论文部分内容阅读
随着科学技术的飞速发展及生产规模的不断扩大,现代工业过程变得越来越复杂,过程的非线性、大滞后的特点使传统的建模方法和控制策略已经远远不能满足当今复杂工业过程的要求。神经网络具有很强的非线性逼近能力,并具有自学习、自适应能力,能够适应不确定系统的动态特性,因此有很强的鲁棒性和容错性。预测控制是一种基于预测模型的控制算法,根据过程的历史信息判断将来的输入和输出,因此能够有效地对大滞后对象进行控制。全氢罩式炉炉温的控制精度直接影响到钢卷退火的质量。而全氢罩式炉退火生产过程炉温的非线性、时变、多干扰、大滞后的特点,使传统PID控制策略已经不能够满足高精度炉温控制的要求。本文根据复杂工业过程的特点,以全氢罩式炉炉温为控制对象,针对全氢罩式炉炉温的非线性和大滞后,提出将RBF神经网络、预测控制、PID控制三种理论有机地结合,构建了基于RBF神经网络的PID预测控制策略,并在MATLAB仿真平台上进行了大量的研究实验,证明了所提算法的可行性和有效性。论文的主要研究内容包括:(1)深入某热连轧厂生产第一线,学习研究了全氢罩式炉的结构特点生产工艺及其现场存在的主要问题。(2)深入研究了径向基(RBF)神经网络的学习算法,并针对目前常用的最近邻聚类算法的一些缺点提出了改进方案。并以电力系统中断路器的实际数据,用改进的RBF神经网络对断路器的故障模式进行诊断。通过仿真试验,验证了改进后的RBF神经网络建模的有效性。(3)针对目前复杂工业过程建模与控制存在的问题,以全氢罩式炉炉温为对象,提出了基于RBF神经网络的PID预测控制策略。先用RBF神经网络建立一个炉温的预测模型,再用经过反馈校正后的模型预测值与温度设定值的偏差对RBF神经网络PID控制器进行在线调整,进而对罩式炉燃气流量实施控制,从而以理想的退火曲线对带钢进行退火。(4)在MATLAB仿真平台上,对所提出的改进型RBF神经网络及神经网络PID预测控制策略进行了大量的仿真研究。解决了所提方法中的关键技术,验证了建模和控制方法的可行性和有效性。