板形是衡量冷轧带钢质量的重要指标之一,其影响因素较多,相关规律复杂。随着社会对带钢需求的增长,过去仅仅依靠单纯人工预设定的控制方式已难于满足生产需求,实现在预设定基础上的板形闭环自动控制成为亟待解决的问题。而在闭环控制中,由于板形仪距带钢出口处有一段距离,造成板形检测信号的滞后,使得整个控制系统成为一个滞后控制系统,增加了控制的难度。滞后控制本身也是控制界的难题,至今还没有提出一套通用的、成熟的控制器设计方案,因此研究板形闭环控制中的滞后补偿方法,实现板形自动控制,具有重要的理论意义和实际应用价值。本文系统研究了300mm四辊冷带可逆轧机板形闭环控制系统的构成。由于板形控制手段的动态特性直接影响着系统的控制效果,因而有针对性地研究了弯辊系统和倾辊系统。为了准确获得它们的动态特性,首先通过理论分析的方法,建立机理模型,作为系统辨识的先验知识,继而通过筛选大量的阶跃响应数据,运用离线辨识的方法和Matlab辨识工具箱,得到更切合实际的系统离散模型,为控制器设计奠定基础。传统的Smith预估器是常用的滞后补偿器,但由于它是通过预估的线性化数学模型将滞后时间系统转化为非滞后时间系统,因此存在对模型依赖性强、适应差的缺陷。神经网络的自适应和自学习能力无疑可以弥补这一缺陷,然而其复杂的结构、繁琐的计算又严重制约了它的执行效率,难于应用到对实时性要求较高的工程实际中。为了保证实时性和自适应性,设计了单神经元的Smith预估器和在线学习的PID神经网络内模控制器。仿真结果表明所选方法可以有效地弥补Smith预估器的缺点,获得良好的系统性能。将其应用于实际的轧制过程,结果表明所设计的控制器比传统Smith预估器具有更好的适应性,更稳定的控制能力。