染色機助劑智能配送系統的構建及實踐

張福沐， 劉端武， 胡躍明

(1.華南理工大學 自動化科學與工程學院， 廣東 廣州 510640； 2.佛山市南海天富科技有限公司， 廣東 佛山 528222)

染色是織物生產過程中的重要環節，由于織物的用量巨大，在染色環節消耗的材料、能源和人力資源都較大[1]，對此生產環節進行技術革新，可達到顯著的經濟效益和社會效益。

助劑的定量配送是染色時的一個重要步驟，染廠助劑配送的方式主要有3種：第1種是手工稱量和手工配送；第2種是自動稱量和手工配送；第3種是采用設備自動計量和配送。隨著社會經濟和技術的發展，第1種方式正在快速減少，第2種方式也在逐步減少，第3種方式逐漸成為主流配送方式。目前，國際上主要的助劑配送系統廠家有意大利的ColourServic公司、Lawer公司[2]和瑞士的Benninger公司，國內也有很多公司生產助劑配送系統，國內外的助劑配送系統均使用可編程邏輯控制器(PLC)控制，實現了自動計量和自動配送。

有些學者針對染色機助劑配送進行了研究，例如：文獻[3]提出了一種基于變頻控制的多流量調節控制配送精度的方法，基于液體為標準液體，忽略了各種助劑的流動性不同和各落料點管道阻力不同的影響；文獻[4]提出了一種用于助劑稱量的減小誤差學習方法，使用負反饋作用于下一次的計量，這種方法同樣也忽略了不同助劑流動性不一致的特征。為此，本文對影響助劑配送精度的多種因素進行分析，采用多層神經網絡模型擬合配送因素的影響，對配送時的預停值進行預測，并對此進行了實驗驗證，以期為提高助劑配送精度提供新思路。

1 系統描述與問題提出

染色機助劑配送系統的結構如圖1所示。助劑儲存罐1用于存儲待配送的助劑；助劑配送閥2是助劑配送的開關；沖洗水閥3用于在助劑配送閥門關閉后，打開水將殘留在管道內的助劑沖到染色機料缸里；配送轉子泵4用于將助劑或水在管道內向前推送；流量計5用于計量配送的助劑量和沖洗的水量；落料閥6用于控制助劑和水落到哪一臺染色機料缸；染色機料缸7為助劑配送的目標料缸。

圖1 染色機助劑配送系統結構圖Fig.1 Structure diagram of chemical distribution system of dyeing machine

助劑配送時，在轉子泵轉動推力的作用下，助劑儲存罐中的助劑通過管道流到相應的染色機料缸，助劑的流動過程是：助劑儲存罐→管道→助劑配送閥→管道→轉子泵→管道→流量計→管道→落料閥→管道→染色機料缸。

在染色機助劑配送過程中，當配送量到達，關閉閥門時，由于PLC掃描周期、繼電器動作時間、電磁閥切換過程時間和配送閥門關閉過程時間的累加影響，從PLC發出關閉信號到閥門完全關閉，總共約有幾百毫秒的時間。圖2是在配送閥門關閉時刻開始，管道內流量與時間的關系圖。

圖2 關閉配送閥門時流量與時間的關系Fig.2 Relationship between flow rate and time when closing distribution valve

圖2中T1表示PLC的掃描、運算和刷新輸出時間，為5～20 ms；T2表示繼電器的吸合時間，為5～10 ms；T3表示電磁閥閥芯換向時間，為10～50 ms；T4表示助劑配送閥關閉過程時間，為200～500 ms。從開始關閉配送閥門至閥門完全關閉所流過流量計的體積為

(1)

式中：Q(t)為流量關于時間的函數；Vvolume為T1+T2+T3+T4時間段流過流量計的總體積[5]，mL。

管道內液體流量與直徑、流速的關系為

(2)

式中：D為管道內徑,cm；V(t)為流速關于時間的函數。

由于流量計在計量時容易受到瞬時干擾的作用，導致瞬時速度變化較大[6]。為了抑制瞬時干擾對計量的影響，流量計采用在一小段時間內取流量平均值再輸出的算法，這使得在某一時刻流量計輸出的脈沖實際上是上一時間段至當前時間的平均脈沖，導致PLC接收到的累積脈沖換算體積比實際流過計量值的體積值少。圖3示出流量計滯后輸出流量的曲線圖。

圖3 流量計滯后輸出流量的曲線圖Fig.3 Graph of delay output flow of flowmeter

如圖3所示，實際流過流量計的流量曲線與流量計滯后輸出的流量曲線之間差了一個滯后時間長度T0，因此，開始關閉配送閥門至計量結束接收到的流量計所發出的總體積，是將式(2)代入式(1),再加上T0時間的體積，得到式(3)：

(3)

式中：T0為時間長度，等于流量計在一小段時間內取流量平均值再輸出的時間長度，ms；Vtotal為關閉配送閥門后PLC系統統計的實時累積流量，mL；在配送過程中，Vtotal比Vvolume總是多了T0時間段的累積流量。

在PLC系統檢測到符合關閉配送閥門的條件至計量結束這段時間內，不同助劑的黏度和流動性、不同落料口的配送管道長度、配送泵的運行頻率大小等因素影響流速V(t)；PLC掃描周期影響T1、繼電器吸合時間影響T2、電磁閥動作時間影響T3、壓縮氣的壓強、配送閥軸向摩擦力等因素影響T4，從式(3)看，這些因素都會導致配送閥門關閉時流經閥門的助劑的體積Vtotal發生變化，綜合影響著助劑系統的配送精度。

當配送完一種助劑時，系統送出少量的水沖洗流量計和管道，但是沖洗的水量不大，因為染色機料缸的容積不大，無法容納大量的水，并且過多的水會導致料缸里的助劑濃度降低。這種多種助劑共用流量計配送的方式，不同助劑的黏度和電導率差異很大，在用少量水沖洗管道內的助劑后，還有少量上一次的助劑殘留在管道、管道接頭和流量計內壁。若接下來配送的助劑電導率與上一種助劑的電導率相差較大，流量計在計量時瞬時流速會跳動比較大，通過流速來評估預停值的偏差會比較大。

助劑配送系統受助劑黏度、流動性、管道阻力、配送泵頻率、配送閥關閉時間、PLC掃描周期、繼電器吸合時間、電磁閥動作時間等多種因素的影響，是一種大慣性和強滯后系統。如果要實現高效配送，需加大流量Q(t)，則需要加大管道直徑或者加大流速V(t)；如果要實現高精度配送，需減小流量Q(t)，則需要減小管道直徑或降低流速V(t)。在同一條配送支路里，管道的直徑是固定的，無法變大和變小，只能是調整配送速度，如果要提高效率，則需要加大配送速度，但會導致配送精度下降。要實現助劑的高效、高精度配送，牽涉的條件很多，是一個非確定性多項式難解問題。

目前，助劑配送的精度控制需要技術人員多次進行配送測試，根據測試值調節助劑配送的預停值。由于助劑配送系統通常包含幾十種助劑和幾十臺染缸，如果將這些條件一對一組合，將會有幾千種，根據這些組合進行配送測試和調節配送預停值的工作量非常大；再者，系統配送的助劑有些是強酸、強堿或高腐蝕性溶液，調試時如果直接排掉，對環境造成非常大的危害；如果用容器裝起來倒回儲存罐，轉運和清理過程容易沾到操作者的皮膚，對人體造成傷害。當前，染色機助劑配送系統調試時，通常的做法是用水做配送精度測試，根據不同的配送支路，設置不同的預停值，測試時直接把水排掉。這種簡化的設置方法雖然可執行性較好，但是沒有考慮助劑品種、落料點、配送泵的運行頻率、壓縮氣壓強等因素的影響，因而實際運行時配送精度較差。為了保證實際配送量達到定單所需的配送量，常常把預停值調到偏小，因而實際配送時一般實送量偏多，造成浪費，多余的助劑在染色時不能充分利用，染色完成后排到排污管，增加了污水處理的負擔。基于目前存在的這些問題，急需研究一種更高精度、更智能化的染色機助劑配送系統。

2 解決方案的提出

針對助劑配送的誤差問題，提取1 000次染色機助劑配送系統的配送數據進行分析。

助劑編號與配送誤差的關系如圖4所示。可以看出，不同助劑在配送時的誤差有一定的規律，它們的誤差分布中心是不同的，助劑編號是影響配送誤差的一個因素。

圖4 助劑編號與配送誤差的關系圖Fig.4 Relationship between chemicals ID and distribution error

落料口編號與配送誤差的關系如圖5所示。可以看出，不同落料口的配送誤差的分布中心不同，離散度也不一樣，具有較強的規律性，落料編號是影響配送誤差的一個重要因素。

圖5 落料口編號與配送誤差的關系圖Fig.5 Relationship between tank ID and distribution error

配送量與配送誤差的關系如圖6所示。可以看出，不同配送量在配送時的誤差有一定的規律，配送量越多，配送誤差越穩定，配送量也是影響配送誤差的一個因素。

圖6 配送量與配送誤差的關系圖Fig.6 Relationship between volume and distribution error

根據配送記錄的數據分析，配送的條件會影響配送誤差，但是因為配送條件較多，配送條件之間相互影響配送精度的數學模型不易建立。神經網絡對非線性問題具有較好的解決能力[7]，多層全連接神經網絡通過組合低層特征形成抽象的高層標識屬性類別[8]，具有較好的回歸和擬合能力[9]，加上激活函數給神經元添加非線性因子[10]，可以使用多層全連接神經網絡去擬合配送誤差模型，計算權重和偏置[11]，得到配送預停值的預測模型，再根據模型計算每1次配送時的預停值，達到減少配送誤差的目的。

3 染色機助劑智能配送系統設計

為克服現有技術存在的缺陷與不足，本文提出一種染色機助劑智能配送系統及精度調節方法，從配送的歷史記錄數據中學習，通過多層全連接神經網絡，訓練推薦預停值和預計用時的預測模型，得到優化的控制策略。

3.1 控制流程設計

助劑配送系統的控制流程設計如下：

步驟1：上位機智能PC系統通過以太網通信獲得企業資源計劃(ERP)系統的配送定單數據和染色機中控的配送指令，將配送定單發送給現場PLC控制系統，配送定單里的信息包含助劑編號、染缸號和配送量等。

步驟2：PLC在收到這些數據后，根據助劑編號，打開相應的助劑配送閥，根據染色機料缸號打開相應的落料閥，同時啟動變頻器，控制轉子泵電動機的轉動。

步驟3：在助劑配送過程中，轉子泵的變頻器頻率增加，直至達到設定值；當實際配送量接近目標配送量時，變頻器頻率降低，穩定一小段時間后，PLC將當前變頻器的頻率、壓縮空氣氣壓值發送給上位機智能PC系統。

步驟4：上位機智能PC系統將助劑編號、落料口(落料閥)編號、壓縮空氣氣壓值、變頻器頻率、定單的配送量代入神經網絡模型計算得到推薦預停值和預計用時，并將其發給PLC。

步驟5：PLC將本身的設置預停值和推薦預停值按一定的比例計算出最終預停值，在每個掃描周期將定單的配送量減去流量計的計量值，得到剩余配送量；當剩余配送量≤最終預停值時，PLC立刻關閉配送閥，同時關閉落料閥和轉子泵電機，由于閥門關閉過程需要幾百毫秒的時間，在這幾百毫秒內流量計仍然在計量，助劑流到染色機料缸的量約等于最終預停值。

步驟6：PLC將預測用時乘以設定的比例，得到本次助劑配送允許的最長時限，在每個掃描周期將實際用時減去最長時限，當得到的數據≥0時，立即發出聲光報警信息，提示人員檢查原因和處理故障。

3.2 可變比例控制策略

在助劑配送時，上位機智能PC系統將當前的助劑配送數據代入推薦預停值的神經網絡預測模型中計算，得到推薦預停值o1；現場PLC控制系統將基于測試經驗值設置的預停值o2，按比例加上推薦預停值o1，計算得到最終預停值o，此可變比例控制策略的計算公式設計為

o=Ko1+(1-K)o20≤K≤1

(4)

在項目實施的初期，K取一個很小的值，可變比例控制策略中起主要作用的是基于經驗值設置的控制方式，使系統不會因為網絡參數不優的原因導致配送誤差大，避免災難性事件的發生；隨著運行收集到的數據量的逐步增多，可對神經網絡進行多次訓練，網絡模型參數越來越接近最優狀態，K值逐步提高，上位機智能系統對綜合決策的影響就越來越大，當網絡訓練到最優狀態時，K等于1，可變比例控制策略完全由上位機智能PC系統決定。

每次助劑配送時可變比例的K值由預設值決定。采用可變比例控制最終預停值的最大優點是可以對新添加的助劑種類和新增加的染缸實現最快的導入。如果沒有可變比例控制策略，每次增加助劑或者增加染缸，原來訓練好的神經網絡模型不能適用，需要從頭開始重新采集大量的配送數據進行網絡模型訓練，耽誤時間。采用可變比例控制策略后，不需要重新訓練整個網絡模型，可以針對配送中有新助劑或者新落料口的定單的K值取一個較小的值，隨著這些新助劑和新落料口的訓練次數逐步增多，再相應地增加K值。當觀察到推薦預停值連續優于設置預停值時，再將K值取為1。這種可變比例控制策略，在不影響整體控制策略的情況下完成新助劑或者新染缸的導入，可以較好地適應工廠擴產和擴品種的需求。

3.3 全連接神經網絡模型設計

預停值和預計用時的全連接神經網絡采用多層結構，如圖7所示，分為3大部分。第1部分為預停值和預計用時模型共享部分，包括：第1層輸入層、第2層隱藏層1，其神經元個數為128，預停值和預計用時共享此層。第2部分為預停值獨有模型部分，包括：第3層隱藏層2，神經元個數為256；第4層隱藏層3，神經元個數為128；第5層隱藏層4，神經元個數為64；第6層預停值輸出層1。第3部分為預計用時獨有模型部分，包括：第7層隱藏層5，神經元個數為256；第8層隱藏層6，神經元個數為128；第9層隱藏層7，神經元個數為64；第10層預計用時輸出層2。

圖7 預停值和預計用時的全連接神經網絡結構Fig.7 Fully connected neural network structure of pre-stop value and predict time

設計的預停值和預計用時全連接神經網絡的輸入數據均為：定單的目標配送量、助劑編號、落料口編號、壓縮空氣氣壓值和變頻器頻率。

全連接神經網絡模型[12]每層的計算公式設計為

(5)

式中：i為本層的第幾個神經元；j為對應本層的上一層的第幾個輸出；m為上一層的神經元個數；n表示第幾層神經層；y為輸出；x為輸入；θ為本層的權重值；b為本層的偏置值；f為本層的激活函數。

每一層的輸出作為下一層的輸入，即：

xn+1=yn

(6)

模型訓練完成后，用于推薦預停值的預測時，最后一層的輸出即為推薦預停值，即：

o1=y

(7)

預停值全連接神經網絡模型的代價函數公式設計為

(8)

式中：C為代價；L為樣本總數；S為樣本序號；v1為定單的目標配送量，g；v2為實際配送量，g；z為實際預停值，g。

預計用時全連接神經網絡模型的代價函數公式設計為

(9)

式中：t1為助劑配送開始時間，s；t2為助劑配送結束時間，s。

(10)

式中：θ為θij的矩陣；X為xij的矩陣。

4 工程實踐

4.1 工程化分析

以上關于智能助劑配送系統的設計是基于理論上的設計，要使其能在實際的工程中落地，需要根據具體的工程進行分析和處理。

每套助劑配送系統中配送閥門數量很多，由于成本的原因，無法在每個配送閥關閉的氣路中安裝壓縮空氣氣壓計，因而在整套系統的總進氣處安裝了一個公用的壓縮空氣氣壓計，由于此氣壓計在進氣組件的減壓閥后面，在使用過程中一般將減壓后的壓強調到0.5 MPa，由于助劑配送時同時打開的閥門數量很少，所以此氣壓值穩定，在運行時幾乎不變，其參與神經網絡模型訓練的意義不大，因而將壓縮空氣氣壓值這個輸入項簡化去除。

在助劑配送的開始階段，變頻器的頻率逐步上升到設定的高速值，當剩余配送量小于設定的值(如2 kg)時，為了控制配送精度，PLC系統將變頻器的頻率下降至10 Hz，進行低速配送，當剩余配送量小于預停值準備關閉配送閥時，配送泵的頻率是固定的10 Hz，因而變頻器頻率這個輸入項也可以簡化去除。

通常在一臺助劑配送設備中有一套PLC控制系統，一般控制著包含如圖1所示的3組系統，由于每組的助劑配送閥、配送泵、流量計和管道不一樣，因而它們的配送特性不一樣，與預停值和預計用時關連性比較大，因而配送組號也作為全連接神經網絡的一個輸入項參與訓練和預測。

通過如上分析和排除，工程實踐時全連接神經網絡的輸入為4個，分別是組編號、助劑編號、落料口編號、定單配送量。

染廠在使用助劑時，一般是以質量為單位進行計算，但是流量計測量的是體積，輸出的是脈沖，在配送時，PLC計量已配送助劑質量的計算公式為

M=Nδρ

(11)

式中：M為已配送助劑的質量，g；N為PLC接收到的流量計的脈沖數；δ為脈沖當量；ρ為助劑的密度，g/mL。

4.2 全連接神經網絡模型訓練

在深度學習平臺TensorFow2.0中搭建上述多層全連接神經網絡，輸入配送記錄數據進行訓練，此軟件運用梯度反向傳遞法則計算出每層的θij和bi，這些θij、bi和網絡結構組成訓練好的網絡模型，用于推薦預停值和預計用時的計算。

訓練數據是從設計的助劑配送系統在染廠運行40 d得到的實際配送數據，共13 000條配送記錄數據，用于本次的訓練。訓練步驟如下：

步驟1：數據清洗。1)檢查是否存在空數據，對空數據進行整條清除；2)查找配送誤差異常時的數據，比如配送誤差超300 g或者為負值(預停值為0，關閉閥門過程一定會有部分助劑流過閥門)，超300 g的情況一般為閥門內有異物，沒有完全關閉，為硬件問題，需要剔除此條數據；負值為流量計異常，也需要剔除。3)查找配送用時異常的數據，比如配送量除以時間超過平均值50%的數據，一般是在配送時出現硬件問題或者人工按了暫停鍵所導致配送用時特別長，此類數據需要整條剔除。

步驟2：將數據集切割成2個數據集，其中80%為訓練數據集，20%為校驗數據集。

步驟3：對訓練數據集求平均值和樣本標準差，計算公式如下：

(12)

(13)

步驟4：將訓練數據集和校驗數據集進行數據標準化，標準化公式如下：

(14)

(15)

步驟5：設置訓練參數，批的大小設定為1 024，7個隱藏層的激活函數均使用Relu函數，用Adam算法作為梯度下降的損失函數優化器。根據校驗集的損失值改善情況降低學習率，每經過5個輪次(epochs)訓練，若模型效果不再提升，就縮小學習率進行訓練，其中設置值為：學習率調整倍數為0.8，最小學習率為0.000 000 01，輪次為200。

步驟6：對模型進行訓練，在每個epoch輸出訓練數據和校驗數據的損失值(Loss)和平均絕對誤差(MAE)，得到第200次epoch訓練結果，如表1所示。

表1 模型訓練結果對比表Tab.1 Comparison of model training results

采用圖型化表示訓練過程的Loss值和MAE值隨訓練輪數變化的曲線，預停值的Loss值和MAE值的訓練結果曲線如圖8所示，預計用時的Loss值和MAE值訓練結果曲線如圖9所示，均能夠快速收斂到一個較小的值，說明模型起到了較好的擬合效果。

圖8 預停值與訓練輪數曲線圖Fig.8 Curves of pre-stop value and training epochs. (a) Loss curves of pre-stop value；(b) MAE curves of pre-stop value

圖9 預計用時與訓練輪數曲線圖Fig.9 Curves of predict time and training epochs. (a) Loss curves of predict time value；(b) MAE curves of predict time value

4.3 神經網絡模型應用

在助劑配送系統的PC機上安裝Python和Tensorflow2.0，運行預測網絡模型，通過csv文件來實現配送數據的輸入和神經網絡模型預測數據的輸出。助劑配送系統的上位機軟件用C#語言編寫，它將需要預測的數據寫入到csv文件中，從模型預測輸出的csv文件中讀取預測結果數據。

步驟1：在助劑配送定單啟動時，PLC啟動配送過程計時器，上位機軟件將配送數據寫入到csv格式的輸入數據中。

步驟3：預測程序將標準化的數據代入預測模型中進行計算，得到推薦預停值和預計用時，將這2個值寫入到模型預測輸出的csv文件中。

步驟4：上位機軟件從模型輸出的csv文件中讀取推薦預停值和預計用時，通過OPC通信方式將這2個值寫入到PLC系統的指定寄存器里。

步驟5：PLC系統計算最終預停值，使用最終預停值與剩余配送量的對比關系決定配送停止時機；PLC系統將預計用時乘以150%作為配送過程的最大時間限制值，若配送時間超出此值，PLC系統停止配送，發出聲光報警，并在現場HMI上面顯示報警信息，提示人員檢查故障原因。

為了使預測系統不會因為意外原因出錯導致助劑智能配送系統停機，使用try語句對可能出現報錯停止的地方進行恢復處理，確保系統的穩定運行。

4.4 工程實踐結果

使用4種預停值模式在染色機助劑配送系統上各執行1 000次配送任務，其中各模式預停值設置的區別如下。

模式1：預停值設置為0。

模式2：對7個配送支路分別進行配送測試，使用測試經驗值設置各個配送支路的預停值。

模式3：使用13 000條配送記錄進行第1次神經網絡模型訓練，使用第1次訓練得到的全連接神經網絡模型計算每次助劑配送的推薦預停值o1；采用可變比例控制策略的計算方式，按K=0.5將基于測試經驗值設置的預停值o2，按比例加上推薦預停值o1，計算得到最終預停值o。

模式4：使用18 000條配送記錄進行第2次神經網絡訓練，使用第2次訓練得到的全連接神經網絡模型計算每一次助劑配送的推薦預停值o1；按K=1計算o，此時o等于o1，最終預停值完全由神經網絡的輸出決定。

此4種模式下配送助劑得到的助劑配送誤差與配送次數的分布圖如圖10所示。

圖10 模式1～模式4助劑配送誤差對比圖Fig.10 Graph of distribution error and distribution times of mode1 to mode 4

從圖10可以看出：在沒有設置預停值時，配送誤差最大，離散度也最大；采用測試經驗值模式時配送誤差下降了一些，離散度略有下降；采用神經網絡和測試經驗值綜合決策模式時配送誤差再次下降，離散度也再次下降；完全采用神經網絡預測預停值的結果是最優的，配送誤差最小，離散度也最小。

表2示出4種模式各配送1 000次的配送誤差結果對比。可以看到配送誤差的方差、標準差和平均絕對誤差均從模式1～模式4逐步降低，模式4的標準差為23.8 g，平均絕對誤差為16.1 g；模式2的標準差為30.1 g，平均絕對誤差為61.4 g。可見，模式4取得了較好的控制效果。

表2 4種模式配送誤差結果對比Tab.2 Comparison of distribution error results of four modes

模式4配送方式執行1 000次配送的配送實際用時、預計用時與配送次數的關系如圖11所示，除其中有1次配送實際用時特別長外，其余999次實際用時都在120 s以內，且與預計用時都比較接近。

圖11 配送實際用時、預計用時與配送次數圖Fig.11 Graph of actual time, predict time and distribution times

使用模式4配送方式執行1 000次配送，配送實際用時與預計用時之間的誤差數據統計如表3所示，包含第253次配送時的硬件異常引起的超時(用時758 s)，標準差為23.5 s，平均絕對誤差為1.8 s；若將第253次的異常配送記錄剔除，對余下的999次配送記錄做統計，則得到的標準差為1.6 s，平均絕對誤差為1.0 s，標準差和平均絕對誤差都比較小，說明助劑配送的預計用時接近實際用時，預計用時模型起到了較好的預測效果。

表3 配送實際用時與預計用時的誤差結果對比Tab.3 Error statistics between actual and predict distribution time

在模式4實驗時，啟用了根據預計用時監控實際配送過程是否超時的功能，設置成當實際配送用時超過預計用時的150%時，系統發出報警。在第253次配送時，由于硬件異常導致閥門沒有打開，無法配送助劑，當系統檢測到配送用時超過預計用時的150%時，立即發出聲光報警，提醒人員檢查設備故障。采用神經網絡計算配送預計用時，可以較快發現設備故障，提高設備的利用率。

5 結 論

本文所設計的染色機助劑智能配送系統，使用全連接神經網絡模型預測助劑配送的預停值，比基于測試經驗得到的預停值更準確，能得到比較好的配送精度，達到減少助劑用量和提高產品質量穩定性的技術效果；使用全連接神經網絡模型預測助劑配送所需的時間長度，進行配送過程動態監測，解決了助劑配送過程時間跨度過大難以監控的技術問題，實現對每個定單的助劑配送過程執行超時監測和報警的功能。此新型助劑智能配送系統達到了節約助劑、減少排放、保護環境、提高配送精度的效果，具有一定的社會價值和經濟價值。本文研究對于采用類似配送工藝的鹽堿配送系統或母液配送系統也具有一定的參考價值。