基于改进果蝇神经网络的数控工作台PID控制
发布时间：2022-02-10 00:40
传统数控机床工作台速度控制多采用PID控制,传统PID控制存在响应慢、超调大、动态性差、抗干扰能力差等问题。提出了一种变步长果蝇神经网络PID控制方法,将变步长果蝇算法与神经网络联合使用。在线寻找控制器最优控制参数,实现电机速度的智能化控制。通过Simulink仿真,对数控工作台速度控制内环转速跟踪性能进行分析。实验结果证明,改进果蝇神经网络的PID控制比传统PID控制方案响应更快,抗干扰性能和鲁棒性能更好。
【文章来源】：组合机床与自动化加工技术. 2019,(10)北大核心
【文章页数】：4 页
【部分图文】：
改进果蝇神经网络PID复合结构2改进果蝇神经网络模型
β为权重系数;gen为当前迭代次数。显然，改进的果蝇算法在迭代初期具有最大的搜索步长，对应的搜索能力强，且在觅食末期通过缩小搜索半径，实现最大的搜索精度。进而实现全局搜索能力以及搜索精度的提高。2．3仿真验证为验证改进优化的果蝇算法的寻优效果，以一个函数作为例子进行分析，如式(9):maxf(xi)=1－1xi2+1－10≤xi≤{10(9)该函数的特点是在定义域内存在一个全局最大值。在MATLAB中分别用普通果蝇算法和改进果蝇算法得到其曲线收敛如图3所示。可以看出，改进优化果蝇算法的收敛效果优于普通果蝇算法，寻优效果较好。图3适应度进化曲线2．4模型建立本文采用单隐含层的三层神经网络结构。其中输入层有2个节点，输出层为3个节点。隐含层节点数综合考虑训练速度和预测精度，根据隐含层节点数的经验公式(10)，确定最优隐含层节点数为5。槡m=I+O+α(10)上式中，m为隐含层节点数;I为输入层节点数;O为输出层节点数;α为1～10之间的常数。由于控制参数值不能为负值，所以输出层神经元转移函数Sigmoid函数应该取非负值而隐含层则无需考虑正负情况，所以Sigmoid函数可以选择正负对称。神经元转移函数选择Sigmoid函数:f(x)=ex－e－xex+e－x(11)果蝇群体初始化随机产生N个果蝇个体，每个个体X(i)=(x1，x2，…，xt)表示一组神经网络的连接权重和阈值，其中t表示权值和阈值的总个数，为2×5+5×3+5+3=33，即一共有33个参数。改进的果蝇神经网络算法具体操作步骤如下:(1)初始化神?
锏?预设迭代次数;(4)将改进果蝇算法得到最佳的权值和阈值作为神经网络的初始权值和阈值，进行进一步的迭代操作，输出经训练后的神经网络的权值和阈值。3仿真研究3．1仿真建模及参数设置采用MATLAB对数控工作台伺服控制系统进行仿真实验。在实验过程中，设计三个控制器，分别为传统PID控制器，普通果蝇神经网络PID控制器，改进果蝇神经网络PID控制器。其中果蝇神经网络PID控制模块采用独立的S函数封装而成，传统的PID控制器利用MATLAB自带的模块进行设计。图4AFOA-BPPID控制仿真模型改进果蝇神经网络PID参数选取如下:果蝇种群规模gen=200，最大混合迭代次数maxgen=500，果蝇优化迭代步进值rand在［－1，1］内选取，设定初始最大步长η0=1，β=0．95。神经网络结构设置为2－5－3形式，即网络输入层有两个节点，分别为系统t时刻转速偏差e(t)和转速偏差变化de/dt;输出层有三个节点，代表控制器的控制参数;神经网络的最小学习速率设置为0．9，最大迭代次数为1000次，允许误差为0．0001，采样时间为0．01s。传统PID系统的控制参数根据多次实验设定为Kp=4，Ki=2，Kd=2。3．2仿真结果分析考虑控制系统空载启动时的转速跟随性能，仿真得到如图6所示的系统转速阶跃响应曲线。当控制系统的转速稳定在1000r/min时，在t=2．5s时刻系统突加一个瞬时负载扰动，考察不同控制系统鲁棒性能，其对应的转速曲线如图所示。初始转速为1000r/min，传统PID超调量为25．5%，在1．35s内达到稳定状态，FOA-BP超调量为5．21%，在1．18s内达到?
【参考文献】：
期刊论文
[1]模糊PID控制在伺服系统中的应用[J]. 罗进生,袁喜林,赵凯,耿玉婷,齐锐. 机械设计与制造. 2013(05)
[2]基于遗传算法的PID控制器设计及仿真[J]. 傅晓云,方旭,杨钢,李宝仁. 华中科技大学学报(自然科学版). 2012(05)
[3]永磁直线同步电机驱动的开放式数控工作台设计[J]. 耿艳彪,姜万生,亢海龙,韩庆元. 机械设计与制造. 2010(09)
[4]高精度数控磨床的进给系统与伺服控制系统设计[J]. 刘战术. 组合机床与自动化加工技术. 2009(05)
[5]一种基于BP神经网络模型的自适应PID控制算法[J]. 刘迪,赵建华. 自动化技术与应用. 2008(08)
本文编号：3617933
【文章来源】：组合机床与自动化加工技术. 2019,(10)北大核心
【文章页数】：4 页
【部分图文】：
改进果蝇神经网络PID复合结构2改进果蝇神经网络模型
β为权重系数;gen为当前迭代次数。显然，改进的果蝇算法在迭代初期具有最大的搜索步长，对应的搜索能力强，且在觅食末期通过缩小搜索半径，实现最大的搜索精度。进而实现全局搜索能力以及搜索精度的提高。2．3仿真验证为验证改进优化的果蝇算法的寻优效果，以一个函数作为例子进行分析，如式(9):maxf(xi)=1－1xi2+1－10≤xi≤{10(9)该函数的特点是在定义域内存在一个全局最大值。在MATLAB中分别用普通果蝇算法和改进果蝇算法得到其曲线收敛如图3所示。可以看出，改进优化果蝇算法的收敛效果优于普通果蝇算法，寻优效果较好。图3适应度进化曲线2．4模型建立本文采用单隐含层的三层神经网络结构。其中输入层有2个节点，输出层为3个节点。隐含层节点数综合考虑训练速度和预测精度，根据隐含层节点数的经验公式(10)，确定最优隐含层节点数为5。槡m=I+O+α(10)上式中，m为隐含层节点数;I为输入层节点数;O为输出层节点数;α为1～10之间的常数。由于控制参数值不能为负值，所以输出层神经元转移函数Sigmoid函数应该取非负值而隐含层则无需考虑正负情况，所以Sigmoid函数可以选择正负对称。神经元转移函数选择Sigmoid函数:f(x)=ex－e－xex+e－x(11)果蝇群体初始化随机产生N个果蝇个体，每个个体X(i)=(x1，x2，…，xt)表示一组神经网络的连接权重和阈值，其中t表示权值和阈值的总个数，为2×5+5×3+5+3=33，即一共有33个参数。改进的果蝇神经网络算法具体操作步骤如下:(1)初始化神?
锏?预设迭代次数;(4)将改进果蝇算法得到最佳的权值和阈值作为神经网络的初始权值和阈值，进行进一步的迭代操作，输出经训练后的神经网络的权值和阈值。3仿真研究3．1仿真建模及参数设置采用MATLAB对数控工作台伺服控制系统进行仿真实验。在实验过程中，设计三个控制器，分别为传统PID控制器，普通果蝇神经网络PID控制器，改进果蝇神经网络PID控制器。其中果蝇神经网络PID控制模块采用独立的S函数封装而成，传统的PID控制器利用MATLAB自带的模块进行设计。图4AFOA-BPPID控制仿真模型改进果蝇神经网络PID参数选取如下:果蝇种群规模gen=200，最大混合迭代次数maxgen=500，果蝇优化迭代步进值rand在［－1，1］内选取，设定初始最大步长η0=1，β=0．95。神经网络结构设置为2－5－3形式，即网络输入层有两个节点，分别为系统t时刻转速偏差e(t)和转速偏差变化de/dt;输出层有三个节点，代表控制器的控制参数;神经网络的最小学习速率设置为0．9，最大迭代次数为1000次，允许误差为0．0001，采样时间为0．01s。传统PID系统的控制参数根据多次实验设定为Kp=4，Ki=2，Kd=2。3．2仿真结果分析考虑控制系统空载启动时的转速跟随性能，仿真得到如图6所示的系统转速阶跃响应曲线。当控制系统的转速稳定在1000r/min时，在t=2．5s时刻系统突加一个瞬时负载扰动，考察不同控制系统鲁棒性能，其对应的转速曲线如图所示。初始转速为1000r/min，传统PID超调量为25．5%，在1．35s内达到稳定状态，FOA-BP超调量为5．21%，在1．18s内达到?
【参考文献】：
期刊论文
[1]模糊PID控制在伺服系统中的应用[J]. 罗进生,袁喜林,赵凯,耿玉婷,齐锐. 机械设计与制造. 2013(05)
[2]基于遗传算法的PID控制器设计及仿真[J]. 傅晓云,方旭,杨钢,李宝仁. 华中科技大学学报(自然科学版). 2012(05)
[3]永磁直线同步电机驱动的开放式数控工作台设计[J]. 耿艳彪,姜万生,亢海龙,韩庆元. 机械设计与制造. 2010(09)
[4]高精度数控磨床的进给系统与伺服控制系统设计[J]. 刘战术. 组合机床与自动化加工技术. 2009(05)
[5]一种基于BP神经网络模型的自适应PID控制算法[J]. 刘迪,赵建华. 自动化技术与应用. 2008(08)
本文编号：3617933
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3617933.html
