论文部分内容阅读
板形是高端冷轧带钢产品的主要衡量指标。当前,我国汽车工业处于高速发展期,高强度汽车用钢逐步成为汽车工业材料轻量化发展的主流,但高强钢的塑性差,变形抗力大等特性对板形控制提出更高的要求。本文以某高强钢1620mm冷带轧机为研究背景,针对其板形控制适应能力较差、高强钢板形控制效果不理想的问题,将板形模式识别及板形闭环自适应控制作为研究主线,并结合板形内环液压伺服位置系统控制、板形板厚解耦控制展开较系统深入的研究。本文主要研究工作如下:(1)针对参数摄动和负载扰动等不确定因素对冷带轧机液压伺服位置系统跟踪性能的影响,分别利用改进的扩张状态观测器(Extended state observer,ESO)和模糊自适应观测器对系统的综合不确定项进行观测估计,并设计了一种基于改进ESO的非奇异终端滑模控制器,以及一种基于模糊自适应观测器的非奇异快速终端滑模控制器。仿真验证了所设计控制器能有效提高系统的位置跟踪精度和鲁棒稳定性。(2)针对具有非线性、多变量的冷带轧机板形板厚耦合被控对象,首先利用具有较强特征识别能力的动态过程卷积神经网络(Convolutional neural network,CNN)设计冷带轧机板形板厚解耦器;其次,采用预测控制算法设计板形板厚预测控制器;最后,基于现场实际过程控制数据验证所设计的板形板厚解耦预测控制器的动态解耦性能。(3)针对神经网络板形模式识别方法中的优化参数数量多、训练过程复杂的问题,提出一种基于粒子群优化的核极限学习机(Kernel extreme learning machine,KELM)板形模式识别方法。该方法基于KELM设计板形模式识别模型,并利用粒子群算法对KELM的设定参数进行优化,最后通过基于现场板形仪检测数据验证所提方法的有效性。(4)针对板形控制系统参数随带钢特性和外部轧制环境时变的问题,基于渐消记忆递推最小二乘方法,对执行机构到板形模式的影响矩阵进行在线辨识,进而对板形进行自校正控制;分别建立了基于CNN的现场轧机板形系统仿真模型和板形自适应控制在线仿真平台,验证所提控制方法的有效性。