基于IGA的板形板厚神经网络分散解耦PID控制

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．该文首先采用神经网络分散解耦方法，对此板形板厚多变量耦合系统进行解耦，而后再应用基于免疫遗传算法的PID控制对解耦后的已近似成为两个独立的SISO系统的广义对象进行控制。从而建立了基于免疫遗传算法的板形板厚神经网络分散解耦PID控制系统。仿真结果证明了此AFC—AGC控制系统具有良好的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。     

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.     

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。     

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.     

基于动态RBF神经网络的板形板厚综合控制仿真研究

基于RBF神经网络的特点提出了一种动态调节隐含层隐节点个数的方法，由2部分组成：首先以网络输出数据的均方误差及其变化率为标准来调节隐含层节点的数目，然后调节优化隐含层节点的中心值，根据广义逆矩阵的方法求出输出层权值．所设计的神经网络具有最少的隐含层节点数，提高了学习训练速度，构造了板形板厚综合控制的数学模型，采用新的模型处理方法，用动态RBF神经网络进行控制仿真，取得了理想的结果．     

基于分散鲁棒控制策略的冷连轧板形板厚多变量系统研究

在冷连轧生产中,通过弯辊来控制板形质量时,在一定程度上会对出口板厚造成影响;而通过调节辊缝来达到控制板厚质量时又会影响板形,这是一个耦合的双入双出过程.针对板形板厚多变量耦合系统,提出一种分散鲁棒控制策略,充分发挥鲁棒控制器的抗干扰性能,将耦合通道人为看作扰动后,针对独立通道分别设计鲁棒控制器,从而在保证各控制通道鲁棒性的同时实现了解耦.仿真实验结果表明了该设计的有效性.     

基于多支持向量机模型和优化控制器的板形板厚控制

针对带钢热连轧过程中互相耦合的板形、板厚控制问题,提出一种综合控制策略.首先,在输入空间划分的基础上建立包含多个子模型的多支持向量机模型,并通过主元分析方法实现模型输出的综合;然后,利用建立起来的模型设计优化控制器,对板形、板厚进行综合控制.计算机仿真和现场实验结果均表明了所提出的基于多支持向量机模型的综合控制策略能同时有效地减小板形、板厚偏差.     

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。     

基于小波神经网络的板形板厚综合系统逆控制

针对板形板厚综合系统具有强耦合、非线性、含纯滞后环节的特点,提出一种基于小波神经网络的逆控制方案.利用两个结构相同的小波神经网络构造Smith预估器,预估器的输入参数与时延阶次无关,能较好地解决小波神经网络对维数较为敏感的问题.采用神经网络逆控制的思想设计小波神经网络控制器,引入多步预测性能指标函数对控制器权值进行在线训练.仿真研究表明,该控制方案具有较快的响应速度和良好的动态性能.     

基于小波神经网络的板形板厚系统解耦预测控制

带材轧制是一个复杂的非线性过程, 板形控制和板厚控制又是强耦合、非线性、含时延环节的复杂系统. 提出了一种基于小波神经网络的解耦预测控制方案; 利用小波神经网络来辨识原系统的α阶时延逆系统, 将该逆系统与原系统串联后形成一个伪线性复合系统, 从而把多变量系统控制转化为多个单变量系统的控制实现了系统解耦, 并对解耦后的系统采用闭环预测控制. 仿真表明该控制方法具有结构简单、易于实现, 且有较强的抗扰性和鲁棒性.     

Implementation of the RBF neural chip with the back-propagation algorithm for on-line learning

This article presents the hardware implementation of the floating-point processor (FPP) to develop the radial basis function (RBF) neural network for the general purpose of pattern recognition and nonlinear control. The floating-point processor is designed on a field programmable gate array (FPGA) chip to execute nonlinear functions required in the parallel calculation of the back-propagation algorithm. Internal weights of the RBF network are updated by the online learning back-propagation algorithm. The on-line learning process of the RBF chip is compared numerically with the results of the RBF neural network learning process written in the MATLAB program. The performance of the designed RBF neural chip is tested for the real-time pattern classification of the XOR logic. Performances are evaluated by comparing results from the MATLAB through extensive experimental studies.     

RBF神经网络的板形预测控制

由于板带轧制的环境十分复杂,如温度的变化是无法避免的干扰,以及HC轧机液压弯辊系统的非线性和不确定性,使得按传统理论建立的模型和控制方法都难以达到理想的效果.针对这一问题,提出了一种基于径向基函数(RBF)神经网络的模型预测控制方案应用于带材控制中,以提高带材的成材率,充分发挥液压弯辊力对板形的调整作用,改善轧机系统的动态特性.仿真结果表明了该控制系统的性能良好,有较强的抗干扰能力和较好的鲁棒性和快速性.     

遗传算法在电站锅炉燃烧优化中的应用

提出了一种新的RBF神经网络的设计方法,采用遗传-K均值聚类算法对RBF神经网络的隐层节点中心值进行优选,用遗传算法训练RBF神经网络的权值。以锅炉燃烧为实例,通过从现场采集的数据建立神经网络模型,并用遗传算法寻找最优输入变量组合,实现锅炉燃烧优化。     

改进递归最小二乘RBF神经网络溶解氧预测

为提高溶解氧预测的准确性,将基于改进型递归最小二乘算法优化的径向基函数（ RBF）神经网络方法应用于溶解氧预测。利用K均值聚类算法进行隐层单元中心选择;利用改进型递归最小二乘算法优化RBF神经网络隐含层到输出层的权值。仿真结果表明：该方法对溶解氧的预测具有较好的非线性拟合能力,预测精度优于RBF神经网络和递归最小二乘算法优化的RBF神经网络。     

权值与结构双确定法的RBF神经网络分类器

为了解决径向基函数(RBF)神经网络权值与结构难以确定的问题,基于权值直接确定法,及隐层神经元中心、方差、数目与神经网络性能的关系,提出一种边增边删型的网络权值与结构双确定法。在此方法基础之上,构建一种RBF神经网络分类器并探讨其分类性能和抗噪能力。计算机数值实验结果验证所提出的边增边删型的权值与结构双确定法能够快速、有效地确定网络的中心、方差和网络最优的权值与结构,所构造的模式分类器具有优越的分类性能和抗噪能力。     

提高AGC厚度控制精度及其百分比的研究

为进一步提高带坯全长厚度控制精度，需提高本体头部命中率，以便绝对AGC投入。介绍了采用动态设定DSU、Taper Head、TaperTail控制算法以维持轧制力恒定来保证板形。为了能够在热轧生产线上应用，通过对造成轧制力偏差原因的分析，依据实际现场数据对不同轧制规程进行计算，给出了DSU穿带的约束条件，避免了穿带自适应误动作。在本体厚度控制中，提出了基于相位补偿的轧辊偏心控制方案，分析其特点及基于相位补偿控制的优越性，并给出实际的F3机架轧制力滤波效果。实际应用结果表明，该控制算法是有效的。     

基于K均值与WPA-RBF神经网络模拟电路故障诊断

针对模拟电路故障诊断进行了研究,提出了一种新的方法。该方法包括haar的小波分解,对数据的归一化处理,以及用K均值优化RBF的中心向量和宽度,用狼群算法优化RBF的权值。首先用haar小波对所得的电路原始故障数据集进行变换,然后对变换后的数据进行归一化处理,最终得出RBF神经网络训练所需的输入数据。针对RBF神经网络中隐层节点中心、基函数宽度及权值选取困难问题,这里用K均值优化RBF的中心向量和宽度,用狼群算法优化RBF的权值,以提高网络训练稳定性与诊断成功率。最终通过两个电路的诊断实例,来论述该方法的具体实现过程,验证用该方法进行模拟电路故障诊断的可行性。     

一种基于模糊RBF神经网络的Smith预估器

为克服带钢热连轧层流冷却系统中大滞后环节产生的不利影响，提高控制精度，提出了将模糊RBF神经网络与Smith预估器相结合的方法。采用基于改进型模糊C-均值聚类算法的RBF神经网络建立预测模型。获得了较高的精度和较快的学习速度。改进后的模糊C-均值聚类算法具有更好的鲁棒性，且放松了隶属度条件，使得最终聚类结果对预先确定的聚类数目不敏感。将该控制器应用到卷取温度控制中，能把卷取温度控制在598～705℃的范围内，满足了实际生产的需要。