謝清萍 程棟

（1.中國制漿造紙研究院，北京，100102；2.天津科技大學(xué)天津市制漿造紙重點(diǎn)實(shí)驗(yàn)室，天津，300457）

基于神經(jīng)網(wǎng)絡(luò)的定量水分智能控制

謝清萍1程棟2

（1.中國制漿造紙研究院，北京，100102；2.天津科技大學(xué)天津市制漿造紙重點(diǎn)實(shí)驗(yàn)室，天津，300457）

定量水分過程是一個(gè)有大滯后、大慣性、強(qiáng)非線性、時(shí)變以及多變量耦合的多輸入、多輸出的系統(tǒng)過程。基于神經(jīng)網(wǎng)絡(luò)的智能控制是指只由神經(jīng)網(wǎng)絡(luò)單獨(dú)控制或由神經(jīng)網(wǎng)絡(luò)同其他控制方式相融合的控制的統(tǒng)稱。本文系統(tǒng)的簡單的介紹了基于神經(jīng)網(wǎng)絡(luò)的三種不同的定量水分智能控制系統(tǒng)。神經(jīng)網(wǎng)絡(luò)有非線性映射能力強(qiáng)、能夠?qū)W習(xí)和適應(yīng)不確定性系統(tǒng)的動(dòng)態(tài)特性，有效處理多輸入多輸出系統(tǒng)等優(yōu)點(diǎn)。

定量水分 神經(jīng)網(wǎng)絡(luò) 單神經(jīng)元 DMC DRNN

1 引言

紙機(jī)是造紙生產(chǎn)過程中十分重要的一環(huán)，該工序決定著紙頁最終的產(chǎn)量和質(zhì)量，且該過程自動(dòng)化程度最高，所以一直是造紙生產(chǎn)過程中控制的關(guān)鍵。定量（每平方米紙的質(zhì)量）和水分（每平方米紙的含水量）是制漿造紙工業(yè)中決定最終成紙質(zhì)量的兩個(gè)關(guān)鍵性因素。實(shí)現(xiàn)對(duì)它們的嚴(yán)格控制，能顯著提高產(chǎn)品質(zhì)量，穩(wěn)定生產(chǎn)，增加產(chǎn)量，降低能源和原料消耗，獲得明顯的經(jīng)濟(jì)效益[1]。

2 定量和水分過程的特征分析

圖1 造紙工藝流程簡圖

根據(jù)圖1工藝流程及物料平衡的關(guān)系進(jìn)行分析可知，單位時(shí)間內(nèi)紙張的絕干量等于上網(wǎng)漿料的絕干量減去切邊部分和纖維流失的絕干量。因此，影響紙張定量的因素是上網(wǎng)紙漿的濃度、紙漿的流量和車速。但是，在紙機(jī)正常運(yùn)轉(zhuǎn)的情況下，車速比較穩(wěn)定，高位箱到網(wǎng)部各個(gè)環(huán)節(jié)造成的絕干量流失的情況，基本穩(wěn)定或變化不大。因此，在紙漿濃度一定的況下，紙漿流量是影響紙頁定量的最重要的因素。

影響紙頁水分的因素也很多，有真空脫水的情況、壓榨脫水情況和烘缸干燥情況等。正常運(yùn)轉(zhuǎn)情況下，真空脫水、壓榨脫水基本穩(wěn)定，烘缸干燥部分由于蒸汽壓力波動(dòng)很大而造成水分有較大變化。因此，蒸汽壓力波動(dòng)是影響紙張水分的主要因素。

綜上所述，定量水分過程是一個(gè)有大時(shí)滯、強(qiáng)藕合、非線性、多干擾的多輸入、多輸出的藕合時(shí)變系統(tǒng)過程。

3 基于神經(jīng)網(wǎng)絡(luò)的定量水分控制方法

紙機(jī)的定量水分控制屬于多輸人多輸出對(duì)象，常用的控制算法有經(jīng)典的PID控制算法、改進(jìn)的Smith預(yù)估控制算法、動(dòng)態(tài)矩陣控制算法、廣義預(yù)測控制算法等。PID控制不需要對(duì)象精確的數(shù)學(xué)模型，參數(shù)整定容易，但由于其采樣周期較長(一般取為:純滯后+2倍慣性時(shí)間常數(shù))，因而調(diào)節(jié)過程非常緩慢，擾動(dòng)抑制能力較差。其他3種控制方法都是基于模型的控制算法，具有典型的內(nèi)?？刂平Y(jié)構(gòu)，調(diào)節(jié)過程較快，具有較強(qiáng)的擾動(dòng)抑制能力和魯棒性。但由于造紙過程是一個(gè)典型的大滯后、大慣性、強(qiáng)非線性、時(shí)變以及多變量耦合的過程，難以確定模型結(jié)構(gòu)和參數(shù)辨識(shí)，因此這些控制方法應(yīng)用效果也不是十分的理想。

神經(jīng)網(wǎng)絡(luò)主要是利用工程技術(shù)手段來模擬人腦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能?；谏窠?jīng)網(wǎng)絡(luò)的智能控制是指只由神經(jīng)網(wǎng)絡(luò)單獨(dú)控制或由神經(jīng)網(wǎng)絡(luò)同其他控制方式相融合的控制的統(tǒng)稱。

整個(gè)造紙過程是一個(gè)非常復(fù)雜的傳熱、過程，影響因素很多，因此其數(shù)學(xué)模型具有強(qiáng)非線性，只是其線性后的簡化形式。同時(shí)定量和水分之間存在著一定程度的藕合，這也給模型中眾多參數(shù)的辨識(shí)帶來了一定的困難。一種好的建模方法必須具有自學(xué)習(xí)功能，能夠自動(dòng)地適應(yīng)造紙過程狀況的動(dòng)態(tài)改變。人工神經(jīng)網(wǎng)絡(luò)技術(shù)是較好的方法之一。與傳統(tǒng)的建模技術(shù)相比，神經(jīng)網(wǎng)絡(luò)有非線性映射能力強(qiáng)、能夠?qū)W習(xí)和適應(yīng)不確定性系統(tǒng)的動(dòng)態(tài)特性，有效處理多輸入多輸出系統(tǒng)等優(yōu)點(diǎn)。

3.1 單神經(jīng)元自適應(yīng)PID的水分定量內(nèi)模解耦控制

單神經(jīng)元自適應(yīng)PID是通過對(duì)加權(quán)系數(shù)的調(diào)整來實(shí)現(xiàn)自適應(yīng)、自組織功能，其控制算法如下：

單神經(jīng)元自適應(yīng)PID[5,6]的控制結(jié)構(gòu)如圖2所示：

圖2 單神經(jīng)元自適應(yīng)PID的控制結(jié)構(gòu)圖

結(jié)果表明，利用單神經(jīng)元PID控制器，增加了系統(tǒng)的自學(xué)習(xí)功能，使系統(tǒng)有較快的上升時(shí)間和較好的抗干擾性。由于解耦算法易于實(shí)現(xiàn)，控制器設(shè)計(jì)方法簡單,因此這種控制方法對(duì)于多變量耦合系統(tǒng)有一定的實(shí)際意義。

3.2 多變量DMC控制在水分定量中的應(yīng)用

DMC算法是由Cutler等人基于階躍響應(yīng)模型提出的一種計(jì)算機(jī)控制算法?；贔IR模型的DMC算法描述如下：

設(shè)一開環(huán)穩(wěn)定的線性MIMO過程可以用如下脈沖響應(yīng)(FIR)模型來描述:

其中y(k)∈Rny為過程輸出，d(k)∈Rny為過程輸出擾動(dòng)，u(k)∈Rnu為控制輸入；h(i)∈Rny×nu(i=1，2…，N)為輸入輸出脈沖響應(yīng)系數(shù)矩陣；nu，ny分別為被控過程輸入與輸出變量數(shù)，N為脈沖響應(yīng)截?cái)嗖介L。

圖3 定量水分控制系統(tǒng)結(jié)構(gòu)圖

紙頁定量水分控制系統(tǒng)結(jié)構(gòu)如圖3所示，這種多變量DMC控制技術(shù)基于神經(jīng)元PID控制的智能控制算法，經(jīng)在某造紙廠實(shí)際運(yùn)行,該控制算法完全滿足控制系統(tǒng)要求，定量控制在70～80±1g，水分控制在5%～6%。仿真及實(shí)際運(yùn)行結(jié)果表明,神經(jīng)元PID控制器具有結(jié)構(gòu)簡單、易于工程實(shí)現(xiàn)、自適應(yīng)能力強(qiáng)、實(shí)時(shí)性好，適用于大時(shí)滯系統(tǒng)，具有很好的使用及推廣價(jià)值[9]。

3.3 基于DRNN的紙機(jī)定量水分解耦控制仿真分析

DRNN（Diagonal Recurrent Neural Network）[10-12]是包含輸入、隱層和輸出的三層回歸神經(jīng)網(wǎng)絡(luò)，其中隱含層為回歸層，結(jié)構(gòu)如圖4所示。網(wǎng)絡(luò)中，I=[I1，I2，…，In]為網(wǎng)絡(luò)輸入向量，Ii（k）為輸入層第i個(gè)神經(jīng)元的輸入，Xj（k）為回歸層第j個(gè)神經(jīng)元的輸出，Sj（k）為第j個(gè)回歸神經(jīng)元輸入總合，O（k）為網(wǎng)絡(luò)輸出，（f·）

為雙S函數(shù)：f（x）=（1-e-x）（/1+e-x）。

圖4 DRNN神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

基于DRNN神經(jīng)網(wǎng)絡(luò)的定量水分雙變量解耦控制系統(tǒng)辨識(shí)器、控制器和控制對(duì)象組成，選用DRNN作為在線辨識(shí)器，根據(jù)外界環(huán)境信息的變化，自動(dòng)調(diào)整網(wǎng)絡(luò)權(quán)值，跟蹤對(duì)象輸出，通過獲得的Jacobian信息可以在線調(diào)整PID控制器的比例、積分、微分參數(shù),從而實(shí)現(xiàn)解耦和自適應(yīng)控制[13]。

將一種基于DRNN對(duì)角回歸神經(jīng)網(wǎng)絡(luò)的解耦控制策略運(yùn)用到具有大時(shí)滯、強(qiáng)耦合等特性的紙機(jī)定量水分控制系統(tǒng)中，通過動(dòng)態(tài)調(diào)整PID參數(shù)以克服系統(tǒng)受到的各種干擾，保證了系統(tǒng)良好的穩(wěn)態(tài)性能，實(shí)現(xiàn)了定量水分的解耦。結(jié)果表明，將對(duì)角回歸神經(jīng)網(wǎng)絡(luò)(DRNN)與PID控制器結(jié)合，構(gòu)成基于DRNN神經(jīng)網(wǎng)絡(luò)的雙變量動(dòng)態(tài)解耦PID控制方法，通過采用DRNN網(wǎng)絡(luò)對(duì)PID控制器參數(shù)的在線整定，在受到較大干擾時(shí)，系統(tǒng)能夠快速調(diào)整PID參數(shù)來適應(yīng)對(duì)象參數(shù)的變化，從而實(shí)現(xiàn)了定量水分控制的完全解耦[14]。大大提高了系統(tǒng)控制精度，提高了產(chǎn)品質(zhì)量，降低了能耗。實(shí)際運(yùn)行表明，該控制系統(tǒng)在被控對(duì)象內(nèi)部參數(shù)變化情況下，系統(tǒng)通過自學(xué)習(xí)、自調(diào)節(jié)、自適應(yīng)，使具有強(qiáng)藕合的被控系統(tǒng)實(shí)現(xiàn)了解藕，獲得了良好的控制效果，具有一定的應(yīng)用和推廣價(jià)值。

4 總結(jié)

神經(jīng)網(wǎng)絡(luò)控制是一種基本上不依賴于模型的控制方法，它比較適用于那些具有不確定性或高度非線性的控制對(duì)象，并且具有較強(qiáng)的自適應(yīng)和學(xué)習(xí)功能。

基于神經(jīng)網(wǎng)絡(luò)的定量水分控制系統(tǒng)具有良好的穩(wěn)定性、魯棒性及抗干擾性能。即使在模型失配或有不可測干擾存在時(shí)，也可實(shí)現(xiàn)無靜差控制；當(dāng)參數(shù)選取合理時(shí)，系統(tǒng)的控制性能更佳，實(shí)現(xiàn)更好的自動(dòng)化水平，優(yōu)化了質(zhì)量和產(chǎn)量，為生產(chǎn)中定量水分的穩(wěn)定起到了指導(dǎo)作用。

[1]鄭小霞，常易康，張志秀.論紙張定量水分控制的發(fā)展[J].湖北造紙，2002(3)21-22

[2]劉煥斌.制漿造紙過程自動(dòng)測量與控制[M].中國輕工業(yè)出版社，2008:172-183

[3]鄭輯光，施仁，王孟效.紙機(jī)先進(jìn)控制算法研究[J].西安交通大學(xué)學(xué)報(bào)，200l，32(12)1271

[4]沈國江，胡丹，孫優(yōu)賢.造紙過程定量水分神經(jīng)網(wǎng)絡(luò)建模和控制[J].中國造紙學(xué)報(bào)，2004，19(1)151-155

[5]Wang Qing-guo.Decoupling internal model con trol for multivariable systems with multiple time delays[J].Chemical Engineering Science， 2002，(57)115-124

[6]李明,林永君.自適應(yīng)神經(jīng)元非模型多變量系統(tǒng)解耦控制[J].計(jì)算機(jī)仿真學(xué)報(bào)，2003，(3)68-71

[7]陳蓓，田娜，姚培.基于單神經(jīng)元自適應(yīng)PID的水分定量內(nèi)模解耦控制[J].陜西科技大學(xué)學(xué)報(bào)，2008，26(3)91-94

[8]Cutler C R and Ramaker B L.Dynamic matrix control a computer control algorithm[A].Proc.Joint American Control Conf.[C],San Francisco,1980

[9]張玲,鄭恩讓.多變量DMC控制在水分定量中的應(yīng)用[J].自動(dòng)化與儀器儀表，2004(3)34-35

[10]Osuna E，F(xiàn)reund R，Girosi F.An improved training algorithm for support vector machinesb[C]//The IEEE NNSP'97 Amelia Island， FL， 1997：276-285

[11]Ojala T，Pietik覿inen M，M覿enp覿覿T.Multiresolution gray scale and rotation invariant texture classification with local binary patterns[J].IEEE Transactions on Pattern Analysis and Machine Intelligence， 2002， 24（7）：971-987

[12]Meinlschmidt P.Thermo graphic detection of defects in wood and wood based materials[C]//14th International Symposium of Nonestructive Testing of Wood，Hannover，Germany，2005;

[13]唐德翠,曾燕飛.改進(jìn)DRNN用于紙張水分定量解耦控制 [J].計(jì)算機(jī)工程與應(yīng)用，2009，45(23)：211-213

[14]周煒,胡慕伊.基于DRNN的紙機(jī)定量水分解耦控制仿真分析 [J].中國造紙學(xué)報(bào)，2010，25(1）：72-74

2012－9－9

國外采風(fēng)