CN105259755B - 一种抑制轧机扭振的智能控制方法 - Google Patents

一种抑制轧机扭振的智能控制方法 Download PDF

Info

Publication number
CN105259755B
CN105259755B CN201510675523.0A CN201510675523A CN105259755B CN 105259755 B CN105259755 B CN 105259755B CN 201510675523 A CN201510675523 A CN 201510675523A CN 105259755 B CN105259755 B CN 105259755B
Authority
CN
China
Prior art keywords
fuzzy
neutral net
training
pid
membership function
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201510675523.0A
Other languages
English (en)
Other versions
CN105259755A (zh
Inventor
时培明
李冰洋
刘彬
刘浩然
韩东颖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yanshan University
Original Assignee
Yanshan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Yanshan University filed Critical Yanshan University
Priority to CN201510675523.0A priority Critical patent/CN105259755B/zh
Publication of CN105259755A publication Critical patent/CN105259755A/zh
Application granted granted Critical
Publication of CN105259755B publication Critical patent/CN105259755B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Feedback Control In General (AREA)

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KP、KI、KD，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KP、KI、KD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)μc(z)满足：
则取μc(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 (1)

1.一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，不断学习，直到得到PID的最佳参数；所述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；所述在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，
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KP、KI、KD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，
c、确定模糊推理规则表；
表1 模糊推理规则表
表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)μc(z)满足：
则取μc(z)的中位数作为z的清晰量。
CN201510675523.0A 2015-10-19 2015-10-19 一种抑制轧机扭振的智能控制方法 Active CN105259755B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510675523.0A CN105259755B (zh) 2015-10-19 2015-10-19 一种抑制轧机扭振的智能控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510675523.0A CN105259755B (zh) 2015-10-19 2015-10-19 一种抑制轧机扭振的智能控制方法

Publications (2)

Publication Number Publication Date
CN105259755A CN105259755A (zh) 2016-01-20
CN105259755B true CN105259755B (zh) 2018-02-09

Family

ID=55099500

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510675523.0A Active CN105259755B (zh) 2015-10-19 2015-10-19 一种抑制轧机扭振的智能控制方法

Country Status (1)

Country Link
CN (1) CN105259755B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105759607B (zh) * 2016-02-26 2018-08-14 北京工业大学 基于智能控制算法的pac控制器的设计方法
CN114776736B (zh) * 2022-03-25 2024-04-05 北京裕峻汽车技术研究院有限公司 液力缓速器智能控制方法、系统及程序产品

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1100974A (zh) * 1993-09-29 1995-04-05 鞍山钢铁公司 能减弱轧机扭振和冲击的交流传动调速系统特性优化装置
WO2000078476A1 (en) * 1999-06-18 2000-12-28 Danieli & C. Officine Meccaniche Spa Method to control the vibrations in a rolling stand and relative device
CN1803326A (zh) * 2006-01-25 2006-07-19 冶金自动化研究设计院 一种抑制轧机传动系统动态速降和扭振的控制系统
CN103752620A (zh) * 2013-12-31 2014-04-30 北华大学 一种轧机扭振预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1100974A (zh) * 1993-09-29 1995-04-05 鞍山钢铁公司 能减弱轧机扭振和冲击的交流传动调速系统特性优化装置
WO2000078476A1 (en) * 1999-06-18 2000-12-28 Danieli & C. Officine Meccaniche Spa Method to control the vibrations in a rolling stand and relative device
CN1803326A (zh) * 2006-01-25 2006-07-19 冶金自动化研究设计院 一种抑制轧机传动系统动态速降和扭振的控制系统
CN103752620A (zh) * 2013-12-31 2014-04-30 北华大学 一种轧机扭振预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
amping of torsional vibrations of two-mass system using adaptive low computational cost fuzzy PID controller;Derugo P,Szabat K;《IEEE International Conference on Power Electronics and Drive System》;20150612;第1162页 *
基于改进BP神经网络的轧机扭振智能控制;时培明 等;《噪声与振动控制》;20151018;第35卷(第5期);第135-137页 *

Also Published As

Publication number Publication date
CN105259755A (zh) 2016-01-20

Similar Documents

Publication Publication Date Title
CN105109549B (zh) 基于转速估计的电磁转差离合器自适应模糊滑模控制方法
CN102393639B (zh) 基于自适应模糊滑模的微陀螺仪追踪控制方法
CN106054594B (zh) 基于控制输入饱和的无模型自适应控制方法
CN104932268A (zh) 基于模糊pid的汽车巡航控制系统
CN104808708A (zh) 一种炉温度控制系统中模糊pid参数自整定的方法及系统
CN104678765A (zh) 压电陶瓷执行器迟滞模型及其控制方法
CN108284442A (zh) 一种基于模糊神经网络的机械臂柔性关节控制方法
CN104063584B (zh) 一种汽轮机调速系统控制参数整定方法
CN105259755B (zh) 一种抑制轧机扭振的智能控制方法
CN103324828B (zh) 基于运行方式灵敏度的电力系统低频振荡辅助决策方法
Yadaiah et al. Fuzzy based coordinated controller for power system stability and voltage regulation
CN109334378A (zh) 一种基于单神经元pid控制的车辆isd悬架主动控制方法
CN109739083A (zh) 一种基于灰色预测模糊pid算法的高地隙车辆侧倾稳定性控制系统
Ma An improved fuzzy PID control algorithm applied in liquid mixing system
Lakshmi et al. Fuzzy adaptive PID control of pitch system in variable speed wind turbines
Xu et al. Rotor dynamic balancing control method based on fuzzy auto-tuning single neuron PID
CN110046417A (zh) 改善驾驶员反应延迟的控制器补偿方法
CN103699006A (zh) 一种基于模糊变滑模面跟踪微分器控制方法
CN106406100A (zh) 基于模糊自整定单神经元pid控制的转子动平衡控制系统及其方法
CN101635553A (zh) 应用于发电机励磁与汽门系统的综合智能解耦控制方法
CN111077771A (zh) 一种自整定模糊pid控制方法
CN113715024B (zh) 一种多自由度上肢康复机器人的位置跟踪控制方法
CN111399377A (zh) 基于负反馈校正的电动负载模拟器的控制方法
CN113283006A (zh) 基于rbf神经网络控制燃料电池电堆多参数响应方法
Yang et al. The research of tension control system in web press based on the fuzzy adaptive PID controller

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant