AGC板厚控制系统中对时滞非线性问题的有效控制方法

D0I:10.13374/i.issn1001053x.2003.04.018 第25卷第4期 北京科技大学学报 VoL.25 No.4 2003年8月 Journal of University of Science and Technology Beijing Aug.2003 AGC板厚控制系统中对时滞非线性问题的 有效控制方法 李正熙”刘玠) 孙德辉”赵仁涛》 1)北方工业大学现场总线及自动化北京市重点实验室，北京1000412)鞍山钢铁公司，鞍山114000 摘要针对在AGC板厚控制系统中存在时滞、时变、大惯性、非线性等问题，提出了采用 自适应集中延时神经网络辨识、最优预报和模糊免疫PD控制相结合的控制方案，有效地提 高了系统的控制精度和动态性能.经MATLAB仿真实验表明，各项指标均好于传统的控制方 式，取得了令人满意的控制效果 关键词AGC:时滞非线性；集中延时神经网络：模糊免疫PD 分类号TG334.9 目前在热轧机的厚度自动控制系统(AGC) 模糊免疫 时滞、时变、大惯性 中，由于厚度检测装置大都安装在精轧机出口， PID控制器 非线性被控对象 且随着设备加工工件规格和设备运转周期的不 自适应集中延时 同其被控对象的模型参数会发生改变，故AGC 神经网络辨识 控制对象具有反馈滞后、参数时变、大惯性和非 最优预报值y(+T) 线性特征，采用传统的控制方案不能很好地解决 图1系统控制结构图 这一问题. Fig.1 System control structure 本文利用免疫控制和传统PD相结合的方 2 法，通过理论论证和仿真结果阐述了该方法的有 神经网络辩识与最优预报 效性， 为了增强网络的动态特性和对时变、时滞变 化的映射能力及预测能力，这里采用自适应延时 1被控对象的特征及控制方案 神经网络辩识方法，它的网络权值在训练过程 中实时调整，同时延迟T:根据轧机与厚度传感器 厚度精度是衡量热轧带钢的最重要的质量 指标之一.厚度自动控制的目的，就是借助于辊 的距离L、轧机出口速度v实时调整，因此可以更 缝、张力、速度等可调参数，把轧制过程参数（如 好地反映对象变化的时序，为最优预报计算提供 基础数据，如图2所示， 原料厚度、硬度、摩擦系数、变形抗力等)波动的 影响消除，达到预期目标厚度”.该系统具有时 滞、时变、大惯性、非线性的特征，为此采用自适 应集中延时神经网络辨识在线获得对象模型及 无滞后输出y(k+T)和延迟时间Ta,yk+T)作为反 延迟块 附 馈信号以克服纯滞后的影响，采用模糊免疫PD Ta 控制提高系统的控制精度和抗干扰能力，系统结 最优预报值 (+T) 构如图1所示. 图2自适应集中延时神经网络结构图 收稿日期2002-09-28 李正熙男，48岁，数授，博士 Fig.2 Adaptive centralized time-delay neural network *现场总线及自动化北京市重点实验室基金资助项目(2002) architecture

第 25 卷 第 4 期 2 00 3 年 8 月 北 京 科 技 大 学 学 报 OJ u r n a l o f U n iv e r s iyt o f S c i e O c e a n d eT c h n o lo gy B e ij 恤g Vb L2 5 N 0 . 4 A u g . 2 0 3 A G C 板厚控制系统 中对时滞非线性 问题 的 有效控制方法 李正 熙 ` , 刘 价 ” 孙德辉 ” 赵 仁涛 ` , )I 北方 工业 大学 现场 总线 及 自动 化北 京 市重 点实验 室 , 北 京 10 0 0 41 2) 鞍山 钢 铁 公司 , 鞍山 114 0 0 摘 要 针 对在 A G C 板 厚 控制 系 统 中存 在 时滞 、 时变 、 大 惯 性 、 非 线性 等 问题 , 提 出 了采用 自适 应 集 中延 时神 经 网 络辨识 、 最 优 预报 和模 糊 免疫 PI D 控 制相 结 合 的控 制方案 , 有 效 地提 高 了系 统 的控制 精度 和 动态 性 能 . 经 N沙J L A B 仿 真 实验 表 明 , 各 项指 标 均好 于传 统 的控 制 方 式 , 取 得 了令 人 满意 的控 制 效果 . 关键 词 A G C ; 时滞 非 线性 ; 集 中延 时神 经 网络 ; 模 糊 免疫 PI D 分类 号 T G 3 3 4 . 9 目前 在 热 轧 机 的厚 度 自动 控 制 系统 (A G )C 中 , 由于厚 度 检测 装 置大 都 安装 在 精 轧 机出 口 , 且 随着 设备 加 工 工件 规 格 和 设 备运 转 周 期 的不 同其 被 控 对 象 的模型 参 数会 发生 改 变 , 故 A G C 控 制 对 象 具 有 反馈 滞 后 、 参数 时变 、 大 惯性 和 非 线性 特 征 , 采 用传 统 的控 制 方案 不 能很 好 地解 决 这一 问题 . 本文 利 用 免 疫 控制 和传 统 P ID 相 结合 的方 法 , 通过 理 论论 证 和 仿真结 果 阐述 了该 方 法 的有 效 性 . 模糊免疫 时滞 、 时变 、 大惯性 P ID 控制器 非线性被控对象 \ 自适应集中延时 神经 网络辨 识 图 1 系 统控 制结 构 图 F ig · 1 S y s et m e o n t or l s t ur e tU er 1 被控对 象 的特 征 及 控制 方 案 厚 度 精 度 是 衡 量 热 轧 带 钢 的最 重 要 的质 量 指标 之 一 厚 度 自动 控 制 的 目的 , 就 是 借 助 于辊 缝 、 张 力 、 速 度 等 可 调参 数 , 把 轧制 过 程 参数 (如 原料 厚 度 、 硬 度 、 摩擦 系 数 、 变 形 抗 力 等 )波 动 的 影 响消 除 , 达 到 预 期 目标 厚 度 【1] . 该 系 统具 有 时 滞 、 时变 、 大 惯 性 、 非线 性 的特 征 , 为此 采 用 自适 应 集 中延 时 神 经 网络 辨识 在 线获得 对 象模 型及 无 滞后 输 出只+k 兀) 和 延 迟 时 间 兀 ,只+k 兀) 作 为 反 馈 信 号 以克 服 纯滞 后 的影 响 , 采用 模 糊 免 疫 IP D 控 制提 高系统 的控制 精度 和 抗 干扰 能 力 . 系 统结 构 如 图 1 所 示 . 收稿 日期 2 0 02 刁9一8 李正 熙 男 , 48 岁 , 教授 , 博士 * 现场 总线 及 自动化 北 京市重 点 实验 室基金 资助 项 目(2 0 0 2) 2 神 经 网 络辩 识 与最 优 预报 为 了增 强 网 络 的动 态 特 性和 对 时变 、 时 滞变 化 的映射 能 力及 预 测 能力 , 这 里采 用 自适 应 延 时 神 经 网络辩识 方 法 仪, . 它 的 网络权 值在 训 练过程 中实 时调 整 , 同 时延 迟 兀根据 轧 机与厚 度 传 感器 的距 离 L 、 轧 机 出 口 速 度 v 实时 调 整 , 因此 可 以更 好 地 反映对 象 变 化 的 时序 , 为最 优 预报 计 算提 供 基 础数 据 , 如 图 2 所 示 . 图 2 自适 应 集 中延 时神 经 网络 结构 图 F ig . 2 A d a P tiv e e e n t r a ilZ e d it . -e d e 肠y n e u ar l n e幻陀o r k a cr b it e C t U代 DOI: 10. 13374 /j . issn1001 -053x. 2003. 04. 018

Vol.25 No.4 李正熙等：AGC板厚控制系统中对时滞非线性问题的有效控制方法 ·363· 为了兼顾预测的快速性和网络的稳定性，采 △W=k(a因-k-IH7e 用了加入动量项的反向传播学习算法m eW-2ek-lHek-2》 (1) (1)初始化权及延迟时间w,T(O) (2)选择动量因子a=0.5及学习速率(0)=1. 其中，K,K,K分别为比例、积分和微分系数. (3)前向计算： 控制器的控制算法为： △u=Ke() (2) 对第1层的j单元，n)=wn'(n,其中， 免疫PD控制器阿，就是借鉴生物系统的免 '()为前一层的单元i送来的信号，i=0时， 疫机理设计出一种非线性控制器.在图1的控制 '(n)=-1,w(n)=n. 结构中，假设第k代的抗原数量为()，由抗原刺 取单元j的激活函数为sigmoid函数，则 激的TH细胞的输出为T(),T细胞对B细胞的影 a》-8器品-1-wL 响为Ts(),则B细胞接收的总刺激为： 对于输入层而言，(n)=(m).对于输出层有 S(k=TH(k-Ts(k) ym)=O,且e(n)=xn)-On. 其中，Tm()=ke(),Ts(=k几△Sk]E(K). (4)反向计算8： 若以抗原的数量c()作为偏差()，B细胞接 输出单元，(n)=e(n)0(n[1-O(n)】. 收的总刺激S)作为控制输入()，则有如下的反 隐单元，n)=yn[1-yn]E"(nhw%"(n. 馈控制规律： (5)权值修正公式： u)=K{l-nf几△u(]}ek)=e() (3) wi(n+1)=w(n)+a Aw (n-1)+nd n)y(n). 其中，K=k,控制反应速度：n=kk,控制稳定效 时滞时间在线计算为T(k)=L()/M). 果：几]是一选定的非线性函数.本文就是利用模 (6)误差计算： 糊控制器来逼近非线性函数f兀·]. =号2月-册 免疫PD控制器的输出为： 对于给定的ε>0，如果E<ε转结束，否则继 △闭=K1-na]a-e-1+7etr 续 [e-2ek-1+ek-2》. 从应用角度，系统延迟时间T应该是0或采 模糊控制不需要对控制模型的精确描述就 样周期T的整数倍，因此其初值T(O)必须是采样 能很好地解决非线性、大时滞、变参数对象的控 周期T的整数倍，对T实时计算结果应按四舍五 制问题，因此被广泛应用于各种控制系统.模糊 入的原则取整， 自调整PD控制器是一种在常规PID调节器的基 经自适应延时神经网络辨识后，如果输出为 础上，应用模糊集合理论，根据控制偏差绝对值、 y(),那么系统延迟环节前的信号(+T)可作为 偏差变化率绝对值，在线自动调整比例系数K,、 最优预报值引入反馈端， 积分系数T和微分系数T的模糊控制器例.被控 过程的采样数据作为模糊控制器输入的清晰量， 3模糊免疫PID控制器 经过输入量化因子计算，被模糊化后转变成模糊 PD控制是最早发展起来的且目前在工业过 量，用模糊语言和模糊规则进行模糊推理，本文 程控制中依然是应用最广泛的控制策略之一，对 所使用的输入输出隶属度函数见图3所示，每个 PD的少许改进往往会获得较明显的效果，近年 输入变量被二个模糊集模糊化，分别是“正”(P) 来，智能型PD表现出的传统PD难以实现的控 隶属度 N隶属度 制性能，使得PD控制器再次引起控制界人士的 极大兴趣，本文结合免疫反馈机理，基于人工智 能控制思想，提出一种模糊高速免疫PD控制 器，并将其成功应用于冷连轧厚度的自动控制系 统中，仿真实验表明，其控制性能远优于常规 -L 0L△ek)-L 0L△(k) PD控制器，带钢纵向厚度精度得到显著提高. 图3输入输出隶属度函数 常规PD控制器输出的离散形式为： Fig.3 Input and output membership function

V匕LZ S N o . 4 李正 熙等 : A G C 板 厚控 制系 统 中对 时滞 非线性 问题 的 有效 控制 方法 . 3 曰 . 为了兼顾 预 测 的快速 性 和 网络 的稳 定 性 , 采 用 了加 入动 量 项 的反 向传 播 学 习算法 `3] . ( l) 初始 化 权及 延 迟 时间践 , 兀(.0) (2 ) 选择 动 量 因子 a = .0 5 及 学 习 速率 叮(0) 二二 1 . (3 )前 向计算 : 对 第`层 物单 元 , 谬(n ) 一 恿衅(n 汉 一 l(n ), 其 中 , 叼仪n) 为 前 一 层 的 单 元 i 送 来 的 信 号 , =1 0 时 , 声 , ( n ) = 一 l , 喃( n ) = 牙 。 ( n ) . 取 单元厂的激 活 函数为 is gm io d 函数 , 则 A U x() 一 、 { 。 `。 一 。 ( k一 , )借 。 ()^ + 平 〔 le() 一 2 、 一 ,卜、 一 2 ): } ( 1 ) , 、 v,( · )卜 黯 一 、 ( · )〔` 、 · ): · 对于 输入层 而 言 , 尹(n ) = x,( ” ) . 对 于 输出层 有 另 , , ( n ) = 以 n ) , 且 e,( n ) 二为 ( ” ) 一 Oj ( n ) . (4 )反 向计 算次 输 出单 元 , 砂(n) = 扩(n )q (n) 〔1一 o,( )n 〕 . 隐单元 , 砂(n ) 一 叼气” ) [`了( n ) ]千矿 , ,(n ) w犷 , , (n ) · ( 5) 权值 修正 公式 : 州入 ” 十 l) = 衅(n +) a △玛加 一 1+) 叮礴(n y), ( n ) . 时滞 时 间在 线计 算为 兀 (k) = L k() 城 k) . (6 )误差 计算 : : 一 推 , 。 水、 对 于给 定 的。 > 0 , 如 果 E < e 转 结 束 , 否则 继 续 . 从 应用 角度 , 系 统延 迟 时 间兀应 该是 O 或 采 样周期 T的整 数倍 14 , 因此 其初 值几 (0) 必 须是采 样 周期 T 的整数倍 , 对 兀 实时 计算结 果应 按 四舍 五 入 的原则 取 整 . 经 自适应延 时 神经 网络 辨 识后 , 如 果 输 出为 只k) , 那 么 系统 延 迟环 节前 的信 号只+k 兀)可 作 为 最 优 预报 值 引入 反馈 端 . 其 中 , 凡 , 戈 , oK 分别 为 比 例 、 积 分和 微 分 系数 . 控 制 器 的控制 算法 为 : △“ (k) = KP e (k ) (2 ) 免 疫 P刀O 控 制器 〔5, , 就 是借鉴 生物 系 统 的免 疫机 理 设计 出一 种 非线性 控 制器 . 在图 1 的控 制 结构 中 , 假设第 k代 的抗原数 量 为试k) , 由抗原 刺 激 的 TH 细 胞 的 输 出 为 TH (k) , sT 细 胞 对 B 细 胞 的 影 响为 sT (k) , 则 B 细胞 接 收 的 总刺 激 为 : 从的= 几( k) 一 sT (k) 其 中 , TH (k) = k , e k() , sT (k) 二 棍刀八域无)」找无) . 若 以抗 原 的 数 量 e( k) 作 为 偏差 e (k) , B 细 胞 接 收 的总刺 激 (S k) 作 为控 制输入 u( k) , 则有 如下 的 反 馈控 制 规律 仪, : u (k) = K { l 一 祖A u (k) 」} e( k) = 凡 e ( k) (3 ) 其 中 , K = k l , 控制 反 应速 度 ; 叮= 棍k/ : , 控制 稳定 效 果 ;九 · ]是一 选 定 的非线 性 函数 . 本 文就 是 利用 模 糊 控制器 来 逼近 非 线 性 函数厂下 · 〕 . 免 疫 PID 控制器 的 输出为 : △ uk() 一 “ , 一 机△ u(k) 〕, { ` 一 “ 一 , 几 。 _ , 。 崎枷 一币 , L匕 、 凡 夕一 乙e 气人 一 i J宁已 、托 一 ` 多」] . 通 3 模糊 免疫 P I D 控制 器 P ID 控制 是 最早 发展 起来 的且 目前 在 工业 过 程 控制 中依 然是 应用 最广 泛 的控制 策 略之 一 , 对 PID 的少 许 改进往 往 会 获得较 明显 的效果 . 近 年 来 , 智 能型 P ID 表 现 出 的传 统 P ID 难 以实现 的控 制性 能 , 使得 PD 控 制 器 再 次引 起控 制 界人 士 的 极大 兴趣 . 本文 结 合免 疫 反馈 机理 , 基 于人 工 智 能控制 思想 , 提 出一 种 模糊 高速 免 疫 P ID 控制 器 , 并将 其成 功应用 于冷 连 轧厚度的 自动控 制 系 统 中 . 仿真 实 验 表 明 , 其 控 制 性 能远 优 于 常规 P ID 控 制 器 , 带 钢纵 向厚度 精度 得到 显著 提 高 . 常 规 PD 控 制 器输 出的离散形 式 为 : 模 糊 控 制 不 需 要对 控 制 模 型 的 精 确 描述 就 能很好 地 解 决 非线 性 、 大 时滞 、 变 参 数对 象 的控 制 问题 , 因此被广 泛 应用于 各种控 制系统 . 模糊 自调 整 P ID 控制 器 是 一种在常 规 P ID 调节 器 的基 础上 , 应 用 模糊 集合 理 论 , 根 据控制偏 差 绝对值 、 偏 差变 化 率绝对 值 , 在线 自动 调 整 比例系 数凡 、 积 分系 数 不和 微 分系 数 几 的模糊 控 制 器 , , . 被 控 过程 的采样 数据 作 为模糊 控 制器 输入 的清 晰量 , 经 过输 入量 化 因子计 算 , 被 模糊化后 转 变成 模糊 量 , 用 模 糊语 言 和模 糊 规 则进 行 模 糊推 理 . 本 文 所 使用 的输 入 输 出隶 属度 函数 见 图 3 所 示 , 每 个 输 入变 量被 二个 模糊 集 模糊 化 , 分 别是 “ 正 ” ()P 图 3 输入 输出隶属 度函数 F咭 · 3 I n P u t a . d o u勿u t m e m b e sr h iP fu n c it o n

·364 北京科技大学学报 2003年第4期 和“负”N):输出变量被三个模糊集模糊化，分别 控制工具箱、神经网络控制工具箱和Simulink仿 是“正”P、“零”(Z和“负”N).以上隶属度函数 真软件，进行了模糊免疫PD控制和神经网络辨 都定义在整个(-o,+0)区间m. 识的动态仿真.仿真结构如图4所示，在采样周 期T和滞后时间τ取不同值时，有预测环节和无预 4仿真实验 测环节的运行情况完全不同，仿真结果如图5、 结合热连轧生产过程，使用MATLAB的模糊 图6所示. 单位阶跃给定 KO 模糊免疫PID Out1 辨识及预报 Inl 图4仿真系统结构图 Fig.4 Emulation system architecture 1.0 1.0 0.8 2 0.8 0.6 0.6 0.4 0.4 0.2 (a)T=0.5,x=0.l 0.2 b)T=0.5,x=0.4 0 0 6 10 0 4 6 810 时间s 时间s 图5T不变，τ变化时的仿真曲线.曲线1为加入预测环节时响应曲线，曲线2为未加预测环节时响应曲线 Fig.5 Simulation results when Tis constant and r is variable 1.0 1.0 0.8 0.8 款 0.6 0.6 0.4 0.4 0.2 (a)T=1.0,x=0.1 0.2 b)T=0.7,x=0.3 0 01 2 4 6 8 10 2 46 810 时间s 时间s 图6T和τ均变化时的仿真曲线，曲线1为加入预测环节时响应曲线，曲线2为未加预测环节时响应曲线 Fig.6 Simulation results when both T and r are variable 通过仿真曲线可以清楚地看到，在采用模糊 5结论 免疫PD控制器的基础上加入预测环节后，系统 不仅可降低超调，稳定性提高，且响应速度快，能 通过仿真验证了神经网络辨识、最优预报和 够使带钢纵向厚度精度大大提高，废品率降低， 模糊免疫PD控制相结合的控制方案的有效性， 提高产品质量 且对于其他行业类似对象的控制也有一定的借 鉴作用. (下转第373页)

一 36 4 - 北 京 科 技 大 学 学 报 2 0 3 年 第 4 期 和 “ 负 ” 困) ; 输 出变量 被三 个 模 糊集 模糊 化 , 分 别 是 “ 正 ” ( )P 、 “ 零 ” (z ) 和 “ 负 ” 困) . 以上 隶 属度 函数 都 定义 在 整 个 ( 一 二 , 十二 ) 区 间口 , . 4 仿真实验 结 合热 连轧 生产 过 程 , 使 用 M A T L A B 的模 糊 控 制 工具 箱 、 神经 网络 控 制 工具 箱 和 S众n u 】j n k 仿 真 软件 , 进 行 了模 糊 免 疫 P ID 控制 和 神 经 网络 辨 识 的动 态仿 真 `司 . 仿 真 结构 如 图 4 所 示 , 在 采样 周 期 拜口滞后 时 间: 取不 同值 时 , 有预 测环 节 和无 预 测 环 节 的运 行 情况完 全 不 同 , 仿真 结 果 如 图 5 、 图 6 所 示 . 单位 阶跃给定 卫渔 . 而认丁曰哑 夕凡国鱼dr } 叮 模糊免疫 IP D 么凡 二 ` } 旦些 半目 dr 丛一一卫叫 辨识及预报 卿 图 4 仿 真 系统 结构 图 F ig · 4 E m u l a iot n sy s et m a cr h it e e t u er 滋万 2 、曰í 1 蔺丁 . J ! I . . !1 l `I J J 1 . 0 粼 .08 纂 0 · 6 潺 0 . 4 0 . 2 0 -一 - -一月 “ 0 … 燕 ” · 8 一 图 八 , { , , U 。 O 一 霭 … 一 ” .4 `a) T一 0 · , ,一 0 · , … 0 . 2 一一司一 -一 -一~ 一 -占 -一一 - O ( b ) T = 0 . 5 , : = 0 . 4 怜2 百犷, ;百, , 11 : ! ! : l 0 2 4 6 时 间s/ 8 10 0 2 4 6 时间s/ 8 10 图 S T 不变 , r 变 化 时 的仿真 曲线 . 曲线 1 为加 入 预测 环 节 时响应 曲线 , 曲线 2 为未 加 预测 环 节时 响应 曲线 F i g · 5 S i m u al iot n er s u l st w h e n T is c o n s t a n t a n d r is v a iar b l e (a) T = 1 . 0 , 丁 = 0 . 1 0 2 4 6 时 间s/ 8 1 0 一 矛如 - - -一 - - - - - - 诸 了 f f 一 l J 下 } { 。) T 一 0 . 7 , r 一 0 . 3 { 粼田潺图 气2 、气 l 日l n找 46 `, 0 C ùCU 粼田潺图 时 间s/ 图 6 T和 : 均 变化 时 的仿 真 曲线 . 曲线 1 为 加入 预 测环 节 时响 应 曲线 , 曲线 2 为 未加 预 测环节 时响 应 曲线 F ig · 6 Si m u l a iot n er s u l t s w h e n b o t h T a n d r a er v a r is b l e 通 过 仿 真 曲线 可 以清 楚 地 看到 , 在 采用 模 糊 5 结 论 免疫 PDI 控制 器 的基 础 上加 入 预 测 环 节后 , 系 统 不 仅可 降低超 调 , 稳 定 性提 高 , 且 响 应速 度快 , 能 够 使 带钢 纵 向厚 度 精度 大 大 提 高 , 废品率 降低 , 提 高产 品质 量 . 通 过仿 真验 证 了神 经 网络 辨 识 、 最优 预报 和 模 糊 免 疫 IP D 控 制 相 结 合 的控 制方 案 的有 效性 , 且对 于其 他 行 业 类 似 对 象 的控 制 也 有一 定 的 借 鉴作 用 . , 二 , , , , 二 、 五 ’ 卜 用 ` (下转第 3 73 页 )

Vol.25 No.4 彭开香等：神经网络技术在淬火控冷中的应用 373· 3李士勇.模糊控制·神经控制·智能控制论M.哈尔 滨：哈尔滨工业大学出版社，1996 Application of Neural Networks to Quenching and Control Cooling PENG Kaixiang,DONG Jie,TONG Chaonan Information Engineering School,University of Science and Technology Beijing,Beijing 100083,China ABSTRACT The quenching and cooling of hot-rolling steel is a important step to improve the quality and mech- anical properties of steel plates.It is the key to a quenching procedure to control the speed of cooling.Against the inherent shortcoming of the traditional quenching model and for the requirement of expanding steel varieties,speci- fications and improving the precision of quenching temperature,a temperature forecast model in quenching and con- trol cooling was established by the method of neural networks.Combining this forecast model with the previous re- gression mathematical model,the real-times control of quenching and control cooling was accomplished.The result shows that the comprehensive model improved greatly the controlling accuracy of quenching and cooling. KEY WORDS neural network;quenching;mathematical model 堂堂s望sua堂aea量6 e6Te6Ye67a亚66亚aa业aSPa6Pa堂e堂s堂 (上接第364页) 参考文献 业出版社，2001 5李士勇.模糊控制神经控制和智能控制论M).哈尔 1刘玠，孙一康，带钢热连轧计算机控制[M.北京：机 滨：哈尔滨工业大学出版社，1998 械工业出版社，1997 6王炎.模糊免疫PD控制器的设计与仿真)计算 2刘贺平.系统辩识与控制D].北京：北京科技大学， 机仿真，2002,19(2少3 1999 7 Kevin Passino,Stephen Yurkovich.Fuzzy Control [M]. 3阎平凡，张长水，人工神经网络与模拟进化计算M Beijing:Tsinghua University Press,2001 北京：清华大学出版社，2000 8楼顺天，施阳.基于MATLAB的系统分析与设计一 4舒迪前，预测控制系统及其应用.北京：机械工 神经网络M).西安：西安电子科技大学出版社 Effective Method to Compensate the Nonlinear and Time-delay Part of AGC Strip Gauge Control LI Zhengxi",LIU Jie",SUN Dehui",ZHAO Rentao" 1)North China University of Technology,Beijing 100041,China 2)Anshan Iron Steel Group,Anshan 114000,China ABSTRACT Against the problems of time-delay,parameters-varyingness,large inertia,and non-linearity existing in AGC systems,a contrller that combines adaptive centralized time-delay neural network recognition,optimal pre- diction and immunized fuzzy PID was proposed.The controller effectively improves the accuracy and dynamic per- formances of the system.Simulations in Matlab show that the controller is superior to traditional control strategies in all design criteria. KEY WORDS AGC;nonlinear time-delay;adaptive centralized time-delay neural network;immunized fuzzy PID

V b L2 5 N 0 . 4 彭 开香 等 : 神 经 网络技 术在 淬火 控冷 中的应用 . 373 . 3 李士 勇 . 模糊 控制 · 神 经控 制 · 智 能控制 论 [M] . 哈尔 滨 : 哈 尔滨工 业 大学 出版社 , 19 % AP P li e at i o n o f N e ur a l N e wt o kr s t o (之ue n e h i n g an d C o ntr o l C o o li n g 尸￡N G aK 众ia gn, D O N G iJ砚 厂口刃 G hC ao an n nI of mr iat on E n g ien e n盯 9 Shc o l , U n i v e rs i ty o f s e i e n e e an d eT 。血o l o gy B e ij ign , B e ij ign 10 0 0 8 3 , C h ina A B S T R A C T T七e qu e n e h in g a n d c o o l ing o f h ot 一 or ll ing s t e e l 1 5 a i m P o rt a n t s t e P t o im Por v e ht e qu a li yt an d m e e h - an i e al P r 0 P e irt e s o f st e e l P l at e s . 1 1 5 het k e y t o a q ue n e h l n g Por e e d ur e t o e o n tr o l het s P e e d o f e o o ling . A g a in st ht e Ihn e er in s h o rt e om ing o f ht e atr d iit o na l q u e n e h ing r n o de l a n d fOr ht e er q u lr e m e nt o f e xP an d ing s et e l v iar et i e s , s P e e i - if e at i o n s an d im P r o v ign ht e P r e e i s ion o f q u e cn h ign t e m P e r at ur e , a et m P e r a ut r e fo r e e as t m o d e l i n q u e n hc ign an d e o -n tr o l e o o li n g w a s e s t ab li s h e d by ht e m e t h o d o f n ieur 、 1 n e 卜刀。 r k s . C o m b in gn ht i s fo er e as t m o d e l w iht het P er v i ous er - 『e s s ion m at h e m iat e al m o de l , ht e er a l 一 t im e s e o ntr o , 1 o f q u e n c h i n g an d e o n tr 0 1 e o o l ign wa s ac e om P li s h e d . hT e er s u 1t hs o w s th at ht e e om P r e h en s iV e m o de l im P or v e d gr 。: at ly het e o n t r o llin g ac e U比 a c y o f q u e n e h ign an d e o o lign . K E Y WO R D S en uar l n e朴刀 o kr ; qu e n c h ign ; m毗 l e m at i e al m o de l (上 接 第 3 6 4 页 ) 参 考 文 献 1 刘 价 , 孙一 康 . 带钢 热连 轧计 算机 控 制 [M ] . 北京 : 机 械工业 出版 社 , 19 97 2 刘 贺平 . 系 统辩识 与控 制 田1 . 北京 : 北 京科 技大 学 , 1 9 9 9 3 阎平 凡 , 张长水 . 人工 神经 网络与模拟进化 计算 [M』 . 北 京 : 清 华大 学 出版社 , 2 0 0 4 舒迪 前 . 预 测控制 系统 及其 应用 「M ] . 北 京 : 机 械 工 业 出版 社 , 2 0 0 1 5 李 士勇 . 模糊 控制 神经 控制 和 智能控 制 论 [M ] . 哈 尔 滨 : 哈尔 滨 工业大 学 出版 社 , 19 98 6 王炎 . 模糊 免疫 PI D 控制 器 的设 计与仿 真 l[J . 计算 机 仿真 , 2 0 0 2 , 19 (2 ) : 3 7 eK v in P as s inO , S etP h e n 丫Ur k o v i e h . F l l石刁 C o n tr o l [M ] . B e ij ign : sT in gh u a U n l v e r s iyt P r e s s , 2 0 0 1 8 楼 顺 天 , 施阳 . 基 于 N 阴 J L A B 的系统 分析 与 设计一 神 经 网络 [M ] . 西 安 : 西 安 电子科 技大 学 出版社 E fe c t i v e M e ht o d t o C o m P e n s at e ht 。 , N o n li n e ar an d iT m e 一 d e lay P art o f A G C Sitr P G au g e C o n t r o l IL hZ e n g义 i ,) IL U iJ 扩几 S〔j N D he u ’i), 1Z初 O Ren at ol) l ) N o hrt Ch in a nU i v e sr iyt o f eT e ho o l o gy , B e ij in g 10 0 0 4 1 , Ch 血扭 2 ) A n s h an l or n & Ste e l G r o u P , A刀 sh an l l 4 0 0 0 , C h in a A B S T R A C T gA ian s t hte P r o b l em s o f t im e 一 de layl P arm e t e r s 一 V娜 In gn e s s , l ar g e in 而.a an d n o n 一 lin e iar yt e x i s t i n g in A G C sy st e m s , a e o n tr ll er ht at e o m b i en s a d a P t i v 。: e e n tr a li z e d t而 e 一 de l ay euanr l n e wt o r k er e o gn it i o n , oP tha a l P r e - d i c ti o n an d im m u n i z e d ft 比 yZ P ID w as P r o P o s e d . hT e e o n tr o l l e r e fe e iVt e ly im P r vo e s ht e ac e ur a c y an d 勿amn i e P e 。 几 n n an e e s o f ht e s y s t e m . S lm u l iat on s in M at l ab s b L o w ht a t het e o n tr o ll e r 1 5 s uP ier or ot tr ad it i o n a l e o n tr o l s t r a t e ig e s in al l d e s ign e irt e ir a . K E Y WO R D S A G C ; n on l ien ar t im e 一 d e l ay : ad a P t i v e c e ntr al iZ e d t而 e 一 d e l ay en ur a l n e 七万 。 r k ; i r n们n u n i z e d ifj z 刃 P ID