轧制过程是一个复杂的非线性过程,难以建立精确的数学模型,传统的线性控制方法(如PID控制 ),难以满足更高的板形板厚控制要求.神经网络具有通过学习逼近任意非线性的能力,将神经网 络应用于非线性系统的智能控制不受模型限制.然而,单纯的神经网络控制方法易陷入局部极小值 ,而且神经网络的泛化能力不足,制约了控制系统的鲁棒性.为克服上述不足,本文将模糊逻辑应 用于神经网络,研究出一种基于模糊神经网络的综合控制方案,以实现无模型板形板厚综合控制.1,板形板厚综合系统描述以冷连轧机为例,采用支撑辊液压弯辊控制板形和液压位置控制板厚的方法,对系统进行综合描述. ’ ‘ (1)板形方程.型。丝:些l塑l j h L j H式中,厶,为入口、出口带钢平均长度;址,△f为入口、出口带钢横向长度差;E^为入口出口带钢厚度;脯,△^为入口、出口带钢横向厚差”’. (2)带钢出口厚差方程. 伽等一掣 (2) 觚=等一垒掣 (3)式中,P,2s2分别为轧制压力和支承辊弯辊力:%,M,分别为轧机和支承辊 弯辊的纵向刚度系数;瞄,鼠分别为轧机和支承辊弯辊的横向刚度系数:Ah,Ah。分别为带钢纵向厚差和横向厚差.----- (3)广义弹跳方程. 而So告一卺 (4)式中,JIz,&分别为板厚及初始辊逢. (4)板形板厚综合控制. 为了使板厚板形都满足较高的要求,控制的目的是使Ah=O,△而。=0.由式(3)可得出支承辊弯辊力与轧制力的关系为: △(2s2)=争AP (5)2模糊神经网络控制原理2.1模糊神经网络控制系统的构成 控制系统如图1所示.其中r-,n分别为板厚板形的期望值;P,,c-分别为板厚的偏差、偏差 变化率;昌,C,分别为对应的语言变量;幻,c:分别为板形的偏差、偏差变化率;易,G分别 为对应的语言变量;AS为压下位置改变量的语言变量;AFw为弯辊力改变量的语言变量;U, 以为精确控制量.控制中的模糊推理是通过具有动态结构的神经网络的学习来完成.2.2模糊控制规则根据操作经验,规定了若干条规则,用这些规则进行推理.如: ifE=尸B and Cl=RthenAS=尸B;V01.25No.2 王粉花等:基于模糊神经网络的板形板厚综合控制系统 ·183· 图l模糊神经网络控制系统Fig.1 Fuzzy neural network control system ifEl=尸M andCl=RthenAS=PM: ifEl=熙and Cl=JPs thenAS=Ps; if最=R and G=P日then AFw=R: if易=R and G=尸M then AFw=尸M: if扇=展and G=尸s then z~L,t?w=Ps; 类似上述的规则大约40条,用以保证较好的控制效果.2.3模糊神经网络的模型和算法 三层动态结构神经网络结构如图2所示. 其中输入层的24个节点分别为:(1)板厚偏差的语言变量E-(Ⅳ日,.NM,Ⅳs,ZE,P ~,PM,PB,);(2)板厚偏差变化率的语言变量G(ⅣB,Ⅳs,ZE,只,尸B);(3)板形偏差的语言变量易(ⅣB,ⅣM,ⅣS,ZF,P。,凡,R);(4)板ASt… △s1△F。…△F。,El】… E17 C11…Cl 5 最l…最7 G1…G5 图2神经网络结构 Fig.2 Neural network structure形偏差变化率的语言变量G(Ⅳ日,Ⅳs,磊,.只,尸B). 输出层的14个节点分别为:(1)压下位置改变量的语言变量AS(ⅣB,ⅣM,胍,磊,只,凡 ,PB,);(2)支撑辊弯辊力改变量的语言变量AFw(Ⅳ日,ⅣM,M,ZE,Ps’PM,PB、.通过计算隐层决定取80个节点,输入层语音层的连接权为%,隐层与输出层的连接权值为%.神经元节点的激励函数采用Sigmoid函数: 弛)=≤__ (6)网络的性能评判标准为网络输出的均方误差,其表达式为: s=∑∑批脚一鲥,“)。/Ⅳ (7)式中,此,“为输出层第七个节点的实际输出;以射为输出层第七个节点的期望输出;Ⅳ为网络训练样本总数. 加权系数按s函数梯度变化的反方向进行调整,使网络逐渐收敛到给定的域值s0.2.4模糊推理的实现 由于有多条规则在同时起作用,即输入为: E:塞丛丝,c:皇幽 (8) t。Nn^| x‘Ntt曩式中,∥e∽),∥c∽)分别是E和c关于语言变量而的隶属度值;∑表示max运算.需将输入进行合成,即:E:皇皇型』盏掣,c:塞皇型d互掣(9) Ej=Naj=N, ￡.t cj=N矗j=N。L。合成后的E,C输入训练后的神经网络,便得到相应的模糊控制量U.3仿真结果 应用式(6)～式(9)的算法对板形板厚综合系统进行了控制仿真实验,取岛=0.05;干扰量为:来料凸度波动△G(f)=0.002 sinlOf’来料硬度波动△凰=14 sinlot;系统期望输出为:板厚偏差Ah=0,相对凸度A=0.仿真结果如图3所示. f/ms 图3板厚(a),板形(b)控制误差曲线Fig.3 Error curves 0f gauge and flatness control4结论 对于板形板厚控制这类复杂、强耦合的非线性系统,分别实行板厚控制和板形控制难免顾此失彼,很 难取得理想的控制效果,采用模糊神经网络综合控制方案克服了这一弊病.仿真结果显示出该方法 具有收敛性好、鲁棒性强等优点,板形板厚控制精度较为理想.基于模糊神经网络的板形板厚综合控制系统@王粉花$北京科技大学信息工程学院!北京100083
@孙一康$北京科技大学信息工程学院!北京100083
@陈占英$冶金自动化研究院!北京100071
模糊控制;;
神经网络;;
板形控制;;板厚控制 面对板形板厚控制这一复杂、多变量耦合的非线性系统,提出一种基于模糊神经网络的综合控制方 案,实现了无模型板形板厚综合控制.仿真结果表明,该控制系统收敛性好、抗干扰性强,取得令人满意的板形板厚控制精度.1孙一康.带钢冷连轧计算机控制
.北京:冶金工业出版社,2002
2 吴刚,童朝南,孙一康.基于遗传算法的动态模糊模型辨识非线性系统方法.北京科技大学学报,1999,21(3) :301
3 Yoshiro Washikita, Masaasi Okamoto. Renewal of automatic gage control system for a cold tandem mill with electric screwdowns .ISIJ International, 1998, 38(9) : 977
4 王粉花,孙一康.一类非线性控制系统的干扰解耦.北京科技大学学报,2000,22(6) :559
5 王粉花,董平.数据压缩技术在工业过程中的应用.北京科技大学学报,2002,24(5) :568
6 张大志,李谋渭,孙一康,等.四机架冷连轧机轧制力模型的研究与应用.轧钢,2000(3) :15
7 刘建昌.基于神经网络的自适应厚度控制.钢铁,1999(11) :33国家“十五”重大技术装备研究项目(No.ZZ-02-13B-03-03)豢?带钢冷连轧计算机控制.北京:冶金工业出版社,2002
2 吴刚,童朝南,孙一康.基于遗传算法的动态模糊模型辨识非线性系统方法.北京科技大学学报,1999,21(3) :301
3 Yoshiro Washikita, Masaasi Okamoto. Renewal of automatic gage control system for a cold tandem mill with electric screwdowns .ISIJ International, 1998, 38(9) : 977
4 王粉花,孙一康.一类非线性控制系统的干扰解耦.北京科技大学学报,2000,22(6) :559
5 王粉花,董平.数据压缩技术在工业过程中的应用.北京科技大学学报,2002,24(5) :568
6 张大志,李谋渭,孙一康,等.四机架冷连轧机轧制力模型的研究与应用.轧钢,2000(3) :15
7 刘建昌.基于神经网络的自适应厚度控制.钢铁,1999(11) :33国家“十五”重大技术装备研究项目(No.ZZ-02-13B-03-03)
More reviews about the 基于模糊神经网络的板形板厚综合控制系统