基于云神经模糊集成的液压弯辊板形控制系统设计

白 涛

（承德石油高等专科学校，河北 承德067000）

0 引言

液压弯辊通过正负弯辊形式调整轧辊凸度和挠度改善板带材板形[1]，但由于其系统复杂性难以建立精确模型，传统控制理论很难满足高精度轧制需求[2]。李德毅院士定义了一种新的云模型[3]，从模糊性和随机性共同角度研究定性概念与定量数据的不确定性转换。因此，云模型在研究本文的非线性和不确定性液压弯辊板形控制系统具有更强理论优势。但云模型控制器有个明显的缺点缺乏学习机制，而神经网络模拟人脑的运行机制，对历史数据样本进行记忆和自适应学习[4]，所以本文在云模型基础上引入神经网络，最终建立基于云神经模糊液压弯辊板形控制系统。通过仿真分析，该算法具有良好的控制性能和较好的应用价值。

1 云模型

1.1 云模型的基本定义

定义1：设论域U，T为U上的模糊子集，U到闭区间[0,1]的映射CT(x)。

这是一个具有稳定倾向的随机数，CT(x)在U上的分布称为T的隶属云，简称云，或称之为T的云模型[5]。云模型通过期望Ex、熵En和超熵He3个数字特征来表示并实现控制计算。

2 云神经模糊混合集成模型

2.1 控制原理

控制算法根据不同的板形偏差e和偏差变化率ec对工作辊的液压弯辊力的调整量u进行在线调整，以满足不同时刻对调节参数的不同要求。其控制原理如图1所示。

2.2 变量的确定

在云神经模糊混合集成的液压弯辊板形控制系统中，取带钢二次板形的偏差e和偏差变化率ec为输入变量，工作辊的液压弯辊力的调整量u为输出变量。语言变量的语言值都取为{NB(负大)，NM(负中),NS(负小)，O(零)，PS(正小),PM(正中)，PB(正大)}。论域中各语言变量值的隶属云数字特征参数设计如表1所示。

图1 云神经模糊混合集成算法结构

2.3 模糊控制规则的建立

控制规则采用：If E……and EC……then U……，根据液压弯辊板形控制的特点以及现场数据，最终建立的液压弯辊模糊规则，如表2所示。

表1 云模型特征参数表

表2 液压弯辊模糊规则表

2.4 云神经模糊混合集成的智能算法

云神经模糊集成控制算法由输入条件部分的一个云处理层和输出结论部分的m个BP网络共同构成[6]。云处理层通过云发生器得出不同输入变量在模糊推理对应规则下的适应度μ，而BP网络1～BP网络m分别表示不同规则对应的输出结论fi(x)，（i=1，2…，M），最终输出分别由两部分的输出共同作用得到，表达式为：

云神经模糊混合集成的智能系统，其结构如图2所示，其算法具体步骤如下：

（1）对特定的输入按照表2液压弯辊控制规则表做“软与”操作，通过云模型发生器求得不同规则下的适应度[7]。

（2）通过BP网络对历史轧制数据进行学习，第i组模糊推理规则对应的轧制样本为第i个BP网络的学习样本。

3 仿真实验

为了验证建立的云神经模糊混合集成算法的控制性能，利用某企业1220四棍轧机第五机架实际轧制数据，建立如图3所示的BP网络仿真器进行输出结论预报。中间层节点数为4，将带钢轧制的历史数据作为BP神经网络的训练数据，其输入为6个参量：k时刻二次板形偏差e(k)，二次板形偏差变化率ec(k)，前张力实测值TF(k)、倾辊量LM(k)、弯辊力FW(k)和轧制力P(k)。即：

最终的输出为1个变量：为消除（k+1）时刻出现的二次板形偏差需要的液压弯辊力的调整量ΔFw（k+1）即：

图2 云神经模糊混合集成的智能系统

图3 二次板形BP神经网络仿真器

为了验证算法的有效性，采用原料厚度为3 mm的钢卷号5550770000，成品规格为0.505 mm×1 005 mm，材质为Stw22，分别模糊控制方法、云模型控制方法以及云神经模糊混合集成算法进行仿真实验。同时为进一步比较三种控制算法的抗干扰性，t=2 s时板形输出测加2I的外部扰动。3种不同方法的仿真结果如图4所示。

图4 二次板形控制仿真图(钢卷号5550770000)

从仿真结果可以看出：相对于常规模糊控制模型及云模型控制，云神经模糊控制模型对于二次板形缺陷调整时间快、超调量小、稳态精度高，在受到干扰时，云神经模糊控制模型可以在较短的时间内恢复目标板形，能较好的应对液压弯辊控制出现的复杂干扰情况。

4 结语

云神经模糊混合集成的液压弯辊板形控制系统，有效融合了云模型、神经网络和模糊推理三者所长，在不确定性控制系统推理中更具有优势，为液压弯辊系统提供了合理的控制参数，仿真实验展现出其控制精度高，调整时间短，抗干扰能力强，有效提高了板带材质量，为液压弯辊板形控制提供了新途径。