《《单神经元PID控制在热连轧监控AGC上的应用》-公开DOC·毕业论文》由会员分享，可在线阅读，更多相关《《单神经元PID控制在热连轧监控AGC上的应用》-公开DOC·毕业论文（33页珍藏版）》请在金锄头文库上搜索。
1、单神经元 PID 控制在热连轧监控 AGC 上的应用 摘要 热轧带钢厚度精度一直是提高产品质量的主要目标 产生厚差的原因主要有带钢头尾 部温差 加热炉板坯生成水印以及温度随机波动 目前消除厚差的主要办法是采用自动厚 度控制系统 AGC automatic gauge control 因此 自动厚度控制 AGC 一直是热轧带钢自 动化首先实现的功能 AGC系统的主要任务是对带钢全长进行厚度控制以保证带钢的厚 9 度精度及其百分比 由于实际轧制过程的复杂性 控制对象的非线性 时变性 单纯的AGC 控制系统都不能取得较好的控制效果 因此在很多热轧现场上都采用综合AGC控制策略 将先进的控制技术引入轧
2、制生产中 无疑为传统AGC控制技术开辟了更广阔的天地 本文 以监控AGC模型为研究对象 给出了基于单神经元网络控制算法的硬件实现方法和具体步 骤 主要以PID控制器为基础 辅助以单神经元网络的自学习 自适应能力 将单神经元网络 和PID控制融合为一体 提出了一种单神经元网络PID控制器 SNPC 应用于监控AGC上 进 一步提高了AGC的厚控精度 有效的改善了系统的滞后性和动态品质 并具有良好的自适应 能力 关键字 热连轧 单神经元网络 PID 控制 监控 AGC Based on the neural network of PID control in the hot strip mill
3、AGC control of the Applied Research Abstract Gauge precision of hot rolling strip is always primary goal of improving product quality The main reason for producing gauge difference is the gauge difference of strip s first and end slab reheating furnace and the temperature generated watermark random
4、fluctuations Now the main way of eliminate gauge difference is adopt automatic gauge control system AGC automatic gauge control therefore the automatic gauge control AGC has been hot strip first to achieve automation functions The main assignment of AGC is to control the whole hot rolling strip s le
5、ngth to ensure it s gauge precision and percentage The result of Simple AGC system can t obtain preferable effect due to the complex of rolling process and non linearity I K IPI KK T T 微分系数 D K DPD KK TT 当执行机构需要的是控制量的增量时 可由式导出提供增量的PID控制算法 根据递 推原理可得 2 7 1 0 1 1 1 2 k PID j u kK e kKe jKe ke k 用式 2 6
6、减式 2 7 可得 2 8 1 2 1 2 1 PID PID u kKe ke kK e kKe ke ke k Ke kK e kKe ke k 式中 1 e ke ke k 式 2 8 称为增量式PID控制算法 给出了增量式PID控制系统如图 2 2 所示 图 2 2 增量式 PID 控制系统框图 可以将式 2 8 进一步改写为 2 9 1 2 u kAe kBe kCe k 式中 1 D P I TT AK TT PID 增量算法 执行 机构 被控 对象 r k c k e k u k u t c t T 步进电动机 12 D P T BKT T PD CK TT 它们都是与采样周期
7、比例系数 积分时间常数 微分时间常数有关的系数 可以看出 由于一般计算机控制系统采用恒定的采样周期T 一旦确定了 P K I K 只要使用前后3次测量值的偏差 即可由式 2 8 或式 2 9 求出控制增量 D K 采用增量式算法时 计算机输出的控制增量对应的是本次执行机构位置的增 u k T 量 对应阀门实际位置的控制量 即控制量增量的积累需要采用一定的方 0 k j u ku j 法来解决 而目前较多的是利用算式通过执行软件来完成 1 u ku ku k 2 3 本章小结 本章主要介绍了PID控制原理图以及数字PID的控制算法 数字PID控制算法通常又分 为位置式PID控制算法和增量式PID
8、控制算法 数字PID控制在生产过程中是一种最普遍采 用的控制方法 在冶金 机械 化工等行业中获得广泛应用 数字PID控制是一切控制的 基础 3 神经网络 PID 控制 近十几年来 一门新兴的交叉学科 人工神经网络 Artificial Neural Network ANN 迅速地发展起来 所谓 人工神经网络 实际上是以一种简单计算 处理单元 即神经元 为节点 采用某种网络拓扑结构构成的活性网络 可以用来描述几乎任意的非线性系统 不仅如此 ANN还具有学习能力 记忆能力 计算能力以及各种智能处理能力 在不同程 度和层次上模仿人脑神经系统的信息处理 存储和检索的功能 不同领域的科学家 对 ANN有
9、着不同的理解 不同的研究内容 并且采用不同的研究方法 对于控制领域的研究 工作者来说 ANN的魅力在于 2 1 能够充分逼近任意复杂的非线性关系 从而形成非线性动力学系统 以表示某些 被控对象的数学模型 2 能够学习和适应不确定性系统的动态特性 3 所有定量或定性的信息都分布储存于网络内的各神经单元 从而具有很强的容错 性和鲁棒性 4 采用信息的分布式并行处理 可以进行大量运算 由于目前使用的人工神经网络 不论是网型 学习算法和网络规模 比真实的生物神 经系统 仍极其原始 简单 这就使相应的控制算法出现了许多暂时难以克服的困难 尽 管如此 目前对神经网络及其控制方法的研究 仍然方兴未艾 对于长
10、期困扰控制界的非 线性系统和不确定性系统来说 ANN无疑是一种解决问题的有效途径 正因为如此 近年 来在控制理论的所有分支几乎都能看到ANN的引入及应用 对于传统的PID控制当然也不 例外 以各种方式应用于PID控制的新算法大量涌现 其中有一些取得了明显的效果 本章主要介绍人工神经网络在PID控制方面的应用 首先简要介绍工业过程的先进控 制技术 单神经元模型 神经网络的基本构成原理和学习规则 然后分节介绍神经网络的 PID控制理论 基于单神经元网络的PID控制器以及基于单神经元网络PID控制的学习算法 3 1 工业生产过程的先进控制 先进过程控制APC advanced process con
11、trol 亦称高等过程控制 先进控制是对那些 不同于常规单回路PID控制 并具有比常规PID控制更好控制效果的控制策略的统称 而 非专指某种计算机控制算法 这些控制策略的先进性在于它们在工业生产过程中尚很少使 用 由于先进控制的内涵丰富 同时带有较强的时代特性 因此 至今对先进控制还没有 严格的 统一的定义 习惯上 将基于数学模型而又必须用计算机来实现的控制算法 统 称为先进过程控制策略 尽管如此 先进控制的任务却是明确的 即用来处理那些采用常 规效果不好 甚至无法控制的复杂工业过程控制问题 先进控制应用得当可带来显著的经 济效益 先进控制的主要特点如下 1 与传统的PID控制不同 先进控制是
12、一种基于模型的控制策略 如模型预测和的控 制 如智能控制 模糊控制 神经元网络 正成为先进控制的一个重要发展方向 2 先进控制通常用于处理复杂的多变量过程控制问题 如大时滞 多变量耦合 被 控量与控制变量存在着各种约束等 先进控制是建立在常规单回路控制之上的动态协调约 束控制 可使控制系统适应实际工业生产过程动态特性和操作要求 3 在基于知识的先进控制中 其所处理的对象存在严重的不确定性 这里所说的模 型不确定性包含两层意思 一是模型未知或知之甚少 二是模型的结构和参数可能在很大 范围内变化 无论哪种情况 传统方法都难于对它们进行控制 而这正是先进控制所要研 究解决的问题 4 高度的非线性 在
13、传统的控制理论中 线性系统理论比较成熟 对于具有高度非 线性的控制对象 虽然也有一些非线性控制方法 但总的说来 非线性控制理论还很不成 熟 而且方法比较复杂 采用先进控制的方法往往可以较好地解决非线性系统的控制问题 5 先进控制的实现需要足够的计算能力作为支持平台 作为一个整体 先进控制系统应包括从数据采集处理 数学模型建立 先进控制策略 到工程实施的全部内容 关键的复杂的工业生产过程 如鞍钢1700 2150板带热连轧生产线 通过实施先进控 制 可以大大提高工业生产过程操作和控制的稳定性 改善工业生产过程动态特性 减少 关键变量的操作波动幅度 使其更接近于优化目标值 从而将工业生产过程推向更
14、接近装 置约束边界条件下运行 最终达到增强工业生产过程的稳定性和安全性 保证产品质量的 均匀性 提高目标产品的收率 提高生产装置的处理能力 降低生产过程运行成本以及减 少环境污染等目的 先进控制可以提高产品质量的均匀性与一致性 从而可以提高生产过 程的经济效益 其优越性远不止这些 由于操作平稳 保证了生产的安全 减轻了操作强 度 节约了劳动力 提高了工业生产过程的整体生产技术水平 3 2 神经网络的拓扑结构及学习规则 神经网络是由若干个神经元以一定的连接形式连接而成的复杂的互连系统 神经元之 间的互连模式将对神经网络的性质和功能产生重要的影响 应用于不同的领域时 互连模 式有着繁多的种类 在控
15、制系统应用中有两种常用的网络结构 前馈网络和反馈网络 学习是神经网络的主要特征之一 学习规则是修正神经元之间连接强度或加权系数的 算法 使获得的知识结构适应周围环境的变化 在学习过程中 执行学习规则 修正加权 系数 在工作期间 由学习所得的连接加权系数参与计算神经元的输出 学习的算法可分 为有监督学习和无监督学习两类 有监督学习是通过外部教师信号进行学习 即要求同时 给出输入和正确的期望输出的模式对 当计算结果与期望输出有误差时 网络将通过自动 调节机制调节相应的连接强度 使之向误差减少的方向改变 经过多次重复训练 最后与 正确的结果相符合 无监督学习则没有外部教师信号 其学习表现为自适应于输
16、入空间的 检测规则 其学习过程为对系统提供动态输入信号 使各个单元以某种方式竞争 获胜的 神经元本身或其相邻域得到增强 其他神经元则进一步被抑制 从而将信号空间分为有用 的多个区域 Hebb学习过程就是调整权值过程 Hebb学习规则是1949年由Hebb提出的 按照规 3 则 神经网络调整权值的原则为 若第 个与第个神经元同时处于兴奋状态 则它们 ij Wij 之间的连接强度的增强与它们的激励的乘积成正比 这和 条件反射 学说一致 并已得到证实 Hebb学习规则的相关假设是许多学习规则 的基础 常用的三种主要规则是 无监督Hebb学习规则 有监督学习规则 有监督的Hebb 学习规则 将神经元的结构 神经网络的互连形式以及学习规则有机地结合起来 就可形 成各种实用的神经网络 1 无监督Hebb学习规则 根据Hebb学习规则的基本思想 用表示单元 的激活值 输出 表示单元j的激活值 i 表示单元到单元 的连接加权系数 则Hebb学习规则可用下式表示 ji 3 1 ijij wo k o k 式中 表示学习速率 2 有监督学习规则或Widow Hoff学习规则 在Hebb学习规则中引入教师信
