宽带钢冷轧机板形在线控制智能模型的研究与应用

【摘要】： 板形控制是现代高精度宽带钢冷轧机的关键技术和重要的技术发展方向。本文以人工智能理论为基础,选择具有理论和工程实际意义的宽带钢冷轧机板形在线智能控制为研究课题,进行了深入的理论研究与工业应用研究,取得了新的研究成果。 首先,针对基于神经网络的板形模式识别模型和板形预测模型存在的结构难以确定、学习时间长等问题,提出了基于SVM(Support Vector Machine)的RBF(RadialBasis Function)网络板形模式识别模型和板形预测模型的设计方法,建立了结构和性能较优化的板形模式识别RBF网络模型及板形预测RBF网络模型。该方法基于支持向量机SVM与三层前向网络结构的等价性,采用SMO(Sequential MinimalOptimization)算法训练SVM,得到RBF网络较优的初始结构和参数,最后用BP(BackPropagation)算法对网络结构作优化调整,解决了RBF网络模型的结构中核函数与隐层节点参数难以确定的问题,为板形在线模式识别模型和板形在线预测模型的建立提供了新方法。 其次,针对传统效应函数法和板形静态影响矩阵的不足,通过对轧机板形调节能力特性的分析,提出了板形控制的动态影响系数矩阵法。该方法指出即使在相同规格、相同工况下,相同的板形调节变化量在不同状态下对各个板形标准模式的影响也是不同的。因此,需要在线计算动态影响矩阵以反映各调节手段对板形变化的影响效果,进而确定新的调节量。为了在线求得不断变化的影响系数,提出了建立基于聚类的模糊神经网络板形动态影响矩阵模型来求解影响矩阵的方法。将模糊聚类引入模糊神经网络的建模中,聚类中心个数确定了模糊神经网络模型的规则隐层节点数,解决了网络结构难以确定的问题,聚类后规则的合并有效减少了规则数和隐层结点数,优化了网络结构,不仅使板形动态影响矩阵模型满足在线实时性要求,而且由于模糊规则可自动生成,总结出各调节量对各板形标准模式的影响规律,帮助指导生产。为验证提出的基于模糊神经网络模型的板形动态影响系数控制方法的正确性和有效性,设计了板形动态影响系数控制方法的系统结构方案,以1220冷连轧机为对象进行了工业实验研究。 最后,针对平整过程中影响板形的重要因素——轧制力的预报展开研究,提出双机架平整机轧制力预报的综合神经网络方法。对消除来料板形缺陷所需的最小延伸率进行了研究,设计出双机架平整机延伸率分配系数计算模型。开发出了一套针对双机架平整机的摩擦系数返算数学模型,为现场轧制压力预设定系统的开发奠定了坚实的理论基础。建立了变形抗力神经网络模型,解决了轧制力模型中变形抗力需要通过实验才能获得的问题。在此基础上,将具有延伸率分配计算功能的轧制力机理模型、机理模型自适应自学习与神经网络模型结合,建立了双机架平整机轧制力预报综合神经网络模型。为验证双机架平整机轧制力预报综合神经网络方法的有效性,以1220双机架平整机为对象进行了工业实验研究与应用。为此,在原计算机二级机控制系统中设计了新的系统结构方案,设计并开发了一套1220双机架平整机轧制力预报系统程序,并对实验结果进行了分析。 选择具有理论和工程实际意义的宽带钢冷轧机板形在线控制智能模型为研究课题,对板形模式识别、在线预报、控制和预设定等进行了理论、仿真和工业实验研究与应用,不仅对板形模式识别与控制理论的发展有重要意义,而且对于实现板形在线高精度实时控制和推动板形控制技术的发展,具有实用价值。