论文部分内容阅读
控制系统的分析和设计中,被控对象或者被控过程的数学模型是极为重要的基础。要控制一个对象或者过程,首先必须要了解其工作机理和特性,其次就要建立其精确的数学模型进行定量分析,最后通过控制达到期望的效果。简单对象或者过程的数学模型容易建立,但是对于一些复杂系统或者过程,其数学模型由于多方面的原因很难建立,所以其控制方案就无法设计。近年来人工智能理论的快速发展,以数据驱动的建模方法引起了广大学者的关注,并将其应用于复杂非线性系统的建模中。本文以RBF-ARX(Radial Basis Function-AutoRegressive eXogenous)模型优化设计及在板形控制系统中的应用研究为课题,在智能控制理论的基础上,设计了遗传算法(Genetic Algorithm,GA)优化的RBF-ARX系统建模方案,并与传统的结构化非线性参数优化方法(SNPOM)优化的RBF-ARX模型做深入的对比研究,实现了板形缺陷模式的识别与控制。首先深入研究了RBF-ARX模型的内部结构和其传统的优化方法SNPOM,针对SNPOM在参数优化过程中运算复杂、占用的存储空间大的缺点,引入了递推最小二乘法进行了改进;同时为了推广RBF-ARX模型在工程领域的应用,进一步提出了GA替代SNPOM的设想,构造了GA-RBF-ARX系统建模和优化方案,大大简化了模型参数的优化过程。其次,针对某900HC可逆冷轧机,建立了GA-RBF-ARX的板形缺陷模式识别模型,仿真验证表明GA-RBF-ARX在板形识别上的效果要比SNPOM优化的效果好。另外,为了验证RBF-ARX模型的建模效果,本文还利用具有联想记忆功能的离散Hopfield网络结构进行了对比研究。最后基于GA-RBF-ARX引入了预测控制策略,建立了包含板形缺陷识别模型、板形缺陷预测模型的完整板形智能控制系统。仿真验证表明GA-RBF-ARX模型在板形缺陷预测上能够跟踪轧机板形的实际输出,同时能够实现板形缺陷的控制精度,满足生产中对板带钢材的要求,是一种有效的建模和控制方法。