中厚板轧机液压AGC系统的控制研究

发布时间：2017-09-03 06:18

  本文关键词：中厚板轧机液压AGC系统的控制研究

  更多相关文章： 液压厚度自动控制 模糊控制 RBF神经网络 PID控制器

【摘要】：随着钢铁行业的不断发展,厚度作为衡量板带材质量好坏的重要指标,人们对其精度的要求也在不断提高。液压厚度自动控制(AGC,Automatic Gauge Control)具有精度高、操作简单、安全可靠等优点,是目前厚度控制的主要方法之一,受到了专家和学者们的广泛关注。液压AGC系统结合了厚度自动控制技术和液压伺服技术的优点,相对以往的厚度控制系统有了很大的进步,但由于液压AGC系统具有非线性、强耦合的特性,且其控制过程中受多个变量的影响,故传统的PID控制往往不能满足高精度的轧制要求。为提高液压AGC系统的控制精度,本文针对其控制策略进行了研究。本文首先在分析轧机液压AGC系统组成及其控制原理的基础上建立了液压AGC位置控制系统的组成框图。然后,针对系统中伺服放大器、电液伺服阀、非对称液压缸等元件,通过机理分析分别建立了其数学模型,并根据实际工艺确定了模型中的参数。最后,在各部分数学模型的基础上,建立了液压AGC位置控制系统的数学模型,并对其进行了化简得到了最终的传递函数。然后针对传统PID控制器的不足,设计了模糊PID控制器,能够实现PID参数的自适应整定,并使用MATLAB中的M文件编程实现了模糊PID控制器在液压AGC位置控制系统中的应用。仿真结果表明,模糊PID控制方法能够提高系统的响应速度和稳定性,但当系统参数改变时,其鲁棒性一般,同时,在模糊PID控制器设计过程中,需要根据专家经验逐条编写模糊规则,这使其在实际应用的过程中受到了一定的局限。针对上述模糊PID控制器存在的不足,设计了模糊RBF神经网络PID控制器。仿真结果表明该控制方法不仅在快速性和稳定性方面有了一定的提高,并且在参数改变时,系统的鲁棒性也有了较好的改善。因此该方法能够满足现代金属轧制行业对自动厚度控制系统的要求,有较强的实用性。
【关键词】：液压厚度自动控制 模糊控制 RBF神经网络 PID控制器
【学位授予单位】：辽宁科技大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TG334.9
【目录】：

• 中文摘要5-6
• ABSTRACT6-9
• 1. 绪论9-13
• 1.1 引言9
• 1.2 板厚自动控制技术发展的趋势9-10
• 1.3 板厚自动控制技术在国内外研究现状10-11
• 1.4 液压AGC系统的研究目的和意义11
• 1.5 本课题主要研究内容11-13
• 2. 板厚控制系统原理及方法13-26
• 2.1 自动厚度控制基本原理13-14
• 2.2 轧制过程中厚度变化的基本规律14-19
• 2.2.1 轧件实际出口厚度随空载辊缝变化的规律14-15
• 2.2.2 轧件实际出口厚度随轧机刚度变化的规律15
• 2.2.3 轧件实际出口厚度随轧制压力变化的规律15-18
• 2.2.4 轧件实际出口厚度随轧制工艺条件变化的规律18-19
• 2.3 轧机AGC几种基本的控制方式19-25
• 2.3.1 厚度计(GM)式AGC19-20
• 2.3.2 监控式AGC20-22
• 2.3.3 前馈式AGC22-24
• 2.3.4 秒流量式AGC24-25
• 2.3.5 基于智能控制算法的AGC25
• 2.4 本章小结25-26
• 3. 液压AGC系统建模26-40
• 3.1 轧机厚度控制系统的控制方式及构成26-27
• 3.2 液压AGC系统的组成27-29
• 3.3 液压AGC位置控制系统的控制原理29
• 3.4 液压AGC位置控制系统的数学模型29-38
• 3.4.1 伺服放大器的数学模型29-30
• 3.4.2 电液伺服阀的数学模型30-32
• 3.4.3 液压缸的数学模型32-35
• 3.4.4 位移传感器的数学模型35
• 3.4.5 系统参数的计算35-38
• 3.5 液压AGC位置控制系统的传递函数38-39
• 3.6 本章小结39-40
• 4. 液压AGC系统的控制算法及仿真研究40-66
• 4.1 传统PID控制器的设计40-41
• 4.1.1 PID控制算法原理40-41
• 4.2 模糊PID控制器的设计41-46
• 4.2.1 模糊PID控制器基本结构41-42
• 4.2.2 模糊PID控制器的模糊化和隶属度函数42-44
• 4.2.3 模糊PID控制器规则表及模糊推理44-46
• 4.3 传统PID与模糊PID的仿真研究46-51
• 4.4 模糊RBF神经网络PID控制器的设计51-59
• 4.4.1 神经网络51-53
• 4.4.2 RBF神经网络53-54
• 4.4.3 模糊RBF神经网络54-57
• 4.4.4 基于模糊RBF神经网络的PID控制器的设计57-59
• 4.5 传统PID和模糊RBF神经网络PID的仿真研究59-65
• 4.6 本章小结65-66
• 5. 结论与展望66-67
• 参考文献67-70
• 攻读硕士学位期间发表学术论文情况70-71
• 致谢71-72
• 作者简介72-73

【相似文献】

中国期刊全文数据库 前10条

1 雷明,李作清,陈志祥,吴雅,杨叔子;神经网络在预报控制中的应用[J];机床;1993年11期

2 杨自厚;神经网络技术及其在钢铁工业中的应用第8讲人工神经网络在钢铁工业中的应用(下)[J];冶金自动化;1997年05期

3 李润生,李延辉,胡学军,刘壮,王守俭;神经网络在冶金中的应用[J];钢铁研究;1998年02期

4 刘海玲,刘树深,尹情胜,夏之宁,易忠胜;线性神经网络及在多组分分析中的初步应用[J];计算机与应用化学;2000年Z1期

5 王继宗,王西娟;用神经网络确定梁上裂纹位置的研究[J];煤炭学报;2000年S1期

6 赵学庆,袁景淇,周又玲,贺松;生物发酵过程神经网络状态预报器的验证[J];无锡轻工大学学报;2000年06期

7 李智,姚驻斌,张望兴,贺超武;基于神经网络的混匀配料优化方法[J];钢铁研究;2000年04期

8 胡敏艺,马荣骏;神经网络在冶金工业中的应用[J];湖南有色金属;2000年05期

9 倪建军,邵琳;利用神经网络进行观测数据的分析与处理[J];连云港化工高等专科学校学报;2000年04期

10 裴浩东,苏宏业,褚健;材料工程中基于神经网络的稳态优化策略[J];材料科学与工程;2001年02期

中国重要会议论文全文数据库 前10条

1 徐春玉;;基于泛集的神经网络的混沌性[A];1996中国控制与决策学术年会论文集[C];1996年

2 周树德;王岩;孙增圻;孙富春;;量子神经网络[A];2003年中国智能自动化会议论文集（上册）[C];2003年

3 罗山;张琳;范文新;;基于神经网络和简单规划的识别融合算法[A];2009系统仿真技术及其应用学术会议论文集[C];2009年

4 郭爱克;马尽文;丁康;;序言(二)[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

5 钟义信;;知识论:神经网络的新机遇——纪念中国神经网络10周年[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

6 许进;保铮;;神经网络与图论[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

7 金龙;朱诗武;赵成志;陈宁;;数值预报产品的神经网络释用预报应用[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

8 田金亭;;神经网络在中学生创造力评估中的应用[A];第十二届全国心理学学术大会论文摘要集[C];2009年

9 唐墨;王科俊;;自发展神经网络的混沌特性研究[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年

10 张广远;万强;曹海源;田方涛;;基于遗传算法优化神经网络的故障诊断方法研究[A];第十二届全国设备故障诊断学术会议论文集[C];2010年

中国重要报纸全文数据库 前10条

1 美国明尼苏达大学社会学博士 密西西比州立大学国家战略规划与分析研究中心资深助理研究员 陈心想;维护好创新的“神经网络硬件”[N];中国教师报;2014年

2 卢业忠;脑控电脑 惊世骇俗[N];计算机世界;2001年

3 葛一鸣 路边文;人工神经网络将大显身手[N];中国纺织报;2003年

4 中国科技大学计算机系　邢方亮;神经网络挑战人类大脑[N];计算机世界;2003年

5 记者 孙刚;“神经网络”：打开复杂工艺“黑箱”[N];解放日报;2007年

6 本报记者 刘霞;美用DNA制造出首个人造神经网络[N];科技日报;2011年

7 健康时报特约记者　 张献怀;干细胞移植：修复受损的神经网络[N];健康时报;2006年

8 刘力;我半导体神经网络技术及应用研究达国际先进水平[N];中国电子报;2001年

9 ;神经网络和模糊逻辑[N];世界金属导报;2002年

10 邹丽梅 陈耀群;江苏科大神经网络应用研究通过鉴定[N];中国船舶报;2006年

中国博士学位论文全文数据库 前10条

1 杨旭华;神经网络及其在控制中的应用研究[D];浙江大学;2004年

2 李素芳;基于神经网络的无线通信算法研究[D];山东大学;2015年

3 石艳超;忆阻神经网络的混沌性及几类时滞神经网络的同步研究[D];电子科技大学;2014年

4 王新迎;基于随机映射神经网络的多元时间序列预测方法研究[D];大连理工大学;2015年

5 付爱民;极速学习机的训练残差、稳定性及泛化能力研究[D];中国农业大学;2015年

6 李辉;基于粒计算的神经网络及集成方法研究[D];中国矿业大学;2015年

7 王卫苹;复杂网络几类同步控制策略研究及稳定性分析[D];北京邮电大学;2015年

8 张海军;基于云计算的神经网络并行实现及其学习方法研究[D];华南理工大学;2015年

9 李艳晴;风速时间序列预测算法研究[D];北京科技大学;2016年

10 陈辉;多维超精密定位系统建模与控制关键技术研究[D];东南大学;2015年

中国硕士学位论文全文数据库 前10条

1 章颖;混合不确定性模块化神经网络与高校效益预测的研究[D];华南理工大学;2015年

2 贾文静;基于改进型神经网络的风力发电系统预测及控制研究[D];燕山大学;2015年

3 李慧芳;基于忆阻器的涡卷混沌系统及其电路仿真[D];西南大学;2015年

4 陈彦至;神经网络降维算法研究与应用[D];华南理工大学;2015年

5 董哲康;基于忆阻器的组合电路及神经网络研究[D];西南大学;2015年

6 武创举;基于神经网络的遥感图像分类研究[D];昆明理工大学;2015年

7 李志杰;基于神经网络的上证指数预测研究[D];华南理工大学;2015年

8 陈少吉;基于神经网络血压预测研究与系统实现[D];华南理工大学;2015年

9 张韬;几类时滞神经网络稳定性分析[D];渤海大学;2015年

10 邵雪莹;几类时滞不确定神经网络的稳定性分析[D];渤海大学;2015年

，

本文编号：783345