基于DRNN－PID的板形板厚解耦控制

 针对板形板厚综合系统具有强耦合、非线性、含纯滞后环节的特点,建立了板形板厚耦合模型,并在对其进行神经网络解耦设计的基础上提出了基于对角递归神经网络(DRNN)整定PID的板形板厚解耦控制方法,然后根据带钢冷轧情况提出神经网络解耦对不同塑性刚度参数的实际适用范围。仿真结果表明,该解耦控制系统具有比传统前馈补偿解耦PID控制效果好、响应速度快、自适应跟随能力强等优点,并且符合实际轧制要求,有效的提高了板形板厚的控制精度。     

热带钢轧机板形板厚抗干扰全解耦控制研究

宽带钢热连轧过程是一个多变量过程控制系统,除了系统有用输入和输出之间具有耦合作用之外,干扰输入也会和系统输出产生耦合作用,影响板形板厚控制质量.设计了前向通道解耦控制器和前馈补偿环节,实现了板形板厚输入输出解耦的同时使得带钢来料厚度波动对板形板厚输出的耦合性得以抑制和消除.生产实践表明,解耦策略的应用,有效地降低了板形板厚的耦合作用,尤其是板厚调节对带钢板形的干扰影响,为进一步提高带钢出口板形板厚综合质量奠定了基础.     

宽带钢轧机板形板厚反馈解耦控制研究

宽带钢连轧过程中,板形控制和板厚控制本质上都是对轧制过程中有载辊缝的控制,因此存在着耦合关系,严重影响了宽带钢轧制板形板厚综合质量的提高。在建立板形板厚耦合模型的基础上,采用反馈解耦控制方法,实现了板形板厚的解耦控制。计算机仿真结果表明,解耦控制效果良好,达到解耦的目的。     

冷连轧机板形板厚解耦设定补偿研究

首先论述了冷连轧机板形板厚解耦控制的必要性,然后针对当前板形板厚解耦控制大多针对动态轧制过程的现状,提出板形板厚解耦设定补偿的思想,它包括预设定补偿和自适应穿带解耦控制。预设定补偿是解决设定过程中弯辊力对板形板厚耦合系统的影响;自适应穿带解耦控制是针对穿带过程中轧制力预报不精确的板形板厚解耦方法。     

基于时滞递推滑模预测解耦的带钢板形板厚控制

针对多变量耦合系统,提出了一种基于解耦的时滞递推滑模预测控制的算法。该算法是在对角解耦的基础上,将预测算法和递推滑模控制结合起来,设计了递推滑模预测控制器。还对滑模参考轨迹进行了研究和分类,阐述了两种滑模参考轨迹的区别。该算法被应用在带钢板形板厚的控制过程中,试验和仿真结果表明,该方法可较好地消除带钢板形板厚控制中耦合与时滞的影响。     

宽带钢热连轧机动态板形控制策略的研究与应用

 为了提高板形控制精度,对凸度平坦度控制耦合关系以及板形板厚控制耦合关系进行深入的研究分析,并采用相应的解耦控制策略是十分必要的。在板形板厚解耦设计的基础上,分析了不同控制方案下凸度平坦度控制之间的耦合影响关系,建立了相应的凸度平坦度耦合模型,并对其耦合特性进行了分析比较;之后,针对耦合模型特点进行凸度平坦度半解耦设计,以补偿凸度控制和平坦度控制之间的耦合影响关系,进而设计凸度平坦度解耦控制系统,并给出热连轧机组凸度平坦度解耦控制应用策略,组成完整的动态板形控制系统。在某厂1580 mm四辊七机架热连轧机组投入使用后,较好地补偿了板形板厚控制、凸度平坦度控制之间的耦合影响关系,板形控制精度明显提高。     

热连轧机板形板厚解耦控制的逆系统方法研究

提出一种解决热连轧机板形板厚解耦控制的逆系统方法；考虑热连轧机板形板厚的耦合性，在控制系统中加进一个“逆系统”，解耦线性化后，按照系统要求进行控制系统设计；在建立了热连轧机的非线性全量模型和线性增量模型基础上，分别构造了板形板厚解耦控制的非线性逆和线性逆解耦控制器，并用C语言编写了6机架仿真程序。通过仿真结果可以看出非线性逆的控制性能明显优于线性逆控制器。     

基于模糊神经元PID解耦的精馏塔温度控制

针对精馏塔温度控制这个非线性耦合对象,提出了一种模糊神经元解耦智能控制器。该控制器避免了精馏塔精确数学模型的推导和严格计算解耦算式的麻烦,是模糊逻辑控制与神经元PID控制器的结合。同时,分析了控制器的结构及其学习算法。通过仿真试验,得到了较为理想的控制效果。     

宽带钢热连轧机板形设定的解耦与应用

板形与板厚是带钢几何尺寸精度的两个重要质量指标,板形与板厚控制之间存在耦合关系,使得分别控制的热连轧机板形和板厚均达不到目标值,在建立耦合关系模型的基础上,完成了板形设定和自适应穿带控制的解耦设计,实现板形板厚的综合控制。板形解耦模型已经成功地在大型工业轧机上投入运行,取得了明显的效果。     

链篦机-回转窑温度场模糊解耦控制设计

针对链篦机-回转窑温度场具有多变量、纯滞后、非线性和强耦合等特点,本文分析研究了链篦机-回转窑温度场中的耦合因素,结合现场PLC控制提出了模糊解耦控制方法,并在Microsoft Visual Basic6.0软件开发平台上设计了模糊解耦控制器。实际应用效果表明,模糊解耦控制算法可以提高温度场的控制精度。     

Cloud Neural Fuzzy PID Hybrid Integrated Algorithm of Flatness Control

In connection with the characteristics of multi-disturbance and nonlinearity of a system for flatness control in cold rolling process, a new intelligent PID control algorithm was proposed based on a cloud model, neural network and fuzzy integration. By indeterminacy artificial intelligence, the problem of fixing the membership functions of input variables and fuzzy rules was solved in an actual fuzzy system and the nonlinear mapping between variables was implemented by neural network. The algorithm has the adaptive learning ability of neural network and the indetermi- nacy of a cloud model in processing knowledge, which makes the fuzzy system have more persuasion in the process of knowledge inference, realizing the online adaptive regulation of PID parameters and avoiding the defects of the traditional PID controller. Simulation results show that the algorithm is simple, fast and robust with good control performance and application value.     

基于PID神经元网络的冷连轧板形板厚多变量综合控制

针对板带材轧制是一个复杂的非线性过程，板形控制（AFC）和板厚控制（AGC）又是相互耦合的一个综合系统等特点，本文提出了一种基于PID神经元网络的冷连轧板形板厚度多变量综合控制系统。仿真结果证明了此AFC－AGC控制系统具有良好的自适应跟随的抗扰性能，其控制效果优于传统的解耦PID控制。     

神经网络自适应控制在冷轧机AGC系统中的应用

常规PID控制器是在冷轧机厚度控制中应用广泛的一种方法,但当AGC（厚度自动控制）系统特性或运行条件发生变化时,需要重新整定控制器参数,才能保证系统正常运行,使系统处于最佳工作状态。针对冷轧机AGC系统中的滞后环节,运用神经网络的自学习能力在线调整积分控制器参数值,该神经网络的权值与积分参数值相对应,可根据被控系统的动态特性调整积分参数,提高了调节器的自适应能力。     

模糊神经网络炉温自学习控制系统

提出一种模糊神经网络自学习控制方法，并应用于熟料窑炉温度控制系统中。经实验仿真和应用结果表明，该控制方案可改善具有时变及大纯滞后的炉温控制系统，其性能优于一般Ｆｕｚｚｙ控制。     

基于模糊滑模方法的不确定机器人神经网络控制

针对不确定机器人轨迹跟踪控制,提出了基于模糊滑模方法下的神经网络自适应控制,其中RBF神经网络集中补偿系统的不确定性,利用带边界层滑模变结构方法消除了神经网络的逼近误差,并通过模糊方法动态确定边界层宽度,很好的解决了滑模控制中的抖振现象。仿真实例表明,该控制律能保证误差的快速收敛性及对参数不确定性和外部扰动的鲁棒性。     

基于改进遗传算法优化神经网络的板形控制

冷轧板形控制系统是一个强耦合、非线性的多变量复杂系统,难以建立精确的数学模型,一般常规的控制方法难以取得令人满意的控制效果。本文依据现场的轧制数据,提出采用自适应竞争遗传算法优化神经网络对其进行建模,采用模糊控制,可实现实时控制,并利用MATLAB编程,仿真结果显示了算法的有效性和时效性。     

A New Flatness Pattern Recognition Model Based on Cerebellar Model Articulation Controllers Network

In the traditional flatness pattern recognition neural network, the topologic configurations need to be rebuilt with a changing width of cold strip. Furthermore, the large learning assignment, slow convergence, and local minimum in the network are observed. Moreover, going by the structure of the traditional neural network, according to experience, the model is time-consuming and complex. Thus, a new approach of flatness pattern recognition is proposed based on the CMAC （cerebellar model articulation controllers） neural network. The difference in fuzzy distances between samples and the basic patterns is introduced as the input of the CMAC network. Simultaneously, the adequate learning rate is improved in the error correction algorithm of this neural network. The new approach with advantages, such as high learning speed, good generalization, and easy implementation, is efficient and intelligent. The simulation results show that the speed and accuracy of the flatness pattern recognition model are obviously im proved.