【摘 要】
：
热轧带钢厚度精度一直是提高产品质量的主要目标.针对传统PID控制方法在面对复杂工业过程的非线性、时变对象仍存在不尽人意之处,在监控AGC上,以PID控制器为基础,将具有自学习、自适应能力的神经网络和PID控制融合为一体,提出了RBF神经网络PID控制器,且应用于具有高度非线性、时变性的鞍钢1700生产线精轧机自动厚度控制系统,结果表明,它能有效改善产品的厚度精度,并具有良好的适应能力.
【机 构】
：
辽宁科技大学电信学院 辽宁省鞍山市 114044 鞍钢股份热轧带钢厂 辽宁省鞍山市 114021
论文部分内容阅读
热轧带钢厚度精度一直是提高产品质量的主要目标.针对传统PID控制方法在面对复杂工业过程的非线性、时变对象仍存在不尽人意之处,在监控AGC上,以PID控制器为基础,将具有自学习、自适应能力的神经网络和PID控制融合为一体,提出了RBF神经网络PID控制器,且应用于具有高度非线性、时变性的鞍钢1700生产线精轧机自动厚度控制系统,结果表明,它能有效改善产品的厚度精度,并具有良好的适应能力.
其他文献
阻容式分压器作为新型高压测量设备,正以其适合现代电力系统监控自动化的特点,在实时在线监测电压稳定状态方面得到越来越多的使用。另一方面,其分压器由于环境因素变化而发生变化从而影响电压测量精度的问题,必须得到重视。环境温度变化和对地杂散电容为影响测量精度的两大重要因素。本文通过对阻容式分压测量系统工作方式的分析,结合理论模型计算,相关参数的实际测量和比较,深入分析了环境温度的变化和杂散电容的存在对分压
波前编码技术是运用光瞳位相调制的方法实现焦深延拓的新技术,具有广泛的应用前景。本文利用光学仿真软件ZEMAX设计了一个波前编码光学系统,并将它的光学特性与传统光学系统进行了对比。模拟结果表明,波前编码系统能极大地提高成像系统的焦深。
主要针对欠驱动机器人的几何路径轨迹跟踪问题进行了研究,控制目标为使机械臂末端从初始位置沿着特定轨迹运动到期望位置.建立了操作空间下及路径坐标系下的系统动力学方程.动力学方程中关节角度变量用路径参数变量代替,即在控制过程中只需对路径参数变量进行控制.对每个路径参数变量设计相应的控制规律,在驱动力矩受限情况下,利用控制规律相互切换的思想,当其中一个参数不易受控时切换到另外一个控制律,最终实现了轨迹跟踪
文根据未知输入观测器的设计方法,提出一类Lipschitz非线性不确定系统的非线性观测器设计方法,给出现测器的LMI存在条件和相关证明.同时提出基于LMI的非线性观测器的算法,利用MATLAB的LMI工具箱设计非线性观测器的待定矩阵,简化了非线性观测器设计难点.通过数值仿真验证设计算法的有效性,以及对系统非线性因素的鲁棒性。
本文研究了采样数据(SD)系统的鲁棒故障检测的直接设计方法.通过引入连续提升来刻画SD系统在采样间隔间的特性,将SD系统转化为等价的离散时间系统.基于等价的离散系统,设计鲁棒故障检测系统使其对未知输入信号鲁棒,同时对故障信号具有较强的灵敏度.
针对一类具有执行器(或传感器)增益故障的不确定时滞系统,设计了有记忆静态输出反馈H∞容错控制器.提出的方法保证闭环系统在执行器(或传感器)增益故障的情况是稳定的,并且满足H∞范数性能指标,给出了保证问题有解的充分条件是时滞独立的,具有线性矩阵不等式形式.仿真结果表明了方法的有效性。
针对釜式反应器等实际系统建模困难、试验困难且代价高昂的特点,设计了一种基于时间序列暂态估计算法的故障预报新方法.利用系统初始正常状态下的特性表征值作为训练样本,建立在线学习的一类最小二乘支持向量回归(LS-SVR)模型,通过LS-SVR回归输出值判断系统的暂态特征,实现快速故障预报.同时通过最小二乘拟合暂态特征的回归趋势,估计故障发生的大概时间.该方法无需故障系统的数学模型或故障先验知识,可在故障
该文对传统小波滤波器结构和系数进行改进,提出了一种高效的整数算法小波变换的构造方案.在此基础上,针对电力系统数据自身的特点,对小波变换后的低高频数据分别进行二次压缩,低频数据采用Ray-Period压缩算法,高频数据采用改进的阈值压缩算法.压缩实验证实,该算法能在均方误差优于2.0×10-4的情况下,获得6.2％的压缩比,并且速度比传统小波变换的压缩算法提高了十倍以上,具有实用价值。
本文提出了一种离线的基于时域指标的最优PID参数整定算法.该算法以改进的误差积分指标(ITAE)作为优化性能指标,针对PID控制中的设定点跟踪、负载扰动抑制问题分别建立了目标函数,应用效用函数方法将多目标优化问题转变为单目标优化问题,并增加极点约束条件以确保PID控制回路的稳定性和实用性。该优化问题是一个以P、I、D三个参数为决策变量的非线性优化问题,在本文中使用标准的遗传算法对该问题进行求解.仿
经典的PID神经网络的神经元传递函数不连续,导致学习算法过于复杂,尤其当采用并联辨识模式时,很难保证算法收敛.本文根据信号流图理论,推导了一种能保证算法收敛的在线学习算法.新的在线学习算法直接从PID神经网络的信号流图中获取梯度信息,避免了复杂的求导过程,提高了算法的效率,并且该算法具有自适应的学习速率.仿真结果表明,即便是采用并联辨识模式,本文提出的算法也能保证收敛,并且对输出扰动具有较强的抑制