粒子群优化BP神经网络PID控制注塑机液压系统

第４５卷第４期应㊀㊀㊀用㊀㊀㊀科㊀㊀㊀技Ｖｏｌ．４５ɴ．４２０１８年８月
ＡｐｐｌｉｅｄＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ
Ａｕｇ．２０１８
ＤＯＩ：１０．１１９９１／ｙｙｋｊ．２０１７１０００７
网络出版地址：ｈｔｔｐ：／／ｋｎｓ．ｃｎｋｉ．ｎｅｔ／ｋｃｍｓ／ｄｅｔａｉｌ／２３．１１９１．Ｕ．２０１８０１０５．０９０３．０１０．ｈｔｍｌ
粒子群优化ＢＰ神经网络ＰＩＤ控制注塑机液压系统
欧青立，张磊，邓鹏，雷鹏宇
湖南科技大学信息与电气工程学院，湖南湘潭４１１２０１
摘㊀要：注塑机液压系统是一个时变㊁非线性和高耦合的复杂系统，传统ＰＩＤ控制参数不易整定，超调量大，对注塑机液压系统控制效果欠佳，现提出一种粒子群优化ＢＰ神经网络算法改良ＰＩＤ控制㊂ＢＰ神经网络算法存在收敛速度慢和容易陷入局部最小值的缺陷，利用粒子群算法的全局最优和收敛速度快的特性改良ＢＰ神经网络，然后利用粒子群优化ＢＰ神经网络对ＰＩＤ的３个参数进行在线调整㊂仿真结果表明，经过粒子群优化后的ＢＰ神经网络对ＰＩＤ３个参数的整定效果要比ＢＰ网络要好，同时粒子群优化ＢＰ神经网络ＰＩＤ控制效果明显优于传统ＰＩＤ控制，可以有效提高注塑机液压系统的精度和响应速度，优化注塑过程㊂
关键词：注塑机控制；液压系统；粒子群优化算法；神经网络；ＰＩＤ控制；参数整定；伺服系统；注塑工艺过程中图分类号：ＴＰ２７３㊀㊀㊀㊀㊀㊀文献标志码：Ａ㊀㊀㊀㊀㊀㊀文章编号：１００９－６７１Ｘ（２０１８）０４－０５０－０６
ＰａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎＢＰｎｅｕｒａｌｎｅｔｗｏｒｋＰＩＤｃｏｎｔｒｏｌｈｙｄｒａｕｌｉｃ
ｓｙｓｔｅｍｏｆｉｎｊｅｃｔｉｏｎｍｏｌｄｉｎｇｍａｃｈｉｎｅ
ＯＵＱｉｎｇｌｉ，ＺＨＡＮＧＬｅｉ，ＤＥＮＧＰｅｎｇ，ＬＥＩＰｅｎｇｙｕ
ＳｃｈｏｏｌｏｆＩｎｆｏｒｍａｔｉｏｎａｎｄＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，Ｈｕ ｎａｎＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅｓａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｘｉａｎｇｔａｎ４１１２０１，Ｃｈｉｎａ
Ａｂｓｔｒａｃｔ：Ｔｈｅｈｙｄｒａｕｌｉｃｓｙｓｔｅｍｏｆｉｎｊｅｃｔｉｏｎｍｏｌｄｉｎｇｍａｃｈｉｎｅｉｓａｃｏｍｐｌｅｘｓｙｓｔｅｍｗｉｔｈｔｉｍｅ⁃ｖａｒｙｉｎｇ，ｎｏｎ⁃ｌｉｎｅａｒａｎｄｈｉｇｈｃｏｕｐｌｉｎｇｃｈａｒａｃｔｅｒｉｓｔｉｃｓ．ＩｔｉｓｎｏｔｅａｓｙｔｏｔｕｎｅｔｒａｄｉｔｉｏｎａｌＰＩＤｃｏｎｔｒｏｌｐａｒａｍｅｔｅｒｓ，ｔｈｅｏｖｅｒｓｈｏｏｔｉｓｌａｒｇｅａｎｄｔｈｅｃｏｎｔｒｏｌｅｆｆｅｃｔｏｎｔｈｅｈｙｄｒａｕｌｉｃｓｙｓｔｅｍｏｆｉｎｊｅｃｔｉｏｎｍｏｌｄｉｎｇｍａｃｈｉｎｅｉｓｎｏｔｇｏｏｄ，ｔｈｅｒｅｆｏｒｅ，ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚｅｄＢＰｎｅｕｒａｌｎｅｔｗｏｒｋａｌｇｏｒｉｔｈｍｉｍｐｒｏｖｅｄＰＩＤｃｏｎｔｒｏｌ．ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋａｌｇｏｒｉｔｈｍｈａｓｔｈｅｄｅｆｅｃｔｓｏｆｓｌｏｗｃｏｎｖｅｒｇｅｎｃｅｒａｔｅａｎｄｅａｓｉｌｙｆａｌｌｉｎｇｉｎｔｏｌｏｃａｌｍｉｎｉｍｕｍ．ＵｓｅｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｇｌｏｂａｌｏｐｔｉｍｉｚａｔｉｏｎａｎｄｆａｓｔｃｏｎｖｅｒｇｅｎｃｅｓｐｅｅｄｏｆｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍｔｏｉｍｐｒｏｖｅｔｈｅＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ，ｔｈｅｎａｄｊｕｓｔｔｈｏｓｅｔｈｒｅｅｐａｒａｍｅｔｅｒｓｏｆＰＩＤｂｙｔｈｅｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚｅｄＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｏｎｌｉｎｅ．ＳｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｓｈｏｗｔｈａｔＢＰｎｅｕｒａｌｎｅｔｗｏｒｋａｆｔｅｒｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎｉｓｂｅｔｔｅｒｔｈａｎＢＰｎｅｔｗｏｒｋｉｎｔｕｎｉｎｇｔｈｏｓｅｔｈｒｅｅｐａｒａｍｅｔｅｒｓｏｆＰＩＤ，ａｎｄｔｈｅｅｆｆｅｃｔｏｆＰＩＤｃｏｎｔｒｏｌｏｆｔｈｅｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚｅｄＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｉｓｏｂｖｉｏｕｓｌｙｂｅｔｔｅｒｔｈａｎｔｒａ⁃ｄｉｔｉｏｎａｌＰＩＤｃｏｎｔｒｏｌ，ｗｈｉｃｈｃａｎｅｆｆｅｃｔｉｖｅｌｙｉｎｃｒｅａｓｅｔｈｅａｃｃｕｒａｃｙａｎｄｒｅｓｐｏｎｓｅｓｐｅｅｄｏｆｔｈｅｈｙｄｒａｕｌｉｃｐｒｅｓｓｕｒｅｓｙｓ⁃ｔｅｍｏｆｉｎｊｅｃｔｉｏｎｍｏｌｄｉｎｇｍａｃｈｉｎｅ，ａｎｄｏｐｔｉｍｉｚｅｔｈｅｉｎｊｅｃｔｉｏｎｍｏｌｄｉｎｇｐｒｏｃｅｓｓ．
Ｋｅｙｗｏｒｄｓ：ｉｎｊｅｃｔｉｏｎｍｏｌｄｉｎｇｍａｃｈｉｎｅｃｏｎｔｒｏｌ；ｈｙｄｒａｕｌｉｃｓｙｓｔｅｍ；ｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎ；ｎｅｕｒａｌｎｅｔｗｏｒｋｓ；ＰＩＤｃｏｎｔｒｏｌ；ｐａｒａｍｅｔｅｒｔｕｎｉｎｇ；ｓｅｒｖｅｒｓｙｓｔｅｍ；ｉｎｊｅｃｔｉｏｎｍｏｌｄｉｎｇｐｒｏｃｅｓｓ收稿日期：２０１７－１０－２７．㊀㊀网络出版日期：２０１８－０１－０５．
基金项目：国家自然科学基金项目（１１２７２１１９）；湖南省自然科学基
金项目（１４ＪＪ２０９９）．
作者简介：欧青立（１９６２－），男，教授．
通信作者：欧青立，Ｅ⁃ｍａｉｌ：ｑｉｎｇｈｎｃｎ＠１６３．ｃｏｍ．
㊀㊀注塑成型工艺是指将聚合物加热融化之后，利用一定压力注射至模具中，经过冷却之后固化成型得到塑料制品的一种加工方法㊂注塑机作为完成注塑成型工艺的机器，是如今塑料加工行业中增长最快㊁产量最高的生产设备之一㊂注塑机控制系统的
关键在于对注塑机液压系统实现高精度和快速响应是实时控制㊂
由于近些年泵控液压系统技术的飞速发展，越来越多的制造商将伺服控制系统应用在注塑机液压系统上㊂ＰＩＤ控制因其简单易行㊁易于实现，广泛应用于各种液压控制系统㊂但是传统的ＰＩＤ控制方法无法在快速响应和控制超调量上面达到统一，所以现在多采用ＰＩＤ控制与其他智能控制方法结合的形式，例如遗传算法优化ＰＩＤ控制［１］㊁模糊ＰＩＤ控制［２］等㊂现提出一种基于粒子群优化算法
（ｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎ，ＰＳＯ）㊁误差逆向传播（ｂａｃｋｐｒｏｐａｇａｔｉｏｎ，ＢＰ）神经网络以及ＰＩＤ控制的复合算法，利用经粒子群算法优化后的误差反向传播神经网络在线调整ＰＩＤ参数，构成ＰＳＯ⁃ＢＰ⁃ＰＩＤ控制算法，使系统满足高精度㊁快速响应㊁鲁棒性好的要求㊂
１㊀伺服液压注塑机总体结构１．１㊀注塑成型工艺过程
㊀㊀一般的液压注塑机由４个主要部分组成：注射机构㊁锁模机构㊁液压系统和控制系统［３］㊂在注塑成型工序中，注射机构通过料斗接受原材料，通过加热圈将其加热，螺杆旋转使其熔化，将熔化的塑料注入模具；然后锁模机构保持压力，直到所生产的塑料部件冷却并固化；随后锁模机构反向驱动使模具打开，顶出制品，完成一个周期的生产㊂液压系统为机械部件提供动力，而控制系统控制注塑机的运行和动作㊂
注塑机的具体工作过程如下：
１）合模和锁模
注塑机如果是刚开机生产，首先要进行一次熔胶过程，固体物料通过加热圈的加热，配合螺杆的旋转变为液态熔料㊂然后进行合模，合模机构首先快速运动，在动模板要接近模具的时候，切换成慢速运动，防止动模板和模具产生剧烈碰撞，动模板和模具接触之后进行锁模，利用高压将模具锁紧，防止之后的注射步骤出现熔料溢出现象㊂
２）注射和保压
注射喷嘴前移与模具贴合，螺杆前移，将熔料注入模具中㊂继而对模具里的熔料施加一定压力直至制品冷却不再产生回流㊂
３）冷却和熔胶
当模具中的熔料不再回流时，卸去保压压力，在冷却部件的作用下进行熔料的冷却成型㊂为了提高生产效率，此时加热圈和螺杆进行下一轮的熔胶，为下一周期的注射做准备㊂
４）开模和顶出制品
当熔料完全冷却成型之后，锁模机构反向驱动使模具打开，然后顶出制品，一个注塑周期完成，如不停机即开始下一周期的生产［４］㊂
因此，注射成型循环可以分为８个步骤：合模㊁锁模㊁注射㊁保压㊁冷却㊁熔胶㊁开模和顶出，其中冷却和熔胶一般同时进行（除了首次熔胶），注塑机生产过程流程如图１所示
㊂
图１㊀注塑机生产过程流程１．２㊀伺服液压注塑机工作原理
㊀㊀伺服液压注塑机工作时，首先上位机设定油泵的压力和流量，将信号传递给伺服驱动器，伺服驱动器将压力和流量信号转换为永磁同步电机的转速和转矩，然后将转速和转矩信号传送给电机，电机进行运转，同时通过电机上装载的位置／速度传感器将电机运行状态反馈至伺服驱动器，伺服驱动器通过反馈信号对电机输入信号进行实时调整㊂电机驱动油泵运转，并将电机的输出转速和转矩转换为油泵出口的流量和压力㊂在油泵出口处有压力传感器和流量传感器，油泵出口的压力和流量也将反馈到伺服驱动器，以便进行实时调整，整个液压系统达到伺服闭环控制［５］㊂注塑机伺服液压系统控制示意图如图２所示㊂
图２㊀注塑机伺服液压系统控制示意
㊃１５㊃
第４期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀欧青立，等：粒子群优化ＢＰ神经网络ＰＩＤ控制注塑机液压系统㊀㊀㊀㊀㊀㊀㊀
㊀㊀注塑机注塑生产过程中的机械部件的动力来源于液压系统，所以液压系统必然是注塑机中最重要的组成部分，注塑机液压系统由油泵㊁伺服电机㊁控制阀门㊁蓄能器㊁冷却器以及管路等组成，但由于其本身所具有的强耦合性和非线性特征，使得液压系统的控制十分困难，无法用常规的简单控制算法进行精密控制，因此研究适用于注塑机伺服液压系统的控制算法意义重大㊂
２㊀注塑机伺服液压控制系统设计㊀㊀压力和流量是注塑机液压系统最重要的２个参数，这２个参数具有强耦合性和非线性特征㊂由于注塑工艺的特殊性，为了适应不同注塑产品的要求，需要对注射压力和注射速度精确控制，发生过早停止注射或延迟停止注射就会产生模具未被填满或者聚合物溢出，影响注塑成品质量甚至对注塑机造成损害，所以输出结果不能用超调量来进行调整，因此注塑机液压系统是一个不允许超调的控制系统，而采用传统的控制策略不能满足这些控制要求［６］㊂ＰＩＤ控制算法于１９世纪７０年代最初应用于船舶自动舵，因其算法简单㊁控制适应性好及易与其他智能算法相结合所以经过了这么多年还依然活跃且富有生机㊂但是传统ＰＩＤ算法对于强耦合和非线性系统的控制效果不理想，现在多与遗传算法㊁模糊智能算法㊁果蝇算法等智能算法结合使用㊂ＢＰ神经网络经常用来优化ＰＩＤ控制算法［７］，ＢＰ神经网络具有很强的非线性映射能力和柔性的网络结构，但是也具有一些固有缺陷，最突出缺陷是收敛速度慢㊁容易陷入局部最小值㊂粒子群算法从随机解出发，通过迭代寻找最优解，通过追踪当前搜索到的最优值来寻找全局最优，它没有遗传算法的 交叉 和 变异 操作，比遗传算法规则更为简单㊂粒子群算法精度高㊁收敛快，与ＢＰ神经网络算法相结合，可以克服其收敛速度慢㊁容易陷入局部最小值的缺点［８］㊂利用粒子群算法优化后的ＢＰ神经网络在线调整ＰＩＤ的３个参数，构成了粒子群优化ＢＰ神经网络ＰＩＤ控制算法㊂
注塑机液压控制系统结构如图３所示，ＰＩＤ控制器㊁伺服电机㊁注塑机液压油泵和油泵上的压力／流量传感器构成一个闭环系统，粒子群优化ＢＰ神经网络算法根据注塑机不同的生产阶段和生产要求，对ＰＩＤ的比例参数ＫＰ㊁积分作用参数ＴＩ㊁微分作用参数ＴＤ进行在线调整，以达到整个系统高精度㊁快速响应的需求
㊂
图３　注塑机液压控制系统结构
３㊀粒子群优化ＢＰ神经网络ＰＩＤ控制
策略
３．１㊀粒子群优化算法
粒子群优化算法（ｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎ，ＰＳＯ）是在１９９５年由Ｊ．Ｋｅｎｎｅｄｙ和Ｒ．Ｃ．Ｅｂｅｒｈａｒｔ等提出的一种群体智能优化算法［９］㊂粒子群优化算法是从鸟类捕食的行为特征中得到启发，首先在可解空间中初始化一群粒子，其中每个粒子代表着一个极值优化问题中的潜在最优解，用速度㊁位置和适应度３项特征标示该粒子，粒子在解空间中运动，粒子每更新１次位置，就计算１次适应度的值，然后比较新粒子的适应度值和个体极值㊁群体极值的适应度值，更新个体在经历位置中得到适应度值的最优位置和群体中所有粒子搜索到的适应度的最优位置［１０］㊂
假设在一个Ｄ维的搜索空间中，由ｎ个粒子组成的种群Ｘ＝（Ｘ１，Ｘ２， ，Ｘｎ），其中第ｉ个粒子表示一个Ｄ维向量Ｘｉ＝（ｘｉ１，ｘｉ２， ，ｘｉＤ）Ｔ，代表第ｉ个粒子在Ｄ维搜索空间中的位置，也代表一个潜在解㊂根据目标函数即可计算出每个粒子的位置Ｘｉ对应的适应度值㊂第ｉ个粒子的速度为Ｖｉ＝（Ｖｉ１，Ｖｉ２， ，Ｖｉ
Ｄ）Ｔ，其个体极值为Ｐｉ
＝（Ｐｉ１，Ｐｉ２， ，ＰｉＤ）Ｔ，种群的全局极值为Ｐｇ＝（Ｐｇ１，Ｐｇ２， ，ＰｇＤ）Ｔ㊂
在每次迭代过程中，粒子分别通过式（１）㊁（２）更新自身的速度和位置：
Ｖｋ＋１ｉｄ＝ωＶｋｉｄ＋ｃ１ｒ１Ｐｋｉｄ－Ｘｋｉｄ
()＋ｃ２ｒ２Ｐｋｇｄ－Ｘｋｉｄ
()（１）
Ｘｋ＋１ｉｄ＝Ｘｋｉｄ＋Ｖｋ＋１ｉｄ（２）式中：ω是惯性权重；ｄ＝１，２， ，Ｄ；ｉ＝１，２， ，ｎ；ｋ为当前迭代次数；Ｖｉｄ为粒子的速度；Ｘｉｄ为粒子的位置；ｃ１和ｃ２为加速度因子，取非负的常数；ｒ１和ｒ２为分布在［０，１］的随机数［１１］㊂
基于粒子群算法的函数极值寻优算法流程如图４所示㊂
㊃２５㊃应㊀㊀㊀用㊀㊀㊀科㊀㊀㊀技㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第４５卷
图４㊀基于粒子群寻优算法流程
３．２㊀ＢＰ神经网络ＰＩＤ结构
ＢＰ神经网络是使用最为广泛的一种前馈网络，由输入层㊁隐含层和输出层３层网络构成，用ＢＰ神经网络优化ＰＩＤ，是一种改进型的ＰＩＤ控制方法，ＢＰ神经网络中输出层的３个神经元分别对应于ＰＩＤ中的ＫＰ㊁ＴＩ㊁ＴＤ共３个参数㊂当外部环境发生变化时，ＢＰ神经网络可以通过自学习和调整加权系数等方法调整ＰＩＤ的３个参数使ＰＩＤ具有更优效果，最终由ＰＩＤ控制器输出ｕ（ｋ）㊂增量式数字ＰＩＤ的控制算法为
ｕｋ()＝ｕｋ－１()＋ＫＰｅｋ()－ｅｋ－１()[]＋ＴＩｅｋ()＋
ＴＤｅｋ()－２ｅｋ－１()＋ｅｋ－２()[]（３）式中：ｋ为采集次数，ＫＰ为比例系数，ＴＩ为积分系数，
ＴＤ为微分系数，ｕ（ｋ）为本次输出，ｕ（ｋ－１）为上一时刻输出，ｅ（ｋ）为本次偏差，ｅ（ｋ－１）为上一时刻偏差，ｅ（ｋ－２）为上一时刻再上一时刻偏差㊂
ＢＰ神经网络结构如图５所示㊂
图５㊀ＢＰ神经网络结构
㊀㊀输出层接受外界系统输入信息，然后将信息传递给隐含层㊂输入层的输入为
Ｏ１()Ｊ＝ｘｊ()，ｊ＝１，２，３
㊀㊀隐含层对输入信号进行转换，然后传递到输出层㊂隐含层的输入如式（４）所示，输出如式（５）所示：
ｎｅｔ
２()ｉ
ｋ()＝
ð３
ｊ＝０
Ｗ４()
ｉｊ０()Ｏｊ（４）
Ｏ２()ｉｋ()＝ｆｎｅｔ２()ｉｋ()()，ｉ＝１，２， ，６（５）㊀㊀输出层的输入如式（６）所示，输出如式（７）所示：ｎｅｔ
３()
ｉｋ()＝
ðＱ
ｉ＝０
Ｗ６()
１ｉ０()Ｏ５()ｉｋ()
（６）
Ｏ３()ｌｋ()＝ｇｎｅｔ２()ｉｋ()()，ｌ＝１，２，３（７）
㊀㊀由于ＰＩＤ的３个可控参数ＫＰ㊁ＴＩ和ＴＤ只能是正数，所以输出层的激励函数采用Ｓｉｇｍｏｉｄ函数：
ｙ＝ｇｘ()＝
１
１＋ｅ－ｘ
式中：ｘ是输出层神经元输入，ｙ是输出层神经元输出㊂３．３㊀粒子群算法优化ＢＰ神经网络ＰＩＤ算法
由于ＢＰ神经网络有收敛速度慢和易陷入局部最小值的固有缺陷，所以与之组合的ＢＰ神经网络ＰＩＤ控制器也具有这些缺点，而粒子群算法具有全局最优和收敛速度快的优点，可以有效改善ＢＰ神经网络ＰＩＤ控制器的缺陷㊂
粒子群优化ＢＰ神经网络ＰＩＤ控制算法过程如下：１）ＢＰ神经网络结构确定㊂ＢＰ神经网络的输入层和输出层的节点数目是由具体对象确定的，由于本文优化对象是ＰＩＤ控制器，所以输入层和输出层的节点都是３个，隐含层的节点数目的确定非常重要，如果隐含层节点数目太少，收敛度会降低；隐含层节点太多，会导致训练时间过长，为了同时兼顾优化效果和收敛速度，选定隐含层节点数为６，即取３－６－３的网络结构㊂群体规模取３０，ｃ１和ｃ２取为２，ω取０．８，最大迭代次数为５０㊂
２）计算粒子的适应度㊂为了判断粒子位置的优劣，要建立一个适应度函数，可以使用ＢＰ网络中的误差函数作为适应度函数：
Ｅｐ＝１２ðｎ
２ｉ＝１
ｘ１()
ｐｉ
－Ｏｐｉ()２㊀㊀３）个体最优值和全局最优值㊂比较粒子在每个时刻的个体适应度值和群体适应度值，如果比之前时刻适应度更好的话，则进行个体最优值和群体最优值的更新㊂
４）更新粒子的位置和速度㊂根据式（１）和（２）计算粒子的速度和位置，并进行更新㊂
５）计算ＢＰ神经网络的输入和输出，输出层即为ＰＩＤ的３个参数ＫＰ㊁ＴＩ和ＴＤ㊂
６）根据式（３）计算ＰＩＤ控制器的输出ｕ（ｋ）㊂７）令ｋ＝ｋ＋１，返回２），直到超过最大迭代次数，输出最优解㊂
㊃
３５㊃第４期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀欧青立，等：粒子群优化ＢＰ神经网络ＰＩＤ控制注塑机液压系统㊀㊀㊀㊀㊀㊀㊀
４㊀仿真与结果分析
㊀㊀为了对比粒子群优化ＢＰ神经网络ＰＩＤ控制器和传统ＰＩＤ控制器对注塑机液压系统的控制效果，
进行系统仿真㊂由于注塑机液压系统是一个非线性㊁强耦合㊁时变的复杂控制对象［１２］
，因此取一个近
似的数学模型：
ｙｋ()＝ｈｋ()ｙｋ－１()
１＋ｙ２
ｋ－１
()＋ｕｋ－１()式中ｈ（ｋ）＝１．２ｅ－０．２ｋ㊂ＰＳＯ算法经过迭代５０次，最优个体的适应度变
化如图
６㊂
图６㊀粒子群算法过程
㊀㊀在ＭＡＴＬＡＢ／Ｓｉｍｕｌｉｎｋ环境下对ＰＩＤ的３个参数整定建立仿真模型如图
７㊂
图７㊀ＰＩＤ参数整定仿真模型㊀㊀ＢＰ神经网络和粒子群优化ＢＰ神经网络对ＰＩＤ的３个参数ＫＰ㊁ＴＩ和ＴＤ进行整定分别如图８ １０所示㊂
图８㊀ＢＰ神经网络和粒子群优化ＢＰ神经网络整定ＫＰ
参数
图９㊀ＢＰ神经网络和粒子群优化ＢＰ神经网络整定ＴＩ
参数
图１０㊀ＢＰ神经网络和粒子群优化ＢＰ神经网络整定ＴＤ参数
㊀㊀从图８ １０可以看出，通过ＢＰ神经网络整定ＰＩＤ的３个参数基本与输入信号规律的变化相同，
但是前期都有一个明显的震荡，整定效果不是很理想㊂而经过粒子群优化后的ＢＰ神经网络对ＰＩＤ的
３个参数的整定不存在之前ＢＰ神经网络整定ＰＩＤ的前期震荡，整定效果稳定可靠㊂
建立ＰＩＤ控制阶跃响应仿真模型如图１１所示
㊂
图１１㊀ＰＩＤ控制阶跃响应仿真模型
㊀㊀仿真图形如图１２所示㊂
图１２㊀粒子群优化ＢＰ神经网络ＰＩＤ控制阶跃响应
㊀㊀从图１２仿真图形可以看出，经过粒子群优化ＢＰ
神经网络算法优化后的ＰＩＤ控制器比传统ＰＩＤ拥有更好的性能，超调量明显减少，能够较高程度地减少注塑机液压系统中油量的波动，提高了系统的精度和响应速度，从而能够对注塑机液压系统精确控制㊂
５㊀结论
传统ＰＩＤ控制器是通过数学模型对参数进行整
定的，因此在遇到时变㊁非线性和高耦合的被控对象时控制效果欠佳，而注塑机液压系统正是一个这样一个复杂控制对象㊂１）文中提出了一种粒子群优化ＢＰ神经网络ＰＩＤ控制方法，利用粒子群算法优化ＢＰ神经网络克服收敛速度慢和容易陷入局部最小值这２
个缺陷，同时对ＰＩＤ的３个参数进行在线调整，并进
㊃４５㊃应㊀㊀㊀用㊀㊀㊀科㊀㊀㊀技㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第４５卷
行了仿真验证㊂２）仿真结果表明，本文提出的粒子群优化ＢＰ神经网络ＰＩＤ控制方法明显优于传统ＰＩＤ控制方法，可以提高注塑机液压系统的精度和响应速度，达到精密注塑的要求，符合现代发展趋势㊂
参考文献：
［１］盘真保，董菲，赵吉文，等．基于遗传二自由度的永磁
同步直线电机ＰＩＤ控制参数优化研究［Ｊ］．电气工程学报，２０１５，１０（８）：５０－５５．
［２］王卫兵，张惠，徐倩．减温减压系统模糊ＰＩＤ温度控制器的设计［Ｊ］．哈尔滨理工大学学报，２０１６，２１（５）：９６－１００．
［３］杨达飞，黄力．混沌模糊神经网络算法在注塑机温度实时控制中的应用［Ｊ］．塑料工业，２０１６，４４（４）：６４－６８．［４］ＳＩＮＧＨＧ，ＶＥＲＭＡＡ．ＡＢｒｉｅｆＲｅｖｉｅｗｏｎｉｎｊｅｃｔｉｏｎｍｏｕｌｄ⁃
ｉｎｇｍａｎｕｆａｃｔｕｒｉｎｇｐｒｏｃｅｓｓ［Ｊ］．Ｍａｔｅｒｉａｌｓｔｏｄａｙ：ｐｒｏｃｅｅｄ⁃ｉｎｇｓ，２０１７，４（２）：１４２３－１４３３．
［５］廖辉，王青林，黄崇林．恒压变流量供油注塑机液压系统的研究［Ｊ］．机床与液压，２０１５，４３（４）：１１３－１１５．［６］叶青．注塑机电液伺服系统复合控制策略研究及其应用
［Ｊ］．电气传动，２０１６，４６（２）：５５－５９．
［７］ＭＩＬＯＶＡＮＯＶＩＣＭＢ，ＡＮＴＩＣＤＳ，ＭＩＬＯＪＫＯＶＩＣＭＴ，ｅｔａｌ．
ＡｄａｐｔｉｖｅＰＩＤｃｏｎｔｒｏｌｂａｓｅｄｏｎｏｒｔｈｏｇｏｎａｌｅｎｄｏｃｒｉｎｅｎｅｕｒａｌｎｅｔ⁃ｗｏｒｋｓ［Ｊ］．Ｎｅｕｒａｌｎｅｔｗｏｒｋｓ，２０１６，８４：８０－９０．
［８］阳同光，桂卫华．基于粒子群优化神经网络观测器感应
电机定子电阻辨识［Ｊ］．电机与控制学报，２０１５，１９（２）：
８９－９５．
［９］ＫＵＯＪｉａｎｌｏｎｇ，ＣＨＡＮＧＭｅｎｇｔｉ．Ｍｕｌｔｉｏｂｊｅｃｔｉｖｅｄｅｓｉｇｎｏｆ
ｔｕｒｂｏｉｎｊｅｃｔｉｏｎｍｏｄｅｆｏｒａｘｉａｌｆｌｕｘｍｏｔｏｒｉｎｐｌａｓｔｉｃｉｎｊｅｃｔｉｏｎ
ｍｏｌｄｉｎｇｍａｃｈｉｎｅｂｙｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎ［Ｊ］．Ｍａｔｈｅ⁃ｍａｔｉｃａｌｐｒｏｂｌｅｍｓｉｎｅｎｇｉｎｅｅｒｉｎｇ，２０１５：９７４６２４．
［１０］王茂林，叶小红，王洪光，等．液压系统中粒子群优化
神经网络权值的控制算法［Ｊ］．应用科技，２０１４，４１
（３）：５１－５４．
［１１］杨娜，荆园园．基于改进ＰＳＯ算法的函数极值寻优研
究［Ｊ］．计算机仿真，２０１５，３２（９）：２６３－２６６．
［１２］ＨＡＶＬＩＣＳＥＫＨ，ＡＬＬＥＹＮＥＡ．Ｎｏｎｌｉｎｅａｒｃｏｎｔｒｏｌｏｆａｎ
ｅｌｅｃｔｒｏｈｙｄｒａｕｌｉｃｉｎｊｅｃｔｉｏｎｍｏｌｄｉｎｇｍａｃｈｉｎｅｖｉａｉｔｅｒａｔｉｖｅａ⁃ｄａｐｔｉｖｅｌｅａｒｎｉｎｇ［Ｊ］．ＩＥＥＥ／ＡＳＭＥｔｒａｎｓａｃｔｉｏｎｓｏｎｍｅｃｈａ⁃ｔｒｏｎｉｃｓ，１９９９，４（３）：３１２－３２３．
本文引用格式：
欧青立，张磊，邓鹏，等．粒子群优化ＢＰ神经网络ＰＩＤ控制注塑机液压系统［Ｊ］．应用科技，２０１８，４５（４）：５０－５５．
ＯＵＱｉｎｇｌｉ，ＺＨＡＮＧＬｅｉ，ＤＥＮＧＰｅｎｇ，ｅｔａｌ．ＰａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎＢＰｎｅｕｒａｌｎｅｔｗｏｒｋＰＩＤｃｏｎｔｒｏｌｈｙｄｒａｕｌｉｃｓｙｓｔｅｍｏｆｉｎｊｅｃｔｉｏｎｍｏｌｄｉｎｇｍａｃｈｉｎｅ［Ｊ］．Ａｐｐｌｉｅｄｓｃｉｅｎｃｅａｎｄｔｅｃｈｎｏｌｏｇｙ，２０１８，４５（４）：５０－５５．（上接第４９页）
［２］邹北骥，阮鹏，向遥，等．一种精确匹配的全景图自动拼
接算法［Ｊ］．计算机工程与科学，２０１０，３２（８）：６０－６３．［３］ＮＩＣＯＬＡＳＨ．Ｎｅｗｍｅｔｈｏｄｓｆｏｒｄｙｎａｍｉｃｍｏｓａｉｃｋｉｎｇ［Ｊ］．
ＩＥＥＥｔｒａｎｓａｃｔｉｏｎｓｏｎｉｍａｇｅｐｒｏｃｅｓｓｉｎｇ，２００１，１０（８）：
１２３９－１２５１．
［４］ＦＡＮＧＸｉａｎｙｏｎｇ，ＺＨＡＮＧＭｉｎｇｍｉｎ，ＰＡＮＺｈｉｇｅｎｇ，ｅｔａｌ．Ａ
ｎｅｗｍｅｔｈｏｄｏｆｍａｎｉｆｏｌｄｍｏｓａｉｃｆｏｒｌａｒｇｅｄｉｓｐｌａｃｅｍｅｎｔｉｍａ⁃ｇｅｓ［Ｊ］．Ｊｏｕｒｎａｌｏｆｃｏｍｐｕｔｅｒｓｃｉｅｎｃｅａｎｄｔｅｃｈｎｏｌｏｇｙ，２００６，
２１（２）：２１８－２２３．
［５］何佳华，吴斌，张红英．基于不变矩相似度的快速图像
拼接［Ｊ］．微型机与应用，２０１７，３６（１２）：５０－５３．［６］刘佳，傅卫平，王雯，等．基于改进ＳＩＦＴ算法的图像匹
配［Ｊ］．仪器仪表学报，２０１３，３４（５）：１１０７－１１１２．
［７］李新科，高潮，郭永彩，等．利用改进的ＳＩＦＴ算法检测
桥梁拉索表面缺陷［Ｊ］．武汉大学学报：信息科学版，
２０１５，４０（１）：７１－７６．
［８］杨世沛，陈杰，周莉，等．一种基于ＳＩＦＴ的图像特征匹
配方法［Ｊ］．电子测量技术，２０１４，３７（６）：５０－５３．［９］白廷柱，侯喜报．基于ＳＩＦＴ算子的图像匹配算法研究［Ｊ］．北京理工大学学报，２０１３，３３（６）：６２２－６２７．［１０］赵烨，蒋建国，洪日昌．基于ＲＡＮＳＡＣ的ＳＩＦＴ匹配优化［Ｊ］．光电工程，２０１４，４１（８）：５８－６５．
［１１］任克强，胡梦云．基于改进ＳＵＲＦ算子的彩色图像配准
算法［Ｊ］．电子测量与仪器学报，２０１６，３０（５）：７４８－７５６．［１２］穆柯楠，惠飞，曹健明，等．一种基于几何约束的
ＲＡＮＳＡＣ改进算法［Ｊ］．计算机工程与应用，２０１５，５１
（４）：２０５－２０８．
本文引用格式：
赫更新，马嘉文，张西克，等．ＳＵＲＦ与ＲＡＮＳＡＣ组合图像拼接算法［Ｊ］．应用科技，２０１８，４５（４）：４５－４９，５５．
ＨＥＧｅｎｇｘｉｎ，ＭＡＪｉａｗｅｎ，ＺＨＡＮＧＸｉｋｅ，ｅｔａｌ．ＡｎｉｍｐｒｏｖｅｄｉｍａｇｅｍｏｓａｉｃａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎＳＵＲＦａｎｄＲＡＮＳＡＣ［Ｊ］．Ａｐｐｌｉｅｄｓｃｉ⁃ｅｎｃｅａｎｄｔｅｃｈｎｏｌｏｇｙ，２０１８，４５（４）：４５－４９，５５．
㊃
５５㊃第４期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀欧青立，等：粒子群优化ＢＰ神经网络ＰＩＤ控制注塑机液压系统㊀㊀㊀㊀㊀㊀㊀。