模糊机器学习方法在热轧层流冷却中的应用

论文摘要

热轧带钢层流冷却过程是通过层流冷却装置将带钢按照工艺要求从终轧温度冷却到相变后的卷取温度，最终获得性能良好的热轧带钢产品。由于热轧带钢层流冷却过程具有强非线性、参数时变、工况变化频繁、以及冷却带钢的温度不能连续检测等综合复杂特性，给其过程建模与控制带来了很大的难度。在实际生产中，层流冷却过程控制对于提高产品质量和热轧冷却设备的安全可靠运行都具有重要的意义。本文以国家重点基础研究发展计划973课题“复杂工业生产过程实时智能控制理论与算法研究”（2002CB312201）的子课题“基于数据的模糊规则提取方法及其应用研究”（2002CB312201-06）为背景，在AFS（Axiomatic Fuzzy Set）模糊逻辑系统框架内，借鉴经典机器学习算法，针对热轧带钢层流冷却过程中优化部分与建模部分的补偿控制器设计中存在的问题之一—PI参数的整定进行了深入的研究。本文的具体内容如下：（1）第一章第一节介绍了所研究问题的实际工业背景，简述了热轧带钢层流冷却的含义和作用及热轧带钢层流冷却技术的研究现状和发展趋势；并详细介绍了本文中所研究的前馈和反馈补偿控制器的结构及其作用；第一章第二节介绍了机器学习及案例推理技术的发展现状及其应用研究状况。第二章介绍了AFS理论的基本思想和相关定义。（2）第三章把AFS模糊逻辑和案例推理技术结合起来，提出了一种模糊案例推理算法，并把该算法运用到热轧带钢层流冷却过程优化部分的前馈和反馈补偿控制器的PI参数整定问题中，并利用实际工业过程中测得的优化部分输入输出数据对算法进行了实现。（3）第四章中对第三章的模糊案例推理算法进行了改进，利用模糊聚类分析、属性格贴近度、逆向提取模糊规则、模糊规则简化等方法，提出了一种新的基于输入输出数据的模糊规则提取算法，并将该算法运用到热轧带钢层流冷却过程建模部分的反馈补偿控制器的P参数整定中，并利用实测的工业控制过程中的两组输入输出数据对该算法进行了实现。第五章介绍了东北大学自动化中心的层流冷却过程优化设定控制仿真实验平台，在加入反馈补偿控制器后的仿真实验结果：降低了带钢热轧时的卷曲温差，提高了控制效果。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 热轧层流冷却过程简介
• 1.1.1 热轧层流冷却的含义
• 1.1.2 热轧层流冷却过程介绍
• 1.1.3 热轧层流冷却技术的发展趋势
• 1.1.4 本文所面临的问题
• 1.2 机器学习方法简介
• 1.2.1 机器学习及其分类
• 1.2.2 案例推理的产生
• 1.2.3 案例推理的基本原理
• 1.3 本文对存在的问题所做的工作
• 2 AFS理论的基本思想和相关定义
• 2.1 AFS理论简述
• 2.2 AFS模糊逻辑的相关内容
• 2.2.1 EI代数和 EII代数
• 2.2.2 AFS结构
• 2.2.3 AFS模糊逻辑
• 2.3 AFS模糊逻辑的实际应用
• 2.3.1 关于隶属函数的定义
• 2.3.2 基于AFS模糊逻辑的模糊聚类分析
• 3 模糊案例推理（CBR）算法在层流冷却控制中的应用
• 3.1 模糊案例推理的应用背景
• 3.2 模糊案例推理算法
• 3.2.1 算法描述
• 3.2.2 工艺说明
• 3.2.3 算法示意图
• 3.3 对本章所使用数据的说明
• 3.3.1 输入输出数据说明
• 3.4 模糊案例推理算法的应用
• 3.4.1 优化部分数据:前馈补偿比例积分参数数据
• 3.4.2 优化部分数据:反馈补偿比例积分系数数据
• 3.4.3 结果误差分析
• 3.5 关于本章的小结
• 4 一种新的模糊规则提取方法及其应用研究
• 4.1 模糊规则提取技术的发展
• 4.2 输入变量的聚类分析和模糊集合的初始确定
• 4.2.1 输入属性的聚类分析
• 4.2.2 模糊集合及其隶属函数的确定
• 4.2.3 逆向规则提取中样本属性的约简与排序
• 4.3 模糊规则的提取
• 4.3.1 模糊规则的删除与合并
• 4.3.2 从模糊规则库中求取新来样本的控制比例系数
• 4.3.3 新的模糊规则提取算法示意图
• 4.4 带钢数据仿真
• 4.4.1 硬度等级为320带钢数据仿真-1
• 4.4.2 硬度等级为320带钢数据仿真-2
• 4.4.3 结果误差分析
• 4.5 关于本章小结
• 5 层流冷却仿真平台介绍
• 5.1 仿真平台的前台人机交互界面
• 5.2 集成测试仿真结果
• 6 模糊机器学习的应用及发展前景
• 结论
• 参考文献
• 课题资助情况
• 攻读硕士学位期间发表学术论文情况
• 致谢