冷连轧机板形智能控制系统的研究

论文摘要

板形是板带材重要的质量指标之一,板形控制技术是现代高精度板形轧机的关键技术。板形识别与板形控制技术的智能化实现是现代板带轧机控制中的前沿性研究课题。本文以冷连轧机板形智能控制系统为研究对象,对板形模式识别、执行机构控制策略及板形综合控制系统进行了理论研究和仿真分析。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方法、神经网络识别方法各自存在的问题,设计了基于二进制编码和实数编码相结合的GA-BP网络,并利用该网络建立了板形智能识别模型。该模型只用3个输入信号3个输出信号,网络内部各层的物理意义明确,识别速度快,精度高,为板形模式识别提供了一种简便实用的方法。板形执行机构具有非线性、时变性、强耦合、干扰严重等特点,使用基于经验模型的经典控制方法和现代控制方法很难得到较好的控制效果。针对这一问题,本文设计了基于DRNN动态神经网络和最小方差自校正控制的内模控制策略。这种控制策略能够动态的辨识出系统的模型及逆模型,因此对系统模型的依赖性很小,能够有效的克服模型变化以及各种非线性因素的不利影响,充分发挥板形执行机构的调整作用,从而改善系统的动态性能。以现场实际数据为依据,设计了板形控制器神经网络模块和板形计算神经网络模块,结合前面所设计的板形智能模式识别方法、板形执行机构智能控制策略,构建了冷连轧机板形综合智能控制系统。并经过一定的简化处理,在MATLAB的Simulink环境下完整搭建了板形综合智能控制系统的仿真框图,并进行了相应的仿真研究。仿真结果表明,本文所设计的板形综合智能控制系统的控制效果很好,可以将板形控制在±3I范围内,并且对模型和环境的变化具有较强的自学习和自适应能力,是冷连轧机板形控制的一种有效途径。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究的目的和意义
• 1.2 板形控制系统的发展概况
• 1.2.1 板形模式识别方法的研究进展
• 1.2.2 板形控制技术的发展
• 1.2.3 板形控制存在的问题及发展方向
• 1.3 人工智能在轧制领域的发展
• 1.4 本文的主要工作
• 第2章 板形控制的基本原理
• 2.1 板形的基本概念
• 2.2 板形缺陷的表示方式
• 2.2.1 波形表示法
• 2.2.2 相对长度差表示法
• 2.2.3 张力差表示方法
• 2.2.4 带钢断面形状的多项式表示法
• 2.3 板形良好的条件及板形缺陷的分类
• 2.3.1 板形良好的条件
• 2.3.2 板形缺陷的分类
• 2.4 影响板形的因素及板形控制手段
• 2.4.1 影响板形的因素
• 2.4.2 板形的控制手段
• 2.5 本章小结
• 第3章 板形智能模式识别
• 3.1 板形模式识别方法
• 3.1.1 传统板形模式识别方法
• 3.1.2 基于神经网络的板形模式识别方法
• 3.2 BRE-GA-BP网络的设计
• 3.2.1 编码方案
• 3.2.2 初始化
• 3.2.3 适应度函数的确定
• 3.2.4 遗传操作
• 3.2.5 遗传算法和BP算法相结合
• 3.3 标准板形模式的确立
• 3.4 基于BRE-GA-BP网络的板形模式识别
• 3.4.1 BRE-GA-BP网络输入参数
• 3.4.2 BRE-GA-BP网络的输出参数
• 3.4.3 训练样本的选取
• 3.4.4 板形模式识别效果分析
• 3.5 本章小结
• 第4章 板形执行机构智能控制策略的研究
• 4.1 内模控制
• 4.1.1 内模控制概述
• 4.1.2 基于神经网络的模型辨识
• 4.1.3 基于神经网络的逆模型的辨识
• 4.1.4 DRNN-MVSTC-IMC控制算法的设计
• 4.2 板形执行机构的模型
• 4.3 板形执行机构智能控制系统的设计
• 4.3.1 神经网络辨识器NNI的设计
• 4.3.2 最小方差自校正内模控制器NNC的设计
• 4.4 板形执行机构智能控制系统的仿真研究
• 4.5 本章小结
• 第5章 冷连轧板形智能控制系统的研究
• 5.1 冷连轧板形综合智能控制系统
• 5.2 板形控制器模块及板形计算模块的设计
• 5.2.1 板形控制器的设计
• 5.2.2 板形计算模块的设计
• 5.3 冷连轧板形智能控制系统仿真框图的搭建
• 5.4 冷连轧板形智能控制系统仿真及结果分析
• 5.5 本章小结
• 第6章 结论
• 参考文献
• 致谢