TOP28【毕业设计】单神经元PID控制在热连轧监控AGC上的应用.doc文档免费在线阅读

对积分比例和微分分别采用了不同的学习速率，以便对不同的权系数分别进行调整。

值的选择非常重要。

越大，则快速性越好。

但超调量大，甚至可能使系统不稳定。

当被控对象时延增加时，值必须减小，以保证系统稳定。

值选择过小，会使系统的快速性变差。

单神经元自适应控制器实质上为变系数的比例积分微分复合控点，无论在理论还是实践上都将具有重要的意义。

本文就是主要基于有监督的学习算法，把传统的与神经元网络相结合，针对热连轧监控实施单神经元自适应控制策略，该控制方式有效的提高了控制技术在其中扮演了十分重要的角色，并且仍将成为未来研究与应用的重点技术之，这是因为类型的控制技术在工业过程控制中仍占有主导地位，如果能发现性能优于的控制器，且具有类似易于使用的特新的思路，成为目前提高过程控制质量的重要途经。

而神经网络作为现代信息处理技术的种，正在很多应用中显示它的优越性，它在自动控制领域的应用成果神经网络控制也成为令人瞩目的发展方向。

而单神经网络在多种控制场合取得了很好的效果，但随着生产工艺的日益复杂和人们对工业过程总体性能要求的不断提高，传统的控制方法往往难以满足闭环优化控制的要求。

基于知识且不依赖于模型的智能控制为解决这类问题提供了上，其有效的提高了的厚控精度，改善了系统的动态响应和滞后性。

课题的研究方法为了解决带有纯滞后性的监控系统，提出了基于单神经元网络的控制器。

控制方法是经典控制算法中的典型代表，并和基于多层网的近似控制器进行了仿真研究，并比较分析了各种控制器的优缺点，并针对缺点提出了相应的改进方案。

文献介绍了基于单神经元网络控制器，及其算法，来应用于监控等方面优于传统方法。

在国内，文献对目前研究较为成熟的神经网络控制进行了归纳，根据工业控制的需要，对几种典型的神经网络控制器基于单神经元的控制器，基于多层网的控制器形控制，利用神经网络进行板形识别，综合利用神经网络和模糊逻辑进行板形控制，利用自组织模型进行操作数据分类等等，取得了令人满意的效果。

实际应用结果表明，人工神经网络在轧钢生产中的自动控制，模型辨识与优化用智能控制的监控系统收敛速度明显加快，适应能力与鲁棒性比常规控制要好。

在神经网络的应用方面，国外已有许多人工神经网络在轧钢中应用的实例，如在日本，冷连轧机组压下规程的设定，多辊轧机板王京提出了基于神经网络的控制器与预估器相结合的智能控制系统，并对传统监控应用预估器的监控及应用智能控制的监控系统进行了仿真结果表明，应因。

文献针对间接测厚的厚度控制系统其精度总是低于射线测厚仪直接测出的厚度值提出了对系统进行监控，并介绍了监控的作用。

为了解决带有纯滞后的监控系统的控制问题，北京科技大学的于丽杰压力模型进行了分类和对比研究，并提出了种新的压力模型，经过详细的分析比较，证明新的压力模型具有良好厚度估计精度和系统动态特性。

文献针对自动控制系统进行了介绍，给出了产生厚差的原系统。

东北大学的王君，牛文勇，王国栋将模型分为厚度估计模型和厚度调节模型两部分，分别对应于系统的静态指标和动态指标，依据各部分所采用的轧机弹跳方程和金属塑性变形方程形式的不同，对各种典型的无疑是十分必要和有意义的。

国内外研究现状随着钢铁行业的竞争日益激烈，高质量高产量高成材率低成本已经成为现代钢铁企业得以生存的必备条件。

这就要求企业采用先进工艺先进设备先进的控制策略来完善控制术水平上了个新的台阶。

为克服监控控制上的不足，提出了单神经元网络控制策略，应用到监控上，以进步提高的厚控精度，改善的滞后性和动态品质，这对提高产品质量和企业经济效益被控量和控制量存在着各种约束，传统的控制方法显然已不能满足生产的要求。

先进的控制策略为热轧生产开辟了崭新的道路，其成功的控制方案可以提高产品质量的均匀性和致性，提高系统的稳定性，从而使工业生产的技品的质量和生产的稳定性，对轧机监控系统进行精确控制非常必要。

因此，本课题的研究与实现具有重要的理论意义和实际意义。

板带热连轧是个复杂的工业控制过程，控制参数众多，各变量之间存在较强的耦合关系，品的质量和生产的稳定性，对轧机监控系统进行精确控制非常必要。

因此，本课题的研究与实现具有重要的理论意义和实际意义。

板带热连轧是个复杂的工业控制过程，控制参数众多，各变量之间存在较强的耦合关系，被控量和控制量存在着各种约束，传统的控制方法显然已不能满足生产的要求。

先进的控制策略为热轧生产开辟了崭新的道路，其成功的控制方案可以提高产品质量的均匀性和致性，提高系统的稳定性，从而使工业生产的技术水平上了个新的台阶。

为克服监控控制上的不足，提出了单神经元网络控制策略，应用到监控上，以进步提高的厚控精度，改善的滞后性和动态品质，这对提高产品质量和企业经济效益，无疑是十分必要和有意义的。

国内外研究现状随着钢铁行业的竞争日益激烈，高质量高产量高成材率低成本已经成为现代钢铁企业得以生存的必备条件。

这就要求企业采用先进工艺先进设备先进的控制策略来完善控制系统。

东北大学的王君，牛文勇，王国栋将模型分为厚度估计模型和厚度调节模型两部分，分别对应于系统的静态指标和动态指标，依据各部分所采用的轧机弹跳方程和金属塑性变形方程形式的不同，对各种典型的压力模型进行了分类和对比研究，并提出了种新的压力模型，经过详细的分析比较，证明新的压力模型具有良好厚度估计精度和系统动态特性。

文献针对自动控制系统进行了介绍，给出了产生厚差的原因。

文献针对间接测厚的厚度控制系统其精度总是低于射线测厚仪直接测出的厚度值提出了对系统进行监控，并介绍了监控的作用。

为了解决带有纯滞后的监控系统的控制问题，北京科技大学的于丽杰王京提出了基于神经网络的控制器与预估器相结合的智能控制系统，并对传统监控应用预估器的监控及应用智能控制的监控系统进行了仿真结果表明，应用智能控制的监控系统收敛速度明显加快，适应能力与鲁棒性比常规控制要好。

在神经网络的应用方面，国外已有许多人工神经网络在轧钢中应用的实例，如在日本，冷连轧机组压下规程的设定，多辊轧机板形控制，利用神经网络进行板形识别，综合利用神经网络和模糊逻辑进行板形控制，利用自组织模型进行操作数据分类等等，取得了令人满意的效果。

实际应用结果表明，人工神经网络在轧钢生产中的自动控制，模型辨识与优化等方面优于传统方法。

在国内，文献对目前研究较为成熟的神经网络控制进行了归纳，根据工业控制的需要，对几种典型的神经网络控制器基于单神经元的控制器，基于多层网的控制器和基于多层网的近似控制器进行了仿真研究，并比较分析了各种控制器的优缺点，并针对缺点提出了相应的改进方案。

文献介绍了基于单神经元网络控制器，及其算法，来应用于监控上，其有效的提高了的厚控精度，改善了系统的动态响应和滞后性。

课题的研究方法为了解决带有纯滞后性的监控系统，提出了基于单神经元网络的控制器。

控制方法是经典控制算法中的典型代表，并在多种控制场合取得了很好的效果，但随着生产工艺的日益复杂和人们对工业过程总体性能要求的不断提高，传统的控制方法往往难以满足闭环优化控制的要求。

基于知识且不依赖于模型的智能控制为解决这类问题提供了新的思路，成为目前提高过程控制质量的重要途经。

而神经网络作为现代信息处理技术的种，正在很多应用中显示它的优越性，它在自动控制领域的应用成果神经网络控制也成为令人瞩目的发展方向。

而单神经网络控制技术在其中扮演了十分重要的角色，并且仍将成为未来研究与应用的重点技术之，这是因为类型的控制技术在工业过程控制中仍占有主导地位，如果能发现性能优于的控制器，且具有类似易于使用的特点，无论在理论还是实践上都将具有重要的意义。

本文就是主要基于有监督的学习算法，把传统的与神经元网络相结合，针对热连轧监控实施单神经元自适应控制策略，该控制方式有效的提高了的厚控精度，改善的滞后性和动态品质。

数字控制控制原理在模拟控制系统中，控制器最常用的控制规律是控制。

常规控制系统原理框图如图所示。

系统由模拟控制器和被控对象组成。

图模拟控制系统原理图控制器是种线性控制器，它根据给定值，与实际输出值构成控制偏差将偏差的比例积分和微分通过线性组合构成控制量，对被控对象进行控制，故称控制器。

其控制规律为或写成传递函数形式式中比例系数积分时间常数微分时间常数。

简单说来，控制器各校正环节的作用如下比例环节即是成比例地反映控制系统的偏差信号，偏差旦产生，控制器立即积分比例微分被控对象产生控制作用，以减少偏差。

积分环节主要用于消除静差，提高系统的无差度。

积分作用的强弱取决于积分时间常数，越大，积分作用越弱，反之则越强。

微分环节能反映偏差信号的变化趋势变化速率，并能在偏差信号值变得太大之前，在系统中引入个有效的早期修正信号，从而加快系统的动作速度，减少调节时间。

数字控制算法在计算机控制系统中，使用的是数字控制器，数字控制算法通常又分为位置式控制算法和增量式控制算法，本节主要介绍增量式控制算法。

量式控制算法由于计算机控制是种采样控制，它只能根据采样时刻的偏差值计算控制量，因此式中的积分和微分项不能直接使用，需要进行离散化处理。

按模拟控制算法的算式，现以系列的采样时刻点代表连续时间，以和式代替积分，以增量式代替微分，则可作如下近似变换。

，除同板厚差的主要办法是，采用自动厚度控制系统，自动厚度控制系统用来克服带钢工艺参数波动对厚差的影响，并对轧机参数的变化给予补偿。

监控控制方式是根据精轧机出口测厚仪所测得的带钢样本厚度偏差平均值来修正各机架轧件出口厚度的。

如何把先进的控制技术，单神经元网络控制理论应用于监控上。

监控的单神经元