CN105652666A

CN105652666A - 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

Info

Publication number: CN105652666A
Application number: CN201610131724.9A
Authority: CN
Inventors: 蔺永诚; 谌东东; 陈明松
Original assignee: Central South University
Current assignee: Central South University
Priority date: 2016-03-09
Filing date: 2016-03-09
Publication date: 2016-06-08
Anticipated expiration: 2036-03-09
Also published as: CN105652666B

Abstract

本发明提供了一种基于BP神经网络的大型模锻压机上横梁速度预测控制方法。该方法包括如下步骤：(1)先对模型参数进行初始化，然后根据历史的模锻工艺数据离线训练预测神经网络和控制神经网络；(2)由预测神经网络给出系统下一时刻的预测输出；(3)对预测输出进行反馈校正，并规划下一时刻的模锻工艺参考值；(4)根据反馈校正值和模锻工艺参考值由控制神经网络给出系统当前时刻的输入；(5)在线感知当前时刻的模锻工艺数据，并根据当前的数据反馈调整控制神经网络和预测神经网络；(6)转入步骤2，进入下一时刻大型模锻压机上横梁速度的预测控制。本发明方法能够快速、准确地在线预测大型模锻压机上横梁速度，为有效控制大型模锻压机提供了理论依据与技术支持。

Description

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

技术领域：

本发明属于锻造技术领域，涉及一种基于BP神经网络的大型模锻压机上横梁速度预测控制方法。

背景技术：

由于实际锻造过程中时变的负载、非线性液压驱动、以及锻件复杂的流变应力等多种因素影响，致使整个锻造过程非常复杂，从而对准确快速地预测和控制大型模锻压机的动态行为提出了挑战。

目前，对大型模锻压机的控制方法主要有：PI控制、迭代学习控制以及滑模控制等方法。这些方法虽然在一定程度上实现了对压机的控制，但是这些方法大都将复杂的锻造过程简化为线性模型，并且忽略了未知扰动。鉴于锻造过程的强非线性和时变性，仅仅用线性模型很难准确地描述整个锻造过程，这些方法不能够达到高品质锻造的要求。随着智能方法的发展，神经网络、模糊集和支持向量机等方法逐渐引入到锻造系统的在线建模中，并且具有非常好的预测能力。因此，可以基于智能方法提出一种简单、快速、高效的大型模锻压机上横梁速度预测控制方法。自从上世纪70年代模型预测控制被提出以来，这种新型的控制策略经过多年的完善和发展，已经广泛应用于工业过程中。模型预测控制的基本特点是：模型预测、滚动优化和反馈控制。

本发明方法基于模型预测控制方法的基本特点，结合BP神经网络快速、自适应以及良好的泛化和容错能力，避免了模型预测控制方法中预测模型难以建立和滚动优化耗时长的难题，提出了一种简单、快速、高效的大型模锻压机上横梁速度预测控制方法。

发明内容：

本发明的目的在于提供一种大型模锻压机上横梁速度预测控制方法，解决了现有的控制方法不能有效控制大型模锻压机上横梁速度的难题。

本发明解决上述难题的方案是：

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，该方法包括如下步骤：

步骤1：先对模型参数进行初始化，然后根据历史的模锻工艺数据离线训练预测神经网络和控制神经网络；

步骤2：由预测神经网络给出系统下一时刻的预测输出；

步骤3：对预测输出进行反馈校正，并规划下一时刻的模锻工艺参考值；

步骤4：根据反馈校正值和模锻工艺参考值,由控制神经网络给出系统当前时刻的输入；

步骤5：在线感知当前时刻的模锻工艺数据，并根据当前的数据反馈调整控制神经网络和预测神经网络；

步骤6：转入步骤2，进入下一时刻大型模锻压机上横梁速度的预测控制。

按照上述方案，步骤1中所述模型参数初始化是给定学习速率η、软化系数α、权值系数h以及初始的系统输入。

按照上述方案，步骤1中所述根据历史的模锻工艺数据离线训练预测神经网络和控制神经网络是根据已采集的模锻工艺数据建立预测神经网络和控制神经网络，以给定在线训练预测神经网络和控制神经网络的初始权值，其中模锻工艺数据包括大型模锻压机的负载和上横梁速度。

按照上述方案，步骤1中所述预测神经网络可以表示为：

y_m(k+1)＝f_p[u(k-2),u(k-1),u(k),y(k-1),y(k)](1)

其中，y(k)是k时刻系统的实际输出，u(k)是k时刻作用于系统的控制量，y_m(k+1)为预测输出。在预测神经网络中选取的传递函数(激活函数)为：

g (x) = \frac{1}{1 + e^{- x}} - - - (2)

在预测神经网络中，用U表示输入[u(k-2),u(k-1),u(k),y(k-1),y(k)]，用np1，hp1，np2和y_m分别表示隐含层节点的输入，隐含层节点的输出，输出层节点的输入以及输出层节点的输出。

np1＝Wp1·U+bp1(3)

hp1＝g(np1)(4)

np2＝Wp2·hp1+bp2(5)

y_m(k+1)＝g(np2)(6)

按照上述方案，步骤1中所述由控制神经网络可以表示为：

u(k+1)＝f_c[y_r(k+1),y_p(k+1),u(k-1),u(k)](7)

其中，u(k+1)是k+1时刻作用于系统控制量，u(k-1)和u(k)分别表示k-1和k时刻作用于系统的控制量，y_r(k+1)和y_p(k+1)分别表示(k+1)时刻输出量的参考值和校正值。在控制神经网络中选取的传递函数与控制神经网络相同，用Y表示输入[y_r(k+1),y_p(k+1),u(k-1),u(k)]，用nc1，hc1，nc2和u(k+1)表示隐含层节点的输入，隐含层节点的输出，输出层节点的输入以及输出层的输出。

nc1＝Wc1·U+bc1(8)

hc1＝g(nc1)(9)

nc2＝Wc2·hc1+bc2(10)

u(k+1)＝g(nc2)(11)

按照上述方案，步骤3中所述对预测输出进行反馈校正可以描述为：在得到模型的预测值之后，需要用当前过程(第k时刻)输出的测量值y(k)和模型的预测值y_m(k)的差值对第k+1时刻的预测值y_m(k+1)进行修正，修正后的输出预测值记为y_p(k+1)，如式(12)所示：

y_p(k+1)＝y_m(k+1)+h(y(k)-y_m(k))(12)

其中h为权值系数，一般取为1.

按照上述方案，步骤3中所述规划下一时刻的模锻工艺参考值可以用如下方程表示：

y_r(k+1)＝αy(k)+(1-α)y_d(13)

其中，y_r(k+1)为参考值，α为柔化系数，0<α<1.若α取值较大则预测控制的鲁棒性强，但导致系统的响应速度变慢；若α取值较小则系统的响应速度变快，但是容易出现超调与震荡。y_d为目标设定值。

按照上述方案，步骤5中所述在线反馈调整预测神经网络可以表述为：当测得第k+1时刻的实际输出y(k+1)之后，也要对预测神经网络权值进行在线调整，以用于预测下一时刻的输出量。预测神经网络权值调整是基于如下优化指标是：

E = \frac{1}{2} {[y (k + 1) - y_{m} (k + 1)]}^{2} - - - (14)

输入-隐含层权值调整公式为：

Δ W p 1_{i j} = - η \frac{\partial E}{\partial W p 1_{i j}} = η \cdot [y (k + 1) - y_{m} (k + 1)] \cdot y_{m} (k + 1) \cdot (1 - y_{m} (k + 1)) \cdot W p 2_{i} \cdot h p 1_{i} \cdot (1 - h p 1_{i}) \cdot U_{j} - - - (15)

Δ b p 1_{i} = - η \frac{\partial E}{\partial b p 1_{i}} = η \cdot [y (k + 1) - y_{m} (k + 1)] \cdot y_{m} (k + 1) \cdot (1 - y_{m} (k + 1)) \cdot W p 2_{i} \cdot h p 1_{i} \cdot (1 - h p 1_{i}) - - - (16)

隐含-输出层权值调整公式为：

Δ W p 2_{i} = - η \frac{\partial E}{\partial W p 2_{i}} = η \cdot [y (k + 1) - y_{m} (k + 1)] \cdot y_{m} (k + 1) \cdot (1 - y_{m} (k + 1)) \cdot h p 1_{i} - - - (17)

Δ b p 2 = - η \frac{\partial E}{\partial b p 2} = η \cdot [y (k + 1) - y_{m} (k + 1)] \cdot y_{m} (k + 1) \cdot (1 - y_{m} (k + 1)) - - - (18)

按照上述方案，步骤5中所述在线反馈调整控制神经网络可以表述为：当测得第k+1时刻的实际输出y(k+1)之后，就要对控制神经网络权值进行在线调整，以用于计算下一时刻的控制量。控制神经网络权值调整是基于模型预测控制的滚动优化，优化指标是：

J = \frac{1}{2} {[y_{r} (k + 1) - y_{p} (k + 1)]}^{2} - - - (19)

输入-隐含层权值调整公式为：

\begin{matrix} Δ W c 1_{i j} = - η \frac{\partial J}{\partial W c 1_{i j}} = η \cdot [y_{r} (k + 1) - y_{p} (k + 1)] \cdot y_{m} (k + 1) \cdot (1 - y_{m} (k + 1)) \cdot W p 2 \cdot h p 1 \cdot (1 - h p 1) \cdot W p 1_{i 3} \\ \cdot u (k) \cdot (1 - u (k)) \cdot W c 2_{i} \cdot h c 1_{i} \cdot (1 - h c 1_{i}) \cdot Y_{j} \end{matrix} - - - (20)

\begin{matrix} Δ b c 1_{i} = - η \frac{\partial J}{\partial b c 1_{i}} = η \cdot [y_{r} (k + 1) - y_{p} (k + 1)] \cdot y_{m} (k + 1) \cdot (1 - y_{m} (k + 1)) \cdot W p 2 \cdot h p 1 \cdot (1 - h p 1) \cdot W p 1_{i 3} \\ \cdot u (k) \cdot (1 - u (k)) \cdot W c 2_{i} \cdot h c 1_{i} \cdot (1 - h c 1_{i}) \end{matrix} - - - (21)

隐含-输出层权值调整公式为：

\begin{matrix} Δ W c 2_{i} = - η \frac{\partial J}{\partial W c 2_{i}} = η \cdot [y_{r} (k + 1) - y_{p} (k + 1)] \cdot y_{m} (k + 1) \cdot (1 - y_{m} (k + 1)) \cdot W p 2 \\ \cdot h p 1 \cdot (1 - h p 1) \cdot W p 1_{i 2} \cdot u (k) \cdot (1 - u (k)) \cdot h c 1_{i} \end{matrix} - - - (22)

\begin{matrix} Δ b c 2 = - η \frac{\partial J}{\partial b c 2} = η \cdot [y_{r} (k + 1) - y_{p} (k + 1)] \cdot y_{m} (k + 1) \cdot (1 - y_{m} (k + 1)) \cdot W p 2 \\ \cdot h p 1 \cdot (1 - h p 1) \cdot W p 1_{i 2} \cdot u (k) \cdot (1 - u (k)) \end{matrix} - - - (23)

按照上述方案，利用在线感知的大型模锻压机的负载和上横梁速度，根据步骤5在线调整预测神经网络和控制神经网络，实现大型模锻压机上横梁速度的精准快速预测控制。

本发明的有益效果：本发明针对实际工业锻造过程中的强非线性和时变性，根据模锻工艺数据建立了预测神经网络模型和控制神经网络模型，避免了模型预测控制方法中预测模型难以建立和滚动优化耗时长的难题，精准快速地实现了大型模锻压机上横梁速度的在线预测和控制，能够应用到复杂时变的锻造过程中，解决了现有方法耗时长、误差大的弊端。该方法的发明和推广应用对准确预测控制大型模锻压机上横梁速度有重要工程意义。

附图说明：

图1基于BP神经网络大型模锻压机上横梁速度预测控制方法流程图；

图2历史锻造过程中大型模锻压机的负载；

图3历史锻造过程中大型模锻压机上横梁速度；

图4预测神经网络结构图；

图5控制神经网络结构图；

图6实际锻造过程中的大型模锻压机预测控制结果：(a)大型模锻压机的负载；(b)大型模锻压机上横梁速度的预测控制结果。

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的说明。

本发明是一种大型模锻压机上横梁速度预测控制方法，其流程图如图1所示。下面以铝合金(Al-1100)锻件的锻造过程为例，详细介绍本发明涉及的大型模锻压机上横梁速度预测控制的实施细节，其方法包括：

初始化参数主要包括:学习速率η＝0.005,反馈校正权值系数h＝1,柔化系数α＝0.1，以及大型模锻压机上横梁速度设定值

历史的模锻工艺数据包括大型模锻压机的负载和上横梁速度，分别如图2和3所示，首先利用这些模锻工艺数据训练预测神经网络和控制神经网络，得到的权值矩阵可以作为在线预测神经网络和控制神经网络的初始权值矩阵。由历史模锻工艺数据训练的预测神经网络初始权值矩阵为:

W p 1 = (\begin{matrix} - 152.0825 & 69.1193 & 46.6102 & 1.1991 & - 4.1598 \\ 33.3517 & - 22.6898 & - 78.7413 & - 265.7069 & - 19.9291 \\ - 185.9030 & 116.1661 & 188.3240 & - 243.9329 & - 1.5.1505 \\ - 39.8815 & 5.1406 & 39.0562 & - 11.8511 & 4.6203 \\ 55.9892 & - 4.3900 & - 53.6012 & 11.5856 & - 6.6535 \\ - 129.4756 & 74.6679 & 47.0959 & - 0.7381 & - 2.0258 \\ - 242.9268 & - 148.3639 & 186.7155 & - 83.2754 & 29.2461 \\ - 45.5106 & 2.1035 & 46.3862 & - 11.4372 & 5.4132 \\ 121.6556 & - 54.2411 & - 154.8974 & 271.6618 & 114.3594 \\ - 9.7958 & 71.5477 & - 85.9566 & - 13.9572 & - 35.4460 \\ - 6.0859 & 27.2676 & - 42.9174 & - 12.8681 & - 32.3842 \end{matrix}),

b p 1 = (\begin{matrix} 8.5749 \\ 42.5462 \\ 269.0954 \\ 1.5034 \\ - 0.7899 \\ 7.2662 \\ 41.1325 \\ 1.2146 \\ - 297.5819 \\ 32.8845 \\ 29.8884 \end{matrix}), W p 2 = (\begin{matrix} - 55.8785 \\ 0.3617 \\ - 62.4863 \\ - 103.2579 \\ 70.4858 \\ 65.5863 \\ - 0.8769 \\ 174.5329 \\ - 62.1414 \\ 36.6314 \\ - 40.8731 \end{matrix}), b p 2 = - 16.2396.

由历史模锻工艺数据训练的控制神经网络初始权值矩阵为:

W c 1 = (\begin{matrix} - 0.4657 & - 0.1298 & 2.6725 & 5.0892 \\ - 0.9548 & - 0.2316 & - 0.8359 & 0.5324 \\ 0.5629 & 0.8085 & - 3.8450 & - 3.6620 \\ 0.0350 & - 0.2595 & - 2.7894 & - 3.2570 \\ - 0.9671 & - 0.3586 & - 0.7828 & - 1.5243 \\ - 0.8506 & 0.6154 & - 0.8587 & - 0.1697 \\ 0.8945 & - 0.0317 & - 0.2684 & - 0.8443 \\ 0.1653 & 0.2322 & - 0.4686 & 1.5278 \\ 0.3535 & 0.1326 & - 1.0371 & - 0.4182 \end{matrix}), b c 1 = (\begin{matrix} 0.7020 \\ - 0.8743 \\ - 0.9597 \\ 6.4460 \\ - 0.5119 \\ - 1.0556 \\ 0.2901 \\ - 0.0048 \\ 1.6241 \end{matrix}), W c 2 = (\begin{matrix} 4.4250 \\ 0.1883 \\ - 3.0983 \\ - 5.8189 \\ - 0.7624 \\ - 0.4408 \\ - 2.0776 \\ 2.8230 \\ - 1.2392 \end{matrix}), b c 2 = 1.5004.

预测神经网络的结构如图4所示，Wp1∈R^11×5为输入层到隐含层的权值矩阵，bp1∈R^11×1为输入层到隐含层的偏置项，Wp2∈R^1×11为隐含层到输出层的权值矩阵，bp2∈R^1×1为隐含层到输出层的偏置项。基于BP神经网络的预测模型可以表示为：

y_m(k+1)＝f_p[u(k-2),u(k-1),u(k),y(k-1),y(k)](24)

其中，y(k)是k时刻大型模锻压机上横梁速度，u(k)是k时刻大型模锻压机的负载，y_m(k+1)为预测大型模锻压机上横梁速度。

控制神经网络的结构如图5所示，Wc1∈R^9×4为输入层到隐含层的权值矩阵，bc1∈R^9×1为输入层到隐含层的偏置项，Wc2∈R^1×9为隐含层到输出层的权值矩阵，bc2∈R^1×1为隐含层到输出层的偏置项。基于BP神经网络的控制模型可以表示为：

u(k+1)＝f_c[y_r(k+1),y_p(k+1),u(k-1),u(k)](25)

其中，u(k+1)是k+1时刻计算得到的大型模锻压机的负载，u(k-1)和u(k)分别表示k-1和k时刻实际大型模锻压机的负载，y_r(k+1)和y_p(k+1)分别表示(k+1)时刻大型模锻压机上横梁速度的参考值和校正值。

步骤2：由预测神经网络给出系统下一时刻的预测输出；

反馈校正可以描述为：由预测神经网络得到预测值之后，需要用当前时刻(第k时刻)输出的测量值y(k)和模型的预测值y_m(k)的差值对第k+1时刻的预测值y_m(k+1)进行修正，修正后的输出预测值记为y_p(k+1)，如式(29)所示：

y_p(k+1)＝y_m(k+1)+h(y(k)-y_m(k))(26)

其中，h为权值系数，一般取为1.

模锻工艺参考值可以用如下方程表示：

y_r(k+1)＝αy(k)+(1-α)y_d(27)

其中，y_r(k+1)为模锻工艺参考值，α为柔化系数，0<α<1.在实际锻造过程控制中为了快速达到目标，α＝0.1.y_d为大型模锻压机上横梁速度目标设定值。

在线反馈调整预测神经网络可以表述为：当测得第k+1时刻的大型模锻压机上横梁速度y(k+1)之后，也要对预测神经网络权值进行在线调整，以用于预测下一时刻的大型模锻压机上横梁速度。预测神经网络权值调整是基于如下优化指标：

E = \frac{1}{2} {[y (k + 1) - y_{m} (k + 1)]}^{2} - - - (28)

输入-隐含层权值调整公式为：

Δ W p 1_{i j} = - η \frac{\partial E}{\partial W p 1_{i j}} = η \cdot [y (k + 1) - y_{m} (k + 1)] \cdot y_{m} (k + 1) \cdot (1 - y_{m} (k + 1)) \cdot W p 2_{i} \cdot h p 1_{i} \cdot (1 - h p 1_{i}) \cdot U_{j} - - - (29)

Δ b p 1_{i} = - η \frac{\partial E}{\partial b p 1_{i}} = η \cdot [y (k + 1) - y_{m} (k + 1)] \cdot y_{m} (k + 1) \cdot (1 - y_{m} (k + 1)) \cdot W p 2_{i} \cdot h p 1_{i} \cdot (1 - h p 1_{i}) - - - (30)

隐含-输出层权值调整公式为：

Δ W p 2_{i} = - η \frac{\partial E}{\partial W p 2_{i}} = η \cdot [y (k + 1) - y_{m} (k + 1)] \cdot y_{m} (k + 1) \cdot (1 - y_{m} (k + 1)) \cdot h p 1_{i} - - - (31)

Δ b p 2 = - η \frac{\partial E}{\partial b p 2} = η \cdot [y (k + 1) - y_{m} (k + 1)] \cdot y_{m} (k + 1) \cdot (1 - y_{m} (k + 1)) - - - (32)

在线反馈调整控制神经网络可以表述为：当测得第k+1时刻的大型模锻压机上横梁速度y(k+1)之后，就要对控制神经网络权值进行在线调整，以用于计算下一时刻的大型模锻压机的负载。控制神经网络权值调整是基于模型预测控制的滚动优化，优化指标是：

J = \frac{1}{2} {[y_{r} (k + 1) - y_{p} (k + 1)]}^{2} - - - (33)

输入-隐含层权值调整公式为：

\begin{matrix} Δ W c 1_{i j} = - η \frac{\partial J}{\partial W c 1_{i j}} = η \cdot [y_{r} (k + 1) - y_{p} (k + 1)] \cdot y_{m} (k + 1) \cdot (1 - y_{m} (k + 1)) \cdot W p 2 \cdot h p 1 \cdot (1 - h p 1) \cdot W p 1_{i 3} \\ \cdot u (k) \cdot (1 - u (k)) \cdot W c 2_{i} \cdot h c 1_{i} \cdot (1 - h c 1_{i}) \cdot Y_{j} \end{matrix} - - - (34)

\begin{matrix} Δ b c 1_{i} = - η \frac{\partial J}{\partial b c 1_{i}} = η \cdot [y_{r} (k + 1) - y_{p} (k + 1)] \cdot y_{m} (k + 1) \cdot (1 - y_{m} (k + 1)) \cdot W p 2 \cdot h p 1 \cdot (1 - h p 1) \cdot W p 1_{i 3} \\ \cdot u (k) \cdot (1 - u (k)) \cdot W c 2_{i} \cdot h c 1_{i} \cdot (1 - h c 1_{i}) \end{matrix} - - - (35)

隐含-输出层权值调整公式为：

\begin{matrix} Δ W c 2_{i} = - η \frac{\partial J}{\partial W c 2_{i}} = η \cdot [y_{r} (k + 1) - y_{p} (k + 1)] \cdot y_{m} (k + 1) \cdot (1 - y_{m} (k + 1)) \cdot W p 2 \\ \cdot h p 1 \cdot (1 - h p 1) \cdot W p 1_{i 2} \cdot u (k) \cdot (1 - u (k)) \cdot h c 1_{i} \end{matrix} - - - (36)

\begin{matrix} Δ b c 2 = - η \frac{\partial J}{\partial b c 2} = η \cdot [y_{r} (k + 1) - y_{p} (k + 1)] \cdot y_{m} (k + 1) \cdot (1 - y_{m} (k + 1)) \cdot W p 2 \\ \cdot h p 1 \cdot (1 - h p 1) \cdot W p 1_{i 2} \cdot u (k) \cdot (1 - u (k)) \end{matrix} - - - (37)

根据在线感知的模锻工艺数据，利用预测神经网络预测大型模锻压机上横梁速度，利用控制神经网络给出大型模锻压机的负载，按照这种方式进行下去可以实现大型模锻压机上横梁速度的有效预测控制，预测控制结果如图6所示。

从上述结果可以发现，本发明提出的方法能够快速、准确地预测并控制锻造过程中大型模锻压机上横梁速度，为实现高品质锻造提供了可靠的途径。

上面结合附图对本发明的实例进行了说明，但本发明不局限于上述具体的实施方式，上述的具体实施方式仅是示例性的。任何不超过本发明权利要求的发明，均在本发明的保护范围之内。

Claims

1.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，其特征在于：根据工业锻造过程的强非线性和时变性，基于模锻工艺数据建立了预测神经网络模型和控制神经网络模型，实现了对大型模锻压机上横梁速度的精准、快速预测和有效控制，该方法包括如下步骤：

步骤2：由预测神经网络给出系统下一时刻的预测输出；

2.如权利要求1所述方法，其特征在于：步骤2中所述的预测神经网络解决了复杂锻造过程中预测模型的建模难题，并且此预测神经网络是在线调整的，其权值是基于实际输出y(k+1)与预测输出y_m(k+1)的差值进行反馈调整：

E = \frac{1}{2} {[y (k + 1) - y_{m} (k + 1)]}^{2}

输入-隐含层权值调整公式为：

Δ W p 1_{i j} = - η \frac{\partial E}{\partial W p 1_{i j}} = η \cdot [y (k + 1) - y_{m} (k + 1)] \cdot y_{m} (k + 1) \cdot (1 - y_{m} (k + 1)) \cdot W p 2_{i} \cdot h p 1_{i} \cdot (1 - h p 1_{i}) \cdot U_{j}

Δ b p 1_{i} = - η \frac{\partial E}{\partial b p 1_{i}} = η \cdot [y (k + 1) - y_{m} (k + 1)] \cdot y_{m} (k + 1) \cdot (1 - y_{m} (k + 1)) \cdot W p 2_{i} \cdot h p 1_{i} \cdot (1 - h p 1_{i})

隐含-输出层权值调整公式为：

Δ W p 2_{i} = - η \frac{\partial E}{\partial W p 2_{i}} = η \cdot [y (k + 1) - y_{m} (k + 1)] \cdot y_{m} (k + 1) \cdot (1 - y_{m} (k + 1)) \cdot h p 1_{i}

Δ b p 2 = - η \frac{\partial E}{\partial b p 2} = η \cdot [y (k + 1) - y_{m} (k + 1)] \cdot y_{m} (k + 1) \cdot (1 - y_{m} (k + 1))

其中，η为学习速率，Wp1和bp1为输入-隐含层的权值矩阵和偏移项，Wp2和bp2为隐含-输出层的权值矩阵和偏移项，U为系统的输入[u(k-2),u(k-1),u(k),y(k-1),y(k)]，hp1为隐含层的输出。

3.如权利要求1所述方法，其特征在于：步骤4中所述的控制神经网络解决了优化求解控制量耗时长的难题，并且此控制神经网络是在线调整的，其权值是基于规划的模锻工艺参考值y_r(k+1)与校正预测输出y_p(k+1)的差值进行反馈调整：

J = \frac{1}{2} {[y_{r} (k + 1) - y_{p} (k + 1)]}^{2}

输入-隐含层权值调整公式为：

\begin{matrix} Δ W c 1_{i j} = - η \frac{\partial J}{\partial W c 1_{i j}} = η \cdot [y_{r} (k + 1) - y_{p} (k + 1)] \cdot y_{m} (k + 1) \cdot (1 - y_{m} (k + 1)) \cdot W p 2 \cdot h p 1 \cdot (1 - h p 1) \cdot W p 1_{i 3} \\ \cdot u (k) \cdot (1 - u (k)) \cdot W c 2_{i} \cdot h c 1_{i} \cdot (1 - h c 1_{i}) \cdot Y_{i} \end{matrix}

\begin{matrix} Δ b c 1_{i} = - η \frac{\partial J}{\partial b c 1_{i}} = η \cdot [y_{r} (k + 1) - y_{p} (k + 1)] \cdot y_{m} (k + 1) \cdot (1 - y_{m} (k + 1)) \cdot W p 2 \cdot h p 1 \cdot (1 - h p 1) \cdot W p 1_{i 3} \\ \cdot u (k) \cdot (1 - u (k)) \cdot W c 2_{i} \cdot h c 1_{i} \cdot (1 - h c 1_{i}) \end{matrix}

隐含-输出层权值调整公式为：

\begin{matrix} Δ W c 2_{i} = - η \frac{\partial J}{\partial W c 2_{i}} = η \cdot [y_{r} (k + 1) - y_{p} (k + 1)] \cdot y_{m} (k + 1) \cdot (1 - y_{m} (k + 1)) \cdot W p 2 \\ \cdot h p 1 \cdot (1 - h p 1) \cdot W p 1_{i 2} \cdot u (k) \cdot (1 - u (k)) \cdot h c 1_{i} \end{matrix}

\begin{matrix} Δ b c 2 = - η \frac{\partial J}{\partial b c 2} = η \cdot [y_{r} (k + 1) - y_{p} (k + 1)] \cdot y_{m} (k + 1) \cdot (1 - y_{m} (k + 1)) \cdot W p 2 \\ \cdot h p 1 \cdot (1 - h p 1) \cdot W p 1_{i 2} \cdot u (k) \cdot (1 - u (k)) \end{matrix}

其中，Wc1和bc1为输入-隐含层的权值矩阵和偏移项，Wc2和bc2为隐含-输出层的权值矩阵和偏移项，Y为系统的输入[y_r(k+1),y_p(k+1),u(k-1),u(k)]，hc1为隐含层的输出。