配漿濃度是決定造紙生產(chǎn)工藝質(zhì)量的重要指標(biāo)。近年來，隨著制漿造紙技術(shù)的飛速發(fā)展，業(yè)內(nèi)對配漿濃度控制的精度提出了越來越高的要求。然而由于配漿濃度控制過程中，工藝參數(shù)常常發(fā)生較大變化，系統(tǒng)模型難以建立，傳統(tǒng)控制器不能始終保持最優(yōu)運行，有時甚至出現(xiàn)穩(wěn)定性問題，導(dǎo)致現(xiàn)有配漿濃度控制手段存在一定的盲目性。因此提高配漿濃度的精度對節(jié)約成本、提高生產(chǎn)質(zhì)量具有十分重要的意義[1]。

1 工藝描述
    造紙行業(yè)配漿系統(tǒng)主要完成配漿濃度、流量大小的測量與控制。草漿、木漿、損配漿按照一定的配比進(jìn)入混合管然后送往紙機，另外在混合池里還要按比例加入一些化學(xué)添加劑和染料。該流程中各種漿料分別通過各自的濃度控制回路對其漿濃度進(jìn)行獨立調(diào)節(jié)控制,因此濃度控制回路效果直接決定了最終的配漿結(jié)果[2]。
    濃度控制回路工藝如圖1所示，濃度控制由調(diào)節(jié)稀釋水量大小實現(xiàn)，流量大小由手動閥門粗調(diào)。配漿濃度測量采用刀式傳感器，流量測量采用電磁流量計，濃度控制執(zhí)行器采用電動調(diào)節(jié)閥，濃度現(xiàn)場控制器是以單片機為核心、配以EPROM及實時時鐘構(gòu)成的微控制器。對于間斷配漿過程，當(dāng)設(shè)置一次配漿絕干量后，配漿單元自動啟動抽漿泵工作，從漿池中抽取混合料，同時開啟稀釋水閥門，調(diào)節(jié)配漿濃度。由于從漿池中抽取混合料的速度基本穩(wěn)定，因而稀釋水流量直接決定了最終的配漿濃度，混合料與稀釋水混合后，累計以配漿絕干量計算，當(dāng)累計配漿絕干量與設(shè)置的一次配漿總量相等時，自動停止抽漿泵工作。

    為了保證配漿生產(chǎn)過程中，混合料濃度精度達(dá)到工藝要求，同時混合料濃度具有一定的抗干擾能力，其控制系統(tǒng)必須滿足以下要求:通過調(diào)節(jié)稀釋水閥門的開度，保證配漿濃度的控制精度在±0.08%內(nèi)。
2  控制系統(tǒng)分析及結(jié)構(gòu)
    由于配漿濃度控制系統(tǒng)具有較強的非線性和時變性，且造紙生產(chǎn)過程參數(shù)在生產(chǎn)過程中常常受到溫度、濕度的影響，很難構(gòu)造出一個精確的數(shù)學(xué)模型，因此，采用常規(guī)控制往往出現(xiàn)頻繁波動，難以跟蹤給定混合料濃度，無法取得較好的運行效果。通過對配漿工藝研究分析，本文提出一種基于智能控制的雙閉環(huán)濃度控制方法，其控制原理如圖2所示。該系統(tǒng)是由模糊遺傳算法、神經(jīng)網(wǎng)絡(luò)PID、控制閥組及傳感器組成的一種直接數(shù)字反饋串級控制系統(tǒng)。

    該控制系統(tǒng)由內(nèi)外兩個閉環(huán)控制構(gòu)成，外環(huán)為濃度控制環(huán)，內(nèi)環(huán)為流量控制環(huán)。首先，濃度控制系統(tǒng)利用混合料濃度設(shè)定值和混合料濃度檢測值計算得到系統(tǒng)濃度偏差，以其作為濃度控制環(huán)路的輸入，通過模糊遺傳控制器計算得到最優(yōu)濃度調(diào)節(jié)量；然后，將該濃度調(diào)節(jié)量通過查表方式轉(zhuǎn)換為相應(yīng)的稀釋水流量增量，作為流量控制環(huán)的輸入，內(nèi)環(huán)通過調(diào)節(jié)稀釋水流量達(dá)到調(diào)節(jié)混合料濃度的目的，利用神經(jīng)網(wǎng)絡(luò)PID模塊對稀釋水濃度進(jìn)行調(diào)節(jié)，始終保證混合漿料濃度滿足工藝要求。
3 基于模糊遺傳算法的外環(huán)控制器設(shè)計
    在配漿濃度控制系統(tǒng)中，由于受到添加原料、開關(guān)漿池閘門等突發(fā)因素的影響，采用傳統(tǒng)的控制方法往往難以得到良好的作用，很難同時兼顧穩(wěn)定控制、提高精度、抑制超調(diào)的要求。而且配漿濃度控制系統(tǒng)中，濃度傳感器檢測值會隨著具體環(huán)境、季節(jié)、晝夜變化產(chǎn)生漂移，而傳統(tǒng)模糊系統(tǒng)的隸屬函數(shù)等參數(shù)很難自動調(diào)整，難以適應(yīng)這些變化。因此本文采用模糊控制器對配漿濃度變化進(jìn)行模糊推理，同時采用遺傳算法對模糊控制器的參數(shù)進(jìn)行自適應(yīng)調(diào)整，從而得到最優(yōu)的稀釋水流量。
3.1 模糊控制器的設(shè)計
    根據(jù)實際生產(chǎn)工藝的需要，模糊控制器根據(jù)當(dāng)前混合料濃度的檢測值和設(shè)定值之間的偏差及其偏差變化率、模糊規(guī)則經(jīng)推理得到最優(yōu)的稀釋水流量設(shè)定值。混合料濃度模糊控制模塊的輸入變量為混合料濃度與設(shè)定值的偏差e及其變化率ec，輸出變量為稀釋水流量的增量Δu。
　　本控制器中，濃度偏差e [-10%, +10%]，論域E＝{-7,-6,-5, -4, -3, -2, -1, 0, 1, 2, 3, 4, 5,6,7}，模糊變量的詞集選擇為{NL，NM，NS，O，PS，PM，PL}。濃度偏差變化率 ec∈[-0.4%/s,0.4%/s]，論域為EC ={-4,-3,-2,-1,0,1,2,3,4}，EC的模糊變量為{NL，NS，O,PS，PL}。
    類似地,稀釋水流量增量輸出Δu∈[-2m3/s,2m3/s]，論域U＝{-6，-5,-4,-3,-2,-1,0,1,2,3,4,5，6}，U的模糊變量為：{NL，NM，NS，O，PS，PM，PL}。
    根據(jù)現(xiàn)場調(diào)節(jié)的經(jīng)驗發(fā)現(xiàn),濃度偏差變化率ec僅在較大時方能反映出混合料濃度的變化趨勢。因此，控制增量U與偏差E的關(guān)系較為緊密，而EC則主要作為U的一個輔助參考變量。本模糊控制器把實際的控制策略歸納為如表1所示的控制規(guī)則表。

    為了抑制傳感器檢測中可能出現(xiàn)的異常值，本文對于輸入輸出變量、隸屬度函數(shù)均采用如下的梯形函數(shù)。

    由上述所設(shè)計的模糊推理規(guī)則及隸屬度，采用Mamdani模糊推理的重心法進(jìn)行解模糊，得到模糊控制的查詢表如表2所示。系統(tǒng)將濃度偏差e及其變化率ec模糊化后求得E、EC，通過查詢表，得到控制輸出U，并將此值經(jīng)過清晰化接口，求得稀釋水流量的增量Δu。

3.2 基于遺傳算法的隸屬度選擇
    遺傳算法(GA)具有搜索快速、易實現(xiàn)和計算效率高的優(yōu)點[3]，非常適合在配漿濃度控制系統(tǒng)中。
3.2.1算法思路及步驟
　 本文在模糊算法的設(shè)計中采用了梯形隸屬度函數(shù)，其形式由4個參數(shù)確定，由模糊算法的3個輸入變量各自的梯形隸屬度函數(shù)參數(shù)，共同構(gòu)成了遺傳算法的解空間。根據(jù)檢測環(huán)境選擇適應(yīng)度函數(shù)，通過個體的變異搜索，尋找使得適應(yīng)度函數(shù)最優(yōu)的隸屬度函數(shù)解，即得到最優(yōu)的模糊算法結(jié)構(gòu)。利用遺傳算法選取隸屬度，其實現(xiàn)步驟為：
　(1)首輪隨機產(chǎn)生n個模糊隸屬度參數(shù)個體，組成初始種群，非首輪隨機產(chǎn)生n-1個個體，第n個個體為以前一代種群的最優(yōu)個體，組成新一輪迭代的起始種群。
    (2)利用適應(yīng)度函數(shù)評估個體適應(yīng)度，以尋求在最合適各類傳感器運行狀態(tài)和配漿生產(chǎn)環(huán)境的模糊隸屬度函數(shù)解作為最優(yōu)個體，并將其標(biāo)識為種群中的第n個個體，然后將該個體保留為下一代種群成員。
    (3)選擇種群中所有個體(包括第n個個體)進(jìn)行交叉操作。
　 (4)檢查當(dāng)前種群是否符合名義收斂條件，如果滿足條件，則執(zhí)行下一步，否則轉(zhuǎn)向(1)。
　 (5)如果滿足給定的優(yōu)化條件，則終止優(yōu)化過程，否則轉(zhuǎn)向(1)。
3.2.2隸屬度函數(shù)種群的編碼表示
    本文選用如式(1)所示的梯形隸屬度函數(shù)其描述，式中a、b、c、d是需要優(yōu)化的參數(shù)。其中，b=c為三角形隸屬函數(shù)，b=a為降半梯形函數(shù)，c=d為升半梯形函數(shù)，但是b=a和c=d不能同時發(fā)生。根據(jù)這些參數(shù)的不同，可以影響梯形函數(shù)的形狀，產(chǎn)生不同的模糊集，從而對模糊推理的結(jié)果產(chǎn)生影響，使?jié)舛瓤刂扑惴ň哂休^強的適應(yīng)能力。隸屬度函數(shù)的參數(shù)種群，采用實數(shù)編碼方式,實數(shù)編碼染色體表度比二進(jìn)制編碼的染色體長度短，編碼方式簡潔自然，減輕了遺傳算法的計算負(fù)擔(dān)，提高了運算效率，能夠更好地保持種群的多樣性。待編碼的參數(shù)為a、b、c、d,每條染色體有4×n×m。其中n為輸入變量的維數(shù)，m為混合料濃度模糊控制器中隸屬度函數(shù)的個數(shù)(本文取3)。對于第一條染色體其編碼如下：

3.2.3 適應(yīng)度函數(shù)
    在算法進(jìn)化中，個體適應(yīng)度不僅需要考慮配漿濃度控制系統(tǒng)濃度跟隨設(shè)定值的準(zhǔn)確性，還需要考慮模糊推理系統(tǒng)本身的合理性和解釋性。因此算法的適應(yīng)度由兩個部分組成，一是配漿濃度控制準(zhǔn)確性指標(biāo)，二是模糊隸屬度函數(shù)的解釋性指標(biāo)。
    配漿濃度控制準(zhǔn)確性指標(biāo)即為模糊控制器輸出的稀釋水流量應(yīng)使得濃度與濃度設(shè)定值間的偏差最小。因此，采用如式(5)所示的性能指標(biāo)。

式中，Js(u)表示以模糊控制器輸出的稀釋水流量計算出的混合料濃度，J為濃度設(shè)定值。
    模糊隸屬度函數(shù)的解釋性指標(biāo)：首先,考慮模糊隸屬度隸屬函數(shù)劃分必須具有完備性，即保證隸屬度函數(shù)能全部覆蓋輸入和輸出變量的取值域，同時對于任何的輸入變量，在其論域內(nèi)的任何值，至少有一個隸屬函數(shù)相對應(yīng)，在形式上表現(xiàn)為隸屬函數(shù)之間存在位置的交叉；其次,隸屬函數(shù)劃分必須是可區(qū)分的，即對于同一變量，隸屬函數(shù)之間存在明顯的位置區(qū)別，以便賦予一定的語義項。如果在尋優(yōu)過程中，出現(xiàn)相鄰的模糊集合的隸屬度函數(shù)之間無重疊，就不能保證對于取值域內(nèi)的任意輸入都能找到一個模糊集合，即造成了隸屬度函數(shù)的不完備性。另外還可能出現(xiàn)一個隸屬度函數(shù)完全覆蓋另外一個函數(shù)，這種情況的出現(xiàn)也會導(dǎo)致模糊推理系統(tǒng)本身不合理，并且不具有解釋性。為了解決這些問題，相鄰模糊集合的隸屬度函數(shù)必須有一定的交叉率?琢。因此，模糊隸屬度函數(shù)的解釋性指標(biāo)可表示為：

式(5)、式(6)的指標(biāo)越小越好，采用分量加權(quán)求和，適應(yīng)度函數(shù)為：

式中，加權(quán)因子v1、v2為正實數(shù)，預(yù)先根據(jù)經(jīng)驗設(shè)定，本文取v1=0.4，v2=0.6。
3.2.4 變異策略
    目前使用較多的變異策略有點式交叉變異和均勻交叉變異。點式交叉破壞模式的概率較小，但搜索到的模式較少；均勻交叉破壞模式的概率較大，但搜索到的模式較多。本文中解空間達(dá)到了4×n×m個維度，相對較大，采用點式交叉會使算法的收斂速度較快，因此本文采用點式交叉策略。
3.2.5 雜交策略
    目前使用較為廣泛的雜交操作是單點雜交、兩點雜交和多點雜交。采用單點雜交、兩點雜交基因的變化較為緩慢，從而導(dǎo)致隸屬度函數(shù)選擇的周期增加，嚴(yán)重影響系統(tǒng)的整體效率，增加了配漿控制系統(tǒng)的滯后性。因此本文采用多點雜交的方式。
4 基于BP神經(jīng)網(wǎng)絡(luò)PID的內(nèi)環(huán)控制器設(shè)計
    配漿濃度控制系統(tǒng)中，稀釋水流量是調(diào)節(jié)配漿濃度的決定因素，但是稀釋水閥門的開度-流量特性易受到水壓、水量的干擾而常常發(fā)生變化。傳統(tǒng)的PID控制方法，很難適應(yīng)閥門的非線性特性，導(dǎo)致實際造紙流程中稀釋水流量出現(xiàn)較大波動，精確度不高。神經(jīng)網(wǎng)絡(luò)具有任意非線性逼近能力、自學(xué)習(xí)能力以及概括推廣能力，使系統(tǒng)具有自適應(yīng)性[4-5]，可自動調(diào)節(jié)控制參數(shù)，提高控制性能和可靠性。因此本文將BP神經(jīng)網(wǎng)絡(luò)與PID控制方法相結(jié)合，用于控制算法來稀釋水流量的調(diào)節(jié)。
4.1 算法結(jié)構(gòu)
    本文所設(shè)計的基于神經(jīng)網(wǎng)絡(luò)PID的稀釋水流量控制的結(jié)構(gòu)如圖3所示。控制器由兩部分組成:傳統(tǒng)的PID控制器和BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法[6]。經(jīng)典增量式PID的控制算法為：

    神經(jīng)網(wǎng)絡(luò)根據(jù)配漿控制系統(tǒng)的運行情況，通過網(wǎng)絡(luò)的自學(xué)習(xí)、權(quán)系數(shù)調(diào)整，使輸出層神經(jīng)元對應(yīng)PID控制器的3個可調(diào)整參數(shù)比例(KP)、積分(KI)、微分(KD)，以使得配漿濃度控制系統(tǒng)能適應(yīng)閥門的開度-流量特性，使稀釋水流量跟隨模糊控制器的輸出值。
4.2 算法實現(xiàn)
    神經(jīng)網(wǎng)絡(luò)隱層層數(shù)是神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的重要參數(shù)，考慮系統(tǒng)本身復(fù)雜度、算法代價以及從實際應(yīng)用效果，增加隱層后，稀釋水流量控制精度提高并不明顯。因此，本文采用一個隱層，與輸入層和輸出層共同構(gòu)成三層BP神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)如圖4所示。

    按照梯度下降法修正網(wǎng)絡(luò)的權(quán)系數(shù)，即按E(k)對加權(quán)系數(shù)的負(fù)梯度方向搜索調(diào)整，并附加一個使搜索快速收斂全局極小的慣性項，由此帶來計算不精確的影響可以通過調(diào)整梯度下降法中的學(xué)習(xí)速度來補償。由以上分析可得網(wǎng)絡(luò)輸出層權(quán)的學(xué)習(xí)算法為：

5 應(yīng)用及結(jié)論
    將本文所提出的配漿控制方法應(yīng)用于岳陽某造紙廠,該紙廠原采用PID控制實際數(shù)據(jù)曲線如圖5所示，采用本方法控制系統(tǒng)實際數(shù)據(jù)曲線如圖6所示。控制系統(tǒng)中濃度設(shè)定值為17.55%，經(jīng)過分析比較，該廠原有控制算法控制偏差超過0.12%的時間占采樣數(shù)據(jù)的60%，系統(tǒng)最大偏差為0.22%。而采用本文提出的控制算法，偏差超過0.07%的時間占采樣數(shù)據(jù)的10%，其余數(shù)據(jù)均穩(wěn)定在0.07%范圍內(nèi)，系統(tǒng)最大偏差為0.1%。從圖中可以看出，本文算法利用模糊控制的優(yōu)點來彌補配漿濃度控制中的突發(fā)干擾和利用遺傳算法改善參數(shù)變化問題，同時利用神經(jīng)網(wǎng)絡(luò)PID算法自學(xué)習(xí)特點，自動調(diào)節(jié)控制參數(shù)，以適應(yīng)配漿生產(chǎn)過程中的開度-流量非線性，使得濃度的控制精度得到了較大提高，完全能滿足配漿過程濃度的工藝要求。

參考文獻(xiàn)
[1] 于秀燕．自動配漿控制系統(tǒng)[J]．黑龍江造紙，2004(1):50-52.
[2] LIAN R J, LIN B F, HUANG J H. A grey prediction  fuzzy controller for constant cutting force in turning [J].
International Journal of Machine Tool and Manufacture, 2005, 45(9):1047-1056.
[3] 馬清亮, 胡昌華, 楊青. 一種用于多目標(biāo)優(yōu)化的混合遺傳算法[J]. 系統(tǒng)仿真學(xué)報, 2004,16(5):1038-1040.
[4] CHOY M C, SRINIVASAN D, CHEU R L. Neural network for continuous online learning and control [J]. IEEE Transaction on Neural Network, 2004,17(4):1511-1531.
[5] SBARBARO D, JOHANSEN T A. Analysis of artificial  neural network for pattern-based adaptive control[J]. IEEE  Transaction on Neural Network, 2006,17(5):1184-1193.
[6] 劉紅波, 李少遠(yuǎn), 柴天佑. 一種基于模糊切換的模糊負(fù) 荷控制器及其應(yīng)用. 控制與決策[J]. 2003, 18(5): 615-
618.