阐述神经网络一种基于BP神经网络数控机床伺服系统制约器

论文导读：
摘要：传统意义上的PID控制器具有结构简单、调节方便、参数设置和工程索引密切相关的优势。但它也有一定的局限性：对复杂系统很难建立数学模型，当控制对象不同时，控制器的参数很难自动适应外部环境的变化，且很难对一些复杂的过程和参数进行有效控制。而神经网络控制的发展、应用和与PID控制的结合，在一定程度上解决了传统PID控制器难以进行在线实时参数自整定等方面的缺点，可以充分发挥PID控制的优点。
关键词：神经网络交流伺服系统控制策略
1007-9416（2012）09-0015-02
从第一台数控机床诞生至今，数控机床的发展可谓日新月异。随着科学技术和国民经济的发展，对数控机床的要求也越来越高，要求数控机床具有高精度，高可靠性，作为数控机床的重要组成部分，由于伺服系统包含了众多的电子电力器件，并应用反馈控制原理将它们有机地组织起来，因此在一定意义上，伺服系统的高性能和高可靠性决定了整台数控机床的性能和可靠性。围绕伺服系统动态与静态性能的提高，近年来发展了多种伺服驱动技术。无论是从数控机床本体，还是从数控机床的控制系统的改进、控制策略的选择都变得越来越严格，控制策略的融合，交叉，渗透也越来越多。

1、传统的PID控制

PID控制（实际当中也有PI和PD控制）是根据系统的误差，采用比例、积分、微分计算控制量的控制方法。PID控制器的出现已经将近80年的历史，其结构简单、稳定性好、工作可靠、调节方便，已经使其成为重要的控制技术之一。
PID控制器由比例单元（P）、积分单元（I）和微分单元（D）组成。其输入e（t）与输出u（t）的关系为
u（t）=kp[e（t）+1/TI∫e（t）dt+TD*de（t）/dt]式中积分的上下限分别是0和t，
因此它的传递函数为：G（s）=U（s）/E（s）=kp[1+1/（TI*s）+TD*s]
其中：kp——比例系数；
TI——积分时间常数；
TD——微分时间常数
当我们不完全了解一个系统和被控对象，或不能通过有效的测量手段来获得系统参数时，最适合采用PID控制技术。它用途广泛、使用灵活，只需设定三个参数（Kp，Ti和Td）即可。控制方法比较简单。
但是在交流伺服系统中，因为外界干扰较多，且目前对交流伺服系统的控制多需建立数学模型，而自整定要以模型为基础，闭环工作时，要求在过程控制中插入测试信号。而加入测试信号则会引起扰动，所以基于数学模型的PID参数自整定在工业应用中不是太好。
而随着控制策略的发展和越来越广泛的应用，很多的科学家都提出可以将现代控制理论和智能控制策略引入数控机床的控制系统中。这些代表控制策略有神经网络（尤以BP网络应用最多），矢量控制，直接转矩控制，滑模变结构控制，非线性控制，模糊控制等，而目前较为流行的是神经网络和矢量控制，或是他们之间的融合和交叉，亦或是用遗传算法等优化这些控制理论，以期达到更好的控制效果，加强系统的稳定性。本人主要介绍神经网络。

2、神经网络控制

2.1 生物神经元的结构

神经元，又称神经组织，是构成神经系统结构和功能的基本单位，是大脑处理信息的基本单元，以细胞体为主体，由许多向周围延伸的不规则树枝状纤维构成。它主要由细胞体（Cell body）、树突（Dendrite）、轴突（Axon）和突触（Synapse）组成。

2.2 人工神经元网络

人工神经元网络ANN，也简称为神经元网络，是由大量处理单元互联组成的非线性、自适应信息处理系统。它是在现代神经科学研究成果的基础上提出的，试图通过模拟大脑神经网络处理、记忆信息的方式进行信息处理。人工神经网络具有非线性、非局限性、非常定性、非凸性四个基本特征，它是涉及神经科学、思维科学、人工智能、计算机科学等多个领域的交叉学科，具有自学习、联想存储、高速寻找优化解等功能，并在很多领域已得到了很好的应用，并与模糊逻辑、专家系统、遗传算法、小波分析、混沌、粗集理论、分形理论、证据理论和灰色系统等融合，越来越多的应用到控制领域的各个方面，因为它为解决大复杂度问题提供了一种相对来说比较有效的简单方法，对于数控系统这种较为复杂的控制系统，引入神经网络的控制方法可以更好的增强数控系统的稳定性。

2.3 单神经元控制器在交流伺服系统中的应用

依据交流伺服系统的控制性能要求，可以设计出图2所示的单神经元自适应PID控制器。
图中转换器的输入反映被控过程及控制设定的状态，r（k）为设定值，y源于：毕业生论文网www.7ctime.com
（k）为输出值，x1（k），x2（k），x3（k）为经转换器转换成的单神经元学习控制所需要的状态量；wi（k）为对应于xi（k）的加权系数；K为神经元的比例系数，K>0。

2.4 BP神经网络在交流伺服系统中的应用

BP（Back Propagation）神经网络是20世纪80年代年由Rumelhart和McCelland为首的科学家提出的，是一种按误差逆传播算法训练的多层前馈网络，由信息的正向传播和误差的反向传播两个过程组成的，是应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，不需要预先揭示描述的映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播不断调整网络权值和阈值，使网络误差平方和最小。
BP神经网络模型拓扑结构包括输入层（input）、隐层（hide layer）和输出层（output layer）。输入层神经元负责接收外部输入信息，并传递到中间层每个神经元；中间一层为内部信息处理层，负责信息转换，根据信息变化能力需求，中间层可以设计成单隐层或多隐层的结构，最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训论文导读：性能还未可知，故需进一步对其性能进行仿真研究，以确定此控制器在实际应用中的效果。参考文献任子武.基于神经网络的参数自整定PID控制算法研究.哈尔滨理工大学硕士学位论文，2004.杭勇.柴油发动机控制模型及控制算法的设计与仿真研究.江苏理工大学博士学位论文，200

2.李岷.基于神经网络的FSK信号解调技术研究.

练的过程，这个过程一直到网络输出误差降低到可以接受的水平，或者预先设定的学习次数为止。
BP网络由于其具有逼近任意非线性函数的能力，而且结构和学习算法简单明确，当与传统的PID控制器相结合后可以直接对被控对象进行闭环控制，并且可以使k p、k i、k d三个参数在线整定；神经网络也可以根据数控系统的运行状态对PID控制器的三个可调参数k p、k i、k d通过神经网络的自学习调整权系数，从而使其稳定状态对应于某种最优控制基于BP神经网络的PID控制器结构示意图如图3所示：
3、结语
本人针对常规PID控制器的不足，以神经网络PID控制理论为基础，设计了单神经元自适应PID控制器和基于BP神经网络的PID控制器，为仿真做好了准备。
本文只是提出了BP神经网络对在数控交流系统中的控制器的设计方法，并未对其进行仿真，故其性能还未可知，故需进一步对其性能进行仿真研究，以确定此控制器在实际应用中的效果。
参考文献
任子武.基于神经网络的参数自整定PID控制算法研究.哈尔滨理工大学硕士学位论文，2004.
杭勇.柴油发动机控制模型及控制算法的设计与仿真研究.江苏理工大学博士学位论文，2002.
[3]李岷.基于神经网络的FSK信号解调技术研究.电子科技大学，2009.
[4]朱海洋.基于RBF的单神经元自适应PID控制在单螺杆挤出机中的应用.黄石理工学院学报，2010，1.
[5]徐敬华.单神经元PID自适应控制器在V系统中的控制应用.河北企业，2010，8.
[6]曹海舟.基于神经网络PID控制的齿隙非线性研究.西安电子科技大学硕士学位论文，2009.