模糊RBF神经网络PID焊笔加热控制方法、装置、设备及介质与流程

本发明涉及焊笔加热控制的，尤其是涉及一种模糊rbf网络pid焊笔加热控制方法、装置、设备及介质。

背景技术：

1、目前，焊笔加热控制多采用固定pid参数的传统控制方法。

2、现有的固定pid参数的传统控制方法虽然在一些情况下表现良好，但固定参数在应对不同焊笔特性时表现出明显不足。

3、上述中的现有技术方案存在以下缺陷：

4、传统pid焊笔加热控制方法的固定的参数设置方式在不同焊笔间的适应性差，可能导致加热控制精度不足。

5、针对上述中的相关技术，发明人认为存在有焊笔加热控制的适应性和精度不足的缺陷。

技术实现思路

1、为了提高焊笔加热控制的适应性和精度，本技术提供一种模糊rbf神经网络pid焊笔加热控制。

2、本技术的上述发明目的一是通过以下技术方案得以实现的：

3、一种模糊rbf神经网络pid焊笔加热控制方法，所述模糊rbf神经网络pid焊笔加热控制方法包括：

4、获取外部环境信息，根据所述外部环境信息生成输入层节点输出，并根据所述输入层节点输出进行隶属度计算，生成隶属度信息；

5、生成模糊化连接，根据所述模糊化连接匹配对应的模糊逻辑规则，根据所述模糊逻辑规则对隶属度信息进行模糊推理，得到模糊推理结果；

6、生成模糊推理层连接，根据所述模糊推理层连接对所述模糊推理结果进行加权计算，生成输出层输出；

7、获取目标输出温度和实时的实际输出温度，根据所述目标输出温度和实时的实际输出温度计算初始pid输入和pid系数整定指标；

8、获取神经网络学习速率，根据所述pid系数整定指标和所述神经网络学习速率进行学习计算，生成网络权值，并根据所述网络权值计算输出层权值；

9、根据所述输出层权值计算系统输出增量，并根据所述系统输出增量生成焊笔加热控制信号。

10、通过采用上述技术方案，通过获取外部环境信息，生成输入层节点输出，并对其进行隶属度计算，生成隶属度信息，提高了焊笔加热控制的响应速度；生成模糊化连接并匹配对应的模糊逻辑规则，按照模糊逻辑规则模糊推理隶属度信息得到模糊推理结果，生成模糊推理层连接，对模糊推理层结果进行加权和计算，生成输出层输出，利用模糊逻辑强大的处理不确定性的能力，提高了焊笔加热控制的适应性和稳定性；获取目标输出温度和实时的实际输出温度，计算两者差异得到控制差异，进而通过控制差异计算初始pid输出和pid系数整定指标，提高了焊笔加热控制的精度；获取神经网络学习速率，并对初始pid输出和pid系数整定指标进行学习计算，生成网络权值，进而结合学习动量因子计算输出层权值，进而计算系统输出增量，从而生成焊笔加热控制信号，提高了焊笔加热控制的适应性和精度。

11、本技术在一较佳示例中可以进一步配置为：所述获取外部环境信息，根据所述外部环境信息生成输入层节点输出，并根据所述输入层节点输出进行隶属度计算，生成隶属度信息，具体包括：

12、获取外部环境信息，根据所述外部环境信息生成对应的输入层节点连接；

13、根据所述输入层节点连接传递输入量数据，生成输入层输出，对于第i个节点的输入输出表示如下：

14、f1(i)＝x＝[x1,x2,…,xn]；

15、其中，f1(i)为输入层第i个节点的输出；[x1,x2,…,xn]为输入层第i个节点的输入；

16、根据所述输入层节点输出通过下列公式进行模糊化层的隶属度计算，生成隶属度信息：

17、

18、其中，exp()为高斯函数；cij为模糊化层第i个节点的输入变量和第j个模糊集合的隶属函数的均值；bij为模糊化层第i个节点的输入变量和第j个模糊集合的隶属函数的标准差；i＝1,2,3,…,n；j＝1,2,3,…,m，m为模糊化层节点数量。

19、通过采用上述技术方案，通过获取外部信息，将外部环境信息作为输入量数据，按照输入量输入各分量生成对应的输入层节点连接，传递输入量数据至输入层节点，进而直接生成输入层输出，将输入量数据传递到模糊化层，进而进行隶属度计算得到隶属度信息，从而提高了焊笔加热控制的响应速度。

20、本技术在一较佳示例中可以进一步配置为：所述生成模糊化连接，根据所述模糊化连接匹配对应的模糊逻辑规则，根据所述模糊逻辑规则对隶属度信息进行模糊推理，得到模糊推理结果，具体包括：

21、生成模糊化连接将模糊化层与模糊推理层进行连接，根据所述模糊化连接匹配每一个模糊推理层节点对应的模糊逻辑规则；

22、在模糊推理层根据所述模糊逻辑规则对所述隶属度信息进行按照下列公式进行推理计算，得到模糊推理结果：

23、

24、

25、其中，ni为输入层第i个输入隶属函数的个数，即模糊化层节点数。

26、通过采用上述技术方案，通过生成模糊化连接，连接模糊化层和模糊推理层的节点，并匹配模糊化连接对应的模糊逻辑规则，进而对隶属度信息进行推理计算，得到模糊推理结果，提高了焊笔加热控制的适应性和稳定性。

27、本技术在一较佳示例中可以进一步配置为：所述生成模糊推理层连接，根据所述模糊推理层连接对所述模糊推理结果进行加权计算，生成输出层输出，具体包括：

28、生成模糊推理层连接将模糊推理层和输出层进行连接；

29、根据所述模糊推理层连接对所述模糊推理结果按照下列公式进行加权计算，生成输出层输出：

30、

31、其中，k为输出层节点的个数，w为输出节点与模糊推理层节点的连接权重矩阵。

32、通过采用上述技术方案，通过生成模糊推理层连接，连接模糊推理层和输出层的节点，进而对模糊推理结果进行加权计算，生成输出层输出，利用模糊逻辑强大的处理不确定性的能力，提高了焊笔加热控制的适应性和稳定性。

33、本技术在一较佳示例中可以进一步配置为：所述获取目标输出温度和实时的实际输出温度，根据所述目标输出温度和实时的实际输出温度计算初始pid输入和pid系数整定指标，具体包括：

34、获取目标输出温度和实时的实际输出温度，根据所述目标输出温度和实时的实际输出温度按照下列公式计算控制误差：

35、error(k)＝rin(k)-yout(k)；

36、其中，error(k)为控制误差；rin(k)为目标输出温度；yout(k)为实际输出温度；

37、根据所述控制误差按照下列公式计算初始pid系数：

38、xc1(k)＝error(k)；

39、xc2(k)＝error(k)-error(k-1)；

40、xc3(k)＝error(k)-2error(k-1)+error(k-2)；

41、根据所述初始pid系数按照下列公式计算初始pid输入：

42、δu(k)＝i·xc1(k)+p·xc2(k)+d·xc3(k)；

43、其中，δu(k)为k时刻的功率增量输入；i为初始pid积分参数；p为初始pid比例参数；d为初始pid微分参数；

44、根据所述目标输出温度和实时的实际输出温度按照下列公式计算pid系数的整定指标：

45、通过采用上述技术方案，获取目标输出温度和实时的实际输出温度，并计算出计算控制误差，进而计算初始pid参数和pid系数整定指标，通过控制误差进一步计算出初始pid系数，以便于后续的计算，从而提高了焊笔加热控制的响应速度。

46、本技术在一较佳示例中可以进一步配置为：所述获取神经网络学习速率，根据所述pid系数整定指标和所述神经网络学习速率进行学习计算，生成网络权值，并根据所述网络权值计算输出层权值，具体包括：

47、获取神经网络学习速率，根据所述pid系数整定指标和所述神经网络学习速率通过下列公式进行学习计算，生成网络权值：

48、

49、其中，δwj(k)为网络权值；wj为输出层节点与上一层各节点的连接权，j＝1,2,…，n；η为神经网络学习速率；

50、获取学习动量因子，根据所述网络权值和所述学习动量因子通过下列公式计算输出层权值：

51、wj(k)＝wj(k-1)+δwj(k)+α(wj(k-1)+wj(k-2))；

52、其中，wj(k)为输出层权值；k为神经网络的迭代步骤；α为学习动量因子。

53、通过采用上述技术方案，通过获取神经网络学习速率，对pid系数整定指标和所述神经网络学习速率进行计算，生成网络权值，同时获取学习动量因子，进而计算得到输出层权值，提高了焊笔加热控制的精度。

54、本技术在一较佳示例中可以进一步配置为：所述根据所述输出层权值计算系统输出增量，并根据所述系统输出增量生成焊笔加热控制信号，具体包括：

55、根据所述输出层权值通过下列公式生成神经网络pid参数如下：

56、ki＝w1(k)；

57、kp＝w2(k)；

58、kd＝w3(k)；

59、其中，ki为神经网络pid积分参数；kp为神经网络pid比例参数；kd为神经网络pid微分参数；

60、根据所述神经网络pid参数生成神经网络pid公式如下：

61、δu(k)＝ki·xc1(k)+kp·xc2(k)+kd·xc3(k)；

62、其中，δu(k)为系统输出增量；

63、通过所述神经网络pid公式计算系统输出增量，并根据所述系统输出增量生成焊笔加热控制信号。

64、通过采用上述技术方案，通过输出层权值计算神经网络pid参数，生成对应的神经网络pid公式，从而计算出系统输出增量，进而生成焊笔加热控制信号，提高了焊笔加热控制的精度和响应速度。

65、本技术的上述发明目的二是通过以下技术方案得以实现的：

66、一种模糊rbf神经网络pid焊笔加热控制装置，所述模糊rbf神经网络pid焊笔加热控制装置包括：

67、隶属度信息生成模块：用于获取外部环境信息，根据所述外部环境信息生成输入层节点输出，并根据所述输入层节点输出进行隶属度计算，生成隶属度信息；

68、模糊推理结果生成模块：用于生成模糊化连接，根据所述模糊化连接匹配对应的模糊逻辑规则，根据所述模糊逻辑规则对隶属度信息进行模糊推理，得到模糊推理结果；

69、输出层输出生成模块：用于生成模糊推理层连接，根据所述模糊推理层连接对所述模糊推理结果进行加权计算，生成输出层输出；

70、初始pid模块：用于获取目标输出温度和实时的实际输出温度，根据所述目标输出温度和实时的实际输出温度计算初始pid输入和pid系数整定指标；

71、输出层权值计算模块：用于获取神经网络学习速率，根据所述pid系数整定指标和所述神经网络学习速率进行学习计算，生成网络权值，并根据所述网络权值计算输出层权值；

72、焊笔加热控制信号生成模块：用于根据所述输出层权值计算系统输出增量，并根据所述系统输出增量生成焊笔加热控制信号。

73、通过采用上述技术方案，通过获取外部环境信息，生成输入层节点输出，并对其进行隶属度计算，生成隶属度信息，提高了焊笔加热控制的响应速度；生成模糊化连接并匹配对应的模糊逻辑规则，按照模糊逻辑规则模糊推理隶属度信息得到模糊推理结果，生成模糊推理层连接，对模糊推理层结果进行加权和计算，生成输出层输出，利用模糊逻辑强大的处理不确定性的能力，提高了焊笔加热控制的适应性和稳定性；获取目标输出温度和实时的实际输出温度，计算两者差异得到控制差异，进而通过控制差异计算初始pid输出和pid系数整定指标，提高了焊笔加热控制的精度；获取神经网络学习速率，并对初始pid输出和pid系数整定指标进行学习计算，生成网络权值，进而结合学习动量因子计算输出层权值，进而计算系统输出增量，从而生成焊笔加热控制信号，提高了焊笔加热控制的适应性和精度。

74、本技术的上述目的三是通过以下技术方案得以实现的：

75、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中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述模糊rbf神经网络pid焊笔加热控制方法的步骤。

76、本技术的上述目的四是通过以下技术方案得以实现的：

77、一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述模糊rbf神经网络pid焊笔加热控制方法的步骤。

78、综上所述，本技术包括以下至少一种有益技术效果：

79、1、通过获取外部信息，将外部环境信息作为输入量数据，按照输入量输入各分量生成对应的输入层节点连接，传递输入量数据至输入层节点，进而直接生成输入层输出，将输入量数据传递到模糊化层，进而进行隶属度计算得到隶属度信息，提高了焊笔加热控制的响应速度；2、通过生成模糊化连接，连接模糊化层和模糊推理层的节点，并匹配模糊化连接对应的模糊逻辑规则，进而对隶属度信息进行推理计算，得到模糊推理结果，通过生成模糊推理层连接，连接模糊推理层和输出层的节点，进而对模糊推理结果进行加权计算，生成输出层输出，利用模糊逻辑强大的处理不确定性的能力，提高了焊笔加热控制的适应性和稳定性；

80、3、获取目标输出温度和实时的实际输出温度，计算两者差异得到控制差异，进而通过控制差异计算初始pid输出和pid系数整定指标，获取神经网络学习速率，并对初始pid输出和pid系数整定指标进行学习计算，生成网络权值，进而结合学习动量因子计算输出层权值，进而计算系统输出增量，从而生成焊笔加热控制信号，提高了焊笔加热控制的适应性和精度。