宽带钢冷轧机板形在线控制智能模型的研究与应用

论文题目: 宽带钢冷轧机板形在线控制智能模型的研究与应用

论文类型: 博士论文

论文专业: 机械设计及理论

作者: 何海涛

导师: 刘宏民

关键词: 宽带钢冷轧机,板形,模式识别,在线控制,影响矩阵,轧制力预报,神经网络,聚类,支持向量机

文献来源: 燕山大学

发表年度: 2005

论文摘要: 板形控制是现代高精度宽带钢冷轧机的关键技术和重要的技术发展方向。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宽带钢冷轧机板形在线智能控制为研究课题,进行了深入的理论研究与工业应用研究,取得了新的研究成果。首先,针对基于神经网络的板形模式识别模型和板形预测模型存在的结构难以确定、学习时间长等问题,提出了基于SVM(Support Vector Machine)的RBF(RadialBasis Function)网络板形模式识别模型和板形预测模型的设计方法,建立了结构和性能较优化的板形模式识别RBF网络模型及板形预测RBF网络模型。该方法基于支持向量机SVM与三层前向网络结构的等价性,采用SMO(Sequential MinimalOptimization)算法训练SVM,得到RBF网络较优的初始结构和参数,最后用BP(BackPropagation)算法对网络结构作优化调整,解决了RBF网络模型的结构中核函数与隐层节点参数难以确定的问题,为板形在线模式识别模型和板形在线预测模型的建立提供了新方法。其次,针对传统效应函数法和板形静态影响矩阵的不足,通过对轧机板形调节能力特性的分析,提出了板形控制的动态影响系数矩阵法。该方法指出即使在相同规格、相同工况下,相同的板形调节变化量在不同状态下对各个板形标准模式的影响也是不同的。因此,需要在线计算动态影响矩阵以反映各调节手段对板形变化的影响效果,进而确定新的调节量。为了在线求得不断变化的影响系数,提出了建立基于聚类的模糊神经网络板形动态影响矩阵模型来求解影响矩阵的方法。将模糊聚类引入模糊神经网络的建模中,聚类中心个数确定了模糊神经网络模型的规则隐层节点数,解决了网络结构难以确定的问题,聚类后规则的合并有效减少了规则数和隐层结点数,优化了网络结构,不仅使板形动态影响矩阵模型满足在线实时性要求,而且由于模糊规则可自动生成,总结出各调节量对各板形标准模式的影响规律,帮助指导生产。为验证提出的基于模糊神经网络模型的板形动态影响系数控制方法的正确性和有效性,设计了板形动态影响系数控制方法的系统结构方案,以1220冷连轧机为对象进行了工业实验研究。最后,针对平整过程中影响板形的重要因素——轧制力的预报展开研究,提出双机架平整机轧制力预报的综合神经网络方法。对消除来料板形缺陷所需的最小延伸率进行了研究,设计出双机架平整机延伸率分配系数计算模型。开发出了一套针对双机架平整机的摩擦系数返算数学模型,为现场轧制压力预设定系统的开发奠定了坚实的理论基础。建立了变形抗力神经网络模型,解决了轧制力模型中变形抗力需要通过实验才能获得的问题。在此基础上,将具有延伸率分配计算功能的轧制力机理模型、机理模型自适应自学习与神经网络模型结合,建立了双机架平整机轧制力预报综合神经网络模型。为验证双机架平整机轧制力预报综合神经网络方法的有效性,以1220双机架平整机为对象进行了工业实验研究与应用。为此,在原计算机二级机控制系统中设计了新的系统结构方案,设计并开发了一套1220双机架平整机轧制力预报系统程序,并对实验结果进行了分析。选择具有理论和工程实际意义的宽带钢冷轧机板形在线控制智能模型为研究课题,对板形模式识别、在线预报、控制和预设定等进行了理论、仿真和工业实验研究与应用,不仅对板形模式识别与控制理论的发展有重要意义,而且对于实现板形在线高精度实时控制和推动板形控制技术的发展,具有实用价值。

论文目录:

摘要

Abstract

第1章绪论

1.1 研究的目的和意义

1.2 轧制过程中智能化方法的综合运用状况

1.2.1 国外发展概况

1.2.2 国内发展概况

1.3 板形模式识别模型的研究进展

1.3.1 传统板形模式识别模型的研究概况

1.3.2 基于人工智能方法的板形模式识别模型的研究进展

1.4 板形智能控制研究现状

1.5 模糊神经智能控制方法的研究概况

1.5.1 基于聚类的模糊神经控制的研究背景

1.5.2 聚类与模糊规则学习的研究现状

1.6 平整过程板形控制技术的研究现状

1.6.1 平整轧制力模型概述

1.6.2 平整机的延伸率控制研究现状

1.7 课题来源与主要研究内容

1.7.1 课题来源

1.7.2 主要研究内容

第2章基于SVM的RBF网络板形模式识别模型与预测模型的研究

2.1 概述

2.2 RBF神经网络及其特点

2.3 RBF网络板形模式识别模型

2.3.1 板形的基本模式及数学表达式

2.3.2 基于传统输入的板形智能模式识别方法及局限性

2.3.3 基于模糊距离差的网络输入及输出

2.4 基于SVM的RBF网络结构模型的构造

2.4.1 SVM与RBF网络结构等价性

2.4.2 RBF网络的中心及权值的确定

2.4.3 RBF网络的BP算法优化

2.5 基于SVM-RBF网络模型的板形模式识别算法

2.5.1 板形模式识别模型的构造算法

2.5.2 基于生产数据的板形模式识别模型的构造算法

2.5.3 基于SVM的RBF网络板形模式识别算法

2.6 1220冷连轧机板形预测模型的建立

2.7 仿真实验

2.7.1 SVM-RBF板形模式识别效果分析

2.7.2 不同板形模式识别方法比较

2.7.3 基于SVM-RBF的板形预测模型仿真效果

2.8 本章小结

第3章基于动态影响矩阵的冷连轧机板形控制方法

3.1 概述

3.2 板形控制的影响矩阵法

3.2.1 板形控制智能方法的先进性

3.2.2 板形控制的静态影响矩阵法及其局限性

3.3 板形控制的动态影响矩阵法

3.3.1 影响系数的特性分析

3.3.2 板形控制的动态矩阵法方案设计

3.4 影响系数矩阵模型的设计

3.4.1 求解动态影响系数矩阵问题的特点

3.4.2 模糊系统标准模型描述

3.4.3 板形动态影响矩阵网络模型的构造

3.5 影响系数矩阵模型的优化

3.5.1 模糊神经网络存在的问题

3.5.2 基于聚类的模糊神经网络模型

3.5.3 模糊规则的形式描述

3.5.4 样本数据预处理

3.5.5 模糊规则的自动生成

3.5.6 模糊规则的在线自学习

3.6 板形控制调节量的确定

3.7 仿真实验

3.7.1 聚类构造过程仿真

3.7.2 基于聚类的模糊神经网络仿真实例

3.8 本章小结

第4章 1220冷连轧机板形动态影响矩阵控制方法的工业实验研究

4.1 概述

4.2 实验条件

4.3 1220冷连轧机在线过程控制系统概况

4.3.1 计算机控制系统的组成

4.3.2 板形控制系统的组成

4.4 影响系数矩阵控制方法的仿真结果分析

4.5 影响系数矩阵控制方法的工业实验结果

4.6 本章小结

第5章双机架平整机轧制力预报的综合神经网络方法

5.1 概述

5.2 双机架平整机摩擦系数与变形抗力返算模型研究

5.2.1 摩擦系数与变形抗力返算模型

5.2.2 摩擦系数与变形抗力返算模型算法

5.3 摩擦系数与变形抗力神经网络预报方法

5.4 消除来料板形缺陷所需的最小延伸率研究

5.5 双机架平整机张力设定与延伸率自动分配模型的研究

5.6 轧制压力模型自学习与自适应

5.6.1 轧制力模型总体方案设计

5.6.2 模型系数自适应自学习实现过程

5.7 本章小结

第6章 1220平整机轧制力预报综合神经网络方法的应用研究

6.1 概述

6.2 实验条件

6.3 总体方案设计

6.3.1 基本方案概述

6.3.2 平整机轧制力预报系统功能总体设计

6.4 摩擦系数神经网络模型的实验结果

6.4.1 返算模型的实验结果

6.4.2 神经网络模型的应用

6.5 延伸率分配系数计算模型的实验结果

6.6 双机架平整机综合神经网络模型的应用及统计结果

6.7 轧制力模型自学习的统计结果

6.8 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

发布时间: 2008-12-11

参考文献

[1].高精度气动板形仪基础技术的研究[D]. 杨铁林.燕山大学2002
[2].整辊智能型冷轧带钢板形仪研制及工业应用[D]. 于丙强.燕山大学2010
[3].面向冷轧机的板形预测模型与广义预测控制算法研究[D]. 赵永磊.燕山大学2010
[4].整辊内嵌式板形检测辊热变形研究及优化设计[D]. 吴海淼.燕山大学2015
[5].冷轧带钢板形控制系统的研究与开发[D]. 刘佳伟.东北大学2010
[6].基于条元法的HC冷轧机板形预设定控制理论研究及工业应用[D]. 彭艳.燕山大学2000
[7].超宽冷连轧机带钢复杂板形的特征分析与控制[D]. 包仁人.北京科技大学2015

宽带钢冷轧机板形在线控制智能模型的研究与应用

猜你喜欢