监控AGC系统的智能PID控制策略

D0I:10.13374/j.issn1001-053x.2005.01.030 第27卷第1期 北京科技大学学报 VoL.27 No.1 2005年2月 Journal of University of Science and Technology Beijing Feb.2005 监控AGC系统的智能PID控制策略 于丽杰王京 北京科技大学高效轧制国家工程研究中心，北京100083 摘要为了解决带有纯带后的监控AGC系统的控制问题，提出了基于RBF神经网络的PID 控制器与Smith预估器相结合的智能PID控制系统，并对传统监控AGC、应用Smith预估器的 监控AGC及应用智能PID控制的监控AGC系统进行了仿真，结果表明，应用智能PID控制 的监控AGC系统收敛速度明显加快，适应能力与鲁棒性比常规PD控制要好. 关键词监控AGC;纯滞后；Smith预估器；智能PID 分类号TG302 一般而言，对象的纯滞后时间t对控制系统 1应用Smith预估补偿控制策略的 的控制性能极为不利，它使系统的稳定性降低， 过渡过程特性变坏.当对象的纯滞后时间τ与对 监控AGC系统 象的惯性时间常数T之比，即τ/T≤03时，采用常 传统监控AGC都是采用比例-积分控制方 规PD控制很难取得较好的控制性能.在带钢生 式，这种控制方式的主要缺点是调节速度慢，易 产中，用测厚仪信号进行厚度反馈控制时，由于 产生振荡和极限环振荡.为防止极限环振荡，一 考虑到轧机结构的限制、测厚仪的维护，以及为 般在系统内设置一死区，以靠牺牲控制精度来保 了防止带钢断裂而损坏测厚仪，测厚仪一般装设 证系统的稳定，由于测厚仪安装在机架后一定距 在离直接产生厚度变化的辊缝较远的地方，检测 离的位置，因此传统监控AGC是一个具有纯滞 出的厚度变化量与辊缝的控制量不在同一时间 后环节的控制系统.根据控制理论，可以采用 内发生，所以实际轧出厚度的波动不能得到及时 史密斯预估补偿方案，在监控AGC中增加一个 反映，使整个厚度控制系统的操作有一定的时间 预估模型反馈环节，通过预估模型来预测输出的 滞后，为了提高AGC系统的快速响应性能，本文 变化并进行超前反馈，以抵消实测滞后的影响， 研究了Smith预估器.，以及Smith预估器与智能 其原理框图如图1所示. PID控制器相结合用于监控AGC系统的算法， 控制器 △h △hs 厚度死区一积分器限幅器 h,一出口厚度设定值 h一出口厚度实测值 △he GS长 HG(S) Ah一出口厚度差 测厚仪模型 延时器 液压压下 △了一辊缝调节量 Smith预估器1 以一轧制速度 Ah.一模型预测厚度差 图1 Smith-AGC控制系统框图 Fig.1 Block diagram of Smith-AGC control system 收稿日期：200310-20修回日期：2003-12-10 作者简介：于丽杰(1970一)，女，工程师，硕士

第 2 , 卷 第 1 期 2 0 0 5 年 2 月 北 京 科 技 大 学 学 报 J o u r n a l o f U n iv e r s i yt o f S e ie n e e a n d eT c h n o l o gy B e ij i n g V b l 一 2 7 N o . l Fe b . 2 0 0 5 监控 A G C 系统的智能 P I D 控制策略 于 丽 杰 王 京 北京科技 大 学高效 轧制 国家工 程 研究 中心 , 北京 10 0 0 83 摘 要 为 了解 决带 有纯滞 后 的监控 A G C 系统 的控 制 问题 , 提 出 了基 于 R B F 神 经 网络 的 PI D 控制器 与 Sm iht 预估 器 相结合 的智 能 PI D 控 制系 统 , 并 对传统 监控 A GC 、 应 用 S m i ht 预 估器 的 监控 A G C 及 应用 智 能 PI D 控 制 的监控 A G C 系统 进行 了 仿 真 . 结果表 明 , 应 用智 能 PI D 控制 的监控 A G C 系统 收敛 速度 明显 加快 , 适应 能力 与鲁棒 性 比 常规 PI D 控 制要 好 . 关键词 监控 A G ;C 纯 滞后 ; S m it h 预估器 ; 智 能 PI D 分类号 T G 3 0 2 一 般 而言 , 对 象 的纯 滞后 时 间 : 对控 制 系统 的控 制性 能 极 为不利 , 它 使系 统 的稳 定性 降低 , 过 渡 过程 特性 变 坏 . 当对 象 的纯 滞后 时 间 r 与对 象 的惯性 时 间常 数 T之 比 , 即 : / T ` .0 3 时 , 采 用常 规 PDI 控制 很难 取 得较 好 的控 制 性能 . 在 带 钢生 产 中 , 用测 厚 仪信 号进 行 厚度 反 馈控 制 时 , 由于 考虑 到 轧机 结 构 的限制 、 测厚 仪 的维 护 , 以及 为 了 防止带 钢断 裂而损 坏测 厚仪 , 测 厚 仪一般 装设 在 离直接 产生 厚度变 化 的辊 缝较远 的地方 , 检测 出的 厚度 变化 量 与 辊 缝 的控 制 量 不在 同一 时 间 内发 生 , 所 以实 际轧 出厚度 的波动 不 能得 到及 时 反 映 , 使 整个 厚度 控制 系统 的操 作有 一定 的 时间 滞 后 . 为 了提 高 A G C 系统 的快 速 响应 性 能 , 本文 研 究 了 S m iht 预估 器” · ” , 以及 S m iht 预 估 器与 智 能 P DI 控 制器 相 结合 用 于监 控 A G C 系 统 的算 法 . 1 应 用 S m it h 预 估 补 偿控 制 策 略 的 监 控 A G C 系 统 传 统 监控 A G C 都 是采 用 比 例一 积分 控制 方 式 , 这 种控 制 方式 的主 要缺 点 是调 节速 度 慢 , 易 产 生 振荡 和 极 限环振 荡 . 为防 止极 限环 振 荡 , 一 般在 系统 内设 置一死 区 , 以靠 牺牲 控制 精度 来保 证系 统 的稳 定 , 由 于测 厚仪安 装在 机架 后一 定距 离 的位置 , 因此传 统监 控 A G C 是一 个具 有纯 滞 后环 节 的控 制 系统 ` 3,4] 、 根据 控 制理 论 , 可 以采 用 史密 斯预 估 补偿 方案 , 在 监控 A G C 中增 加一 个 预估 模型 反馈 环节 , 通 过预估 模 型来预 测输 出 的 变化 并进 行 超前 反馈 , 以抵消 实测 滞 后 的影 响 . 其 原理框 图如 图 l 所示 . 甲 厂 测厚’I. / / 控制器 已书斗 兰卜L 一 ! 机 积分器 一 , 纤逊闪醚赴 ! 牲 , . -- -- 瓦厩雷育糕汀回悠 S m黔iht 预估器 . h一出口 厚度设定值 丙 - 一 出口 厚度实测值 △为一出 口 厚度差 乙早一 辊缝调节量 ~ 轧制速度 △h一模型预测厚度差 r : 1. !L 图 1 s m it b - A G C 控制 系统框 图 F ig . l B OI c k d i a g r a m o f S nI it 卜A G C c o n tr o l s y s t e m 收稿 日期 : 2 0 0 3一 1-0 2 0 修回 日期 : 2 0 03 一 12 一 10 作 者简介 : 于 丽杰 ( 19 7压一 ) , 女 , 工程 师 , 硕士 DOI: 10. 13374 /j . issn1001 -053x. 2005. 01. 030

·120· 北京科技大学学报 2005年第1期 图中，h为出口厚度设定值，△h为出口厚差，v为 轧制速度，h为出口厚度实测值，△S为辊缝调节 ya 生 对象 量，△h.为模型预测厚差. Smith预估器由压下动态模型、延时环节及 成学 测厚仪模型组成.图1的Smith预估器中，过程模 型为： Gime G.(s)-G(s)e(Ts+IX(T;s+1XT3s+l) 1) 图2RBF神经网络PD控制器结构图 Gm为模型增益，1/[(Ts+1)(Ts+1)】,1/(Ts+1)分别 Fig.2 Block diagram of RBF network PID controller 为液压压下和测厚仪的动态响应特性.如果模型 现PD参数的自整定， 准确，可推导出Smith预估控制系统的闭环传递 神经网络PD控制器输出为： 函数为： u(t)=u(t-1)+Ew(r)-f(lX(t)-cll) (5) Guls)=G(s)G(s)e- 1+G(s)G(s) (2) 隐节点激活函数为： 式中，G.(s)为控制器模型，G(se为被控对象模 f()=ew,1,2,3 (6) 型.所以系统特征方程为： 输入为： 1+G.(sGn1(s)=0 (3) X)=X(t),X:(1),X(n)=[e(r),Eel),Ae(n)](7) 而有纯滞后的常规控制系统的特征方程为： 其中，X(et),X(t)=∑e(t),X(t)-△e(t):w,(i=l,2,3) 1+G(s)Gm(s)e-=0. 分别为隐层的3个节点到输出层的权值，相应式 可见，采用Smith预估控制策略后，消除了纯滞后 (4)中的PD控制参数：C,是网络隐层节点基函数 对系统稳定性的影响. 的中心矢量，P,为基函数的宽度.定义离线学习的 目标函数为： 2基于RBF网络的智能PID控制 人=u-t (8) 器设计 对网络各隐单元的中心c,和宽度p采用梯度 下降法进行调整，为此，要给出目标函数J。对隐 由于上述Smith预估器带有与被控系统等值 单元的中心C,和宽度p的偏导数，即： 的时滞环节，可以抵消整个闭环函数特征方程中 =-，d-0lw-e"2.K-c 含有的纯滞后项，使系统稳定性大大提高.但在 Oc. p 轧钢过程中，由于存在加、减速轧制以及随机速 (=1,2,3) (9) 度干扰，使得带钢轧制过程中的时滞参数是变化 =-[u0-w-eg].K)-c dp. 0 的，当模型增益和延时时间变化10%~15%时， (=1,2,3) (10) Smith预估补偿就失去了良好的控制作用.本文 由梯度下降法可得： 采用基于RBF神经网络例的PID控制器，提出了 c(-c= (11) 用RBF网络与Smith预估器相结合的智能PD控 0J. (12) 制系统.刀，对监控AGC系统进行控制 pA1)=p(r-1)tn-ap) 2.1基于RBF网络的PD控制器 式中，”为学习率.通过有指导的学习，对权值进 常规PD控制规律的一般表达形式为： 行训练，采用最小均方算法得连接权为： u(t)=K,e(ttK∑e(t+K△e() f(x) (4) w+1w0Hu,)-MF-Hm12,313) 式中，e(t=t)-),△e(t)=e(0)-e(t-l),t)为给定 式中，Fx)=[f(x,(x,(x,B为学习率，u(t)为 值，)为系统的输出，K,为比例系数，K为积分系 期望的控制器输出，)为网络的实际输出，上述 数，K为微分系数 神经网络PD控制器经过离线训练后，便可投入 对于一般的控制对象只要调整好参数K,K 使用， 及K,就可以对被控对象进行有效控制.但是当 2.2基于RBF网络的PD控制器与Smith预估 现场出现大滞后和非线性时，常规的PD自校正 器的结合 方法难以奏效.为此，利用一个3-3-1结构的RBF 为了解决带有纯滞后的监控AGC系统的控 网络（见图2）在线学习，自适应调节各个参数，实 制问题，提出了基于RBF网络的PD控制器与

2 0 5 年 第 1期 图 中 , h 。 为 出 口 厚 度 设 定 值 , △h 为 出 口 厚 差 , v 为 轧制 速 度 , h 为 出 口 厚 度 实 测值 , 昭为 辊 缝 调 节 量 , △h 。 为模 型预 测 厚差 . S m iht 预估 器 由压 下 动态 模 型 、 延 时环节 及 测 厚 仪模 型组 成 . 图 1 的 S m i ht 预 估 器 中 , 过程 模 型为 : 误 差 X 2 生 成 X 3 学 习 算 法 mG ( s ) = G m l ( s ) e - G , 。 为 模 型增 益 , 、 =一叮龚黛琪 , Ll , S + l ) L1 2 S+ l ) 又一1 0 5 + l ) ( l ) l / [( lT s + l )( ZT s + l )〕 , l / (兀s + l ) 分 别 为液压压 下 和测 厚仪 的动态 响应 特性 . 如果模 型 准 确 , 可推 导 出 Sm i ht 预估 控制 系 统 的 闭环 传 递 函 数 为 : 图 2 R B F 神经 网络 P DI 控 制 器结构 图 F i g · 2 B l o e k d i a g r a m o f R B F n e wt o r k P I D e o n t r o ll e r 现 PDI 参数 的 自整 定 . 神经 网 络 P DI 控 制 器输 出为 : u ()t = u ( t 一 l ) + 艺w , (t) · f (}风 r ) 一 c }1) ( 5 ) G B ( s ) = cG ( s )乓 l ( s ) e 一“ l + G c ( s )民 1 ( s ) ( 2 ) 隐节 点激 活 函数 为 : 式 中 , cG (s) 为控 制器 模 型 , 吼 , (s) 。 一 为被 控对 象 模 型 . 所 以系统特 征 方程 为 : l + 仅 ( s ) G m , ( s ) = 0 ( 3 ) 而有 纯滞 后 的 常规控 制 系 统 的特 征 方 程 为 : 1+ G c ( s ) G m : ( s ) e 一 , = 0 . 可 见 , 采 用 S m i ht 预 估 控制 策略 后 , 消 除 了纯 滞后 对系 统稳 定 性 的影 响 . 厂( )t = 输 入为 : _ {助)一 哪 e 助 2 拼 l , 2 , 3 ( 6 ) X( )t = 比 ( r )入 ( r )尤 ( t ) ] T = 仁e ( r ) , 艺e ( t ) , A e ( r ) ] T ( 7) 其 中 , 龙 ()t = e ()t ,龙 ( r ) = 艺e ( )t ,龙 ()t = A e ( r ) ; w ; (卜 l , 2 , 3 ) 分别 为 隐层 的 3 个 节 点到输 出层 的权值 , 相 应式 (4 ) 中的 P DI 控 制参 数 ; c ,是 网 络 隐层 节 点基 函 数 的 中心 矢量 , 户 为基 函数 的宽度 . 定 义离 线学 习 的 目标 函 数 为 : 2 基 于 R B F 网 络 的智 能 P I D 控 制 器 设 计 由于上 述 S m iht 预 估 器带 有与 被 控系 统等 值 的时滞环 节 , 可 以抵 消整 个 闭环 函 数特 征方程 中 含 有 的纯滞 后 项 , 使 系 统稳 定性 大 大提 高 . 但 在 车L钢过 程 中 , 由于存 在 加 、 减速 轧 制 以 及 随机 速 度 干扰 , 使 得带钢 轧制 过程 中的时滞 参数 是变 化 的 . 当模 型 增 益和 延 时 时 间变 化 10 % 一 15 % 时 , S m it h 预 估补 偿就 失 去 了 良好 的控 制作 用 . 本 文 采 用基 于 R B F 神 经 网 络 『习 的 PI D 控 制器 , 提 出 了 用 R B F 网 络 与 S m iht 预 估 器相 结合 的 智能 P ID 控 制 系统`6 , ” , 对监 控 A G C 系统进 行 控 制 . .2 1 基于 R B F 网络 的 P I D 控 制 器 常 规 PI D 控 制 规律 的 一般 表达 形 式 为 : u ( r ) = 凡 e ()t + K )艺e l ( t ) + 凡 △e ( t ) ( 4 ) 式 中 , e( l) = 城)t 一 只)t , △e( )t = e( )t 一 e( 卜 l) , ; ()t 为 给定 值 , 只)t 为 系统 的输 出 , 凡 为 比例 系数 , 龙 为积 分系 数 ,凡 为微 分系 数 . 对 于 一 般 的控制 对 象 只 要 调整 好 参 数凡 , 风 及凡 , 就 可 以对被 控对 象 进行 有 效控 制 . 但 是 当 现 场 出现 大滞 后和 非 线性 时 , 常规 的 P DI 自校 正 方 法难 以奏 效 , 为此 , 利 用 一个 3一 3一 1 结构 的 RB F 网络 ( 见 图 2) 在线 学 习 , 自适应 调 节各 个 参数 , 实 、 一 告 〔 u d ()t 一 u `)t 〕 ’ ( 8 ) 对 网 络各 隐单元 的 中心 c :和 宽度p ,采 用 梯 度 下 降法进 行 调 整 , 为此 , 要给 出 目标 函 数cJ 对 隐 单 元 的 中心 c `和 宽度 P `的偏 导 数 , 即 : 刁丈 刁e : 一 au[ ()t 一 。 ()jt · w · 卜 e 几 j臀 二止〕 · (=1 1 , 2 , 3 ) !风 r ) 一 c ` !! T P l ( 9 ) 箫 一 〔一`)t 一( , )〕一卜 一甲 〕翅钾扛 、、了.J 、矛. 01 气乙 门.1 刁ù且孟. . ` 了、. l 韵 (=1 1 , 2 , 3 ) 由梯 度 下 降法 可得 : e ; ()t 二 e ( r 一 l ) + 叮〔 一 户 , ( )t = 户浅r一 l ) + 叮【一 式 中 , 叮为 学 习 率 . 通过 有 指 导 的学 习 , 对权 值 进 行 训 练 , 采 用最 小 均 方算 法得 连接 权 为 : , 义+t l )、 , ()t 明[ u d ( )t 一 u ( )t 」 · . 厂(x ) rF (x ) · 月无) (卜l , 2 , 3 ) ( 13 ) 式 中 , 侧尤 ) = 叨 (x ) , 关(x ) , 关(x ) ] , 刀为 学 习 率 , 峋()t 为 期 望 的控 制器 输 出 , u( )t 为 网络 的 实际 输 出 . 上述 神 经 网 络 PI D 控 制器 经过 离 线 训练 后 , 便 可 投 入 使 用 . .2 2 基 于 R B F 网络 的 P DI 控 制 器与 S m i比 预估 器 的 结合 为 了解 决带 有 纯滞 后 的监 控 A G C 系统 的控 制 问题 , 提 出 了基 于 R B F 网络 的 PI D 控制 器 与

VoL27 No.1 于丽杰等：监控AGC系统的智能PD控制策略 ·121· Smith预估器相结合的智能PD控制系统，如图3 w(t+1)-w(+r())-m(]F f(x) 所示.Smith预估器输出为： a[w.(t0-w,t-1)](e1,2,3) (17) ms）=(1-e)Gs）ws) (14) 其中，当f(x)>0.05时，0<B<1:当fx)<0.05时，B-0. m(t)=L-'[m(s)] (15) 由式(12)和式(13)可得c和p,的学习算法： RBF网的在线学习信号为()-()-m(),则 人.=2tr0-0-m0妒 (16) c-c()-1) (=1,2,3) 18) 为了使得收敛更快，只当误差f(x)>0.05 a (=1,2,3)时才对权值进行在线修改.同时为使w,变 p(i)-pii-1)tnalp(-(-1) 化得更加平稳，权值w的学习公式变为： (=1,2,3) (19) Learn ) e(t) W) u(t) G,(s)e m(t) △e0) G,(s) Smih预估器 e 图3智能PD控制器系统结构图 Fig.3 Block diagram of intelligent PID controller 其中， 1.0 (a)传统监控AGC系统仿真曲线 头=-0-0-m0-m-e 0.5 X(O-cl dxt) ou(t) 0-0-0m0-e 0 0.5 lX(t)-cll dx) 0 2 3 dult) a0--》0<c<1,0<a<1,0K1. 时间/s 0u(00-1-1+e 1.0 归纳智能PD控制器的算法如下： b)预估模型与对象模型 完全一致时仿真曲线 ①给定初值w(0),c(0),p(0),a,B和； 0.5 ②离线训练智能PD控制器； ③由式(5)计算出智能PD控制器的输出： 器 ④采样()，)，m): 0 0 2 3 ⑤由式(17)，(18)，(19)调整参数w(,cp: 时间s ⑥t=什1，转到③. 1.0 (c)预估模型增益误差(-5%) 0.8 延时误差(50ms)时仿真曲线 3仿真研究 瓶0.6 冷连轧机液压系统模型为： 20000 0.2 c1)-g+200s+20000· 0 2 3 被控对象延时时间为400ms,输入信号是单 时间s 位阶跃信号，系统控制周期为l0ms,总仿真时间 图4监控AGC系统仿真曲线 均为5s.仿真结果如图4所示. Fig.4 Simulation curves of monitor AGC system

V心 l 一 2 7 N 0 . 1 于 丽杰 等 : 监 控 A G C 系统 的智能 Pm 控 制策 略 Sm iht 预估 器相 结 合 的智 能 PDI 控 制 系统 , 如 图 3 所 示 . S m i ht 预估 器 输 出为 : m (s ) = ( 1 一 e 一 “ ) 玩(s) u (s ) ( 14) m ()t =L 一 ,【m ( s )〕 ( 15 ) R B F 网的 在线 学 习 信 号 为代)t se 只)t 一 m ()t , 则 丈一 粤[ r (t) 试t) 一 m (t) 〕 , ( 16 ) Z L ` 、 . , 了 、 . , ” 一 、 . , J 、 ` ” , 为 了 使 得 收 敛 更 快 , 只 当 误 差 厂(x) > 0 .0 5 (=1 1 , 2, 3) 时才对 权值 进 行在 线修 改 . 同时 为使 iw 变 化得 更加 平稳 , 权值 w `的学 习 公式 变 为 : w+,(t `’碱+)tP[ 动溯 一 喇 · a〔w浅)t 一 w浅一t l ) ]污( l , 2 ,碳3 ) 箭 其 中 , 邹(x >) .0 05 时 , O切 < l ; 绷(x )< .0 05 时 , 由式 ( 12) 和 式 ( 13) 可 得公 和乃 的学 习 算 法 : c 、 )t 一 e 、卜 1) + n { 一 华毕 ; 1 + a r e 、 。 一 。 (卜 1)1 ’ 汇 口 肠t l) 」 (=1 1 , 2 , 3 ) ( 18 ) ( 17 ) 户0 . , ` )t , 、 ,一 ` ) + 。卜蒜{ + · 、 ` ()t 一 , ` (卜 ` )〕 (卜 l , 2 , 3 ) ( 19 ) L e a r D 试)t 代)t e ()t m ()t 开 巨 应 竺 图 3 再些 智 畴 能 黔 P m 控 井 制 器 少 系统 寻 结构 』 图 份一 F 褚 · 3 B fo e k d i a g r a m o f in et l Iig e n t P m e o n otr l e r 其 中 , 器 一 〔、 、 。一()t] · 琳卜 e 一 掣} · u粤群 . 黯 , 绷侧ù骤处日 (a) 传统监控 A G C 系统仿真曲线 n ùù、0 ,几. 八U 娶 = 一 刚斌t) 一 m .(t)1 , J 一 e ~ 随裂 } 口 尸于 L 」 2 时间s/ 0 < E < l , 0 < a < l , 0 < 叮< 1 . 翎华侧写殴日 n 八`oU 01 42 ǎUCUO 绷缓侧醚、已日 归纳智 能 PDI 控 制 器 的算 法如 下 : ① 给 定初 值 w义0 ) , e 关0 ) , 户浅0 ) , a 消和 叮; ②离线 训 练智 能 P ID 控 制器 ; ③ 由式 (5) 计 算出智 能 P ID 控 制器 的输 出 ; ④ 采样 r( t) ,只)t , m ()t ; ⑤ 由式 ( 17) , ( 18 ) , ( 19 ) 调整 参数 w,( )t , c `, 户 , ; ⑥t = +t 1 , 转到 ③ . (b )预估模型与对象模型 完全一致时仿真 曲线 2 时间s/ 3 仿真研 究 冷连 轧 机液 压 系统 模 型为 : c( )预估模型增益误差 -( 5 % ) 延时误差 (50 m s) 时仿真 曲线 c l仓) 2 0 0 0 0 犷+ 20 0 5+ 2 0 0 0 0 ’ 被控 对 象延 时 时间 为 4 0 m s , 输入 信 号是 单 位 阶跃 信 号 , 系统 控制 周期 为 10 m s , 总仿 真 时间 均 为 5 5 . 仿 真结 果如 图 4 所 示 . 0 1 2 3 4 时间s/ 图 4 监控 A G C 系统仿 真 曲线 F褚 · 4 5加u h 6 o n e u vr e s o f m o n it o r A G C sy s et m

122 北京科技大学学报 2005年第1期 在对应用Smith预估器与智能PID控制器相 10%~15%时，Smith预估器就失去了良好的控制 结合的监控AGC系统仿真时，设置初始参数如 作用，智能PD控制器是按PD控制规律和己有 下：w(0)=0.5,wz(0)=1,w,(0)=0.4,(0)=0,0)=0, 的经验确定的，保证了系统的稳定性和收敛性， c=0,p.0,a=0.1,B=0.1,n=0.05.仿真结果如图 同时又具有神经网络的并行结构和学习记忆功 5所小， 能，以及多层网络逼近任意函数的能力，与Smith 1.0 预估器相结合对监控AGC系统进行控制，由仿 真结果可知，系统收敛速度明显加快，适应能力 05 与鲁棒性比常规PD控制要好 参考文献 0 I1]刘建昌，顾树生，Smih预估控制策略在AGC系统中的应 0 用.钢铁.1998,33(10)：40 时间s [2]韩绍坤，Novikov VA.时滞系统控制算法的改进.基础自 图5 Smith预估器与智能PD控制器相结合仿真曲线 动化，2000.7(6)：9 Fig.5 Simulation curve of AGC system with Smith estim- [3]葛平，栾晓冬，基于H鲁棒控制方法的AGC-活套综合控 ator and intelligent PID controller 制，北京科技大学学报，2001.23(6)：557 4童朝南，孙一康.热连轧综合AGC系统的智能化控制北 4结论 京科技大学学报，2002,45)：553 「]土永骧，涂键.神经元网络控制.北京：机械工业出版社， 在监控AGC系统中应用Smith预估补偿控 1998 [6]王耀南，智能控制系统，长沙：湖南大学出山版社，1996 制策略，当预估模型与对象模型完全一致时，系 刀王顺晃，舒迪前.智能控制系统及其应用.北京：机械L 统的稳定性大大提高，对过程纯滞后的补偿效 业出版社，1994 果十分满意，但当模型增益和延时时间变化 Intelligent PID control strategy for monitor AGC system YU Lijie.WANG Jing National Engineering Research Center for Advanced Rolling Technology,Uniersity of Science and Technology Beijing.Beijing 100083,China ABSTRACT A PID control strategy based on RBF network and combining with Smith estimator was proposed for dead-time monitor AGC system.Simulations on classical monitor AGC,Smith estimator-based AGC and intel- ligent PID-based AGC were done.The simulation results indicate that the convergent speed of the intelligent PID- based AGC is faster than the others,and it has satisfied adaptability and robustness. KEY WORDS monitor AGC;dead-time;Smith estimator;intelligent PID

一 1 2 2 - 北 京 科 技 大 学 学 报 2 0 5 年 第 1期 在 对 应用 S m ith 预估 器 与 智能 P ID 控制 器 相 结 合 的监控 A G C 系统 仿 真 时 , 设 置初 始 参数 如 下 : w ! ( 0 ) 二 0 . 5 , w Z ( 0) = l , w 3 ( 0 ) = 0 . 4 , u ( 0 ) = 0 ,只0 ) = 0 , 。 = 0 , p 于。 , a = 0 1渭 = o , l , 咋二 .0 05 . 仿 真结 果如 图 5 所 小 . 1 . 0 日 写 攀 0 . 5 恻{跳 ! 1 1 二 0 1 2 3 4 5 时间s/ 图 5 Sm i ht 预估器 与智 能 P m 控制 器相 结合 仿真 曲线 F i g . 5 S im u l a t i o n e u vr e o f A G C s y s t e 山 w iht s m i t h e s t i m - a t o r a n d i n t e ll ig e n t P I D e o n t or l l e r 4 结论 在监 控 A G C 系 统 中应用 S m i ht 预 估 补偿 控 制 策略 , 当预 估 模 型与对 象 模型 完 全一 致 时 , 系 统 的 稳 定性 大 大 提 高 , 对 过程 纯 滞 后 的补 偿 效 果十 分 满 意 . 但 当 模 型 增 益 和 延 时 时 间 变 化 10 % 一 15 % 时 , s m iht 预 估 器就 失 去 了 良好 的控制 作 用 . 智 能 P DI 控 制 器是 按 PDI 控制 规 律和 己有 的经验 确 定 的 , 保 证 了系 统 的稳 定性 和 收敛 性 . 同时 又具 有 神 经 网 络 的并 行 结 构 和学 习 记 忆 功 能 , 以 及 多层 网 络 逼近 任 意 函数 的能 力 , 与 s m i ht 预 估器 相 结合 对 监控 A G C 系 统进 行 控制 , 由仿 真 结果 可 知 , 系 统 收敛 速度 明显 加快 , 适应 能 力 与 鲁棒 性 比 常规 PI D 控制 要 好 . 参 考 文 献 LI] 刘 建 昌 , 顾树 生 . S m iht 预 钻控 制策 略在 A G C 系统 中 的应 用 . 钢 铁 , 1 99 8 , 3 3 ( 10 ) : 4 0 2[ ] 韩绍 坤 , N vo ik vo V A . 时滞 系统控 制算 法 的改进 . 基础 自 动 化 , 2 00 0 , 7 ( 6) : 9 ! 31 葛平 , 栗 晓冬 . 基 于 H 工 鲁棒 控制方 法 的 A G C 一 活 套综 合控 制 . 北京科 技大 学学报 , 2 0 0 1 , 2 3( 6 ) : 55 7 4[ ] 童 朝南 , 孙 一 康 . 热连 轧综 合 A G C 系统 的智 能化 控 制 北 京科技 大学 学报 , 2 0 02 , 4 ( 5 ) : 5 5 3 【5] 土 水骥 , 涂键 . 神 经 元 网 络控 制 . 北 京: 机 械 工 业 出版社 , 19 9 8 6[] 王耀南 . 智能控 制系 统 . 长沙 : 湖南 大学 出 版社 , 19 96 7[] 王 顺晃 , 舒迪 前 . 智 能控制 系统 及其 应用 . 北 京: 机械 L 业 出版 社 , 1 99 4 I n t e l l ig e n t P I D e o n t r o l s t r a t e g y fo r m o n it o r A G C s y s t e m y 乙 万 L 扩ie , 环月N G iJ n g N a t i o n a l E n g i n e e r , n g R e s e ar e h C e n t e r fo r A d v an e e d R o llin g eT e hn o l o gy , U n i e r s ity o f s e i e n c e an d eT c hn o l o gy B e ij i n g , B e ij i n g l 0 0 0 8 3 , C hin a A B S T R A C T A P ID e o n tr o l s tr at e gy b as e d o n R B F n e tw o rk an d e o m b i n i n g w it h Sm i t h e s t im at o r w a s P r o P o s e d fo r d e a d 一 t i m c m o n i t o r A G C s y s t e m . S im u l at i o n s o n e l a s s i e a l m o n i t o r A G C , S m i t h e s t im at o r 一 b a s e d A G C an d i n t e l - li g e n t P ID 一 b a s e d A G C w e r e d o n e . hT e s im ul at i o n r e s u l t s i n d i c a t e ht at t h e e o vn e gr e nt s P e e d o f ht e i n t e l li g e nt P ID - b a s e d A G C 1 5 af s t e r ht an ht e o ht e r s , an d i t h as s at i s if e d ad aP t a b i l iyt a n d r o b us t n e s s . K E Y W O R D S m o n i otr A G C : de a d- it m e : S m iht e s t i xn at or : i nt e l li g e l l t P I D