精彩书摘:
2.6.2.1 鲁棒控制
鲁棒控制是一个注重控制算法可靠性研究的控制器设计方法。鲁棒性一般定义为在实际环境中，为保证安全，要求控制系统最小必须满足的条件。一旦设计好这个控制器，参数就不再改变，而且必须保证具有良好的可控性。
鲁棒控制方法，是对时间域或频率域来说，一般假设过程动态特性的信息和它的变化范围。一些算法不需要精确的过程模型但需要一些离线辨识。
一般鲁棒控制系统的设计是以一些最差的情况为基础，因此一般系统并不工作在最优状态。
鲁棒控制方法适用于稳定性和可靠性作为首要目标的应用，同时过程的动态特性已知且不确定因素的变化范围可以预估。飞机和空间飞行器的控制是这类系统的例子。
过程控制应用中，某些控制系统也可以用鲁棒控制方法设计，特别是对那些比较关键且不确定因素变化范围大，同时稳定裕度小的对象。
但是，鲁棒控制系统的设计要由高级专家完成。一旦设计成功，就不需太多的人工干预。另一方面，如果要升级或作重大调整，系统就要重新设计。
鲁棒控制需要在闭环系统中实现。现代鲁棒设计方法综合考虑系统内部性能与健壮性平衡，这种固定控制系统的性能由先验信息的正确性和有效性决定。有时候由于被控系统的复杂性，不确定性或者闭环系统的性能差异等因素，会影响鲁棒控制系统的性能，此时可以通过下述三种方法之一来调整控制系统：
（1）细化过程模型，以减少系统中的不确定性因素；
（2）人工调整控制器；
（3）在线自动调整。
2.6.2.2 自适应控制
与鲁棒控制不同的是，自适应控制通过在线自适应来解决不确定性问题。自适应控制可以看做是一个能根据环境变化智能调节自身特性的反馈控制系统以使系统能按照一些设定的标准工作在最优状态。通过对过程的输入与输出进行监控，辨识出动态过程各项参数，并对其进行调整以使系统达到需要的状态。因此，自适应控制重点在于通过在线测量获得过程模型的全局或局部参数，并且更新或优化这些参数。
但是，如果过程的动态特性或者运行范围发生重大改变，如非线性动态变化或者出现干扰时，控制系统就必须不断地变化。如果动态系统采用的控制策略不够恰当，则自适应控制器就必须不停地适应系统，即便面对的系统与曾经被成功控制的系统相同，控制器仍然需要不断适应。原因就在于自适应系统无法保存过去的信息。在保存已有信息的能力方面，学习系统和自适应系统有着天壤之别。
一般地说，自适应控制在航空、导弹和空间飞行器的控制中很成功。可以得出结论，古典的自适应控制适合没有大时间延迟的机械系统或者那些对设计的系统动态特性很清楚的系统。
但在工业过程控制应用中，经典的自适应控制并不如意。PID自整定方案可能是最可靠的，广泛应用于商业产品，但用户并不怎么喜欢和接受。
经典的自适应控制方法，要么采用模型参考要么采用自整定，一般需要辨识过程的动态特性。它存在许多基本问题：
（1）需要复杂的离线训练；
（2）辨识所需的充分激励信号和系统平稳运行的矛盾；
（3）对系统结构假设；
（4）实际应用中，模型的收敛性和系统稳定性无法保证。
……
内容简介：
《带钢冷连轧生产系统的动态智能质量控制》提出了一种基于模糊逻辑推理和神经网络的动态智能质量控制器DIQC。《带钢冷连轧生产系统的动态智能质量控制》介绍了在最大输出误差点添加新隶属函数的构造性动态结构的控制器以减轻偏差／方差两难问题、控制器的全局逼近性质、参数的局部性与线性化要求；为达到全局闭环稳定而需要的全局控制方案、激励持续条件、学习率的界定；对于泛化能力的可靠性、数据分布的优化策略、在线学习条件、控制器反馈结构；去模糊化方法的选定、T—norm算子与隶属函数的选择、ε一完备性要求以及模糊相似程度判定等内容。
《带钢冷连轧生产系统的动态智能质量控制》可供从事自动化、连铸连轧等相关专业的工程技术人员参考使用。
目录：
1 绪论
1.1 冷连轧工艺流程简介
1.2 冷连轧计算机质量控制系统
1.2.1 带钢冷连轧计算机控制的发展与趋势
1.2.2 冷连轧计算机质量控制系统类别
1.3 攀钢冷连轧计算机控制系统的组成及其存在的问题
1.4 带钢冷连轧系统的智能化控制要求
1.5 智能控制在轧制工业领域的发展
1.5.1 国外发展情况
1.5.2 国内发展情况
1.6 本书所解决问题
2 智能算法与工业控制
2.1 概述
2.2 人工智能（AI）
2.3 神经网络与控制
2.4 模糊逻辑推理系统与控制
2.4.1 模糊推理机
2.4.2 模糊逼近计算
2.5 模糊神经网络
2.6 智能控制和学习控制
2.6.1 简介
2.6.2 智能控制与古典控制方法的联系
2.6.3 学习控制的分类
2.6.4 讨论
2.7 小结
3 基于模糊神经网络的冷连轧动态智能质量控制（DIQC）
3.1 控制问题简述
3.2 带钢冷连轧自动厚度控制（AGC）的理论基础
3.2.1 自动厚度控制（AGC）基本环节
3.2.2 轧机弹跳方程
3.2.3 轧件塑型曲线与F—h图
3.2.4 解析法
3.2.5 流量AGC系统
3.3 动态智能质量控制（DIQC）思想及需要解决的问题
3.4 冷连轧质量控制系统函数逼近方法的选取
3.4.1 简介
3.4.2 参量与非参量方法
3.4.3 逼近方法
3.4.4 讨论
3.5 DIQC泛化能力提高条件
3.5.1 泛化与激励
3.5.2 闭环控制中的激励，
3.5.3 过程特点与泛化能力
3.5.4 小结与讨论
3.6 DIQC优化方法的选用研究
3.7 DIQC中FNN动态网络结构研究
3.7.1 简介
3.7.2 Pruning算法的分类
3.7.3 构造算法的分类
3.7.4 DIQC中FNN结构调整算法
3.7.5 DIQC中“模糊与”乘积算子方法
3.7.6 DIQC中s完备性要求
3.7.7 讨论
3.7.8 小结
3.8 DIQC输入域要求及局部性网络架构
3.9 DIQC在线学习的必要性
3.10 DIQC反馈结构的必要性
3.11 DIQC的稳定性研究
3.11.1 简介
3.11.2 激励的持续
3.11.3 学习率边界
3.11.4 小结与讨论
3.12 全局DIQC的构建设计
3.12.1 全局协调控制策略
3.12.2 子系统FNN结构及算法
3.13 FNN的学习算法实现
3.14 小结
4 冷连轧过程数据处理、采集与跟踪
4.1 引言
4.2 钢卷原始数据处理
4.2.1 一级基础自动化需要请求钢卷原始数据的区域
4.2.2 钢卷原始数据
4.2.3 一级基础自动化的钢卷原始数据人机接口
4.2.4 钢卷缺陷数据
4.3 数据采集（DAc）
4.3.1 概述
4.3.2 钢卷数据采集
4.3.3 故障状态下的过程数据采集
4.4 带钢跟踪（STR）
4.4.1 概述
4.4.2 跟踪的信息
4.5 钢卷跟踪（CTR）
4.5.1 自动方式和后备方式的转换
4.5.2 酸洗线的钢卷跟踪
4.5.3 后备方式下活套跟踪数据
4.5.4 出口钢卷跟踪（钢卷数据跟踪2功能）
4.5.5 一级基础自动化与二级控制界面
4.6 基于IBA的冷连轧过程数据收集与跟踪系统
4.6.1 PDA系统硬件
4.6.2 PDA硬件配置及分析
4.6.3 PDA02硬件配置及分析
4.6.4 PDA的系统软件以及通道设置
4.6.5 PDA过程数据采集及其分析系统的作用
4.7 小结
5 基于DIQC的冷连轧机轴扭振控制
5.1 引言
5.2 问题描述
5.3 串列式冷连轧机双质量系统
5.4 仿真结果与讨论
5.5 小结
6 基于DIQC的冷连轧偏心与硬度干扰控制研究
6.1 问题描述
6.2 仿真模型
6.3 仿真结果与讨论
6.4 小结
7 基于DIQC的冷连轧厚度控制（AGC）研究
7.1 问题描述
7.2 仿真模型
7.3 仿真结果与讨论
7.4 小结
8 结论与展望
参考文献
2591325828
好评度