周 煒 胡慕伊
(南京林業大學江蘇省制漿造紙科學與技術重點實驗室,江蘇南京,210037)
紙張定量和水分是表征紙張質量參數的重要指標,分別指紙張每平米的質量和含水量[1]。影響紙張質量指標的因素很多,其中影響定量的主要因素是上網紙漿的濃度、流量和車速,而影響紙張水分的因素包括真空脫水、壓榨脫水和烘缸干燥等各個環節的運轉情況。另外,紙張水分波動對定量的影響也很大,表現出強耦合特征。
本實驗根據紙機定量和水分的過程特點,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,得到了滿意的結果。
由于紙機的定量和水分受許多因素影響,因此在模型分析時,假設除中路芯漿的閥門開度和總管蒸汽閥門開度兩個因素外,其他影響因素都不變,這樣紙機定量水分控制系統可以看作是一個典型的雙輸入雙輸出的控制系統,其輸入量是放漿閥門的開度和蒸汽閥門的開度,輸出量是紙張定量和水分。為了保證紙機定量水分系統獲得好的控制效果和安全運行,需要控制紙機的紙張定量和水分兩個被控變量,一般以控制中路芯漿流量來調節定量,以控制總管蒸汽流量來調節水分。
本實驗利用階躍響應法對某廠一紙機進行降階處理,得到紙機定量水分傳遞函數模型[2]:
其中,y1(s)和y2(s)分別為定量和水分的測量值,u1(s)和u2(s)分別為中路芯漿閥門開度和總管蒸汽閥門開度。
以一個雙輸入雙輸出系統為例,設計如圖1所示的PID控制器。
圖1 多變量PID自適應解耦控制器
其中,作用于控制器的PID參數為kp、ki、kd。r1、r2和y1、y2分別為系統的輸入值和輸出值,Ts為采樣時間[3]。
kp(n)、ki(n)、kd(n)進行如下定義:
上式中的ηp、ηi、ηd分別為kp(n)、ki(n)、kd(n)的學習效率,?y/?u為Jacobian信息,該信息可由文獻[3]中設計的DRNN網絡辨識得到。
基于DRNN神經網絡的定量水分雙變量解耦控制系統結構如圖2所示。
圖2 紙機定量水分DRNN解耦控制系統方框圖
從圖2可以看出,系統由辨識器、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[4]。系統的結構框圖如圖2所示。其中r1、r2分別為定量和水分的設定值,y1、y2分別為其對應的測量值,u1、u2分別為中路芯漿閥門開度和總管蒸汽閥門開度。
仿真過程中,DRNN網絡結構取3-6-1,采樣周期Ts取1s,輸入層、輸出層和隱含層權值向量初值?。?1,1]內的隨機值[5],ηp、ηi、ηd分別取0.5、0.3和0.3,網絡迭代步數取300。
在定量控制輸入端施加單位階躍擾動[6],定量和水分的期望值分別是1.0和0。系統響應曲線如圖3所示,系統的輸出分別達到了期望值1.0和0,靜態誤差均為0。其中定量輸出的調節時間為165s,無超調量。水分輸出的調節時間為150s,超調量為27.3%。
在水分控制輸入端施加單位階躍干擾[6],定量和水分的期望值分別是0和1.0。系統響應曲線如圖4所示,系統的輸出分別達到了期望值0和1.0,靜態誤差均為0。其中水分輸出的調節時間為242s,無超調量,定量輸出的調節時間為162s,超調量為9.5%。
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中,通過動態調整PID參數以克服系統受到的各種干擾,保證了系統良好的穩態性能,實現了定量水分的解耦。實驗結果表明,在受到較大干擾時,系統能夠快速調整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。
[1]孫 鑫,孫亞廣,孫優賢.造紙過程定量水分的建模與控制[J].中國造紙,2008,27(5):19.
[2]陳 蓓,田 娜,姚 培.基于單神經元自適應PID水分定量內模解耦控制[J].陜西科技大學學報,2008,26(3):91.
[3]劉 剛,蔡十華.一種基于DRNN神經網絡整定的PID解耦控制方法的研究[J].江西科學,2004,22(5):18.
[4]劉金琨.智能控制[M].北京:電子工業出版社,2005.
[5]李華聰,榮立燁,朱玉斌.基于QDRNN網絡的航空發動機多變量解耦控制[J].航空動力學報,2007,22(11):143.
[6]熊淑貞,張根寶.抄紙過程定量水分控制仿真研究[J].計算機仿真,2007,24(1):324.