改进云推理网络的板形控制系统优化设计及DSP仿真实现

摘要

钢铁产品广泛应用于建筑、电器、轮船、航天等行业，板带材是重要的钢铁产品之一。随着我国经济的繁荣发展，许多行业对板带材质量的要求变得愈加严格，高质量的带钢拥有很大的市场。板形作为板带材生产的关键质量指标，使得板形控制技术成为目前亟待解决的重要技术。近年来，人工智能理论的成熟给板形识别、控制开辟了新的途径，同时被逐渐应用于工业轧制工程。论文以改进云推理网络的板形控制为研究课题，设计了基于云遗传算法(CGA)优化的改进云推理网络板形控制系统，最后完成其DSP仿真实现。
　　首先，在传统云推理神经网络的基础上，引入校正网络，设计了改进云推理神经网络。以某900HC可逆冷轧机板形识别为应用背景，设计了改进云推理网络板形识别模型，通过与传统云推理神经网络板形识别模型比较，改进后的识别模型具有更高的识别精度。在遗传算法(GA)的基础上，引入CGA，通过仿真对比，验证了基于CGA优化的板形识别模型具有更好的识别效果，同时完成了板形识别模型的DSP仿真实现。
　　其次，设计了基于CGA优化的改进云推理网络板形预测模型，以某900HC可逆冷轧机为研究对象，对轧制流程中一、三、五道次板形预测，仿真结果表明，该预测模型可以很好地预测板形输出，验证了该模型的有效性。
　　最后，在改进云推理网络板形识别、预测模型的基础上，设计控制器，建立了完整的改进云推理网络板形控制系统，采用CGA与GA分别对该系统参数进行优化，仿真结果表明，基于CGA优化的板形控制系统克服了GA容易陷入局部极值的缺点，具有更好的控制效果，出口板形更加平整，是一种有效的板形控制方案。为了将该系统更好地与实际工程联系起来，进行了该系统的DSP仿真实现，结果表明该模型能够在DSP中运行，同时控制结果与仿真实验结果一致。

目录

声明

第1章 绪 论

1.1 课题研究背景及意义

1.2 板形控制研究现状

1.3 课题研究内容及论文构架

第2章 云推理网络优化设计及校正改进

2.1 云理论

2.2 云推理神经网络校正改进

2.3 改进云推理神经网络的GA优化

2.4 改进云推理神经网络的CGA优化

2.5 本章小结

第3章 板形模式识别设计及DSP仿真实现

3.1 板形识别原理

3.2 板形模式识别的改进云推理网络设计

3.3板形模式识别模型的DSP仿真实现

3.4 板形识别效果及DSP仿真实现研究

3.5 本章小结

第4章 板形控制系统设计及DSP仿真实现

4.1板形控制系统结构设计

4.2 仿真及DSP实验对比研究

4.3 本章小结

结论

参考文献

攻读硕士学位期间承担的科研任务与主要成果

致谢