D0I:10.13374/1.issnl00103.2008.12.013 第30卷第12期 北京科技大学学报 Vol.30 No.12 2008年12月 Journal of University of Science and Technology Beijing Dee.2008 基于遗传BP网络的PID控制算法在无模拉拔温度 控制中的应用 班晓娟) 张武军)付璟璐)孙大明 1)北京科技大学信息工程学院，北京1000832)北京科技大学规划与学科建设办公室，北京100083 摘要将遗传算法与BP神经网络结合，提出了一种利用遗传算法优化BP神经网络权值的智能PID控制算法，改善了系统 的动态性能·通过实验采集数据，拟合出无模拉拔感应加热温度控制系统的数学模型·采用本文提出的方法进行了仿真实 验，结果表明该算法具有较强的快速性和鲁棒性， 关键词无模拉拔：温度控制：PID控制算法：遗传算法：BP神经网络 分类号TG356:TP183 Application of PID control algorithm based on genetic algorithm and BP neural network to temperature control during dieless drawing BA N Xiaojuan),ZHA NG Wujun2),FU Jinglu),SUN Daming) 1)School of Information Engineering.University of Science and Technology Beijing.Beijing 100083.China 2)Office of Planning and Disciplines,University of Science and Technology Beijing Beijing 100083.China ABSTRACT In combination of genetic algorithm with BP network,a new intelligent PID control algorithm was designed using ge- netic algorithm to optimize the parameters of BP neural network,which improve the dynamic performance of a temperature control system.The temperature control system model of a dieless drawing system was fitted with collected experimental data.Simulation re- sults show that the proposed model has a better rapidity and robustness. KEY WORDS dieless drawing:temperature control:PID control algorithm:genetic algorithm (GA):BP neural network 无模拉拔是一种不使用传统拉拔模具而进行塑 增大，直到颈缩程度超出了极限断面收缩率时，就会 性加工的方法，它采用感应加热（或其他方式）将工 发生断裂， 件局部加热到高温，以设定的速度拉拔工件，通过冷 由此可见，稳定的温度场在无模拉拔成形过程 却控制局部变形，获得等截面或变截面的产品). 中具有十分重要的作用，直接决定了应力场的分布 由于无模拉拔属于热加工工艺，且拉拔过程无摩擦 和变形抗力的大小，间接影响着线径的波动， 作用，所需拉拔力小，单一道次能获得较大的断面收 理论上而言，一个封闭系统单位时间进入的热 缩率，因此该法可以成形一些高强度、高摩擦、低塑 量和流出的热量相等时，系统温度恒定，即加热功率 性而采用常规拉拔工艺难以加工的金属材料)， 不变时，只要送料速度和牵引速度保持不变（单位时 在无模拉拔成形过程中，竹节缺陷是最常见的 间被加热的线材总量不变)，则被加热物体的温度就 缺陷。无模拉拔成形过程中，成品直径发生突变的 会恒定可.但在实验中发现，线材的不均匀性、冷却 主要原因是：变形温度的变化引起拉拔的变形抗力 水量的微小波动以及冷热源距离的微小波动都会引 变化，使拉拔速度不稳定，从而诱发竹节缺陷，如果 起温度场很大的变化，由于影响温度的因素很多， 没有措施及时消除，竹节会连续发生，线径波动逐渐 而且实验过程中温度控制系统具有非线性、强耦合、 收稿日期：2008-01-10修回日期：2008-02-23 基金项目：国家自然科学基金资助项目(No-.50474072;No:50634010) 作者简介：班晓娟(I970-）女，副教授，博士，Emal:barj@ies,usb-edu-cn
基于遗传 BP 网络的 PID 控制算法在无模拉拔温度 控制中的应用 班晓娟1） 张武军2） 付 璐1） 孙大明1） 1） 北京科技大学信息工程学院北京100083 2） 北京科技大学规划与学科建设办公室北京100083 摘 要 将遗传算法与 BP 神经网络结合提出了一种利用遗传算法优化 BP 神经网络权值的智能 PID 控制算法改善了系统 的动态性能．通过实验采集数据拟合出无模拉拔感应加热温度控制系统的数学模型．采用本文提出的方法进行了仿真实 验结果表明该算法具有较强的快速性和鲁棒性． 关键词 无模拉拔；温度控制；PID 控制算法；遗传算法；BP 神经网络 分类号 TG356；TP183 Application of PID control algorithm based on genetic algorithm and BP neural network to temperature control during dieless drawing BA N Xiaojuan 1）ZHA NG W ujun 2）FU Jinglu 1）SUN Daming 1） 1） School of Information EngineeringUniversity of Science and Technology BeijingBeijing100083China 2） Office of Planning and DisciplinesUniversity of Science and Technology BeijingBeijing100083China ABSTRACT In combination of genetic algorithm with BP networka new intelligent PID control algorithm was designed using genetic algorithm to optimize the parameters of BP neural networkwhich improve the dynamic performance of a temperature control system．T he temperature control system model of a dieless drawing system was fitted with collected experimental data．Simulation results show that the proposed model has a better rapidity and robustness． KEY WORDS dieless drawing；temperature control；PID control algorithm；genetic algorithm （GA）；BP neural network 收稿日期：2008-01-10 修回日期：2008-02-23 基金项目：国家自然科学基金资助项目 （No．50474072；No．50634010） 作者简介：班晓娟（1970—）女副教授博士E-mail：banxj＠ies．ustb．edu．cn 无模拉拔是一种不使用传统拉拔模具而进行塑 性加工的方法．它采用感应加热（或其他方式）将工 件局部加热到高温以设定的速度拉拔工件通过冷 却控制局部变形获得等截面或变截面的产品［1—3］． 由于无模拉拔属于热加工工艺且拉拔过程无摩擦 作用所需拉拔力小单一道次能获得较大的断面收 缩率因此该法可以成形一些高强度、高摩擦、低塑 性而采用常规拉拔工艺难以加工的金属材料［4］． 在无模拉拔成形过程中竹节缺陷是最常见的 缺陷．无模拉拔成形过程中成品直径发生突变的 主要原因是：变形温度的变化引起拉拔的变形抗力 变化使拉拔速度不稳定从而诱发竹节缺陷．如果 没有措施及时消除竹节会连续发生线径波动逐渐 增大直到颈缩程度超出了极限断面收缩率时就会 发生断裂． 由此可见稳定的温度场在无模拉拔成形过程 中具有十分重要的作用直接决定了应力场的分布 和变形抗力的大小间接影响着线径的波动． 理论上而言一个封闭系统单位时间进入的热 量和流出的热量相等时系统温度恒定即加热功率 不变时只要送料速度和牵引速度保持不变（单位时 间被加热的线材总量不变）则被加热物体的温度就 会恒定［5］．但在实验中发现线材的不均匀性、冷却 水量的微小波动以及冷热源距离的微小波动都会引 起温度场很大的变化．由于影响温度的因素很多 而且实验过程中温度控制系统具有非线性、强耦合、 第30卷 第12期 2008年 12月 北 京 科 技 大 学 学 报 Journal of University of Science and Technology Beijing Vol．30No．12 Dec．2008 DOI:10．13374／j．issn1001－053x．2008．12．013
,1440 北京科技大学学报 第30卷 时变和时滞等特性，因此很难建立精确的温度控制 练、优化神经网络权值的方法，如图1所示.最后以 模型，采用常规PID控制虽然不需要精确的数学模 无模拉拔温度控制系统为仿真实例，验证了该方法 型，但是难以达到理想的控制效果，所以通常采用智 的有效性， 能PID的方法. BP神经网络 1控制原理 遗传算法 经典增量式数字PID的控制算式为： PID控制器被控对象 输人 输出y u(k)=u(k-1)+k[e(k)-e(k-1)]+ e(k)+ka[e(k)-2e(k-l)+e(k-2)](1) 图1遗传BP神经网络PID控制结构 式中，kp、和a分别为比例、积分、微分系数]. Fig.I PID controlling structure with genetic BP network PD控制要取得好的控制效果，就必须通过调整好 比例、积分和微分三种控制作用，在形成控制量中相 2控制算法 互配合又相互制约的关系，这种关系不一定是简单 GABP算法就是在BP算法之前，先用GA在 的“线性组合”，需要从变化无穷的非线性组合中找 随机点集中优化初值，以此作为BP算法的初始权 出最佳关系，神经网络具有的任意非线性表示能 值，再由BP算法进行训练，GABP算法（如图2） 力，可以通过对系统性能的学习来实现具有最佳组 的步骤如下. 合的PID控制，由于BP神经网络具有逼近任意非 (1)编码与群体初始化，初始化种群P,包括 线性函数的能力，而且结构和学习算法简单明确，所 交叉规模、交叉概率P。、突变概率Pm,以及对任一 以在PID控制器中采用BP神经网络的学习来找出 WIH,和WHO:初始化；在编码中，采用实数进行编 最优的PID参数kp、k:和k:·通过深入研究发现 码，初始种群取30 BP算法中存在两个主要问题：一是从数学上看，多 (2)计算每一个个体评价函数，并将其排序. 层感知器算法是一个非线性优化问题，由于采用了 按下式概率值选择网络个体： 传统的无约束最小化方法来实现误差函数的极小 f 化，因此不可避免地存在有局部极小问题；二是神经 (2) 网络的设计主要依据设计者的经验在大样本空间反 复实验来进行选取，尚无理论上的指导[门，因此在 式中，f:为个体i的适配值，可用实验测量结果和对 神经网络的初始连接权以及网络结构的选择上具有 应理论计算结果的误差平方和E来衡量，即： 很大的随机性，很难选取具有全局性的初始点，使网 :=1VE,E=∑∑(v。-T)2 (3) 络求得全局最优的可能性小. 式中，=1,2，，N为染色体数；k=1,2,3为输 遗传算法(genetic algorithm,GA)是模拟自然生 出层节点数；p=1,2,…,5为学习样本数；Tk为 物界进化过程的计算模型，它依据适者生存、优胜 教师信号，其计算过程包括以下几步 劣汰的进化规则，对包含可能解的群体反复进行基 (a)网络的输入层的输出为： 于遗传算法的操作，不断生成新的群体，不断进化， 09=x(),j=1,2,3 (4) 同时以全局并行搜索的方式来搜索优化群体中的最 优个体，以求得满足要求的最优解8].与随机查找、 网络隐含层的输入输出为： 梯度下降、模拟退火等其他搜索方法相比，GA主要 u-多9p (5) 优点是简单、鲁棒性强，同时，它既不会像BP算法 03(k)=fh(net3(k),=1,2,…,7(6) 导致搜索不收敛或陷入局部最优，也不会像BP算 式中，心为隐含层加权系数，上角标(1)、(2)和(3) 法那样要求函数具有可微性，所以遗传算法和BP 分别代表输入层、隐含层和输出层，隐层神经元的激 网络的结合正好优劣互补，但是，传统的遗传算法 存在着收敛过慢，采用二进制编码导致的编码过长、 活函数为正负对称的Sigmoid函数： 计算量过大等问题町，本文在传统的遗传算法的基 fh(x)=(e*-e*)/(e*He*) (7) 础上通过引入实数编码、有竞争地选择继承、多点交 (b)网络输出层的输入输出为： 叉、多点自适应变异等操作，充分综合遗传算法和 net(3)(k)= 空9oP() (8) BP神经网络的长处，提出了一种使用遗传算法训
时变和时滞等特性因此很难建立精确的温度控制 模型．采用常规 PID 控制虽然不需要精确的数学模 型但是难以达到理想的控制效果所以通常采用智 能 PID 的方法． 1 控制原理 经典增量式数字 PID 的控制算式为： u（ k）＝ u（ k—1）＋kp ［ e（ k）—e（ k—1）］＋ kie（ k）＋kd ［ e（ k）—2e（ k—1）＋e（ k—2）］ （1） 式中kp、ki 和 kd 分别为比例、积分、微分系数［6］． PID 控制要取得好的控制效果就必须通过调整好 比例、积分和微分三种控制作用在形成控制量中相 互配合又相互制约的关系这种关系不一定是简单 的“线性组合”需要从变化无穷的非线性组合中找 出最佳关系．神经网络具有的任意非线性表示能 力可以通过对系统性能的学习来实现具有最佳组 合的 PID 控制．由于 BP 神经网络具有逼近任意非 线性函数的能力而且结构和学习算法简单明确所 以在 PID 控制器中采用 BP 神经网络的学习来找出 最优的 PID 参数 kp、ki 和 kd．通过深入研究发现 BP 算法中存在两个主要问题：一是从数学上看多 层感知器算法是一个非线性优化问题由于采用了 传统的无约束最小化方法来实现误差函数的极小 化因此不可避免地存在有局部极小问题；二是神经 网络的设计主要依据设计者的经验在大样本空间反 复实验来进行选取尚无理论上的指导［7］．因此在 神经网络的初始连接权以及网络结构的选择上具有 很大的随机性很难选取具有全局性的初始点使网 络求得全局最优的可能性小． 遗传算法（genetic algorithmGA）是模拟自然生 物界进化过程的计算模型．它依据适者生存、优胜 劣汰的进化规则对包含可能解的群体反复进行基 于遗传算法的操作不断生成新的群体不断进化 同时以全局并行搜索的方式来搜索优化群体中的最 优个体以求得满足要求的最优解［8］．与随机查找、 梯度下降、模拟退火等其他搜索方法相比GA 主要 优点是简单、鲁棒性强．同时它既不会像 BP 算法 导致搜索不收敛或陷入局部最优也不会像 BP 算 法那样要求函数具有可微性．所以遗传算法和 BP 网络的结合正好优劣互补．但是传统的遗传算法 存在着收敛过慢采用二进制编码导致的编码过长、 计算量过大等问题［9］．本文在传统的遗传算法的基 础上通过引入实数编码、有竞争地选择继承、多点交 叉、多点自适应变异等操作充分综合遗传算法和 BP 神经网络的长处提出了一种使用遗传算法训 练、优化神经网络权值的方法如图1所示．最后以 无模拉拔温度控制系统为仿真实例验证了该方法 的有效性． 图1 遗传 BP 神经网络 PID 控制结构 Fig．1 PID controlling structure with genetic BP network 2 控制算法 GA—BP 算法就是在 BP 算法之前先用 GA 在 随机点集中优化初值以此作为 BP 算法的初始权 值再由 BP 算法进行训练．GA—BP 算法（如图2） 的步骤如下． （1） 编码与群体初始化．初始化种群 P包括 交叉规模、交叉概率 Pc、突变概率 Pm以及对任一 WIHij和 WHOji初始化；在编码中采用实数进行编 码初始种群取30． （2） 计算每一个个体评价函数并将其排序． 按下式概率值选择网络个体： pi＝ f i ∑ N i＝1 f i （2） 式中f i 为个体 i 的适配值可用实验测量结果和对 应理论计算结果的误差平方和 E 来衡量即： f i＝1／EiEi＝ ∑p ∑k （ V k— Tk） 2 （3） 式中i＝12…N 为染色体数；k＝123为输 出层节点数；p＝12…5为学习样本数；Tk 为 教师信号．其计算过程包括以下几步． （a） 网络的输入层的输出为： O （1） j ＝ x（ j）j＝123 （4） 网络隐含层的输入输出为： net （2） i ＝ ∑ 3 j＝0 w （2） ij O （1） j （5） O （2） i （ k）＝fh（net （2） i （ k））i＝12…7 （6） 式中w （2） ij 为隐含层加权系数上角标（1）、（2）和（3） 分别代表输入层、隐含层和输出层隐层神经元的激 活函数为正负对称的 Sigmoid 函数： fh（ x）＝（e x—e — x ）／（e x＋e — x ） （7） （b） 网络输出层的输入输出为： net （3） l （ k）＝ ∑ 7 i＝0 w （3） ij O （2） i （ k） （8） ·1440· 北 京 科 技 大 学 学 报 第30卷
第12期 班晓娟等：基于遗传BP网络的PD控制算法在无模拉拔温度控制中的应用 ,1441. 0(k)=fo(net(k),i=1,2,3(9) 着大的适应度和小的变异率的原则，遗传代数取为 0(k)=kp,0(k)=k,0g(k)=ka 100,隐含层活化函数取 输出层输出节点分别对应三个可调节参数kp、:和 fh(x)=(e*-e*)/(e*He*) (12) ka,输出层神经元激活函数为非负的Sigmoid函 输出层输出分别对应于kp、k:和ka,其值不能为负， 数为： 故活化函数取 fo(x)=e*/(e十ex) (10) fo(x)=ex/(ex十ex) (13) (③)以概率P。对个体G:和G+1交叉操作产 取采样时间为0.1s,仿真时间取6s,输入幅值为1 生新个体G:和G:+1,没有进行交叉操作的个体进 的阶跃信号.在t=2.5s时，加入6(2.5)=1的干 行直接复制 扰信号，得到系统响应曲线如图3所示， (4)利用概率Pm突变产生G的新个体G 2.0 (a) (5)将新个体插入到种群P中，并计算新个体 1.5 传统PID 干扰 的评价函数 上述五步就是用GA训练ANN网络的步骤. 遗传BP-PID 0.5 (6)遗传算法和BP算法的切换，如果误差平 方和达到预定值cA,则转(7)BP算法；否则转(3)， 2.0 继续进行遗传操作， (b) (7)以GA优化初值作为初始权值，用BP算法 1.5 干扰 训练网络，BP算法的运行终止条件为误差E小于 某一给定值BP(EP<eCA)· 05 神经网络PID 初始化参数 2 随即生成初始种群 时间s 送给神经网络PD控制器 图3加入干扰时的阶跃响应曲线，(a)遗传BP神经网络PID 控制；(b)传统BP神经网络PID控制 计算适应度函数 Fig.3 Curves of step response under disturbance:(a)GA-BP PID control:(b)BP PID control GA收敛判别 香 BP算法 从响应曲线上可以看出，基于遗传BP神经网 选择、交叉、 变异操作 络的PID00]比基于传统BP神经网络的PID控制有 误差E满足要求否 更快的相应速度，抗干扰能力更强，而且还克服了 杰出个体保留， 是 生成新一代种群 输出参数 BP网络易陷入局部极小值的缺点， 图4(a)是用GABP算法训练神经网络，其遗 (结束 传算法误差平方和曲线以及适应度曲线；图4(b)图 图2GABP算法流程图 是用遗传算法训练神经网络得到的遗传算法误差平 Fig.2 Flow chart of GA-BP algorithm 方和曲线以及自适应度曲线.由图可见：GABP算 法进行了80代的遗传操作达到了目标值：而用遗传 3仿真实例 算法训练的神经网络要经过450代才能达到目标 将感应加热器和线材温度作为控制对像，通过 值.因此，GABP算法的运行时间和收敛速度要比 实验采集大量数据，由归纳法拟合出其数学模型，如 遗传算法好， 下式所示： 将遗传算法、神经网络与PID山控制相结合， 2.4 利用遗传算法的全局搜索能力，对神经网络的初始 F(s)=16s十1 (11) 权值进行学习优化，提高了多层前馈网络权系数的 BP网络采用36一3结构：输入分别为目标值 学习效率，快速达到全局收敛；神经网络的自学习能 r、实际值y、偏差值e,学习速率0.05；种群规模为 力，可在线调整PID参数，有效地控制复杂的被控 30,编码长度为45，交叉概率取为0.9，变异概率本 对象
O （3） i （ k）＝fo（net （3） i （ k））i＝123 （9） O （3） 1 （ k）＝kpO （3） 2 （ k）＝kiO （3） 3 （ k）＝kd． 输出层输出节点分别对应三个可调节参数 kp、ki 和 kd输出层神经元激活函数为非负的 Sigmoid 函 数为： fo（ x）＝e x／（e x＋e — x ） （10） （3） 以概率 Pc 对个体 Gi 和 Gi＋1交叉操作产 生新个体 G′i 和 G′i＋1没有进行交叉操作的个体进 行直接复制． （4） 利用概率 Pm 突变产生 Gj 的新个体 G′j． （5） 将新个体插入到种群 P 中并计算新个体 的评价函数． 上述五步就是用 GA 训练 ANN 网络的步骤． （6） 遗传算法和 BP 算法的切换．如果误差平 方和达到预定值εGA则转（7）BP 算法；否则转（3） 继续进行遗传操作． （7） 以 GA 优化初值作为初始权值用 BP 算法 训练网络BP 算法的运行终止条件为误差 E 小于 某一给定值εBP（εBP＜εGA）． 图2 GA—BP 算法流程图 Fig．2 Flow chart of GA-BP algorithm 3 仿真实例 将感应加热器和线材温度作为控制对像通过 实验采集大量数据由归纳法拟合出其数学模型如 下式所示： F（ s）＝ 2∙4 16s＋1 （11） BP 网络采用3—6—3结构；输入分别为目标值 r、实际值 y、偏差值 e．学习速率0∙05；种群规模为 30编码长度为45交叉概率取为0∙9变异概率本 着大的适应度和小的变异率的原则遗传代数取为 100隐含层活化函数取 fh（ x）＝（e x—e — x ）／（e x＋e — x ） （12） 输出层输出分别对应于 kp、ki 和 kd其值不能为负 故活化函数取 fo（ x）＝e x／（e x＋e — x ） （13） 取采样时间为0∙1s仿真时间取6s输入幅值为1 的阶跃信号．在 t＝2∙5s 时加入 δ（2∙5）＝1的干 扰信号得到系统响应曲线如图3所示． 图3 加入干扰时的阶跃响应曲线．（a） 遗传 BP 神经网络 PID 控制；（b） 传统 BP 神经网络 PID 控制 Fig．3 Curves of step response under disturbance：（a） GA-BP PID control；（b） BP PID control 从响应曲线上可以看出基于遗传 BP 神经网 络的 PID ［10］比基于传统BP 神经网络的 PID 控制有 更快的相应速度抗干扰能力更强而且还克服了 BP 网络易陷入局部极小值的缺点． 图4（a）是用 GA—BP 算法训练神经网络其遗 传算法误差平方和曲线以及适应度曲线；图4（b）图 是用遗传算法训练神经网络得到的遗传算法误差平 方和曲线以及自适应度曲线．由图可见：GA—BP 算 法进行了80代的遗传操作达到了目标值；而用遗传 算法训练的神经网络要经过450代才能达到目标 值．因此GA—BP 算法的运行时间和收敛速度要比 遗传算法好． 将遗传算法、神经网络与 PID ［11］ 控制相结合 利用遗传算法的全局搜索能力对神经网络的初始 权值进行学习优化提高了多层前馈网络权系数的 学习效率快速达到全局收敛；神经网络的自学习能 力可在线调整 PID 参数有效地控制复杂的被控 对象． 第12期 班晓娟等： 基于遗传 BP 网络的 PID 控制算法在无模拉拔温度控制中的应用 ·1441·
,1442 北京科技大学学报 第30卷 15 10 10 0 0 20 40 60 80 100 100200300 400 500 1.0 1.5 1.0 0.5 0.5 20 4060 80 100 100200300400500 迭代次数 迭代次数 (a) b 图4误差平方和以及自适应度曲线，(a)用GABP算法训练神经网络：(b)用遗传算法训练神经网络 Fig-4 Curves of error square sum and self-adaptive degree:(a)training network with GA-BP algorithm:(b)training network with genetic algo- rithm [5]He Y.Study on Intelligent Dieless Drawing Equipment of Dif- 4结论 ficult Forming Metal Wires [Dissertation]Beijing:University 稳定的温度场在无模拉拔形成过程中具有十分 of Science and Technology Beijing.2006 (何勇·难加工线材智能化无模拉拔成形设备的研制[学位论 重要的作用，直接决定了应力场的分布和变形抗力 文]北京：北京科技大学，2006) 的大小，间接影响着速度的波动，本文采用智能 [6]Tao Y H.Yin Y X,Ge L S.New PID Control and Applica- PID进行温度控制，利用遗传进化神经网络的混合 tion.Beijing:China Machine Press,1998 算法更好地对PD的三个参数进行优化，改善系统 (陶永华，尹怡欣，葛芦生.新型PID控制及其应用，北京：机械 工业出版社，1998) 的动态性能，具有较强的鲁棒性和快速性 [7]Xu L N.Artificial Nurture Network Controlling.Beijing:Pub- lishing House of Electronics Industry.2003 参考文献 (徐丽娜.神经网络控制.北京：电子工业出版社，2003) [1]Carolan R.Tiernan P.Commerford P.The dieless drawing of [8]Wang X P.Genetic Algorithms:Theory,Application and Re- high carbon steel.Mater Sci Forum,2004,447:513 alization.Xi'an:Xi'an Jiaotong University Press.2002 [2]Wang Z T.Luan GS,Bai G Y,el al.Study on dieless drawing (王小平遗传算法：理论、应用与软件实现西安：西安交通大 or variable section tube.Hat Work Technol,1995(1):11 学出版社，2002) (王忠堂，栾瑰馥，白光润，等.变截面管类件无模拉伸工艺的 [9]Chen J.Xin B.Dou L H.Centralization and decentralization of 研究.热加工工艺，1995(1)：11) intelligent optimization.CAAI Trans Intell Syst,2007,2(2):48 [3]Liu X F,He Y.BiC.W.et al.Simulation on electromagnetic and (陈杰，辛斌，窦丽华，关于智能优化方法的集聚性和弥散性问 temperature fields in dieless drawing forming of NiTi shape mem- 题.智能系统学报，2007,2(2)：48) ory alloy wires.Chin J Rare Met.2005.29(5):762 [10]Liu J K.Advanced PID Control and MATLAB Simulation- (刘雪峰，何勇，毕重武，等。镍钛形状记忆合金线材无模拉拔 Beijing:Publishing House of Electronics Industry.2003 成形过程的电磁场和温度场模拟.稀有金属，2005,29(5)：762) (刘金琨.先进PID控制及其MATLAB仿真，北京：电子工业 [4]Huang Z Y.Wang P,Kong W B.el al.Techniques and develop- 出版社，2003) ment of dieless drawing.J East China Univ Metall.2000.17 [11]Yang Z.Design method of auto tuning PID controllers.J Gansu (2):118 Univ Technol,1998 (黄贞益，王萍，孔维斌，等.无模拉伸工艺及发展.华东冶金 (杨智·自整定PID调节器设计方法，甘肃工业大学学报， 学院学报，2000,17(2)：118) 1998)
图4 误差平方和以及自适应度曲线．（a） 用 GA—BP 算法训练神经网络；（b） 用遗传算法训练神经网络 Fig．4 Curves of error square sum and self-adaptive degree：（a） training network with GA-BP algorithm；（b） training network with genetic algorithm 4 结论 稳定的温度场在无模拉拔形成过程中具有十分 重要的作用直接决定了应力场的分布和变形抗力 的大小间接影响着速度的波动．本文采用智能 PID 进行温度控制利用遗传进化神经网络的混合 算法更好地对 PID 的三个参数进行优化改善系统 的动态性能具有较强的鲁棒性和快速性． 参 考 文 献 ［1］ Carolan RTiernan PCommerford P．The dieless drawing of high carbon steel．Mater Sci Forum2004447：513 ［2］ Wang Z TLuan G SBai G Yel al．Study on dieless drawing or variable section tube．Hot Work Technol1995（1）：11 （王忠堂栾瑰馥白光润等．变截面管类件无模拉伸工艺的 研究．热加工工艺1995（1）：11） ［3］ Liu X FHe YBi C Wet al．Simulation on electromagnetic and temperature fields in dieless drawing forming of NiTi shape memory alloy wires．Chin J Rare Met200529（5）：762 （刘雪峰何勇毕重武等．镍钛形状记忆合金线材无模拉拔 成形过程的电磁场和温度场模拟．稀有金属200529（5）：762） ［4］ Huang Z YWang PKong W Bel al．Techniques and development of dieless drawing．J East China Univ Metall200017 （2）：118 （黄贞益王萍孔维斌等．无模拉伸工艺及发展．华东冶金 学院学报200017（2）：118） ［5］ He Y．Study on Intelligent Dieless Drawing Equipment of Difficult Forming Metal Wires ［Dissertation ］．Beijing：University of Science and Technology Beijing2006 （何勇．难加工线材智能化无模拉拔成形设备的研制［学位论 文］．北京：北京科技大学2006） ［6］ Tao Y HYin Y XGe L S．New PID Control and Application．Beijing：China Machine Press1998 （陶永华尹怡欣葛芦生．新型 PID 控制及其应用．北京：机械 工业出版社1998） ［7］ Xu L N．A rtificial Nurture Network Controlling．Beijing：Publishing House of Electronics Industry2003 （徐丽娜．神经网络控制．北京：电子工业出版社2003） ［8］ Wang X P．Genetic Algorithms：TheoryApplication and Realiz ation．Xi’an：Xi’an Jiaotong University Press2002 （王小平．遗传算法：理论、应用与软件实现．西安：西安交通大 学出版社2002） ［9］ Chen JXin BDou L H．Centralization and decentralization of intelligent optimization．CA AI T rans Intell Syst20072（2）：48 （陈杰辛斌窦丽华．关于智能优化方法的集聚性和弥散性问 题．智能系统学报20072（2）：48） ［10］ Liu J K．A dv anced PID Control and MATL AB Simulation． Beijing：Publishing House of Electronics Industry2003 （刘金琨．先进 PID 控制及其 MATLAB 仿真．北京：电子工业 出版社2003） ［11］ Yang Z．Design method of auto-tuning PID controllers．J Gansu Univ Technol1998 （杨智．自整定 PID 调节器设计方法．甘肃工业大学学报 1998） ·1442· 北 京 科 技 大 学 学 报 第30卷