一、引言 (3)
二、轧机液压AGC数学模型 (3)
三、基于BP神经网络的轧机AGC过程控制 (5)
（一）人工神经网络基本思想及其发展 (6)
（二）人工神经网络的工作原理 (7)
（三）人工神经网络的主要功能特点 (8)
四、神经网络辨识 (9)
（一）扩展BP神经算法 (9)
（二）基于时间序列的动态模型辨识 (11)
五、辨识结果 (12)
（一）轧制力辨识 (12)
（二）液压AGC参数辨识 (13)
六、结果检验 (14)
（一）模型检验 (14)
（二）辨识结果对比 (14)
七、结论 (15)
八、参考文献: (15)
先进过程控制技术在轧机液压领域的应用
摘要:轧机液压AGC控制过程的力控精度直接影响带钢的组织性能和力学性能，是保证板带质量和板形良好的关键因素。所以对轧机液压AGC的力控制，成为热轧生产中的重要环节，对其过程进行分析和研究具有深远的现实意义。本文以国内某热轧厂轧机液压AGC控制为背景，对如何提高轧机液压AGC控制的力控精度从控制方法上入手进行了较深入系统的研究。在分析液压AGC的组成元件及其动态特性的基础上, 利用神经网络具有逼近任何非线性函数且具有自学习和自适应的能力, 建立基于时间序列的前馈动态模型辨识结构, 应用扩展BP算法对轧机液压AGC力控制系统进行非线性预测, 将预测结果应用最小二乘辨识方法进行线性系统的特征参数辨识, 仿真及实测结果表明此方法行之有效, 为轧机液压AGC的控制提供了新途径。
关键词:自适应辨识;板带轧机;液压AGC;神经网络
Advanced process control technology in the field of rolling mill
hydraulic applications
Abstr act: In the process of rolling mill hydraulic AGC control force control precision directly affects the organization performance and mechanics performance of the steel strip, is guarantee the quality of strip and plate shape of the key factors. So the force control of rolling mill hydraulic AGC, become the important link between the hot rolling production, analyzes its process and research has far-reaching practical significance. This paper, taking a warmwalzwerk domestic mill hydraulic AGC control as the background, on how to improve the force control precision of the rolling mill hydraulic AGC control from the control methods of conducted in-depth study of the system. Based on the analysis of dynamic characteristics of hydraulic AGC components and, on the basis of using the neural network has any nonlinear function approximation, and has the ability of self learning and adaptive feedforward dynamic model identification based on time series structure, extend the BP algorithm was applied to rolling mill hydraulic AGC force control system for nonlinear prediction, and the predicted results using least squares identification method for characteristic parameters of a linear system identification, simulation and experimental results show that this method is effective, for rolling mill hydraulic AGC control provides a new way.
Key wor ds: adaptive identification; stripe mill; hydraulic AGC; neural network
一、引言
由于轧机自动化水平及对板带材的质量要求越来越高, 对轧机执行机构及控制系统性能的要求也越来越高。液压AGC( automatic gauge control)是现代化轧机设备的核心技术, 液压AGC 系统运行状态的好坏, 直接决定了轧机的工作状态。基于先进过程控制的思想，开展液压AGC 系统辨识的研究对提高轧机设备的技术水平和设备的生产率有着重要的意义。
构成一个完整液压AGC 系统的主要动态元件具有高度非线性的特点, 其系统必然也具有高度非线性的特点[1]。近年来, 基于神经网络的控制作为一个新兴领域, 引起了人们的广泛关注[2,3]。本文应用神经网络能够逼近任何非线性函数及具有自学习和自适应的能力, 利用大量的历史数据,建立神经网络权系数矩阵, 用于非线性预报轧制力, 将得到的预报结果作为轧制力计算模型中轧制力的设定值, 然后应用最小二乘法辩识出轧机AGC 力控制线性系统模型的各个基本参数，实现控制过程的优化。
二、轧机液压AGC 数学模型
一个完整的AGC 系统由若干个厚度自动控制环路组成, 通常由液压压下位置闭环、轧制压力补偿系统、测厚仪前馈及监控系统组成, 其中液压压下位置闭环可以用液压压下力( 或压力) 闭环代替, 因为力闭环具有可以消除轧辊偏心等机械系统的问题对板厚干扰的优点。其功能是进行空载辊缝设定和轧制过程中向各模块提供轧制压力值、辊缝值和板厚。主要动态元件为控制调节器、伺服阀、液压缸、轧机负载、传感器等。本文是基于力控制系统的辨识。其动态元件定量描述如下:
伺服阀基本方程G 1(s)
1)
+ X s/ ( 1) + X s/ (K I Q sv a sv c sv0 式中,K sv 为伺服阀的静态流量放大系数;X a 为伺服线圈的固有频率;X a 为伺服阀固有频率。
液压缸基本方程G 2(s)
$F=$F p -$F b =$p L A p -$p b A b
式中,$F p 为作用于油缸无杆腔压力的变化;$F b 为作用于油缸有杆腔压力的变化;$p L 为控制容积内压力变化;$p b 为油缸有杆腔压力(背压)的变化;A p 为液压缸无杆腔活塞面积;A b 为油缸有杆腔的工作面积。
轧机基本方程G 3(s)
L p p p p 2e F +Kx +dt dx B +dt x d M =$F 2
