基于神經網絡的定量水分智能控制

謝清萍 程棟

（1.中國制漿造紙研究院，北京，100102；2.天津科技大學天津市制漿造紙重點實驗室，天津，300457）

基于神經網絡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.天津科技大學天津市制漿造紙重點實驗室，天津，300457）

定量水分過程是一個有大滯后、大慣性、強非線性、時變以及多變量耦合的多輸入、多輸出的系統(tǒng)過程?；谏窠浘W絡的智能控制是指只由神經網絡單獨控制或由神經網絡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網絡的三種不同的定量水分智能控制系統(tǒng)。神經網絡有非線性映射能力強、能夠學習和適應不確定性系統(tǒng)的動態(tài)特性，有效處理多輸入多輸出系統(tǒng)等優(yōu)點。

定量水分 神經網絡 單神經元 DMC DRNN

1 引言

紙機是造紙生產過程中十分重要的一環(huán)，該工序決定著紙頁最終的產量和質量，且該過程自動化程度最高，所以一直是造紙生產過程中控制的關鍵。定量（每平方米紙的質量）和水分（每平方米紙的含水量）是制漿造紙工業(yè)中決定最終成紙質量的兩個關鍵性因素。實現對它們的嚴格控制，能顯著提高產品質量，穩(wěn)定生產，增加產量，降低能源和原料消耗，獲得明顯的經濟效益[1]。

2 定量和水分過程的特征分析

圖1 造紙工藝流程簡圖

根據圖1工藝流程及物料平衡的關系進行分析可知，單位時間內紙張的絕干量等于上網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紙漿的濃度、紙漿的流量和車速。但是，在紙機正常運轉的情況下，車速比較穩(wěn)定，高位箱到網部各個環(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。正常運轉情況下，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很大而造成水分有較大變化。因此，蒸汽壓力波動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有大時滯、強藕合、非線性、多干擾的多輸入、多輸出的藕合時變系統(tǒng)過程。

3 基于神經網絡的定量水分控制方法

紙機的定量水分控制屬于多輸人多輸出對象，常用的控制算法有經典的PID控制算法、改進的Smith預估控制算法、動態(tài)矩陣控制算法、廣義預測控制算法等。PID控制不需要對象精確的數學模型，參數整定容易，但由于其采樣周期較長(一般取為:純滯后+2倍慣性時間常數)，因而調節(jié)過程非常緩慢，擾動抑制能力較差。其他3種控制方法都是基于模型的控制算法，具有典型的內模控制結構，調節(jié)過程較快，具有較強的擾動抑制能力和魯棒性。但由于造紙過程是一個典型的大滯后、大慣性、強非線性、時變以及多變量耦合的過程，難以確定模型結構和參數辨識，因此這些控制方法應用效果也不是十分的理想。

神經網絡主要是利用工程技術手段來模擬人腦神經網絡的結構和功能。基于神經網絡的智能控制是指只由神經網絡單獨控制或由神經網絡同其他控制方式相融合的控制的統(tǒng)稱。

整個造紙過程是一個非常復雜的傳熱、過程，影響因素很多，因此其數學模型具有強非線性，只是其線性后的簡化形式。同時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的辨識帶來了一定的困難。一種好的建模方法必須具有自學習功能，能夠自動地適應造紙過程狀況的動態(tài)改變。人工神經網絡技術是較好的方法之一。與傳統(tǒng)的建模技術相比，神經網絡有非線性映射能力強、能夠學習和適應不確定性系統(tǒng)的動態(tài)特性，有效處理多輸入多輸出系統(tǒng)等優(yōu)點。

3.1 單神經元自適應PID的水分定量內模解耦控制

單神經元自適應PID是通過對加權系數的調整來實現自適應、自組織功能，其控制算法如下：

單神經元自適應PID[5,6]的控制結構如圖2所示：

圖2 單神經元自適應PID的控制結構圖

結果表明，利用單神經元PID控制器，增加了系統(tǒng)的自學習功能，使系統(tǒng)有較快的上升時間和較好的抗干擾性。由于解耦算法易于實現，控制器設計方法簡單,因此這種控制方法對于多變量耦合系統(tǒng)有一定的實際意義。

3.2 多變量DMC控制在水分定量中的應用

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

設一開環(huán)穩(wěn)定的線性MIMO過程可以用如下脈沖響應(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，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系數矩陣；nu，ny分別為被控過程輸入與輸出變量數，N為脈沖響應截斷步長。

圖3 定量水分控制系統(tǒng)結構圖

紙頁定量水分控制系統(tǒng)結構如圖3所示，這種多變量DMC控制技術基于神經元PID控制的智能控制算法，經在某造紙廠實際運行,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%。仿真及實際運行結果表明,神經元PID控制器具有結構簡單、易于工程實現、自適應能力強、實時性好，適用于大時滯系統(tǒng)，具有很好的使用及推廣價值[9]。

3.3 基于DRNN的紙機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網絡，其中隱含層為回歸層，結構如圖4所示。網絡中，I=[I1，I2，…，In]為網絡輸入向量，Ii（k）為輸入層第i個神經元的輸入，Xj（k）為回歸層第j個神經元的輸出，Sj（k）為第j個回歸神經元輸入總合，O（k）為網絡輸出，（f·）

為雙S函數：f（x）=（1-e-x）（/1+e-x）。

圖4 DRNN神經網絡結構

基于DRNN神經網絡的定量水分雙變量解耦控制系統(tǒng)辨識器、控制器和控制對象組成，選用DRNN作為在線辨識器，根據外界環(huán)境信息的變化，自動調整網絡權值，跟蹤對象輸出，通過獲得的Jacobian信息可以在線調整PID控制器的比例、積分、微分參數,從而實現解耦和自適應控制[13]。

將一種基于DRNN對角回歸神經網絡的解耦控制策略運用到具有大時滯、強耦合等特性的紙機定量水分控制系統(tǒng)中，通過動態(tài)調整PID參數以克服系統(tǒng)受到的各種干擾，保證了系統(tǒng)良好的穩(wěn)態(tài)性能，實現了定量水分的解耦。結果表明，將對角回歸神經網絡(DRNN)與PID控制器結合，構成基于DRNN神經網絡的雙變量動態(tài)解耦PID控制方法，通過采用DRNN網絡對PID控制器參數的在線整定，在受到較大干擾時，系統(tǒng)能夠快速調整PID參數來適應對象參數的變化，從而實現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，提高了產品質量，降低了能耗。實際運行表明，該控制系統(tǒng)在被控對象內部參數變化情況下，系統(tǒng)通過自學習、自調節(jié)、自適應，使具有強藕合的被控系統(tǒng)實現了解藕，獲得了良好的控制效果，具有一定的應用和推廣價值。

4 總結

神經網絡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象，并且具有較強的自適應和學習功能。

基于神經網絡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，也可實現無靜差控制；當參數選取合理時，系統(tǒng)的控制性能更佳，實現更好的自動化水平，優(yōu)化了質量和產量，為生產中定量水分的穩(wěn)定起到了指導作用。

[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.紙機先進控制算法研究[J].西安交通大學學報，200l，32(12)1271

[4]沈國江，胡丹，孫優(yōu)賢.造紙過程定量水分神經網絡建模和控制[J].中國造紙學報，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.自適應神經元非模型多變量系統(tǒng)解耦控制[J].計算機仿真學報，2003，(3)68-71

[7]陳蓓，田娜，姚培.基于單神經元自適應PID的水分定量內模解耦控制[J].陜西科技大學學報，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用[J].自動化與儀器儀表，2004(3)34-35

[10]Osuna E，Freund 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DRNN用于紙張水分定量解耦控制 [J].計算機工程與應用，2009，45(23)：211-213

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

2012－9－9

國外采風