基于BP神经网络的数控冲床的刹车曲线自学习方法技术

一种基于BP神经网络的数控冲床刹车曲线自学习方法，包括以下几个步骤：(1)数控冲床操作人员通过上位机的触摸屏控制变频器，从而通过变频器的输出来控制冲床动作，变频器的n个不同频率，对应着冲床的n个不同的速度(n>20)；(2)数控冲床动作数周期后按照事先确定的规律刹车，等待冲床完全停止动作，记录冲床每次刹车时的速度、当前编码器的位置(0°～360°)和冲床完全停止动作后由于惯性而产生的过冲角度，得到n组样本点(每组样本点包括速度、编码器的位置、过冲角度)；(3)根据记录的n组样本数据，通过BP神经网络算法拟合出冲床刹车曲线，存储该BP神经网络模型的各项参数。本发明专利技术操作方便，精度高。

【技术实现步骤摘要】
基于BP神经网络的数控冲床的刹车曲线自学习方法
本专利技术涉及一种基于BP神经网络的数控冲床停上死点控制的方法。
技术介绍
冲床就是一台冲压式压力机，在国民生产中，冲压工艺由于比传统机械加工来说 有节约材料和能源，效率高，对操作者技术要求不高及通过各种模具应用可以做出机械加 工所无法达到的产品这些优点，因而它的用途越来越广泛。由于冲床工作的原理是将圆周 运动转换为直线运动，所以冲床的工作曲线非常重要，本专利技术主要研究了冲床在停车后由 于惯性而转过的角度与停车时速度、编码器位置的曲线关系，利用该曲线可以保证冲床刹 车后能够准确停到上死点附近，提高了冲压精度。市面上大部分的冲床控制系统使用的是 PLC作为主控制器，由于PLC的计算能力有限，一般使用多段折线拟合的方式来计算刹车曲 线，然而折线并不能精细的拟合复杂曲线，因而该方法控制的精度普遍较低。另外一种做 法是根据经验，选定一个二次多项式，利用最小二乘法来学习并拟合刹车曲线，该方法有一 定的智能型，但是运行表明，刹车曲线并不能简单的用二次多项式拟合，因而精度也不甚理 想。BP神经网络具有很强的非线性映射能力，解决一些非线性问题更是它最突出的一环。 BP神经网络拓扑结构简单，而且具有较高的误差精度，并且它易于用编权实现，而它还具有 很强的可操作性。BP算法由数据流的正向传播和误差信号的反向传播两个过程构成。正 向传播时，传播方向为输入层一隐层一输出层，每层神经兀的状态只影响下一层神经兀。若 在输出层得不到期望的输出，则转向误差信号的反向传播流程。通过这两个过程的交替进 行，在权向量空间执行误差函数梯度下降策略，动态迭代搜索一组权向量，使网络误差函数 达到最小值，因此，利用BP神经网络的拟合数控冲床的刹车曲线是非常合适的。
技术实现思路
本专利技术要克服现有技术的上述缺点，提供一种操作方便、精度较高的基于BP神经 网络的数控冲床的刹车曲线自学习方法。数控冲床刹车曲线的BP神经网络拟合方法包括 以下步骤： 步骤1，首先启动数控冲床的电源开关，这时候数控冲床处于等待接收上位机指令 的状态中，本实施例中，数控冲床刹车曲线自学习的实现，采用的硬件平台是基于STM32微 控制器的嵌入式方案，所以整个冲床控制系统由触摸屏终端和以STM32F207微控制器为核 心的主控板组成，两者之间通过串口通信交互数据，下位机没有接收到上位机传过来的指 令，冲床处于等待状态中。 步骤2,下位机判断上位机发过来的指令，分析是控制冲床动作还是控制冲床自学 习，如果发过来的指令是控制冲床动作，则冲床不需要进行自学习，下位机自动从存储芯片 中读取BP神经网络的参数，按照上位机的指令来控制冲床运动；如果冲床操作人员想让冲 床进行自学习，则按下触摸屏上的学习按钮，触摸屏显示板会通过串口发送刹车曲线学习 命令给控制板，这时候冲床处于自学习状态中； 步骤3,控制板收到自学习的信息后会自动与变频器通信，并依次设置20个不同 的频率，对应冲床20个不同的速度，等待运行20秒后冲床速度稳定； 步骤4,在冲床往复运行20秒后，这时候的冲床速度已经变得稳定，接着等待冲床 完整运行完5个周期后刹车，同时记录下来当前编码器的位置； 步骤5,冲床刹车命令给出后，在程序中进行2秒钟的延时使得冲床完全停止，冲 床完全停止后记录每次刹车时的速度和刹车后过冲的角度； 步骤6,判断20组包含冲床刹车时速度、位置以及过冲角度的训练集样本是否建 立完成，如果训练样本已经建立完成，则进行后续的模型学习；否则重复步骤3、4、5,直到 训练样本建立完成； 后续的模型学习中BP神经网络进行曲线拟合的具体步骤如下： (6.1)权值初始化 (6. 2)确定网络的结构和参数，并给出相关变量的定义 (6. 3)输入训练样本 (6.4)正向传播过程 (6. 5)反向传播过程：a、计算同一层单元的误差；b、修正权值和阈值；c、如果误差 不满足要求返回（6. 3)，否则执行（6. 6)。 (6. 6)训练结束。 步骤（6.4)所述的BP神经网络信号的正向传播过程具体是：隐含层第i个节点的 输入Neh:本文档来自技高网...

【技术保护点】
一种基于BP神经网络的数控冲床刹车曲线自学习方法，该方法包括以下步骤：(1)首先启动数控冲床的电源开关，这时候数控冲床处于等待接收上位机指令的状态中，本实施例中，数控冲床刹车曲线自学习的实现，采用的硬件平台是基于STM32微控制器的嵌入式方案，所以整个冲床控制系统由触摸屏终端和以STM32F207微控制器为核心的主控板组成，两者之间通过串口通信交互数据，下位机没有接收到上位机传过来的指令，冲床处于等待状态中；(2)下位机判断上位机发过来的指令，分析是控制冲床动作还是控制冲床自学习，如果发过来的指令是控制冲床动作，则冲床不需要进行自学习，下位机自动从存储芯片中读取支持向量机回归模型的参数，按照上位机的指令来控制冲床运动；如果冲床操作人员想让冲床进行自学习，则按下触摸屏上的学习按钮，触摸屏显示板会通过串口发送刹车曲线学习命令给控制板，这时候冲床处于自学习状态中；(3)控制板收到自学习的信息后会自动与变频器通信，并依次设置20个不同的频率，对应冲床20个不同的速度，等待运行20秒后冲床速度稳定；(4)在冲床往复运行20秒后，这时候的冲床速度已经变得稳定，接着等待冲床完整运行完5个周期后刹车，同时记录下来当前编码器的位置；(5)冲床刹车命令给出后，在程序中进行2秒钟的延时使得冲床完全停止，冲床完全停止后然后记录每次刹车时的速度和刹车后过冲的角度；(6)判断20组包含冲床刹车时速度、位置以及过冲角度的训练集样本是否建立完成，如果训练样本已经建立完成，则进行后续的模型学习；否则重复(3)(4)(5)步骤，直到训练样本建立完成；后续的模型学习中BP神经网络进行曲线拟合的具体步骤如下：(6.1)权值初始化(6.2)确定网络的结构和参数，并给出相关变量的定义(6.3)输入训练样本(6.4)前向传播过程(6.5)反向传播过程：a、计算同一层单元的误差；b、修正权值和阈值；c、如果误差不满足要求返回(6.3)，否则执行(6.6)。(6.6)训练结束。步骤(6.4)所述的BP神经网络信号的前向传播过程具体是：隐含层第i个节点的输入Neti：Neti=Σj=1Mwijxj+θi]]>xj表示输入层第j个节点的输入；wij表示隐含层第i个节点到输入层第j个节点之间的权值；θi表示隐含层第i个节点的阈值；隐含层第i个节点的输出yi：yi=φ(Neti)=φ(Σj=1Mwijxj+θi)]]>φ(x)表示隐含层的激励函数；wki表示输出层第k个节点到隐含层第i个节点之间的权值；输出层第k个节点的输入Netk：Netk=Σi=1qwkiyi+ak=Σi=1qwkiφ(Σj=1Mwijxj+θi)+ak]]>ak表示输出层第k个节点的阈值；输出层第k个节点的输出：ok=ψ(Netk)=ψ(Σi=1qwkiyi+ak)=ψ(Σi=1qwkiφ(Σj=1Mwijxj+θi)+ak)]]>ψ(x)表示输出层的激励函数；ok表示输出层第k个节点的输出；步骤(6.5)所述的BP神经网络信号误差的反向传播过程：误差的反向传播，即首先由输出层开始逐层计算各层神经元的输出误差，然后根据误差梯度下降法来调节各层的权值和阈值，使修改后的网络的最终输出能接近期望值；对于每一个样本p的二次型误差准则函数为EP：EP=12Σk=1L(Tk-ok)2]]>系统对P个训练样本的总误差准则函数为：E=12Σp=1pΣk=1L(Tkp-okp)2]]>根据误差梯度下降法依次修正输出层权值的修正量Δwki，输出层阈值的修正量Δak，隐含层权值的修正量Δwij，隐含层阈值的修正量Δθi；Δwki=-η∂E∂wki]]>Δak=-η∂E∂ak]]>Δwij=-η∂E∂wij]]>Δθi=-η∂E∂θi]]>输出层权值调整公式：Δwki=-η∂E∂wki=-η∂E∂Netk∂Netk∂wki=-η∂E∂ok∂ok∂Netk∂Netk∂wki]]>输出层阈值调整公式：Δa...

【技术特征摘要】
1. 一种基于BP神经网络的数控冲床刹车曲线自学习方法，该方法包括以下步骤： (1) 首先启动数控冲床的电源开关，这时候数控冲床处于等待接收上位机指令的状态 中，本实施例中，数控冲床刹车曲线自学习的实现，采用的硬件平台是基于STM32微控制器 的嵌入式方案，所以整个冲床控制系统由触摸屏终端和以STM32F207微控制器为核心的主 控板组成，两者之间通过串口通信交互数据，下位机没有接收到上位机传过来的指令，冲床 处于等待状态中； (2) 下位机判断上位机发过来的指令，分析是控制冲床动作还是控制冲床自学习，如果 发过来的指令是控制冲床动作，则冲床不需要进行自学习，下位机自动从存储芯片中读取 支持向量机回归模型的参数，按照上位机的指令来控制冲床运动；如果冲床操作人员想让 冲床进行自学习，则按下触摸屏上的学习按钮，触摸屏显示板会通过串口发送刹车曲线学 习命令给控制板，这时候冲床处于自学习状态中； (3) 控制板收到自学习的信息后会自动与变频器通信，并依次设置20个不同的频率， 对应冲床20个不同的速度，等待运行20秒后冲床速度稳定； (4) 在冲床往复运行20秒后，这时候的冲床速度已经变得稳定，接着等待冲床完整运 行完5个周期后刹车，同时记录下来当前编码器的位置； (5) 冲床刹车命令给出后，在程序中进行2秒钟的延时使得冲床完全停止，冲床完全停 止后然后记录每次刹车时的速度和刹车后过冲的角度； (6) 判断20组包含冲床刹车时速度、位置以及过冲角度的训练集样本是否建立完成， 如果训练样本已经建立完成，则进行后续的模型学习；否则重复（3) (4) (5)步骤，直到训练 样本建立完成； 后续的模型学习中BP神经网络进行曲线拟合的具体步骤如下： (6. 1...

【专利技术属性】
技术研发人员：黄雪兵，陈德富，何通能，秦文强，李华楠，
申请(专利权)人：宁波步络科工业自动化科技有限公司，浙江工业大学，
类型：发明
国别省市：浙江;33