一種高濃磨漿系統(tǒng)輸出纖維形態(tài)分布的控制系統(tǒng)及方法
【專利摘要】本發(fā)明提供一種高濃磨漿系統(tǒng)輸出纖維形態(tài)分布的控制系統(tǒng)及方法，該系統(tǒng)包括：數(shù)據(jù)采集單元和輸出纖維形態(tài)分布控制單元。該方法包括：測量高濃磨漿系統(tǒng)的高濃磨盤間隙、給料量，給定目標纖維形態(tài)分布的概率密度函數(shù)；對輸出纖維形態(tài)分布的概率密度函數(shù)進行雙閉環(huán)迭代學習控制，得到理想的高濃磨盤間隙、給料量，發(fā)送至高濃磨漿系統(tǒng)執(zhí)行機構(gòu)。本發(fā)明基于化學機械制漿過程生產(chǎn)線上傳感器測量的高濃盤磨機輸入輸出相關數(shù)據(jù)，結(jié)合隨機分布高斯基函數(shù)逼近概率密度函數(shù)理論并建立高濃磨漿系統(tǒng)輸出纖維形態(tài)分布PDF與盤磨機主要輸入變量之間的狀態(tài)空間模型，構(gòu)造雙閉環(huán)控制器，實現(xiàn)對制漿輸出纖維形態(tài)分布PDF的有效控制，將輸出纖維形態(tài)PDF跟蹤給定的PDF變化。
【專利說明】
一種高濃磨漿系統(tǒng)輸出纖維形態(tài)分布的控制系統(tǒng)及方法
技術領域
[0001] 本發(fā)明涉及制漿造紙過程控制技術領域，具體是一種高濃磨漿系統(tǒng)輸出纖維形態(tài) 分布的控制系統(tǒng)及方法。
【背景技術】
[0002] 造紙工業(yè)與國民經(jīng)濟發(fā)展和社會文明息息相關，紙及紙板消費水平是衡量一個國 家現(xiàn)代化和文明程度的重要標志之一。整個造紙過程由制漿和造紙兩大環(huán)節(jié)組成。制漿環(huán) 節(jié)的主要功能是從植物纖維原料生產(chǎn)出具有特定形態(tài)的纖維;造紙環(huán)節(jié)的功能主要是采用 特定形態(tài)的纖維為原料生產(chǎn)出各種紙制產(chǎn)品。制漿和造紙兩大環(huán)節(jié)都需要消耗大量的能 量，特別是制漿過程的高濃磨盤打漿環(huán)節(jié)是制漿造紙生產(chǎn)過程中極為重要的一環(huán)。漿料經(jīng) 過打漿機處理后得到成漿，其直接影響成品紙的質(zhì)量，打漿不僅能耗巨大，更影響著后續(xù)造 紙抄造時紙漿脫水效率和功率消耗，因此國內(nèi)外對控制打漿過程而提高成漿質(zhì)量極為重 視。
[0003] 由于高濃磨漿過程具有多變量、強耦合和非線性的特征，使得高濃磨漿過程的機 理分析、建模和控制存在很大困難。目前打漿過程的機理模型研究嚴重滯后于生產(chǎn)和控制 實踐的需要，國內(nèi)外廣泛用于打漿控制的機理假說模型是帚化理論、比邊緣負荷理論以及 比表面負荷，但控制模型大多仍是單變量模型，不足以表征整個打漿過程，至今也沒有找到 一個共同認可的機理模型。以往研究主要集中在低濃磨漿過程、單盤磨漿機和磨盤改進上， 且存在研究的假設性強，得到的高濃磨漿模型缺乏通用性。這與無法當場獲得直接的運行 數(shù)據(jù)如刀間距、纖維長度、濕重、打漿度等纖維特性數(shù)據(jù)有重要的關系，也是機理建模的一 大弊端與局限?？v觀國內(nèi)外關于磨漿過程運行控制的研究還是以機理模型為主、以單一盤 磨為對象、以控制纖維長度均值為目的來進行的。
[0004] 最新研究表明面向節(jié)能降耗的造紙制漿優(yōu)化首先需要解決打漿過程的纖維形態(tài) 分布的運行優(yōu)化控制問題。制漿過程的能耗及其所產(chǎn)生的纖維形態(tài)分布(如纖維長度的概 率密度函數(shù)形狀)的質(zhì)量直接關系到后續(xù)造紙環(huán)節(jié)的能耗及產(chǎn)品質(zhì)量，更影響抄造時的脫 水效率與功率消耗。目前，還沒有關于直接利用纖維形態(tài)分布測量值作為反饋信號實現(xiàn)纖 維形態(tài)分布閉環(huán)控制的研究報道。然而盤磨機打漿輸出纖維形態(tài)分布不符合高斯分布具有 隨機性，無法用方差和均值對其分布概率密度函數(shù)進行建模和控制。主要是因為纖維束經(jīng) 過磨盤的橫向擠壓和縱向帚化，細纖維化逐漸離解成單根纖維，輸出纖維形態(tài)具有很強的 隨機性和不確定性，加之測量儀器的局限，更無法用某一單一變量對其表征，這使得對纖維 形態(tài)的建模和控制變得極其困難。因此實現(xiàn)輸出纖維形態(tài)的表征和測量將對實際生產(chǎn)產(chǎn)生 重要的作用。

【發(fā)明內(nèi)容】

[0005] 針對現(xiàn)在技術存在的問題，本發(fā)明提供一種高濃磨漿系統(tǒng)輸出纖維形態(tài)分布的控 制系統(tǒng)及方法。
[0006] 本發(fā)明的技術方案是：
[0007] 一種高濃磨漿系統(tǒng)輸出纖維形態(tài)分布的控制系統(tǒng)，包括：
[0008] 數(shù)據(jù)采集單元:獲取測量得到的高濃磨漿系統(tǒng)的高濃磨盤間隙、給料量，給定目標 纖維形態(tài)分布的概率密度函數(shù)；
[0009] 輸出纖維形態(tài)分布控制單元:將高濃磨盤間隙、給料量作為輸入，目標纖維形態(tài)分 布的概率密度函數(shù)作為輸出，對輸出纖維形態(tài)分布的概率密度函數(shù)進行雙閉環(huán)迭代學習控 制，得到高濃磨漿系統(tǒng)理想的控制輸入即理想的高濃磨盤間隙、給料量，發(fā)送至高濃磨漿系 統(tǒng)執(zhí)行機構(gòu)。
[0010] 所述輸出纖維形態(tài)分布控制單元，包括：
[0011] 內(nèi)環(huán)迭代學習控制模塊:選取一組高斯基函數(shù)對目標纖維形態(tài)分布的概率密度函 數(shù)進行逼近，通過最小化內(nèi)環(huán)迭代學習控制性能指標，迭代學習得到最優(yōu)的一組高斯基函 數(shù)；
[0012]外環(huán)迭代學習控制模塊:將測量得到的高濃磨盤間隙、給料量作為初始外環(huán)迭代 學習控制輸入，測量到當前時刻的輸出纖維形態(tài)分布的概率密度函數(shù)，利用內(nèi)環(huán)迭代學習 控制模塊得到的最優(yōu)的那組高斯基函數(shù)對當前時刻的輸出纖維形態(tài)分布的概率密度函數(shù) 解耦，得到當前時刻的輸出權(quán)值向量，子空間辨識得到外環(huán)迭代學習控制輸入輸出的狀態(tài) 空間方程，迭代學習得到理想的高濃磨盤間隙、給料量。
[0013 ]采用所述的控制系統(tǒng)的高濃磨漿系統(tǒng)輸出纖維形態(tài)分布控制方法，包括：
[0014] 測量高濃磨漿系統(tǒng)的高濃磨盤間隙、給料量，給定目標纖維形態(tài)分布的概率密度 函數(shù)；
[0015] 將高濃磨盤間隙、給料量作為輸入，目標纖維形態(tài)分布的概率密度函數(shù)作為輸出， 對輸出纖維形態(tài)分布的概率密度函數(shù)進行雙閉環(huán)迭代學習控制，得到高濃磨漿系統(tǒng)理想的 控制輸入即理想的高濃磨盤間隙、給料量；
[0016] 將理想的高濃磨盤間隙、給料量發(fā)送至高濃磨漿系統(tǒng)執(zhí)行機構(gòu)，實現(xiàn)輸出纖維形 態(tài)分布的概率密度函數(shù)跟蹤目標纖維形態(tài)分布的概率密度函數(shù)。
[0017] 所述雙閉環(huán)迭代學習控制的方法如下：
[0018] 內(nèi)環(huán)迭代學習控制:選取一組高斯基函數(shù)對目標纖維形態(tài)分布的概率密度函數(shù)進 行逼近，通過最小化內(nèi)環(huán)迭代學習控制性能指標，迭代學習得到最優(yōu)的一組高斯基函數(shù)；
[0019] 外環(huán)迭代學習控制：將測量得到的高濃磨盤間隙、給料量作為初始外環(huán)迭代學習 控制輸入，測量到當前時刻的輸出纖維形態(tài)分布的概率密度函數(shù)，利用最優(yōu)的那組高斯基 函數(shù)對當前時刻的輸出纖維形態(tài)分布的概率密度函數(shù)解耦，得到當前時刻的輸出權(quán)值向 量，子空間辨識得到外環(huán)迭代學習控制輸入輸出的狀態(tài)空間方程，迭代學習得到理想的高 濃磨盤間隙、給料量。
[0020] 所述內(nèi)環(huán)迭代學習控制的具體方法如下：
[0021] 選定一組初始高斯基函數(shù)對目標纖維形態(tài)分布的概率密度函數(shù)進行解耦，轉(zhuǎn)換成 初始高斯基函數(shù)對應的權(quán)值向量即初始的輸出權(quán)值向量；
[0022] 初始高斯基函數(shù)乘以對應的權(quán)值向量，即初始的內(nèi)環(huán)迭代學習控制輸出；
[0023] 若內(nèi)環(huán)迭代學習控制性能指標滿足要求，則當前的高斯基函數(shù)即為最優(yōu)的高斯基 函數(shù)，得到最終的內(nèi)環(huán)迭代學習控制輸出即最優(yōu)的高斯基函數(shù)，進行外環(huán)迭代學習控制；否 則根據(jù)內(nèi)環(huán)迭代學習控制性能指標確定內(nèi)環(huán)迭代學習率，得到高斯基函數(shù)位置參數(shù)的變化 率和形狀參數(shù)的變化率；
[0024] 高斯基函數(shù)位置參數(shù)的變化率和形狀參數(shù)的變化率疊加到初始高斯基函數(shù)的位 置參數(shù)和形狀參數(shù)，更新初始高斯基函數(shù)，重新對目標纖維形態(tài)分布的概率密度函數(shù)進行 解耦，直至內(nèi)環(huán)迭代學習控制性能指標滿足要求，當前的高斯基函數(shù)即為最優(yōu)的高斯基函 數(shù)，得到最終的內(nèi)環(huán)迭代學習控制輸出即最優(yōu)的高斯基函數(shù)。
[0025] 所述外環(huán)迭代學習控制的具體方法如下：
[0026] 將測量得到的高濃磨盤間隙、給料量作為初始外環(huán)迭代學習控制輸入，測量到當 前時刻的控制輸出，即輸出纖維形態(tài)分布的概率密度函數(shù)，然后利用內(nèi)環(huán)迭代學習控制得 到的最優(yōu)高斯基函數(shù)，對輸出纖維形態(tài)分布的概率密度函數(shù)進行解耦，得到輸出權(quán)值向量， 假設輸出權(quán)值向量為η維，選取前n-1個輸出權(quán)值向量作為外環(huán)迭代學習控制的輸出，再進 行子空間辨識得到外環(huán)迭代學習控制輸入輸出的狀態(tài)空間方程；
[0027]若外環(huán)迭代學習控制性能指標滿足要求，則當前的高濃磨盤間隙、給料量即理想 的高濃磨盤間隙、給料量;否則根據(jù)外環(huán)迭代學習控制性能指標確定外環(huán)迭代學習率，進而 得到外環(huán)迭代學習控制輸入變化率；
[0028]外環(huán)迭代學習控制輸入變化率疊加到初始外環(huán)迭代學習控制輸入，作為新的外環(huán) 迭代學習控制輸入，返回重新進行子空間辨識，直至外環(huán)迭代學習控制性能指標滿足要求， 得到理想的外環(huán)迭代學習控制輸入即理想的高濃磨盤間隙、給料量。
[0029] 有益效果：
[0030] 本發(fā)明基于化學機械制漿過程生產(chǎn)線上傳感器測量的高濃盤磨機輸入輸出相關 數(shù)據(jù)，結(jié)合隨機分布高斯基函數(shù)逼近概率密度函數(shù)理論并運用子空間建模方法，建立高濃 磨漿系統(tǒng)輸出纖維形態(tài)分布PDF與盤磨機主要輸入變量之間的狀態(tài)空間模型，然后用迭代 學習控制構(gòu)造雙閉環(huán)控制器，實現(xiàn)對制漿輸出纖維形態(tài)分布TOF的有效控制，從而指導實際 生產(chǎn)操作，在誤差允許范圍之內(nèi)，將輸出紙漿的纖維形態(tài)TOF跟蹤給定的TOF變化。這有利于 把成漿質(zhì)量的波動控制在預期的范圍內(nèi)，同時顯著地降低能耗，在實際生產(chǎn)中具有很大的 意義。
【附圖說明】
[0031] 圖1是制漿過程高濃盤磨機結(jié)構(gòu)簡圖及輸入輸出變量；
[0032] 圖2是本發(fā)明【具體實施方式】中雙閉環(huán)迭代學習控制流程圖；
[0033]圖3是本發(fā)明【具體實施方式】中系統(tǒng)結(jié)構(gòu)圖；
[0034] 圖4是本發(fā)明【具體實施方式】中輸出纖維形態(tài)分布概率密度函數(shù)曲線；
[0035] 圖5是本發(fā)明【具體實施方式】中最后一次內(nèi)環(huán)迭代控制之后的基函數(shù)與初始基函數(shù) 位置參數(shù)對比圖；
[0036] 圖6是本發(fā)明【具體實施方式】中250次內(nèi)環(huán)迭代控制過程中基函數(shù)中心值變化圖；
[0037] 圖7是本發(fā)明【具體實施方式】中250次內(nèi)環(huán)迭代控制過程中基函數(shù)寬度變化圖；
[0038]圖8是本發(fā)明【具體實施方式】中內(nèi)環(huán)迭代學習控制性能指標變化圖；
[0039]圖9是本發(fā)明【具體實施方式】中最后一次外環(huán)迭代控制周期中的高斯基函數(shù)權(quán)值變 化圖；
[0040]圖10是本發(fā)明【具體實施方式】中外環(huán)迭代學習控制性能指標變化圖；
[0041 ]圖11本發(fā)明對高濃磨機輸出纖維形態(tài)分布PDF的控制效果圖。
【具體實施方式】
[0042]下面結(jié)合附圖對本發(fā)明的【具體實施方式】做詳細說明。
[0043] 如圖1所示的制衆(zhòng)過程高濃盤磨機結(jié)構(gòu)中，輸入變量為給料量ui(t)(t/min)，高濃 磨盤間隙U2 (t) (mm)，輸出變量為輸出纖維形態(tài)分布的概率密度函數(shù)PDF(Probabi I ity Density Function)。本實施方式通過對工廠APMP制衆(zhòng)生產(chǎn)線的在線纖維形態(tài)測量儀Fiber vision在線實時數(shù)據(jù)采集，選取1500組盤磨機輸入輸出數(shù)據(jù)進行高濃磨楽:系統(tǒng)輸出纖維形 態(tài)分布的控制。
[0044] -種高濃磨漿系統(tǒng)輸出纖維形態(tài)分布的控制系統(tǒng)，如圖3所示，包括：
[0045] 數(shù)據(jù)采集單元:獲取測量得到的高濃磨漿系統(tǒng)的高濃磨盤間隙、給料量，給定目標 纖維形態(tài)分布的概率密度函數(shù)；
[0046] 輸出纖維形態(tài)分布控制單元:將高濃磨盤間隙、給料量作為輸入，目標纖維形態(tài)分 布的概率密度函數(shù)作為輸出，對輸出纖維形態(tài)分布的概率密度函數(shù)進行雙閉環(huán)迭代學習控 制，得到高濃磨漿系統(tǒng)理想的控制輸入即理想的高濃磨盤間隙、給料量，發(fā)送至高濃磨漿系 統(tǒng)執(zhí)行機構(gòu)。
[0047] 輸出纖維形態(tài)分布控制單元，包括：
[0048]內(nèi)環(huán)迭代學習控制模塊:選取一組高斯基函數(shù)對目標纖維形態(tài)分布的概率密度函 數(shù)進行逼近，通過最小化內(nèi)環(huán)迭代學習控制性能指標，迭代學習得到最優(yōu)的一組高斯基函 數(shù)；
[0049] 外環(huán)迭代學習控制模塊:將測量得到的高濃磨盤間隙、給料量作為初始外環(huán)迭代 學習控制輸入，測量到當前時刻的輸出纖維形態(tài)分布的概率密度函數(shù)，利用內(nèi)環(huán)迭代學習 控制模塊得到的最優(yōu)的高斯基函數(shù)對當前時刻的輸出纖維形態(tài)分布的概率密度函數(shù)解耦， 得到當前時刻的輸出權(quán)值向量，子空間辨識得到外環(huán)迭代學習控制輸入輸出的狀態(tài)空間方 程，迭代學習得到理想的高濃磨盤間隙、給料量。
[0050] 采用上述的控制系統(tǒng)的高濃磨漿系統(tǒng)輸出纖維形態(tài)分布控制方法，包括：
[0051 ]步驟1、測量t時刻高濃磨衆(zhòng)系統(tǒng)的高濃磨盤間隙U2(t)、給料量ui(t)，給定如圖4所 示的目標纖維形態(tài)分布的概率密度函數(shù)γ (y);給料量是通過測量喂料螺旋的轉(zhuǎn)速來測定， 高濃磨盤間隙是通過測量磨漿區(qū)內(nèi)的壓力、載荷、溫度和振動等參數(shù)間接測量，或者用高精 度測距傳感器來實現(xiàn)。
[0052] 步驟2、將t時刻高濃磨盤間隙U2(t)、給料量ui(t)作為輸入U= [ui(t) ;U2(t)]，目 標纖維形態(tài)分布的概率密度函數(shù)γ (y)作為輸出，對輸出纖維形態(tài)分布的概率密度函數(shù)進 行雙閉環(huán)迭代學習控制，得到高濃磨漿系統(tǒng)理想的控制輸入即理想的高濃磨盤間隙、給料 量，具體流程如圖2所示；
[0053]雙閉環(huán)迭代學習控制的方法如下：
[0054] 步驟2-1、內(nèi)環(huán)迭代學習控制:選取一組高斯基函數(shù)對目標纖維形態(tài)分布的概率密 度函數(shù)進行逼近，通過最小化內(nèi)環(huán)迭代學習控制性能指標，迭代學習得到最優(yōu)的一組高斯 基函數(shù)；
[0055] 內(nèi)環(huán)迭代學習控制的具體方法如下：
[0056] 步驟2-1-1、在目標纖維形態(tài)分布的概率密度函數(shù)定義區(qū)間[a，b] (mm)上選定一組 初始高斯基函數(shù)以7) = [1^(7)，1?2(7)，一，1^(7)]對目標纖維形態(tài)分布的概率密度函數(shù)進行 解耦，轉(zhuǎn)換成初始高斯基函數(shù)對應的權(quán)值向量即初始的輸出權(quán)值向量V =[ ω :，ω 2，…， ω η]；
[0057] 本實施方式中a = 〇，b = 2，n = 3，i = l，2，......η，基函數(shù)形式是：
?其中為基函數(shù)的中心值，表征位置參數(shù)，心2為基函數(shù)的寬度，表征 形狀參數(shù)。V= [ ωχ，ω2, ω3] = [0.65,1.05,1.45]
[0058] 選定一組初始高斯基函數(shù)為：
[0059]
[0060]用高斯基函數(shù)逼近輸出纖維形態(tài)分布的概率密度函數(shù)：
[0061]
[0062]其中，y表示輸出纖維長度變量，My)表示第i個高斯基函數(shù)，Wl表示R1(Y)對應的 權(quán)值，e(y)表示逼近誤差。
[0063]在忽略逼近誤差e(y)的條件下為：
[0064]
[0065]初始的輸出權(quán)值向量為:V= [1.0195,0.7722,1.5641]。
[0066]步驟2-1-2、初始高斯基函數(shù)R乘以對應的權(quán)值向量V，即初始的內(nèi)環(huán)迭代學習控制 輸出y' (y);
[0067]步驟2-1-3、若內(nèi)環(huán)迭代學習控制性能指標Jk,M滿足內(nèi)環(huán)迭代學習控制誤差精度要 求E1，即J1SE1，則當前的高斯基函數(shù)即為最優(yōu)的高斯基函數(shù)，再進行外環(huán)迭代學習控制；否 則根據(jù)內(nèi)環(huán)迭代學習控制性能指標J 1確定內(nèi)環(huán)迭代學習率α，得到高斯基函數(shù)位置參數(shù)μ = [μχ，μ2，μ3 ]的變化率Δ μ和形狀參數(shù)δ2 = [ S12，δ22，δ3 2 ]的變化率Δ δ2;
[0068] 為了衡量的逼近效果，定義內(nèi)環(huán)迭代學習控制性能指標Jk,μ來表示第M次迭代更新 后，第k個采樣點的內(nèi)環(huán)迭代學習控制輸出與目標纖維形態(tài)分布的概率密度函數(shù)之間的誤 差：
[0069]
[0070]為了保證逼近誤差隨著調(diào)節(jié)次數(shù)逐漸減小，應該有下列不等式成立：
[0071]
[0072] 其4
表第M+1次迭代逼近誤差之和。
[0073]為了推導內(nèi)環(huán)迭代學習率α，求內(nèi)環(huán)迭代學習控制性能指標Jk,μ的增量：
[0074]
[0075] 根據(jù)內(nèi)環(huán)迭代學習控制性能指標J1確定內(nèi)環(huán)迭代學習率α = 〇 . 〇〇I，高斯基函數(shù)位 置參數(shù)變化率Δ μ = α，形狀參數(shù)變化率Δ δ2 = 〇 . 5*α。
[0076] 由李氏穩(wěn)定判據(jù)可知，若保持系統(tǒng)穩(wěn)定，需使得AJk,μ彡0,可得到如下的不等式：
[0077]
[0078]然后令針Δ μ和δ2+ Δ δ2作為新的高斯基函數(shù)參數(shù)，繼續(xù)逼近目標TOF。
[0079] 步驟2-1-4、高斯基函數(shù)位置參數(shù)的變化率和形狀參數(shù)的變化率疊加到初始高斯 基函數(shù)的位置參數(shù)和形狀參數(shù)，利用μ+ △ μ和δ2+ △ δ2，更新初始高斯基函數(shù)，重新對目標纖 維形態(tài)分布的概率密度函數(shù)進行解耦，直至內(nèi)環(huán)迭代學習控制性能指標滿足要求，當前的 尚斯基函數(shù)即為最優(yōu)的尚斯基函數(shù)：
[0080]
[0081] 圖5為初始高斯基函數(shù)位置和形狀及最后一次內(nèi)環(huán)迭代學習控制之后的高斯基函 數(shù)位置和形狀的對比圖，圖6(a)~（c)分別為250次內(nèi)環(huán)迭代學習控制過程中不同基函數(shù)的 中心值對應的纖維長度。圖7(a)~(c)分別為250次內(nèi)環(huán)迭代學習控制過程中不同基函數(shù)的 寬度對應的纖維長度，最后高斯基函數(shù)位置參數(shù)分別穩(wěn)定在0.4400，0.9680和1.3540，高斯 基函數(shù)的形狀參數(shù)穩(wěn)定在0.0900，0.0530和0.1300。圖8為250次內(nèi)環(huán)迭代學習控制性能指 標變化圖，可以看出內(nèi)環(huán)迭代學習控制性能指標值越來越小，最后趨于0。
[0082] 步驟2-2、外環(huán)迭代學習控制：將測量得到的高濃磨盤間隙、給料量作為初始外環(huán) 迭代學習控制輸入，測量到當前時刻的輸出纖維形態(tài)分布的概率密度函數(shù)，利用最優(yōu)的高 斯基函數(shù)對當前時刻的輸出纖維形態(tài)分布的概率密度函數(shù)解耦，得到當前時刻的輸出權(quán)值 向量，子空間辨識得到外環(huán)迭代學習控制輸入輸出的狀態(tài)空間方程，迭代學習得到理想的 高濃磨盤間隙、給料量。
[0083]外環(huán)迭代學習控制的具體方法如下：
[0084] 步驟2-2-1、將測量得到的高濃磨盤間隙、給料量作為初始外環(huán)迭代學習控制輸入 U= [m(t);u2(t)]，測量到當前時刻的控制輸出，即輸出纖維形態(tài)分布的概率密度函數(shù)，然 后利用內(nèi)環(huán)迭代學習控制得到的最優(yōu)高斯基函數(shù)，對輸出纖維形態(tài)分布的概率密度函數(shù)進 行解耦，得到輸出權(quán)值向量，，因為3個基函數(shù)權(quán)值有相關性，概率密度函數(shù)在輸出定義區(qū) 間上的積分為1，所以只需控制其中兩個權(quán)值即可，本實施方式的輸出權(quán)值向量為n = 3維， 選取前11-1 = 2個輸出權(quán)值向量￥〇=[01，02] = [1.2291，0.3410]作為外環(huán)迭代學習控制的 輸出，再進行子空間辨識得到外環(huán)迭代學習控制輸入輸出的狀態(tài)空間方程；
[0085] 對外環(huán)迭代學習控制的輸入輸出數(shù)據(jù)進行子空間辨識，得到輸入輸出狀態(tài)空間方 程如下：
[0086] xj+i,N=Axj,N+BUj,N
[0087] V7 j,N = Cxj,N+DUj,N
[0088] 其中，A、B、C、D均為狀態(tài)方程參數(shù)矩陣，Xj,N為狀態(tài)變量，Uj,N為外環(huán)迭代學習控制 輸入，為外環(huán)迭代學習控制輸出權(quán)值向量，j表示第j個采樣時刻，N表示外環(huán)迭代次數(shù)， 在此記為外環(huán)迭代周期。
[0089] 此時辨識輸入輸出數(shù)據(jù)得到的狀態(tài)空間模型得到的狀態(tài)空間矩陣分別為
，〇 = 〇··設定 每個外環(huán)迭代周期的采樣時刻數(shù)為30個，即j = 1，2，3，…，30。
[0090] 設在整個外環(huán)迭代學習控制過程中時間域被分成W個迭代周期，N代表第N個迭代 周期，~￡[0，1，2，一，1]?！勾淼趡個迭代周期的第」個采樣時刻?？梢缘玫降趡個迭代周期 中第j個采樣時刻的輸出權(quán)值為：
[0091]
[0092]
[0093]
[0094] 其中，V j,N為第N個迭代周期的輸出權(quán)值，Uj,N為第N個迭代周期的輸入。
[0099] 選取如下外環(huán)迭代學習控制性能指標：
[0095]
[0096]
[0097]
[0098]
[0100]
[0101] 式中，Q和Z為預先定義的正定矩陣。
[0102] 每次迭代周期有」個采樣時刻，則外環(huán)迭代學習控制性能指標表示如下：
[0103]
[0104] 為了保證外環(huán)迭代學習控制性能指標的單調(diào)遞減，根據(jù)李雅普諾夫穩(wěn)定性判據(jù)， 只要使其導數(shù)小于零。因此對上式求導得：
[0105]
[0106]由此可保證外環(huán)迭代學習控制的單調(diào)收斂，至此可以得到第k+Ι迭代周期的外環(huán) 迭代學習控制輸入為：
[0107] Un+i < Un- [ GTQG+Z ] _1GTQeN
[0108] 理想的外環(huán)迭代學習控制輸入滿足關系式：
[0109] Un+i = Un+AU(N)
[0110] 因此只要保證：
[0111] Δ U(N) <_[GTQG+Z]-VQeN
[0112] 其中Q=I，Z = 0.002*1，I定義為維數(shù)為60的單位矩陣。
[0113] 步驟2-2-2、若外環(huán)迭代學習控制性能指標J2 = I I ek+11 IVI I UN+1-UN I 12Z滿足外環(huán) 迭代學習控制誤差精度要求E2，g卩J2SE 2,則當前的高濃磨盤間隙、給料量即理想的高濃磨 盤間隙、給料量，執(zhí)行步驟3;否則根據(jù)外環(huán)迭代學習控制性能指標心確定外環(huán)迭代學習控 制輸入變化率A U，調(diào)整輸入，繼續(xù)進行外環(huán)迭代：
[0114] 步驟2-2-3、外環(huán)迭代學習控制輸入變化率疊加到初始外環(huán)迭代學習控制輸入，即 U+AU，作為新的外環(huán)迭代學習控制輸入，返回重新進行子空間辨識，直至外環(huán)迭代學習控 制性能指標滿足要求，得到理想的外環(huán)迭代學習控制輸入即理想的高濃磨盤間隙、給料量。
[0115] 圖9為在最后一個外環(huán)迭代控制周期內(nèi)的權(quán)值變化圖，可以看出，隨著迭代的進 行，權(quán)值逐漸趨于穩(wěn)定，即無誤差地跟蹤目標權(quán)值，這也是迭代學習控制的特點之一。
[0116] 圖10為外環(huán)迭代學習控制性能指標變化圖，隨著迭代次數(shù)的增加，性能指標越來 越小，也就是說控制誤差越來越小。
[0117] 圖11為高濃磨機輸出纖維形態(tài)分布概率密度函數(shù)的控制效果圖，最終輸出纖維形 態(tài)分布I3DF完全跟蹤目標I 3DF。
[0118] 步驟3、將理想的高濃磨盤間隙、給料量發(fā)送至高濃磨漿系統(tǒng)執(zhí)行機構(gòu)，實現(xiàn)輸出 纖維形態(tài)分布的概率密度函數(shù)跟蹤目標纖維形態(tài)分布的概率密度函數(shù)。
[0119] 本發(fā)明基于化學機械制漿過程生產(chǎn)線上傳感器測量的高濃盤磨機輸入輸出相關 數(shù)據(jù)，結(jié)合隨機分布高斯基函數(shù)逼近概率密度函數(shù)理論并運用子空間建模方法，建立高濃 磨漿系統(tǒng)輸出纖維形態(tài)分布PDF與盤磨機主要輸入變量之間的狀態(tài)空間模型，然后用迭代 學習控制算法構(gòu)造雙閉環(huán)控制器，實現(xiàn)對制漿輸出纖維形態(tài)分布PDF的有效控制，從而指導 實際生產(chǎn)操作，在誤差允許范圍之內(nèi)，將輸出紙漿的纖維形態(tài)I 3DF跟蹤給定的TOF變化。這有 利于把成漿質(zhì)量的波動控制在預期的范圍內(nèi)，為制漿過程的優(yōu)化操作和運行提供關鍵質(zhì)量 指標，在實際生廣中具有很大的意義。
[0120] 可以理解的是，以上關于本發(fā)明的具體描述，僅用于說明本發(fā)明而并非受限于本 發(fā)明實施例所描述的技術方案，本領域的普通技術人員應當理解，仍然可以對本發(fā)明進行 修改或等同替換，以達到相同的技術效果；只要滿足使用需要，都在本發(fā)明的保護范圍之 內(nèi)。
【主權(quán)項】
1. 一種高濃磨漿系統(tǒng)輸出纖維形態(tài)分布的控制系統(tǒng)，其特征在于，包括： 數(shù)據(jù)采集單元:獲取測量得到的高濃磨漿系統(tǒng)的高濃磨盤間隙、給料量，給定目標纖維 形態(tài)分布的概率密度函數(shù)； 輸出纖維形態(tài)分布控制單元:將高濃磨盤間隙、給料量作為輸入，目標纖維形態(tài)分布的 概率密度函數(shù)作為輸出，對輸出纖維形態(tài)分布的概率密度函數(shù)進行雙閉環(huán)迭代學習控制， 得到高濃磨漿系統(tǒng)理想的控制輸入即理想的高濃磨盤間隙、給料量，發(fā)送至高濃磨漿系統(tǒng) 執(zhí)行機構(gòu)。2. 根據(jù)權(quán)利要求1所述的高濃磨漿系統(tǒng)輸出纖維形態(tài)分布的控制系統(tǒng)，其特征在于，所 述輸出纖維形態(tài)分布控制單元，包括： 內(nèi)環(huán)迭代學習控制模塊:選取一組高斯基函數(shù)對目標纖維形態(tài)分布的概率密度函數(shù)進 行逼近，通過最小化內(nèi)環(huán)迭代學習控制性能指標，迭代學習得到最優(yōu)的一組高斯基函數(shù)； 外環(huán)迭代學習控制模塊:將測量得到的高濃磨盤間隙、給料量作為初始外環(huán)迭代學習 控制輸入，測量到當前時刻的輸出纖維形態(tài)分布的概率密度函數(shù)，利用內(nèi)環(huán)迭代學習控制 模塊得到的最優(yōu)的那組高斯基函數(shù)對當前時刻的輸出纖維形態(tài)分布的概率密度函數(shù)解耦， 得到當前時刻的輸出權(quán)值向量，子空間辨識得到外環(huán)迭代學習控制輸入輸出的狀態(tài)空間方 程，迭代學習得到理想的高濃磨盤間隙、給料量。3. 采用權(quán)利要求1所述的控制系統(tǒng)的高濃磨漿系統(tǒng)輸出纖維形態(tài)分布控制方法，其特 征在于，包括： 測量高濃磨漿系統(tǒng)的高濃磨盤間隙、給料量，給定目標纖維形態(tài)分布的概率密度函數(shù)； 將高濃磨盤間隙、給料量作為輸入，目標纖維形態(tài)分布的概率密度函數(shù)作為輸出，對輸 出纖維形態(tài)分布的概率密度函數(shù)進行雙閉環(huán)迭代學習控制，得到高濃磨漿系統(tǒng)理想的控制 輸入即理想的高濃磨盤間隙、給料量； 將理想的高濃磨盤間隙、給料量發(fā)送至高濃磨漿系統(tǒng)執(zhí)行機構(gòu)，實現(xiàn)輸出纖維形態(tài)分 布的概率密度函數(shù)跟蹤目標纖維形態(tài)分布的概率密度函數(shù)。4. 根據(jù)權(quán)利要求3所述的高濃磨漿系統(tǒng)輸出纖維形態(tài)分布控制方法，其特征在于，所述 雙閉環(huán)迭代學習控制的方法如下： 內(nèi)環(huán)迭代學習控制:選取一組高斯基函數(shù)對目標纖維形態(tài)分布的概率密度函數(shù)進行逼 近，通過最小化內(nèi)環(huán)迭代學習控制性能指標，迭代學習得到最優(yōu)的一組高斯基函數(shù)； 外環(huán)迭代學習控制：將測量得到的高濃磨盤間隙、給料量作為初始外環(huán)迭代學習控制 輸入，測量到當前時刻的輸出纖維形態(tài)分布的概率密度函數(shù)，利用最優(yōu)的那組高斯基函數(shù) 對當前時刻的輸出纖維形態(tài)分布的概率密度函數(shù)解耦，得到當前時刻的輸出權(quán)值向量，子 空間辨識得到外環(huán)迭代學習控制輸入輸出的狀態(tài)空間方程，迭代學習得到理想的高濃磨盤 間隙、給料量。5. 根據(jù)權(quán)利要求4所述的高濃磨漿系統(tǒng)輸出纖維形態(tài)分布控制方法，其特征在于，所述 內(nèi)環(huán)迭代學習控制的具體方法如下： 選定一組初始高斯基函數(shù)對目標纖維形態(tài)分布的概率密度函數(shù)進行解耦，轉(zhuǎn)換成初始 高斯基函數(shù)對應的權(quán)值向量即初始的輸出權(quán)值向量； 初始高斯基函數(shù)乘以對應的權(quán)值向量，即初始的內(nèi)環(huán)迭代學習控制輸出； 若內(nèi)環(huán)迭代學習控制性能指標滿足要求，則當前的高斯基函數(shù)即為最優(yōu)的高斯基函 數(shù)，得到最終的內(nèi)環(huán)迭代學習控制輸出即最優(yōu)的高斯基函數(shù)，進行外環(huán)迭代學習控制；否則 根據(jù)內(nèi)環(huán)迭代學習控制性能指標確定內(nèi)環(huán)迭代學習率，得到高斯基函數(shù)位置參數(shù)的變化率 和形狀參數(shù)的變化率； 高斯基函數(shù)位置參數(shù)的變化率和形狀參數(shù)的變化率疊加到初始高斯基函數(shù)的位置參 數(shù)和形狀參數(shù)，更新初始高斯基函數(shù)，重新對目標纖維形態(tài)分布的概率密度函數(shù)進行解耦， 直至內(nèi)環(huán)迭代學習控制性能指標滿足要求，當前的高斯基函數(shù)即為最優(yōu)的高斯基函數(shù)，得 到最終的內(nèi)環(huán)迭代學習控制輸出即最優(yōu)的高斯基函數(shù)。6.根據(jù)權(quán)利要求4所述的高濃磨漿系統(tǒng)輸出纖維形態(tài)分布控制方法，其特征在于，所述 外環(huán)迭代學習控制的具體方法如下： 將測量得到的高濃磨盤間隙、給料量作為初始外環(huán)迭代學習控制輸入，測量到當前時 刻的控制輸出，即輸出纖維形態(tài)分布的概率密度函數(shù)，然后利用內(nèi)環(huán)迭代學習控制得到的 最優(yōu)高斯基函數(shù)，對輸出纖維形態(tài)分布的概率密度函數(shù)進行解耦，得到輸出權(quán)值向量，假設 輸出權(quán)值向量為/3維，選取前/3 _1個輸出權(quán)值向量作為外環(huán)迭代學習控制的輸出，再進行 子空間辨識得到外環(huán)迭代學習控制輸入輸出的狀態(tài)空間方程； 若外環(huán)迭代學習控制性能指標滿足要求，則當前的高濃磨盤間隙、給料量即理想的高 濃磨盤間隙、給料量;否則根據(jù)外環(huán)迭代學習控制性能指標確定外環(huán)迭代學習率，進而得到 外環(huán)迭代學習控制輸入變化率； 外環(huán)迭代學習控制輸入變化率疊加到初始外環(huán)迭代學習控制輸入，作為新的外環(huán)迭代 學習控制輸入，返回重新進行子空間辨識，直至外環(huán)迭代學習控制性能指標滿足要求，得到 理想的外環(huán)迭代學習控制輸入即理想的高濃磨盤間隙、給料量。
【文檔編號】G06Q10/04GK106056243SQ201610367551
【公開日】2016年10月26日
【申請日】2016年5月27日
【發(fā)明人】周平, 杜如珍, 王宏, 王晨宇, 柴天佑
【申請人】東北大學