張福沐， 劉端武， 胡躍明

(1.華南理工大學(xué) 自動(dòng)化科學(xué)與工程學(xué)院， 廣東 廣州 510640； 2.佛山市南海天富科技有限公司， 廣東 佛山 528222)

染色是織物生產(chǎn)過(guò)程中的重要環(huán)節(jié)，由于織物的用量巨大，在染色環(huán)節(jié)消耗的材料、能源和人力資源都較大[1]，對(duì)此生產(chǎn)環(huán)節(jié)進(jìn)行技術(shù)革新，可達(dá)到顯著的經(jīng)濟(jì)效益和社會(huì)效益。

助劑的定量配送是染色時(shí)的一個(gè)重要步驟，染廠助劑配送的方式主要有3種：第1種是手工稱量和手工配送；第2種是自動(dòng)稱量和手工配送；第3種是采用設(shè)備自動(dòng)計(jì)量和配送。隨著社會(huì)經(jīng)濟(jì)和技術(shù)的發(fā)展，第1種方式正在快速減少，第2種方式也在逐步減少，第3種方式逐漸成為主流配送方式。目前，國(guó)際上主要的助劑配送系統(tǒng)廠家有意大利的ColourServic公司、Lawer公司[2]和瑞士的Benninger公司，國(guó)內(nèi)也有很多公司生產(chǎn)助劑配送系統(tǒng)，國(guó)內(nèi)外的助劑配送系統(tǒng)均使用可編程邏輯控制器(PLC)控制，實(shí)現(xiàn)了自動(dòng)計(jì)量和自動(dòng)配送。

有些學(xué)者針對(duì)染色機(jī)助劑配送進(jìn)行了研究，例如：文獻(xiàn)[3]提出了一種基于變頻控制的多流量調(diào)節(jié)控制配送精度的方法，基于液體為標(biāo)準(zhǔn)液體，忽略了各種助劑的流動(dòng)性不同和各落料點(diǎn)管道阻力不同的影響；文獻(xiàn)[4]提出了一種用于助劑稱量的減小誤差學(xué)習(xí)方法，使用負(fù)反饋?zhàn)饔糜谙乱淮蔚挠?jì)量，這種方法同樣也忽略了不同助劑流動(dòng)性不一致的特征。為此，本文對(duì)影響助劑配送精度的多種因素進(jìn)行分析，采用多層神經(jīng)網(wǎng)絡(luò)模型擬合配送因素的影響，對(duì)配送時(shí)的預(yù)停值進(jìn)行預(yù)測(cè)，并對(duì)此進(jìn)行了實(shí)驗(yàn)驗(yàn)證，以期為提高助劑配送精度提供新思路。

1 系統(tǒng)描述與問(wèn)題提出

染色機(jī)助劑配送系統(tǒng)的結(jié)構(gòu)如圖1所示。助劑儲(chǔ)存罐1用于存儲(chǔ)待配送的助劑；助劑配送閥2是助劑配送的開(kāi)關(guān)；沖洗水閥3用于在助劑配送閥門關(guān)閉后，打開(kāi)水將殘留在管道內(nèi)的助劑沖到染色機(jī)料缸里；配送轉(zhuǎn)子泵4用于將助劑或水在管道內(nèi)向前推送；流量計(jì)5用于計(jì)量配送的助劑量和沖洗的水量；落料閥6用于控制助劑和水落到哪一臺(tái)染色機(jī)料缸；染色機(jī)料缸7為助劑配送的目標(biāo)料缸。

圖1 染色機(jī)助劑配送系統(tǒng)結(jié)構(gòu)圖Fig.1 Structure diagram of chemical distribution system of dyeing machine

助劑配送時(shí)，在轉(zhuǎn)子泵轉(zhuǎn)動(dòng)推力的作用下，助劑儲(chǔ)存罐中的助劑通過(guò)管道流到相應(yīng)的染色機(jī)料缸，助劑的流動(dòng)過(guò)程是：助劑儲(chǔ)存罐→管道→助劑配送閥→管道→轉(zhuǎn)子泵→管道→流量計(jì)→管道→落料閥→管道→染色機(jī)料缸。

在染色機(jī)助劑配送過(guò)程中，當(dāng)配送量到達(dá)，關(guān)閉閥門時(shí)，由于PLC掃描周期、繼電器動(dòng)作時(shí)間、電磁閥切換過(guò)程時(shí)間和配送閥門關(guān)閉過(guò)程時(shí)間的累加影響，從PLC發(fā)出關(guān)閉信號(hào)到閥門完全關(guān)閉，總共約有幾百毫秒的時(shí)間。圖2是在配送閥門關(guān)閉時(shí)刻開(kāi)始，管道內(nèi)流量與時(shí)間的關(guān)系圖。

圖2 關(guān)閉配送閥門時(shí)流量與時(shí)間的關(guān)系Fig.2 Relationship between flow rate and time when closing distribution valve

圖2中T1表示PLC的掃描、運(yùn)算和刷新輸出時(shí)間，為5～20 ms；T2表示繼電器的吸合時(shí)間，為5～10 ms；T3表示電磁閥閥芯換向時(shí)間，為10～50 ms；T4表示助劑配送閥關(guān)閉過(guò)程時(shí)間，為200～500 ms。從開(kāi)始關(guān)閉配送閥門至閥門完全關(guān)閉所流過(guò)流量計(jì)的體積為

(1)

式中：Q(t)為流量關(guān)于時(shí)間的函數(shù)；Vvolume為T1+T2+T3+T4時(shí)間段流過(guò)流量計(jì)的總體積[5]，mL。

管道內(nèi)液體流量與直徑、流速的關(guān)系為

(2)

式中：D為管道內(nèi)徑,cm；V(t)為流速關(guān)于時(shí)間的函數(shù)。

由于流量計(jì)在計(jì)量時(shí)容易受到瞬時(shí)干擾的作用，導(dǎo)致瞬時(shí)速度變化較大[6]。為了抑制瞬時(shí)干擾對(duì)計(jì)量的影響，流量計(jì)采用在一小段時(shí)間內(nèi)取流量平均值再輸出的算法，這使得在某一時(shí)刻流量計(jì)輸出的脈沖實(shí)際上是上一時(shí)間段至當(dāng)前時(shí)間的平均脈沖，導(dǎo)致PLC接收到的累積脈沖換算體積比實(shí)際流過(guò)計(jì)量值的體積值少。圖3示出流量計(jì)滯后輸出流量的曲線圖。

圖3 流量計(jì)滯后輸出流量的曲線圖Fig.3 Graph of delay output flow of flowmeter

如圖3所示，實(shí)際流過(guò)流量計(jì)的流量曲線與流量計(jì)滯后輸出的流量曲線之間差了一個(gè)滯后時(shí)間長(zhǎng)度T0，因此，開(kāi)始關(guān)閉配送閥門至計(jì)量結(jié)束接收到的流量計(jì)所發(fā)出的總體積，是將式(2)代入式(1),再加上T0時(shí)間的體積，得到式(3)：

(3)

式中：T0為時(shí)間長(zhǎng)度，等于流量計(jì)在一小段時(shí)間內(nèi)取流量平均值再輸出的時(shí)間長(zhǎng)度，ms；Vtotal為關(guān)閉配送閥門后PLC系統(tǒng)統(tǒng)計(jì)的實(shí)時(shí)累積流量，mL；在配送過(guò)程中，Vtotal比Vvolume總是多了T0時(shí)間段的累積流量。

在PLC系統(tǒng)檢測(cè)到符合關(guān)閉配送閥門的條件至計(jì)量結(jié)束這段時(shí)間內(nèi)，不同助劑的黏度和流動(dòng)性、不同落料口的配送管道長(zhǎng)度、配送泵的運(yùn)行頻率大小等因素影響流速V(t)；PLC掃描周期影響T1、繼電器吸合時(shí)間影響T2、電磁閥動(dòng)作時(shí)間影響T3、壓縮氣的壓強(qiáng)、配送閥軸向摩擦力等因素影響T4，從式(3)看，這些因素都會(huì)導(dǎo)致配送閥門關(guān)閉時(shí)流經(jīng)閥門的助劑的體積Vtotal發(fā)生變化，綜合影響著助劑系統(tǒng)的配送精度。

當(dāng)配送完一種助劑時(shí)，系統(tǒng)送出少量的水沖洗流量計(jì)和管道，但是沖洗的水量不大，因?yàn)槿旧珯C(jī)料缸的容積不大，無(wú)法容納大量的水，并且過(guò)多的水會(huì)導(dǎo)致料缸里的助劑濃度降低。這種多種助劑共用流量計(jì)配送的方式，不同助劑的黏度和電導(dǎo)率差異很大，在用少量水沖洗管道內(nèi)的助劑后，還有少量上一次的助劑殘留在管道、管道接頭和流量計(jì)內(nèi)壁。若接下來(lái)配送的助劑電導(dǎo)率與上一種助劑的電導(dǎo)率相差較大，流量計(jì)在計(jì)量時(shí)瞬時(shí)流速會(huì)跳動(dòng)比較大，通過(guò)流速來(lái)評(píng)估預(yù)停值的偏差會(huì)比較大。

助劑配送系統(tǒng)受助劑黏度、流動(dòng)性、管道阻力、配送泵頻率、配送閥關(guān)閉時(shí)間、PLC掃描周期、繼電器吸合時(shí)間、電磁閥動(dòng)作時(shí)間等多種因素的影響，是一種大慣性和強(qiáng)滯后系統(tǒng)。如果要實(shí)現(xiàn)高效配送，需加大流量Q(t)，則需要加大管道直徑或者加大流速V(t)；如果要實(shí)現(xiàn)高精度配送，需減小流量Q(t)，則需要減小管道直徑或降低流速V(t)。在同一條配送支路里，管道的直徑是固定的，無(wú)法變大和變小，只能是調(diào)整配送速度，如果要提高效率，則需要加大配送速度，但會(huì)導(dǎo)致配送精度下降。要實(shí)現(xiàn)助劑的高效、高精度配送，牽涉的條件很多，是一個(gè)非確定性多項(xiàng)式難解問(wèn)題。

目前，助劑配送的精度控制需要技術(shù)人員多次進(jìn)行配送測(cè)試，根據(jù)測(cè)試值調(diào)節(jié)助劑配送的預(yù)停值。由于助劑配送系統(tǒng)通常包含幾十種助劑和幾十臺(tái)染缸，如果將這些條件一對(duì)一組合，將會(huì)有幾千種，根據(jù)這些組合進(jìn)行配送測(cè)試和調(diào)節(jié)配送預(yù)停值的工作量非常大；再者，系統(tǒng)配送的助劑有些是強(qiáng)酸、強(qiáng)堿或高腐蝕性溶液，調(diào)試時(shí)如果直接排掉，對(duì)環(huán)境造成非常大的危害；如果用容器裝起來(lái)倒回儲(chǔ)存罐，轉(zhuǎn)運(yùn)和清理過(guò)程容易沾到操作者的皮膚，對(duì)人體造成傷害。當(dāng)前，染色機(jī)助劑配送系統(tǒng)調(diào)試時(shí)，通常的做法是用水做配送精度測(cè)試，根據(jù)不同的配送支路，設(shè)置不同的預(yù)停值，測(cè)試時(shí)直接把水排掉。這種簡(jiǎn)化的設(shè)置方法雖然可執(zhí)行性較好，但是沒(méi)有考慮助劑品種、落料點(diǎn)、配送泵的運(yùn)行頻率、壓縮氣壓強(qiáng)等因素的影響，因而實(shí)際運(yùn)行時(shí)配送精度較差。為了保證實(shí)際配送量達(dá)到定單所需的配送量，常常把預(yù)停值調(diào)到偏小，因而實(shí)際配送時(shí)一般實(shí)送量偏多，造成浪費(fèi)，多余的助劑在染色時(shí)不能充分利用，染色完成后排到排污管，增加了污水處理的負(fù)擔(dān)。基于目前存在的這些問(wèn)題，急需研究一種更高精度、更智能化的染色機(jī)助劑配送系統(tǒng)。

2 解決方案的提出

針對(duì)助劑配送的誤差問(wèn)題，提取1 000次染色機(jī)助劑配送系統(tǒng)的配送數(shù)據(jù)進(jìn)行分析。

助劑編號(hào)與配送誤差的關(guān)系如圖4所示?？梢钥闯?，不同助劑在配送時(shí)的誤差有一定的規(guī)律，它們的誤差分布中心是不同的，助劑編號(hào)是影響配送誤差的一個(gè)因素。

圖4 助劑編號(hào)與配送誤差的關(guān)系圖Fig.4 Relationship between chemicals ID and distribution error

落料口編號(hào)與配送誤差的關(guān)系如圖5所示?？梢钥闯?，不同落料口的配送誤差的分布中心不同，離散度也不一樣，具有較強(qiáng)的規(guī)律性，落料編號(hào)是影響配送誤差的一個(gè)重要因素。

圖5 落料口編號(hào)與配送誤差的關(guān)系圖Fig.5 Relationship between tank ID and distribution error

配送量與配送誤差的關(guān)系如圖6所示。可以看出，不同配送量在配送時(shí)的誤差有一定的規(guī)律，配送量越多，配送誤差越穩(wěn)定，配送量也是影響配送誤差的一個(gè)因素。

圖6 配送量與配送誤差的關(guān)系圖Fig.6 Relationship between volume and distribution error

根據(jù)配送記錄的數(shù)據(jù)分析，配送的條件會(huì)影響配送誤差，但是因?yàn)榕渌蜅l件較多，配送條件之間相互影響配送精度的數(shù)學(xué)模型不易建立。神經(jīng)網(wǎng)絡(luò)對(duì)非線性問(wèn)題具有較好的解決能力[7]，多層全連接神經(jīng)網(wǎng)絡(luò)通過(guò)組合低層特征形成抽象的高層標(biāo)識(shí)屬性類別[8]，具有較好的回歸和擬合能力[9]，加上激活函數(shù)給神經(jīng)元添加非線性因子[10]，可以使用多層全連接神經(jīng)網(wǎng)絡(luò)去擬合配送誤差模型，計(jì)算權(quán)重和偏置[11]，得到配送預(yù)停值的預(yù)測(cè)模型，再根據(jù)模型計(jì)算每1次配送時(shí)的預(yù)停值，達(dá)到減少配送誤差的目的。

3 染色機(jī)助劑智能配送系統(tǒng)設(shè)計(jì)

為克服現(xiàn)有技術(shù)存在的缺陷與不足，本文提出一種染色機(jī)助劑智能配送系統(tǒng)及精度調(diào)節(jié)方法，從配送的歷史記錄數(shù)據(jù)中學(xué)習(xí)，通過(guò)多層全連接神經(jīng)網(wǎng)絡(luò)，訓(xùn)練推薦預(yù)停值和預(yù)計(jì)用時(shí)的預(yù)測(cè)模型，得到優(yōu)化的控制策略。

3.1 控制流程設(shè)計(jì)

助劑配送系統(tǒng)的控制流程設(shè)計(jì)如下：

步驟1：上位機(jī)智能PC系統(tǒng)通過(guò)以太網(wǎng)通信獲得企業(yè)資源計(jì)劃(ERP)系統(tǒng)的配送定單數(shù)據(jù)和染色機(jī)中控的配送指令，將配送定單發(fā)送給現(xiàn)場(chǎng)PLC控制系統(tǒng)，配送定單里的信息包含助劑編號(hào)、染缸號(hào)和配送量等。

步驟2：PLC在收到這些數(shù)據(jù)后，根據(jù)助劑編號(hào)，打開(kāi)相應(yīng)的助劑配送閥，根據(jù)染色機(jī)料缸號(hào)打開(kāi)相應(yīng)的落料閥，同時(shí)啟動(dòng)變頻器，控制轉(zhuǎn)子泵電動(dòng)機(jī)的轉(zhuǎn)動(dòng)。

步驟3：在助劑配送過(guò)程中，轉(zhuǎn)子泵的變頻器頻率增加，直至達(dá)到設(shè)定值；當(dāng)實(shí)際配送量接近目標(biāo)配送量時(shí)，變頻器頻率降低，穩(wěn)定一小段時(shí)間后，PLC將當(dāng)前變頻器的頻率、壓縮空氣氣壓值發(fā)送給上位機(jī)智能PC系統(tǒng)。

步驟4：上位機(jī)智能PC系統(tǒng)將助劑編號(hào)、落料口(落料閥)編號(hào)、壓縮空氣氣壓值、變頻器頻率、定單的配送量代入神經(jīng)網(wǎng)絡(luò)模型計(jì)算得到推薦預(yù)停值和預(yù)計(jì)用時(shí)，并將其發(fā)給PLC。

步驟5：PLC將本身的設(shè)置預(yù)停值和推薦預(yù)停值按一定的比例計(jì)算出最終預(yù)停值，在每個(gè)掃描周期將定單的配送量減去流量計(jì)的計(jì)量值，得到剩余配送量；當(dāng)剩余配送量≤最終預(yù)停值時(shí)，PLC立刻關(guān)閉配送閥，同時(shí)關(guān)閉落料閥和轉(zhuǎn)子泵電機(jī)，由于閥門關(guān)閉過(guò)程需要幾百毫秒的時(shí)間，在這幾百毫秒內(nèi)流量計(jì)仍然在計(jì)量，助劑流到染色機(jī)料缸的量約等于最終預(yù)停值。

步驟6：PLC將預(yù)測(cè)用時(shí)乘以設(shè)定的比例，得到本次助劑配送允許的最長(zhǎng)時(shí)限，在每個(gè)掃描周期將實(shí)際用時(shí)減去最長(zhǎng)時(shí)限，當(dāng)?shù)玫降臄?shù)據(jù)≥0時(shí)，立即發(fā)出聲光報(bào)警信息，提示人員檢查原因和處理故障。

3.2 可變比例控制策略

在助劑配送時(shí)，上位機(jī)智能PC系統(tǒng)將當(dāng)前的助劑配送數(shù)據(jù)代入推薦預(yù)停值的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型中計(jì)算，得到推薦預(yù)停值o1；現(xiàn)場(chǎng)PLC控制系統(tǒng)將基于測(cè)試經(jīng)驗(yàn)值設(shè)置的預(yù)停值o2，按比例加上推薦預(yù)停值o1，計(jì)算得到最終預(yù)停值o，此可變比例控制策略的計(jì)算公式設(shè)計(jì)為

o=Ko1+(1-K)o20≤K≤1

(4)

在項(xiàng)目實(shí)施的初期，K取一個(gè)很小的值，可變比例控制策略中起主要作用的是基于經(jīng)驗(yàn)值設(shè)置的控制方式，使系統(tǒng)不會(huì)因?yàn)榫W(wǎng)絡(luò)參數(shù)不優(yōu)的原因?qū)е屡渌驼`差大，避免災(zāi)難性事件的發(fā)生；隨著運(yùn)行收集到的數(shù)據(jù)量的逐步增多，可對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行多次訓(xùn)練，網(wǎng)絡(luò)模型參數(shù)越來(lái)越接近最優(yōu)狀態(tài)，K值逐步提高，上位機(jī)智能系統(tǒng)對(duì)綜合決策的影響就越來(lái)越大，當(dāng)網(wǎng)絡(luò)訓(xùn)練到最優(yōu)狀態(tài)時(shí)，K等于1，可變比例控制策略完全由上位機(jī)智能PC系統(tǒng)決定。

每次助劑配送時(shí)可變比例的K值由預(yù)設(shè)值決定。采用可變比例控制最終預(yù)停值的最大優(yōu)點(diǎn)是可以對(duì)新添加的助劑種類和新增加的染缸實(shí)現(xiàn)最快的導(dǎo)入。如果沒(méi)有可變比例控制策略，每次增加助劑或者增加染缸，原來(lái)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型不能適用，需要從頭開(kāi)始重新采集大量的配送數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)模型訓(xùn)練，耽誤時(shí)間。采用可變比例控制策略后，不需要重新訓(xùn)練整個(gè)網(wǎng)絡(luò)模型，可以針對(duì)配送中有新助劑或者新落料口的定單的K值取一個(gè)較小的值，隨著這些新助劑和新落料口的訓(xùn)練次數(shù)逐步增多，再相應(yīng)地增加K值。當(dāng)觀察到推薦預(yù)停值連續(xù)優(yōu)于設(shè)置預(yù)停值時(shí)，再將K值取為1。這種可變比例控制策略，在不影響整體控制策略的情況下完成新助劑或者新染缸的導(dǎo)入，可以較好地適應(yīng)工廠擴(kuò)產(chǎn)和擴(kuò)品種的需求。

3.3 全連接神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)

預(yù)停值和預(yù)計(jì)用時(shí)的全連接神經(jīng)網(wǎng)絡(luò)采用多層結(jié)構(gòu)，如圖7所示，分為3大部分。第1部分為預(yù)停值和預(yù)計(jì)用時(shí)模型共享部分，包括：第1層輸入層、第2層隱藏層1，其神經(jīng)元個(gè)數(shù)為128，預(yù)停值和預(yù)計(jì)用時(shí)共享此層。第2部分為預(yù)停值獨(dú)有模型部分，包括：第3層隱藏層2，神經(jīng)元個(gè)數(shù)為256；第4層隱藏層3，神經(jīng)元個(gè)數(shù)為128；第5層隱藏層4，神經(jīng)元個(gè)數(shù)為64；第6層預(yù)停值輸出層1。第3部分為預(yù)計(jì)用時(shí)獨(dú)有模型部分，包括：第7層隱藏層5，神經(jīng)元個(gè)數(shù)為256；第8層隱藏層6，神經(jīng)元個(gè)數(shù)為128；第9層隱藏層7，神經(jīng)元個(gè)數(shù)為64；第10層預(yù)計(jì)用時(shí)輸出層2。

圖7 預(yù)停值和預(yù)計(jì)用時(shí)的全連接神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.7 Fully connected neural network structure of pre-stop value and predict time

設(shè)計(jì)的預(yù)停值和預(yù)計(jì)用時(shí)全連接神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)均為：定單的目標(biāo)配送量、助劑編號(hào)、落料口編號(hào)、壓縮空氣氣壓值和變頻器頻率。

全連接神經(jīng)網(wǎng)絡(luò)模型[12]每層的計(jì)算公式設(shè)計(jì)為

(5)

式中：i為本層的第幾個(gè)神經(jīng)元；j為對(duì)應(yīng)本層的上一層的第幾個(gè)輸出；m為上一層的神經(jīng)元個(gè)數(shù)；n表示第幾層神經(jīng)層；y為輸出；x為輸入；θ為本層的權(quán)重值；b為本層的偏置值；f為本層的激活函數(shù)。

每一層的輸出作為下一層的輸入，即：

xn+1=yn

(6)

模型訓(xùn)練完成后，用于推薦預(yù)停值的預(yù)測(cè)時(shí)，最后一層的輸出即為推薦預(yù)停值，即：

o1=y

(7)

預(yù)停值全連接神經(jīng)網(wǎng)絡(luò)模型的代價(jià)函數(shù)公式設(shè)計(jì)為

(8)

式中：C為代價(jià)；L為樣本總數(shù)；S為樣本序號(hào)；v1為定單的目標(biāo)配送量，g；v2為實(shí)際配送量，g；z為實(shí)際預(yù)停值，g。

預(yù)計(jì)用時(shí)全連接神經(jīng)網(wǎng)絡(luò)模型的代價(jià)函數(shù)公式設(shè)計(jì)為

(9)

式中：t1為助劑配送開(kāi)始時(shí)間，s；t2為助劑配送結(jié)束時(shí)間，s。

(10)

式中：θ為θij的矩陣；X為xij的矩陣。

4 工程實(shí)踐

4.1 工程化分析

以上關(guān)于智能助劑配送系統(tǒng)的設(shè)計(jì)是基于理論上的設(shè)計(jì)，要使其能在實(shí)際的工程中落地，需要根據(jù)具體的工程進(jìn)行分析和處理。

每套助劑配送系統(tǒng)中配送閥門數(shù)量很多，由于成本的原因，無(wú)法在每個(gè)配送閥關(guān)閉的氣路中安裝壓縮空氣氣壓計(jì)，因而在整套系統(tǒng)的總進(jìn)氣處安裝了一個(gè)公用的壓縮空氣氣壓計(jì)，由于此氣壓計(jì)在進(jìn)氣組件的減壓閥后面，在使用過(guò)程中一般將減壓后的壓強(qiáng)調(diào)到0.5 MPa，由于助劑配送時(shí)同時(shí)打開(kāi)的閥門數(shù)量很少，所以此氣壓值穩(wěn)定，在運(yùn)行時(shí)幾乎不變，其參與神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練的意義不大，因而將壓縮空氣氣壓值這個(gè)輸入項(xiàng)簡(jiǎn)化去除。

在助劑配送的開(kāi)始階段，變頻器的頻率逐步上升到設(shè)定的高速值，當(dāng)剩余配送量小于設(shè)定的值(如2 kg)時(shí)，為了控制配送精度，PLC系統(tǒng)將變頻器的頻率下降至10 Hz，進(jìn)行低速配送，當(dāng)剩余配送量小于預(yù)停值準(zhǔn)備關(guān)閉配送閥時(shí)，配送泵的頻率是固定的10 Hz，因而變頻器頻率這個(gè)輸入項(xiàng)也可以簡(jiǎn)化去除。

通常在一臺(tái)助劑配送設(shè)備中有一套PLC控制系統(tǒng)，一般控制著包含如圖1所示的3組系統(tǒng)，由于每組的助劑配送閥、配送泵、流量計(jì)和管道不一樣，因而它們的配送特性不一樣，與預(yù)停值和預(yù)計(jì)用時(shí)關(guān)連性比較大，因而配送組號(hào)也作為全連接神經(jīng)網(wǎng)絡(luò)的一個(gè)輸入項(xiàng)參與訓(xùn)練和預(yù)測(cè)。

通過(guò)如上分析和排除，工程實(shí)踐時(shí)全連接神經(jīng)網(wǎng)絡(luò)的輸入為4個(gè)，分別是組編號(hào)、助劑編號(hào)、落料口編號(hào)、定單配送量。

染廠在使用助劑時(shí)，一般是以質(zhì)量為單位進(jìn)行計(jì)算，但是流量計(jì)測(cè)量的是體積，輸出的是脈沖，在配送時(shí)，PLC計(jì)量已配送助劑質(zhì)量的計(jì)算公式為

M=Nδρ

(11)

式中：M為已配送助劑的質(zhì)量，g；N為PLC接收到的流量計(jì)的脈沖數(shù)；δ為脈沖當(dāng)量；ρ為助劑的密度，g/mL。

4.2 全連接神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練

在深度學(xué)習(xí)平臺(tái)TensorFow2.0中搭建上述多層全連接神經(jīng)網(wǎng)絡(luò)，輸入配送記錄數(shù)據(jù)進(jìn)行訓(xùn)練，此軟件運(yùn)用梯度反向傳遞法則計(jì)算出每層的θij和bi，這些θij、bi和網(wǎng)絡(luò)結(jié)構(gòu)組成訓(xùn)練好的網(wǎng)絡(luò)模型，用于推薦預(yù)停值和預(yù)計(jì)用時(shí)的計(jì)算。

訓(xùn)練數(shù)據(jù)是從設(shè)計(jì)的助劑配送系統(tǒng)在染廠運(yùn)行40 d得到的實(shí)際配送數(shù)據(jù)，共13 000條配送記錄數(shù)據(jù)，用于本次的訓(xùn)練。訓(xùn)練步驟如下：

步驟1：數(shù)據(jù)清洗。1)檢查是否存在空數(shù)據(jù)，對(duì)空數(shù)據(jù)進(jìn)行整條清除；2)查找配送誤差異常時(shí)的數(shù)據(jù)，比如配送誤差超300 g或者為負(fù)值(預(yù)停值為0，關(guān)閉閥門過(guò)程一定會(huì)有部分助劑流過(guò)閥門)，超300 g的情況一般為閥門內(nèi)有異物，沒(méi)有完全關(guān)閉，為硬件問(wèn)題，需要剔除此條數(shù)據(jù)；負(fù)值為流量計(jì)異常，也需要剔除。3)查找配送用時(shí)異常的數(shù)據(jù)，比如配送量除以時(shí)間超過(guò)平均值50%的數(shù)據(jù)，一般是在配送時(shí)出現(xiàn)硬件問(wèn)題或者人工按了暫停鍵所導(dǎo)致配送用時(shí)特別長(zhǎng)，此類數(shù)據(jù)需要整條剔除。

步驟2：將數(shù)據(jù)集切割成2個(gè)數(shù)據(jù)集，其中80%為訓(xùn)練數(shù)據(jù)集，20%為校驗(yàn)數(shù)據(jù)集。

步驟3：對(duì)訓(xùn)練數(shù)據(jù)集求平均值和樣本標(biāo)準(zhǔn)差，計(jì)算公式如下：

(12)

(13)

步驟4：將訓(xùn)練數(shù)據(jù)集和校驗(yàn)數(shù)據(jù)集進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化，標(biāo)準(zhǔn)化公式如下：

(14)

(15)

步驟5：設(shè)置訓(xùn)練參數(shù)，批的大小設(shè)定為1 024，7個(gè)隱藏層的激活函數(shù)均使用Relu函數(shù)，用Adam算法作為梯度下降的損失函數(shù)優(yōu)化器。根據(jù)校驗(yàn)集的損失值改善情況降低學(xué)習(xí)率，每經(jīng)過(guò)5個(gè)輪次(epochs)訓(xùn)練，若模型效果不再提升，就縮小學(xué)習(xí)率進(jìn)行訓(xùn)練，其中設(shè)置值為：學(xué)習(xí)率調(diào)整倍數(shù)為0.8，最小學(xué)習(xí)率為0.000 000 01，輪次為200。

步驟6：對(duì)模型進(jìn)行訓(xùn)練，在每個(gè)epoch輸出訓(xùn)練數(shù)據(jù)和校驗(yàn)數(shù)據(jù)的損失值(Loss)和平均絕對(duì)誤差(MAE)，得到第200次epoch訓(xùn)練結(jié)果，如表1所示。

表1 模型訓(xùn)練結(jié)果對(duì)比表Tab.1 Comparison of model training results

采用圖型化表示訓(xùn)練過(guò)程的Loss值和MAE值隨訓(xùn)練輪數(shù)變化的曲線，預(yù)停值的Loss值和MAE值的訓(xùn)練結(jié)果曲線如圖8所示，預(yù)計(jì)用時(shí)的Loss值和MAE值訓(xùn)練結(jié)果曲線如圖9所示，均能夠快速收斂到一個(gè)較小的值，說(shuō)明模型起到了較好的擬合效果。

圖8 預(yù)停值與訓(xùn)練輪數(shù)曲線圖Fig.8 Curves of pre-stop value and training epochs. (a) Loss curves of pre-stop value；(b) MAE curves of pre-stop value

圖9 預(yù)計(jì)用時(shí)與訓(xùn)練輪數(shù)曲線圖Fig.9 Curves of predict time and training epochs. (a) Loss curves of predict time value；(b) MAE curves of predict time value

4.3 神經(jīng)網(wǎng)絡(luò)模型應(yīng)用

在助劑配送系統(tǒng)的PC機(jī)上安裝Python和Tensorflow2.0，運(yùn)行預(yù)測(cè)網(wǎng)絡(luò)模型，通過(guò)csv文件來(lái)實(shí)現(xiàn)配送數(shù)據(jù)的輸入和神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)數(shù)據(jù)的輸出。助劑配送系統(tǒng)的上位機(jī)軟件用C#語(yǔ)言編寫，它將需要預(yù)測(cè)的數(shù)據(jù)寫入到csv文件中，從模型預(yù)測(cè)輸出的csv文件中讀取預(yù)測(cè)結(jié)果數(shù)據(jù)。

步驟1：在助劑配送定單啟動(dòng)時(shí)，PLC啟動(dòng)配送過(guò)程計(jì)時(shí)器，上位機(jī)軟件將配送數(shù)據(jù)寫入到csv格式的輸入數(shù)據(jù)中。

步驟3：預(yù)測(cè)程序?qū)?biāo)準(zhǔn)化的數(shù)據(jù)代入預(yù)測(cè)模型中進(jìn)行計(jì)算，得到推薦預(yù)停值和預(yù)計(jì)用時(shí)，將這2個(gè)值寫入到模型預(yù)測(cè)輸出的csv文件中。

步驟4：上位機(jī)軟件從模型輸出的csv文件中讀取推薦預(yù)停值和預(yù)計(jì)用時(shí)，通過(guò)OPC通信方式將這2個(gè)值寫入到PLC系統(tǒng)的指定寄存器里。

步驟5：PLC系統(tǒng)計(jì)算最終預(yù)停值，使用最終預(yù)停值與剩余配送量的對(duì)比關(guān)系決定配送停止時(shí)機(jī)；PLC系統(tǒng)將預(yù)計(jì)用時(shí)乘以150%作為配送過(guò)程的最大時(shí)間限制值，若配送時(shí)間超出此值，PLC系統(tǒng)停止配送，發(fā)出聲光報(bào)警，并在現(xiàn)場(chǎng)HMI上面顯示報(bào)警信息，提示人員檢查故障原因。

為了使預(yù)測(cè)系統(tǒng)不會(huì)因?yàn)橐馔庠虺鲥e(cuò)導(dǎo)致助劑智能配送系統(tǒng)停機(jī)，使用try語(yǔ)句對(duì)可能出現(xiàn)報(bào)錯(cuò)停止的地方進(jìn)行恢復(fù)處理，確保系統(tǒng)的穩(wěn)定運(yùn)行。

4.4 工程實(shí)踐結(jié)果

使用4種預(yù)停值模式在染色機(jī)助劑配送系統(tǒng)上各執(zhí)行1 000次配送任務(wù)，其中各模式預(yù)停值設(shè)置的區(qū)別如下。

模式1：預(yù)停值設(shè)置為0。

模式2：對(duì)7個(gè)配送支路分別進(jìn)行配送測(cè)試，使用測(cè)試經(jīng)驗(yàn)值設(shè)置各個(gè)配送支路的預(yù)停值。

模式3：使用13 000條配送記錄進(jìn)行第1次神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練，使用第1次訓(xùn)練得到的全連接神經(jīng)網(wǎng)絡(luò)模型計(jì)算每次助劑配送的推薦預(yù)停值o1；采用可變比例控制策略的計(jì)算方式，按K=0.5將基于測(cè)試經(jīng)驗(yàn)值設(shè)置的預(yù)停值o2，按比例加上推薦預(yù)停值o1，計(jì)算得到最終預(yù)停值o。

模式4：使用18 000條配送記錄進(jìn)行第2次神經(jīng)網(wǎng)絡(luò)訓(xùn)練，使用第2次訓(xùn)練得到的全連接神經(jīng)網(wǎng)絡(luò)模型計(jì)算每一次助劑配送的推薦預(yù)停值o1；按K=1計(jì)算o，此時(shí)o等于o1，最終預(yù)停值完全由神經(jīng)網(wǎng)絡(luò)的輸出決定。

此4種模式下配送助劑得到的助劑配送誤差與配送次數(shù)的分布圖如圖10所示。

圖10 模式1～模式4助劑配送誤差對(duì)比圖Fig.10 Graph of distribution error and distribution times of mode1 to mode 4

從圖10可以看出：在沒(méi)有設(shè)置預(yù)停值時(shí)，配送誤差最大，離散度也最大；采用測(cè)試經(jīng)驗(yàn)值模式時(shí)配送誤差下降了一些，離散度略有下降；采用神經(jīng)網(wǎng)絡(luò)和測(cè)試經(jīng)驗(yàn)值綜合決策模式時(shí)配送誤差再次下降，離散度也再次下降；完全采用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)預(yù)停值的結(jié)果是最優(yōu)的，配送誤差最小，離散度也最小。

表2示出4種模式各配送1 000次的配送誤差結(jié)果對(duì)比。可以看到配送誤差的方差、標(biāo)準(zhǔn)差和平均絕對(duì)誤差均從模式1～模式4逐步降低，模式4的標(biāo)準(zhǔn)差為23.8 g，平均絕對(duì)誤差為16.1 g；模式2的標(biāo)準(zhǔn)差為30.1 g，平均絕對(duì)誤差為61.4 g?？梢?jiàn)，模式4取得了較好的控制效果。

表2 4種模式配送誤差結(jié)果對(duì)比Tab.2 Comparison of distribution error results of four modes

模式4配送方式執(zhí)行1 000次配送的配送實(shí)際用時(shí)、預(yù)計(jì)用時(shí)與配送次數(shù)的關(guān)系如圖11所示，除其中有1次配送實(shí)際用時(shí)特別長(zhǎng)外，其余999次實(shí)際用時(shí)都在120 s以內(nèi)，且與預(yù)計(jì)用時(shí)都比較接近。

圖11 配送實(shí)際用時(shí)、預(yù)計(jì)用時(shí)與配送次數(shù)圖Fig.11 Graph of actual time, predict time and distribution times

使用模式4配送方式執(zhí)行1 000次配送，配送實(shí)際用時(shí)與預(yù)計(jì)用時(shí)之間的誤差數(shù)據(jù)統(tǒng)計(jì)如表3所示，包含第253次配送時(shí)的硬件異常引起的超時(shí)(用時(shí)758 s)，標(biāo)準(zhǔn)差為23.5 s，平均絕對(duì)誤差為1.8 s；若將第253次的異常配送記錄剔除，對(duì)余下的999次配送記錄做統(tǒng)計(jì)，則得到的標(biāo)準(zhǔn)差為1.6 s，平均絕對(duì)誤差為1.0 s，標(biāo)準(zhǔn)差和平均絕對(duì)誤差都比較小，說(shuō)明助劑配送的預(yù)計(jì)用時(shí)接近實(shí)際用時(shí)，預(yù)計(jì)用時(shí)模型起到了較好的預(yù)測(cè)效果。

表3 配送實(shí)際用時(shí)與預(yù)計(jì)用時(shí)的誤差結(jié)果對(duì)比Tab.3 Error statistics between actual and predict distribution time

在模式4實(shí)驗(yàn)時(shí)，啟用了根據(jù)預(yù)計(jì)用時(shí)監(jiān)控實(shí)際配送過(guò)程是否超時(shí)的功能，設(shè)置成當(dāng)實(shí)際配送用時(shí)超過(guò)預(yù)計(jì)用時(shí)的150%時(shí)，系統(tǒng)發(fā)出報(bào)警。在第253次配送時(shí)，由于硬件異常導(dǎo)致閥門沒(méi)有打開(kāi)，無(wú)法配送助劑，當(dāng)系統(tǒng)檢測(cè)到配送用時(shí)超過(guò)預(yù)計(jì)用時(shí)的150%時(shí)，立即發(fā)出聲光報(bào)警，提醒人員檢查設(shè)備故障。采用神經(jīng)網(wǎng)絡(luò)計(jì)算配送預(yù)計(jì)用時(shí)，可以較快發(fā)現(xiàn)設(shè)備故障，提高設(shè)備的利用率。

5 結(jié) 論

本文所設(shè)計(jì)的染色機(jī)助劑智能配送系統(tǒng)，使用全連接神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)助劑配送的預(yù)停值，比基于測(cè)試經(jīng)驗(yàn)得到的預(yù)停值更準(zhǔn)確，能得到比較好的配送精度，達(dá)到減少助劑用量和提高產(chǎn)品質(zhì)量穩(wěn)定性的技術(shù)效果；使用全連接神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)助劑配送所需的時(shí)間長(zhǎng)度，進(jìn)行配送過(guò)程動(dòng)態(tài)監(jiān)測(cè)，解決了助劑配送過(guò)程時(shí)間跨度過(guò)大難以監(jiān)控的技術(shù)問(wèn)題，實(shí)現(xiàn)對(duì)每個(gè)定單的助劑配送過(guò)程執(zhí)行超時(shí)監(jiān)測(cè)和報(bào)警的功能。此新型助劑智能配送系統(tǒng)達(dá)到了節(jié)約助劑、減少排放、保護(hù)環(huán)境、提高配送精度的效果，具有一定的社會(huì)價(jià)值和經(jīng)濟(jì)價(jià)值。本文研究對(duì)于采用類似配送工藝的鹽堿配送系統(tǒng)或母液配送系統(tǒng)也具有一定的參考價(jià)值。