板带材在国民经济各部门中具有广泛而重要的应用。板带材的质量指标之一是板形(平直度)。由于板带材使用部门对板形精度的要求越来越高，使板形控制成为现代高精度板带轧机的关键技术和重要的技术发展方向。板形识别与板形控制理论及数学建模则是此项技术的理论基础和关键科学问题。 板形识别与板形控制是现代板带轧制中的关键技术和国际前沿研究课题。板形控制理论和数学建模理论还不能适应现代板形控制技术发展的要求。本文以人工智能理论为基础，选择具有理论和工程实际意义的冷带轧机板形智能识别与智能控制为研究课题，进行了深入的理论研究与工业应用研究，取得了新的研究成果。 板形模式识别是板形控制的关键。针对板宽变化时需要不同拓扑结构的神经网络才能完成识别任务，网络学习工作量大、同时神经网络本身存在收敛速度慢、局部极小等结构性能不佳的问题，以勒让德正交多项式为板形基本模式，首次建立了只用6个输入信号、3个输出信号的板形模式识别GA-BP网络模型，该模型不仅结构简单，而且物理意义明确，识别精度较高；该方法是将待识别信号与标准样本之间的欧氏距离作为神经网络的输入，网络的结构和权值的优化方法是自适应遗传算法和BP算法结合，在遗传算法全局寻优的基础上，用BP算法局部求解，从而建立一个优化神经网络。目的在于使该网络性能在训练中始终保持最优，始终达到最佳结构，有效解决了板宽变化时神经网络结构形式不变的问题，从而实现了板形信号模式识别的智能化，为板形控制策略的制定提供依据。 改进了传统最小二乘板形模式识别方法，建立了基于勒让德正交多项式的板形模式识别直接法，方法简单、实用，识别精度较高；不仅增加了一种新的模式识别方法，而且解决了传统模式识别、模糊逻辑模式识别方法解决不好和解决不了的问题，大大扩展了模式识别的应用范围，克服了传统的基于最小二乘法板形模式识别的缺点和不足。 针对传统遗传算法的搜索过程带有一定的盲目性，其收敛特性不稳定且收敛速度缓慢，特别是在系统规模较大时，优化效果的明显改善往往需要相当长的时间，而且不适合候选解的精调，难以确定解的确切位置，提出一种新型自适应性遗传算法，并在此基础上，用BP算法优化前向神经网络权值，综合了两种算法的优点，即遗传算法的全局收敛性和BP算法局部搜索的快速性，强化了遗传算法的渐进收敛和进化能力，全面改善了算法的收敛性，提高了收敛速度及训练精度，也扩展了泛化能力。避免了它们各自存在的问题，使其更有效的应用于神经网络的学习中。 液压弯辊是板形控制系统最基本的环节，它的动态特性和稳态性能对于整个板 燕山大学工学博士学位论文一形控制系统的性能起着至关重要的作用（主要指快速性和超调量卜针对其非线性、时变性及不确定性，设计了神经网络模型参考自适应控制方案并应用于带材控制中，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。 针对液压伺服系统固有特性和液压控制中存在的问题，提出了一种基于前馈神经网络的智能内模控制（IMC）方案，其设计过程分两步进行：第一步，训练一个神经网络描述对象响应；第二步，训练一个网络描述对象的逆，并将此网络作为IMC控制器。将其用于液压弯辊系统，仿真结果表明该系统的性能良好，鲁棒性强，优于常规IMC系统，这类智能控制器适合于对象参数变化、模型不确定和非线性的控制。探索了一种非解析原理的板形自动控制建模方法，解决了系统建模带来的诸多困难。 带钢的轧制过程涉及大量非线性因素，而且轧制过程中的某些条件还具有时变和强耦合特性，因此建立板形系统的精确数学模型具有相当大的难度，是板形控制的难点。本文利用人工智能方法建立了冷带轧机的板形预测模型，探索了一种非解析原理的板形建模方法，解诀了复杂系统建模带来的诸多困难。在此基础上提出板形控制影响矩阵法，建立了冷带轧机板形控制影响矩阵法的理论框架，丰富了板形自动控制理论。 将提出的板形智能识别和板形智能控制理论在邯钢集团衡水薄板有限公司900HC轧机上进行了应用研究。将现场轧制数据及基于轧制过程的物理机制而建立的机理模型相结合，建立了 900HC轧机的板形预测模型，为板形控制提供了智能模型，实现板形设定控制和闭环控制。 选择具有理论和工程实际意义的冷带轧机扳形智能识别与控制为研究课题，对板形模式识别、弯辊闭环控制、板形预测控制等进行了研究，不仅对于板形识别理论与板形控制理论的发展有重要意义，对于板形智能控制技术也有重要的实际意义和应用价值，具有一定的工程指导意义。