一种用于内燃机冷却控制的BP-PID改进算法

一种用于内燃机冷却控制的bp-pid改进算法
技术领域
1.本发明属于内燃机温控、方法技术领域，尤其涉及一种用于内燃机冷却控制的bp-pid改进算法。


背景技术：

2.柴油机冷却系统具有非线性、强耦合、大迟滞特性，无法建立精确的数学模型，因此，常规控制算法无法达到理想的控制效果，为此申请人已提供一种基于改进控制算法的内燃机智能冷却系统控制方法(cn 202110268992.6)以及相应原理机制《高强化船用柴油机智能冷却控制策略及算法实验研究》(kns.cnki.net/kcms/detail/11.1813.v.20220907.1155.001.html)，基于前述方案(以下简称原方案)和原理，申请人将柴油机控制过程分为暖机控制模式、负载控制模式和停机后冷却控制模式共3个部分，控制逻辑流程如图1所示。其中暖机控制模式的触发信号是柴油机启动，暖机控制模式切换为负载控制模式的触发信号是电子节温器开度(θ)达到100％(阀芯升程达到最大，10mm)，停机后冷却控制模式的触发信号是柴油机停止。
3.其中，负载控制基本流程如图2所示，其采用“t-s模糊控制算法+bp-pid控制算法”控制电控淡水泵和电控海水泵，控制目标是使淡水出机温度(tfo)达到100％tfoo和淡水进出机温差(δtfio)达到δtfd(最佳温差)。图中“tfoo”和
“△
tfd”代表淡水出机温度和淡水进出机温差的目标值。首先基于t-s模糊控制算法实现开环前馈控制策略，在反馈控制策略中，bp-pid控制器实时接收淡水出机温度(tfo)以及淡水进出机温差(δtfio)信号，控制器根据冷却系统温度偏差，输出模拟电压控制信号给变频器，实时修正电控海、淡水泵转速，直至冷却系统温度达到目标值。
4.在给出前述基础方案的同时，申请人为了避免bp-pid算法初始权值和阈值分配不合理可能引起的控制效果不足，效率降低等问题，提出了对bp网络的初始权值和阀值进行优化，提高bp-pid的初始控制品质和bp网络的学习效果，优化bp网络与pid相结合，利用bp网络的自学习能力，根据目标温度r
in
、温度偏差e(k)、控制量u(k)和系统输出y
out
实时修正k
p
、ki、kd参数，调整控制量u(k)，使冷却系统温度不断趋近目标温度的技术方案，改进后的方案相较于基础方案具有超调量更小，调整时间更短等优点。
5.但在实际应用过程中，申请人发现，由于参数曲线/曲面的起伏，当bp神经网络基于梯度变化信息进行权值计算过程中，会导致不同极点位置产生较大幅度的波动，引起权值波动较大，增加运算难度，另一方面，当网络输入与预设阈值量偏差较大时，会导致激活函数无法高效运算处理，并最终导致神经网络的学习速度下降，上述问题最终将导致整体算法的效率和运算压力的增加，限制了原方案的进一步应用。


技术实现要素：

6.本发明的目的在于，在现有控制方案的基础之上，进一步改进温控算法，提供一种具有响应速度快、超调量小、调整时间短、过度平稳、精度高的温控特性，并表现出良好的
动、静态控制品质的内燃机冷却控制bp-pid改进算法。
7.为实现上述目的，本发明采用如下技术方案。
8.一种用于内燃机冷却控制的bp-pid改进算法，包括如下步骤：
9.步骤一：bp网络结构初始化，建立bp网络，生成初始权值和阈值w
ij
(0)、w
jk
(0)，i为网络层数，j为隐含层节点数；选定学习速率r和惯性系数0《η《1，bp网络给出pid初始参数k
p
,ki,kd，由pid控制算法输出控制量u(k)给执行元件，被控系统输出响应值y(k)；
10.步骤二：归一化处理，bp网络输出值的取值范围为0～1，冷却系统温度信号输入时进行归一化处理，输出控制量则进行反归一化；
11.步骤三：比较目标值r(k)和系统响应值y(k)，计算误差e(k)＝r(k)-y(k)；
12.步骤四：误差信号前向传递，并更新bp网络的权值和阀值，bp网络输出修正的k
p
,ki,kd；
13.步骤五：根据修正的k
p
,ki,kd，pid输出新的控制量给执行元件，被控系统输出响应值y(k+1)；
14.步骤六：判断误差e(k+1)是否满足要求，满足要求则结束循环，否则进行下一步；更新误差值e(k+1)，根据e(k+1)调整权值和阈值，实现bpnn自学习；
15.步骤七：返回步骤四，进行下一步循环。
16.对前述用于内燃机冷却控制的bp-pid改进算法的进一步完善或者优选实施方案，还包括用于优化初始权值和阈值的步骤，具体包括：
17.①
以bp网络的初始权值和阀值为基因片段，组成染色体，根据权值和阀值的取值精度，对染色体进行二进制编码，随机生成初始种群；
18.②
对权值和阈值进行解码，传递给bp网络；
19.③
bp网络输出k
p
、ki、kd给pid中，pid输出控制量调节电控冷却水泵转速，获取冷却系统温控曲线；
20.④
根据种群的温控曲线，计算bp-pid温控性能；
21.⑤
判断进化代数，达到最高代数则结束进化，解码染色体，获取优化的初始权值和阈值，并继续步骤
⑥
；若未达到进化代数，则根据适应度筛选染色体，进行选择、交叉和变异，得到一个新的群体，并返回步骤
②
；
22.⑥
解码最后一代的染色体，获取最优初始权值和阈值。
23.对前述用于内燃机冷却控制的bp-pid改进算法的进一步完善或者优选实施方案，所述步骤四中，更新bp网络的权值和阀值时，第k步输入层与隐含层、隐含层与输出层的权值的修正量分别为：
24.δw
ij
(k+1)＝ηδjxi(k)
25.δw
jm
(k+1)＝ηδmyj(k)
[0026][0027][0028]
式中，η表示学习速率，g'[x]＝g(x)[1-g(x)],f'[x]＝[1-f2(x)]/2。
[0029]
i是指输入层神经元个数，j是指隐含层神经元个数，k是指输出层神经元个数。
[0030]
xi(k)是指输入层的输出量
[0031]
yj(k)是指隐含层的输出量。
[0032]
对前述用于内燃机冷却控制的bp-pid改进算法的进一步完善或者优选实施方案，所述步骤
⑤
还包括，在进行子代生成过程中，将当前种群中适应度最高的若干个体直接保留不进行遗传操作，使用剩余个体进行遗传变异操作，并用被保留的个体替换下一代种群中适应度最低的若干个体，最后生成新的种群。
[0033]
对前述用于内燃机冷却控制的bp-pid改进算法的进一步完善或者优选实施方案，所述bp网络为多层前馈神经网络，采用误差反向传播学习算法，其具体结构中包括一层输入层、一层隐含层和一层输出层，输入层神经元有3个，隐含层为1层，神经元有5个，输出层神经元有3个；输入层输入为x＝[x1,x2,x3,-1]
t
，x1、x2和x3分别为第k次采样时刻的目标温度r(k)、实测温度y(k)和误差e(k)，
“‑
1”用于为隐含层神经元引入阈值；w
ij
＝[w
1j
,w
2j
,w
3j
,w
4j
]表示隐含层第j个神经元与输入层第i个神经元的连接权值，w
4j
表示隐含层第j个神经元的阈值；
[0034]
隐含层第j个神经元的输入和输出为：yj＝f(netj)
[0035]
隐含层输出为y＝[y1,y2,y3,y4,y5,-1]
t
，
“‑
1”用于为输出层神经元引入阈值；
[0036]wjm
＝[w
1m
,w
2m
,w
3m
,w
4m
,w
5m
,w
6m
]
t
表示输出层第m个神经元与隐含层各个神经元的连接权值，w
6m
表示输出层第m个神经元的阈值；
[0037]
输出层第m个神经元的输入和输出为：km＝g(netm)
[0038]
输出层的输出为km＝[k1,k2,k3]
t
，对应pid参数k
p
,ki,kd；
[0039]
在bp网络中，激活函数选用sigmoid函数，f(
·
)采用正负对称的sigmoid函数，由于pid的三个参数必须是非负数，因此g(
·
)采用非负的sigmoid函数。
[0040]
对前述用于内燃机冷却控制的bp-pid改进算法的进一步完善或者优选实施方案，所述步骤
⑤
在个体生成过程中，将前述若干个是硬度最高的个体直接保留至下一代不进行变异的同时，对于剩余个体，采用自适应概率进行变异控制，本技术中，其变异率为：
[0041]
其中k
′
初始变异率，和k
″
是变异衰减系数，n是指当前迭代次数，g是指最大迭代次数，l是指当前种群中某个体的适应度值。
[0042]
其有益效果在于：
[0043]
本技术的用于内燃机冷却控制的bp-pid改进算法具备响应速度快、超调量小、调整时间短、过度平稳、精度高的温控特性，表现出良好的动、静态控制品质，其在各项关键指标上都具有极大提升，在综合阶跃响应特征上，本技术有效避免了超调，无峰值时间，完成稳定控制所需要的时间为原始方案的52％，在负荷突变情况下，本技术所需要的超调量为后者的67.14％，实现大幅减小超调量，且调整时间为原方案的49.11％，大幅压缩了控制调整时间，在施加干扰情况下，所需要的超调量为原方案的58.11％，因此在各种工况下，基于本技术的改进的方案，其超调量和调整时间均得到有效优化，特别是在荷突变或施加稳定
干扰等复杂工况下，相较于原方案，本技术方案的超调量和调整时间的指标参数得到大幅优化。
附图说明
[0044]
图1是柴油机温度控制策略逻辑流程图
[0045]
图2是负载控制模式逻辑流程图
[0046]
图3是本技术中基于初始权值和阈值进行全局寻优的流程原理图；
[0047]
图4是用于优化初始权值和阈值的步骤的算法结构图；
[0048]
图5是具体实施例中的bp网络图；
[0049]
图6是基于本技术方案的温控曲线图；
[0050]
图7是基于本技术方案的负荷突变后温控曲线图；
[0051]
图8是基于本技术方案的施加稳定干扰后温控曲线图；
[0052]
图9是基于原方案以及本技术方案在负荷突变情况下的k
p
、ki和kd参数变化曲线图；
[0053]
图10是基于原方案以及本技术方案在施加稳定干扰情况下的k
p
、ki和kd参数变化曲线图。
具体实施方式
[0054]
以下结合具体实施例对本发明作详细说明。
[0055]
基于改进bp-pid算法的柴油机负载模式温控系统
[0056]
为背景技术中提到的问题，提高实际应用效果，扩充技术方案的应用范围，申请人在原方案的基础上提出了用于内燃机冷却控制的bp-pid改进算法，基于该改进和优化方法，能够使原方案进一步应用于复杂情况下下柴油机的冷却管理和温度控制，同时提高控制效率，降低数据资源的运算处理量，进而降低方案的实施成本以及对于软硬件的最低要求，有效拓展原方案的应用范围。
[0057]
考虑到柴油机运行过程中，冷却系统控制的滞后性特征，以及冷却系统内循环流动的冷却介质具有的存储和缓慢释放冷量的过程，因此在实际冷却系统运行过程中，不同状态时刻的系统状态之间具有较强的关联性，特定时间节点的状态与之前后时间点的状态息息相关并相互影响，在柴油机的非线性、强耦合、大迟滞特性下，这种关联影响是不可忽视的，特别是在bp-pid控制初期，bp网络的初始权值和阀值是初始化随机生成的，如果初始权值和阀值的分布和取值不合理，将导致bp-pid的初期控制品质不良(超调量大、调整时间长等)，并且在误差反向传播过程中，权值和阀值的进化可能进入局部最优，从而降低bp网络的学习效果，为此本技术通过优化原始方案，对阈值选择过程进行特定处理，进而提高冷却控制系统网络模型的匹配度，解决网络梯度突变引起的权值过大波动带来的系列问题，优化原始方案中的bp-pid控制算法逻辑流程。
[0058]
具体而言，本技术中用于内燃机冷却控制的bp-pid改进算法其具体步骤包括：
[0059]
步骤一：bp网络结构初始化，
[0060]
建立含有m层n个节点的bp网络，生成初始权值和阈值w
ij
(0)、w
jk
(0)，选定学习速率r和惯性系数此时k＝1，bp网络给出pid初始参数k
p
,ki,kd，由pid控制算法
输出控制量u(k)给执行元件，被控系统输出响应值y(k)；
[0061]
本技术中bp网络的结构是基于多层前馈神经网络，算法为误差反向传播学习算法。通常bp网络由一层输入层、一层或多层隐含层和一层输出层组成，网络节点由权值连接。针对不是请具体针对的应用场景，建立bp网络结构如图5所示，输入层神经元有3个，隐含层为1层，神经元有5个，输出层神经元有3个。
[0062]
输入层输入为x＝[x1,x2,x3,-1]
t
，x1、x2和x3分别为第k次采样时刻的目标温度r(k)、实测温度y(k)和误差e(k)，
“‑
1”用于为隐含层神经元引入阈值；w
ij
＝[w
1j
,w
2j
,w
3j
,w
4j
]表示隐含层第j个神经元与输入层第i个神经元的连接权值，w
4j
表示隐含层第j个神经元的阈值。
[0063]
隐含层第j个神经元的输入和输出：
[0064]
yj＝f(netj)
[0065]
隐含层输出为y＝[y1,y2,y3,y4,y5,-1]
t
，
“‑
1”用于为输出层神经元引入阈值。
[0066]wjm
＝[w
1m
,w
2m
,w
3m
,w
4m
,w
5m
,w
6m
]
t
表示输出层第m个神经元与隐含层各个神经元的连接权值，w
6m
表示输出层第m个神经元的阈值。
[0067]
输出层第m个神经元的输入和输出：
[0068]km
＝g(netm)
[0069]
输出层的输出为km＝[k1,k2,k3]
t
，对应pid参数k
p
,ki,kd。
[0070]
在bp网络中，激活函数选用sigmoid函数，f(
·
)采用正负对称的sigmoid函数，由于pid的三个参数必须是非负数，因此g(
·
)采用非负的sigmoid函数。
[0071]
步骤二：归一化处理，bp网络输出值的取值范围为0～1，冷却系统温度信号输入时进行归一化处理，输出控制量则进行反归一化；
[0072]
步骤三：比较目标值r(k)和系统响应值y(k)，计算误差e(k)＝r(k)-y(k)；
[0073]
步骤四：误差信号前向传递，并更新bp网络的权值和阀值，bp网络输出修正的k
p
,ki,kd；
[0074]
步骤五：根据修正的k
p
,ki,kd，pid输出新的控制量给执行元件，被控系统输出响应值y(k+1)；
[0075]
步骤六：判断误差e(k+1)是否满足要求，满足要求则结束循环，否则进行下一步；实现bpnn自学习；
[0076]
步骤七：更新误差值e(k+1)，根据e(k+1)调整权值和阈值；
[0077]
其中式中w
ij
(k)为bp网络连接权重，w(k)是指梯度；
[0078]
步骤八：返回步骤(3)，进行下一步循环。
[0079]
上述方案对于网络结构相对较低，运算复杂度较小的情况下能够有效控制bp网络的控制质量和学习效果，但其同样受到初始权值和阈值取值分布的直接影响，当无法有效确定合理的初始权值和阈值的时候，将难以保证网络控制质量，同时在进行误差反向传播过程中，使权值和阈值进入局部最优，进而直接影响bp网络的学习效果，为此本技术在前述
基础上，进一步提出利用遗传算法对bp-pid的初始权值和阈值进行全局寻优，进而优化网络控制质量和学习效果的改进方案，其具体流程如图3所示，具体步骤包括：
[0080]
①
以bp网络的初始权值和阀值为基因片段，组成染色体，根据权值和阀值的取值精度，对染色体进行二进制编码，随机生成初始种群；
[0081]
②
对权值和阈值进行解码，传递给bp网络；
[0082]
③
bp网络输出k
p
、ki、kd给pid中，pid输出控制量调节电控冷却水泵转速，获取冷却系统温控曲线；
[0083]
④
根据种群的温控曲线，计算bp-pid温控性能；
[0084]
⑤
判断进化代数，达到最高代数则结束进化，解码染色体，获取优化的初始权值和阈值，并继续步骤
⑥
；若未达到进化代数，则根据适应度筛选染色体，进行选择、交叉和变异，得到一个新的群体，并返回步骤
②
；
[0085]
特别的，由于遗传变异的随机性，在种群生长过程中，可能导致某一代种群中的若干最优个体被破坏，而在对柴油机温控数据进行测试中发现，上一代个体重的优秀个体一般情况下均优于下一代的劣质个体，为了提高算法效率，同时增强收敛性，本实施例中，在进行子代选择过程中，将当前种群中适应度最高的若干个体直接保留不进行遗传操作，使用剩余个体进行遗传变异操作，并用被保留的个体替换下一代种群中适应度最低的若干个体，最后生成新的种群；
[0086]
进一步的，为算法执行过程中，我们发现，当需要考虑的柴油机温控参数类型增多时，在多数情况下，随着种群代数的增加以及种群优质个体的比例增加，过高的变异概率将会生成不必要的劣质个体，影响搜索的效率，为此，在个体生成过程中，本技术采用将前述若干个是硬度最高的个体直接保留至下一代不进行变异的同时，对于剩余个体，采用自适应概率进行变异控制，本技术中，其变异率为：
[0087]
其中k
′
初始变异率，和k
″
是变异衰减系数，n是指当前迭代次数，g是指最大迭代次数，λ是指当前种群中某个体的适应度值；
[0088]
通过主动控制变异概率，本技术可以更好地控制遗传算法收敛效率以及控制自带个体的优劣比，更好地实现局部收敛，提高生成效率。
[0089]
⑥
解码最后一代的染色体，获取最优初始权值和阈值；
[0090]
上述用于优化初始权值和阈值的步骤的算法结构如图4所示，具体实施过程中，通过遗传算法对bp网络的初始权值和阀值进行优化，提高bp-pid的初始控制品质和bp网络的学习效果，优化后的bp网络与pid相结合，利用bp网络的自学习能力，根据目标温度r
in
、温度偏差e(k)、控制量u(k)和系统输出y
out
实时修正k
p
、ki、kd参数，调整控制量u(k)，使冷却系统温度不断趋近目标温度。
[0091]
为便于说明前述用于内燃机冷却控制的bp-pid改进算法的特征和应用场景，以柴油机推进特性50％为额定负荷点，基于本技术的用于内燃机冷却控制的bp-pid改进算法进行控制，分析控制算法在不同情况下下的温控特性。
[0092]
图6为温控曲线总体图，图7为负荷突变后温控曲线放大图，图8为施加稳定干扰后温控曲线放大图。从图6可知，基于本技术的用于内燃机冷却控制的bp-pid改进算法得到的温控曲线具有过度平稳、超调量小、调整时间短的特性，表现出良好的动、静态控制品质，负
荷突变及施加稳定干扰后，控制算法中中k
p
、ki和kd参数变化曲线如图9和图10所示。
[0093]
将申请人原控制方案的与本技术的方案的温控响应指标测试数据结果进行对比，其结果见表1所示：
[0094]
表1原方案和本技术改进方案的指标测试数据
[0095][0096][0097]
由表1可知，其各项关键指标的体现如下特征
[0098]
(1)阶跃响应特征
[0099]
稳定值：原方案和本技术方案的温控曲线最终均稳定在目标温度85℃。
[0100]
上升时间：原方案和本技术方案的上升时间分别为41s和47s，两者相近。
[0101]
峰值时间：原方案的响应速度稍快，但其产生了超调，峰值时间为58s，虽然本技术方案响应速度稍慢，但避免了超调，无峰值时间。
[0102]
超调量：原方案的超调量为11.8％，本技术方案无超调。
[0103]
调整时间：原方案和本技术方案的调整时间分别为250s和130s，后者为前者的52％。
[0104]
综上可知，本技术方案在响应速度、超调量和调整时间等性能方面表现良好，控制器接收到阶跃信号后，输出控制量更为精准，明显改善了初始阶段的控制品质。
[0105]
(2)负荷突变情况下
[0106]
稳定值：在第800s时刻，柴油机负荷率突增到80％，原方案和本技术方案的温控曲线最终均稳定在目标温度。
[0107]
超调量：原方案和本技术方案的超调量分别3.5％和2.35％，后者是前者的67.14％。
[0108]
调整时间：原方案和本技术方案的调整时间分别为112s和55s，后者是前者的49.11％。
[0109]
(3)施加干扰情况下
[0110]
稳定值：在第800s时刻，给控制系统施加一个稳定干扰信号，原方案和本技术方案的温控曲线最终均稳定在目标温度。
[0111]
超调量：bp-pid的超调量为1.2％，本技术方案的超调量为0.7％，后者是前者的58.11％。
[0112]
综上可知，负荷突变或施加稳定干扰后，相较于原方案，本技术方案的超调量更小，调整时间更短。
[0113]
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应
当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

技术特征：
1.一种用于内燃机冷却控制的bp-pid改进算法，其特征在于，包括如下步骤：步骤一：bp网络结构初始化，建立bp网络，生成初始权值和阈值w
ij
(0)、w
jk
(0)，i为网络层数，j为隐含层节点数；选定学习速率r和惯性系数0<η<1，bp网络给出pid初始参数k
p
,k
i
,k
d
，由pid控制算法输出控制量u(k)给执行元件，被控系统输出响应值y(k)；步骤二：归一化处理，bp网络输出值的取值范围为0～1，冷却系统温度信号输入时进行归一化处理，输出控制量则进行反归一化；步骤三：比较目标值r(k)和系统响应值y(k)，计算误差e(k)＝r(k)-y(k)；步骤四：误差信号前向传递，并更新bp网络的权值和阀值，bp网络输出修正的k
p
,k
i
,k
d
；步骤五：根据修正的k
p
,k
i
,k
d
，pid输出新的控制量给执行元件，被控系统输出响应值y(k+1)；步骤六：判断误差e(k+1)是否满足要求，满足要求则结束循环，否则进行下一步；更新误差值e(k+1)，根据e(k+1)调整权值和阈值，实现bpnn自学习；步骤七：返回步骤四，进行下一步循环。2.根据权利要求1所述的用于内燃机冷却控制的bp-pid改进算法，其特征在于，还包括用于优化初始权值和阈值的步骤，具体包括：
①
以bp网络的初始权值和阀值为基因片段，组成染色体，根据权值和阀值的取值精度，对染色体进行二进制编码，随机生成初始种群；
②
对权值和阈值进行解码，传递给bp网络；
③
bp网络输出k
p
、k
i
、k
d
给pid中，pid输出控制量调节电控冷却水泵转速，获取冷却系统温控曲线；
④
根据种群的温控曲线，计算bp-pid温控性能；
⑤
判断进化代数，达到最高代数则结束进化，解码染色体，获取优化的初始权值和阈值，并继续步骤
⑥
；若未达到进化代数，则根据适应度筛选染色体，进行选择、交叉和变异，得到一个新的群体，并返回步骤
②
；
⑥
解码最后一代的染色体，获取最优初始权值和阈值。3.根据权利要求2所述的用于内燃机冷却控制的bp-pid改进算法，其特征在于，所述步骤四中，更新bp网络的权值和阀值时，第k步输入层与隐含层、隐含层与输出层的权值的修正量分别为：δw
ij
(k+1)＝ηδ
j
x
i
(k)δw
jm
(k+1)＝ηδ
m
y
j
(k)(k)式中，η表示学习速率，g'[x]＝g(x)[1-g(x)],f'[x]＝[1-f2(x)]/2；i是指输入层神经元个数，j是指隐含层神经元个数，k是指输出层神经元个数；x
i
(k)是指输入层的输出量；y
j
(k)是指隐含层的输出量。
4.根据权利要求2所述的用于内燃机冷却控制的bp-pid改进算法，其特征在于，所述步骤
⑤
还包括，在进行子代生成过程中，将当前种群中适应度最高的若干个体直接保留不进行遗传操作，使用剩余个体进行遗传变异操作，并用被保留的个体替换下一代种群中适应度最低的若干个体，最后生成新的种群。5.根据权利要求1所述的用于内燃机冷却控制的bp-pid改进算法，其特征在于，所述bp网络为多层前馈神经网络，采用误差反向传播学习算法，其具体结构中包括一层输入层、一层隐含层和一层输出层，输入层神经元有3个，隐含层为1层，神经元有5个，输出层神经元有3个；输入层输入为x＝[x1,x2,x3,-1]
t
，x1、x2和x3分别为第k次采样时刻的目标温度r(k)、实测温度y(k)和误差e(k)，
“‑
1”用于为隐含层神经元引入阈值；w
ij
＝[w
1j
,w
2j
,w
3j
,w
4j
]表示隐含层第j个神经元与输入层第i个神经元的连接权值，w
4j
表示隐含层第j个神经元的阈值；隐含层第j个神经元的输入和输出为：y
j
＝f(net
j
)隐含层输出为y＝[y1,y2,y3,y4,y5,-1]
t
，
“‑
1”用于为输出层神经元引入阈值；w
jm
＝[w
1m
,w
2m
,w
3m
,w
4m
,w
5m
,w
6m
]
t
表示输出层第m个神经元与隐含层各个神经元的连接权值，w
6m
表示输出层第m个神经元的阈值；输出层第m个神经元的输入和输出为：k
m
＝g(net
m
)输出层的输出为k
m
＝[k1,k2,k3]
t
，对应pid参数k
p
,k
i
,k
d
；在bp网络中，激活函数选用sigmoid函数，f(
·
)采用正负对称的sigmoid函数，由于pid的三个参数必须是非负数，因此g(
·
)采用非负的sigmoid函数。6.根据权利要求4所述的用于内燃机冷却控制的bp-pid改进算法，其特征在于，所述步骤
⑤
在个体生成过程中，将前述若干个是硬度最高的个体直接保留至下一代不进行变异的同时，对于剩余个体，采用自适应概率进行变异控制，本申请中，其变异率为：其中k
′
初始变异率，和k
″
是变异衰减系数，n是指当前迭代次数，g是指最大迭代次数，λ是指当前种群中某个体的适应度值。

技术总结
本发明属于内燃机温控、方法技术领域，尤其涉及一种用于内燃机冷却控制的BP-PID改进算法。包括如下步骤：BP网络结构初始化，计算误差；更新BP网络的权值和阀值，输出新的控制量给执行元件，判断误差；更新误差值，根据调整权值和阈值，实现BPNN自学习；进行下一步循环。本申请的用于内燃机冷却控制的BP-PID改进算法具备响应速度快、超调量小、调整时间短、过度平稳、精度高的温控特性，表现出良好的动、静态控制品质，其在各项关键指标上都具有极大提升。其在各项关键指标上都具有极大提升。其在各项关键指标上都具有极大提升。


技术研发人员：张萍 张博 郑先全 郭旭 吴昕 王银
受保护的技术使用者：中国人民解放军海军工程大学
技术研发日：2023.05.08
技术公布日：2023/9/23