高精度宽带钢冷轧机板形模糊神经控制的研究

论文摘要

本文以人工智能理论为基础,选择具有理论和工程实际意义的高精度宽带钢冷轧机板形智能控制为研究课题,进行了深入的理论研究、仿真研究和工业实验研究,取得了新的研究成果。 板形模式识别是板形控制的关键。针对板形模式识别的传统识别方法、模糊识别方法和神经网络识别方法等各自存在的问题,首次建立了以勒让德正交多项式为基模式、以模糊逻辑专家经验知识为支撑、基于遗传-BP算法混合优化、只用3个输入信号、3个输出信号的板形模式识别模糊神经网络模型。该模型不仅网络内部各层节点的物理意义明确,而且自适应能力和抗干扰能力强、识别速度快、精度高,可以满足带钢冷轧机高精度板形控制的要求,为板形模式识别提供了简便实用的新方法。 液压弯辊是板形控制系统最基本的环节,它的动态特性和稳态性能对于整个板形控制系统的性能起着至关重要的作用。针对液压弯辊板形控制系统,建立了电液伺服压力（油压）控制系统的数学模型,制定了一种遗传单神经元自适应模糊控制策略并应用于带钢板形控制中,以提高带钢的成材率,充分发挥液压弯辊力对板形的调整作用,改善轧机系统的动态特性。探索了一种非解析原理的弯辊板形自动控制建模方法,解决了系统建模带来的诸多困难。 板形预报模型是板形控制系统设计的重要基础,无论是板形控制系统中的调节机构控制特性分析,还是在线实时控制,都需要精确的板形预报模型。快速精确的板形预报模型必将提高板形控制系统的控制精度。传统的机理模型通过研究轧制金属内部三维塑性变形和轧辊的弹性变形,建立板形预报模型。由于受到金属本性、轧制条件、轧制设备等多方面因素的制约,同时板形控制系统是一个多变量、非线性、强耦合和纯滞后的控制系统,很难建立其精确的数学模型,因此机理模型难于用在板形在线预报中。为了提升板形预报模型的快速性和准确性,本文以生产实测数据为基础,建立了模糊神经组合式板形在线预报模型。将Elman动态递归神经网络及模糊控制技术引入到了板形预报中,它克服了机理模型中的反复迭代、计算时间长、无法考虑在线动态扰动及多层前馈神经网络存在的易将动态建模变成静态建模问题的缺点,探索了一种非解析原理的板形建模方法,解决了复杂系统建模带来

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究的目的和意义
• 1.2 人工智能在轧制中的导入
• 1.2.1 需求驱动
• 1.2.2 传统轧制过程分析方法的缺陷
• 1.2.3 现代轧制技术的特点
• 1.3 人工智能在轧制领域的作用
• 1.4 人工智能在轧制中的应用状况
• 1.4.1 国外发展概况
• 1.4.2 国内发展概况
• 1.4.3 最新进展
• 1.5 模糊神经技术的结合与发展
• 1.5.1 模糊技术与神经网络的概述
• 1.5.2 模糊技术与神经网络的结合
• 1.5.3 模糊神经技术的发展动态
• 1.6 板形模式识别模型的研究进展
• 1.7 板形建模的研究进展
• 1.7.1 板形传统建模方法的缺陷
• 1.7.2 基于人工智能板形建模方法的先进性
• 1.7.3 基于人工智能板形控制策略的先进性
• 1.8 课题来源与主要研究内容
• 1.8.1 课题来源
• 1.8.2 主要研究内容
• 第2章 板形模式识别的模糊神经方法
• 2.1 概述
• 2.2 自调整模糊神经网络的特点
• 2.3 自调整模糊神经网络的理论模型
• 2.3.1 遗传算法简介
• 2.3.2 模糊系统的标准模型描述
• 2.3.3 模糊神经网络的结构
• 2.3.4 模糊神经网络的遗传-BP算法混合优化
• 2.3.5 仿真实例
• 2.4 自调整模糊神经网络板形模式识别模型的建立
• 2.4.1 板形标准模式曲线的选择
• 2.4.2 板形模式识别网络结构
• 2.4.3 板形模式识别步骤
• 2.5 自调整模糊神经网络板形模式识别效果分析
• 2.6 本章小结
• 第3章 液压弯辊系统的模糊神经控制
• 3.1 概述
• 3.2 液压弯辊力控制系统的数学模型
• 3.3 液压弯辊力的控制算法
• 3.4 PID控制算法
• 3.4.1 PID控制原理
• 3.4.2 数字PID控制算法
• 3.5 模糊控制算法
• 3.6 自适应模糊控制算法
• 3.6.1 自适应模糊控制器的结构
• 3.6.2 模糊控制查询表的在线自调整
• 3.6.3 遗传单神经元混合学习算法
• 3.7 液压弯辊控制系统的仿真
• 3.8 液压弯辊控制系统的实验研究
• 3.8.1 弯辊力控制系统的组成
• 3.8.2 弯辊力控制系统原理图
• 3.8.3 弯辊力控制系统实时控制软件
• 3.9 本章小结
• 第4章 1220冷连轧机板形预报的模糊神经方法
• 4.1 概述
• 4.2 系统结构
• 4.3 自适应Elman动态递归网络建模
• 4.3.1 网络结构
• 4.3.2 学习算法
• 4.3.3 隐节点数的设计
• 4.3.4 学习速率的模糊自适应控制
• 4.3.5 自适应动态网络实现方法
• 4.4 自适应Elman动态递归网络主预报模型的仿真验证
• 4.5 1220冷连轧机板形主预报模型的建立
• 4.6 模糊控制修正子预报模型的建立
• 4.7 1220冷连轧机板形在线预报的工业生产验证
• 4.7.1 模糊控制修正力度及闭环反馈结构的设置
• 4.7.2 板形预报网络训练样本的构成
• 4.7.3 板形预报效果
• 4.7.4 预报效果分析
• 4.8 本章小结
• 第5章 1220冷连轧机板形模糊神经控制策略与仿真
• 5.1 概述
• 5.2 板形控制思想
• 5.3 板形调节手段
• 5.4 板形自调整模糊控制模型
• 5.4.1 板形模糊控制系统的结构
• 5.4.2 应用模糊推理合成法建立模糊模型
• 5.4.3 建立模糊控制查询表
• 5.4.4 模糊控制器参数在线自调整
• 5.5 板形自适应单神经元网络控制模型
• 5.5.1 自适应单神经元模型
• 5.5.2 自适应单神经元网络控制器的设计与训练
• 5.6 模糊切换方案的设计
• 5.7 冷连轧机综合板形控制系统
• 5.8 板形控制策略的仿真研究
• 5.9 本章小结
• 第6章 1220冷连轧机板形模糊神经控制的工业实验研究
• 6.1 概述
• 6.2 实验条件
• 6.3 在线过程控制系统概况
• 6.3.1 计算机控制系统的组成
• 6.3.2 板形控制系统的组成
• 6.4 板形控制系统的程序设计
• 6.5 智能控制的应用实践
• 6.6 实验结果分析
• 6.7 本章小结
• 结论
• 参考文献
• 攻读博士学位期间承担的科研任务与主要成果
• 致谢
• 作者简介