烘絲機出口含水率智能控制方法研究

陳傳通，崔 嵬，張 超，尹旭梅

（山東中煙工業有限責任公司濟南卷煙廠，濟南 250104）

烘絲機出口含水率智能控制方法研究

陳傳通，崔 嵬，張 超，尹旭梅

（山東中煙工業有限責任公司濟南卷煙廠，濟南 250104）

煙草烘絲機控制具有高度非線性，大滯后、高耦合等特點，傳統PID控制在越來越嚴格的工藝指標控制中變得的力不能及。在工業控制中智能控制替代傳統PID控制已成為新的發展方向。將介紹智能控制在烘絲機控制上的應用，著重討論烘絲機控制的兩種控制策略：應對控制，預測控制。并介紹各自可使用的控制方法。

烘絲機；PID控制；智能控制；應對控制；預測控制

0　引言

卷煙廠制絲線的煙葉經過葉預處理工序后進入烘絲工序，烘絲工序的主要目的之一就是對烘絲筒出口煙絲水分進行控制，提高煙絲的彈性和填充能力，改善煙絲品質[1]。烘絲筒采用飽和蒸汽和熱風對煙絲進行加熱，將煙絲中的水分蒸發，同時通過熱風將煙絲蒸發的水分帶走，從而達到控制烘絲筒出口煙絲水分的目的。加香后的水分達到工藝要求是制絲線的最后目標，如果烘絲筒出口煙絲水分能被精確控制，則通過調節烘絲筒出口煙絲水分的設定值就可以有效控制加香后水分，以滿足制絲工藝的要求。在烘絲過程中影響出口含水率的因素較多，切各因素相互耦合，高度非線性，滯后性和不確定性十分嚴重，因而控制難度較高[2,3]。

1　目前國內普遍的烘絲機原理

以HAUNI公司控制策略為代表的一類方法是目前所采用的較好的方案。HAUNI公司烘絲水分控制包括以下幾個階段：烘絲準備——烘絲筒預熱——烘絲啟動（升溫）——烘絲筒烘絲——烘絲收尾——烘絲再啟動——烘絲冷卻。在烘絲升溫階段，主要依靠根據物料平衡原則與傳熱傳質理論推導得出的數學模型進行烘絲筒壁溫度設定值計算，在烘絲筒烘絲階段，依靠數學模型和PID反饋控制方式確定烘絲筒壁設定值。

整個烘絲水分控制系統最主要的設計思想就是依據物料平衡原則與傳熱傳質理論，根據烘絲過程需要去除的水分量計算需要提供的熱量，該計算還與設備的結構等因素有關，同時通過反饋控制系統進行補償。在進行數學計算時，為克服不確定性因素的影響，有關計算數據還采用一定的方法進行修正。

2　現有控制不足

2.1PID調節的缺點

圖1　PID 控制原理

在烘絲筒充滿煙絲進行烘絲時，采用數學計算結合PID反饋控制，PID控制有四個明顯的缺點：1）直接以e=w-y的方式產生原始誤差太不合理；2）產生誤差信號e 的微分信號沒有太好的辦法，只能近似實現；3）線性組合不一定是最好的組合方式。4）誤差信號e的積分反饋的引入有很多副作用[5,6]。參數有時設置不盡合理，而且抗擾動能力相對較差。由于對象特性變化、非線性和滯后等因素，烘絲水口水分有時控制精度不高。

2.2烘絲過程的大滯后

煙絲從上一道工序到來之前，先在距離烘絲機滾筒較遠的位置、也就是u4的位置檢測此時的煙絲瞬時流量值；經過NK時間之后，來到u5的位置檢測此時的入口水分值；再經過nk1的時間，煙絲才進入滾筒，在滾筒中運行很長一段時間，最后經過nk2的時間，煙絲出筒，檢測出口水分。在這個過程中滯后現象非常嚴重。當見到的出口水分超標時，再做出反饋控制，已經滯后了至少nk2的時間。而此時已不能再對滾筒內的煙絲做出合理的反饋控制。在滾筒入口煙絲流量或水分波動較大時，反饋信號的引入會加大這種波動。

2.3擾動引起的波動

該類方法在烘絲升溫階段進行數學計算時，未考慮實際應用中存在的各種擾動、對象特性變化和非線性特性，在頭尾階段烘絲出口水分控制波動相對較大，缺乏必要的補償措施，故往往需要有經驗的操作人員進行人工干預。

圖2　烘絲機烘絲工序

3　智能控制理念

隨著計算技術的發展，以計算為基礎的機器學習、人工智能等技術突飛猛進。以此為基礎的智能應用已應用于很多領域。工業控制與人工智能的結合將是新時代的主旋律。智能控制是指利用現代計算機的超強計算能力，使用成熟穩定的計算機智能算法應用在傳統控制上來。通過預測、識別、分類、聚類、擬合等方法，將傳統控制轉化為以計算機為核心的智能控制。智能控制方法以其超強的計算力，解決非線性、滯后性、波動性、病態性等以PID控制為核心的傳統控制所難以的問題。具體來講就是通過計算機學習控制經驗，以經驗建立數學模型，通過數學模型對被控對象做出合理的控制。針對烘絲機出口含水率的控制我們將討論兩種不同的智能控制策略：應對控制方法，預測控制方法。

3.1應對控制方法

應對控制是指在出現某種狀態時所采取特定的控制策略。由于烘絲機控制的滯后性和PID控制誤差e的產生方式缺陷，一般在生產時，“干頭干尾”現象明顯。各卷煙廠普遍采用人工干預的控制方式。該方式可以很快的將烘絲機達到穩定狀態，減少“干頭干尾”。人工干預其本質就是當時出現“干頭干尾”狀態時或出現出口含水率超標時做出特定的控制策略。在人工控制過程中，個人控制經驗對于整個烘絲過程有很大的影響。智能應對控制方法是指，讓計算機學習人工正確的控制經驗，以對特定的狀態做出合理的控制策略。該方法可以解放人工的勞動，避免因人的控制經驗參差不齊而出現控制指標的波動?？刹捎玫闹悄芸刂扑惴ㄓ蟹诸愃惴ê腿斯ど窠浘W絡算法。

采用分類算法為將烘絲機的狀態分為若干類Q{q1，q2，q3，…，qn}，對每一類采取控制策略M{m1，m2，m3，…，mn}。分類的依據選擇的特征值C{c1，c2，c3，…，cm}。特征值為反應烘絲機狀態的參數，如入口稱流量，入口含水率，烘絲機筒溫、排潮開度、出口水分、熱風溫度等。分類方法就可以選擇的有緊鄰分類法，分類樹算法等。

應對控制方法可采用人工神經網絡模型。人工神經網絡是一種模仿動物神經網絡行為特征，進行分布式并行信息處理的算法數學模型。這種網絡依靠系統的復雜程度，通過調整內部大量節點之間相互連接的關系，從而達到處理信息的目的。其模型如圖3所示，網絡分為輸入層、輸出層、隱含層。輸入層輸出層皆是一層，隱含層可有多層。輸入層和輸出層分別對應著模型輸入信息和輸出信息。可以為多輸入多輸出。

神經網絡模型在應對控制方式上取得了很好的效果，Pomerleau的ALVNN系統是神經網絡的一個典型實例，這個系統通過安裝在前向的攝像機學習人的駕駛經驗5分鐘，可以成功的在復雜路況的高速公路上以70英里的速度駕駛90英里[7,8]。在烘絲機控制中，可以將烘絲機的狀態參數如：稱流量、滾筒溫度、熱風溫度、入口水分、出口水分等作為輸入變量，將各可調參數的調節量如：蒸汽閥門開度、排潮閥門開度等作為輸出變量。輸入變量、輸出變量皆為多維向量。給出優秀的操作經驗作為訓練樣本和檢驗數據。采用最小二乘法、梯度下降算法等調節各節點參數，使模型可以很好的擬合樣本和檢驗數據，得到控制模型。最小二乘法為式(1)，梯度定義為式(2)，梯度下降算法為式(3)。

圖3　多輸入多輸出神經網絡模型

應對控制模型建立后，參與烘絲機出口水分控制，當遇到狀態X{x1，x2，x3，…，xn}時，將狀態參數輸入到控制模型，模型計算出輸出變量Y（y1，y2，y3，…，ym）。根據輸出變量Y的各維參數，調節與之相對應的閥門，即可起到智能控制的效果。

3.2預測控制方法

預測控制是一種已廣泛在工業生產中應用的先進控制技術。預測控制的基本出發點與傳統PID和應對控制不同，PID控制和應對控制是根據當前的誤差或當前狀態做出控制決策的空著策略。而預測控制不但利用當前狀態，更主要的是利用模型預測未來的輸出值，以滾動優化的方式確定當前最優的控制策略。目前應用最廣泛的預測控制技術為模型預測控制，包括動態矩陣預測控制（DMC），模型算法控制（MAC），廣義預測控制（GPC）等[9]。預測控制算法的基本控制結構如圖4所示，其基本思想概括起來體現在三個方面：預測模型、滾動優化、反饋校正。

圖4　預測控制基本結構

3.2.1預測模型

預測控制是一種基于模型的控制算法。模型的功能是根據輸入輸出的歷史信息和未來的輸入信息預測未來的輸出信息。采用機器學習、人工智能等學科的新技術、新成果，應用在烘絲機出口水分的預測上，所用的算法如：神經網絡、自回歸、支持向量機等技術，可以通過學習經驗，建立預測模型，有效的預測出某一時間段之后的出口水分。對于各變量之間的高耦合，相互擾動等都有很好的魯棒性?？刹捎檬?4)所示的預測模型。其中Y（k+1）表示在k+1時刻的預測輸出值，Y（K-i）為K-i時刻的歷史輸出值，U為輸入變量值，C，D分別為歷史輸出值Y和輸入值U的權重系數，t為參考的歷史輸出步長，j為輸入U的歷史參考步長，m為輸入U的參數個數。

3.2.2滾動優化

滾動優化是一種優化控制算法，這種算法的優化是滾動進行的。在任意時刻依據輸入目標值如烘絲機出口水分設定值，預測模型的輸出值（預測未來t時刻的烘絲機出口水分值）與當前狀態，可以計算出今后一段時間之后的控制量。他通過某一性能指標的優化來確定未來的控制量。該性能指標可以是烘絲機的出口水分的誤差值、輸入參數值、調節量值等的函數值。這種優化不同于傳統意義上的優化，主要表現在他是一種有限時間段的優化，并非全局優化。在整個控制過程中，優化不是離線進行的而是實時在線進行的?？刹捎萌缡?5)的優化指標。qi(i=1，2，3，…，P)，rj(j=1，2，3，…，M)分別為不同時刻的誤差和控制作用的加權系數：

3.2.3反饋校正

滾動優化確定了一系列未來的控制，為了防止模型失配或環境干擾引起的輸出狀態偏差，預測控制，只實施本事可的控制作用。到下一時刻，首先檢測對象的實際輸出，利用這一信息對基于模型的預測值進行修正，然后再進行優化。反饋校正的形式是多樣的，可以不改變預測模型，僅對未來的誤差做預測，并給與補償，也可以根據在線辨識原理，對預測模型進行在線修正。

4　結束語

針對烘絲機在工作過程中復雜的狀態變化及生產工藝模式多樣性、大滯后的特點，采用傳統的PID控制方式并不能很好的滿足日益嚴格的控制精度要求。采用智能控制的方法將是新的控制方式。基于應對的控制方法和基于預測模型的控制方法，是智能控制的兩個截然不同的控制策略。其各有各自的特點，采取基于應對策略的控制方式，理解簡單，易于實現，學習了人的操作經驗，但該方式并沒有解決烘絲滯后的問題，只是采取人的經驗，前瞻性的調節各控制變量使烘絲機快速進入穩定狀態，減少“干頭干尾”現象。采用基于智能預測模型和人工智能優化操作模式的烘絲過程智能集成優化控制技術，可以實現烘絲過程的綜合最優化及自動化。針對生產過程的不同階段及不同的生產工藝模式，采用描述依存于進料量與進料水分的過程動態特性的各類模型及其優化方法，以此模型為基礎設計能適應進料量與進料水分變化、具有克服烘絲過程中變量間相互干擾及各種不確定性因素影響的、具有自適應、自調節功能的優化控制算法，以滿足不同工況下對出口煙絲水分的嚴格要求。兩種方法都可以提高控制系統的自適應能力，使每批次的頭、尾部干煙絲總量降下來，極大地減少煙絲的浪費和造碎?？梢詫崿F烘絲后階段、加香后的煙絲水分的自動控制，使加香后水分自動控制在工藝要求的范圍以內。

[1] 王艷紅,韓光勝.煙草烘絲過程的水分控制[J].北京工業大學學報,2000,26(4)：90,95.

[2] 任正云,晏小平,方維嵐,等.烘絲過程煙絲含水率的MFA控制[J].煙草科技,2005(6)：l0-15.

[3] 張建棟,廖國太,張輝,等.模糊控制在煙草工業煙絲干燥控制中的應用[J].甘肅科技,2011,27(8)：25-29.

[4] Gan M,Peng H,Chen L.A global—local optimizationapproach to parameter estimation of RBF-type models[J].Information Sciences,2012,197(1)：144-190.

[5] 韓京清.自抗擾控制技術[J].前沿科學季刊.2007(1)：p24-31.

[6] 韓京清.自抗擾控制器及其應用[J].控制與決策.1998,13(1)：19-23.

[7] Pomerleau D A.Neural network perception for mobile robo t guidance[M].Boston：Kluwer Academic Publishing,1993.

[8] 曾華軍,張銀奎.機器學習[M].北京：機械工業出版社,2003.

[9] 劉世榮,等.計算機控制系統[M].2版.北京：機械工業出版社,2012.

[10] 陳明,等.MATLAB神經網絡原理與實例精解[M].北京：清華大學出版社,2013.

[11] 王慧.計算機控制系統[M] 2版.北京：化工工業出版社,2005.

[12] 黃海燕,黎冰.基于模型計算的控制系統的分析和設計[J].石油化工自動化,2008(6).

[13] 梁魏峰.烘絲控制模式的建立與實現[J].煙草科技,2003(3)：16,17.

Research on cut tobacco dryer intelligent control

CHEN Chuan-tong, CUI Wei, ZHANG Chao, YIN Xu-mei

TP18

A

1009-0134(2016)07-0037-04

2016-05-10

陳傳通（1987 -），男，山東菏澤人，碩士研究生，研究方向為機器學習與智能控制。