RBF-ARX模型的優(yōu)化設(shè)計及在板形控制中的應(yīng)用研究.pdf

1、控制系統(tǒng)的分析和設(shè)計中，被控對象或者被控過程的數(shù)學(xué)模型是極為重要的基礎(chǔ)。要控制一個對象或者過程，首先必須要了解其工作機(jī)理和特性，其次就要建立其精確的數(shù)學(xué)模型進(jìn)行定量分析，最后通過控制達(dá)到期望的效果。簡單對象或者過程的數(shù)學(xué)模型容易建立，但是對于一些復(fù)雜系統(tǒng)或者過程，其數(shù)學(xué)模型由于多方面的原因很難建立，所以其控制方案就無法設(shè)計。近年來人工智能理論的快速發(fā)展，以數(shù)據(jù)驅(qū)動的建模方法引起了廣大學(xué)者的關(guān)注，并將其應(yīng)用于復(fù)雜非線性系統(tǒng)的建模中。本文以

2、RBF-ARX(Radial Basis Function-AutoRegressive eXogenous)模型優(yōu)化設(shè)計及在板形控制系統(tǒng)中的應(yīng)用研究為課題，在智能控制理論的基礎(chǔ)上，設(shè)計了遺傳算法(Genetic Algorithm，GA)優(yōu)化的RBF-ARX系統(tǒng)建模方案，并與傳統(tǒng)的結(jié)構(gòu)化非線性參數(shù)優(yōu)化方法(SNPOM)優(yōu)化的RBF-ARX模型做深入的對比研究，實現(xiàn)了板形缺陷模式的識別與控制。
　　首先深入研究了RBF-ARX模型

3、的內(nèi)部結(jié)構(gòu)和其傳統(tǒng)的優(yōu)化方法SNPOM，針對SNPOM在參數(shù)優(yōu)化過程中運算復(fù)雜、占用的存儲空間大的缺點，引入了遞推最小二乘法進(jìn)行了改進(jìn)；同時為了推廣RBF-ARX模型在工程領(lǐng)域的應(yīng)用，進(jìn)一步提出了GA替代SNPOM的設(shè)想，構(gòu)造了GA-RBF-ARX系統(tǒng)建模和優(yōu)化方案，大大簡化了模型參數(shù)的優(yōu)化過程。
　　其次，針對某900HC可逆冷軋機(jī)，建立了GA-RBF-ARX的板形缺陷模式識別模型，仿真驗證表明GA-RBF-ARX在板形識別上的

4、效果要比SNPOM優(yōu)化的效果好。另外，為了驗證RBF-ARX模型的建模效果，本文還利用具有聯(lián)想記憶功能的離散Hopfield網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了對比研究。
　　最后基于GA-RBF-ARX引入了預(yù)測控制策略，建立了包含板形缺陷識別模型、板形缺陷預(yù)測模型的完整板形智能控制系統(tǒng)。仿真驗證表明GA-RBF-ARX模型在板形缺陷預(yù)測上能夠跟蹤軋機(jī)板形的實際輸出，同時能夠?qū)崿F(xiàn)板形缺陷的控制精度，滿足生產(chǎn)中對板帶鋼材的要求，是一種有效的建模和控制方