论文部分内容阅读
本文以人工智能理论为基础,选择冷带轧机板形智能控制策略为研究课题,对板形神经网络模式识别与模糊控制相结合的控制策略以及板形板厚综合预报控制策略进行了深入的研究,取得了一定的成果。 在板形神经—模糊控制策略研究中,提出一种基于遗传算法优化BP神经网络的板形缺陷模式识别方法,并基于模式识别结果设计了板形模糊控制器。首先提出了一种实用的GA（Generic Algorithm——遗传算法）编码方案,并对遗传参数进行改进,对BP网络的拓扑结构进行优化。利用勒让德正交多项式建立了6种板形缺陷基本模式,设计了6输入3输出的GA-BP板形缺陷模式识别模型。然后将模式识别与控制器设计合二为一,利用GA-BP神经网络识别出相对于6种基本模式的的隶属度,直接作为板形模糊控制的前件部,实现了隶属度的求取功能。通过对板形缺陷特征的分析,合理定义了模糊集合,推导了板形模糊控制算法,大大地减少了模糊推理的计算量。 通过对现场实测数据的仿真,表明GA-BP板形模式识别方法可以准确识别出实际板形缺陷中的基本模式,物理意义明确,识别精度可以达到10-5,效果令人满意。同时与CMAC神经网络模型识别效果进行了比较,结果表明GA-BP模型识别精度要高,而CMAC网络的识别速度比较快,两种方法各有所长。依据本文提出的两个板形缺陷性能指标,板形模糊控制器的仿真结果表明,该控制器可快速将板形缺陷控制到期望目标,同时最大板形缺陷可控制在±2I以内,板形控制性能良好。 鉴于板形板厚控制系统是耦合的、复杂的多变量系统,板形控制受到板厚的影响和制约,因此对板形板厚综合预测控制策略进行了研究。通过分析板形板厚控制系统的数学模型,采用GA-BP神经网络构建板形板厚预测模型,在此基础上应用集中优化—集中控制的算法,推导了轧制力和工作辊弯辊力的在线控制规律,并且采用反馈校正的方法,对控制模型在线进行修正。仿真表明,该方法实现了板形板厚控制的解耦,控制效果比前馈补偿解耦PID控制策略要好,为解决采用常规控制技术难以有效控制板形板厚系统的难题奠定了基础。