一种基于BP神经网络的航空构件感应加热功率控制方法及系统

本发明涉及功率控制，特别涉及基于bp神经网络的航空构件感应加热功率控制方法及系统。

背景技术：

1、pi控制是经典控制策略，由比例与积分环节构成，通过调整kp、ki匹配系统动静态性能，凭借结构简单、无需精确模型、易实现、鲁棒性强等优势广泛应用于工业控制领域。但其性能高度依赖参数整定，传统整定依赖经验与试凑法，存在盲目性强、调试周期长、无法在线修正的缺陷，固定参数难以适配非线性、强时变对象。

2、感应加热是航空构件精密热处理的核心技术，依托电磁感应在工件内部生热，具备加热快、能耗低、易自动化等特点，广泛应用于航空发动机叶片、起落架等关键零部件的热处理工艺。然而加热过程中工件电阻率、磁导率及线圈耦合状态随温度持续变化，等效负载阻抗动态波动，功率调节对象呈强非线性与快时变特征，传统固定参数pi控制难以兼顾快速响应与稳态精度，在启动、功率阶跃及负载突变时易出现超调大、调节慢、稳态误差大等问题。

3、针对上述问题，bp-pi控制策略凭借非线性映射与自学习能力逐步得到应用，但传统bp神经网络采用固定全局学习率，缺乏工况自适应能力，存在收敛慢、易陷入局部极小值的不足；且kp与ki参数量级与作用机理不同，共享全局学习率易引发梯度失配与参数耦合问题。

技术实现思路

1、基于此，本发明的目的是提供基于bp神经网络的航空构件感应加热功率控制方法及系统，以解决现有技术采用固定全局学习率，缺乏工况自适应能力，存在收敛慢、易陷入局部极小值不足，导致引发梯度失配与参数耦合的问题。

2、本发明实施例第一方面提出了：

3、一种基于bp神经网络的感应加热功率控制方法，其中，所述方法包括：

4、采集逆变桥输出侧的电压与电流运行数据，计算当前采样周期的实际输出功率，并根据航空构件热处理工艺曲线确定对应的功率设定值；

5、根据功率设定值与实际输出功率计算功率误差及误差变化率，经归一化处理后构建bp神经网络的五维输入向量，以进行bp神经网络前向传播计算；

6、基于神经网络输出参数进行pi参数映射，结合基础pi参数与映射增益得到当前采样周期的比例系数与积分系数，以计算得到移相角控制量；

7、根据功率误差绝对值与误差变化率绝对值计算动态指标，经限幅处理得到动态因子；

8、根据动态因子分别计算比例通道与积分通道的动态学习率，并设置稳态判据，当输出功率连续满足稳态判据时锁定当前pi参数，暂停神经网络权值更新；

9、当输出功率未满足稳态判据且移相角控制量未进入饱和状态时，以功率跟踪误差的二次型函数为性能指标，采用梯度下降法结合动态学习率完成bp神经网络的反向传播权值迭代更新。

10、本发明的有益效果是：该技术方案可实现航空构件热处理电源输出功率的精准自适应控制，通过采集逆变桥输出侧电压电流计算实际输出功率，匹配热处理工艺曲线确定功率设定值，结合功率误差与误差变化率构建五维输入向量驱动bp神经网络，实现pi控制参数的在线动态映射整定；引入动态因子与分通道动态学习率机制，可根据系统运行状态自适应调节权值更新速率，配合稳态判据在功率稳定时锁定pi参数、暂停神经网络权值更新，既保障了动态工况下的快速响应与功率跟踪精度，又避免了稳态下的参数震荡与冗余计算，有效提升电源输出功率的稳定性与控制精度，保障航空构件热处理工艺的一致性与加工质量。

11、进一步的，所述采集逆变桥输出侧的电压与电流运行数据并计算实际输出功率的步骤包括：

12、在第k个采样周期，通过电压采样电路和电流采样电路分别采集逆变桥输出侧电压和电流；

13、对一个或多个采样周期的功率计算结果进行滑动平均处理；

14、建立输出功率关于移相角的非线性等效模型，其中，输出功率随移相角呈非线性变化，且航空构件温度变化会引起等效负载参数时变；功率闭环的实际反馈量为采样计算得到的实际输出功率。

15、进一步的，所述构建bp神经网络五维输入向量的步骤包括：

16、根据功率设定值和实际输出功率计算当前功率误差以及误差变化率；

17、分别对功率误差、误差变化率以及移相角进行min-max归一化处理，消除不同输入变量量纲和数值范围的影响；

18、将归一化后的当前误差、上一采样误差、当前误差变化率、上一采样误差变化率以及当前移相角进行组合，构成五维输入向量。

19、进一步的，所述进行bp神经网络前向传播计算的步骤包括：

20、控制开始前，对输入层至隐含层的权值矩阵w1、隐含层至输出层的权值矩阵w2以及偏置向量b1、b2进行初始化；计算隐含层输入：，其中w1(k)为5×5权值矩阵，b1(k)为5维偏置向量，x(k)为五维输入向量，bin（k）为隐含层输入；

21、隐含层采用tanh函数作为激活函数，隐含层输出为：

22、其中，g表示隐含层激活函数，bout（k）表示隐含层输出，tanh函数的输出范围为(-1,1)，可同时表征功率正误差与负误差状态；计算输出层输入：，其中w2(k)为2×5权值矩阵，b2(k)为2维偏置向量，cin（k）表示输出层输入；

23、输出层采用sigmoid函数作为激活函数，sigmoid函数输出范围为(0,1)，匹配pi参数映射的输出数值范围。

24、进一步的，所述基于神经网络输出参数进行pi参数映射并计算移相角控制量的步骤包括：

25、基于神经网络输出的两路参数，结合基础pi参数和映射增益计算当前采样周期的比例系数kp(k)与积分系数ki(k)：

26、

27、其中，kpbase和kibase分别为基础比例系数和基础积分系数，由感应加热电源额定工况下的常规pi整定结果确定，用于保证神经网络未完成在线调整时闭环系统仍具有基本稳定性；a和b分别为kp通道和ki通道的映射增益；cout1（k）、cout2（k）分别为输出层两个神经元的输出值；

28、根据pi参数计算移相角控制增量；

29、根据上一采样周期的移相角控制量得到当前移相角控制量。

30、进一步的，所述计算动态因子并执行动态学习率与稳态锁定的步骤包括：

31、根据功率误差绝对值和误差变化率绝对值计算动态指标；对动态指标进行限幅处理，得到动态因子；其中，启动阶段或功率设定值阶跃变化时动态因子趋近于1，输出功率接近设定值且变化趋缓时动态因子趋近于0；

32、根据动态因子分别计算kp通道和ki通道的学习率：

33、

34、其中，

ηp0、

ηi0分别为kp通道和ki通道的基础学习率，α、β分别为对应通道的动态增益系数，

fdf(

k)表示动态因子；

35、设置稳态判据，并在满足稳态判据后，保持当前kp(k)和ki(k)，暂停神经网络权值和偏置更新，功率采样、pi运算和移相驱动持续执行；当功率误差超过阈值时，解除参数锁定并恢复神经网络在线更新。

36、进一步的，所述进行bp神经网络反向传播与权值更新的步骤包括：

37、当输出功率未满足稳态判据且移相角控制量未进入饱和状态时，构建功率跟踪误差的二次型性能指标函数；采用梯度下降法进行反向传播权值更新，基于链式法则计算输出层两个神经元的局部误差梯度；

38、构建双通道学习率向量，根据链式求导法则计算目标函数对输出层权值矩阵w2(k)和偏置项b2(k)的偏导，通过哈达玛乘积实现双通道学习率与对应梯度的逐元素相乘，得到隐含层到输出层的权值与偏置更新规则；

39、计算隐含层的局部梯度向量，采用比例通道的动态学习率进行隐含层参数更新，计算目标函数对输入层权值矩阵w1(k)和偏置项b1(k)的偏导，得到输入层到隐含层的权值与偏置更新规则；按照更新规则完成各层权值矩阵与偏置向量的迭代更新。

40、本发明实施例第二方面提出了：

41、一种基于bp神经网络的感应加热功率控制系统，其中，所述系统包括：

42、采集模块，用于采集逆变桥输出侧的电压与电流运行数据，计算当前采样周期的实际输出功率，并根据航空构件热处理工艺曲线确定对应的功率设定值；

43、计算模块，用于根据功率设定值与实际输出功率计算功率误差及误差变化率，经归一化处理后构建bp神经网络的五维输入向量，以进行bp神经网络前向传播计算；

44、映射模块，用于基于神经网络输出参数进行pi参数映射，结合基础pi参数与映射增益得到当前采样周期的比例系数与积分系数，以计算得到移相角控制量；

45、处理模块，用于根据功率误差绝对值与误差变化率绝对值计算动态指标，经限幅处理得到动态因子；

46、更新模块，用于根据动态因子分别计算比例通道与积分通道的动态学习率，并设置稳态判据，当输出功率连续满足稳态判据时锁定当前pi参数，暂停神经网络权值更新；

47、迭代模块，当输出功率未满足稳态判据且移相角控制量未进入饱和状态时，以功率跟踪误差的二次型函数为性能指标，采用梯度下降法结合动态学习率完成bp神经网络的反向传播权值迭代更新。

48、进一步的，所述采集逆变桥输出侧的电压与电流运行数据并计算实际输出功率的步骤包括：

49、在第k个采样周期，通过电压采样电路和电流采样电路分别采集逆变桥输出侧电压和电流；

50、对一个或多个采样周期的功率计算结果进行滑动平均处理；

51、建立输出功率关于移相角的非线性等效模型，其中，输出功率随移相角呈非线性变化，且航空构件温度变化会引起等效负载参数时变；功率闭环的实际反馈量为采样计算得到的实际输出功率。

52、进一步的，所述构建bp神经网络五维输入向量的步骤包括：

53、根据功率设定值和实际输出功率计算当前功率误差以及误差变化率；

54、分别对功率误差、误差变化率以及移相角进行min-max归一化处理，消除不同输入变量量纲和数值范围的影响；

55、将归一化后的当前误差、上一采样误差、当前误差变化率、上一采样误差变化率以及当前移相角进行组合，构成五维输入向量。

56、进一步的，所述进行bp神经网络前向传播计算的步骤包括：

57、控制开始前，对输入层至隐含层的权值矩阵w1、隐含层至输出层的权值矩阵w2以及偏置向量b1、b2进行初始化；计算隐含层输入：，其中w1(k)为5×5权值矩阵，b1(k)为5维偏置向量，x(k)为五维输入向量，bin（k）为隐含层输入；

58、隐含层采用tanh函数作为激活函数，隐含层输出为：

59、其中，g表示隐含层激活函数，bout（k）表示隐含层输出，tanh函数的输出范围为(-1,1)，可同时表征功率正误差与负误差状态；计算输出层输入：，其中w2(k)为2×5权值矩阵，b2(k)为2维偏置向量，cin（k）表示输出层输入；

60、输出层采用sigmoid函数作为激活函数，sigmoid函数输出范围为(0,1)，匹配pi参数映射的输出数值范围。

61、进一步的，所述基于神经网络输出参数进行pi参数映射并计算移相角控制量的步骤包括：

62、基于神经网络输出的两路参数，结合基础pi参数和映射增益计算当前采样周期的比例系数kp(k)与积分系数ki(k)：

63、

64、其中，kpbase和kibase分别为基础比例系数和基础积分系数，由感应加热电源额定工况下的常规pi整定结果确定，用于保证神经网络未完成在线调整时闭环系统仍具有基本稳定性；a和b分别为kp通道和ki通道的映射增益；cout1（k）、cout2（k）分别为输出层两个神经元的输出值；

65、根据pi参数计算移相角控制增量；

66、根据上一采样周期的移相角控制量得到当前移相角控制量。

67、进一步的，所述计算动态因子并执行动态学习率与稳态锁定的步骤包括：

68、根据功率误差绝对值和误差变化率绝对值计算动态指标；对动态指标进行限幅处理，得到动态因子；其中，启动阶段或功率设定值阶跃变化时动态因子趋近于1，输出功率接近设定值且变化趋缓时动态因子趋近于0；

69、根据动态因子分别计算kp通道和ki通道的学习率：

70、

71、其中，

ηp0、

ηi0分别为kp通道和ki通道的基础学习率，α、β分别为对应通道的动态增益系数，

fdf(

k)表示动态因子；

72、设置稳态判据，并在满足稳态判据后，保持当前kp(k)和ki(k)，暂停神经网络权值和偏置更新，功率采样、pi运算和移相驱动持续执行；当功率误差超过阈值时，解除参数锁定并恢复神经网络在线更新。

73、进一步的，所述进行bp神经网络反向传播与权值更新的步骤包括：

74、当输出功率未满足稳态判据且移相角控制量未进入饱和状态时，构建功率跟踪误差的二次型性能指标函数；采用梯度下降法进行反向传播权值更新，基于链式法则计算输出层两个神经元的局部误差梯度；

75、构建双通道学习率向量，根据链式求导法则计算目标函数对输出层权值矩阵w2(k)和偏置项b2(k)的偏导，通过哈达玛乘积实现双通道学习率与对应梯度的逐元素相乘，得到隐含层到输出层的权值与偏置更新规则；

76、计算隐含层的局部梯度向量，采用比例通道的动态学习率进行隐含层参数更新，计算目标函数对输入层权值矩阵w1(k)和偏置项b1(k)的偏导，得到输入层到隐含层的权值与偏置更新规则；按照更新规则完成各层权值矩阵与偏置向量的迭代更新。

77、本发明实施例第三方面提出了：

78、一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如上面所述的基于bp神经网络的感应加热功率控制方法。

79、本发明实施例第四方面提出了：

80、一种可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如上面所述的基于bp神经网络的感应加热功率控制方法。

81、本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。