基于神经网络的定量水分智能控制

谢清萍 程栋

（1.中国制浆造纸研究院，北京，100102；2.天津科技大学天津市制浆造纸重点实验室，天津，300457）

基于神经网络的定量水分智能控制

谢清萍1程栋2

（1.中国制浆造纸研究院，北京，100102；2.天津科技大学天津市制浆造纸重点实验室，天津，300457）

定量水分过程是一个有大滞后、大惯性、强非线性、时变以及多变量耦合的多输入、多输出的系统过程。基于神经网络的智能控制是指只由神经网络单独控制或由神经网络同其他控制方式相融合的控制的统称。本文系统的简单的介绍了基于神经网络的三种不同的定量水分智能控制系统。神经网络有非线性映射能力强、能够学习和适应不确定性系统的动态特性，有效处理多输入多输出系统等优点。

定量水分 神经网络 单神经元 DMC DRNN

1 引言

纸机是造纸生产过程中十分重要的一环，该工序决定着纸页最终的产量和质量，且该过程自动化程度最高，所以一直是造纸生产过程中控制的关键。定量（每平方米纸的质量）和水分（每平方米纸的含水量）是制浆造纸工业中决定最终成纸质量的两个关键性因素。实现对它们的严格控制，能显著提高产品质量，稳定生产，增加产量，降低能源和原料消耗，获得明显的经济效益[1]。

2 定量和水分过程的特征分析

图1 造纸工艺流程简图

根据图1工艺流程及物料平衡的关系进行分析可知，单位时间内纸张的绝干量等于上网浆料的绝干量减去切边部分和纤维流失的绝干量。因此，影响纸张定量的因素是上网纸浆的浓度、纸浆的流量和车速。但是，在纸机正常运转的情况下，车速比较稳定，高位箱到网部各个环节造成的绝干量流失的情况，基本稳定或变化不大。因此，在纸浆浓度一定的况下，纸浆流量是影响纸页定量的最重要的因素。

影响纸页水分的因素也很多，有真空脱水的情况、压榨脱水情况和烘缸干燥情况等。正常运转情况下，真空脱水、压榨脱水基本稳定，烘缸干燥部分由于蒸汽压力波动很大而造成水分有较大变化。因此，蒸汽压力波动是影响纸张水分的主要因素。

综上所述，定量水分过程是一个有大时滞、强藕合、非线性、多干扰的多输入、多输出的藕合时变系统过程。

3 基于神经网络的定量水分控制方法

纸机的定量水分控制属于多输人多输出对象，常用的控制算法有经典的PID控制算法、改进的Smith预估控制算法、动态矩阵控制算法、广义预测控制算法等。PID控制不需要对象精确的数学模型，参数整定容易，但由于其采样周期较长(一般取为:纯滞后+2倍惯性时间常数)，因而调节过程非常缓慢，扰动抑制能力较差。其他3种控制方法都是基于模型的控制算法，具有典型的内模控制结构，调节过程较快，具有较强的扰动抑制能力和鲁棒性。但由于造纸过程是一个典型的大滞后、大惯性、强非线性、时变以及多变量耦合的过程，难以确定模型结构和参数辨识，因此这些控制方法应用效果也不是十分的理想。

神经网络主要是利用工程技术手段来模拟人脑神经网络的结构和功能。基于神经网络的智能控制是指只由神经网络单独控制或由神经网络同其他控制方式相融合的控制的统称。

整个造纸过程是一个非常复杂的传热、过程，影响因素很多，因此其数学模型具有强非线性，只是其线性后的简化形式。同时定量和水分之间存在着一定程度的藕合，这也给模型中众多参数的辨识带来了一定的困难。一种好的建模方法必须具有自学习功能，能够自动地适应造纸过程状况的动态改变。人工神经网络技术是较好的方法之一。与传统的建模技术相比，神经网络有非线性映射能力强、能够学习和适应不确定性系统的动态特性，有效处理多输入多输出系统等优点。

3.1 单神经元自适应PID的水分定量内模解耦控制

单神经元自适应PID是通过对加权系数的调整来实现自适应、自组织功能，其控制算法如下：

单神经元自适应PID[5,6]的控制结构如图2所示：

图2 单神经元自适应PID的控制结构图

结果表明，利用单神经元PID控制器，增加了系统的自学习功能，使系统有较快的上升时间和较好的抗干扰性。由于解耦算法易于实现，控制器设计方法简单,因此这种控制方法对于多变量耦合系统有一定的实际意义。

3.2 多变量DMC控制在水分定量中的应用

DMC算法是由Cutler等人基于阶跃响应模型提出的一种计算机控制算法。基于FIR模型的DMC算法描述如下：

设一开环稳定的线性MIMO过程可以用如下脉冲响应(FIR)模型来描述:

其中y(k)∈Rny为过程输出，d(k)∈Rny为过程输出扰动，u(k)∈Rnu为控制输入；h(i)∈Rny×nu(i=1，2…，N)为输入输出脉冲响应系数矩阵；nu，ny分别为被控过程输入与输出变量数，N为脉冲响应截断步长。

图3 定量水分控制系统结构图

纸页定量水分控制系统结构如图3所示，这种多变量DMC控制技术基于神经元PID控制的智能控制算法，经在某造纸厂实际运行,该控制算法完全满足控制系统要求，定量控制在70～80±1g，水分控制在5%～6%。仿真及实际运行结果表明,神经元PID控制器具有结构简单、易于工程实现、自适应能力强、实时性好，适用于大时滞系统，具有很好的使用及推广价值[9]。

3.3 基于DRNN的纸机定量水分解耦控制仿真分析

DRNN（Diagonal Recurrent Neural Network）[10-12]是包含输入、隐层和输出的三层回归神经网络，其中隐含层为回归层，结构如图4所示。网络中，I=[I1，I2，…，In]为网络输入向量，Ii（k）为输入层第i个神经元的输入，Xj（k）为回归层第j个神经元的输出，Sj（k）为第j个回归神经元输入总合，O（k）为网络输出，（f·）

为双S函数：f（x）=（1-e-x）（/1+e-x）。

图4 DRNN神经网络结构

基于DRNN神经网络的定量水分双变量解耦控制系统辨识器、控制器和控制对象组成，选用DRNN作为在线辨识器，根据外界环境信息的变化，自动调整网络权值，跟踪对象输出，通过获得的Jacobian信息可以在线调整PID控制器的比例、积分、微分参数,从而实现解耦和自适应控制[13]。

将一种基于DRNN对角回归神经网络的解耦控制策略运用到具有大时滞、强耦合等特性的纸机定量水分控制系统中，通过动态调整PID参数以克服系统受到的各种干扰，保证了系统良好的稳态性能，实现了定量水分的解耦。结果表明，将对角回归神经网络(DRNN)与PID控制器结合，构成基于DRNN神经网络的双变量动态解耦PID控制方法，通过采用DRNN网络对PID控制器参数的在线整定，在受到较大干扰时，系统能够快速调整PID参数来适应对象参数的变化，从而实现了定量水分控制的完全解耦[14]。大大提高了系统控制精度，提高了产品质量，降低了能耗。实际运行表明，该控制系统在被控对象内部参数变化情况下，系统通过自学习、自调节、自适应，使具有强藕合的被控系统实现了解藕，获得了良好的控制效果，具有一定的应用和推广价值。

4 总结

神经网络控制是一种基本上不依赖于模型的控制方法，它比较适用于那些具有不确定性或高度非线性的控制对象，并且具有较强的自适应和学习功能。

基于神经网络的定量水分控制系统具有良好的稳定性、鲁棒性及抗干扰性能。即使在模型失配或有不可测干扰存在时，也可实现无静差控制；当参数选取合理时，系统的控制性能更佳，实现更好的自动化水平，优化了质量和产量，为生产中定量水分的稳定起到了指导作用。

[1]郑小霞，常易康，张志秀.论纸张定量水分控制的发展[J].湖北造纸，2002(3)21-22

[2]刘焕斌.制浆造纸过程自动测量与控制[M].中国轻工业出版社，2008:172-183

[3]郑辑光，施仁，王孟效.纸机先进控制算法研究[J].西安交通大学学报，200l，32(12)1271

[4]沈国江，胡丹，孙优贤.造纸过程定量水分神经网络建模和控制[J].中国造纸学报，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.自适应神经元非模型多变量系统解耦控制[J].计算机仿真学报，2003，(3)68-71

[7]陈蓓，田娜，姚培.基于单神经元自适应PID的水分定量内模解耦控制[J].陕西科技大学学报，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]张玲,郑恩让.多变量DMC控制在水分定量中的应用[J].自动化与仪器仪表，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,曾燕飞.改进DRNN用于纸张水分定量解耦控制 [J].计算机工程与应用，2009，45(23)：211-213

[14]周炜,胡慕伊.基于DRNN的纸机定量水分解耦控制仿真分析 [J].中国造纸学报，2010，25(1）：72-74

2012－9－9

国外采风