双辊铸轧工艺将传统的铸造与轧制工艺合二为一,使液态金属在极短的时间内铸轧成型为1～6mm的薄板。与传统工艺相比,双辊铸轧技术具有流程短、成本低、生产效率高、环境污染小等优点。目前部分发达国家虽已初步建成了商业化双辊铸轧生产线,但因检测设备、控制模型精度等问题,严重限制了该工艺的发展。我国的双辊铸轧技术起步较晚,在控制模型、集成化控制水平上与国外存在较大差距。双辊铸轧工艺中,金属熔池液位的波动会对金属材料后续的凝结、轧制等工艺产生直接影响,为了生产高质量的金属薄板,保持金属熔池液面的稳定性,实现金属熔池液位的精准控制是十分必要的。本课题以辽宁科技大学镁合金实验室自主研发的双辊铸轧机为研究对象,采用神经网络控制方法解决传统控制方法不易实现的双辊铸轧机熔池液位自适应控制难题,并针对神经网络控制存在的问题,本文又进一步提出多维粒子群算法对网络模型控制器的结构参数进行调整,同时为了提高粒子群算法的搜寻精度,在算法设计过程中采用基于变惯性权重的粒子群算法,进一步优化了控制器的控制性能。本文首先介绍了双辊铸轧技术的工艺,分析熔池液位控制的难点及意义,并简述了液位控制研究及相关技术的发展现状。以此为基础,建立金属熔池液位系统的数学模型,分析各工艺参数对熔池液位的影响,然后采用基于BP-PID的神经网络控制策略对液位进行控制。针对BP神经网络控制存在的问题,提出性能更好的基于Kmeans聚类算法的径向基神经网络控制策略,分析仿真实验结果,该控制策略相比于BP神经网络控制策略,控制效果较理想,但仍存在超调量较大,响应滞后等问题。最后本文采用变惯性权重的多维粒子群算法优化Kmeans-RBF神经网络控制器的性能,详细介绍了该控制器的设计方法及实现方式,并通过对比实验证明本文提出的优化控制策略具有更高的精确性和稳定性。