盤(pán)磨機(jī)控制方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及一種盤(pán)磨機(jī)控制方法，屬于制紙?jiān)O(shè)備技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 盤(pán)磨機(jī)是一種制紙?jiān)O(shè)備，通過(guò)控制盤(pán)磨機(jī)的進(jìn)退刀就可W控制打漿度。打漿是紙 張生產(chǎn)過(guò)程不可缺少的環(huán)節(jié)，通過(guò)測(cè)量打漿度可W掌握纖維被切斷、潤(rùn)漲、分絲、細(xì)纖維化 的程度。紙張制造行業(yè)常用濕重、打漿度兩個(gè)指標(biāo)衡量紙漿質(zhì)量。但是目前還沒(méi)有對(duì)打漿度 進(jìn)行在線(xiàn)監(jiān)測(cè)的設(shè)備，由于沒(méi)有對(duì)打漿度實(shí)時(shí)檢測(cè)的信號(hào)，也難W對(duì)盤(pán)磨機(jī)進(jìn)行有效精準(zhǔn) 的控制。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明的目的在于提供一種盤(pán)磨機(jī)控制方法，依據(jù)對(duì)打漿度進(jìn)行在線(xiàn)監(jiān)測(cè)，對(duì)盤(pán) 磨機(jī)進(jìn)行有效精準(zhǔn)的控制。
[0004] 本發(fā)明的目的通過(guò)W下技術(shù)方案予W實(shí)現(xiàn)：
[000引一種盤(pán)磨機(jī)控制方法，包括W下步驟：
[0006] 1)根據(jù)對(duì)紙漿廠的生產(chǎn)數(shù)據(jù)的記錄，統(tǒng)計(jì)出進(jìn)漿流量、進(jìn)漿濃度、盤(pán)磨機(jī)消耗的電 功率，對(duì)應(yīng)時(shí)刻的打漿度的數(shù)據(jù);將進(jìn)漿流量、進(jìn)漿濃度、盤(pán)磨機(jī)消耗的電功率作為輸入?yún)?量，將打漿度作為輸出參量，建立神經(jīng)網(wǎng)絡(luò)，根據(jù)已有的歷史監(jiān)測(cè)數(shù)據(jù)，使用BP神經(jīng)網(wǎng)絡(luò)，附 加動(dòng)量學(xué)習(xí)規(guī)則，訓(xùn)練神經(jīng)網(wǎng)絡(luò)；
[0007] 2)根據(jù)紙漿廠打漿度的規(guī)定值，由粒子群算法，求解神經(jīng)網(wǎng)絡(luò)的最優(yōu)輸入?yún)⒘?，?進(jìn)漿流量、進(jìn)漿濃度、盤(pán)磨機(jī)消耗的電功率；
[0008] 3)根據(jù)上一循環(huán)神經(jīng)網(wǎng)絡(luò)估計(jì)誤差判斷是否需要人工采樣，如需要，通過(guò)人工采 樣然后離線(xiàn)分析，對(duì)比得出實(shí)測(cè)的打漿度與神經(jīng)網(wǎng)絡(luò)估計(jì)出的打漿度的誤差，然后將運(yùn)組 實(shí)測(cè)的打漿度數(shù)據(jù)，W及神經(jīng)網(wǎng)絡(luò)估計(jì)與實(shí)測(cè)的誤差數(shù)據(jù)一起，使用附加動(dòng)量學(xué)習(xí)規(guī)則，更 新訓(xùn)練神經(jīng)網(wǎng)絡(luò);如不需要人工采樣，則返回步驟2)。
[0009] 本發(fā)明的目的還可W通過(guò)W下技術(shù)措施來(lái)進(jìn)一步實(shí)現(xiàn)：
[0010] 前述盤(pán)磨機(jī)控制方法，其中粒子群算法，步驟如下：
[0011] 1)初始化粒子群:確定粒子群大小NP，粒子群算法迭代次數(shù)NG，初始化粒子位置， 計(jì)算每個(gè)粒子的適應(yīng)度并初始化全局最優(yōu)解與個(gè)體最優(yōu)解；
[0012] 計(jì)算粒子適應(yīng)度的函數(shù)為：
[0013]
[0014] 其中，0康示神經(jīng)網(wǎng)絡(luò)輸出向量的第i個(gè)元素，0^1為理論期望的輸出向量的第i個(gè) 兀素；
[0015] 2)更新粒子群:粒子群的運(yùn)動(dòng)方程如下：
[0016] v(t) = ω · v(t_l )+ci · Gbest-x(t) )+C2 · (gbest-x(t))
[0017] x(t+l)二x(t)+C3 · v(t)
[001引其中ω取為1 -0.6 ·^，i為粒子群算法的本次迭代次數(shù)，Cl，C2，C3為常數(shù)，Cl，C2取 Mr 值為2.8，C3取值為ο. 3，化est為每個(gè)粒子捜索過(guò)的個(gè)體最優(yōu)解，gbest為所有粒子捜索過(guò)的 全局最優(yōu)解；
[0019] 3)計(jì)算本次迭代的粒子適應(yīng)度，更新個(gè)體最優(yōu)解與全局最優(yōu)解：即對(duì)每個(gè)粒子，將 本次迭代產(chǎn)生的適應(yīng)度，與當(dāng)前個(gè)體最優(yōu)解相比，取適應(yīng)度較小的為個(gè)體最優(yōu)解，與所有粒 子捜索過(guò)的全局最優(yōu)解相比，取適應(yīng)度較小的為全局最優(yōu)解；
[0020] 4)判斷是否達(dá)到迭代NG次，若是，則輸出全局最優(yōu)解，若否，則返回步驟2)。
[0021] 前述盤(pán)磨機(jī)控制方法，其中附加動(dòng)量學(xué)習(xí)法，更新規(guī)則如下式：
[0022]
[0023] 其中Δ ω (t)= ω α)-ω (t-1)，Ετ為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差，η為權(quán)重，a為動(dòng)量因 子，取0.9。
[0024] 前述盤(pán)磨機(jī)控制方法還可W通過(guò)另一種技術(shù)方案予W實(shí)現(xiàn)：
[0025] 一種盤(pán)磨機(jī)控制方法，包括W下步驟：
[0026] 1)根據(jù)對(duì)紙漿廠的生產(chǎn)參數(shù)的記錄，統(tǒng)計(jì)出進(jìn)漿流量、進(jìn)漿濃度、盤(pán)磨機(jī)消耗的電 功率，對(duì)應(yīng)時(shí)刻的打漿度的數(shù)據(jù);將進(jìn)漿流量、進(jìn)漿濃度、盤(pán)磨機(jī)消耗的電功率作為輸入?yún)?量，將打漿度作為輸出參量，建立神經(jīng)網(wǎng)絡(luò)，根據(jù)已有的歷史監(jiān)測(cè)數(shù)據(jù)，使用BP神經(jīng)網(wǎng)絡(luò)，附 加動(dòng)量學(xué)習(xí)規(guī)則，訓(xùn)練神經(jīng)網(wǎng)絡(luò)；
[0027] 2)根據(jù)紙漿廠打漿度的規(guī)定值，由遺傳算法，求解神經(jīng)網(wǎng)絡(luò)的最優(yōu)輸入?yún)⒘浚催M(jìn) 漿流量、進(jìn)漿濃度、盤(pán)磨機(jī)消耗的電功率；
[0028] 所述遺傳算法包括W下步驟：
[0029] ①采用實(shí)數(shù)編碼，初始化染色體，形成初始種群；
[0030] ②利用適應(yīng)度函數(shù)評(píng)價(jià)各代中的每個(gè)染色體；
[0031] ③進(jìn)行遺傳操作；
[0032] ④重新計(jì)算每個(gè)個(gè)體的適應(yīng)值；
[0033] ⑤選擇好新種群后，對(duì)新種群中的最優(yōu)個(gè)體進(jìn)行保留，用上代的最優(yōu)個(gè)體取代本 代的最差個(gè)體；
[0034] ⑥判斷是否達(dá)到進(jìn)化代數(shù)，若沒(méi)有，則返回第②步，否則結(jié)束；
[0035] ⑦將新種群中的最優(yōu)個(gè)體的值作為和，保持不變，采用BP算法進(jìn)行學(xué)習(xí)，直到滿(mǎn)足 性能指標(biāo)；
[0036] 3)根據(jù)上一循環(huán)神經(jīng)網(wǎng)絡(luò)估計(jì)誤差判斷是否需要人工采樣，如需要，通過(guò)人工采 樣然后離線(xiàn)分析，對(duì)比得出實(shí)測(cè)的打漿度與神經(jīng)網(wǎng)絡(luò)估計(jì)出的打漿度的誤差，然后將運(yùn)組 實(shí)測(cè)的打漿度數(shù)據(jù)，W及神經(jīng)網(wǎng)絡(luò)估計(jì)與實(shí)測(cè)的誤差數(shù)據(jù)一起，使用附加動(dòng)量學(xué)習(xí)規(guī)則，更 新訓(xùn)練神經(jīng)網(wǎng)絡(luò);如不需要人工采樣，則返回步驟2)。
[0037] 前述盤(pán)磨機(jī)控制方法，對(duì)進(jìn)漿流量的采集數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，預(yù)處理方法為先 采用統(tǒng)計(jì)判別法的拉依達(dá)準(zhǔn)則剔除含有顯著誤差的異常數(shù)據(jù)，然后進(jìn)行濾波，濾波方法如 下：
[0038] 1)對(duì)被測(cè)參數(shù)進(jìn)行濾波，即對(duì)被測(cè)參數(shù)連續(xù)采樣多次，將采樣值進(jìn)行排序，選取中 間值為本次有效采樣值；
[0039] 2)對(duì)被測(cè)參數(shù)進(jìn)行有限脈沖響應(yīng)濾波，先給定理想濾波器的頻率特性曲(e^);
[0040] 3)計(jì)算理想濾波器的單位抽樣響應(yīng)
[0041 ] 4)設(shè)置濾波器形式、窗函數(shù)類(lèi)型、窗口長(zhǎng)度N參數(shù)為:采樣頻率fs = 150Hz，通帶截 止頻率巧二甜Z，阻帶起始頻率fst = 15化，阻帶衰減不小于-50dB，窗函數(shù)類(lèi)型采用Hamming 窗，濾波器階數(shù)N=30;
[0042] 5)調(diào)用MATLAB函數(shù)計(jì)算濾波器系數(shù)w(n);
[0043] 6)計(jì)算所設(shè)計(jì)濾波器的單位抽樣響應(yīng)h(n) =hd(n)w(n);
[0044] 7)將設(shè)計(jì)好的N個(gè)h(n)序列存入對(duì)應(yīng)存儲(chǔ)區(qū)；
[004引8)將中值濾波結(jié)果XI作為x(n)存入對(duì)應(yīng)存儲(chǔ)區(qū)；
[0046] 9)循環(huán)讀取h(n)、x(n)值進(jìn)行卷積運(yùn)算，求得在線(xiàn)濾波結(jié)果
[0047] 與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是:本發(fā)明解決了紙漿廠的打漿度主要靠人 工化驗(yàn)來(lái)確定，大大滯后于打漿過(guò)程，無(wú)法對(duì)盤(pán)磨機(jī)進(jìn)行精準(zhǔn)有效控制的問(wèn)題，實(shí)現(xiàn)了對(duì)打 漿度的軟測(cè)量，給盤(pán)磨機(jī)的實(shí)時(shí)控制提供了在線(xiàn)檢測(cè)信號(hào)。
【附圖說(shuō)明】
[004引圖1是本發(fā)明神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)圖。
【具體實(shí)施方式】
[0049] 下面結(jié)合附圖和具體實(shí)施例對(duì)本發(fā)明作進(jìn)一步說(shuō)明。
[0050] 如圖1所示，本發(fā)明建立進(jìn)漿流量、進(jìn)漿濃度、盤(pán)磨機(jī)消耗的電功率與對(duì)應(yīng)時(shí)刻的 打漿度之間的映射關(guān)系，建立神經(jīng)網(wǎng)絡(luò)。該神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)訓(xùn)練W后，對(duì)打漿度進(jìn)行軟測(cè)量。 [0051 ]為實(shí)現(xiàn)運(yùn)一目的，具體包括W下步驟：
[0052] 1)根據(jù)對(duì)紙漿廠的生產(chǎn)參數(shù)的歷史詳細(xì)記錄，統(tǒng)計(jì)出進(jìn)漿流量、進(jìn)漿濃度、盤(pán)磨機(jī) 消耗的電功率，對(duì)應(yīng)時(shí)刻的打漿度的數(shù)據(jù);將進(jìn)漿流量、進(jìn)漿濃度、盤(pán)磨機(jī)消耗的電功率作 為輸入?yún)⒘?，將打漿度作為輸出參量，建立神經(jīng)網(wǎng)絡(luò)，根據(jù)已有的歷史監(jiān)測(cè)數(shù)據(jù)，使用BP神 經(jīng)網(wǎng)絡(luò)，附加動(dòng)量學(xué)習(xí)規(guī)則，訓(xùn)練神經(jīng)網(wǎng)絡(luò);附加動(dòng)量學(xué)習(xí)法更新規(guī)則如下式：
[0053]
[0054] 其中Δ ω (t)= ω (t)-w (t-1)，Ετ為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差，η為權(quán)重，a為動(dòng)量因 子，取0.9。
[0055] 2)根據(jù)紙漿廠打漿度的規(guī)定值，由粒子群算法，求解神經(jīng)網(wǎng)絡(luò)的最優(yōu)輸入?yún)⒘?，?進(jìn)漿流量、進(jìn)漿濃度、盤(pán)磨機(jī)消耗的電功率;粒子群算法步驟如下：
[0056] (1)初始化粒子群:確定粒子群大小NP，粒子群算法迭代次數(shù)NG，初始化粒子位置， 計(jì)算每個(gè)粒子的適應(yīng)度并初始化全局最優(yōu)解與個(gè)體最優(yōu)解；
[0057] 計(jì)算粒子適應(yīng)度的函數(shù)為：
[005引
[0059] 其中，〇1表示神經(jīng)網(wǎng)絡(luò)輸出向量的第i個(gè)元素，0^1為理論期望的輸出向量的第i個(gè) 兀素；
[0060] (2)更新粒子群:粒子群的運(yùn)動(dòng)方程如下：
[0061] v(t)= ω · v(t_l)+ci · Gbest-x(t))+C2 · (gbest-x(t))
[0062] x(t+l) =x(t)+C3 · v(t)
[006引其中ω取為1 -化6 ，i為粒子群算法的本次迭代次數(shù)，Cl，C2，C3為常數(shù)，Cl，C2取 NP 值為2.8，C3取值為0.3，化est為每個(gè)粒子捜索過(guò)的個(gè)體最優(yōu)解，gbest為所有粒子捜索過(guò)的 全局最優(yōu)解；
[0064] (3)計(jì)算本次迭代的粒子適應(yīng)度，更新個(gè)體最優(yōu)解與全局最優(yōu)解：即對(duì)每個(gè)粒子， 將本次迭代產(chǎn)生的適應(yīng)度，與當(dāng)前個(gè)體最優(yōu)解相比，取適應(yīng)度較小的為個(gè)體最優(yōu)解，與所有 粒子捜索過(guò)的全局最優(yōu)解相比，取適應(yīng)度較小的為全局最優(yōu)解；
[0065] (4)判斷是否達(dá)到迭代NG次，若是，則輸出全局最優(yōu)解，若否，則返回步驟(2)。
[0066] 3)由于神經(jīng)網(wǎng)絡(luò)建立了進(jìn)漿流量、進(jìn)漿濃度、盤(pán)磨機(jī)消耗的電功率，對(duì)應(yīng)時(shí)刻的打 漿度之間的映射關(guān)系，神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)訓(xùn)練W后，可W對(duì)打漿度進(jìn)行預(yù)測(cè)及控制，為了取得更 好的測(cè)控效果，縮小神經(jīng)網(wǎng)絡(luò)估計(jì)誤差，需要更新訓(xùn)練神經(jīng)網(wǎng)絡(luò)。
[0067] 具體做法為根據(jù)上一循環(huán)神經(jīng)網(wǎng)絡(luò)估計(jì)誤差判斷是否需要人工采樣，其判斷規(guī)則 為:若上次采樣數(shù)據(jù)與神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)誤差較小，則延長(zhǎng)下次人工采樣與本次采樣的間隔時(shí) 間，若本次人工采樣數(shù)據(jù)與神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)誤差