智能自适应解耦控制及其在板形板厚综合控制中的应用

论文摘要

板形和板厚是现代板带生产中两个非常重要的质量控制指标,板形、板厚质量控制水平的高低直接关系到板带钢制成品质量的优劣和板带钢市场销售的好坏,因此,板厚和板形控制功能是板带轧机自动控制系统中两个最主要的功能。板形、板厚两者之间相互关联、相互交叉、耦合程度严重。因此,两者构成了一个多变量、强耦合复杂控制系统。本文通过分析这一系统各变量之间耦合关系和各个变量的变化规律,研究了影响板形板厚两个重要质量指标的主要因素,建立了板形板厚综合控制系统控制模型,并针对山东莱钢1500mm热连轧带钢精轧六机架板形板厚控制要求,研究、设计了三种控制方法。根据板形板厚综合控制系统的特点:难以进行精确计算、难以建立精确数学模型、控制变量多、强耦合等,本文将基于遗传算法和神经网络的智能控制方法应用于板形板厚综合控制系统中,提高了板形板厚控制精度,主要所作的研究工作有:(1)通过对多变量神经网络控制器结构研究,在不变性原理的基础上提出了多变量串联补偿神经网络解耦控制方法。通过采用神经网络解耦补偿控制,在不影响系统控制功能和性能的前提下,实现了多变量之间的解耦,优化了控制系统的性能指标。(2)通过对标准遗传算法(Standard Genetic Algorithm简称SGA)的原理、控制参数的选择、遗传操作、编码方式等方面的分析、研究,针对SGA存在的易陷入局部最优、早熟以及多值参数优化中存在的二进制编码串过长等影响遗传算法的计算精度和运行效率的缺陷,对遗传算法进行改进,提出了基于实数编码的自适应竞争遗传算法(Adaptive Compete Genetic Algorithm简称ACGA)。采用ACGA、自适应遗传算法(Adaptive Genetic Algorithm简称AGA)和SGA对几个标准测试函数作了优化仿真,结果表明ACGA的性能要优于SGA和AGA的性能。同时,采用ACGA优化所设计的几种控制器的仿真和实际应用也表明ACGA能够较好地消除SGA所存在的缺陷,其学习效率、收敛速度等明显优于SGA和AGA。(3)针对广义预测控制的特点及实际应用情况,在总结原参考轨线的基础上,根据原参考轨线柔化系数不易精确确定、轨线参考性因人而异、准确度有待提高等不足,提出了一种新的参考轨线算法—自适应参考轨线,使得参考轨线跟踪系统输入输出的差值,提高了参考轨线精度。同时进一步研究了基于神经网络的预测控制算法,将神经网络与预测控制的融合,设计了一种神经网络预测控制器,改进了对多变量、非线性控制系统的预测控制性能,提高了1500mm热连轧精轧六机架板形板厚控制的实时性精度,增强了系统稳定性。(4)针对常规PID控制算法易于实现,但对系统参数变化适应性差的特点,将ACGA应用到PID控制器的参数在线优化中。通过仿真验证表明,本文所研究的智能控制方法对PID控制性能改进效果明显,不仅实现了PID参数的在线自整定,而且提高了系统的控制精度和响应速度。通过在精轧机上实际应用,表明基于ACGA的PID控制方法的性能明显优于传统PID控制效果。最后,将所研究的智能控制方法应用于山东莱钢集团1500mm热连轧带钢项目精轧六机架板形板厚综合控制系统中,通过对板形板厚实际控制效果比较情况看,基于ACGA多变量神经网络自适应解耦预测控制方法实时性和控制精度更好,而且控制系统设计不依赖于对象精确的数学模型,控制方法简单易行,易于实现,能够很好地满足当今板形板厚质量综合控制目标的要求。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 板形板厚控制技术的发展现状
• 1.1.1 板形板厚控制技术
• 1.1.2 板形板厚控制技术发展现状综述
• 1.1.3 智能控制方法在板形板厚控制系统中的应用综述
• 1.2 智能自适应解耦控制的发展
• 1.3 本课题研究背景及主要研究内容
• 1.4 章节安排
• 第二章 板形板厚综合控制系统的基本概念及数学模型
• 2.1 板形板厚控制基本概念
• 2.2 板形板厚相关模型及参数的计算
• 2.2.1 轧制力模型
• 2.2.2 能耗模型
• 2.2.3 温降模型
• 2.2.4 速度设定模型
• 2.2.5 辊缝设定模型
• 2.2.6 弯辊力设定模型
• 2.3 板形板厚综合控制系统模型
• 2.3.1 弹跳方程
• 2.3.2 辊缝方程
• 2.3.3 厚度控制数学模型
• 2.3.4 板形控制数学模型
• 2.4 模型仿真及实际应用
• 2.4.1 精轧模型仿真计算
• 2.4.2 实际应用
• 2.5 本章小结
• 第三章 遗传算法及其改进
• 3.1 遗传算法的基本思想和方法
• 3.1.1 遗传算法的基本思想
• 3.1.2 遗传算法优化的基本特点
• 3.2 遗传算法的实现步骤
• 3.2.1 遗传算法的基本操作方法
• 3.2.2 遗传算法实现的一般步骤及具体操作方法
• 3.3 遗传算法的特性分析
• 3.3.1 遗传算法参数的选择原则
• 3.3.2 遗传算法的收敛性分析
• 3.4 遗传算法的改进——自适应竞争遗传算法（ACGA）
• 3.5 遗传算法优化的仿真实验
• 3.6 本章小结
• 第四章 基于ACGA的板形板厚综合系统解耦PID控制
• 4.1 PID控制算法及参数选择
• 4.2 AGC-ASC综合系统多变量解耦PID控制
• 4.2.1 多变量系统的耦合程度分析
• 4.2.2 解耦控制系统的设计
• 4.2.3 基于ACGA的解耦PID控制
• 4.3 适应度函数的确定
• 4.4 仿真验证
• 4.5 本章小结
• 第五章 基于ACGA的板形板厚综合系统多变量神经网络解耦控制
• 5.1 神经网络的研究进展
• 5.2 神经网络的基本原理
• 5.2.1 神经元的数学模型
• 5.2.2 神经元的特性
• 5.2.3 神经网络的学习方式
• 5.3 BP神经网络及其信息处理
• 5.3.1 BP网络基本结构
• 5.3.2 BP网络算法
• 5.4 BP网络模型的几种改进方法
• 5.5 神经网络应用及各网络参数确定原则
• 5.6 多变量神经网络解耦控制
• 5.6.1 多变量系统结构
• 5.6.2 PID神经网络计算方法
• 5.6.3 PID神经网络解耦控制机理及系统构成
• 5.7 基于ACGA的多边量神经网络解耦控制
• 5.7.1 遗传算法与神经网络相结合的优势
• 5.7.2 基于遗传算法的PID神经网络优化设计
• 5.7.3 基于ACGA的PID神经网络解耦控制仿真
• 5.8 基于ACGA的PID神经网络解耦控制的实际应用
• 5.9 本章小结
• 第六章 基于ACGA的板形板厚综合系统神经网络解耦预测控制
• 6.1 预测控制
• 6.1.1 预测控制的理论及方法
• 6.1.2 参考轨线的改进—自适应参考轨线算法
• 6.1.3 预测控制性能分析
• 6.2 神经网络解耦预测控制
• 6.2.1 模型预测
• 6.2.2 反馈校正
• 6.2.3 参考轨迹
• 6.2.4 滚动优化计算
• 6.3 板形板厚神经网络解耦预测控制
• 6.3.1 板形板厚预测及控制
• 6.3.2 BP神经网络板形板厚预测模型的建立
• 6.4 基于ACGA的BP神经网络板形板厚解耦预测控制
• 6.4.1 预测模型建立
• 6.4.2 基于ACGA的BP神经网络板形板厚解耦预测控制的设计
• 6.5 实际运行试验
• 6.6 本章小结
• 第七章 板形板厚智能自适应解耦综合控制系统的开发与应用
• 7.1 板形板厚系统构成
• 7.2 系统主要硬件
• 7.2.1 凸度仪
• 7.2.2 平坦度仪
• 7.2.3 测厚仪
• 7.3 系统软件开发
• 7.3.1 板形控制模型
• 7.3.2 板厚控制模型
• 7.4 板形板厚综合控制应用及其分析
• 7.5 本章小结
• 第八章 总结与展望
• 8.1 全文总结
• 8.2 今后工作展望
• 参考文献
• 附录1 运用本文方法优化的某规格轧制规程
• 附录2 博士期间发表论文及完成科研项目列表
• 致谢