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高精度宽带钢冷轧机板形智能控制为研究课题,进行了深入的理论研究、仿真研究和工业实验研究,取得了新的研究成果。 板形模式识别是板形控制的关键。针对板形模式识别的传统识别方法、模糊识别方法和神经网络识别方法等各自存在的问题,首次建立了以勒让德正交多项式为基模式、以模糊逻辑专家经验知识为支撑、基于遗传-BP算法混合优化、只用3个输入信号、3个输出信号的板形模式识别模糊神经网络模型。该模型不仅网络内部各层节点的物理意义明确,而且自适应能力和抗干扰能力强、识别速度快、精度高,可以满足带钢冷轧机高精度板形控制的要求,为板形模式识别提供了简便实用的新方法。 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形控制系统的性能起着至关重要的作用。针对液压弯辊板形控制系统,建立了电液伺服压力(油压)控制系统的数学模型,制定了一种遗传单神经元自适应模糊控制策略并应用于带钢板形控制中,以提高带钢的成材率,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。探索了一种非解析原理的弯辊板形自动控制建模方法,解决了系统建模带来的诸多困难。 板形预报模型是板形控制系统设计的重要基础,无论是板形控制系统中的调节机构控制特性分析,还是在线实时控制,都需要精确的板形预报模型。快速精确的板形预报模型必将提高板形控制系统的控制精度。传统的机理模型通过研究轧制金属内部三维塑性变形和轧辊的弹性变形,建立板形预报模型。由于受到金属本性、轧制条件、轧制设备等多方面因素的制约,同时板形控制系统是一个多变量、非线性、强耦合和纯滞后的控制系统,很难建立其精确的数学模型,因此机理模型难于用在板形在线预报中。为了提升板形预报模型的快速性和准确性,本文以生产实测数据为基础,建立了模糊神经组合式板形在线预报模型。将Elman动态递归神经网络及模糊控制技术引入到了板形预报中,它克服了机理模型中的反复迭代、计算时间长、无法考虑在线动态扰动及多层前馈神经网络存在的易将动态建模变成静态建模问题的缺点,探索了一种非解析原理的板形建模方法,解决了复杂系统建模带来