一种基于智能自学习的润叶机出口水分控制方法与流程

本发明属于卷烟制丝，具体涉及一种基于智能自学习的润叶机出口水分控制方法。

背景技术：

1、卷烟制丝润叶机的控制原理主要是通过控制加热器、加水流量控制系统、风机等设备的工作状态和参数实现。具体来说，制丝润叶机的控制系统通常由plc控制器、触摸屏、传感器、执行器等组成，通过采集和处理传感器反馈的温度、湿度、压力等参数，控制加热器、加水流量控制系统、风机等设备的工作状态和参数，从而实现对卷烟制丝过程中温度、湿度、气流等关键参数的控制和调节。这样可以保证卷烟的品质和口感，并且提高生产效率。此外，筒体内部设置排潮系统，抽取部分含水、含热废气进行排放，以恒定物料的温度，同时接地影响物料含水率。

2、对于出口物料水分的控制，现有的水分控制方法通常使用出口物料水分的样本值作为后馈数据对润叶机出口水分进行控制，以此反馈控制加水流量控制系统。然而，出口物料水分反馈控制模式容易受润叶机外部因素干扰，导致较大的扰动，使得水分控制缺乏稳定性。同时，出口反馈的控制模式也存在滞后的问题，使得水分控制缺乏准确性，这都会严重影响产品的质量。

3、对于上述润叶机的控制难点问题，需要一种能根据实际生产趋势进行预测，并进行智能化自动学习并不断进行自动调整控制参数的功能。因此，需要一种基于智能自学习的润叶机出口水分控制方法。

技术实现思路

1、为解决现有技术存在的上述技术问题，本发明提供一种基于智能自学习的润叶机出口水分控制方法，具备进行智能化自动学习并不断进行自动调整控制参数的功能。本发明控制方法能在辨识出实际被控对象控制模型的基础上，进行基于非持续激励信号的自比较、自学习pid参数的自动调参控制，并由此提高了制丝润叶机物料水分控制模型的稳定性、收敛性、和鲁棒性。

2、本发明采用的技术方案是：

3、一种基于智能自学习的润叶机出口水分控制方法，其特征在于，所述控制方法包括如下具体步骤：

4、s1，判断松散润叶机是否开始预热或者生产，如是则往下执行，如否则继续返回等待直至满足可直接进行正常润叶工艺预热或生产的条件；

5、s2，进入预热或者生产阶段模式，润叶机相应的水分控制回路中的加水流量采用单闭环负反馈pid进行控制，润叶机中对出口物料水分有间接影响的热风温度控制、排潮负压控制也采用单闭环负反馈pid进行控制；

6、假定水分控制回路中的加水流量控制为1#pid回路，热风温度控制为2#pid回路，排潮负压控制为3#pid回路，均先采用非耦合的单输入单输出的闭环pid控制；

7、s3，判断热风温度控制的2#pid回路和排潮负压控制的3#pid回路是否进入严格稳定控制阶段；

8、若上述两个辅助回路pid均满足了严格稳定控制阶段的条件，则往下继续进行判断；若否，则返回等待，三个pid回路依然采用非耦合的单输入单输出控制；

9、s4，判断水分控制回路中的加水流量控制1#pid回路是否进入宽松不稳定控制阶段；

10、若是，则往下进入智能自学习的控制方法；若否，则返回等待，三个pid回路依然采用非耦合的单输入单输出的反馈pid控制，直到满足条件继续向下执行程序；

11、s5，对1#pid回路进行智能自学习控制，热风温度控制的2#pid回路和排潮负压控制的3#pid回路依然采用非耦合的单输入单输出的闭环pid控制；

12、s6，智能自学习模块进行一次pid参数修正后，保持time3时间内，加水流量控制1#pid回路、热风温度控制2#pid回路和排潮负压控制3#pid回路继续采用非耦合的单输入单输出的闭环pid控制；

13、s7，time3时间后，继续判断水分控制回路中的加水流量控制1#pid回路是否进入宽松不稳定控制阶段；

14、若1#pid回路还处于宽松不稳定控制阶段，再一次进行pid参数自整定；若1#pid回路处于严格稳定控制阶段，加水流量控制1#pid回路、热风温度控制2#pid回路和排潮负压控制3#pid回路继续采用非耦合的单输入单输出的闭环pid控制；

15、s8，生产阶段结束，关闭智能自学习控制策略，1#pid回路、2#pid回路、3#pid回路均采用非耦合的单输入单输出的闭环pid控制。

16、进一步的，在步骤s3中，所述严格稳定控制阶段被定义为：

17、在持续时间time1内，pid回路的输入值pv值波动范围小于或等于a％，输出值cv值波动范围小于或等于a％，即持续time1单位的时间内，pv值最大值与pv值最小值的差值与pv均值的比值小于或等于a％，且cv值最大值与cv值最小值的差值与cv均值的比值也小于或等于a％，上述关系可通过以下公式表述：

18、

19、且满足

20、其中，time1单位的时间内，pvmax(t)为pv取值的最大值，pvmin(t)为pv取值的最小值，pvavg(t)为pv取值的均值；cvmax(t)为cv取值的最大值，cvmin(t)为cv取值的最小值，cvavg(t)为的cv取值的均值。

21、进一步的，在步骤s4中，宽松不稳定控制阶段被定义为：

22、在持续时间time2内，pid回路的输入值pv值波动范围大于或等于b％，输出值cv值波动范围大于或等于b％，即持续time2单位的时间内，pv值最大值与pv值最小值的差值与pv均值的比值大于或等于b％，且cv值最大值与cv值最小值的差值与cv均值的比值也大于或等于b％，上述关系可通过以下公式表述：

23、

24、且满足

25、其中，time2单位的时间内，pvmax(t)为pv取值的最大值，pvmin(t)为pv取值的最小值，pvavg(t)为pv取值的均值；cvmax(t)为cv取值的最大值，cvmin(t)为cv取值的最小值，cvavg(t)为的cv取值的均值。

26、进一步的，在步骤s5中，所述1#pid回路智能自学习控制方法如下：抛弃单闭环负反馈pid控制方法，利用参考模型模块、参数可调模块和智能自学习模块组成新的控制方法进行润叶机出口水分的控制。

27、进一步的，所述参考模型模块由模型控制器和参考模型被控对象和波形辨识器组成；所述参数可调模块由数字式pid控制器和实际模型被控对象和波形辨识器组成；控制器的pid参数能任意加以调整，当被控对象，即润叶机内部加水机理、环境因工况或环境原因而特性有所改变时，在原有控制器参数作用下，参数可调模块输出y(t)的响应波形将偏离理想的动态特性，而智能自学习模块则以一定的规律调整控制器的pid参数，使y(t)的动态性能恢复到理想的状态。

28、进一步的，所述参考模型模块中的参考模型被控对象，是利用具体的系统辨识的方法对参数可调模块中的实际模型被控对象进行深度辨识，获得的控制模型，表示为带s的传递函数，即拉普拉斯变换因子的传递函数；所述参考模型模块中的模型控制器被设计为与参数可调模块中数字式pid控制器一致；

29、给定1#pid回路的设定值sp值一个阶跃信号，阶跃幅值定义为△sp；阶跃信号可以为正，也可以为负，根据1#pid回路宽松不稳定控制阶段的特性进行给定：若1#pid回路pvavg(t)<sp，则给定一个正阶跃信号，即δsp>0；若1#pid回路pvavg(t)>sp，则给定一个负阶跃信号，即δsp<0。

30、进一步的，以给定正阶跃信号为例，定义参数可调模块输出y(t)经过波形辨识器得到的信号为γ，定义参考模型模块经过波形辨识器得到的信号为γm，定义广义偏差信号为e，其含义为参数可调模块输出信号γ与参考模型模块输出信号γm的差值，公式表示为：

31、e＝γ-γm   (5)

32、智能自学习模块先检测特征参数差值e，也就是广义偏差信号，其代表了参数可调模块输出y(t)与参数可调模块输出ym(t)之间动态特性的差异程度；智能自学习模块的目的就是调整控制器的pid参数矢量γc的值趋近于零，才能使得γ逐步趋近于γm；

33、上述特征参数矢量γ、γm和控制器pid参数矢量γc由下面的公式(6)决定：

34、

35、其中，tr、trm代表辨识曲线的上升时间，vmax、vmaxm代表辨识曲线的输出量的最大值，ts、tsm代表辨识曲线的调节时间，上述六个参数值由波形辨识器记录的输出响应波形决定；智能自学习模块先将波形辨识器记录的输出响应波形提取出特征参数矢量；

36、智能自学习模块根据提取出的特征参数矢量，建立参数自适应的控制机制，该规律根据大量仿真研究得出，其关系式为：

37、[kp(k),ti(k),td(k)]t＝ax+b   (7)

38、其中，[kp(k),ti(k),td(k)]t为智能自学习模块得出的参数矢量，用于自整定pid的三个关键参数，a为3x3矩阵，x为与上述提取出的特征参数矢量差值，b为参数自整定前的时刻的pid参数矢量值；

39、为了更好地推导上述关系式，进一步地进行分解；

40、矩阵a转换为矩阵特征参数矢量差值x定义为:

41、x＝[vmax(k-1)-vmaxm(k-1),tr(k-1)-trm(k-1),ts(k-1)-tsm(k-1)]t  (8)

42、特征参数矢量b定义为:

43、b＝[kp(k-1),ti(k-1),td(k-1)]t  (9)

44、由上述式(7)-式(9)得出：

45、

46、智能自学习模块进行一次pid参数修正；智能自学习模块最终输出pid整定参数表达式为：

47、

48、式(7)-式(11)中，k代表pid参数自整定时刻，k-1代表pid参数自整定前的时刻，θ为3x3矩阵，由仿真实验加以确认，并在实物试车中加以修正，然后存放于矩阵中。

49、与现有技术相比，本发明具有的有益效果至少包括：

50、1、本发明不仅包括了基于智能自学习的润叶机出口水分控制方法，还以公式化的形式定义了严格稳定控制阶段和宽松不稳定控制阶段，有效地识别出了本发明控制方法利用场景和控制的前提要求。

51、2、本发明的智能自学习控制方法，定义了参考模型模块、参数可调模块以及智能自学习模块。本发明将理论最优输出值ym(t)(即参考模型模块输出值)与实际输出值y(t)(即参数可调模块输出值)进行比较，将两者的差值输入智能自学习模块，利用自动控制原理的先验经验，设计[kp(k),ti(k),td(k)]t＝ax+b的pid参数自优化功能。

52、3、本发明的智能自学习控制方法，由于采用闭环输出波形的模式识别方法来辨识被控对象的动态特性，而不必加持续的激励信号，因而对系统造成的干扰较小，不会过多地影响物料出口水分的质量特性。

53、4、本发明的智能自学习控制方法采用了参考模型自适应的技术，使得pid参数自整定过程时根据参数可调模块和参考模型模块输出波形特征值的差值来调参的，整个过程物理概念与实际控制目的对应，并避免了被控对象动态特性计算错误而带来的偏差，并由此提高了制丝润叶机物料水分控制模型的稳定性、收敛性、和鲁棒性。