基于滚动时域估计的辊式立磨自适应预测控制系统的制作方法

本发明涉及辊式立磨的控制方法，特别是辊式立磨自适应预测控制系统。

背景技术：

辊式立磨是由一套碾磨装置(即磨辊和磨盘)，物料在磨辊和磨盘之间被碾磨成粉状。碾磨装置的运动由磨盘回转并相应带动磨辊传动，碾磨压力除了磨辊自重外，主要靠液压装置对磨盘物料加压。碾磨后的物料经配套的选粉机分选，粗粉回到磨盘再次粉磨，合格的成品经收尘和输送系统送入成品储库。辊磨立磨集细碎、烘干、粉磨、选粉、输送于一体，具有粉磨效率高、烘干能力大、产品细度易于调节、噪音小、电耗低工艺流程简单、磨耗小、运行费用省等优点，被广泛应用于大型化的建材、冶金等工业生产线的粉磨领域。

如201410056083.6号专利申请公开的一种应用于研磨石油焦的中速立磨，包括研磨装置，所述研磨装置包括磨辊组件和磨盘组件，所述磨辊组件包括磨辊和磨辊辊套，所述磨盘组件设有衬板，其中：所述磨辊辊套的宽度在原有基础上增加至少10mm，所述衬板的厚度至少增加20mm，所述磨辊的包角至少减小为38.45°。该发明在常规型zgm中速磨煤机的基础上，优化研磨曲线，提高研磨效率，通过液压变加载系统，优化液压油管路系统和旋转分离器，设置喷水装置，确保了应用于研磨石油焦的中速立磨的运行稳定性。

辊式立磨粉磨系统是一个多变量强耦合的系统。辊式立磨研磨过程是一个纯粹的物理(机械)过程，磨辊压力、磨机压差、料层厚度、循环风量、出口温度、主电机电流、外循环提升机电流、磨机振动等关键过程参数存在一个最佳运行区间。辊式立磨只有在最佳运行区间内运行，单位电耗和设备损耗才能最小化，磨机运行效能才能最大化。

但是，目前，尽管工业生产线已广泛采用了dcs/plc控制系统，但只限于对生产过程的集中监视并没有发挥出计算机自动控制的潜能，运行操作仍然维持在人工操作状态，必须依赖人的经验和能力，普遍存在操作手法难以统一和规范、各操作员的运行结果参差不齐、各班次运行水平波动较大等现象，优秀的操作员往往不能长时间将其保持在最佳运行区间，系统单位电耗与国际先进水平相比仍存在较大差距，产品质量、能耗等经济指标的改进与提高。

辊式立磨系统是一个具有多变量、大滞后、大惯性、非线性、时变等特征的复杂系统，传统控制手段的局限性使其无法有效解决这些控制难题。一般模型预测控制使用线性时不变的动态模型进行预测，然而在实践中，由于执行器存在非线性，因此线性时不变的模型难以做到准确预测。

系统控制变量有：喂料量、喷水量、磨辊压力、循环风量、选粉机转数和管道阀门开度等；被控变量有：磨机出口温度、产品细度、料层厚度、磨机压差、外循环量、磨机入口温度等，核心被控参数是磨主电机电流。

辊式立磨系统耦合性强：喂料量直接影响料层厚度、磨机压差、主电机电流和外循环提升机电流；喷水量直接影响磨机出口温度、料层厚度、主电机电流和磨机压差；选粉机转速和系统风量直接影响磨机压差、产品细度、磨机震动和外循环提升机电流等。

行业专家和传统的pid控制方法：(1)调节磨机喂料量，保持磨机料层稳定将磨机电流、循环斗式提升机电流、磨机振动以及磨机压差控制在设定范围内。(2)调节磨机的喷水和研磨压力，保证磨机振动的稳定。(3)调整选粉机转速和排风机转速，保证磨机出磨生料质量(细度)最优化。(4)调整磨机的冷热风阀和循环风阀，保证磨机出口温度稳定，保持入磨负压在一定范围内波动。由于pid自动控制策略和方法粗暴简单，并且是单入单出的控制，所以，在实施自动控制时遇到各种各样的困难，其自控投运率、可维护性、可移植性仍不尽人意，无法实现自动控制。

申请号为201910619419.8的专利公开了一种基于卷积神经网络的水泥原料立磨生料细度指标预测方法，其特征在于，包括以下步骤：步骤1：选取与生料细度相关的8个输入变量，对选取后的变量数据进行归一化处理，构建8个变量时间序列输入层，同时对归一化后的变量数据进行时间序列的处理；步骤2：对输入的变量数据进行卷积池化及全连接运算，首先对输入数据进行卷积运算，并对经过卷积运算的输入数据进行池化，经过多次卷积池化后对输出数据进行全连接操作，再经过droupout层处理完成对卷积神经网络预测模型前向训练的过程；步骤3：卷积神经网络模型采用反向传播技术更新权值参数以提高生料细度预测精度，通过计算梯度的一阶矩估计和二阶矩估计而为不同的参数设计独立的自适应性学习率，更新卷积层的权值和偏置，完成对网络的参数微调，使生料细度模型的预测误差小于设定阈值，完成卷积神经网络模型训练；步骤4：利用训练好的cnn模型对水泥原料立磨生料细度指标进行实时预测。该专利申请的技术方案基于卷积神经网络，且控制的目标量是生料细度，并且神经网络的算法需要基于大量的数据进行建模，该技术方案侧重于神经网络算法的实现，完全没有提到对磨主机的控制。

技术实现要素：

本发明所要解决的技术问题在于如何通过实现稳定的自动控制从而提高辊式立磨的预测准确度。

本发明通过以下技术手段实现解决上述技术问题的：基于滚动时域估计的辊式立磨自适应预测控制系统，包括opcserver模块、opc模块、mpc算法模块、http模块、数据库模块以及web模块；

opc模块负责对opcserver数据的读写，读取opcserver上的dcs数据，并对这些dcs数据进行滤波处理后输出到mpc算法模块，同时opc模块还接收算法模块输出的数据，并将数据写入到opcserver模块，完成控制量的下发操作；

mpc算法模块获取到数据后，首先判断当前处于什么模式，如果是手动模式，则mpc算法模块不会对数据进行分析处理，算法模块将磨操人员输入的数据以及辊式立磨的关键技术参数进行拼接并发送；如果是自动模式，mpc算法模块首先判断提升机电流是否越限，如果提升机电流越限则进入提升机电流控制算法进行处理，同时判断压差是否越限，如果压差越限则进入压差控制算法进行处理；如果提升机电流和压差的值都正常，则进入磨主机电流控制算法和喷水流量控制算法，mpc算法模块使用基于滚动时域估计的方法实现自适应预测控制，滚动时域估计使用动态优化和向后时间测量视界来优化调整参数和状态，利用非线性规划求解器对动态优化问题进行数值收敛，在每个控制区间，自适应mpc控制器更新对象模型参数，一旦更新，模型参数在预测范围内保持不变，算法处理后对输入量和输出量进行拼接和发送；

http模块接收到mpc算法模块的数据后，将数据发送给httpserver模块，httpserver模块调用数据库接口，将数据存储到时序数据库；

web模块会时获取时序数据库的数值，并进行展示。

作为进一步优化的技术方案，所述dcs数据包括：磨主机电流反馈，磨主机电流目标值，提升机电流反馈，提升机电流阈值，手自动标志，喂料量给定，喷水流量自动设定量，喷水控制阀反馈，喷水阀自动给定，喷水流量反馈，水料比值，提升机电流死区，提升机电流反馈值，原料磨喂料量自动给定值，提升机电流上限，喂料量反馈，压差当前所处区间，压差死区，压差不同区间限值，选粉机转速自动给定值，选粉机基准值，磨机压差值；

写入opcserver模块的数据包括：心跳数据，喂料量给定值。

作为进一步优化的技术方案，opc模块封装了一个opcclient客户端、一个subscrib功能块和一个publish功能块，opcclient客户端中能够配置任意数量的读写数据，opcclient客户端定时从opcserver端读取dcs数据并发送给算法模块进行处理，在opcclient客户端配置的数据中，只要数据发生变化就会触发opc模块的读写操作，opcclient客户端读取到数据后，通过publish功能块发送到下一个模块进行处理，subscrib功能块接收算法模块输出的数据，并将数据写入到opcserver模块，从而完成控制量的下发操作。

作为进一步优化的技术方案，模型预测控制算法包括下述步骤：

步骤1：开始；

步骤2：等待周期性事件触发；

步骤3：滚动时域估计优化模型参数；

步骤4：更新mpc控制器模型参数；

步骤5：mpc控制求最优解；

步骤6：将最优解交给执行器，判断循环次数是否达到预定次数，未达到则范汇步骤2，否则进入步骤7；

步骤7：结束。

作为进一步优化的技术方案，mpc算法模块的模型预测算法目标函数为l1范数，被控量的设定值指定上限sphi和下限splo，上下限中间范围称为死区，其公式如下所示：

minυ＝whiehi+wloelo+wyy+wuu+wδuδu

式中υ为目标函数，whi为越上限惩罚权重，ehi为越上限的误差值，wlo为越下限惩罚权重，elo为越下限的误差值，wy为被控量控制权重，y为被控量模型预测值，wu为控制量的控制权重，u为控制量，wδu为控制量变化惩罚权重，δu为控制量的变化；

增大whi能够抑制被控量超过目标值上限，增大wlo能够抑制被控量低于目标值下限，wy为正能够抑制被控量的变化，为负能够促进被控量的变化，wu为正能够抑制控制量的变化，为负能够促进控制量的变化，wδu增大能够抑制单个控制周期内控制量的变化，此目标函数通过调节上述权重，能对模型中的各个量进行单独控制。

作为进一步优化的技术方案，所述磨主机电流控制算法策略如下：

喂料量与磨主机电流之间存在着明显的正相关，控制量是喂料量，被控量是磨主机电流，做阶跃响应，查看数据的响应曲线，并计算对应的k,tau,theta，在mpc算法模块中，对模型参数进行赋初值，辊式立磨生产过程中，磨主机电流会随着工况不断变化，mpc算法模块根据磨主机电流的反馈值实时计算喂料量的大小并下发控制从而实现磨主机电流的稳定，mpc算法模块控制过程中，会将喂料量自动给定值、喂料量反馈、磨主机电流反馈和磨主机电流设置值拼接并发送到http模块，方便后续的存库和展示调试。

作为进一步优化的技术方案，所述喷水流量控制算法策略如下：

喷水量会随着喂料量的变化而成比例变化，通过控制喷水阀的开度来调节喷水流量的大小，做阶跃响应，查看数据的响应曲线，并计算对应的k,tau,theta，在mpc算法模块中，对模型参数进行赋初值，算法模块控制过程中，会将喷水流量自动设定量、喷水控制阀反馈、喷水阀自动给定、喷水流量反馈和水料比值拼接并发送到http模块，方便后续的存库和展示调试。

作为进一步优化的技术方案，所述提升机电流控制算法策略如下：

当提升机电流超过设定的阈值时会停止磨主机电流控制模块和喷水流量控制模块，并将喂料量直接减少，然后不断地监测提升机电流的数值变化，直到提升机电流值恢复到正常值再启用磨主机电流控制模块和喷水流量控制模块，mpc算法模块控制过程中，会将提升机电流死区、提升机电流反馈值、原料磨喂料量自动给定值、提升机电流上限和喂料量反馈拼接并发送到http模块，方便后续的存库和展示调试。

作为进一步优化的技术方案，所述压差控制算法控制策略如下：

压差控制策略是将压差值分为4个区间，当压差处于zone1时直接退出自动控制切换到手动模式由磨操人员人工干预进行紧急处理，当压差处于zone2时将粉机转速在默认转速的基础上降2档，当压差处于zone3时将粉机转速在默认转速的基础上降1档，当压差处于zone4时将选粉机转速设置成默认值。压差控制模块，实时监测压差值，在压差发生变化时及时根据上述控制策略调整选粉机转速，从而实现压差的智能控制，mpc算法模块控制过程中，会将压差当前所处区间、压差死区、压差不同区间限值、选粉机转速自动给定值、选粉机基准值和磨机压差值拼接并发送到http模块，方便后续的存库和展示调试。

作为进一步优化的技术方案，所述mpc算法模块中编辑封装了多个功能块，其中subscribe用于接收opc模块的数据，a_m_switch用于判断手自动状态，mode_selector用于判断提升机电流压差等是否处于越限状态，hrg_mpc模块用于磨主机电流控制和喷水流量控制，功能块左侧为输入，右侧为输出，上侧为事件，底部为数据，使用功能块首先需要触发初始化事件，然后配置好参数和数据后，通过触发mpc事件即能够使用该模块，mvout为算法计算出的控制量的值，mpc0为关联事件，此功能块能够在线修改相关参数并实时生效，hrt_emerg用于提升机电流控制和压差控制，opc_emerg_mv用于下发提升机电流控制模块的计算结果，http_emerg_data用于发送待存库的数据，opc_mpc_mv用于下发磨主机电流控制模块的计算结果，http_mpc_data和http_mpc_config用于发送待存库的数据。

本发明的优点在于：本发明专利的技术方案的控制量是磨主机电流，其中算法建模只需要做一次阶跃响应即可，且侧重于通过mpc算法以及各种组合控制方法实现对磨主机电流的稳定控制，具体如下：

稳定生产状态：由于基于滚动时域估计的辊式立磨自适应预测控制系统是实时在线控制，通过多变量协调操作及时有效地抑制系统扰动，可以很好的保持系统重要控制参数稳定，大幅度降低被控变量的波动，使关键被控变量无限接近控制目标。

设计了一个组合的控制策略用于确保生料磨稳定高效运行，组合的控制策略包括：磨主机电流控制策略，喷水流量控制策略，提升机电流控制策略，压差控制策略。

在保持生产线整体稳定的同时，通过计算机控制的规范操作行为，使台时产量和产品品质得到显著提高；单位能耗明显降低。

提高劳动生产率；延长设备寿命。

附图说明

图1是先进控制方法的主要功能模块；

图2是opc模块的编辑界面；

图3是算法模块的编辑界面；

图4是磨操的手动控制界面；

图5是http模块的编辑界面；

图6是自主开发的web端页面；

图7是动态调试界面。

图8模型预测控制算法执行流程图。

图9是本发明的控制效果与纯手动控制的对比效果图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参阅图1，本发明基于滚动时域估计的辊式立磨自适应预测控制系统包括opc(oleforprocesscontrol用于过程控制的对象链接和嵌入)server模块(opc服务器模块)、opc模块、mpc算法模块、http模块、数据库模块以及web模块。

如图2所示，opc模块封装了一个opcclient客户端、一个subscrib功能块和一个publish功能块，opcclient客户端负责对opcserver数据的读写，读取opcserver上的dcs数据，这些dcs数据包括：磨主机电流反馈，磨主机电流目标值，提升机电流反馈，提升机电流阈值，手自动标志，喂料量给定，喷水流量自动设定量，喷水控制阀反馈，喷水阀自动给定，喷水流量反馈，水料比值，提升机电流死区，提升机电流反馈值，原料磨喂料量自动给定值，提升机电流上限，喂料量反馈，压差当前所处区间，压差死区，压差不同区间限值，选粉机转速自动给定值，选粉机基准值，磨机压差值，并对这些dcs数据进行滤波处理后输出到mpc算法模块。

优选的，opcclient客户端中可以配置任意数量的读写数据，opcclient客户端定时从opcserver端读取dcs数据并发送给算法模块进行处理。在opcclient客户端配置的数据中，只要数据发生变化就会触发opcclient客户端的读写操作，opcclient客户端配置的数据可以设置死区读取频率等参数。

同时opc模块中的opcclient客户端读取到数据后，可以通过publish功能块发送到下一个模块进行处理。subscrib功能块还接收算法模块输出的数据，并将数据写入到opcserver模块，从而完成控制量的下发操作，写入opcserver模块的数据包括：心跳数据，喂料量给定值。

mpc算法模块负责对数据进行处理计算。如图3所示，mpc算法模块从opc模块中获取到了数据，并进行滤波处理和分析计算。同时进行存库数据的拼接和发送。mpc算法模块的具体执行过程如下：

mpc算法模块获取到数据后，首先判断当前处于什么模式，如果是手动模式，则mpc算法模块不会对数据进行分析处理，因为此时整个系统完全是由磨操人员控制的，图4所示界面，就是磨操的手动控制界面，算法模块会将磨操人员输入的数据以及辊式立磨的关键技术参数进行拼接并发送，方便后续的存库和web模块展示；如果是自动模式，mpc算法模块会首先判断提升机电流是否越限，如果提升机电流越限则进入提升机电流控制算法进行处理，同时会判断压差是否越限，如果压差越限则进入压差控制算法进行处理；如果提升机电流和压差的值都正常，则进入磨主机电流控制算法和喷水流量控制算法。

mpc算法模块的控制算法采用自适应预测控制(adaptivempc)。一般模型预测控制使用线性时不变的动态模型进行预测，然而在实践中，由于执行器存在非线性，因此线性时不变的模型难以做到准确预测。为了提高控制器的鲁棒性，本mpc算法模块使用基于滚动时域估计(movinghorizonestimation、mhe)的方法实现自适应预测控制。滚动时域估计使用动态优化和向后时间测量视界来优化调整参数和状态。数据可能包括噪音(随机波动)、漂移(逐渐偏离真实值)、异常值(突然和临时偏离真实值)或其他不准确的地方，利用非线性规划求解器对动态优化问题进行数值收敛。例如，实际应用中通过喂料量控制磨主机电流，首先做个阶跃测试，即较大幅度地改变喂料量，观察磨主机电流的变化，计算出模型参数k(模型增益),tau(时间常数),theta(时延)的初始值。然后投入自动后，每个控制周期再结合最新的历史数据，通过滚动时域估计算法拟合出最优的模型参数。通过实时更新模型参数k,tau,theta，从而使控制效果更加精确。模型预测控制算法执行流程如图8所示，包括下述步骤：

步骤1：开始；

步骤2：等待周期性事件触发；

步骤3：滚动时域估计优化模型参数k,tau,theta；

步骤4：更新mpc控制器模型参数k，tau，theta；

步骤5：mpc控制求最优解；

步骤6：将最优解交给执行器，判断循环次数是否达到预定次数，未达到则范汇步骤2，否则进入步骤7；

步骤7：结束。

mpc算法模块的模型预测算法目标函数为l1范数(l1-norm)，被控量的设定值可以指定上限(sphi)和下限(splo)，上下限中间范围称为死区(deadband)。其公式如下所示：

minυ＝whiehi+wloelo+wyy+wuu+wδuδu

式中υ为目标函数，whi为越上限惩罚权重，ehi为越上限的误差值，wlo为越下限惩罚权重，elo为越下限的误差值，wy为被控量控制权重，y为被控量模型预测值，wu为控制量的控制权重，u为控制量，wδu为控制量变化惩罚权重，δu为控制量的变化。

增大whi可以抑制被控量超过目标值上限，增大wlo可以抑制被控量低于目标值下限。wy为正可以抑制被控量的变化，为负可以促进被控量的变化。wu为正可以抑制控制量的变化，为负可以促进控制量的变化。wδu增大可以抑制单个控制周期内控制量的变化。此目标函数通过调节上述权重，能对模型中的各个量进行单独控制。

所有算法处理后都会对输入量和输出量进行拼接和发送，方便后续的存库和web展示分析。下面对辊式立磨涉及到的几个控制策略进行说明：

磨主机电流控制，为了使辊式立磨保持高效率高稳定的运行，通过工艺专家、控制专家和磨操专家的现场分析研究发现，保证磨主机电流的稳定就可以保证磨的稳定运行。喂料量与磨主机电流之间存在着明显的正相关，控制量是喂料量，被控量是磨主机电流。我们做阶跃响应，查看数据的响应曲线，并计算对应的k,tau,theta。在mpc算法模块中，对模型参数进行赋初值如下：

model.k＝1.2(模型增益)

model.tau＝160.0(时间常数)

model.theta＝50.0(时延)

model.pre_ho＝60.0(预测步长)

model.ctl_ho＝60.0(控制步长)

model.ctl_intvl＝2.0(控制周期)

model.y0＝0.0(被控量初始值)

model.u0＝0.0(控制量初始值)

model.u_upper＝100.0(控制量上限)

model.u_lower＝0.0(控制量下限)

model.u_dmax＝20.0(每周期控制量变化最大值)

model.u_dcost＝0.2(控制量变化惩罚权重wδu)

model.u_cost＝0.0(控制量的控制权重wu)

model.y_tau＝20.0(被控量变化时间常数)

model.y_cost＝0.0(被控量控制权重wy)

model.sphi＝35.5(设定值上限)

model.splo＝34.5(设定值下限)

model.wsphi＝20.0(越上限惩罚权重whi)

model.wsplo＝20.0(越下限惩罚权重wlo)

其中model.sphi和model.splo是磨主机电流的目标值范围，该磨主机电流的目标值范围赋初值为34.5-35.5，可以在算法模块初始化时赋值，也可以在运行过程中随时修改目标值。辊式立磨生产过程中，磨主机电流会随着工况不断变化，mpc算法模块根据磨主机电流的反馈值实时计算喂料量的大小并下发控制从而实现磨主机电流的稳定。算法模块控制过程中，会将喂料量自动给定值，喂料量反馈，磨主机电流反馈，磨主机电流设置值拼接并发送到http模块，方便后续的存库和展示调试。

喷水流量控制，通过工艺专家、控制专家和磨操专家的现场分析研究发现，喷水流量的多少与喂料量的大小存在的固定的比例，这个比例可以根据现场石料的情况由磨操人员手动给定。所以喷水量会随着喂料量的变化而成比例变化。我们通过控制喷水阀的开度来调节喷水流量的大小。我们做阶跃响应，查看数据的响应曲线，并计算对应的k,tau,theta。在mpc算法模块中，对模型参数进行赋初值如下：

model.k＝1.2(模型增益)

model.tau＝160.0(时间常数)

model.theta＝50.0(时延)

model.pre_ho＝60.0(预测步长)

model.ctl_ho＝60.0(控制步长)

model.ctl_intvl＝2.0(控制周期)

model.y0＝0.0(被控量初始值)

model.u0＝0.0(控制量初始值)

model.u_upper＝100.0(控制量上限)

model.u_lower＝0.0(控制量下限)

model.u_dmax＝20.0(每周期控制量变化最大值)

model.u_dcost＝0.2(控制量变化惩罚权重wδu)

model.u_cost＝0.0(控制量的控制权重wu)

model.y_tau＝20.0(被控量变化时间常数)

model.y_cost＝0.0(被控量控制权重wy)

model.sphi＝35.5(设定值上限)

model.splo＝34.5(设定值下限)

model.wsphi＝20.0(越上限惩罚权重whi)

model.wsplo＝20.0(越下限惩罚权重wlo)

其中model.sphi和model.splo是喷水流量的目标值范围，这个值是通过喂料量乘以固定的比例获取的，在运行过程中会随着喂料量的变化而变化。算法模块控制过程中，会将喷水流量自动设定量，喷水控制阀反馈，喷水阀自动给定，喷水流量反馈，水料比值拼接并发送到http模块，方便后续的存库和展示调试。

提升机电流控制，通过工艺专家、控制专家和磨操专家的现场分析研究发现，提升机电流是辊式立磨稳定运行的重要指标，提升机电流过高会影响辊式立磨的稳定运行，所以需要对辊式立磨的提升机电流进行实时监测，并在提升机电流过高时调整控制策略进行自动干预。当提升机电流超过设定的阈值时会停止磨主机电流控制模块和喷水流量控制模块，并将喂料量直接减少20t(这个值可以由磨操人员动态修改)，然后不断地监测提升机电流的数值变化，直到提升机电流值恢复到正常值再启用磨主机电流控制模块和喷水流量控制模块。mpc算法模块控制过程中，会将提升机电流死区，提升机电流反馈值，原料磨喂料量自动给定值，提升机电流上限，喂料量反馈拼接并发送到http模块，方便后续的存库和展示调试。

压差控制，通过工艺专家、控制专家和磨操专家的现场分析研究发现，磨机压差是辊式立磨稳定运行的重要指标，磨机压差过高会造成堵磨影响辊式立磨的稳定运行，所以我们对辊式立磨的磨机压差进行实时监测，并在磨机压差过高时及时调整控制策略进行自动干预降低压差。压差控制策略是将压差值分为4个区间，当压差处于zone1时直接退出自动控制切换到手动模式由磨操人员人工干预进行紧急处理，当压差处于zone2时将粉机转速在默认转速的基础上降2档，当压差处于zone3时将粉机转速在默认转速的基础上降1档，当压差处于zone4时将选粉机转速设置成默认值。压差控制模块，实时监测压差值，在压差发生变化时及时根据上述控制策略调整选粉机转速，从而实现压差的智能控制。算法模块控制过程中，会将压差当前所处区间，压差死区,压差不同区间限值，选粉机转速自动给定值，选粉机基准值，磨机压差值拼接并发送到http模块，方便后续的存库和展示调试。

http模块负责将相关数据存库。如图5所示，http模块接收到mpc算法模块的数据后，将数据发送给httpserver模块，httpserver模块会调用数据库接口，将数据存储到时序数据库。数据库表设计如下：

web模块负责进行数据展示。如图6所示，web模块会实时获取时序数据库的数值，并进行展示。展示的内容包括mpc算法模型参数值，实时数据曲线，参数统计信息等内容。web模块中可以自定义展示的数据，可以展示任意时间段的曲线，对任意时间段的曲线进行放大缩小拉伸等操作。对曲线的y轴范围可以自定义，可以设置曲线刷新频率等内容。

本发明针对辊式立磨的智能控制设计了多个控制策略，控制策略可以通过ide(集成开发环境，integrateddevelopmentenvironment)进行编辑，动态的修改控制逻辑。可以对特定的功能进行封装和复用。如图3所示，mpc算法模块中编辑封装了多个功能块，其中subscribe用于接收opc模块的数据，接收到opc数据后，使用a_m_switch功能块判断手自动状态，然后将判断结果输出到mode_selector模块，mode_selector模块同时判断提升机电流压差等是否处于越限状态，如果不是越限状态则进入hrg_mpc模块，进行磨主机电流控制和喷水流量控制。hrg_mpc模块功能块左侧为输入，右侧为输出。上侧为事件，底部为数据。使用功能块首先需要触发初始化(init)事件，然后配置好参数和数据后，通过触发mpc事件即可使用该模块。mvout为算法计算出的控制量的值，mpc0为关联事件。此功能块可以在线修改相关参数并实时生效。mode_selector模块如果判断出提升机电流处于越限状态，则进入hrt_emerg功能块进行提升机电流控制和压差控制，一次控制结束后通过opc_emerg_mv功能块下发提升机电流控制模块的计算结果，通过http_emerg_data功能块发送待存库的数据，通过opc_mpc_mv功能块下发磨主机电流控制模块的计算结果，通过http_mpc_data功能块和http_mpc_config功能块发送待存库的数据。如图7所示，使用ide可以在现场部署的过程中进行动态调试，调试过程中数据流可以实现可视化，可以设置断点调试，可以进行局部调试和赋值。如图9所示，为本发明的控制效果与纯手动控制的对比效果图。从图9可以看出本发明的控制曲线明显比手动控制的数据曲线平稳，波动小。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。