基于模糊神经网络的连续退火炉温度控制系统研究
连续退火炉作为轧钢企业连续退火生产线上的主要设备之一,直接影响冷轧带钢的质量、产量和成本。研究连续退火炉温度控制系统在提高生产率、改善产品质量和节约能源方面有着举足轻重的意义。鉴于连续退火炉温度控制是一个复杂而且难以控制的工业过程,采用常规的PID控制策略已经很难取得很好的控制效果,研究一种性能良好的控制策略无疑有着实际的意义。
本文从实际出发,以本钢连续退火生产线的退火炉为研究背景,重点消化研究了现场连续退火炉温度控制系统,对系统中包含的炉温控制回路、煤气流量控制回路和空气流量控制回路的设计进行了详细分析,并对系统中采用的双交叉限幅控制策略进行了深入的研究。最后通过现场炉温系统的运行效果进行分析评价,基于PID控制的炉温系统在稳定生产过程中运行效果良好,但是在升温过程中,系统滞后性严重,炉温波动较大。
鉴于退火炉内工况复杂,难以用精确的数学模型来描述它,论文基于BP神经网络辨识退火炉炉温系统的动态模型。通过分析影响退火炉炉温的各种参量,得到系统的主要输入参量为煤气流量和空气流量;然后在大量现场数据的基础上,基于BP神经网络进行炉温模型的辨识,并进行了仿真研究,结果表明基于BP神经网络的退火炉炉温模型辨识效果良好。
以基于神经网络辨识的退火炉炉温模型为被控对象,论文设计基于模糊神经网络的连续退火炉温度控制系统。针对炉温对象的特性,系统设计一种新型的模糊神经网络控制器,它具有清晰的网络结构,并能完成在线学习修正网络的权值。通过现场采集的样本数据对模糊神经网络控制系统进行离线训练,使控制器具有良好的初始参数,得到一个基本反映系统要求的网络,为在线应用打下基础。最后,在MATLAB环境下进行了仿真研究,结果表明:基于模糊神经网络的炉温控制系统与基于PID的炉温控制系统相比,对炉温变化的跟踪性能较好,超调量小,调节时间较短,而且鲁棒性较强。
为了验证模糊神经网络控制器性能的优劣,针对第三章神经网络辨识得到的退火炉炉温模型,在MATLAB语言环境下与PID控制器作如下两个方面的仿真比较研究:一是输入幅值为900ºC的阶跃信号,比较PID控制和模糊神经网络控制下的炉温系统响应曲线;二是在系统稳定后加60ºC的扰动信号,比较PID控制和模糊神经网络控制下的炉温系统抗干扰响应曲线。
- 输入幅值为900ºC的阶跃信号
图 4.6 PID控制下系统的阶跃响应曲线
Fig.4.6 The step response curve of the system using PID controller
图4. 7 基于模糊神经网络的控制系统的阶跃响应曲线
Fig.4.7 The step response curve of the system using FNNC
通过图4.6和图4.7的比较可以看出,常规 PID 控制下系统的滞后时间长,响应慢,超调较大,调节时间长,这是由于比例、积分和微分三个时间常数相互制约,无法达到最优组合而造成的;基于模糊神经网络的炉温控制系统则克服了上面的缺点,不但响应快,超调量很小,调节时间短,而且使被控对象的滞后时间减少了20s。
- 在系统稳定后加一个幅值为60ºC的扰动信号。
图 4.8 PID控制下系统的抗干扰响应曲线
Fig.4.8 The response curve of the system in anti-reference using PID controller
图 4.9基于模糊神经网络的控制系统抗干扰响应曲线
Fig.4.9 The response curve of the control system in anti-reference using FNNC
由图4.9和图4.10分析得出,在系统稳定后,加入幅值为60ºC的干扰信号,PID 控制下炉温系统的响应曲线波动较大,调节时间较长;而基于模糊神经网络的控制系统的响应曲线波动较小,系统调节时间也较短。这表明模糊神经网络控制器比PID控制器的抗干扰性能好,鲁棒性强。
经过仿真比较研究得出如下结论:
经过调整好参数的PID控制算法在被控对象不发生变化时各种性能指标均较好,这说明了PID控制是一种较好的控制方法,但在实际生产现场由于各种干扰因素较多,PID参数一旦设定好之后,不再进行实时调整,在对象受到干扰时,系统性能指标变化较大,PID控制作用下的调节时间较长,稳定性和抗干扰性不强。而且PID控制器的跟踪性能欠佳,难以解决退火炉滞后性严重的问题。
本文针对退火炉温度控制系统所设计的模糊神经网络自学习控制器,综合了模糊控制和神经网络的优点,对退火炉这类非线性、大滞后、模型不确定的被控对象,经过样本数据的离线训练后投入在线控制,能够很快得到合适的网络权值,并且随着系统的变化不断地进行自学习,能快速跟踪炉温系统的变化,减弱了被控对象滞后对系统的影响,系统跟踪性能得到很大改善。在系统受到干扰后,能快速做出响应,系统调节时间短,超调小,抑制干扰能力强,有效地提高了控制系统的稳定性,较好的解决了被控对象受干扰因素较多的问题,能够取得良好的控制效果。
相关文章
- 神经网络与机器学习 笔记—泛化和交叉验证
- 4-机器学习进阶-神经网络压缩
- 基于nsct变换特征提取和模糊神经网络的无参考图像质量评价算法matlab仿真
- 基于BP神经网络、kmeans聚类和HC模型的火焰特征数据识别算法matlab仿真
- 【模糊神经网络】基于模糊神经网络的移动机器人路径规划
- 【神经网络控制器】基于神经网络的离线训练辨识在线控制的控制系统仿真
- 基于BP神经网络+HOG特征提取的视频中车辆车牌识别算法仿真
- 【FPGA教程案例56】深度学习案例3——基于FPGA的CNN卷积神经网络之池化层verilog实现
- 基于MATLAB的CNN卷积神经网络的训练和测试
- 基于BP神经网络的含水率预测模型matlab仿真
- 基于GRNN广义回归神经网络的飞机引擎剩余使用周期预测算法的研究
- 基于BP神经网络和ORL库的人脸识别matlab仿真
- 【姿态识别】基于HOG特征提取和GRNN广义回归神经网络的人体姿态识别matlab仿真
- 【GRNN情绪识别】基于GRNN神经网络的情绪识别算法matlab仿真
- 基于模糊神经网络PID算法的液位串级控制
- 基于神经网络的房屋价格预测
- 基于Elman神经网络的负荷预测研究
- 基于RBF神经网络的信用分类方法
- tensorflow学习笔记五:mnist实例--卷积神经网络(CNN)
- 深层神经网络框架的python实现
- C++从零实现简单深度神经网络(基于OpenCV)
- 基于Python的卷积神经网络(CNN)识别MNIST数据集
- tensorflow实现循环神经网络
- 基于tensorflow的RBF神经网络案例
- 机器学习——深度学习之卷积神经网络(CNN)——AlexNet卷积神经网络结构