CN105259755A - 一种抑制轧机扭振的智能控制方法 - Google Patents

Abstract

一种抑制轧机扭振的智能控制方法，它包括以下步骤：(1)设计模糊PID控制器，并从中得到训练神经网络所需的数据样本集；(2)对神经网络进行训练，训练的过程就是调整模糊隶属度函数的过程，不断学习，直到得到PID的最佳参数；(3)对训练好的模糊-神经网络PID控制器进行仿真验证该方法的有效性。本发明结合了模糊控制和神经网络的各自优点，利用神经网络的自学习和自适应性，更新模糊控制的隶属度函数，实现PID三个参数根据实时的工作需求自我调整变化，最终达到最佳的控制效果。

Description

一种抑制轧机扭振的智能控制方法

技术领域

本发明属于冶金轧制领域，特别是提出了一种轧机的智能控制方法。

背景技术

在研究轧机控制时，通常情况下把轧机按照一定的规则等效为一个质量弹簧系统。当这个轧机系统电气部分的频率与机械部分的固有频率相同或接近时，就会形成机电共振。这种共振对轧机是有危害的，是形成扭振的一个重要因素，为了避免这种现象的出现，以前的研究人员会在原有的控制系统中加装一个滤波装置。这个滤波装置的作用就是滤除掉电气系统中接近机械系统固有频率的那个频率，从而消除共振。但是，这种方法有个问题，就是滤波环节是个滞后环节，这样就会影响系统的动态响应品质。

基于陷波滤波装置的轧机扭振抑制方法，虽然可以滤去轧机机械系统固有频率和电气响应频率中引起共振频率，同时对轧机系统的动态品质不造成不良影响，但是这个陷波滤波器只对一个频率起作用，对多个频率尤其是轧机中的变化频率无能为力。

基于扰动不变原理设计出的轧机状态观测器来实现扭振抑制的方法虽然可以解决多变量控制问题。但是这种基于模型的观测器，对系统模型的依赖性太强。通常双闭环控制环节都采用PI控制器，因此该控制器具有动作速度快，调整范围广等优点。但是它也存在参数调整繁琐等缺点。

发明内容

本发明的目的是提供一种抑制轧机扭振的智能控制方法。本发明主要通过将神经网络引入模糊PID控制器中得到模糊-神经网络PID控制系统，该系统是将偏差与偏差的变化率输入到模糊神经网络中，根据预设的模糊规则控制器，输出对应于PID控制器的三个可调参数K_P、K_I、K_D，然后控制系统对控制结果进行评价并反馈到神经网络中，经网络通过自学习与加权系数的调整，更新模糊控制的隶属度函数，直到输出最佳的PID控制参数，直到最终达到最佳的控制状态，从而实现对轧机扭振最佳的实时的控制。

本发明的控制方法包括以下步骤：

(1)设计模糊PID控制器，并从中得到训练神经网络所需的数据样本集。

a、确定模糊论域，本方法的模糊语言变量为：误差e和误差导数其论域值为[-4，4]，变量为[NB，NM，NS，ZE，PS，PM，PB]，即负大、负中、负小、零、正小、正中、正大。隶属度函数采用高斯型。PID三个参数K_P、K_I、K_D论域取[1，2]，变量为[PE，PS，PM，PB，PL]，即零、正小、正中、正大、正最大；

b、确定隶属度函数，本方法采用的隶属度函数是高斯型，

c、确定模糊推理规则表；

表1模糊推理规则表

表5-1(续表)

d、模糊推理，求解模糊关系方程产生相应的模糊矢量。本方法采用的是Takagi-Sugeno型推理；

e、模糊结果精确化，本方法采用的是中位数法(bisector)，当z₀＝cf(z)μ_c(z)满足：

$\underset{a}{\overset{z_0}{\∫}}{\mathrm{\μ}}_{C^{\′}}\left(z\right)dz=\underset{z_0}{\overset{b}{\∫}}{\mathrm{\μ}}_{C^{\′}}\left(z\right)dz$

则取μ_c(z)的中位数作为z的清晰量。

(2)对神经网络进行训练，不断学习，直到得到PID的最佳参数；神经网络的训练是在matlab/anfisedit中进行的，网络类型选用的是BP网络，分为五层。

(3)对训练好的模糊-神经网络PID控制器进行仿真验证该方法的有效性。

在matlab/simulink中搭建的仿真系统，其中，模糊神经网络部分采用训练完成的网络，通过编写S函数实现；轧机部分用轧机二质量系统。设在0s处加单位阶跃模拟轧机的起振，在3s处突加单位阶跃模拟轧机扭振。

本发明与现有技术相比具有如下优点：

1、结合了模糊控制和神经网络的各自优点，利用神经网络的自学习和自适应性，更新模糊控制的隶属度函数，实现PID三个参数根据实时的工作需求自我调整变化，并最终达到最佳的控制效果。

2、调整时间短、收敛速度快，控制适用范围宽，参数调整简单、调整范围广、动态性能良好。

附图说明

图1是本发明模糊PID控制原理图。

图2是本发明模糊-神经网络PID控制器结构图。

图3是本发明神经网络学习过程中的数据加载界面图。

图4是本发明神经网络多次训练后误差曲线图。

图5是本发明神经网络检测和训练数据对比图。

图6是本发明训练前隶属度函数曲线图。

图7是本发明训练后隶属度函数曲线图。

图8是本发明经过学习后PID输出曲面图。

图9是基于模糊-神经网络PID的轧机扭振控制系统结构图。

图10是本发明连接轴扭矩在训练中均方根误差曲线图。

图11是本发明连接轴扭矩对比图。

图12是本发明轧辊转速在训练中均方根误差曲线图。

图13是本发明轧辊转速对比图。

具体施方式

下面结合附图对本发明做进一步说明：

一种抑制轧机扭振的智能控制方法包括以下步骤：

(1)根据图1所示的模糊PID控制原理图设计模糊PID控制器，并从中得到训练神经网络所需的数据样本集；

(2)如图2所示，选用的神经网络是一个两入三出的五层BP网络。神经网络的训练是在matlab/anfisedit中进行的，其中，图3为数据加载界面、图4为多次训练后的误差曲线、图5为检测和训练数据对比图、图6和图7为训练前、后隶属度函数曲线图、图8为经过学习后PID的输出曲面。经过不断的学习直到找到PID的最佳参数；

(3)如图9所示，在0s处加单位阶跃模拟轧机的起振，在3s处突加单位阶跃模拟轧机扭振，为了更清晰的显示模糊-神经网络PID的控制效果，本发明和传统的双闭环控制系统进行对比，分别取连接轴扭矩和轧辊转速两个量进行比较。如图10所示，通过仿真得到连接轴扭矩在训练中均方根误差曲线，从图中可以看出训练的过程不够平稳，出现波动，收敛时间较慢；如图11所示，其上半部分是在双闭环控制系统中连接轴扭矩仿真曲线，下半部分是在本发明神经网络-模糊PID控制系统中连接轴扭矩仿真曲线。对比上下两线可以明显的看出，不论是在起振阶段还是在3s处突加单位阶跃负载的扭振阶段，下线振荡的频率和幅度都比上线要小的多，并且下线更为平缓；轧辊转速在训练中均方根误差曲线，如图12所示，可以看出采用本发明的控制方法，训练过程较平稳，并且收敛很快；如图13所示，其上半部分是在双闭环控制系统中轧辊转速仿真曲线，下半部分是在本发明神经网络-模糊PID控制系统中轧辊转速仿真曲线。可见，从起振的超调量到3s处突加单位阶跃时的动态速降，下图都比较小，并且恢复时间也短。

综上所述，运用模糊-神经网络PID的方法对轧机扭振进行控制是有效的，并且比双闭环控制的方法更为优秀。

Claims (4)

1.一种抑制轧机扭振的智能控制方法，其特征在于，它包括以下步骤：

(1)设计模糊PID控制器，并从中得到训练神经网络所需的数据样本集；

(2)对神经网络进行训练，不断学习，直到得到PID的最佳参数；

(3)对训练好的模糊-神经网络PID控制器进行仿真验证该方法的有效性。

2.根据权利要求1所述的抑制轧机扭振的智能控制方法，其特征在于：所述步骤(1)中，设计模糊PID控制器，并从中得到训练神经网络所需的数据样本集；包括以下步骤，

a、确定模糊论域，本文的模糊语言变量为：误差e和误差导数e&，其论域值为[-4，4]，变量为[NB，NM，NS，ZE，PS，PM，PB]，即负大、负中、负小、零、正小、正中、正大。隶属度函数采用高斯型。PID三个参数K_P、K_I、K_D论域取[1，2]，变量为[PE，PS，PM，PB，PL]，即零、正小、正中、正大、正最大；

b、确定隶属度函数，本文采用的隶属度函数是高斯型，

$u_i^j\left(x_i\right)=\exp (-\frac{{(x_i-c_{ij})}^2}{{\mathrm{\σ}}_{ij}^2});$

c、确定模糊推理规则表；

表1模糊推理规则表

d、模糊推理，求解模糊关系方程产生相应的模糊矢量。本文采用的是Takagi-Sugeno型推理；

e、模糊结果精确化，本文采用的是中位数法(bisector)，当z₀＝df(z)μ_c(z)满足：

$\underset{a}{\overset{z_0}{\∫}}{\mathrm{\μ}}_{C^{\′}}\left(z\right)dz=\underset{z_0}{\overset{b}{\∫}}{\mathrm{\μ}}_{C^{\′}}\left(z\right)dz$

则取μ_c(z)的中位数作为z的清晰量。

3.根据权利要求1所述的抑制轧机扭振的智能控制方法，其特征在于：所述步骤(2)中，神经网络的训练是在matlab/anfisedit中进行的，网络类型选用的是BP网络，分为五层。

4.根据权利要求1所述的抑制轧机扭振的智能控制方法，其特征在于：所述步骤(3)中，在matlab/simulink中搭建仿真系统，其中，模糊神经网络部分采用训练完成的网络，通过编写S函数实现；轧机部分用轧机二质量系统，设在0s处加单位阶跃模拟轧机的起振，在3s处突加单位阶跃模拟轧机的扭振。