铝板带材厚度和板形设定补偿解耦控制策略

在铝薄板带材冷轧生产过程中,板厚控制和板形控制本质上都是对轧制过程中有载辊缝的控制,两者存在很强的耦合关系.针对板厚板形控制系统存在耦合问题,提出板厚板形解耦设定补偿思想,包括预设定补偿控制和自适应穿带解耦控制.前者是解决设定过程中弯辊力对板厚板形耦合系统的影响;后者是针对穿带过程中轧制力预报不精确的板厚板形解耦方法.仿真结果及现场应用表明,解耦设定补偿提高了板厚板形的控制精度,满足了铝带板质量综合控制的要求.     

改进的板形平直度板厚模型及其自抗扰解耦

以连续轧制过程中强耦合的板形板厚系统为研究对象,在对影响板形板厚控制的各种耦合因素进行系统分析的基础上,建立了加入油膜厚度影响的板厚和板形平直度耦合系统数学模型。在耦合关系上通过matlab仿真分析,可知改进模型板形与板厚的耦合关系明显。在此基础上利用自抗扰技术进行解耦设计,并以某厂五机架连轧机的实际参数采用计算机进行仿真,仿真结果表明设计的自抗扰解耦控制器可以有效消除板厚和板形平直度之间的耦合关系,解耦效果良好。     

基于LMI方法的板形板厚综合系统的H∞跟踪控制器设计

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，该文建立了工作点线性化的冷连轧板形板厚离散化状态空间模型；将H∞跟踪控制问题转化为标准的H∞控制问题，并应用LMI(Linear Matrix Inequality)方法设计了板形板厚H∞跟踪控制器。仿真结果证明了此H∞控制系统具有良好的鲁棒稳定性、自适应跟随和抗扰性能，其控制效果优于传统的解耦PID控制。     

基于核岭回归估计器的常压塔航煤干点推断控制

提出了一种基于核岭回归推断估计器的新型推断控制策略，来实现常压塔航煤干点的在线检测和控制.首先，对支持向量机与最小二乘支持向量机回归算法进行了分析，并提出一种直接优化核岭回归算法.其次，通过采集的二次变量数据和化验数据，用核岭回归方法建立了航煤干点的估计器模型．最后进行了仿真，结果表明，在相同样本集下，与支持向量机、RBF网络模型比较，所提建模方法调节参数少，预测精度高．     

基于工况识别的辊式淬火过程板形预报方法

板形是衡量淬火后钢板质量的重要指标之一,板形的预报对高质量钢板的持续稳定生产具有重要的指导意义.本文提出一种基于工况识别的辊式淬火过程板形预报方法,为淬火生产控制决策提供参考依据.首先对淬火过程进行特性分析;然后采用模糊C均值聚类算法对淬火过程进行工况识别,使用支持向量机建立各工况的板形预报模型,并运用改进的粒子群优化算法提高模型的精度;最后利用工业生产数据进行实验,结果验证了本文所提方法的可行性与有效性.     

基于二次判别分析的多模型建模方法

针对单一软测量模型难以精确描述复杂非线性的化工生产过程的问题,为提高软测量模型的预测精度,基于多模型建模思想,提出一种基于二次判别分析的支持向量机多模型建模方法.首先依据样本输出空间的值区间把样本集合分为若干子集,并分别对每个子集建立基于支持向量机算法的子模型,多个子模型采用"开关切换"方式连接.对于未知类别的输入数据,依据各子集的先验类别信息,用二次判别分析算法判断其所属类别,并以输入向量所属类别的支持向量机模型的输出作为多模型的最终输出.工业仿真实例表明,该建模方法建立的多支持向量机模型比单一支持向量机模型具有更高的预测精度.     

铝板带材板形和厚度解耦自适应控制策略

铝板带材轧制生产过程是一个复杂的非线性控制对象, 其中自动板形控制(AFC)和自动板厚控制(AGC)又是一个相互耦合的复杂系统, 其参数在运行过程中会随时发生变化. 针对铝板带材轧制的特点提出了将自适应控制与板形板厚控制系统数学模型相结合, 自动调整解耦网络和控制器的参数. 现场实际数据的仿真结果表明, 该方法的应用消除了参数变化产生的影响, 使板形板厚控制系统具有良好的自适应跟随参数变化和抗干扰性能, 解耦控制效果良好, 提高了板形板厚的控制精度.     

多智能体粒子群优化的SVR 模型预测控制

参数的优化选择对支持向量回归机的预测精度和泛化能力影响显著,鉴于此,提出一种多智能体粒子群算法(MAPSO)寻优其参数的方法,并建立MAPSO支持向量回归模型,用于非线性系统的模型预测控制,推导出最优控制率.采用该算法对非线性系统进行仿真,并与基于粒子群算法、基于遗传算法优化支持向量回归机的模型预测控制方法和RBF神经网络的预测控制方法进行比较,结果表明,所提出的算法具有更好的控制性能,可以有效应用于非线性系统控制中.     

基于支持向量机的非线性预测控制技术

探讨了利用支持向量机进行非线性系统辨识的方法,并将支持向量机模型应用到非线性预测控制,提出了基于支持向量机模型的非线性预测控制算法.对一个CSTR反应器的仿真表明,支持向量机在小样本情况下具有良好的非线性建模能力和泛化能力.基于支持向量机的预测控制具有很好的控制性能,为通用非线性控制提供了一种新的控制思路.􀁽     

支持向量机在PID控制器参数整定中的仿真研究

PID控制是应用最为广泛的控制方法,由于系统中存在非线性和时变性,影响建立精确的模型,系统性能.为了解决控制参数整定,改善系统性能,提出一种基于支持向量机的PID控制器参数整定方法.通过将支持向量机和PID控制器相结合建立支持向量机的参数整定模型,在控制过程中将PID控制的参数作为支持向量机的输入,构造参数自适应学习的PID控制器,在控制过程中动态调整PID的三个控制参数,进行仿真的在线整定.仿真结果表明,支持向量机的PID控制方法在处理非线性和时变系统时,提高了实时性能,增强系统稳定性,并获得更好的控制效果,为通用非线性PID控制器设计提供了依据.     

多支撑向量网络研究

基于任务分解的策略，提出多支撑向量网络算法．由于每个子网络只完成相应的子任务，因而多支撑向量网络可以解决更为复杂的学习任务．同时整个系统更容易理解和修正并且具有更好的系统性能．仿真试验结果表明该方法是有效的．     

Classification of defects in steel strip surface based on multiclass support vector machine

In this paper, we use support vector machine to classify the defects in steel strip surface images. After image binarization, three types of image features, including geometric feature, grayscale feature and shape feature, are extracted by combining the defect target image and its corresponding binary image. For the classification model based on support vector machine, we utilize Gauss radial basis as the kernel function, determine model parameters by cross-validation and employ one-versus-one method for multiclass classifier. Experiment results show that support vector machine model outperforms the traditional classification model based on back-propagation neural network in average classification accuracy.     

一种基于D-S 和ARIMA 的多模型软测量方法

针对传统软测量方法存在的预测性能差、融合能力低等缺点, 提出一种基于证据理论(D-S) 合成规则和差分自回归滑动平均(ARIMA) 模型的多模型软测量方法. 首先利用自适应模糊核聚类方法和最小二乘支持向量机建立多个子模型; 然后利用D-S 合成规则构造的概率分配函数作为权值因子, 对子模型输出进行融合以得到多模型的输出; 最后结合ARIMA 模型对静态多模型输出进行动态校正. 仿真研究与工业应用的结果表明, 所提出的方法具有良好的预测性能和融合能力.

     

基于二次仿射传播聚类的非线性系统多模型LSSVM建模

针对复杂非线性系统单模型建模存在计算量大和精度差的问题,提出一种采用仿射传播聚类的多模型LSSVM建模方法,通过仿射传播聚类对样本数据按输入集和输出集二次聚类划分,并分别建立LSSVM子模型,非线性系统模型通过子模型加权合成.将该方法应用于两电机变频调速系统的张力和速度模型辨识,仿真结果表明,该建模方法具有较高的精度,能准确拟合系统的非线性特性.     

基于熵值法的加权最小二乘支持向量机

支持向量机是一种以统计学习理论为基础的机器学习算法,着重解决小样本的建模问题,并且对非线性高维数据具有较好的处理能力。通常对于多维特征的数据,会对每一维数据做归一化处理以消除量纲的影响,但缺点在于忽视了各维特征的权重差异。提出了一种加权最小二乘支持向量机的建模方法,通过熵值法确定每一维特征的权重,根据特征权重对数据进行加权处理,最后由最小二乘支持向量机建立该系统模型。实验表明,对于多维特征的数据,所提方法具有更好的建模效果。     

Support vector machine-based multi-model predictive control

In this paper, a support vector machine-based multi-model predictive control is proposed, in which SVM classification combines well with SVM regression. At first, each working environment is modeled by SVM regression and the support vector machine network-based model predictive control （SVMN-MPC） algorithm corresponding to each environment is developed, and then a multi-class SVM model is established to recognize multiple operating conditions. As for control, the current environment is identified by the multi-class SVM model and then the corresponding SVMN-MPC controller is activated at each sampling instant. The proposed modeling, switching and controller design is demonstrated in simulation results.     

基于混沌优化支持向量机的轧制力预测

针对带钢热连轧轧制力的精确预测问题,提出一种基于最小二乘支持向量机模型的预测算法.在分析最小二乘支持向量机数学预测模型的基础上,提出一种改进的结合遗传算法的变尺度混沌优化方法,以进行最优模型参数的搜索,利用实测在线数据对模型进行训练并进行轧制力预测,仿真结果表明,利用该方法可使轧制力预测精度得到提高,平均误差率从BP神经网络的±10%降到±5%以下,为进一步提高热连轧厚度控制精度提供了一种有效方法.     

研究生招生规模建模与预测

研究生招生规模准确预测问题,研究生招生规模受到国家招生政策、政治、经济、社会需求等诸多因素的影响,影响因素之间关系错综复杂,具体量化难,表现为非线性过程。传统线性模型预测的准确率较低。为提高研究生招生规模的预测准确率,提出基于支持向量机的研究生招生规模预测模型。针对研究生招生历史数据零散、影响因素难以确定性描述等问题,通过对黑龙江省1981～2000年研究生招生历史数据进行分析的基础上,建立上了支持向量机的预测模型,并对2000～2004年的招生规模进行预测预测,预准确率度比较相近。仿真结果表明,支持向量机为研究生招生规模预测提供了一种新的研究方法。     

基于WPA-SVM的多分类故障混合诊断模型

针对目前机械故障诊断中难以进行特征提取和常规SVM算法诊断多类分类问题时存在困难等问题,提出了结合了WPA理论和基于二叉树的多级SVM分类器的WPA-SVM多分类故障混合诊断模型。采用小波包分析对机械信号提取频域能量特征向量,通过训练多个依赖故障优先级的基于二叉树的多级SVM分类器中,找到样本中的支持向量,并以此决定超平面。然后根据最优分类平面,对测试集的样本进行故障诊断。通过对两种不同特征提取方法、三种不同SVM识别策略的实验比较结果可知,该方法是有效的。     

基于独立成分分析的表面缺陷特征提取与识别方法

为了提取表面缺陷图像特征,常对图像进行线性变换,但通常的wavelet变换、Gabor变换及其基函数都是预先定义和不变的,不能适应于缺陷图像的特点.为此提出基于独立成分分析(ICA)和拓扑独立成分分析(TICA)的特征提取方法,并将其应用于冷轧带钢表面缺陷自动识别.首先利用ICA和TICA从缺陷集中自适应地估计出基函数和滤波器,这些基适应于缺陷图像的特点;然后用与基对应的滤波器对缺陷图像滤波,提取滤波响应作为特征向量;最后用支持向量机对样本进行分类识别.该方法建立在对缺陷集无监督学习的基础上,能够自适应地提取缺陷图像的显著特征,且计算简单,可并行处理.实验结果表明,文中方法对形状类缺陷、纹理类缺陷及其他缺陷的识别率都非常高,总体识别率可达95.52％.