CN104007659A - Bp神经网络在s7-300系列plc中的实现方法 - Google Patents

Abstract

本发明公开了BP神经网络在S7-300系列PLC中的实现方法，在S7-300系列PLC系统中定义12个数据块(DB1～DB12)，使其和BP神经网络迭代算式中的输入变量、隐含节点输入、隐含节点输出、输出节点输入、输出变量、权值w_ij、权值w_jk、阈值a_j、阈值b_k、误差e_k、学习效率η、期望输出等若干变量一一对应，将BP神经网络迭代算式中若干变量的存取操作转化为PLC系统对应数据块中变量的存取操作。使用PLC系统的指令系统，直接实现BP神经网络的迭代运算，通过提供单次迭代、误差限结束、限次结束三种运行模式，以适应PLC系统的多种应用场合，避免BP神经网络的运行时间过长而影响PLC系统的正常扫描功能。

Description

BP神经网络在S7-300系列PLC中的实现方法

技术领域

本发明属于自动化技术领域，涉及BP神经网络在S7-300系列PLC中的实现方法。

背景技术

可编程序控制器(PLC)，工业控制微机(主要是IPC)、集散控制系统(DCS)/现场总线控制系统(FCS)和智能控制仪表，是工业自动化领域常用的四大类控制装置。其中，PLC凭借其高可靠性和易用性，在工业自动化工程中的应用最为广泛。大中型PLC主要用于复杂生产线控制、顺序控制、批量控制和流程工业控制。在众多的大中型PLC系统中，西门子的S7-300或S7-400系列PLC凭借其良好的体系结构、网络功能、集成技术和技术支持，已成为我国广泛应用的大中型PLC系统之一。

BP网络是1986年由Rumelhart和McCelland为首的科学家小组提出，该网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP神经网络采用最速下降法学习规则，能学习和存贮大量的输入/输出模式映射关系，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层(Input Layer)、隐含层(Hide Layer)和输出层(Output Layer)。BP神经网络广泛应用于工业过程建模、软测量、优化控制、变量预测等场合。

当前广泛使用的PLC系统按照IEC61131-3国际标准提供编程语言和指令系统，各PLC系统厂家尚未提供BP神经网络模块或指令库。鉴于此，BP神经网络的研究或应用多采用基于PC的Matlab平台或C语言平台。现有技术必须首先从PLC系统等控制设备中获取过程数据，接着通过PC机的Matlab平台，完成BP神经网络的训练，建立模型，根据模型进行预报，最后根据预报结果修改控制参数或控制量，将结果再回传到PLC，由PLC系统优化控制等任务。因此，现有技术存在明显不足：其一，需要周而复始地从PLC系统获取数据和传输结果信息到PLC系统，需要借助于通信网络和PC平台，网络故障，尤其是固有存在的网络时延都将影响神经网络控制的实际效果。其二，过于复杂，神经网络计算时间的不确定性和工业过程控制追求的实时性、确定性存在冲突，过度延长PLC系统的扫描周期还会降低PLC系统的可靠性。其三，工业环境的高要求也对PC平台的运行环境提出了挑战，增加的PC平台还会导致系统的成本的增加。因此，如何直接在PLC系统中实现BP神经网络是自动化工程界一直追求的目标。

发明内容

本发明的目的在于提供BP神经网络在S7-300系列PLC中的实现方法，解决了目前BP神经网络在PLC中过于复杂，成本高的问题。

本发明采用的技术方案如下：

第一步，在S7-300系列PLC中定义12个数据块：

数据块DB1～DB12分别存放BP神经网络迭代算式中的输入变量、隐含节点输入、隐含节点输出、输出层输入、输出变量、权值w_ij、权值w_jk、阈值a_j、阈值b_k、误差e_k、学习效率η和期望输出；

第二步，初始化数据块：

BP神经网络样本中的输入变量传送到DB1，样本中的输出变量传送到DB12，数据块DB6和DB7中的各变量初值设为零，数据块DB8和DB9中的各变量初值设为0.05，DB11中的学习效率初值设为0.5；

第三步，计算隐含层输入：

分别从数据块DB1和DB6中取出x_i和w_ij，按下式计算隐含层的输入H_Ij：

$H_{\mathrm{Ij}}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{x}_i,j=\mathrm{1,2},...,l;$

第四步，计算隐含层输出：

分别从数据块DB2和DB8取出H_Ij和a_j，按下式计算隐含层的输出H_Oj：

$H_{\mathrm{Oj}}=\frac{1}{1+e^{-(H_{\mathrm{Ij}}-a_j)}},j=\mathrm{1,2},...,l;$

第五步，计算输出层输入：

分别从数据块DB3和DB7中取出H_Oj和w_jk，按下式计算输出层的输入P_Ik：

$P_{\mathrm{Ik}}=\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{H}_{\mathrm{Oj}}{w}_{\mathrm{jk}},k=\mathrm{1,2},...,m;$

第六步，计算输出层输出：

分别从数据块DB4和DB9中取出P_Ik和b_k，按下式计算输出层的输出P_Ok：

P_Ok＝P_Ik-b_k   k＝1,2,…,m；

第七步，计算预测误差：

分别从数据块DB5和DB12中取出P_Ok和y_k，按下式计算预测误差e_k：

e_k＝y_k-P_Ok   k＝1,2,…,m；

第八步，更新权值w_ij和w_jk：

分别从数据块DB7、DB11、DB3和DB10中取出w_jk、η、H_Oj和e_k，按下式更新权值w_jk：

w_jk＝w_jk+ηH_Oje_k   j＝1,2,…,l；k＝1,2,…,m；

分别从数据块DB6、DB11、DB3、DB1、DB7和DB10中取出w_ij、η、H_Oj、x_i、w_jk和e_k，按下式更新权值w_ij：

$w_{\mathrm{ij}}=w_{\mathrm{ij}}+\mathrm{\η}(1-H_{\mathrm{Oj}})x_i\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{w}_{\mathrm{jk}}{e}_k,i=\mathrm{1,2},...,n;j=\mathrm{1,2},...,l;$

第九步，更新阈值a_j和b_k：

分别从数据块DB8、DB11、DB3、DB7和DB10中取出w_ij、η、H_Oj、w_jk和e_k，按下式更新阈值a_j：

$a_j=a_j+\mathrm{\η}(1-H_{\mathrm{Oj}})\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{w}_{\mathrm{jk}}{e}_k,j=\mathrm{1,2},...,l,$

分别从数据块DB9和DB10中取出b_k和e_k，按下式更新阈值b_k：

b_k＝b_k+e_k   k＝1,2,…,m；

第十步，判断循环与结束：

PLC系统实现的BP网络程序根据Mode标志的三种取值进行判断，Mode＝0为单次迭代运行模式，Mode＝1为限次迭代模式，Mode＝2为误差限运行模式。

进一步，将BP神经网络迭代算式中若干变量的存取操作转化为PLC系统对应数据块中变量的存取操作，提供单次迭代、误差限结束、限次结束三种运行模式，以适应PLC系统的多种应用场合，有效避免BP神经网络的运行时间过长而影响PLC系统的正常扫描功能。

本发明使用西门子S7-300系列PLC系统的指令系统，直接在PLC中实现BP神经网络，使得现有的PLC系统可以直接利用BP神经网络实现工业过程建模和优化控制。

附图说明

图1是本发明采用BP神经网络结构图；

图2是DB1的定义示意图；

图3是DB6的定义示意图；

图4是BP神经网络在S7-300系列PLC系统中的实现流程图；

图5是使用PLC系统中的BP网络逼近对象特性图；

图6是使用PLC系统中的BP网络逼近对象特性时的误差图；

图7是使用Matlab提供的BP网络逼近对象特性图；

图8是使用Matlab提供的BP网络逼近对象特性的误差图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

第一步：在S7-300系列PLC中定义12个数据块。

定义的12个数据块存取BP网络的所有参数。数据块是S7-300系列PLC系统数量最多的软元件，不同的CPU，其数据块的容量及其数量不尽相同，S7-300的数据块容量可达64kB，数据块数量可达1024个。为此，使用PLC系统中的数据块来存取BP神经网络迭代算式中所需参数。

如图1所示的BP网络结构，采用S7-300系列PLC的Step7编程软件，在S7-300系列PLC中定义表1所示的12个数据块，数据块的名称依次为DB1，DB2，……DB12。数据块DB1～DB12分别存放BP神经网络迭代算式中的输入变量、隐含节点输入、隐含节点输出、输出层输入、输出变量、权值w_ij、权值w_jk、阈值a_j、阈值b_k、误差e_k、学习效率η和期望输出。图2和图3给出了两个数据块的定义实例，其他数据块的定义与此类似。12个数据块中的每个变量均为浮点数类型(即Real类型，占4个字节)。数据块DB1～DB12的变量个数见表1。n为输入变量个数(输入层节点数)，l为隐含层节点数，m为输出变量个数(输出层节点数)，r为样本个数。

表1数据块DB1～DB11的用途与变量个数

第二步：初始化数据块

使用PLC系统的传送指令初始化数据块DB1～DB12。将样本中的输入变量传送到DB1，样本中的输出变量传送到DB12。数据块DB6和DB7中的各变量初值可以为零；数据块DB8和DB9中的各变量初值为0.05；DB11中的学习效率初值为0.5。其余数据块存放计算过程的中间结果，不需初始化。

第三步：计算隐含层输入

分别从数据块DB1和DB6中取出x_i和w_ij，按下式计算隐含层的输入H_Ij：

$H_{\mathrm{Ij}}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{x}_i,j=\mathrm{1,2},...,l$

将H_Ij存入数据块DB2中。循环计算次数等于隐含层节点数l。

第四步：计算隐含层输出

分别从数据块DB2和DB8取出H_Ij和a_j，按下式计算隐含层的输出H_Oj：

$H_{\mathrm{Oj}}=\frac{1}{1+e^{-(H_{\mathrm{Ij}}-a_j)}},j=\mathrm{1,2},...,l$

将H_Oj存于数据块DB3中。循环计算次数等于隐含层节点数l。

第五步：计算输出层输入

分别从数据块DB3和DB7中取出H_Oj和w_jk，按下式计算输出层的输入P_Ik：

$P_{\mathrm{Ik}}=\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{H}_{\mathrm{Oj}}{w}_{\mathrm{jk}},k=\mathrm{1,2},...,m$

将P_Ik存于数据块DB4中，循环次数等于输出层节点数m。

第六步：计算输出层输出

分别从数据块DB4和DB9中取出P_Ik和b_k，按下式计算输出层的输出P_Ok：

P_Ok＝P_Ik-b_k   k＝1,2,…,m

将P_Ok存于数据块DB5中，循环次数等于输出层节点数m。

第七步：计算预测误差

分别从数据块DB5和DB12中取出P_Ok和y_k，按下式计算预测误差e_k：

e_k＝y_k-P_Ok   k＝1,2,…,m

将e_k存于数据块DB10中，循环次数等于输出层节点数m。

第八步：更新权值w_ij和w_jk

分别从数据块DB7、DB11、DB3和DB10中取出w_jk、η、H_Oj和e_k，按下式更新权值w_jk：

w_jk＝w_jk+ηH_Oje_k   j＝1,2,…,l；k＝1,2,…,m

公式左边的w_jk表示更新后的权值，右边的w_jk表示更新前的权值。将更新后的w_jk存回到数据块DB7。

分别从数据块DB6、DB11、DB3、DB1、DB7和DB10中取出w_ij、η、H_Oj、x_i、w_jk和e_k，按下式更新权值w_ij：

$w_{\mathrm{ij}}=w_{\mathrm{ij}}+\mathrm{\η}(1-H_{\mathrm{Oj}})x_i\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{w}_{\mathrm{jk}}{e}_k,i=\mathrm{1,2},...,n;j=\mathrm{1,2},...,l$

公式左边的w_ij表示更新后的权值，右边的w_ij表示更新前的权值。将更新后的w_ij存回到数据块DB6。

第九步：更新阈值a_j和b_k

分别从数据块DB8、DB11、DB3、DB7和DB10中取出w_ij、η、H_Oj、w_jk和e_k，按下式更新阈值a_j：

$a_j=a_j+\mathrm{\η}(1-H_{\mathrm{Oj}})\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{w}_{\mathrm{jk}}{e}_k,j=\mathrm{1,2},...,l$

公式左边的a_j表示更新后的阈值，右边的a_j表示更新前的阈值。将更新后的阈值a_j存回到数据块DB8。

分别从数据块DB9和DB10中取出b_k和e_k，按下式更新阈值b_k：

b_k＝b_k+e_k   k＝1,2,…,m

公式左边的b_k表示更新后的阈值，右边的b_k表示更新前的阈值。

将更新后的b_k存回到数据块DB9。

第十步：判断循环与结束

PLC系统实现的BP网络程序根据Mode标志的三种取值进行判断。Mode＝0为单次迭代运行模式，Mode＝1为限次迭代模式，Mode＝2为误差限运行模式。上述第三步到第九步为BP神经网络的迭代计算步骤。当Mode＝0时，程序执行完第三步到第九步后即可退出，即PLC系统的一个扫描周期只进行算法的一次迭代操作，BP神经网络的整个迭代计算则通过PLC系统的若干个扫描周期来完成，该模式可以避免PLC系统的扫描周期由此延长而降低PLC系统的扫描性能。当Mode＝1，且循环次数小于指定的迭代次数时，则循环执行第三步至第九步的迭代计算操作，反之则退出迭代计算。该模式虽然时间相对较长，但其时间是确定的，仅和指定的迭代次数有关，便于用户根据使用情况调整迭代次数，使其不至于影响PLC系统的扫描性能即可。当Mode＝2时，如果BP神经网络的预测误差大于指定的误差限，则循环执行第三步至第九步的迭代计算操作，直至BP神经网络的预测误差小于或等于指定的误差限为止。该模式的运行时间不确定，但预测精度较好，适用于以计算结果为条件的PLC控制系统。BP神经网络在S7-300系列PLC系统中的实现流程如图1所示。

应用与验证：通过BP神经网络逼近一个对象来检验PLC系统中的BP神经网络，并将其和Matlab环境中的BP神经网络进行对比。拟逼近对象的差分方程如下：

$y\left(k\right)=u{\left(k\right)}^3+\frac{y(k-1)}{1+y{(k-1)}^2}$

取步长为2ms，输入信号为u(k)＝0.5sin(6πt)，让输入信号按2ms的间隔变化，取400组输入信号，根据对象的差分方程计算得到400组输出数据。将输入数据存于数据块DB1，输出数据存于数据块DB12。BP神经网络的权值w_ij，w_jk的初始值均取0，取η＝0.5，a_j和b_k均取0.05，使用PLC系统的BP网络限次训练400次，得到400组预测数据。

将400组期望输出和预测输出数据转换为400秒的趋势曲线，借助于WinCC导出400组期望输出和预测输出数据，再使用EXCEL拟合出所逼近对象的期望输出、预测输出以及预测误差曲线，如图5和图6所示。同时，图7和图8给出了Matlab提供的BP神经网络逼近该对象的期望输出曲线、预测输出曲线和误差曲线。

通过比较PLC系统的BP网络和Matlab平台的BP网络可知，PLC系统实现的BP网络和Matlab环境下设计的BP网络具有相似的效果。

以上所述，仅为本发明较佳的具体实施方式，本发明的保护范围不限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可显而易见地得到的技术方案的简单变化或等效替换均落入本发明的保护范围内。

Claims (2)

1.BP神经网络在S7-300系列PLC中的实现方法，其特征在于按照以下步骤进行：

第一步，在S7-300系列PLC中定义12个数据块：

数据块DB1～DB12分别存放BP神经网络迭代算式中的输入变量、隐含节点输入、隐含节点输出、输出层输入、输出变量、权值w_ij、权值w_jk、阈值a_j、阈值b_k、误差e_k、学习效率η和期望输出；

第二步，初始化数据块：

BP神经网络样本中的输入变量传送到DB1，样本中的输出变量传送到DB12，数据块DB6和DB7中的各变量初值设为零，数据块DB8和DB9中的各变量初值设为0.05，DB11中的学习效率初值设为0.5；

第三步，计算隐含层输入：

分别从数据块DB1和DB6中取出x_i和w_ij，按下式计算隐含层的输入H_Ij：

$H_{\mathrm{Ij}}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{x}_i,j=\mathrm{1,2},...,l;$

第四步，计算隐含层输出：

分别从数据块DB2和DB8取出H_Ij和a_j，按下式计算隐含层的输出H_Oj：

$H_{\mathrm{Oj}}=\frac{1}{1+e^{-(H_{\mathrm{Ij}}-a_j)}},j=\mathrm{1,2},...,l;$

第五步，计算输出层输入：

分别从数据块DB3和DB7中取出H_Oj和w_jk，按下式计算输出层的输入P_Ik：

$P_{\mathrm{Ik}}=\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{H}_{\mathrm{Oj}}{w}_{\mathrm{jk}},k=\mathrm{1,2},...,m;$

第六步，计算输出层输出：

分别从数据块DB4和DB9中取出P_Ik和b_k，按下式计算输出层的输出P_Ok：

P_Ok＝P_Ik-b_k   k＝1,2,…,m；

第七步，计算预测误差：

分别从数据块DB5和DB12中取出P_Ok和y_k，按下式计算预测误差e_k：

e_k＝y_k-P_Ok   k＝1,2,…,m；

第八步，更新权值w_ij和w_jk：

分别从数据块DB7、DB11、DB3和DB10中取出w_jk、η、H_Oj和e_k，按下式更新权值w_jk：

w_jk＝w_jk+ηH_Oje_k   j＝1,2,…,l；k＝1,2,…,m；

分别从数据块DB6、DB11、DB3、DB1、DB7和DB10中取出w_ij、η、H_Oj、x_i、w_jk和e_k，按下式更新权值w_ij：

$w_{\mathrm{ij}}=w_{\mathrm{ij}}+\mathrm{\η}(1-H_{\mathrm{Oj}})x_i\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{w}_{\mathrm{jk}}{e}_k,i=\mathrm{1,2},...,n;j=\mathrm{1,2},...,l;$

第九步，更新阈值a_j和b_k：

分别从数据块DB8、DB11、DB3、DB7和DB10中取出w_ij、η、H_Oj、w_jk和e_k，按下式更新阈值a_j：

$a_j=a_j+\mathrm{\η}(1-H_{\mathrm{Oj}})\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{w}_{\mathrm{jk}}{e}_k,j=\mathrm{1,2},...,l,$

分别从数据块DB9和DB10中取出b_k和e_k，按下式更新阈值b_k：

b_k＝b_k+e_k   k＝1,2,…,m；

第十步，判断循环与结束：

PLC系统实现的BP网络程序根据Mode标志的三种取值进行判断，Mode＝0为单次迭代运行模式，Mode＝1为限次迭代模式，Mode＝2为误差限运行模式。

2.按照权利要求1所述BP神经网络在S7-300系列PLC中的实现方法，其特征在于：将BP神经网络迭代算式中若干变量的存取操作转化为PLC系统对应数据块中变量的存取操作，提供单次迭代、误差限结束、限次结束三种运行模式，以适应PLC系统的多种应用场合，有效避免BP神经网络的运行时间过长而影响PLC系统的正常扫描功能。