硕士学位论文--彩色印刷对版自动检测与控制.pdf

吉林大学硕士学位论文 分 类 号 TS803 单 位 代 码 10183 分 类 号 TS803 单 位 代 码 10183 分 类 号 TS803 单 位 代 码 10183 分 类 号 TS803 单 位 代 码 10183 硕 士 学 位 论 文 硕 士 学 位 论 文 吉 林 大 学 吉 林 大 学 作作 者者 张张 来来 喜喜 作作 者者 张张 来来 喜喜 密级 内 部 研究生学号 2990405密级 内 部 研究生学号 2990405 密级 内 部 研究生学号 2990405密级 内 部 研究生学号 2990405 吉林大学 吉林大学 吉林大学 吉林大学 硕士学位论文 硕士学位论文 硕士学位论文 硕士学位论文 题题 目目 彩色印刷对版自动检测与控制系统彩色印刷对版自动检测与控制系统 题题 目目 彩色印刷对版自动检测与控制系统彩色印刷对版自动检测与控制系统 作者姓名作者姓名作者姓名作者姓名 张张 来来 喜喜 专专 业业通信与信息系统通信与信息系统 导师姓名及 职 称 导师姓名及 职 称 孙海涛孙海涛 副教授副教授 论文起至年月 2000 年 9 月 至 2002 年 2 月 I 吉林大学硕士学位论文 提提 要要 我的论文研究方向为设计一个以工控机为核心的彩色印刷控制系统 在本系统中 上位机采用性能稳定的工控机作为控制核心 下位机采用具有高速输入输出功能的 196 单片机作为数据采集和直接参与控制的前端控制系统 它们之间采用高可靠性智能化的高速 CAN 总线进行数据传输 此系统的主要优点在于 由于采用了工控机作为控制中心 就可以通过 VBVC 等高级语言设计出友好的人机界面所有操作均可在工控机的屏幕上用手指点击完成 所有的重要数据都有可视化的图形显示 给用户提供了几种不同的显示形式 本系统采用工控机集中控制利用其高速计算能力就可以使用一些复杂的并且控制效果较好的控制算法本系统采用了神经网络 PID 算法神经网络 PID 是将 PID 规律融进神经网络之中构成的 实现了神经网络和 PID 控制规律的本质结合即具有常规 PID 控制器结构简单参数物理意义明确之优点同时又具有神经网络自学习自适应的功能 关键词关键词彩色印刷对版误差神经网络 PID 控制神经网络 PID 控制算法稳定性收敛性计算机仿真 II 吉林大学硕士学位论文 目目 录 录 提 要. III 第一章 绪 论. 1 1.1 塑膜彩色印刷机简介 . 1 1.2 组合式凹版印刷机 . 1 1.3 套色误差及调整 . 2 1.4 国内外发展动态基本课题的意义 . 3 1.5 技术难点和解决对策 . 4 1.6 论文的内容安排 . 5 第二章 系统总体方案设计. 7 2.1 彩印对版测控系统概述 . 7 2.2 各工位对版误差的检测方法 . 10 2.3 光电传感器的检测工作原理 . 11 2.4 对版误差处理和计算 . 12 2.5 系统误差补偿 . 14 2.6 补偿电机补偿量的计算及其输出 . 15 2.6.1 补偿量的计算. 15 2.6.2 补偿量的输出. 15 2.7 数据采集卡程序流程介绍 . 18 2.8 工控机采集卡驱动程序介绍 . 22 2.9 控制器局域网总线CAN 总线. 24 2.9.1 CAN 总线的特点4. 24 2.9.2 CAN 总线收发接口电路 82C250 与 SJA1000 简介 . 25 2.9.3 其它总线的优缺点8. 25 第三章 神经网络控制器及其设计. 28 3.1 神经网络的发展1. 28 3.2 神经网络模型1. 29 3.2.1 神经网络工作机制. 29 3.2.2 神经网络结构. 32 3.3 神经网络的学习方法 . 36 III 吉林大学硕士学位论文 3.3.1 神经元工作方式1. 36 3.3.2 神经网络有指导的学习. 37 3.3.3 神经网络没有指导的学习. 37 3.4 神经网络学习规则1. 38 3.5 神经网络的结构设计 . 41 3.7 输入数据的设计与准备 . 45 3.8 神经网络的训练检验及性能评价 . 46 第四章 PID-NN 神经控制器设计 . 49 4.1 PID-NN 神经控制器9. 49 4.2 PID-NN 神经网络理论的模型. 50 4.3 PID-NN 的控制算法. 51 4.3.1 PID-NN 的计算方法 . 51 4.3.2 PID-NN 控制系统的反传算法 . 52 4.3.3 PID-NN 权重初值的设定及积分单元输入权值得处理 . 53 4.3.4 采用 PID-NN 控制器的控制系统的收敛性和稳定性分析. 54 4.4 PNN 系统仿真步骤. 57 第五章 控制算法仿真及对版系统调试. 58 5.1 控制算法的仿真 . 58 5.2 控制算法的仿真图形 . 58 5.3 仿真试验的结论 . 61 第六章 总结与展望. 62 参考文献. 64 致 谢. 68 摘 要. II ABSTRACT. V IV 吉林大学硕士学位论文 第一章第一章 绪绪 论论 1.1 塑膜彩色印刷机简介 1.1 塑膜彩色印刷机简介 塑膜彩色印刷应用于轻工 食品和包装等行业 随着我国国民经济的发展人民生活水平的提高 对塑膜彩色印刷的需求量越来越大 同时对它的质量要求也日益提高在装潢挂历高档礼品包装材料等领域内尤其如此因此它具有广阔的应用空间和良好的市场前景 1.2 组合式凹版印刷机 1.2 组合式凹版印刷机 图 1给出了组合式凹版印刷机地结构框图它由放卷收卷纵向套准调节张力控制供墨及干燥装置等组成 图 1-1 组合式凹版印刷机结构 在印刷时印版滚筒的下部浸在墨槽里通过滚筒旋转使整个印版滚筒涂满墨层经过紧贴版面的刮刀时突出版面部分的油墨被刮净在经过弹性体1 吉林大学硕士学位论文 压印滚筒的压力作用 印版上的油墨被转移到成印材料的表面 构成清晰的图像和文字它的示意图如图 1-2 所示 塑膜彩色印刷均采用组合式凹版印刷机或卫星式凹版印刷机 所用的承印材料为滚筒塑料薄膜 组合式凹版印刷机的主要特点是每个印刷机组呈水平状排列构成一条流水线根据需要组成印刷机一般为五至六个机组最多时为十三个它的机械精度高可印正反面各组之间距离长干燥效果好印刷速度快装版换版容易但是由于线速度大如果没有对版控制系统张力又难以恒定不能保证多色套印的套准精度 图 1-2 印刷过程示意图 1.3 套色误差及调整 1.3 套色误差及调整 在印刷过程中卷通塑料薄膜在进行多色套印过程中由于受到各种因素的干扰往往使套印出现误差 这些因素主要由组合式凹版印刷机速度较大 张力难以恒定再加上导轴和压辊的相对滑动承印材料的弹性收缩各个印刷单色受热交换器冷热风的影响 各版滚筒间的张力变化等 以上种种因素都会影响被印物体而产生细微变化这种变化导致套色偏差并且具有连续性偏差量忽多忽少所以要不断监视修正误差才能保证套色精度 一般的调整套色误差有两种方法 2 吉林大学硕士学位论文 1将版辊位置旋转很小的角度来抵消套色不准如陕西北方印机公司生产的印刷机这种方法的优点是实时性好并且不影响其它颜色缺点是版辊旋转使正在印刷的画面变得模糊影响印刷质量 2采用调节补偿辊的上下位置的方法当补偿辊向上或向下运动时改变承印材料的张力印刷机上的张力控制器为保证张力恒定补偿因补偿辊位置改变所引起的张力变化张力控制器控制版辊系统或多或少的放出一小块承印材料从而调节了对版误差这种方法不影响印刷质量但会产生各色之间的相互影响调节时间相对长一些而且对整个系统来说需要高质量的张力控制器 1.4 国内外发展动态基本课题的意义 1.4 国内外发展动态基本课题的意义 国外生产的组合时凹版印刷机大多配备有自动对版系统印刷速度较高例如公主岭进口的 IC470 型自动对版控制系统就是采用模拟信号处理集成电路控制对版误差 长春长泰彩膜制品有限公司引进的 FGL印刷机则配备有 DT860 型自动对版控制系统它的自动化程度高功能较为完善属国内较为先进的对版控制系统它采用了 Z80CPU最多可控制六色印刷机的对版套印印刷速度最高可达 220m/min套印精度小于 0.2mm最新推出的 DT950 型自动对版系统代表了控制的最高水平利用工控及作为控制核心人机界面更为友好操作简便直观极大的减轻了工人的劳动强度与以往的对版控制系统不同它不仅仅进行纵向套印控制同时可以进行横向对版控制是印刷品的控制达到一个飞跃 而且 它的对半自动化功能是的寻找玛克线位置的工作完全由控制系统完成 不再由人工进行干预 这极大的提高印刷品的质量方便了工人的操作提高了生产效率和产品的质量虽然后两种对版控制系统的先进水平是毋庸置疑的 但是他们的价格却是不菲的 如 DT950 型对版控制系统的上海报价就是 12 万美元 而随着我国社会主义市场经济的发展3 吉林大学硕士学位论文 研制具有较高性能价格比的自动对版系统具有很重要的现实意义 本课题的工作就是基于这样的技术和市场背景下而展开的 从我们国内的情况来看 我国生产的组合式凹版印刷机仅仅相当于发达国家八九十年代的水平还有很多印刷机根本没有配备自动对版系统对版套色的精度完全由工人目测 然后手动调节完成 这种情况在整个九十年代并没有实质上的改善和提高 这种落后的生产设备必然带来低下的生产效率 产品质量也难以提高突出表现为以下缺陷其一印刷速度上不去这因为人工对版在低速时已经是勉强而为之 高速印刷时人工对版或光电对版已不能达到对版的技术要求所以无法形成规模生产其二对版误差由人工调节难以保证产品质量一致无法避免的导致了废品率的增加生产成本上升产品的市场竞争力下降在这种情况下它不但可以提高国产设备的技术水平而且可以大量节省外汇 增强我们产品的国际竞争力 该系统技术指标的要求如下 印刷速度20300m/min 版辊周长4001000m/mm 控制精度0.2mm 这套系统紧跟国际先进水平技术指标不低于 DT950 型而其价格仅为1/8 左右 1.5 技术难点和解决对策 1.5 技术难点和解决对策 1自动对版系统应能够在高达 250m/min 或更高的印刷速度下 准确的检测出各色对版误差检测精度应很高一般为 0.01mm 2塑膜彩色印刷由生产工艺所决定版辊每旋转一周只能采样一次这表明采样系统的采样周期是生产工况所决定的因而是一个变采样周期控制系统与一般的控制系统相比很不相同例如电压温度压4 吉林大学硕士学位论文 力流量等这类过程的采样周期可以由系统的设计者来确定 3以前的系统操作界面不够友好不能同时全面的查看所有工位工作情况工作情况不能纪录以备后来查看 4所有工位独立工作不能联合控制控制算法和一些其他的控制参数分布在各个工位中修改时必须分别修改比较麻烦 5采用单片机作为主控制系统时考虑到实时性问题只能使用简单的控制算法适应能力比较弱控制不太理想 针对本控制过程的特殊性在系统设计中应用了如下解决方案 1 对对版误差信号的采集应用高灵敏度 高响应速度的全色光电扫描头来采集对版误差信号并用 Intel 公司生产的 80C196 单片机作为下位机的控制核心 利用其高速输入输出口准确高速的测量误差信号和控制输出 2 利用 CAN 总线的智能和高速在下位机和工控机之间传递各种数据 3 采用两种算法简单快速控制算法的在下位机中复杂的更合理的控制算法在工控机中如果情况允许的话采用工控机中更合理的算法进行实时控制 4 为了提高系统的适应性采用了神经网络 PID 控制算法他结合了神经网络的智能控制和 PID 的精确控制 比较适合于整个系统模型难于确定的情况 1.6 论文的内容安排 1.6 论文的内容安排 下面介绍本论文中各章的内容 第一章绪论简介组合式凹版印刷机以及对版误差紧接着介绍了国内外对版控制系统的发展动态及本课题的实际意义 对版系统的技术难点以及总5 吉林大学硕士学位论文 体解决策略 第二章对版控制系统总体方案设计给出了对版控制系统的总体设计方案包括硬件系统设计和软件系统设计 第三章神经网络的介绍介绍了基本的神经网络的设计及其发展 第四章对版系统神经网络 PID 复合控制器设计及其算法设计根据彩色印刷的生产过程设计适应性比较强的神经网络 PID 控制器 第五章彩色印刷对版自动检测与控制系统试验及算法仿真包括一些在试验室模拟的结果 第六章总结与展望 6 吉林大学硕士学位论文 第二章第二章 系统总体方案设计系统总体方案设计 2.1 彩印对版测控系统概述 2.1 彩印对版测控系统概述 自动对版系统的工作过程如下首先由人工方法手动调节对版误差约以内mm5利用全色光电扫描头检测各个工位的对版误差信号 通过前置放大 整形后输入到 196 单片机的高速输入口 然后通过 196 单片机对对版信号进行处理并计算出相应的误差通过 CAN 总线21送到工控机中利用神经网络 PID 算法计算出相应的补偿量再通过 CAN 总线下传到下位机中196 控制固态继电器驱动补偿电机进行超前或滞后补偿 以消除对版误差 如果情况不允许或出现网络故障就启用下位机简单的 PID 算法直接进行控制 当 196 单片机得到对版误差后通过 CAN 总线上传给工控机工控机在接收到误差后一方面用于显示以供用户查看另一方面传递给神经网络PID 子程序用于计算输出相应的补偿量再通过 CAN 总线下传给相应的下位机通过下位机调节补偿电机进行补偿 自动对版系统总体框图如下 7 工工 控控 机机 Modem 数据采集卡 远程通信 CAN 卡 CAN 总线 模拟信号线 编码器信号线 下位机1下位机2下位机 N 编码器 图 2-1 自动对版系统总体框图 吉林大学硕士学位论文 工控机在整个系统的顶层 一方面负责和用户交互 接受用户的合理输入同时把系统的信息和下位机的测量状态通过屏幕显示给用户以供用户参考做出合理的决策另一方面工控机接收下位机的测量误差利用神经网络PID 计算各个下位机的输出量再传回下位机以供输出另有一个功能就是通过 Modem 连接互联网或通过电话线直接连接到另一个电话终端的监控机上以供远程监控调节用67 在实验室通过做实验工控机已经很好的接收到下位机的误差量但出现有时工控机的程序响应太慢的情况 经过分析 是由于下位机在随时发送测量的数据上位机的驱动程序在接到数据后把它存在数据缓冲区中但有时上位机的上层程序不需要接收数据这样大量的数据就积存在缓冲区中当程序想再读数据时 读以前的大量数据需要很多时间 所以表现出程序反应太慢另外考虑到下位机上传的数据量并不大而且上传的间隔时间都大于100ms工控机采用查询方式的时间间隔为机十毫秒所以决定采用上位机发命令后下位机返回信息的主从工作方式这里主要利用了 CAN 总线的抗干扰能力强和通信智能简单的特点 同时从下位机通过模拟信号总线上传每个工位的光电头的模拟扫描信号 模拟信号主要是显示给用户观察信号的强弱和各工位的工作情况 以决定从上位机发送命令控制每一个下位机的调理电路的放大倍数 防止调理电路的输入信号过大或过小而不能正常工作 影响下位机的测量过程 模拟信号线是一根公用的信号线 因此存在到底是谁发送模拟信号 这个决定由上位机即工控机根据用户的选择做出决定 通过 CAN 总线发送命令 由命令控制到底哪一个下位机可以发送模拟信号在开始时所有的下位机都处在保护状态都不发送模拟信号 以避免模拟信号线冲突 有工控机初始化部分发送命令打开其中一路通道 编码器的信号同时进入工控机的数据采集卡 它的作用主要是保证模拟信号的采样过程与彩印机运转同步使显示的模拟信号只与测量的相对位置有8 吉林大学硕士学位论文 关而与运转速度无关通过同步采样显示给用户的光电头扫描信号相对比较稳定它的位置信息可以提供给下位机以供调理电路用 采用工控机集中控制的突出优点是利用工控机的运行速度高 处理复杂运算能力强的优点 可以综合分析各个通道的工作情况 因为彩印机的前一个通道调节过程必然要影响到下一个工位的测量过程 以前的自动控制系统 每个工位独立工作 下一个工位根本不知道其它工位的情况 这不利于预言性的控制过程通过综合每个工位的误差等方面的信息由工控机统一管理可以使他们之间更好的协调工作 下位机框图如下 调理 电路 模拟信号接口 编码器接口 CAN 总线接口 模拟信号功放 补偿电机 固态 继电器 操作 面板 89C196 单片机 前放 通道 光电扫描头 图 2-2 下位机结构框图 下位机功能主要是直接参与信号的测量和过程控制 同时 上传测量数据接收工控机的命令等数据 数据采集卡框图如下35 9 吉林大学硕士学位论文 转换器 地址译码电路 ISA 接口 双口 RAM 89C51单片机 A/D 调理 电路 模拟信号接口 同步信号接口 图 2-3 采集卡结构框图 数据采集卡24的功能是利用光电头测量的模拟信号和编码器的同步信号测量各个工位的信号的工作情况 利用测得的波形 实现自动获得门地址的功能以提高工作效率以前采用人工方法获得门地址效率比较低浪费了大量的生产材料 2.2 各工位对版误差的检测方法 2.2 各工位对版误差的检测方法 在印刷工艺中为了便于观察和测量对版误差印刷时当塑膜依次经过各色印刷工位时 同时在其边缘印刷间隔 20.00mm 的色标 这个标记称为玛克线如图 2-4 所示 由制版工艺所决定 任两条玛克线的距离为 20.00mm 当对版准确无误时所检测到的玛克线之间的距离应始终为 20.00mm如果因为各种因素的干扰使玛克线的间隔发生了变化 譬如变化成 19.00mm 或 21.00mm 时 说明产生了的对版误差mm1通过光电头检测玛克线之间的距离即可检测出对版误差设对版误差为,两条玛克线之间的实际距离为)(mme)(mms则有 se=00.202-1 玛克线分平放式和纵放式两种在本系统中应用纵放式的玛克线 10 吉林大学硕士学位论文 10-12mm 20mm 图 文 方 向 3mm 0.8-1.0mm 前 进 方 向 图 2-4 玛克线示意图 玛克线的标准形式如下长为 10.0012.00mm, 与图文部分的距离约为3.0mm,线宽 0.801.00mm 2.3 光电传感器的检测工作原理 2.3 光电传感器的检测工作原理 用 5V 供电的灯泡作为光源经过狭缝后第一物镜将其分为焦距为20.00mm 的 13mm 的两条平行线再经过一个物镜成像与塑料膜上塑料膜后面为金属全反射板经过其反射后反射光由带有耦合透镜的光导纤维接收再传递给各自的光电池光电器件接收到光信号后它的受光量发生变化因而产生一个脉冲信号 在实际的塑膜印刷中当承印材料运动到光电头扫描光条的位置时各个玛克线将依次通过焦聚的亮线在各自的光电器件中产生脉冲信号脉冲信号经过放大器放大后输出以第二个工位为例当第一色印刷的色标与第二色印刷单元的色标通过光电扫描头时 产生的色标脉冲信号分别定义为 T1 和 T2T1 和 T2 如果同时产生说明两条玛克线之间的距离为11 吉林大学硕士学位论文 20.00mm此时没有对版误差若 T1 脉冲信号超前或滞后 T2 色标脉冲信号则表示两条玛克线之间的距离不是 20.00mm说明产生了对版误差超前匹配和滞后这三种情况示于图 2-5 光电扫描头 1 2 1 2 1 2 0=t0t0=其它如果, 0)(),(TIfIfyi式中 T-阀值 上式可以表述为只要单元的激励水平超过阀值其输出至等于激励水平如激励水平不大于阀值则单元输出为零 神经网络有排列成层的处理单元组成接受输入信号的单元层称输入层输出信号的单元称输出层 不直接与输入输出发生联系的单元层或隐含层 如图 3-1 所示 如果输入网络一组数据或输入模式输入矢量在网络输入层的每个单元都接受到输入模式的一小部分然后输入层将输入通过连接传递给中间层 中间层接受到整个输入模式 但因输入信号要通过单元间加有权重的连接的传递到中间层的输入模式已被改变由于权重的影响中间层单元有的更加活动中间层单元的输出就与输入层大不相同有的单元没有输出有的则输出很强 一般情况下中间层单元将输入信号传递给输出层的全部单元输出单元从中间层单元接受输出活动的全部模式 但中间层往输出层的信号传递仍要经过有权重的连接所以输出层单元接受到的输入模式已与中间层的输出不同 31 吉林大学硕士学位论文 输出层单元有的激发有的抑止产生相应的输出信号输出层单元输出的模式就是网络对输入模式激励的总的响应 神经网络通过学习来解决问题而不是通过编程学习和训练几乎对所有的神经网络来说都是最基本的 网络不是通过修改处理单元本身来完成训练过程而是靠改变网络中各连接的权中来学习的对每一个处理单元而言如假设其传递函数不变在一般情况下训练过程中处理单元的传递函数是不变的其输出有两个因素来决定即输入数据和与此处理单元连接的各输入量的权重 因此如处理单元要学会正确的反映出所给数据的模式 唯一用以改善处理单元性能的元素就是连接的权重 训练和学习并不完全相同 训练是指网络的学习过程而学习是此过程的结果训练是外部过程而学习是网络的内部过程 3.2.2 神经网络结构 3.2.2 神经网络结构 目前神经网络的作用反应学习遗忘自行组织等已被普遍接受神经网络的基本单元也称为神经或人工神经元或称为处理单元 可以认为处理单元是一种类似的最基本的生物神经元 它能完成生物神经元最基本的三种处理过程 1 评价输入信号决定每个输入信号的强度 2 计算所有输入信号的权重之和并与处理单元的阀值进行比较 3 决定处理单元的输出处理单元可以由许多输入所有这些输入都是同时传送给处理单元的处理单元是否被激发取决于输入信号的权重和以及阀值如同生物神经元一样处理单元也只有一个输出 对每一个输入 都必须给一个权重 类似于生物神经元的突触能分辨输入中哪一个比另一个更为重要 当网络决定输入信号的强度时权重是一个可调节的系数输入单元最初设置的权中可以根32 吉林大学硕士学位论文 据网络对不同输入的相应以及网络本身的规则来进行修改 若将输入量及其权重和看成矢量总的输入信号是每个输入量与其权重之积的和即这两个矢量的内积权重和预处理单元的阀值一起来决定输出如果输入值的权重和大于阀值处理单元被激发产生输出信号如果权重和小于阀值就没有输出产生这两种响应都是有意义的 阀值由传递函数来确定传递函数一般是非线性的有时也采用线性函数但应该注意许多问题不能简单的用一条直线分成两类 传递函数有时可以非常简单如数出只取决于权重和的正负网络的输出可能是 1 和-1也可以是 0 和 1在这种情况下网络只有二位输出如图 3-2 a x y 1 1 y -1 x x (b) (a) 11y y 1-1 x(d) (c) 图 3-2 常用的传递函数 33 吉林大学硕士学位论文 (a) (b) =1, 1, 100, 0yxxyxyx(c) (d) )1/(1xey+=+=+=xyxxyx111, 0111, 0 另一些简单的传递函数3如图 3-2 的 bcd 所示输出在 0 和 1之间时传递函数可在一定范围内给出的输出只是输入的影象而在此范围外输出只是 01 或-11 最常用的传递函数是 S函数或 S形曲线如图 3-2 c此函数在全域内是连续的因此大多数神经网络都用此函数为传递函数以上这些函数都具有非线性的功能 如果对处理单元分配储存单元将处理单元原来的计算结果记下来然后在进一步训练 来修改用过的权重 使网络的输出与实际输出更接近这种改变权重来使处理单元修改对数出的响应的能力就是学习 将处理单元排成一列形成一个处理单元层每一个输入都与层中的每个处理单元相连接并且每个连接都给予相应的权重这种连接大致类似于生物系统的轴突和触突 若将几层连接在一起接收输入的层称为输入层其作用是作为输入信号的缓冲 给出输出信号的层称为输出层 其他层称为中间层和隐含层因为这些层中的处理单元与外界没有直接联系 这些层在神经网络中类似于黑箱虽然隐含层不能直接可见但层中各单元所包含的内容是可检查的通常隐含层可以从零到几层一般不多于 2 层 如果前一层的每一个处理单元都与后一个层中的每个处理单元相连这种网络称为全面连接的网络否则为部分连接的网络如图 3-3 所示 34 吉林大学硕士学位论文 中间层 输出层 输入层 图 3-3 全面连接的正反馈网络 如果正反馈网络前一层处理单元的权重是考输出来调节的 就称这种网络为后传播神经网络 BPNN目前后传播神经网络应用非常广泛 编制神经网络程序主要是确定传递函数即决定阀值的方程训练规划即设置初始权重的方程以及网络的结构即处理单元数层数及相互连接状况此外还应确定何时及用何种方法刷新处理单元需要了解统计学以便选择训练数据组并适当的评价输出结果 由此可见 编制神经网络的程序与编制普通计算机程序的方法和技巧都是不同的 在网络重信息不像普通计算机存储在单一的内存区而是存储在整个系统重 这种结构使网络更具有适应性 如果遗失某些处理单元仍可不丢失存在那儿的信息这种存储方式是新一代信息处理方式的代表 神经网络技术在选择和评价训练和检验方法使有些象统计技术神经网络软件 特别是权重 传递函数和学习规则等问题的处理还有许多可改进的地方 35 吉林大学硕士学位论文 3.3 神经网络的学习方法 3.3 神经网络的学习方法 3.3.1 神经元工作方式神经元工作方式1 神经网络是由许多相互连接的处理单元组成的 这些处理单元通常线性排列称为层每个处理单元由许多输入量iX,而对每一个输入量都相应有一个相关的权重iW处理单元将经过权重的输入量相加iiWX 权重和而且计算出唯一的输出量iy这个输出量是权重和的函数f图 3-4概括了处理单元的工作方式 j jWX X YW jnW nX I)(Ifj0X0W=jjiXWI)(IfYj=12j21 传递函数 权重和 输出 图 3-4 处理单元模型 我们称函数f为传递函数对于大多数神经网络当网络运行的时候传递函数一旦选定就保持不变 然而权重iW是变量可以动态的进行调整产生一定的输出jy36 吉林大学硕士学位论文 权重的动态修改是学习中最基本的过程 对单个的处理单元来说 调整权重很简单但对大量组合起来的处理单元权重的调整类似于只能过程网络最重要的信息存在与调整过的权重中 有两种不同的学习方法或训练方式既有指导的训练Supervised training和没有指导的训练(Unsupervised training)很明显指导下的学习或训练需要教师来进行指导教师既是训练数据本身不但包括有输入数据 还包括有在一定输入条件下的输出 网络根据训练数据的输入和输出来调节本身的权重 3.3.2 神经网络有指导的学习神经网络有指导的学习 在这种学习中网络将应有的输出与实际输出数据进行比较网络经过一些数据组的计算后 最初随机设置的权重经过网络的调整 使得输出更接近实际的输出结果 所以学习过程的目的在于减少网络应有的输出与实际输出之间的误差这是靠不断调整权重来实现的 对于指导下学习的网络网络在可以实际应用之前必须进行训练训练的过程使用一组输入数据与相应的输出数据输进网络 网络根据这些数据来调整权重这些数据组就称为训练数据组在训练过程中每输入一组数据也同时告诉网络相应的输出应该是什么 网络经过训练后 若认为网络的输出与应有的输出间的误差达到了允许范围 权重就不再改动了 这时的网络可用新的数据去检验 3.3.3 神经网络没有指导的学习神经网络没有指导的学习 在这种学习方式下网络不靠外部的影响来调整权重也就是说在网络训练过程中 只提供输入数据而无相应的输出数据 网络检查输入数据的规律或趋向 根据网络本身的功能来进行调整 并不需要告诉网络这种调整是好还是37 吉林大学硕士学位论文 坏这种没有指导进行学习的算法强调一组组处理单元间的协作如果输入信息使处理单元组的任何单元激活 整个处理单元组的活性就增强 然后处理单元组将信息传送给下一层单元处理单元间的这种就形成了学习的基础 3.4 神经网络学习规则3.4 神经网络学习规则11 在神经网络中使用各种学习规则最有的是 Hebb 规则研究仍在继续许多新的想法也在不断尝试 一 Hebb 规则 这个最有名的规则是有 Donald Hebb 在 1949 年提出的它的基本规则可以简单的归纳为如果处理单元从另一个处理单元接受到一个输入并且如果两个单元都处于高度活动状态这是两单元间的连接权重就要被加强 二 Delta 规则 Delta 规则是最常用的学习规则 其要点是改变单元间的连接权重来 减 少 系 统 实 际 输 出 与 应 有 输 出 间 的 误 差这 个 规 则 也 叫Widrow-Hoff 学习规则首先在 Adaline 模型重应用也可称为最小均方差规则 三 梯度下降规则 这是对减小实际输出和应有输出间误差方法的数学说明Delta规则是梯度下降规则的一个例子其要点为在学习程中保持误差曲线的梯度下降如图 3-5 所示误差曲线可能会出现局部的最小值在网络学习时应尽可能摆脱误差的局部最小值而达到真正的误差最小值 38 吉林大学硕士学位论文 o 局部最小值 最小值 误 差 y 训练时间 x 图 3-5 梯度下降规则的误差曲线 四 Kohonen 学习规则 这个规则是由 Teuco Kohonen 在研究生物系统学习的基础上提出的只用于没有指导下训练的网络在学习过程中处理单元竞争学习的机会具有高的输出的单元是胜利者有能力阻止它的竞争者并激发相邻的单元只有胜利者才能有输出也只有胜利者与其相邻单元可以调节权重 在训练周期内相邻单元的规则是可变的一般的方法是从定义较大的相邻单元开始在训练过程中不断减小相邻的范围胜利单元可定义为与输入模式最为接近的单元 五 后传播的学习方法 误差的后传播技术一般采用 Delta 规则此过程涉及两步首先是正反馈 当输入数据输入网络 网络从前往后计算每个单元的输出将输入数据输入网络网络从前往后计算每个单元的输出将每个单元的输出与应有输出进行比较并计算误差第二步是向后传播从后向前重新计算误差并修改权重完成这两步后才能输入新的输入数据 39 吉林大学硕士学位论文 这种技术一般用在三层或四层网络对于输出层已知每个单元的实际输出和应有的输出比较容易计算误差技巧在于如何调节中间层单元的权重这种学习方法也有严重的缺点即后传播计算速度很慢也可能会存在摆动或有趋向停止在误差的局部最小值上系统检查当前的误差逼相邻误差小学习机会停止在这一点上但这是并没有达到最小误差通常需要在计算过程中采取一些措施使权重跳过此障碍找到实际的误差最小值学习流程图如图 3-69 ?E否 是 学习结束 逆向逐层修正权系训练结束 计算网络误差 E 逐层计算输出值 输入训练样本 和期望输出值 为各权系数设置初值 学习开始 图 3-6 学习过程流程图 40 吉林大学硕士学位论文 六 Grossberg 学习方法Neo-Hebbian Learning Stephen Grossberg 结合 Hebb 模型 建立了新的学习模型 Grossberg的模型将每个神经网络划分为由星内(Instars)和星外 Outstars 的单元组成星内单元是接受许多输入的处理单元而星外单元是指其输出发送到许多其他处理单元的单元如果一个单元的输入和输出活动强烈其权重的改变就大如果总的输入或输出小权重的变化就很小对不重要的连接权重可能接近于零 在神经网络发展过程中新的学习规则不断出现目前使用最广泛的是Delta 规则 3.5 神经网络的结构设计3.5 神经网络的结构设计 以上是确定单个处理的动机学问题下一步是如何将单个的单元结合起来形成一个完整的网络1 图 3-7 表示了神经网络的一般结构网络有一个或多个输入单元这些输入单元并不处理数据 它只是将数据传输给中间层的处理单元 网络也有一个或数个输出单元 它们提供网络的输出结果 每一个输出单元从中间处理得到输入值经过处理后得到输出值 连接输入和输出单元的中间层处理单元像一个黑箱 真正的网络模型是靠这个黑箱来决定的 但也有些网络没有中间层处理单元 而将输入和输出单元直接连接起来 41 吉林大学硕士学位论文 输出层 yn x2 y2 xn y1 x1 中 间 层 输入层 图 3-7 神经网络的一般结构 一 如何选择中间层 常用的网络由三到四层有一些模型只用两层使输入层直接与输出层相连这在当输入模式与输出模式很类似使是可行的然而凡当输入模式与输出模式相当不同时就需要增加中间层形成输入信号的中间转换处理信号的能力虽曾数而增加如果有足够的中间层单元输入模式也总能转换为适当的输出模式 一般来说没有任何理论根据采用两层以上的中间层对大多出实际问题一层中间层即三层网络已经足够了 根据经验采用二层以上的中间层几乎没有任何益处采用越多的中间层训练时间就会急剧增加这是因为 1 中间层越多误差向后传播的过程计算就越复杂使训练时间急剧增加 2 中间层增加后局部最小误差也会增加网络在训练过程中往往容易陷入局部最小误差而无法摆脱网络的权重难以调整到最小误差处 42 吉林大学硕士学位论文 有时也会发现当采用一个中间层时需要用较多的处理单元这是如果选用两个中间层每层处理单元就会大大减少反而可以取得较好的效果 总而言之在建立多层神经网络模型时首先应考虑只选一个中间层如果选用了一个中间层而且增加了处理单元数还不能得到满意的结果这是可以试试再用一个中间层但一般应减少总的处理单元数 二 如何决定中间层单元数 采用适当的中间层处理单元时非常重要的可以说选用中间层单元数往往是网络成败的关键中间层处理单元数选用太少网络难以处理较复杂的问题但若中间层处理单元数过多将使网络训练时间急剧增加而且过多的处理单元容易使网络训练过度 大致来说可以用几何平均规则来选择中间层中的处理单元数如果设计一个三层网络具有 n 个输入单元及 m 各输出单元则 中间层处理单元数mn= 对于四层网络可用下式选取 第一中间层单元数 2mR=第二层中间层单元数 mR= 3/mnR = (3-5) 上面的公式仅是对理想的中间层处理单元的粗略估计在输入和输出单元很少的场合问题变得比较复杂上面的公式已不敷应用例如只有一个输入变量和一个输出变量的复杂函数就可能需要使数个中间层单元才能使网络的很好的训练另一方面若一个简单问题具有许多输入和输出变量也许几个中间层处理单元就已足够了 找到最优的中间层处理单元数很费时间但对设计网络结构是很重要的首先可以从较少的中间层处理单元试起然后选择合适的准43 吉林大学硕士学位论文 则来评价网络的性能训练并检验网络的性能然后少增加中间层单元数再重复训练和检验图 3-81是这种方法的流程图应该注意每一次增加新的中间层单元训练都应重新开始而不能采用上一次训练后所得到的权重 从几个处理单元开始 训练 增加处理单元 将检验数据组并入训练数据组 是 训练误差能否接受 否 输入检验数据组 否检验误差能否接受 是 结果 图 3-8 训练数据较多时的训练方法 三 如何选择连接方式 如果单个处理单元的输出与下一层中每一个处理单元相连成为下一层每一个处理单元的输入这个网络就是充分连接的网络若处理单元的输出仅与下一层相近的处理单元相连就是另一种情况了某些网络就只与很少几个下层处理单元相连也就是说只有少量的处理单元随机的从前一层单元中接受到输入 一般来说正反馈网络计算要比负反馈网络快因为一个通路上只有一个解此外正反馈网络总能达到稳定状态而反馈网络要反44 吉林大学硕士学位论文 复重复计算许多次才能使系统稳定也许系统不能达到稳定状态因此负反馈网络的应用比较局限 3.7 输入数据的设计与准备 3.7 输入数据的设计与准备 当准备用神经网络解决实际问题时无论用什么网络网络的结构如何采用什么样的传递函数以及学习规则基本的步骤大致相同成功取决于对问题本身清楚的了解神经网络是靠过去的例子也就是已经获得的数据经过学习和训练来解决问题的 由于网络靠学习来记住问题应有的模式所以在训练网络时训练数据应可能包含问题的全部模式 尽可能用正交设计方法来获得足够多的数据来训练网络所有的数据应尽可能相互独立而没有相关关系 一 输入数据的设计 网络的训练时间明显与训练数据多少有关如果想减少训练时间就应尽可能采用少的训练数据组但实际上训练速度并不是主要应考虑的问题 一般说来网络的训练数据必须满足两个条件 1 数据组中必须包括全部模式神经网络是靠已有的经验来进行训练的只有过去的经验数据越丰富越全面训练过的网络性能才会越好训练数据组是由一个个训练样本组成一个训练样本是一组输入输出数据将训练数据组尽可能分为不同的分组每个分组对应趋向于一种特殊的类型而且训练数据组中必须包括全部应有的模式 2 在每一个类型中还应适当考虑随机噪声的影响在设计训练数据组时要将可能出现的噪声考虑进去 二 输入数据的准备 45 吉林大学硕士学位论文 神经网络是靠过去的经验来进行学习因此在设计网络之前必须整理好如何训练网络的数据这是神经网络应用的关键之一 首先应对面临的问题进行分析 考虑此类问题能否用神经网络来解决其次检查一下已有的资料和数据是否足够以训练网络 数据中是否包含有不重要的甚至错误的信息这些错误数据是否已经排除如果需要解决的问题很大数据很多时设计一个网络来解决还是分成几个网络来解决 3.8 神经网络的训练3.8 神经网络的训练检验及性能评价 检验及性能评价 一 训练检验以及产品数据 以设计好网络准备好了输入数据在开始训练网络之前首先要将全部输入数据分出一部分作为网络性能检验数据 其余的数据用来训练网络叫做训练数据检验数据组的多少要根据全部所得到的数据而定要能包括网络设计要求的全部模式检验数据的格式与训练完全相同 三 网络的训练方法 通常网络是靠两种方法来进行训练的最普通的是指导下的训练在这种情况下每一组用于训练的数据重输入值都有相应的输出值将输入值输入网络网络经过计算得出一组输出值与应有输出值间的误差然后网络根据平均误差修正各处理单元相连接的权重 网络再输入一批训练数据新的权重应使训练所得误差减小如果输入一组训练数据后就根据误差来修正权重这组数据称为一批 另一种没有指导的训练如同指导下训练一样也许要给一些输入数据来训练网络但这些输入数据并没有相应的输出数据来指导网络的学习假设网络的每组输入都属于某种类性之一网络的输出也只是输入数据组所属类型的鉴别网络的训练过程值时发现训练数据组的内含特征46 吉林大学硕士学位论文 而和用这些内含特征将输入数据组画分成类 另外还有强化的学习方法也属于没有指导的训练在这种情况下没有确定的输出数据与输入数据对应 而只是在输入一组输入数据来训练网络时指出网络对这组输入数据的相应是好还是坏 四 网络需要训练多长时间 网络的训练一般都有一个最优值并不是训练时间越长训练的误差越小越好网络存在过度训练的问题 图 3-8 是网络训练过程中同时输入检验数据计算训练误差与检验误差值随训练过程而变化的情况对训练过程而言一般说来随训练时间的增加训练误差要减小另一组是检验数据是从全部数据中随机选取的没有参加训练而只是输入训练后的网络来检验网络的性能一般在训练开始时期检验误差是随训练时间的增加而降低的也就是说网络开始不断的学习输入数据的普通类型但如训练超过一定时间检验误差反而开始增加这意味着网络已开始记住输入数据不重要的细节而不仅是它的普通类型是否检验误差达到最低点就停止训练能使网络达到最佳性能还要根据具体情况而定 五 网络的性能评价 对网络性能评价的方法取决于网络所担负的任务必须用训练数据以外的检验数据或产品数据来评价网络的性能 常用的方法之一是均方差法当网络训练之后通常用输出的均方差来衡量其性能许多统计技术用均方差作为性能的基本量度均方差比较直观而且强调大的误差的影响超过小的误差更重要的是在数学定义的所有模型中均方差的导数比其他性能测量方法更容易计算 如果假设误差是标准分布 均方差一般接近于标准分布的中心几乎所有的正反馈网络及许多其他网络都用均方差作为优化目标 对于任一输入网络都有一组输出如果只考虑输出层设一批47 吉林大学硕士学位论文 数据中第 p 个输入数据输入网络后网络输出层第 j 个单元的实际输出为pjo而应有的输出为pjt若其有 n 个输出单元输入数据 p相应的均方差为 =102)(1njpjpjpotnE (3-6) 如果这批数据共有 m 组则这一批输入数据的均方差为 =101mppEnE (3-7) 均方差明显的缺点在于它只是一个数学表达式与网络所应完成的任务联系很少如果网络是要决定在时间系列中是否有特殊的信号模式均方差没有什么实际意义 小结小结 本章论述了神经网络控制器的结构和工作机制研究了神经网络的学习机理同时给出了一些学习规则基本设计方法和性能评定方法还扼要的介绍了神经网络的应用和发展 48 吉林大学硕士学位论文 第四章第四章 PID-NN 神经控制器设计神经控制器设计 4.1 PID-N0N 神经控制器4.1 PID-N0N 神经控制器9 9 PID 神经网络PID-NN是一种新型的向前神经网络该隐含层单元分别为比例P积分(I)微分(D)单元各层神经元个数连接方式连接全初值使按 PID 控制规律的基本原则确定的 PID 神经网络控制器时将神经网络和PID 控制规律融为一体既具有常规 PID 控制器结构简单参数物理意义明确之优点同时又具有神经网络自学习自适应的功能本文给出了 PID-NN 控制器的结构形式计算公式从理论上证明了 PID-NN 的收敛性和稳定性最后对二阶对象下的系统进行了仿真证明了 PID-NN 控制器具有较好的自学习和自适应性 由于 PID 控制器具有结构简单各参数物理意义明确对模型依赖程度小和工程上易于实现等优点 使得常规 PID 控制器 即使在新控制理论不断涌现的今天仍是工业过程控制中最常用的方法占据着重要的地位但是PID控制器主要的局限性在于它对被控制对象的依赖性由于控制器品质越来越高控制对象越来越复杂可能是大滞后时变非线性复杂系统单纯采用常规的 PID 控制器 很难满足系统要求 近年来 随着神经网络理论的发展将应有最广泛的 PID 控制器与具有自学习功能的神经网络相结合 已成为智能控制研究的一个新方向 并且在这个方向上已取得了一些研究成果但其主要的结合方式有两类 一类是单神经元控制 即神经元输入权值一一对应的PID 参数神经元输入值为经过比例几分微分处理的偏差值其主要局限性在于单神经元结构无任意函数逼近能力 另一类是在常规 PID 控制器的基础上增加一个神经网络模块 利用神经网络来在线调节 PID 参数 其缺点是结构复杂 49 吉林大学硕士学位论文 PID-NN 是将 PID 控制规律融进神经网络之中构成的实现了神经网络和PID 控制规律的本质结合 PID-NN 属于多层前向网络 但是它与一般的多层网络又不完全相同 一般的多层向前网络中的全部神经网络的输入输出特性都是相同的而 PID-NN 的隐含层是由比例积分微分 3 个单元组成是一种动态前向网络更适合于控制系统PID-NN 的各层神经元个数连接方式连接权值是按 PID 控制规律的基本原则和已有的经验确定的 保证了系统稳定和快速收敛PID-NN 即具有传统 PID 控制器的优点又具有神经网络的并行结构和学习功能及多层网络逼近任意函数的能力 4.2 PID-NN 神经网络理论的模型PID-NN 神经网络理论的模型 ijw11x 1jw被控对象 ji u y r y21I 21x22I 22x23I 23x12x 31x 图 4-1 PID 神经网络控制器系统结构图 如图 4-1 所示PID-NN 是三层前向网络包括输入层隐含层输出层其结构为 2-3-1网络的输入层有两个神经元构成分别输入控制系统的给定值 r 和被控对象输出值 y隐含层有 3 个神经元各神经元的输出函数互不相同分别对应于比例P积分I微分D3 个