[发明专利]一种轧制差厚板盒形件智能拉深控制系统及方法

权利要求书

1.一种轧制差厚板盒形件智能拉深控制系统，其特征在于，包括过程监测模块、识别预测模块、实时控制模块和系统执行模块；

所述过程监测模块通过所述识别预测模块与所述实时控制模块连接，所述实时控制模块与所述系统执行模块连接；

所述过程监测模块，采用数据采集系统实时监测拉深过程变量，所述拉深过程变量包括拉深力、压边力和拉深行程；

所述识别预测模块，建立神经网络模型，采用改进型递阶遗传算法对神经网络模型的拓扑结构及权值、阈值进行优化，所述神经网络模型包括神经网络识别模型和神经网络预测模型，所述神经网络识别模型根据所述过程监测模块得到的所述拉深过程变量以及差厚板的几何参数，得出差厚板的材料性能参数，所述神经网络预测模型根据所述差厚板的材料性能参数、所述差厚板的几何参数以及所述拉深行程，得出最优压边力和最优拉深速度；

所述实时控制模块，依据所述识别预测模块得出的所述最优压边力和所述最优拉深速度，采用基于灰色预测模型的神经网络PID控制系统控制不同位置的压边力值和拉深速度值；所述基于灰色预测模型的神经网络PID控制系统，是由灰色理论、BP神经网络与PID控制算法进行结合而得到的；神经网络PID控制系统，由三部分组成，第一部分为最优压边力和最优拉深速度输入、PID控制器网络、比例阀及传感器组成的独立增量式PID闭环控制网络；第二部分为BP神经网络，输入分别为最优参数设定值、灰色预测值以及两者的误差，输出为PID控制器网络的3个参数K_P、K_I、K_D，BP神经网络选取每一控制回路的误差函数以及回路之间的误差函数作为性能指标函数，从而保证控制精度与同步性要求，输出节点采用非负的S函数作为其活化函数，而隐含层神经元的活化函数采用正负对称的S函数，网络加权系数的修正采用梯度下降法；第三部分为灰色预测模型，分别以最优压边力值、最优拉深速度值和比例溢流阀输出值、电液比例阀输出值作为输入，灰色预测值为输出；

所述系统执行模块，依据所述神经网络PID控制系统控制不同位置的压边力值和拉深速度值，进行差厚板的拉深成形。

2.根据权利要求1所述的一种轧制差厚板盒形件智能拉深控制系统，其特征在于，所述过程监测模块的数据采集系统包括A/D转换卡、工控机、限压器、动态应变仪、传感器；

所述动态应变仪连接所述传感器，所述传感器分为位移传感器和压力传感器，所述传感器将所述拉深过程变量转换成模拟电压信号，所述A/D转换卡接收所述模拟电压信号，并将所述模拟电压信号转换为数字信号输入至所述工控机，所述工控机利用速度与位移的微分关系计算得到拉深速度-行程曲线，所述限压器置于所述动态应变仪与所述A/D转换卡之间，保护所述轧制差厚板盒形件智能拉深控制系统。

3.根据权利要求1所述的一种轧制差厚板盒形件智能拉深控制系统，其特征在于，所述神经网络识别模型将所述拉深过程变量以及差厚板几何参数作为输入层参数，差厚板材料性能参数作为输出层参数，建立所述差厚板材料性能参数与所述拉深过程变量、所述差厚板几何参数间的非线性映射关系；

所述神经网络预测模型，是将所述差厚板材料性能参数、所述差厚板几何参数以及所述拉深行程作为神经网络输入层变量，所述最优压边力和所述最优拉深速度作为输出层变量，建立所述最优压边力和所述最优拉深速度与所述差厚板材料性能参数、所述差厚板几何参数、所述拉深行程之间的非线性映射关系。

4.根据权利要求1所述的一种轧制差厚板盒形件智能拉深控制系统，其特征在于，所述实时控制模块包括D/A转换卡、比例溢流阀、比例放大器和电液比例阀，所述实时控制模块采用基于灰色预测模型的神经网络PID算法形成神经网络PID控制系统，将所述拉深行程作为反馈信号，将所述最优压边力和所述最优拉深速度作为控制信号，通过标定所述比例溢流阀获取所述压边力值与所述比例溢流阀控制电压之间的关系曲线，通过标定所述电液比例阀获取所述拉深速度值与所述电液比例阀控制电压之间的关系曲线，依据所述关系曲线将所述压边力值和所述拉深速度值转换为控制电压信号，由所述D/A转换卡将所述控制电压信号的数字量转换为模拟量，再由所述比例放大器将所述模拟量转换为控制电流信号以控制所述比例溢流阀和所述电液比例阀开启量的大小。