基于神经网络的加工过程模型辨识.docVIP

基于神经网络的加工过程模型辨识 　　摘要：介绍了神经网络动态建模方法，以车削加工过程为例，用一个带单隐层的反向传播(BP)网络对非线性的加工过程进行了辨识研究，并将神经网络模型的跟踪响应与参数模型的跟踪响应作了对比分析。仿真结果表明，神经网络是建立非线性加工过程模型的一种有效方法。 　　关键词：加工过程　辨识　非线性系统　神经网络　反向传播算法 Neural network based model identification of machining process 　　Abstract：Neural network architecture for dynamic modeling is introduced.Taking the turning process as an example, this investigates the identification of the nonlinear machining process using a backpropagation neural network with a single hidden layer, and compares the tracking response of the neural network model with that of the parameter model. Simulat ion results show that neural network is an effective approach to model nonlinear machining processes. 　　Keywords： Machining process; Identification; Nonlinear system; Neural network; Backpropagation algorithm 　　在加工过程的建模和控制中，以往人们常对加工过程作线性化处理，这只不过是一种非常粗糙的近似。实际上，加工过程是一个时变的、非线性的复杂系统，神经网络的出现为加工过程的建模提供了新的途径和方法，为此本文将用神经网络方法来建立加工过程的模型。 1　建模原理 　　(1)系统的描述 　　下面以离散形式的模型为例，根据系统的输入和输出来描述一个系统，其中系统又可分为线性系统和非线性系统。设系统的输入为u(k)(k=1，2，…，N)；输出为y(k)(k=1，2，…，N)；e(k)为方差是σ2的白噪声。 　　一个单输入单输出(SISO)的线性系统的自动回归滑动平均模型(ARMAX)可表示为： 　　A(z)y(k)=B(z)u(k-nk)+C(z)e(k)　(1) 式中：A(z)、B(z)、C(z)、均为z-1的多项式；nk为输入的最大时延。而ARX模型可表示为： 　　A(z)y(k)=B(z)u(k-nk)+e(k)　(2) 　　而一个单输入单输出的非线性自动回归滑动平均模型(NARMAX)可表示为： 　　y(t)=f(y(t-1),…,y(t-ny),u(t-1),…,u(t-nu),e(t-1),…,e(t-ne))+e(t)　(3) 式中f(.)为非线性函数。ny、nu、和ne分别为输入、输出和噪声的最大时延，其简化模型可表示为： 　　(t)=f(y(t-1),…,y(t-ny),u(t-1),…,u(t-nu))+e(t)　(4) 　　(2)神经网络模型辨识 　　建立系统模型的方法多种多样，在线性系统辨识中，用得较多的是参数最小二乘法或递推最小二乘法；而在非线性系统的辨识与控制中，由于BP神经网络具有逼近任意非线性函数的能力〔1〕，已引起人们的重视，下面以单隐层的BP网络为例，说明神经网络动态建模原理。 　　①神经网络建模 　　所谓神经网络建模，就是用测得的过程输入输出数据对神经网络进行训练，从而获得其输入输出特性与实际过程等价的神经网络模型，其动态建模原理如图1所示，图中所用的神经网络为BP神经网络(见图2)。y(t)、(t)分别为对象和网络的输出；no、n1和n2分别为输入层、隐含层和输出层中神经元的数目。 图1　神经网络动态建模示意图 图2　单隐层BP神经网络 　　在图2所示的BP网络中，输入层向量为：x0=〔y(t-1),…,y(t-ny),u(t-1),…,u(t-nu)〕T=〔xl〕T，i=1，2，…，n0，若取隐层节点作用函数为S函数，输出层为线性函数，则输出层的输入和输出分别为： 　(5) 　(6) 式中，x1j和B1j分别是隐层中第j神经元的输入值和阈值：W1ji、W2j分别是隐层与输入层、输出层与隐层之间的两个神经元间的连接权。而S函数为： f(x)=1/(1+e-x)　(7) 用BP学习算法来修正权值和阈值，使目标函数