CN105116724A - 基于遗传算法优化神经网络直线电机定位力辨识方法 - Google Patents

Abstract

本发明公开了一种基于遗传算法优化神经网络直线电机定位力辨识方法，其步骤如下：步骤一：由加速度传感器采集直线电机匀速拖动数据并换算为定位力数据。步骤二：确定神经网络拓扑结构。步骤三：初始化神经网络各个参数。步骤四：定义遗传算法适应度函数为预测数据误差。步骤五：将步骤三中的神经网络参数作为个体，执行遗传算法。步骤六：当达到最大进化次数时，结束遗传算法优化过程，得到最优参数，进行步骤七，否则执行步骤五。步骤七：将最优参数赋到神经网络。步骤八：训练神经网络更新参数。步骤九：达到训练次数，则用训练后网络进行辨识，否则执行步骤八。本方法不需要定位力精确数学模型，不会产生由于数学模型不准确而导致的理论误差。

Description

基于遗传算法优化神经网络直线电机定位力辨识方法

技术领域

本发明涉及一种辨识直线电机定位力的方法，具体涉及一种基于遗传算法优化神经网络直线电机定位力辨识方法。

背景技术

随着工业技术的发展，直线电机在各种伺服系统中应用广泛。在高精度伺服系统中，需要辨识直线电机定位力以进行补偿提高控制精度。

传统辨识方法存在对于该方法所需要的定位力数学模型精度要求高，每次建模只适用于该次辨识对象，具有局限性等问题。传统辨识方法无法在工程上补偿直线电机定位力前及时给出精确定位力模型。

当不采用辨识方法对直线电机定位力进行辨识时，就无法实现对直线电机的定位力补偿，在高精度伺服系统中会提高控制难度，难以保证系统精度；当采用传统辨识方法对直线电机定位力进行辨识时，需要保证辨识对象模型的精确性，否则会有较大辨识误差，而且辨识算法程序仅适用于当前对象，具有局限性。

发明内容

为了克服传统定位力辨识方法的局限性并实现直线电机定位力辨识，本发明提供了一种基于遗传算法优化神经网络直线电机定位力辨识方法。由采集的数据，经由遗传算法对神经网络参数进行优化，再通过神经网络辨识，可得到比较精确的直线电机定位力模型，而且算法程序可对采集的不同对象进行辨识，具有通用性。

本发明的目的是通过以下技术方案实现的：

一种基于遗传算法优化神经网络直线电机定位力辨识方法，包括以下步骤：

步骤一：由加速度传感器采集直线电机匀速拖动数据并换算为定位力数据。

步骤二：确定神经网络拓扑结构。

步骤三：初始化神经网络各个参数。

步骤四：定义遗传算法适应度函数为预测数据误差。

步骤五：将步骤三中的神经网络参数作为个体，执行遗传算法。

步骤六：当达到最大进化次数时，结束遗传算法优化过程，得到最优参数，进行步骤七，否则执行步骤五。

步骤七：将最优参数赋到神经网络。

步骤八：训练神经网络更新参数。

步骤九：达到训练次数，则用训练后网络进行辨识，否则执行步骤八。

本发明有以下优点：

1、本方法不需要定位力精确数学模型，不会产生由于数学模型不准确而导致的理论误差；

2、本方法实现后的算法程序应用具有通用性和自适应性，在辨识精度要求不变的前提下，不需要针对每次辨识修改算法程序。

附图说明

图1为本发明算法流程图；

图2为本发明辨识主体神经网络拓扑结构图；

图3为采用本发明对直线电机定位力辨识结果及其与实际直线电机定位力的对比图像。

具体实施方式

下面结合附图对本发明的技术方案作进一步的说明，但并不局限于此，凡是对本发明技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖在本发明的保护范围中。

本发明提供了一种基于遗传算法优化神经网络直线电机定位力辨识方法，如图1所示，具体步骤如下：

步骤一：将由加速度传感器采集的目标直线电机匀速拖动加速度数据经公式F＝m·a转换成所需的定位力数据并进行归一化处理。

步骤二：确定神经网络拓扑结构，其拓扑结构如图2所示，分为三部分：输入层、隐含层和输出层。

步骤三：初始化神经网络参数：w_0j、w_ijk、a_ij、b，a_0j为输入层到第一层隐含层第j个节点的阈值；a_ij为第i层隐含层到第i+1层隐含层第j个节点的阈值；w_0j为输入层与第一层隐含层第j个节点之间的权值；w_ijk为第i层隐含层中第j个节点到第i+1层隐含层第k个节点之间的权值；b为最后一层隐含层到输出层节点的阈值。

步骤四：定义遗传算法适应度函数为预测数据误差。

步骤五：将步骤三中的神经网络参数作为个体，采用遗传算法在个体中作选择、变异、交叉操作。

步骤六：当达到预设的进化次数时，结束遗传算法优化过程，得到最优个体，即最优参数，进行步骤七，否则执行步骤五。

步骤七：将最优参数赋到神经网络。

步骤八：按(1)-(3)式进行神经网络的训练，其中H_ij为第i层隐含层中第j个节点的输出；X为网络输入，即被辨识目标直线电机运动的位移；Y为网络输出，即被辨识目标直线电机对应于X的定位力；a_0j为输入层到第一层隐含层第j个节点的阈值；a_ij为第i层隐含层到第i+1层隐含层第j个节点的阈值；w_0j为输入层与第一层隐含层第j个节点之间的权值；w_ijk为第i层隐含层中第j个节点到第i+1层隐含层第k个节点之间的权值；b为最后一层隐含层到输出层节点的阈值；n_i为第i层隐含层的节点数。

H_ij＝f(w_0jX+a_0j)，i＝1(1)；

$H_{ij}=f(\underset{k=1}{\overset{n_{i-1}}{\Σ}}{w}_{(i-1)kj}{H}_{(i-1)k}+a_{(i-1)j}),i>1---\left(2\right);$

$Y=\underset{k=1}{\overset{n_m}{\Σ}}{H}_{mk}{w}_{mk1}+b---\left(3\right).$

步骤九：当达到预设训练次数之后，停止训练并对给定位置的定位力进行辨识，否则执行步骤八。

采用本发明对直线电机定位力辨识结果及其与实际直线电机定位力的对比图像如图3所示。

Claims (5)

1.一种基于遗传算法优化神经网络直线电机定位力辨识方法，其特征在于所述方法步骤如下：

步骤一：由加速度传感器采集直线电机匀速拖动数据并换算为定位力数据；

步骤二：确定神经网络拓扑结构；

步骤三：初始化神经网络各个参数；

步骤四：定义遗传算法适应度函数为预测数据误差；

步骤五：将步骤三中的神经网络参数作为个体，执行遗传算法；

步骤六：当达到最大进化次数时，结束遗传算法优化过程，得到最优参数，进行步骤七，否则执行步骤五；

步骤七：将最优参数赋到神经网络；

步骤八：训练神经网络更新参数；

步骤九：达到训练次数，则用训练后网络进行辨识，否则执行步骤八。

2.根据权利要求1所述的基于遗传算法优化神经网络直线电机定位力辨识方法，其特征在于所述步骤二中，神经网络拓扑结构分为三部分：输入层、隐含层和输出层。

3.根据权利要求1所述的基于遗传算法优化神经网络直线电机定位力辨识方法，其特征在于所述步骤三中，初始化神经网络参数包括w_0j、w_ijk、a_ij、b，a_0j为输入层到第一层隐含层第j个节点的阈值；a_ij为第i层隐含层到第i+1层隐含层第j个节点的阈值；w_0j为输入层与第一层隐含层第j个节点之间的权值；w_ijk为第i层隐含层中第j个节点到第i+1层隐含层第k个节点之间的权值；b为最后一层隐含层到输出层节点的阈值。

4.根据权利要求1所述的基于遗传算法优化神经网络直线电机定位力辨识方法，其特征在于所述步骤五中，采用遗传算法在个体中作选择、变异、交叉操作。

5.根据权利要求1所述的基于遗传算法优化神经网络直线电机定位力辨识方法，其特征在于所述步骤八中，按(1)-(3)式进行神经网络的训练，其中H_ij为第i层隐含层中第j个节点的输出；X为网络输入；Y为网络输出；a_0j为输入层到第一层隐含层第j个节点的阈值；a_ij为第i层隐含层到第i+1层隐含层第j个节点的阈值；w_0j为输入层与第一层隐含层第j个节点之间的权值；w_ijk为第i层隐含层中第j个节点到第i+1层隐含层第k个节点之间的权值；b为最后一层隐含层到输出层节点的阈值；n_i为第i层隐含层的节点数；

H_1j＝f(w_0jX+a_0j)(1)；

$H_{ij}=f(-\underset{k=1}{\overset{n_{i-1}}{\Σ}}{w}_{(i-1)kj}{H}_{(i-1)k}+a_{(i-1)j}),i>1---\left(2\right);$

$Y=\underset{k=1}{\overset{n_m}{\Σ}}{H}_{mk}{w}_{mk1}+b---\left(3\right).$