716867 A CN 201310716867A CN 103639211 A CN103639211 A CN 103639211A
- Authority
- CN
- China
- Prior art keywords
- roll gap
- value
- gap control
- output
- difference
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Abstract
本发明公开了一种基于BP神经网络和PID参数优化的辊缝控制方法及系统。该方法包括步骤:在预先建立的辊缝控制系统建立BP神经网络并设定初始权值,并执行以下步骤:步骤A:获取在当前时刻k的设定输入值与实际输出值的差值;步骤B:根据该差值计算并调整k时刻的BP神经网络输出的P、I、D参数值;步骤C:根据该差值及P、I、D参数值计算PID控制器的输出值;步骤D:通过该PID控制器的输出值对控制对象进行控制;重复执行上述的步骤A-D,直至差值小于一预定值。本发明能够使设备的辊缝位置控制更加精确,提高系统整体的效率。
Description
技术领域
本发明属于轧钢自动化控制技术领域,特别涉及中厚板生产中矫直机的液压压下机构的辊缝控制方法。
背景技术
在轧钢自动化控制生产的工程中,辊缝控制是核心控制技术之一,辊缝控制是通过控制轧钢系统的比例阀或者伺服阀,通过调节此阀的开口度从而调节系统不同的压力和流量,这样便可以使矫直机压下机构以不同的速度进行上升或者下降运动,从而改变上辊系和下辊系的距离,实现辊缝控制。
通常辊缝控制系统都是很复杂的,有些辊缝控制系统即使具备较强的专业理论知识也较难建立系统时域模型,并且建立出的模型也需要试验验证其准确性。而对于已进行过准确性验证的时域模型,在实际的应用中,由于现场工程环境的恶劣及不可预测的环境变化,或是人为的对设备进行了局部的修改,均会造成系统时域模型的变化,即可以说实际的辊缝控制系统的模型是一个时变的系统;另外矫直机在矫直板材的时候,即在带载的情况下,产生的矫直力也会对辊缝控制系统产生干扰。
在辊缝控制系统中,通常在设备进行初期调试时一般采用PID方法进行调试,一般工程上调试PID参数的方法是临界振荡法,将较好的PID参数通过临界振荡法试验获得,并设置在辊缝控制系统中。但是辊缝控制系统在初期调试好、且可以使辊缝控制系统运行良好的PID参数,仅仅适用当前时刻的控制系统。因为机械、液压设备的长时间运行,必然会对辊缝控制系统造成损耗,比如说液压缸的磨损,此时机械、液压设备外形上没有变化,但是这些损耗,哪怕是微小的损耗,如果是在关键位置上,那么必然会对辊缝控制系统的时域控制模型造成影响,也就是说,带有损耗后的设备系统时域模型已经不再是当初设备调试初期的那个模型,这样初期调试好的PID参数自然未必能够对此时的系统有较好的控制作用。
因此,现有技术中辊缝控制系统,不能对辊缝控制系统进行实时调节,也就不能使辊缝控制系统时刻工作在最佳或是正常的工作状态,而矫直工作依靠操作人员的熟练程度,也存在调节精度不高且系统自动化程度较低的缺陷。
发明内容
鉴于现有技术中的上述问题,本发明提供了一种基于BP神经网络的PID参数寻优控制方法和系统。
本发明公开了一种基于BP神经网络的PID参数优化的辊缝控制方法,包括:
在预先建立的辊缝控制系统建立BP神经网络并设定初始权值,并执行以下步骤:
步骤A:获取在当前时刻k的设定输入值与实际输出值的差值;
步骤B:根据该差值计算并调整k时刻的BP神经网络输出的P、I、D参数值;
步骤C:根据该差值及P、I、D参数值计算PID控制器的输出值;
步骤D:通过该PID控制器的输出值对控制对象进行控制;
重复执行上述的步骤A-D,直至差值小于一预定值。
本发明还公开了一种辊缝控制系统,包括:BP神经网络、PID控制器及控制对象;
该BP神经网络根据当前时刻k的设定输入值与实际输出值的差值;计算并调整输出的P、I、D参数值;
该PID控制器根据该差值及P、I、D参数值计算PID控制器的输出值,并将该输出值输入控制对象以对控制对象进行控制;
该BP神经网络根据设定输入值与实际输出值的差值;计算并调整输出的P、I、D参数值,直至差值小于一预定值。
本发明的辊缝控制系统,能够自动计算出适应当前系统P、I、D三个参数,并对PID控制器进行调整,由此使得辊缝系统的动态性能和稳定精度都得到改善,能够使设备的辊缝位置控制更加精确,提高系统整体的效率。
附图说明
图1所示为本发明的辊缝控制系统中的BP神经网络结构示意图;
图2所示为本发明的辊缝控制系统中的结构示意图;
图3所示为本发明的辊缝控制方法的流程图;
图4-图6所示为本发明的辊缝控制系统的仿真示意图。
具体实施方式
体现本发明特征与优点的典型实施例将在以下的说明中详细叙述。应理解的是本发明能够在不同的实施例上具有各种的变化,其皆不脱离本发明的范围,且其中的说明及所附附图在本质上是当作说明之用,而非用以限制本发明。
本发明的目的在于提高辊缝控制系统在时域模型的准确性,提出一种基于BP(Back Propagation,反向传播)神经网络和PID(proportion、integral、derivative;比例、积分、微分)参数优化的辊缝控制方法,该方法通过在矫直机的PLC(Programmable Logic Controller,可编程逻辑控制器)控制系统中采用BP神经网络优化PID控制器的参数,根据矫直机的实时状态对辊缝进行精确控制,如对上辊系(液压)的压下动作进行准确控制,以提高辊缝控制的效率。
本案的辊缝控制系统采用实时调整PID参数的方法,PLC控制系统不再是一成不变的,PLC控制系统会随着控制对象的改变而改变,从而使控制系统具有更强的鲁棒性,本案PLC控制系统主要是对其中的PID控制器的P、I、D三个参数值进行调整,以适应辊缝状态的改变,实现对辊缝更精确的控制。
本发明的技术方案中,在辊缝控制系统中建立BP神经网络进行PID参数寻优,BP神经网络的具体结构示意图参见图2所示。在BP神经网络中,输入端设定的输入值为r,实际输出值为y,输入值r与实际输出值y的差值为e,该e的值即为误差值。在PID控制器中,比例、积分和微分参数分别是P、I和D,P参数的输入数值设为KP、I参数输入数值设为KI、D参数输入数值设为KD。
BP神经网络根据辊缝控制系统的时域模型,计算出适合当前辊缝控制的KP、KI和KD三个参数,在初始阶段,通常BP神经网络的输出结果并不能及时跟随设定输入值,由此使得矫直机的最终目标辊缝位置不能及时达到设定输入值所指定的位置,这样就会有位置差产生。设定输入值与实际输入值之差即为误差值。BP神经网络的作用在于实时的根据系统当前的误差值,修正BP神经网络的权值,从而不断在线更新BP神经网络的输出结果,及PID控制器的P、I和D的参数值,从而使BP网络的输出值更适合当前控制对象所需的比例积分微分参数,使矫直机的目标辊缝值能及时向设定辊缝值调整,提高辊缝控制系统的响应速度和实时性,使辊缝控制系统具有更强的抗干扰和更好的动态品质。
BP神经网络的具体工作流程参见图3所示,包括:
步骤1:系统初始化,初始化BP神经网络结构及权值;如,建立一个输入为4个节点,隐层为5个节点,输出层为3个节点的网络结构,这样的网络结构如图1所示,因为需要预求KP、KI和KD三个参数的值,所以输出层为3个节点,3个节点的输出值就是KP、KI和KD的结果。这种网络结构能提高控制系统的响应速度和实时性,使系统具有更强的抗干扰和更好的动态品质。
BP神经网络的输入层与隐层之间的权值矩阵的初始权值可设置在一预定的实数范围内,如[-0.5,+0.5]之间,在该范围内取随机数值即可,该数值范围可根据由工作人员根据控制系统的具体需求进行设定。比如可设置为[-0.5,+0.5]之间的数值,由此形成的权值矩阵如下:
在BP神经网络中,输出的最终权值是通过误差值不断更新的,直到将误差值控制在一足够小的范围内即可。
步骤2:计算k时刻的偏差e(k);e(k)=r(k)-y(k),即在k时刻设定输入值与k时刻实际输出值之差。
步骤3:计算k时刻的BP神经网络输出,即P、I、D三个参数值。
步骤4:计算PID控制器的输出值u(k)。根据PID计算公式,输出 u(k)即控制器的输出值,也就是控制对象的输入值。
步骤5:通过BP神经网络进行在线自学习,通过将误差沿数据流方向反向传递,不断的将BP神经网络的输出值进行修正,使误差不断减小,从而实现在线自学习,在线调整BP神经网络的各层权值。
步骤6:进入下一时刻,即k+1时刻,并计算k+1时刻的偏差,并转至上述的步骤1。
循环执行上述的步骤1-6,就能够使得系统实时的根据当前的误差值,调整BP神经网络输出的比例、积分、微分三个参数值。由此使得辊缝系统能够实时的进行调整,使矫直机目标辊缝值能及时向设定辊缝值进行调整,提高辊缝控制系统的效果。
本案的辊缝控制方法的仿真图参见图4、图5和图6所示,在图4中,设定输入值与实际输出值两曲线的差即误差值,误差值单位为0.001。从图5和图6可以看出,本案的控制系统的实际输出跟设定输入很接近,响应时间基本在1s之内,最终的实际输出与设定输入两曲线拟合程度非常高,基本吻合,误差值在0.01mm之内,由此可以看出辊缝控制系统的动态性能已经达到非常理想的状态。
由此可知,本案的辊缝控制系统采用BP神经网络在线调整P、I、D参数后,系统具有非常好的动态性能和稳定特性,而且误差值也在允许的范围内,即0.01mm之内。可见,采用此控制算法后,系统具有更强的适应性和鲁棒性。
本发明与现有技术相比,具有以下优点和有益效果:
本案的辊缝控制系统采用实时调整P、I、D参数的方法,使得PLC控制系统会随着控制对象的改变而改变,从而使控制系统具有更强的鲁棒性。现有技术中,在设备调试初期预先设定这三个参数值,但是在设备使用过程中,机械设备及电机的电气特性都会有损耗,这样开始已经调好的P、I、D三个参数值有可能已经开始失效,或者说作用效果比不上初期的效果。因此,本案相比现有技术,调节这三个参数值能够自动进行,只要矫直机辊缝值存在误差,BP神经网络就会根据这个误差值不断调节P、I、D三个参数值,直至误差控制在理想的范围内,由此使得本案的辊缝控制系统能够具有更好的适应性和鲁棒性。
本发明的辊缝控制系统,不需要建立精确的或者可以说不需要精确的了解控制对象的模型,同时也省去工程人员调试PID三个参数的繁琐工作,辊缝控制系统只要出现较大的误差,就可以自动计算出适应当前系统P、I、D三个参数,并对PID控制器进行调整,由此使得辊缝系统的动态性能和稳定精度都得到改善,能够使设备的辊缝位置控制更加精确,提高系统整体的效率。
本领域技术人员应当意识到在不脱离本发明所附的权利要求所揭示的本发明的范围和精神的情况下所作的更动与润饰,均属本发明的权利要求的保护范围之内。
Claims (5)
1.一种基于BP神经网络的PID参数优化的辊缝控制方法,其特征在于,包括:
在预先建立的辊缝控制系统建立BP神经网络并设定初始权值,并执行以下步骤:
步骤A:获取在当前时刻k的设定输入值与实际输出值的差值;
步骤B:根据该差值计算并调整k时刻的BP神经网络输出的P、I、D参数值;
步骤C:根据该差值及P、I、D参数值计算PID控制器的输出值;
步骤D:通过该PID控制器的输出值对控制对象进行控制;
重复执行上述的步骤A-D,直至差值小于一预定值。
3.根据权利要求1所述的辊缝控制方法,其特征在于,该差值的预定值为0.01mm。
4.一种辊缝控制系统,其特征在于,包括:BP神经网络、PID控制器及控制对象;
该BP神经网络根据当前时刻k的设定输入值与实际输出值的差值;计算并调整输出的P、I、D参数值;
该PID控制器根据该差值及P、I、D参数值计算PID控制器的输出值,并将该输出值输入控制对象以对控制对象进行控制;
该BP神经网络根据设定输入值与实际输出值的差值;计算并调整输出的P、I、D参数值,直至差值小于一预定值。
5.根据权利要求4所述的辊缝控制系统,其特征在于,该BP神经网络的输入层为4个节点,隐层为5个节点,输出层为3个节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310716867.2A CN103639211A (zh) | 2013-12-23 | 2013-12-23 | Bp神经网络和pid参数优化的辊缝控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310716867.2A CN103639211A (zh) | 2013-12-23 | 2013-12-23 | Bp神经网络和pid参数优化的辊缝控制方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103639211A true CN103639211A (zh) | 2014-03-19 |
Family
ID=50244569
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310716867.2A Pending CN103639211A (zh) | 2013-12-23 | 2013-12-23 | Bp神经网络和pid参数优化的辊缝控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103639211A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105156372A (zh) * | 2015-10-22 | 2015-12-16 | 太原科技大学 | 一种泵阀复合控制全液压矫直机液压系统 |
CN112327631A (zh) * | 2020-11-20 | 2021-02-05 | 成都精航伟泰科技有限公司 | 一种粒子群优化rbf神经网络的pid控制方法 |
CN112644344A (zh) * | 2020-12-29 | 2021-04-13 | 武汉格罗夫氢能汽车有限公司 | 一种基于bp神经网络功率分配优化系统及优化方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20040043911A (ko) * | 2002-11-20 | 2004-05-27 | 주식회사 포스코 | 신경 회로망을 이용한 압연 하중 예측 장치 및 방법 |
CN101362153A (zh) * | 2008-01-22 | 2009-02-11 | 江苏科技大学 | 一种轧机液压agc系统及其控制方法 |
-
2013
- 2013-12-23 CN CN201310716867.2A patent/CN103639211A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20040043911A (ko) * | 2002-11-20 | 2004-05-27 | 주식회사 포스코 | 신경 회로망을 이용한 압연 하중 예측 장치 및 방법 |
CN101362153A (zh) * | 2008-01-22 | 2009-02-11 | 江苏科技大学 | 一种轧机液压agc系统及其控制方法 |
Non-Patent Citations (1)
Title |
---|
范玉涛: "基于PID神经网络的液压AGC辊缝控制", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105156372A (zh) * | 2015-10-22 | 2015-12-16 | 太原科技大学 | 一种泵阀复合控制全液压矫直机液压系统 |
CN112327631A (zh) * | 2020-11-20 | 2021-02-05 | 成都精航伟泰科技有限公司 | 一种粒子群优化rbf神经网络的pid控制方法 |
CN112327631B (zh) * | 2020-11-20 | 2022-06-10 | 成都精航伟泰科技有限公司 | 一种粒子群优化rbf神经网络的pid控制方法 |
CN112644344A (zh) * | 2020-12-29 | 2021-04-13 | 武汉格罗夫氢能汽车有限公司 | 一种基于bp神经网络功率分配优化系统及优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102707743B (zh) | 基于多变量预测控制的超超临界机组汽温控制方法及系统 | |
CN103205665B (zh) | 一种连续热镀锌线锌层厚度自动控制方法 | |
CN101286044B (zh) | 一种燃煤锅炉系统蒸汽温度混合建模方法 | |
CN104315683B (zh) | 一种基于模糊pid的水冷空调的调控方法 | |
CN105388764B (zh) | 基于动态矩阵前馈预测的电液伺服pid控制方法及系统 | |
CN104063584B (zh) | 一种汽轮机调速系统控制参数整定方法 | |
CA2943023C (en) | Feedforward control with intermittent re-initialization based on estimated state information | |
CN103711598B (zh) | 液压系统调节设备、方法、功率匹配控制系统和工程机械 | |
CN110579962B (zh) | 基于神经网络的涡扇发动机推力预测方法及控制器 | |
Liu et al. | Neurofuzzy network modelling and control of steam pressure in 300 MW steam-boiler system | |
CN103639211A (zh) | Bp神经网络和pid参数优化的辊缝控制方法及系统 | |
CN108131238B (zh) | 一种抑制水锤压力波动的pid控制方法 | |
CN102873106B (zh) | 一种平整机延伸率快速精确控制方法 | |
CN110673482B (zh) | 一种基于神经网络预测的电站燃煤锅炉智能控制方法和系统 | |
CN103995466A (zh) | 一种基于软约束的区间预测控制建模及优化方法 | |
CN102410138A (zh) | 一种获取风力发电机组最优控制输入的方法 | |
CN105652666A (zh) | 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 | |
CN102323750A (zh) | 嵌入式非线性脉冲协同控制器 | |
CN101635553A (zh) | 应用于发电机励磁与汽门系统的综合智能解耦控制方法 | |
Pengfei et al. | Flatness control strategy based on delay compensation for cold rolling mill | |
Ogbonna et al. | Neural network based load frequency control for restructuring power industry | |
CN109695943B (zh) | 基于大数据深度学习的涂装空调的温湿度控制系统 | |
CN102880047B (zh) | 炼油工业加热炉温度过程的伴随矩阵解耦预测控制方法 | |
CN102513369B (zh) | 液压伺服模拟控制方法 | |
CN105710138A (zh) | 一种基于滞后补偿的冷轧板形闭环控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140319 |