《智能控制课程论文》由会员分享，可在线阅读，更多相关《智能控制课程论文（19页珍藏版）》请在金锄头文库上搜索。
1、一、 引言3二、 轧机液压AGC数学模型3三、 基于BP神经网络的轧机AGC过程控制5（一） 人工神经网络基本思想及其发展6（二） 人工神经网络的工作原理7（三） 人工神经网络的主要功能特点8四、 神经网络辨识9（一） 扩展BP神经算法9（二） 基于时间序列的动态模型辨识11五、 辨识结果12（一） 轧制力辨识12（二） 液压AGC参数辨识13六、 结果检验14（一） 模型检验14（二） 辨识结果对比14七、 结论15八、 参考文献:1519先进过程控制技术在轧机液压领域的应用摘要: 轧机液压AGC控制过程的力控精度直接影响带钢的组织性能和力学性能，是保证板带质量和板形良好的关键因素。所以对轧
2、机液压AGC的力控制，成为热轧生产中的重要环节，对其过程进行分析和研究具有深远的现实意义。本文以国内某热轧厂轧机液压AGC控制为背景，对如何提高轧机液压AGC控制的力控精度从控制方法上入手进行了较深入系统的研究。在分析液压AGC的组成元件及其动态特性的基础上, 利用神经网络具有逼近任何非线性函数且具有自学习和自适应的能力, 建立基于时间序列的前馈动态模型辨识结构, 应用扩展BP算法对轧机液压AGC力控制系统进行非线性预测, 将预测结果应用最小二乘辨识方法进行线性系统的特征参数辨识, 仿真及实测结果表明此方法行之有效, 为轧机液压AGC的控制提供了新途径。关键词:自适应辨识;板带轧机;液压AGC
3、;神经网络Advanced process control technology in the field of rolling mill hydraulic applicationsAbstr act: In the process of rolling mill hydraulic AGC control force control precision directly affects the organization performance and mechanics performance of the steel strip, is guarantee the quality of
4、strip and plate shape of the key factors. So the force control of rolling mill hydraulic AGC, become the important link between the hot rolling production, analyzes its process and research has far-reaching practical significance. This paper, taking a warmwalzwerk domestic mill hydraulic AGC control
5、 as the background, on how to improve the force control precision of the rolling mill hydraulic AGC control from the control methods of conducted in-depth study of the system. Based on the analysis of dynamic characteristics of hydraulic AGC components and, on the basis of using the neural network h
6、as any nonlinear function approximation, and has the ability of self learning and adaptive feedforward dynamic model identification based on time series structure, extend the BP algorithm was applied to rolling mill hydraulic AGC force control system for nonlinear prediction, and the predicted resul
7、ts using least squares identification method for characteristic parameters of a linear system identification, simulation and experimental results show that this method is effective, for rolling mill hydraulic AGC control provides a new way.Key wor ds: adaptive identification; stripe mill; hydraulic
8、AGC; neural network1、 引言由于轧机自动化水平及对板带材的质量要求越来越高, 对轧机执行机构及控制系统性能的要求也越来越高。液压AGC( automatic gauge control)是现代化轧机设备的核心技术, 液压AGC系统运行状态的好坏, 直接决定了轧机的工作状态。基于先进过程控制的思想，开展液压AGC系统辨识的研究对提高轧机设备的技术水平和设备的生产率有着重要的意义。构成一个完整液压AGC系统的主要动态元件具有高度非线性的特点, 其系统必然也具有高度非线性的特点1。近年来, 基于神经网络的控制作为一个新兴领域, 引起了人们的广泛关注2,3。本文应用神经网络能够逼近
9、任何非线性函数及具有自学习和自适应的能力, 利用大量的历史数据,建立神经网络权系数矩阵, 用于非线性预报轧制力, 将得到的预报结果作为轧制力计算模型中轧制力的设定值, 然后应用最小二乘法辩识出轧机AGC力控制线性系统模型的各个基本参数，实现控制过程的优化。2、 轧机液压AGC数学模型一个完整的AGC系统由若干个厚度自动控制环路组成, 通常由液压压下位置闭环、轧制压力补偿系统、测厚仪前馈及监控系统组成, 其中液压压下位置闭环可以用液压压下力( 或压力) 闭环代替, 因为力闭环具有可以消除轧辊偏心等机械系统的问题对板厚干扰的优点。其功能是进行空载辊缝设定和轧制过程中向各模块提供轧制压力值、辊缝值和
10、板厚。主要动态元件为控制调节器、伺服阀、液压缸、轧机负载、传感器等。本文是基于力控制系统的辨识。其动态元件定量描述如下:伺服阀基本方程G1(s)式中,Ksv为伺服阀的静态流量放大系数;Xa为伺服线圈的固有频率;Xa为伺服阀固有频率。液压缸基本方程G2(s)$F=$Fp-$Fb=$pLAp-$pbAb式中,$Fp为作用于油缸无杆腔压力的变化;$Fb为作用于油缸有杆腔压力的变化;$pL为控制容积内压力变化;$pb为油缸有杆腔压力(背压)的变化;Ap为液压缸无杆腔活塞面积;Ab为油缸有杆腔的工作面积。轧机基本方程G3(s)式中,Me为轧机运动部件的等效总质量;Bp为活塞及负载等部件的粘性系数;K为负
11、载运动时的弹性负载刚度系数;FL为作用在活塞上的其它负载;xp为液压缸活塞的位移。控制调节器G4(s)G4(s)=Kp(1+ Tds)式中,Kp为PID调节器的比例系数;Ti为PID调节器的积分时间常数;Td为PID调节器的微分时间常数。背压回油管道G5(s)式中,pdo为初始背压;Ar为回油管道截面积;Mor为回油管道中油液的质量;Rr为油液的粘性系数。传感器G6(s)式中,Ks为位移反馈系数;Ts为位移传感器的时间常数。根据液压AGC力闭环系统主要元件的方程,建立液压AGC力控制系统动态模型,见图1,结合某型轧机液压AGC力控制系统数据,建立液压AGC力控制系统理论特征数学模型为式中,K0
12、为空载时的开环增益;KI为积分常数;Xr为惯性环节的转折频率;Fsv为伺服阀阻尼系数;X0为综合固有频率;F0为综合阻尼比。 G6(s) Pb Ab G5(s) Fd Fb F0F Ic Qsvo Fp F xp Fi G4(s) G1(s) G2(s) G3(s) + + + + + + sAp Fj Fout F1 F Fin W图1液压AGC系统力闭环的动态模型3、 基于BP神经网络的轧机AGC过程控制人工神经网络（Artificial Neural Networks,简称ANN)的发展给我们提供了新 的方法。由于人工神经网络具有处理信息速度快、计算能力强、容错性高和鲁棒 性强的特点，能
13、够完成自学习、自适应、归纳推理等智能型任务，可被用于非线性、 动态、强干扰、强耦合、强时滞、难于建模的复杂系统的控制，它作为信息智能处 理的现代化工具已日益普及。在实际生产中轧机AGC控制与各种影响因素之间的关系是一种非线性映射关系， 各影响因素对控制目标作用权重不同。人工神经网络所具有的功能特别是处理非 线性复杂过程的能力，无疑为求解基本提供了一种好的方法。本章结 合某国内热轧厂的实际情况，采用BP (Back Propagation)神经元网络来在线预报轧制过程中向各模块提供轧制压力值、辊缝值和板厚。通过控制调节器、伺服阀、液压缸、轧机负载、传感器等主要动态元件。应用最小二乘法辩识出轧机AGC力控制线性系统模型的各个基本参数的策略来更进一步的提高轧机AGC力控制精度及均匀性。（1） 人工神经网络基本思想及其发展人工神经网络（Artificial Neural Networks)起源于神经生物学，特别是对脑 神经系统的研究。对于人脑
