盤磨機控制方法
【技術領域】
[0001] 本發(fā)明設及一種盤磨機控制方法，屬于制紙設備技術領域。
【背景技術】
[0002] 盤磨機是一種制紙設備，通過控制盤磨機的進退刀就可W控制打漿度。打漿是紙 張生產過程不可缺少的環(huán)節(jié)，通過測量打漿度可W掌握纖維被切斷、潤漲、分絲、細纖維化 的程度。紙張制造行業(yè)常用濕重、打漿度兩個指標衡量紙漿質量。但是目前還沒有對打漿度 進行在線監(jiān)測的設備，由于沒有對打漿度實時檢測的信號，也難W對盤磨機進行有效精準 的控制。

【發(fā)明內容】

[0003] 本發(fā)明的目的在于提供一種盤磨機控制方法，依據對打漿度進行在線監(jiān)測，對盤 磨機進行有效精準的控制。
[0004] 本發(fā)明的目的通過W下技術方案予W實現：
[000引一種盤磨機控制方法，包括W下步驟：
[0006] 1)根據對紙漿廠的生產數據的記錄，統(tǒng)計出進漿流量、進漿濃度、盤磨機消耗的電 功率，對應時刻的打漿度的數據;將進漿流量、進漿濃度、盤磨機消耗的電功率作為輸入參 量，將打漿度作為輸出參量，建立神經網絡，根據已有的歷史監(jiān)測數據，使用BP神經網絡，附 加動量學習規(guī)則，訓練神經網絡；
[0007] 2)根據紙漿廠打漿度的規(guī)定值，由粒子群算法，求解神經網絡的最優(yōu)輸入參量，即 進漿流量、進漿濃度、盤磨機消耗的電功率；
[0008] 3)根據上一循環(huán)神經網絡估計誤差判斷是否需要人工采樣，如需要，通過人工采 樣然后離線分析，對比得出實測的打漿度與神經網絡估計出的打漿度的誤差，然后將運組 實測的打漿度數據，W及神經網絡估計與實測的誤差數據一起，使用附加動量學習規(guī)則，更 新訓練神經網絡;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W下技術措施來進一步實現：
[0010] 前述盤磨機控制方法，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NG，初始化粒子位置， 計算每個粒子的適應度并初始化全局最優(yōu)解與個體最優(yōu)解；
[0012] 計算粒子適應度的函數為：
[0013]
[0014] 其中，0康示神經網絡輸出向量的第i個元素，0^1為理論期望的輸出向量的第i個 兀素；
[0015] 2)更新粒子群:粒子群的運動方程如下：
[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，Cl，C2，C3為常數，Cl，C2取 Mr 值為2.8，C3取值為ο. 3，化est為每個粒子捜索過的個體最優(yōu)解，gbest為所有粒子捜索過的 全局最優(yōu)解；
[0019] 3)計算本次迭代的粒子適應度，更新個體最優(yōu)解與全局最優(yōu)解：即對每個粒子，將 本次迭代產生的適應度，與當前個體最優(yōu)解相比，取適應度較小的為個體最優(yōu)解，與所有粒 子捜索過的全局最優(yōu)解相比，取適應度較小的為全局最優(yōu)解；
[0020] 4)判斷是否達到迭代NG次，若是，則輸出全局最優(yōu)解，若否，則返回步驟2)。
[0021] 前述盤磨機控制方法，其中附加動量學習法，更新規(guī)則如下式：
[0022]
[0023] 其中Δ ω (t)= ω α)-ω (t-1)，Ετ為神經網絡的訓練誤差，η為權重，a為動量因 子，取0.9。
[0024] 前述盤磨機控制方法還可W通過另一種技術方案予W實現：
[0025] 一種盤磨機控制方法，包括W下步驟：
[0026] 1)根據對紙漿廠的生產參數的記錄，統(tǒng)計出進漿流量、進漿濃度、盤磨機消耗的電 功率，對應時刻的打漿度的數據;將進漿流量、進漿濃度、盤磨機消耗的電功率作為輸入參 量，將打漿度作為輸出參量，建立神經網絡，根據已有的歷史監(jiān)測數據，使用BP神經網絡，附 加動量學習規(guī)則，訓練神經網絡；
[0027] 2)根據紙漿廠打漿度的規(guī)定值，由遺傳算法，求解神經網絡的最優(yōu)輸入參量，即進 漿流量、進漿濃度、盤磨機消耗的電功率；
[0028] 所述遺傳算法包括W下步驟：
[0029] ①采用實數編碼，初始化染色體，形成初始種群；
[0030] ②利用適應度函數評價各代中的每個染色體；
[0031] ③進行遺傳操作；
[0032] ④重新計算每個個體的適應值；
[0033] ⑤選擇好新種群后，對新種群中的最優(yōu)個體進行保留，用上代的最優(yōu)個體取代本 代的最差個體；
[0034] ⑥判斷是否達到進化代數，若沒有，則返回第②步，否則結束；
[0035] ⑦將新種群中的最優(yōu)個體的值作為和，保持不變，采用BP算法進行學習，直到滿足 性能指標；
[0036] 3)根據上一循環(huán)神經網絡估計誤差判斷是否需要人工采樣，如需要，通過人工采 樣然后離線分析，對比得出實測的打漿度與神經網絡估計出的打漿度的誤差，然后將運組 實測的打漿度數據，W及神經網絡估計與實測的誤差數據一起，使用附加動量學習規(guī)則，更 新訓練神經網絡;如不需要人工采樣，則返回步驟2)。
[0037] 前述盤磨機控制方法，對進漿流量的采集數據進行數據預處理，預處理方法為先 采用統(tǒng)計判別法的拉依達準則剔除含有顯著誤差的異常數據，然后進行濾波，濾波方法如 下：
[0038] 1)對被測參數進行濾波，即對被測參數連續(xù)采樣多次，將采樣值進行排序，選取中 間值為本次有效采樣值；
[0039] 2)對被測參數進行有限脈沖響應濾波，先給定理想濾波器的頻率特性曲(e^);
[0040] 3)計算理想濾波器的單位抽樣響應
[0041 ] 4)設置濾波器形式、窗函數類型、窗口長度N參數為: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，窗函數類型采用Hamming 窗，濾波器階數N=30;
[0042] 5)調用MATLAB函數計算濾波器系數w(n);
[0043] 6)計算所設計濾波器的單位抽樣響應h(n) =hd(n)w(n);
[0044] 7)將設計好的N個h(n)序列存入對應存儲區(qū)；
[004引8)將中值濾波結果XI作為x(n)存入對應存儲區(qū)；
[0046] 9)循環(huán)讀取h(n)、x(n)值進行卷積運算，求得在線濾波結果
[0047] 與現有技術相比，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 工化驗來確定，大大滯后于打漿過程，無法對盤磨機進行精準有效控制的問題，實現了對打 漿度的軟測量，給盤磨機的實時控制提供了在線檢測信號。
【附圖說明】
[004引圖1是本發(fā)明神經網絡模型結構圖。
【具體實施方式】
[0049] 下面結合附圖和具體實施例對本發(fā)明作進一步說明。
[0050] 如圖1所示，本發(fā)明建立進漿流量、進漿濃度、盤磨機消耗的電功率與對應時刻的 打漿度之間的映射關系，建立神經網絡。該神經網絡經過訓練W后，對打漿度進行軟測量。 [0051 ]為實現運一目的，具體包括W下步驟：
[0052] 1)根據對紙漿廠的生產參數的歷史詳細記錄，統(tǒng)計出進漿流量、進漿濃度、盤磨機 消耗的電功率，對應時刻的打漿度的數據;將進漿流量、進漿濃度、盤磨機消耗的電功率作 為輸入參量，將打漿度作為輸出參量，建立神經網絡，根據已有的歷史監(jiān)測數據，使用BP神 經網絡，附加動量學習規(guī)則，訓練神經網絡;附加動量學習法更新規(guī)則如下式：
[0053]
[0054] 其中Δ ω (t)= ω (t)-w (t-1)，Ετ為神經網絡的訓練誤差，η為權重，a為動量因 子，取0.9。
[0055] 2)根據紙漿廠打漿度的規(guī)定值，由粒子群算法，求解神經網絡的最優(yōu)輸入參量，即 進漿流量、進漿濃度、盤磨機消耗的電功率;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NG，初始化粒子位置， 計算每個粒子的適應度并初始化全局最優(yōu)解與個體最優(yōu)解；
[0057] 計算粒子適應度的函數為：
[005引
[0059] 其中，〇1表示神經網絡輸出向量的第i個元素，0^1為理論期望的輸出向量的第i個 兀素；
[0060] (2)更新粒子群:粒子群的運動方程如下：
[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，Cl，C2，C3為常數，Cl，C2取 NP 值為2.8，C3取值為0.3，化est為每個粒子捜索過的個體最優(yōu)解，gbest為所有粒子捜索過的 全局最優(yōu)解；
[0064] (3)計算本次迭代的粒子適應度，更新個體最優(yōu)解與全局最優(yōu)解：即對每個粒子， 將本次迭代產生的適應度，與當前個體最優(yōu)解相比，取適應度較小的為個體最優(yōu)解，與所有 粒子捜索過的全局最優(yōu)解相比，取適應度較小的為全局最優(yōu)解；
[0065] (4)判斷是否達到迭代NG次，若是，則輸出全局最優(yōu)解，若否，則返回步驟(2)。
[0066] 3)由于神經網絡建立了進漿流量、進漿濃度、盤磨機消耗的電功率，對應時刻的打 漿度之間的映射關系，神經網絡經過訓練W后，可W對打漿度進行預測及控制，為了取得更 好的測控效果，縮小神經網絡估計誤差，需要更新訓練神經網絡。
[0067] 具體做法為根據上一循環(huán)神經網絡估計誤差判斷是否需要人工采樣，其判斷規(guī)則 為:若上次采樣數據與神經網絡數據誤差較小，則延長下次人工采樣與本次采樣的間隔時 間，若本次人工采樣數據與神經網絡數據誤差