魚群優(yōu)化下的BP網(wǎng)絡(luò)在冷軋控制中的應(yīng)用*

李 瑩，王洪瑞，張峻林，魏立新

(燕山大學 工業(yè)計算機控制河北省重點實驗室，河北 秦皇島 066004)

隨著冷軋機速度和質(zhì)量要求的不斷提高，用戶對冷軋帶鋼質(zhì)量提出了越來越高的要求。為了保證達到用戶需求，對其生產(chǎn)過程提出了非常嚴格的控制要求，在冷軋機上都裝設(shè)有厚度自動控制裝置(AGC)[1]。一般軋制生產(chǎn)線的自動化控制系統(tǒng)核心控制器，大多采用西門子可編程邏輯控制器(PLC)系列。由PLC控制器、FM458功能塊、FM438接口模塊、高速數(shù)據(jù)通信網(wǎng)及人機接口組成自動化控制系統(tǒng)，其軟件選用了STEP 7、PLC編程語言以連續(xù)功能圖(CFC)，同時還用到順序控制圖(SFC)及SCL編程語言。其中，核心控制器采用CFC中自帶的PIC模塊，此模塊以PID控制為理論基礎(chǔ)。但其理論本身存在魯棒性差、對時變和純滯后響應(yīng)程度不高等問題，使得此控制模塊難以適應(yīng)愈加復雜的現(xiàn)場需求。而神經(jīng)網(wǎng)絡(luò)由于具有良好的自學習、并行性及較強的容錯能力，無需精確的數(shù)學模型就能夠很好地實現(xiàn)一組非線性映射。將神經(jīng)網(wǎng)絡(luò)智能算法應(yīng)用于冷軋工業(yè)[2]成為了研究的熱點。但是由于神經(jīng)網(wǎng)絡(luò)的控制效果依賴于網(wǎng)絡(luò)的初始權(quán)值,研究人員用多種方法對網(wǎng)絡(luò)權(quán)值的優(yōu)化進行改進[3-5]，卻都沒有從根本上改變算法本身尋優(yōu)速度慢的問題。人工魚群算法是模仿魚類行為方式提出的一種基于動物自治體的優(yōu)化方法[6-7]，是集群智能思想的一個具體應(yīng)用。它能很好地解決函數(shù)優(yōu)化等問題，具有克服局部極值、取得全局極值的能力。

1 冷軋液壓壓下系統(tǒng)數(shù)學模型

厚度自動控制系統(tǒng)是通過測厚儀或傳感器對帶材實際軋出厚度連續(xù)進行測量，并根據(jù)實測值與給定值比較后的偏差信號，借助于控制回路或計算機的功能程序，改變壓下裝置、張力或軋制速度，將帶材出口厚度控制在允許的偏差范圍內(nèi)。

一個完整的液壓AGC系統(tǒng)由若干各厚度自動控制系統(tǒng)組成，其中最主要的是電液位置伺服系統(tǒng)，它由供油管道、伺服閥、回油管道、液壓缸、傳感器、控制放大器等組成，如圖1所示[8]。

圖1 電液位置控制系統(tǒng)結(jié)構(gòu)圖

將各部分傳遞函數(shù)帶入框圖，可得軋機液壓AGC系統(tǒng)模型，如圖2所示。

由圖2得到系統(tǒng)開環(huán)傳遞函數(shù)為“

式(1)傳遞函數(shù)比較復雜，為便于分析，對其加以簡化。簡化后的傳遞函數(shù)為：

其中，Kv為電液伺服閥流量增益，Kvp為傳感器增益，Ka為放大器增益，ω0為系統(tǒng)固有頻率，s為拉普拉斯算子,ξ0為阻尼比，A為液壓缸活塞面積。

式(2)中參數(shù)取值見表1，算得控制對象傳遞函數(shù)為：

表1 軋機各參數(shù)取值表

2 PLC控制實驗

2.1 FM458功能塊介紹

FM458模塊是西門子公司的一款FM458-DP功能模版，它以S7-400為載體,不僅具有高性能 S7-400PLC系統(tǒng)，還有更高等級的實時性能。它可以通過DP口進行通信或下載，下載運算速度快、使用方便。結(jié)合其擴展模板EXM438,可以執(zhí)行如力矩、轉(zhuǎn)速、位置閉環(huán)控制等多種高動態(tài)響應(yīng)的應(yīng)用;編程環(huán)境為CFC平臺，編程方式為模塊化結(jié)構(gòu)，其中的每個模塊都具有特定的功能。

FM458系統(tǒng)特點如下：

(1)高性能。由于FM458是基于SIMADYND高性能CPU-PM6的板子，所以它具有和PM6相同的性能；

(2)運算速度快。采用128 MHz,64位RISC處理器，可以提供高性能的計算能力；

(3)任務(wù)的最小控制周期可以達到0.1 ms；

(4)集成8個數(shù)字量輸入，可以觸發(fā)8個中斷任務(wù)。組態(tài)及編程軟件采用D7-SYSV6.0。

系統(tǒng)硬件構(gòu)成如下:機架選用UR2。電源模板PS407 20 A,CP選用 CP443-1，CPU選用 FM458；擴展模板選EXM438-1，它含有 8路模擬量輸出，-10～+10 V(±10 mA)，分辨率為 12位的 4路,分辨率為16位的4路;5路模擬量輸入，-10～+10 V，分辨率為 12位，最大轉(zhuǎn)換時間為 45μs；8路 24 V開關(guān)量輸出；16路 24 V開關(guān)量輸入；8路15 V或5 V增量型編碼器；4路絕對型編碼器。開關(guān)量輸入輸出使用S7-400的數(shù)字模板。

2.2 實驗過程說明

由于AGC系統(tǒng)要求控制裝置具有實時性能，并可執(zhí)行多任務(wù)控制程序，因此控制系統(tǒng)選用西門子的FM458功能模板。整個控制策略研究實驗分為3個過程：(1)在FBG軟件中創(chuàng)建要編寫的功能文件，編寫頭文件和C語言程序的原代碼，經(jīng)過反復調(diào)試編譯通過后，在FBG中創(chuàng)建與CFC關(guān)聯(lián)的庫文件。(2)更新CFC中的文件庫以便查找以上創(chuàng)建的文件，然后利用上述模塊及實驗相關(guān)模塊編寫CFC程序。(3)通過FM458接口與模擬液壓系統(tǒng)交換數(shù)據(jù)，實現(xiàn)對模擬系統(tǒng)的在線控制，調(diào)試控制器參數(shù)直至得到理想結(jié)果。

3 BP網(wǎng)絡(luò)控制

基本魚群算法的尋優(yōu)過程順序是先進行追尾行為，若沒有移動,則進行覓食行為，依然沒有移動再執(zhí)行聚群行為，若最后仍沒有移動，則執(zhí)行隨機行為。這樣的順序執(zhí)行程序會浪費大量的時間，本文采用并行移動策略對算法進行改進。計算擁擠度因子，若過分擁擠則執(zhí)行覓食行為；否則執(zhí)行聚群行為和追尾行為，最后比較聚群行為和追尾行為的目標函數(shù)值，這樣的并行搜索策略可大大縮短運算時間并提高算法的精度。

BP神經(jīng)網(wǎng)絡(luò)在求解最優(yōu)化問題時,容易陷入局部最優(yōu)值。魚群算法通過魚的運動規(guī)律，設(shè)定人工魚個體，模擬魚群的覓食、追尾和聚群行為，通過個體的局部尋優(yōu)，實現(xiàn)全局尋優(yōu)。人工魚在不斷探索周圍環(huán)境狀況和同伴狀態(tài)之后，匯集在幾個局部最優(yōu)點處，而較大的極值區(qū)域周圍一般能集結(jié)較多的人工魚，這有助于判斷并獲取全局極值。流程圖如圖3所示。

圖2 液壓AGC系統(tǒng)位置閉環(huán)框圖

圖3 改進的魚群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)流程圖

3.1 改進的人工魚群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的流程

改進的魚群算法是一個循環(huán)算法，在尋優(yōu)的過程中不斷循環(huán)往復，直到找到全局最優(yōu)值，本文待優(yōu)化變量X為70個網(wǎng)絡(luò)初始權(quán)值。

魚群算法用于優(yōu)化神經(jīng)網(wǎng)絡(luò)時的具體步驟為：

(1)設(shè)定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu);

(2)設(shè)定人工魚參數(shù);

(3)人工魚游動優(yōu)化神經(jīng)網(wǎng)絡(luò);

(4)選擇游動行為，判斷是否達到精度;

(5)輸出神經(jīng)網(wǎng)絡(luò)初始權(quán)值并執(zhí)行BP網(wǎng)絡(luò)循環(huán);

(6)輸出最終優(yōu)化參數(shù)并進行在線PID控制。

最優(yōu)解X：

最優(yōu)解 Y：0.008 9

3.2 魚群算法優(yōu)化后的網(wǎng)絡(luò)輸出

將優(yōu)化后的神經(jīng)網(wǎng)絡(luò)依上述步驟封裝成CFC控制器，并進行實驗，結(jié)果如圖4、圖5所示。

由圖4、圖5顯示給定輸入均為5 V～0 V的下降沿。圖4為人工魚群算法優(yōu)化后的CFC神經(jīng)網(wǎng)絡(luò)控制器的輸出曲線，橫坐標每個小格代表50 ms，由此系統(tǒng)響應(yīng)時間在50 ms左右；圖5為FM458中原有PI控制器的效果，其響應(yīng)時間在100 ms左右。因此，經(jīng)過優(yōu)化后的網(wǎng)絡(luò)響應(yīng)更加迅速、穩(wěn)定。

傳統(tǒng)PID控制器魯棒性差等問題，而智能算法的復雜性限制了其在實際控制中的應(yīng)用推廣。為此本文結(jié)合Matlab、FBG、STEP7等多個軟件，利用 PLC、單片機、示波器、信號發(fā)生器等設(shè)備實現(xiàn)了智能算法由理論向?qū)嶋H的轉(zhuǎn)化。通過PLC控制實驗，得出了較為理想的控制效果，從而找到了一個將智能算法應(yīng)用于實際控制的有效途徑。

[1]傅作保.冷軋薄鋼板生產(chǎn)[M].北京：冶金工業(yè)出版社，2005.

[2]李沈,侯祥林，袁艷麗.基于神經(jīng)網(wǎng)絡(luò)的動態(tài)軋制中摩擦因數(shù)仿真估算[J].東北大學學報（自然科學版）,2005,26(10):946-948.

[3]Li Chunhua,Zhu Xinjian,Cao Guangyi,et al.A maximum power point tracker for photovoltaic energy systems based on fuzzy neural networks[J].Journal of Zhejiang University Science A,2009,10(2):263-264.

[4]SHI B,LI Y X,YU X H,et al.A modified particle swarm optimization and radial basis function neural network hybrid algorithm mode1 and its application[C].2009 WRI Global Congress on Intelligent Systems(GCIS 2009)，2009,1:134-138.

[5]SENTHIL A M,RAO M V C,CHANDRAMOHAN A.A new and improved version of particle swarm optimization algorithm with global-local best parameters[J].Knowledge and Information Systems,2008,37(8):15-26.

[6]李曉磊,邵之江,錢積新.一種基于動物自治體的尋優(yōu)模式:魚群算法[J].系統(tǒng)工程理論與實踐,2002，22(11)：32-38.

[7]彭勇，唐國磊，薛志春.基于改進人工魚群算法的梯級水庫群優(yōu)化調(diào)度[J].系統(tǒng)工程理論與實踐,2011,31(6):1118-1119.

[8]連家創(chuàng),劉宏民.板厚板形控制[M].北京:兵器工業(yè)出版社,1996.