CN104932270A - PID神经元网络3d打印控制算法 - Google Patents

Abstract

本发明公开了一种PID神经元网络3d打印控制算法，所述算法具体如下：(1)STEP1输入层：输入层包含2n个神经元，输出数据x_si等于输入数据X_si，计算方法为X_sj(k)＝X_si(k)(2)STEP2隐含层：隐含层有3n个神经元，包括n个比例神经元、n个积分神经元和n个微分神经元。这些神经元的输入值相同，计算方法为隐含层神经元输出的计算方法如下：比例神经元：u_s1(k)＝nets1(k)积分神经元：u_s2(k)＝net_s2(k)+u_s2(k-1)微分神经元：u_s3(k)＝net_s3(k)-net_s3(k-1)(3)STEP3输出层：输出层有n个神经元，构成n维输出量，输出层的输出为隐含层全部神经元的输出值加权和，计算方法如下：本发明的算法能够广泛运用在复杂多变条件下、恶劣的工作环境中的PID神经元网络3D打印，该算法适用于实际的振动、干扰、电磁噪音、运动等复杂情况。

Description

PID神经元网络3d打印控制算法

技术领域

本发明涉及一种3d打印技术领域，尤其涉及一种PID神经元网络3d打印控制算法

背景技术

现有3D打印控制方法为开环控制，或者普通的PID控制方法，这种3D打印方法是绝大多数低档次打印机所使用的方法，这种打印机只能适用于无振动、无干扰、无电磁噪音、无运动等简单条件下、温度和湿度都良好的简单环境中的普通打印工作。而实际的振动、干扰、电磁噪音、运动等复杂情况下3D打印过程一般均为多变量耦合系统，工作在复杂条件下的工业级或高档次3D打印机也为多变量耦合系统，对该类型系统的控制器在理论上和市场中都十分匮乏，在行业内也很少发现有采用有效控制算法的3D打印机。

发明内容

本发明专利就是根据现有技术和产品的不足，提出了一种能够广泛运用在复杂多变条件下、恶劣的工作环境中的PID神经元网络3D打印控制算法，该算法适用于实际的振动、干扰、电磁噪音、运动等复杂情况。

为达到上述技术目的，本发明采用了一种PID神经元网络3d打印控制算法，所述算法具体如下：

(1)STEP1输入层：

输入层包含2n个神经元，输出数据x_si

等于输入数据X_si，计算方法为

X_sj(k)＝X_si(k)

(2)STEP2隐含层：

隐含层有3n个神经元，包括n个比例神经元、n个积分神经元和n个微分神经元。这些神经元的输入值相同，计算方法为

${\mathrm{net}}_{sj}\left(k\right)={\mathrm{\Σ}}_{i=1}^2{\mathrm{\ω}}_{ij}{x}_{sy}\·\left(k\right)j=1,2,3$

隐含层神经元输出的计算方法如下：

比例神经元：

u_s1(k)＝nets1(k)

积分神经元：

u_s2(k)＝net_s2(k)+u_s2(k-1)

微分神经元：

u_s3(k)＝net_s3(k)-net_s3(k-1)

式中，s为并联子网络的序号；j为子网络中隐含层神经元序号；x_si(k)为各子网络输入层神经元输出值；w_ij为各子网络输入层至隐含层的连接权重值。

(3)STEP3输出层：

输出层有n个神经元，构成n维输出量，输出层的输出为隐含层全部神经元的输出值加权和，计算方法如下：

$y_h\left(k\right)={\Σ}_{s=1}^n{\Σ}_{j=1}^a{\mathrm{\ω}}_{jk}{u}_{sj}\left(k\right)$

式中，h为输出层神经元序号；s为子网的序号；j为子网的隐含层的神经元序号；u_sj(k)为隐含层个神经元输出值；w_jk为隐含层至输出层的连接权重值。

本发明的控制算法中的n个控制量的PID神经元网络包含n个并列的相同子网络，各子网络间既相互独立，又通过网络连接权值相互联系。该算法能够广泛运用在复杂多变条件下、恶劣的工作环境中的PID神经元网络3D打印，该算法适用于实际的振动、干扰、电磁噪音、运动等复杂情况。

附图说明

图1所示的是本发明中PID神经网络控制器结构示意图；

图2.所示的是本发明中3D打印系统的PID神经元网络控制效果图。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步详细地说明。

PID神经元网络3d打印控制算法，所述算法具体如下：

(1)STEP1输入层：

输入层包含2n个神经元，输出数据x_si

等于输入数据X_si，计算方法为

X_sj(k)＝X_si(k)

(2)STEP2隐含层：

隐含层有3n个神经元，包括n个比例神经元、n个积分神经元和n个微分神经元。这些神经元的输入值相同，计算方法为

${\mathrm{net}}_{sj}\left(k\right)={\Σ}_{i=1}^2{\mathrm{\ω}}_{ij}{x}_{sy}\·\left(k\right)j=1,2,3$

隐含层神经元输出的计算方法如下：

比例神经元：

u_s1(k)＝nets1(k)

积分神经元：

u_s2(k)＝net_s2(k)+u_s2(k-1)

微分神经元：

u_s3(k)＝net_s3(k)-net_s3(k-1)

式中，s为并联子网络的序号；j为子网络中隐含层神经元序号；x_si(k)为各子网络输入层神经元输出值；w_ij为各子网络输入层至隐含层的连接权重值。

(3)STEP3输出层：

输出层有n个神经元，构成n维输出量，输出层的输出为隐含层全部神经元的输出值加权和，计算方法如下：

$y_h\left(k\right)={\Σ}_{s=1}^n{\Σ}_{j=1}^a{\mathrm{\ω}}_{jk}{u}_{sj}\left(k\right)$

式中，h为输出层神经元序号；s为子网的序号；j为子网的隐含层的神经元序号；u_sj(k)为隐含层个神经元输出值；w_jk为隐含层至输出层的连接权重值。

作为本发明的算法之补充，本发明开公开了PID神经元网络3D打印过程的权重修正方法，包含如下：PID神经元网络在3D打印控制过程中根据控制量误差按照梯度修正法修正权值，使得3D打印机控制量不断接近控制目标值，权重修正的过程如下：

误差计算方法如下：

$J=\mathrm{\Σ}E=\underset{k=1}{\overset{n}{\Σ}}{\[y_h\left(k\right)-r\left(k\right)\]}^2$

式中，n为输出节点个数；y_h为预测输出；r为控制目标。

PID神经元网络权值的修正方法如下：

输出层到隐藏层

$w_{jk}(k+1)=wjk\left(k\right)-\mathrm{\η}\frac{{\∂}_J}{\∂w_{jk}}$

输入层到输出层

$w_{ij}(k+1)=wij\left(k\right)-\mathrm{\η}\frac{{\∂}_J}{\∂w_{ij}}$

式中，η为学习速率。(取值越小越好，一般在0.001～0.01之间)

PID神经网络3D打印控制器和被控制系统构成的闭环控制系统如图1所示。

图1中，r₁,r₂,…,r_n是3D打印控制量控制目标，u₁,u₂,…,u_n为3D打印控制器控制律，y₁,y₂,…,y_n为3D打印控制量当前值。对于本例来说，由于被控制的3D打印系统有三个控制量，所以选择包含三个单神经元网络构成的多神经元网络作为系统控制器。网络权值随机初始化，控制量初始值为[000]，控制目标位[0.70.40.6]，控制时间间隔为0.001秒。

以三输入三输出耦合的3D打印系统为控制平台，PID神经元网络控制效果如图2所示。

Claims (1)

1.PID神经元网络3d打印控制算法，其特征在于，所述算法具体如下：

(1)STEP1输入层：

输入层包含2n个神经元，输出数据x_si

等于输入数据X_si，计算方法为

X_sj(k)＝X_si(k)

(2)STEP2隐含层：

隐含层有3n个神经元，包括n个比例神经元、n个积分神经元和n个微分神经元，这些神经元的输入值相同，计算方法为

${\mathrm{net}}_{sj}\left(k\right)={\mathrm{\Σ}}_{i=1}^2{\mathrm{\ω}}_{ij}{x}_{sy}\·\left(k\right)j=1,2,3$

隐含层神经元输出的计算方法如下：

比例神经元：

u_s1(k)＝nets1(k)

积分神经元：

u_s2(k)＝net_s2(k)+u_s2(k-1)

微分神经元：

u_s3(k)＝net_s3(k)-net_s3(k-1)

式中，s为并联子网络的序号；j为子网络中隐含层神经元序号；x_si(k)为各子网络输入层神经元输出值；w_ij为各子网络输入层至隐含层的连接权重值；

(3)STEP3输出层：

输出层有n个神经元，构成n维输出量，输出层的输出为隐含层全部神经元的输出值加权和，计算方法如下：

$y_h\left(k\right)={\Σ}_{s=1}^n{\Σ}_{j=1}^a{\mathrm{\ω}}_{jk}{u}_{sj}\left(k\right)$

式中，h为输出层神经元序号；s为子网的序号；j为子网的隐含层的神经元序号；u_sj(k)为隐含层个神经元输出值；w_jk为隐含层至输出层的连接权重值。