智能控制在中厚板控制冷却中的应用
合集下载
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
智能控制在 中厚板控制冷却中的应用 搜 不 用 。
ｊ 颏 坤 （ １ ． 河北联 合大学， 河北 唐山 ０ ６ ３ ０ ０ ０ ： ２ ． 唐山 工业职业技术学院， 河 北 唐山 ０ ６ ３ ０ ０ ０ ）
摘 要 ： 本 文深入 研 究了 神 经 网络 与模糊 控制 ， 再 结合优 化 算法， 将 其应用到 中 厚板 控制冷 却 系统中， 进行 模型 辨识 与参数估 计， 并对终 冷 温度进 行控 制， 仿真 结果表 明了 智 能控制在 中 厚 板控制 冷却 中应用的可行 性 。 关键词 ： 中 厚板 ； 智能控 制； 神 经 网络； 模 糊控 制
ቤተ መጻሕፍቲ ባይዱ
２ 常用 的神 经 网络
提高了终冷温度 的控制精度。 从 连 接 方 式 上 看 ，神 经 网络主 要 分 为 两 种 ，即前 馈 型 的范 围内， 本文设计了 一 套较完善 的控制规 则， 通 过这些模仿人 思维 神 经 网络 （ Ｂ Ｐ 网络 、 径 向基 函数 网络 等 ）和反馈 型神 经 网络 模 糊控制器便可 以由这些复杂 的输入量得 出相应 （ Ｈ ｏ ｐ ｆ ｉ ｅ ｌ ｄ 网络等 ）。 神经网络应用于控制 领域初 期 ， Ｂ Ｐ 神经 的控 制规则， 而这个实 际的 控制输 出量就是 水冷 区冷 却段 网络 以它独有的算法和优点很快便 成为了学者们研究应用 的重 的控制输出量， 通过冷 却段数 的调整 ， 预设定冷 却段数与调整 量 点。 但Ｂ Ｐ 神经 网络 同时也存在训练 速度慢 、 易陷入局部极值等 数的调整量。 得到了最终动态调节的水冷区冷却段数 ， 从而达 到 了 缺 陷， 因此 ， 近 年来 ， 越 来越 多的研 究人 员开始对 模糊 神经 网 叠加后， 络、 Ｒ Ｂ Ｆ 神 经网络、 小脑模 型神经 网络 （ Ｃ Ｍ Ａ Ｃ ） 等 神经网络进行研 控制终冷温度 的目的。 模糊控制系统输 出控制量 （ 即冷 却段 数调整量 ） 和调整 后 究， 并积极应 用于实际 中。
以适应被动对象模 型的复杂性和不确定性 ， 不完全依赖系统模 控制精度 ， 模糊控制 的效果更为理想 。
型实现 控制 。 智能控制在诸多领域拥有极为广泛 的应用前景。
因此 ， 采用模糊控制 方法对 中厚板终冷温 度进行控制 ， 方 法适合， 调整后控制 效果 良好 ， 实测终冷温度 控制在误差 允许
Ｂ Ｐ 神经网络算法及改进 分析最终控制效果 ， 如图ｌ 一 １ 所 示， 加入模糊控制器之后的 冷 却系统， 终冷温度 目标值与实际值的误差基本控制 在 ４ － ３ ０ ￣ Ｃ
以内， 绝大 多数点能控制到 ±２ ０ ￣ Ｃ以内， 比例高达９ ０ ％ 以上， 误
％ 以内。 而传统 的Ｐ Ｉ Ｄ 控制方 法，由图４ ． ７ 可 以看 Ｂ Ｐ 神经网络 （ Ｂ ａ ｃ ｋ Ｐ ｒ ｏ ｐ ａ ｇ ａ ｔ ｉ ｏ ｎ Ｎ ｅ ｕ ｒ ａ ｌ Ｎ ｅ ｔ ｗ ｏ ｒ ｋ ） 是一 差率 控制在 ±３ 出， 终冷温度 控制 的误 差范 围在 ±４ ０ ℃左 右， 误 差百分率在６ ％ 种单向传播的多层前馈神经 网络， 每个神经元用一个节点表 示， 整个 网络通常由输入层 、 隐含层、 输 出层节点组成 ， 如图所示。 以内， 误差较 大。 通 过仿真对 比， 可 以得 出以下结论 ， 理论 上， 模 糊控制方法 的控制精度高于传统 Ｂ Ｐ 神经网络算法 主要 由两个传播过程组成 ， 即正 向传播过 在 中厚板控制冷却系统 中， Ｉ Ｄ 控 制方 法的控制精度 ， 模糊控制 的效果更为理想 。 程和反向传播 过程 。 网络首先 由输 Ｐ 入层 经过 隐层向输出层进行正 向传 播， 计算出相应 的网络权值和阈值 ， 如 果输 出层 的输 出达 到 期望 ， 则学
由于 中厚 板层流冷却控制系 统本身所具有 的多变 量、 强耦 制系统。 它是以模糊数学、 模糊逻辑推理和模 糊语言为基 础， 采 合、 大滞后以及非线性时变 等特点， 对于这样 的控制 问题 ， 智能 用计算机控制技术构成的闭环结 构控制系统 。 模 糊逻辑控制系 控制是一种解决途径， 于是 ， 研究人员把 目光转 向了智能控制。 和数 据来实现优化控制 。 智能控制这种特性使得那些缺乏精确 统主要 由模糊化过程 、 知识库 、 推理决策和精确化计算组成 。 智能控制 的主要特点是不依赖 被控对象 的精确模型 ， 根据 事实 ４ 结 束语 本 文采用模 糊控制建 立模型对冷 却区冷 却段开启数 进行 模 型 的复 杂控制 问题变得 简单了， 因此 ， 将 智能控制方 法应用 调整， 模糊控制作为一种 智能控制 ， 模仿人 的思维， 运 用专家或 于中厚板 控制冷却 中成为了研究 的热 点和 方 向， 同时研 究也表 熟练操作工 的经验， 对许 多没有复杂且精确模 型的问题给出了 明这种方法很有潜力。 较为理 想的控制 方案 ， 并得 到了良好 的控制效 果。因此 ， 采用
１ 智能控制技术
模糊控制方法来解决这一复杂的问题 ， 从而实现 对冷 却区冷 却
智能控制是控制科学发展 的高级阶段 ， 是一门新兴 的交叉 段数的调整是可行 的。 通过仿真对 比， 理论上， 在中厚板控制冷
前沿学科。 智能控制把人工智能融入了控制理论 ， 改变 控制策略 却系统中， 模糊控制方 法的控制精度 高于传 统Ｐ Ｉ Ｄ 控制方 法的
一 １ 所 示。 图中， 上半部为 模 糊神经 网络综合了神经网络和模 糊推理 的优点 ， 既可 以 的水冷区冷却 段开启数仿真 曲线如 图ｌ 模糊控制器输 出控制量曲线 ， 下半部为调整后的冷 却段数。 利用 已有专家经验 知识 进行模糊 推理 ， 又拥 有 自学 习、白适应 的能 力， 同时可 以通 过不断 的学习来调整 已有 的控制规则 。 模 糊神经网络 的出现为控制领域 再添 了一个优秀的工具。
ｊ 颏 坤 （ １ ． 河北联 合大学， 河北 唐山 ０ ６ ３ ０ ０ ０ ： ２ ． 唐山 工业职业技术学院， 河 北 唐山 ０ ６ ３ ０ ０ ０ ）
摘 要 ： 本 文深入 研 究了 神 经 网络 与模糊 控制 ， 再 结合优 化 算法， 将 其应用到 中 厚板 控制冷 却 系统中， 进行 模型 辨识 与参数估 计， 并对终 冷 温度进 行控 制， 仿真 结果表 明了 智 能控制在 中 厚 板控制 冷却 中应用的可行 性 。 关键词 ： 中 厚板 ； 智能控 制； 神 经 网络； 模 糊控 制
ቤተ መጻሕፍቲ ባይዱ
２ 常用 的神 经 网络
提高了终冷温度 的控制精度。 从 连 接 方 式 上 看 ，神 经 网络主 要 分 为 两 种 ，即前 馈 型 的范 围内， 本文设计了 一 套较完善 的控制规 则， 通 过这些模仿人 思维 神 经 网络 （ Ｂ Ｐ 网络 、 径 向基 函数 网络 等 ）和反馈 型神 经 网络 模 糊控制器便可 以由这些复杂 的输入量得 出相应 （ Ｈ ｏ ｐ ｆ ｉ ｅ ｌ ｄ 网络等 ）。 神经网络应用于控制 领域初 期 ， Ｂ Ｐ 神经 的控 制规则， 而这个实 际的 控制输 出量就是 水冷 区冷 却段 网络 以它独有的算法和优点很快便 成为了学者们研究应用 的重 的控制输出量， 通过冷 却段数 的调整 ， 预设定冷 却段数与调整 量 点。 但Ｂ Ｐ 神经 网络 同时也存在训练 速度慢 、 易陷入局部极值等 数的调整量。 得到了最终动态调节的水冷区冷却段数 ， 从而达 到 了 缺 陷， 因此 ， 近 年来 ， 越 来越 多的研 究人 员开始对 模糊 神经 网 叠加后， 络、 Ｒ Ｂ Ｆ 神 经网络、 小脑模 型神经 网络 （ Ｃ Ｍ Ａ Ｃ ） 等 神经网络进行研 控制终冷温度 的目的。 模糊控制系统输 出控制量 （ 即冷 却段 数调整量 ） 和调整 后 究， 并积极应 用于实际 中。
以适应被动对象模 型的复杂性和不确定性 ， 不完全依赖系统模 控制精度 ， 模糊控制 的效果更为理想 。
型实现 控制 。 智能控制在诸多领域拥有极为广泛 的应用前景。
因此 ， 采用模糊控制 方法对 中厚板终冷温 度进行控制 ， 方 法适合， 调整后控制 效果 良好 ， 实测终冷温度 控制在误差 允许
Ｂ Ｐ 神经网络算法及改进 分析最终控制效果 ， 如图ｌ 一 １ 所 示， 加入模糊控制器之后的 冷 却系统， 终冷温度 目标值与实际值的误差基本控制 在 ４ － ３ ０ ￣ Ｃ
以内， 绝大 多数点能控制到 ±２ ０ ￣ Ｃ以内， 比例高达９ ０ ％ 以上， 误
％ 以内。 而传统 的Ｐ Ｉ Ｄ 控制方 法，由图４ ． ７ 可 以看 Ｂ Ｐ 神经网络 （ Ｂ ａ ｃ ｋ Ｐ ｒ ｏ ｐ ａ ｇ ａ ｔ ｉ ｏ ｎ Ｎ ｅ ｕ ｒ ａ ｌ Ｎ ｅ ｔ ｗ ｏ ｒ ｋ ） 是一 差率 控制在 ±３ 出， 终冷温度 控制 的误 差范 围在 ±４ ０ ℃左 右， 误 差百分率在６ ％ 种单向传播的多层前馈神经 网络， 每个神经元用一个节点表 示， 整个 网络通常由输入层 、 隐含层、 输 出层节点组成 ， 如图所示。 以内， 误差较 大。 通 过仿真对 比， 可 以得 出以下结论 ， 理论 上， 模 糊控制方法 的控制精度高于传统 Ｂ Ｐ 神经网络算法 主要 由两个传播过程组成 ， 即正 向传播过 在 中厚板控制冷却系统 中， Ｉ Ｄ 控 制方 法的控制精度 ， 模糊控制 的效果更为理想 。 程和反向传播 过程 。 网络首先 由输 Ｐ 入层 经过 隐层向输出层进行正 向传 播， 计算出相应 的网络权值和阈值 ， 如 果输 出层 的输 出达 到 期望 ， 则学
由于 中厚 板层流冷却控制系 统本身所具有 的多变 量、 强耦 制系统。 它是以模糊数学、 模糊逻辑推理和模 糊语言为基 础， 采 合、 大滞后以及非线性时变 等特点， 对于这样 的控制 问题 ， 智能 用计算机控制技术构成的闭环结 构控制系统 。 模 糊逻辑控制系 控制是一种解决途径， 于是 ， 研究人员把 目光转 向了智能控制。 和数 据来实现优化控制 。 智能控制这种特性使得那些缺乏精确 统主要 由模糊化过程 、 知识库 、 推理决策和精确化计算组成 。 智能控制 的主要特点是不依赖 被控对象 的精确模型 ， 根据 事实 ４ 结 束语 本 文采用模 糊控制建 立模型对冷 却区冷 却段开启数 进行 模 型 的复 杂控制 问题变得 简单了， 因此 ， 将 智能控制方 法应用 调整， 模糊控制作为一种 智能控制 ， 模仿人 的思维， 运 用专家或 于中厚板 控制冷却 中成为了研究 的热 点和 方 向， 同时研 究也表 熟练操作工 的经验， 对许 多没有复杂且精确模 型的问题给出了 明这种方法很有潜力。 较为理 想的控制 方案 ， 并得 到了良好 的控制效 果。因此 ， 采用
１ 智能控制技术
模糊控制方法来解决这一复杂的问题 ， 从而实现 对冷 却区冷 却
智能控制是控制科学发展 的高级阶段 ， 是一门新兴 的交叉 段数的调整是可行 的。 通过仿真对 比， 理论上， 在中厚板控制冷
前沿学科。 智能控制把人工智能融入了控制理论 ， 改变 控制策略 却系统中， 模糊控制方 法的控制精度 高于传 统Ｐ Ｉ Ｄ 控制方 法的
一 １ 所 示。 图中， 上半部为 模 糊神经 网络综合了神经网络和模 糊推理 的优点 ， 既可 以 的水冷区冷却 段开启数仿真 曲线如 图ｌ 模糊控制器输 出控制量曲线 ， 下半部为调整后的冷 却段数。 利用 已有专家经验 知识 进行模糊 推理 ， 又拥 有 自学 习、白适应 的能 力， 同时可 以通 过不断 的学习来调整 已有 的控制规则 。 模 糊神经网络 的出现为控制领域 再添 了一个优秀的工具。