CN109226281A - 基于无模型预估算法的硅钢边部减薄滞后控制方法 - Google Patents

基于无模型预估算法的硅钢边部减薄滞后控制方法 Download PDF

Info

Publication number
CN109226281A
CN109226281A CN201811219869.XA CN201811219869A CN109226281A CN 109226281 A CN109226281 A CN 109226281A CN 201811219869 A CN201811219869 A CN 201811219869A CN 109226281 A CN109226281 A CN 109226281A
Authority
CN
China
Prior art keywords
control
model
prediction
formula
free
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.)
Granted
Application number
CN201811219869.XA
Other languages
English (en)
Other versions
CN109226281B (zh
Inventor
刘洪宇
刘俊清
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.)
University of Science and Technology Liaoning USTL
Original Assignee
University of Science and Technology Liaoning USTL
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 University of Science and Technology Liaoning USTL filed Critical University of Science and Technology Liaoning USTL
Priority to CN201811219869.XA priority Critical patent/CN109226281B/zh
Publication of CN109226281A publication Critical patent/CN109226281A/zh
Application granted granted Critical
Publication of CN109226281B publication Critical patent/CN109226281B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
    • B21B37/28—Control of flatness or profile during rolling of strip, sheets or plates
    • B21B37/40—Control of flatness or profile during rolling of strip, sheets or plates using axial shifting of the rolls

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Control Of Metal Rolling (AREA)

Abstract

本发明属于冷轧硅钢轧制过程控制技术领域，尤其是涉及一种基于无模型预估算法的硅钢边部减薄滞后控制方法，其特征在于包括如下步骤：(1)工作辊窜辊液压伺服控制系统的设计；(2)边降闭环控制系统设计；(3)无模型自适应算法；(4)无模型边部减薄滞后预估控制。本发明通过反馈控制、前馈控制以及在反馈控制中引入抗滞后的无模型预估控制，对硅钢边部减薄滞后进行了有效控制；工作辊窜辊利用锥度辊在带钢边部进行定位，完全具备对无取向硅钢边部减薄的控制功能；边部减薄滞后反馈控制和无模型预估算法对边部减薄闭环控制系统中的时间滞后问题具有良好的动态控制品质，无需对象模型，都能够在较短时间内使得系统输出快速稳定地达到设定值。

Description

基于无模型预估算法的硅钢边部减薄滞后控制方法
技术领域
本发明属于冷轧硅钢轧制过程控制技术领域，尤其是涉及一种基于无模型预估算法的硅钢边部减薄滞后控制方法。
背景技术
无取向硅钢是冷轧板带中的高附加值产品，具有良好的电磁性能，被广泛应用在电力、机电及军工等领域。用硅钢制造的电机等产品大多需要多片叠装，所以，硅钢边部减薄的合理控制不仅能大幅提高其成材率，而且还能改善产品的性能和质量。国内家电企业为了适应国家节能降耗要求，要求钢铁企业生产的硅钢产品同板差精度大幅度提高，其中，边部减薄质量要求由10μm提高到5μm。国内外钢铁企业都将控制边部减薄作为重要的课题，相继开发了多种边部减薄工艺控制方法，如交叉轧辊或锥形辊横移等。这些边部减薄控制方法本质上都是通过控制轧辊有害弹性变形或者通过控制带钢边部金属横向塑性变形来实现。边部减薄即边降。锥形工作辊横移是由日本川崎制铁开发，用工作辊锥形部分在带钢边部的定位来有效地控制带钢边部减薄。作为目前最有效的边部减薄控制方法，其执行机构是前几个机架的液压窜辊伺服控制系统，由于当前技术及生产线设备安装条件限制，边降检测通常设置在轧机出口，因此，边部减薄控制系统存在调节滞后问题，容易引起系统的震荡和不稳定。抗滞后功能经常作为带钢边部减薄控制的重要因素被提出。为了保证系统的稳定轧制，经常采取降低系统增益的方法来缓解这种现象，但是，这是以牺牲系统控制精度和生产效率为代价的。冷轧无取向硅钢生产过程中出现的边部减薄问题会严重影响产品成材率。
现有技术中，专利公开号CN103464469A提供了一种冷轧无取向硅钢的边缘降量控制方法，以冷轧五机架全六辊轧机为对象，以无取向硅钢横向厚差最小作为目标函数，通过影响效率函数矩阵的引入，建立一整套针对无取向硅钢边部减薄控制的工作辊预测、反馈和工作辊弯辊补偿控制方法。但并未涉及控制的滞后问题及其控制方法。专利公开号CN105251778A提供了一种单锥度工作辊窜辊轧机边部减薄反馈控制方法，以五机架冷轧单锥度工作辊窜辊轧机为对象，以冷轧硅钢横向厚差最小作为目标函数，建立针对冷轧硅钢边部减薄的反馈控制模型，即通过边降偏差信号处理、边降偏差信号拟合、各机架工作辊窜辊调节值计算及各机架窜辊调节值限幅处理，使边部减薄反馈配合控制模型针对S5即第5机架出口边降仪实测的边降偏差信号的不同模态，通过S1～S3机架配合实现边部减薄的精确控制。但并未涉及控制的滞后问题及其控制方法。专利公开号CN107127217A涉及了一种冷轧硅钢边部减薄反馈滞后控制方法，得出了输出调节量增益的计算公式。针对冷轧硅钢单锥度工作辊窜辊轧机，通过对其边降闭环控制造成滞后的因素进行分析，首次采用流量相等原则计算滞后时间，能够更精确地得到系统反馈滞后时间；调节量的变增益方法对于边部减薄闭环滞后具有良好的控制品质，提高了硅钢生产过程中边部减薄控制质量。但并未涉及在反馈控制中引入抗滞后的无模型预估控制。
发明内容
本发明的目的是提供一种能够解决冷轧生产线中控制滞后问题，并提高系统控制稳定性和精度的基于无模型预估算法的硅钢边部减薄滞后控制方法。
本发明的目的是通过下述技术方案来实现的：
本发明的基于无模型预估算法的硅钢边部减薄滞后控制方法，其特征在于包括如下步骤：
(1)工作辊窜辊液压伺服控制系统的设计
工作辊窜辊利用锥度辊在带钢边部进行定位，设计了工作辊窜辊液压伺服控制系统，在工作辊窜辊液压伺服控制系统中，液压缸为双活塞杆液压缸，伺服阀的A、B控油口分别与窜辊缸的两油腔相连；位置设定值在斜坡函数发生器内根据轧制速度、轧制力和窜辊行程控制输出，斜坡函数发生器输出的设定值与反馈的实际位置值相比较，相应的差值经过数字PI运算、限幅、D/A以及隔离放大器被转换为±10mA的电流信号，该电流被作为伺服阀的输入；该电流与阀芯位置反馈电流信号的差值被作为伺服阀内置放大器的输入，内置放大器输出电流信号驱动伺服阀的力矩马达，力矩马达的摆动导致两侧喷嘴间隙发生变化，主阀芯因其两侧油压失去平衡而移动，伺服阀出口油压发生变化引起液压缸动作；
由于在解决边降问题时所设计的工作辊窜辊液压伺服控制系统是基于连接传动一端增加弹簧设计的对称液压缸结构，所以，传递函数是基于弹性负载位置控制系统控制对称液压缸的系统传递函数，其表达式如公式<1>所示：
在公式<1>中：Ka为控制放大器增益；Kq为伺服阀流量压力增益；Kfx为位置传感器反馈增益；Kp为电液伺服阀的压力增益，Kp＝Kq/Kc；Kc为伺服阀的流量-压力系数；A为液压缸有效面积；KL为负载刚度；ωv为伺服阀固有频率；ξv为伺服阀阻尼比；ωr为负载刚度引起的转折频率；
(2)边降闭环控制系统设计
边降闭环控制系统中，在窜辊伺服控制的基础上，分别构成以轧机入口凸度检测值为基础的前馈控制系统和以轧机出口边降检测值为基础的反馈控制系统；最终的边降闭环控制系统的传递函数如公式<2>所示：
在公式<2>中：s为拉普拉斯变换后的复参数；Gfb(s)为反馈控制器函数；Gfe(s)为前馈控制器函数；G0(s)为窜辊伺服函数；e-τs为系统等效滞后环节；EDaim为边降目标值；EDact为边降实际值；
(3)无模型自适应算法
无模型自适应(MFA)控制是神经网络多层感知机结构，动态功能有一组权值wij和hi能根据需要进行调整；更新权值的算法是基于设定值与过程变量偏差的全局最小化，其约束方程如公式<3>-<5>所示：
在公式<3>-<5>中：Ei(n)为历史偏差值，pj(n)为神经网络第一层结果，qj(n)为神经网络第二层结果，o(n)为神经网络最终结果；
控制器最终的输出如公式<6>所示：
u(t)＝Kc×[o(t)+Kp(t)·e(t)] <6>
在公式<6>中：Kc为控制器增益；o(t)为神经网络最终结果；Kp(t)为偏差增益；e(t)为偏差值；
通过神经网络学习算法权重更新如公式<7>所示：
在公式<7>中：偏导数是过程灵敏度，使用Robbins-Monro随机接近算法能够估计过程灵敏度如公式<8>所示：
在公式<8>中：ηk为适当小的正数；μ为正权重常数；
(4)无模型边部减薄滞后预估控制
改进MFA-Smith预估控制即无模型预估控制是在系统控制上再加入参数估计器，同时，基于对称相似结构原理，对预估补偿器参数利用MFA进行估计，并选择MFA控制器对系统进行控制；
该预估控制系统带有参数估计器，基于改进MFA-Smith的预估控制如公式<3>-<6>，公式<8>的修正算法如公式<9>所示：
在公式<9>中：为伪偏导数，是预估模型Gm0(s)的参数；
Smith预估器的参数估计算法如公式<10>-<12>所示：
在公式<10>-<12>中：η'k、μ'、ρk、λ是权重因子；ε是充分小的正数；为伪偏导数，是预估模型Gm0(s)的参数；是的初值；为预估模型在时刻k的时变参数；
最终修正控制信号Ym0(s)被作为反馈代替实际测量值Y(s)，通常在无事前信息的情况下，设计简单延迟预估器，边降控制过程简化为二阶滞后结构，系统窜辊位置控制输出如公式<13>所示：
在公式<13>中：Yp(s)为预测信号；Ym0(s)为预估器输出的最终修正控制信号；K,T1,T2,τ为基于过程近似二阶滞后模型预估器参数；此方法是将预估模型的参数偏差作在线估计，当实际系统的参数变化时，预估模型的参数也作相应的变化，从而使控制效果得到很大的提高。
本发明的优点：
本发明的基于无模型预估算法的硅钢边部减薄滞后控制方法，以1500mm硅钢冷连轧生产线为基础，通过反馈控制、前馈控制以及在反馈控制中引入抗滞后的无模型预估控制，对硅钢边部减薄滞后进行了有效控制；工作辊窜辊利用锥度辊在带钢边部进行定位，完全具备对无取向硅钢边部减薄的控制功能；边部减薄滞后反馈控制和无模型预估算法对边部减薄闭环控制系统中的时间滞后问题具有良好的动态控制品质，无需对象模型，都能够在较短时间内使得系统输出快速、稳定地达到设定值；在实际生产中应用边部减薄滞后控制与没应用边部减薄滞后控制相比，可提高控制精度1倍以上；另外，对于外界扰动，无模型预估算法依然具有良好的鲁棒性，波动幅度较小，并且能在很短时间内恢复到稳定状态，无模型预估计算量小，无需控制系统模型，非常符合冷轧硅钢边部减薄控制系统的要求。
附图说明
图1为本发明的工作辊窜辊液压伺服控制系统图。
图2为本发明的边降闭环控制系统图。
图3为本发明的无模型控制器结构图。
图4为本发明的无模型边部减薄滞后预估控制图。
图5为本发明的操作侧边部减薄滞后控制效果图。
图6为本发明的传动侧边部减薄滞后控制效果图。
具体实施方式
下面结合附图进一步说明本发明的具体实施方式。
本发明的基于无模型预估算法的硅钢边部减薄滞后控制方法，其特征在于包括如下步骤：
(1)工作辊窜辊液压伺服控制系统的设计
工作辊窜辊利用锥度辊在带钢边部进行定位，设计了工作辊窜辊液压伺服控制系统，工作辊窜辊液压伺服控制系统图如图1所示；在工作辊窜辊液压伺服控制系统中，液压缸为双活塞杆液压缸，伺服阀的A、B控油口分别与窜辊缸的两油腔相连；位置设定值在斜坡函数发生器内根据轧制速度、轧制力和窜辊行程控制输出，斜坡函数发生器输出的设定值与反馈的实际位置值相比较，相应的差值经过数字PI运算、限幅、D/A以及隔离放大器被转换为±10mA的电流信号，该电流被作为伺服阀的输入；该电流与阀芯位置反馈电流信号的差值被作为伺服阀内置放大器的输入，内置放大器输出电流信号驱动伺服阀的力矩马达，力矩马达的摆动导致两侧喷嘴间隙发生变化，主阀芯因其两侧油压失去平衡而移动，伺服阀出口油压发生变化引起液压缸动作；
由于在解决边降问题时所设计的工作辊窜辊液压伺服控制系统是基于连接传动一端增加弹簧设计的对称液压缸结构，所以，传递函数是基于弹性负载位置控制系统控制对称液压缸的系统传递函数，其表达式如公式<1>所示：
在公式<1>中：Ka为控制放大器增益；Kq为伺服阀流量压力增益；Kfx为位置传感器反馈增益；Kp为电液伺服阀的压力增益，Kp＝Kq/Kc；Kc为伺服阀的流量-压力系数；A为液压缸有效面积；KL为负载刚度；ωv为伺服阀固有频率；ξv为伺服阀阻尼比；ωr为负载刚度引起的转折频率；
(2)边降闭环控制系统设计
边降闭环控制系统图如图2所示，边降闭环控制系统中，在窜辊伺服控制的基础上，分别构成以轧机入口凸度检测值为基础的前馈控制系统和以轧机出口边降检测值为基础的反馈控制系统；最终的边降闭环控制系统的传递函数如公式<2>所示：
在公式<2>中：s为拉普拉斯变换后的复参数；Gfb(s)为反馈控制器函数；Gfe(s)为前馈控制器函数；G0(s)为窜辊伺服函数；e-τs为系统等效滞后环节；EDaim为边降目标值；EDact为边降实际值；
(3)无模型自适应算法
无模型控制器结构图如图3所示，无模型自适应(MFA)控制是神经网络多层感知机结构，动态功能有一组权值wij和hi能根据需要进行调整；更新权值的算法是基于设定值与过程变量偏差的全局最小化，其约束方程如公式<3>-<5>所示：
在公式<3>-<5>中：Ei(n)为历史偏差值，pj(n)为神经网络第一层结果，qj(n)为神经网络第二层结果，o(n)为神经网络最终结果；
控制器最终的输出如公式<6>所示：
u(t)＝Kc×[o(t)+Kp(t)·e(t)] <6>
在公式<6>中：Kc为控制器增益；o(t)为神经网络最终结果；Kp(t)为偏差增益；e(t)为偏差值；
通过神经网络学习算法权重更新如公式<7>所示：
在公式<7>中：偏导数是过程灵敏度，使用Robbins-Monro随机接近算法能够估计过程灵敏度如公式<8>所示：
在公式<8>中：ηk为适当小的正数；μ为正权重常数；
(4)无模型边部减薄滞后预估控制
改进MFA-Smith预估控制即无模型预估控制是在系统控制上再加入参数估计器，同时，基于对称相似结构原理，对预估补偿器参数利用MFA进行估计，并选择MFA控制器对系统进行控制，无模型边部减薄滞后预估控制图如图4所示；
该预估控制系统带有参数估计器，基于改进MFA-Smith的预估控制如公式<3>-<6>，公式<8>的修正算法如公式<9>所示：
在公式<9>中：为伪偏导数，是预估模型Gm0(s)的参数；
Smith预估器的参数估计算法如公式<10>-<12>所示：
在公式<10>-<12>中：η'k、μ'、ρk、λ是权重因子；ε是充分小的正数；为伪偏导数，是预估模型Gm0(s)的参数；是的初值；为预估模型在时刻k的时变参数；
最终修正控制信号Ym0(s)被作为反馈代替实际测量值Y(s)，通常在无事前信息的情况下，设计简单延迟预估器，边降控制过程简化为二阶滞后结构，系统窜辊位置控制输出如公式<13>所示：
在公式<13>中：Yp(s)为预测信号；Ym0(s)为预估器输出的最终修正控制信号；K,T1,T2,τ为基于过程近似二阶滞后模型预估器参数；此方法是将预估模型的参数偏差作在线估计，当实际系统的参数变化时，预估模型的参数也作相应的变化，从而使控制效果得到很大的提高。
本发明以1500mm硅钢冷连轧生产线为基础，轧制厚度为2.5mm的aw800无取向硅钢，具体轧制规格参数如表1所示。
表1轧制规格参数
通过反馈控制、前馈控制以及在反馈控制中引入抗滞后的无模型预估控制，对硅钢边部减薄滞后进行了有效控制。边部减薄滞后控制效果图如图5和图6所示。
图5和图6表明，应用边部减薄滞后控制后，在带钢边部特征点位置即距带钢边部20mm处，带钢的边部减薄质量由原来的12μm提高为5μm。在实际生产中应用边部减薄滞后控制与没应用边部减薄滞后控制相比，控制精度提高了1倍以上。
本发明的基于无模型预估算法的硅钢边部减薄滞后控制方法，以1500mm硅钢冷连轧生产线为基础，通过反馈控制、前馈控制以及在反馈控制中引入抗滞后的无模型预估控制，对硅钢边部减薄滞后进行了有效控制；工作辊窜辊利用锥度辊在带钢边部进行定位，完全具备对无取向硅钢边部减薄的控制功能；边部减薄滞后反馈控制和无模型预估算法对边部减薄闭环控制系统中的时间滞后问题具有良好的动态控制品质，无需对象模型，都能够在较短时间内使得系统输出快速、稳定地达到设定值；在实际生产中应用边部减薄滞后控制与没应用边部减薄滞后控制相比，可提高控制精度1倍以上；另外，对于外界扰动，无模型预估算法依然具有良好的鲁棒性，波动幅度较小，并且能在很短时间内恢复到稳定状态，无模型预估计算量小，无需控制系统模型，非常符合冷轧硅钢边部减薄控制系统的要求。

Claims (1)

1.一种基于无模型预估算法的硅钢边部减薄滞后控制方法，其特征在于包括如下步骤：
(1)工作辊窜辊液压伺服控制系统的设计
工作辊窜辊利用锥度辊在带钢边部进行定位，设计了工作辊窜辊液压伺服控制系统；
(2)边降闭环控制系统设计
边降闭环控制系统中，在窜辊伺服控制的基础上，分别构成以轧机入口凸度检测值为基础的前馈控制系统和以轧机出口边降检测值为基础的反馈控制系统；
(3)无模型自适应算法
无模型自适应(MFA)控制是神经网络多层感知机结构，动态功能有一组权值wij和hi能根据需要进行调整；更新权值的算法是基于设定值与过程变量偏差的全局最小化；
(4)无模型边部减薄滞后预估控制
改进MFA-Smith预估控制即无模型预估控制是在系统控制上再加入参数估计器，同时，基于对称相似结构原理，对预估补偿器参数利用MFA进行估计，并选择MFA控制器对系统进行控制；
该预估控制系统带有参数估计器，基于改进MFA-Smith的预估控制如公式<3>-<6>，公式<8>的修正算法如公式<9>所示：
在公式<9>中：为伪偏导数，是预估模型Gm0(s)的参数；
Smith预估器的参数估计算法如公式<10>-<12>所示：
在公式<10>-<12>中：η'k、μ'、ρk、λ是权重因子；ε是充分小的正数；为伪偏导数，是预估模型Gm0(s)的参数；是的初值；为预估模型在时刻k的时变参数；
最终修正控制信号Ym0(s)被作为反馈代替实际测量值Y(s)，通常在无事前信息的情况下，设计简单延迟预估器，边降控制过程简化为二阶滞后结构，系统窜辊位置控制输出如公式<13>所示：
在公式<13>中：Yp(s)为预测信号；Ym0(s)为预估器输出的最终修正控制信号；K,T1,T2,τ为基于过程近似二阶滞后模型预估器参数；此方法是将预估模型的参数偏差作在线估计，当实际系统的参数变化时，预估模型的参数也作相应的变化，从而使控制效果得到很大的提高。
CN201811219869.XA 2018-10-19 2018-10-19 基于无模型预估算法的硅钢边部减薄滞后控制方法 Active CN109226281B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811219869.XA CN109226281B (zh) 2018-10-19 2018-10-19 基于无模型预估算法的硅钢边部减薄滞后控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811219869.XA CN109226281B (zh) 2018-10-19 2018-10-19 基于无模型预估算法的硅钢边部减薄滞后控制方法

Publications (2)

Publication Number Publication Date
CN109226281A true CN109226281A (zh) 2019-01-18
CN109226281B CN109226281B (zh) 2020-06-30

Family

ID=65080483

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811219869.XA Active CN109226281B (zh) 2018-10-19 2018-10-19 基于无模型预估算法的硅钢边部减薄滞后控制方法

Country Status (1)

Country Link
CN (1) CN109226281B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110824922A (zh) * 2019-11-22 2020-02-21 电子科技大学 基于六阶b－样条小波神经网络的史密斯预估补偿方法
CN112547810A (zh) * 2020-11-20 2021-03-26 安阳钢铁股份有限公司 一种热连轧轧机轴向力的检测及改善方法
CN114505353A (zh) * 2022-01-29 2022-05-17 宝钢湛江钢铁有限公司 一种同板差窜辊前馈静态控制方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4114646B2 (ja) * 2004-07-07 2008-07-09 株式会社日立製作所 圧延制御装置，圧延制御方法及び圧延装置
CN101912886A (zh) * 2010-07-15 2010-12-15 首钢总公司 一种控制边部减薄的优化方法
WO2014046211A1 (ja) * 2012-09-20 2014-03-27 株式会社Ihi 連続圧延設備
CN104772342A (zh) * 2014-01-15 2015-07-15 宝山钢铁股份有限公司 具有可变周期模式的冷轧产品边缘降反馈控制系统和方法
CN104971948A (zh) * 2014-04-10 2015-10-14 鞍钢股份有限公司 一种工作辊非对称窜辊控制冷轧带钢边部减薄的方法
CN107127217A (zh) * 2016-02-29 2017-09-05 鞍钢股份有限公司 冷轧硅钢边部减薄反馈滞后控制方法
CN207414023U (zh) * 2017-11-09 2018-05-29 天津炬坤金属科技有限公司 一种带钢轧辊横移控制装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4114646B2 (ja) * 2004-07-07 2008-07-09 株式会社日立製作所 圧延制御装置，圧延制御方法及び圧延装置
CN101912886A (zh) * 2010-07-15 2010-12-15 首钢总公司 一种控制边部减薄的优化方法
WO2014046211A1 (ja) * 2012-09-20 2014-03-27 株式会社Ihi 連続圧延設備
CN104772342A (zh) * 2014-01-15 2015-07-15 宝山钢铁股份有限公司 具有可变周期模式的冷轧产品边缘降反馈控制系统和方法
CN104971948A (zh) * 2014-04-10 2015-10-14 鞍钢股份有限公司 一种工作辊非对称窜辊控制冷轧带钢边部减薄的方法
CN107127217A (zh) * 2016-02-29 2017-09-05 鞍钢股份有限公司 冷轧硅钢边部减薄反馈滞后控制方法
CN207414023U (zh) * 2017-11-09 2018-05-29 天津炬坤金属科技有限公司 一种带钢轧辊横移控制装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘洋等: ""基于预测函数算法的冷连轧边降滞后控制研究"", 《机械工程学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110824922A (zh) * 2019-11-22 2020-02-21 电子科技大学 基于六阶b－样条小波神经网络的史密斯预估补偿方法
CN112547810A (zh) * 2020-11-20 2021-03-26 安阳钢铁股份有限公司 一种热连轧轧机轴向力的检测及改善方法
CN114505353A (zh) * 2022-01-29 2022-05-17 宝钢湛江钢铁有限公司 一种同板差窜辊前馈静态控制方法

Also Published As

Publication number Publication date
CN109226281B (zh) 2020-06-30

Similar Documents

Publication Publication Date Title
CN109226281A (zh) 基于无模型预估算法的硅钢边部减薄滞后控制方法
Huang et al. Modified Smith fuzzy PID temperature control in an oil-replenishing device for deep-sea hydraulic system
Song et al. Adaptive backstepping sliding mode control with fuzzy monitoring strategy for a kind of mechanical system
CN103406367B (zh) 一种提高冷轧机直接张力控制精度的方法
WO2007041179A2 (en) System for controlling a rolling mill and method of controlling a rolling mill
Xu et al. A multi-iteration pseudo-linear regression method and an adaptive disturbance model for MPC
CN109433830B (zh) 一种冷轧板形闭环控制方法及系统
CN104190720B (zh) 一种自适应自动厚度控制方法及装置
Wu et al. Active disturbance rejection control design for high-order integral systems
CN101962708A (zh) 大型板材真空退火炉多温区均温性控制系统及其控制方法
CN111413865B (zh) 一种扰动补偿的单回路过热汽温自抗扰控制方法
JP2002318602A (ja) むだ時間を有するプロセス系に対する離散時間スライディングモード制御装置及び方法
CN106637026B (zh) 一种镀锌过程气刀压力实时优化控制方法及系统
CN115099138A (zh) 一种基于rbf神经网络的精馏塔塔顶温度控制方法
CN102441589A (zh) 平整机在线换辊缸同步控制系统及控制方法
CN110647186A (zh) 一种基于模糊神经网络的氯乙烯精馏温度控制方法
CN110007605B (zh) 一种排斥式磁悬浮装置的鲁棒预测控制方法
CN102632088A (zh) 一种带伺服阀补偿的恒轧制力及辊缝综合控制方法
Sun et al. Identification and optimization for hydraulic roll gap control in strip rolling mill
Zhang et al. Improved Smith prediction monitoring AGC system based on feedback-assisted iterative learning control
CN109725526B (zh) 一种多变量半自适应预测控制方法
Wang et al. Reinforcement-Learning-Based Composite Optimal Control for Looper Hydraulic Servo Systems in Hot Strip Rolling
JP2008305157A (ja) 偏差量補償プログラム、偏差量補償装置、ｐｉｄ制御出力補償装置
CN114397820A (zh) 压电微动平台基于Hopfield神经网络估计器的自适应控制方法
Tao et al. Intelligent gauge control system using ARM and fuzzy PI controller

Legal Events

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