CN101859137A - 胎面挤出过程速度链智能优化系统及其优化方法 - Google Patents

Abstract

本发明提供了一种胎面挤出过程速度链智能优化系统及其优化方法，该系统包括双层多目标优化子系统、经验规则模糊PID自整定子系统、胎面运行数据库和智能协调器；双层多目标优化子系统通过胎面挤出过程运行数据的实验参数补偿模型、胎面质量预估值及胎面收缩模型计算获得胎面运行速度；再由经验规则模糊PID自整定子系统对胎面运行速度进行整定；最后经智能协调器协调双层多目标优化子系统和经验规则模糊PID自整定子系统的输出参数，获得最终优化参数。本发明能有效控制胎面挤出过程的速度链，使之符合预期的运行目标，各局部速度能够很好的匹配，提高胎面质量。

Description

胎面挤出过程速度链智能优化系统及其优化方法

技术领域

本发明涉及轮胎工业胎面制造设备控制系统和方法，尤其是胎面挤出过程中生产线速度链的优化控制系统和方法。

背景技术

汽车制造商对轮胎生产，特别是对轮胎的尺寸和质量不断提出更严格的要求，这是因为轮胎是影响整车舒适性、经济性、安全性的主要因素之一。在轮胎生产过程中，不仅仅对成品胎的尺寸、弹性和公差有要求，大多数情况下对挤出的半成品部件和整个挤出工艺也有所要求。胎面是轮胎生产过程中最重要的半成品之一，它直接承载汽车重量，其尺寸、弹性等物理性能直接关系到最终轮胎成品的质量。

现有的辅线速度链控制方法，根据胎面线生产的工艺流程特点，各工艺段之间的输送辊道并非无缝连接，而是根据需要被分为了若干段，那么各工艺段之间的拖动电机的速度匹配就尤其重要。若两工艺段之间拖动电机的速度前慢后快，则会造成胶料的拉伸，使胶料变长变薄：若两工艺段之间拖动电机的速度前快后慢，则会造成堆胶，使胶料的自然收缩达不到工艺要求。这两种情况都会严重影响产品质量。即使各速度段的变频器速度给定值完全一样，也只能保持胎面在辊道上的输送速度基本一致。但是在整个生产线上，胎面并不是水平直线运行，由于胎面本身的收缩硬化、胎面本身的重量、以及胎面上下坡(胎面上坡速度减慢、胎面下坡速度加快)等原因造成局部速度不匹配。因此如何控制胎面挤出过程的速度符合预期的运行目标具有十分重要的意义。

发明内容

本发明所要解决的技术问题是：提供一种胎面挤出过程速度链智能优化系统及其优化方法，本发明能有效控制胎面挤出过程的速度链，使之符合预期的运行目标，各局部速度能够很好的匹配，提高胎面质量。

本发明所采用的技术方案是：胎面挤出过程速度链智能优化系统，其特征在于：该系统包括双层多目标优化子系统、经验规则模糊PID(比例-积分-微分)自整定子系统、胎面运行数据库和智能协调器；

双层多目标优化子系统通过胎面挤出过程运行数据的实验参数补偿模型、胎面质量预估值及胎面收缩模型计算获得胎面运行速度；再由经验规则模糊PID自整定子系统对胎面运行速度进行整定；最后经智能协调器协调双层多目标优化子系统和经验规则模糊PID自整定子系统的输出参数，获得最终优化参数；胎面运行数据库向双层多目标优化子系统、经验规则模糊PID自整定子系统提供运行数据。

所述智能优化系统的优化方法，包括以下步骤：

S1)建立胎面挤出过程运行数据库；

S2)双层多目标优化子系统基于实验参数补偿模型和胎面收缩模型进行参数计算；

S3)经验规则模糊PID自整定子系统对速度链进行PID控制参数优化；

S4)根据S2)和S3)得到的计算参数，结合满意度函数，智能协调器对速度参数进行优化。

本发明的优点：根据本发明的优化方法，能够得到较理想的速度链匹配运行参数，实现胎面挤出过程辅线速度运行的优化控制，从而实现胎面挤出过程的稳定运行，保证控制精度，提高胎面生产的质量。

附图说明

图1为胎面挤出过程速度链参数智能优化方法总体框图。

图2表示语言变量|E|各语言值的隶属度函数u_BE(|E|)，u_ME(|E|)，u_SE(|E|)。

图3表示语言变量|EC|各语言值的隶属度函数u_BEC(|EC|)，u_MEC(|EC|)，u_SEC(|EC|)。

图4为速度链整定计算程序流程图。

具体实施方式

发明提出了一种针对胎面挤出过程辅线速度链基于双层多目标优化模型参数和经验规则模糊PID自整定参数相结合智能优化方法，以寻求胎面挤出过程辅线速度运行的最优工艺参数，实现胎面挤出过程辅线速度匹配的优化控制。基于双层多目标优化模型参数和经验规则模糊PID自整定参数相结合智能优化方法包括以下的步骤：通过胎面挤出过程运行数据、实验补偿值、胎面质量预估值及胎面收缩模型计算获得的运行速度整定参数与基于类似有经验的操作者手动整定的规则相计算所需胎面挤出联动线速度链整定参数，由智能协调单元判断优化整定计算参数的修正值与前一工艺段的速度给定数值的差别的基础上，对优化的结果进行协调，得出最终的优化参数结果。投入对线性位移传感器信号的整定参数，将优化整定计算参数的修正值与前一工艺段的速度给定数值叠加作为该工艺段的变频器速度给定，从而进行速度链匹配的优化控制。

如图1所示，胎面挤出过程速度链智能优化系统包括双层多目标优化子系统、经验规则模糊PID自整定子系统、胎面运行数据库和智能协调器；双层多目标优化子系统通过胎面挤出过程运行数据的实验参数补偿模型、胎面质量预估值及胎面收缩模型计算获得胎面运行速度；再由经验规则模糊PID自整定子系统对胎面运行速度进行整定；最后经智能协调器协调双层多目标优化子系统和经验规则模糊PID自整定子系统的输出参数，获得最终优化参数；胎面运行数据库向双层多目标优化子系统、经验规则模糊PID自整定子系统提供运行数据。

经验规则模糊PID自整定子系统采用位置式PID算法、模糊PID参数自整定算法，并结合PLCAO(可编程逻辑整列模拟量输出)模块的输出数据、胎面运行数据库提供的运行数据、对前一工艺段给定的变频器数据进行整定。

本发明的系统还包括满意度判断子系统，该子系统从胎面挤出生产线获取参数，依据工艺条件、满意度收敛条件、满意度判断和满意度判断结果，然后满意度判断子系统将判断结果传送至智能协调器，协调后将优化参数输出给胎面挤出生产线。

本发明的智能优化系统的优化方法，包括以下步骤：

S1)建立胎面挤出过程运行数据库；

S2)双层多目标优化子系统基于实验参数补偿模型和胎面收缩模型进行参数计算；

S3)经验规则模糊PID自整定子系统对速度链进行PID控制参数优化；

S4)根据S2)和S3)得到的计算参数，结合满意度函数，智能协调器对速度参数进行优化。

下面结合附图进一步详述本发明。

如图1所示，本发明通过胎面挤出过程运行数据、实验补偿值、胎面质量预估值及胎面收缩模型计算获得的运行速度整定参数与基于类似有经验的操作者手动整定的规则相计算所需胎面挤出联动线速度链整定参数，由智能协调单元判断优化整定计算参数的修正值与前一工艺段的速度给定数值的差别的基础上，对优化的结果进行协调，得出最终的优化参数结果。本发明投入对线性位移传感器信号的整定参数，将优化整定计算参数的修正值与前一工艺段的速度给定数值叠加作为该工艺段的变频器速度给定，从而进行速度链匹配的优化控制。

为解决胎面上下坡(胎面上坡速度减慢、胎面下坡速度加快)等原因造成局部速度不匹配矛盾，在每一个需要整定速度的工艺段之前，通过胎面挤出过程运行数据、实验补偿值、胎面质量预估值及胎面收缩模型计算获得的运行速度整定参数。具体实现优化的步骤如下：

Step 1：建立胎面挤出过程运行数据库

建立胎面挤出过程优化操作参数数据库，用于保存历史上典型工况的优化运行参数，即保存了历史上大量的优化运行专家经验。数据库中的每一个样本就是一个向量，表示胎面的宽度，连续称重的重量，胎面挤出口时的温度，出口处挤出速度等，这里称为工况参数，是可以控制的参数。实际生产中，由于胶料的配方，添加原料的品味及杂质含量的变化，可能随时出现以前没有出现过的工况，必须谁是补充更新优良的工况参数。另一方面，随着胎面挤出工艺的不断改造，可能造成样本参数不再是最优的，因此必须不断删除一些差的样本。

Step 2：基于胎面收缩模型与质量预测模型的参数计算

胎面收缩变形取决于口型内产生的弹性形变、弹性形变的松弛函数

及冷却工艺条件f₂(t)。对于弹性形变的恢复收缩计算式f(S)为：

$f\left(S\right)=a_0{f}_1({\stackrel{\·}{\mathrm{\γ}}}^{\′},\mathrm{\θ})+a_1{f}_2\left(t\right)+a_2+\mathrm{\ΔV}$

式中：S是收缩比，

是口型剪切速率，θ是温度，a₀，a₁，a₂是通过生产中实际数据采用数值分析计算得出的常数，ΔV为实验参数补偿值，ΔV的计算公式见下式：

ΔV＝α(r_p+r_y)²                                        (2)

式中：α为补偿系数，r_p为配方设定值，r_y为原料变化率设定值。

对于热收缩计算式为：

ΔL＝L(θ₀)β(θ₀-θ₁)                            (3)

式中：ΔL为热收缩量，L(θ₀)为定长裁断时的胎面长度，θ₀为定长裁断时的胎面温度，θ₁为生产环境温度，β为胎面线收缩系数。

根据上述胎面收缩模型计算获得剪切速度。

Step 3：基于胎面质量指标预测模型和满意度函数优化联动速度参数

基于质量指标预测在运行样本数据库中搜索与当前工况最相似的数据，将其计算参数结果输出。但可能出现随机误差，因此我们通过满意度收敛条件寻优

$\underset{n\&RightArrow;\&infin;}{\mathrm{Lim}}P[\underset{\mathrm{\&gamma;}}{\sup }(S_{\mathrm{emp}}\left({\mathrm{\&gamma;}}^{\&prime;}\right)-S\left({\mathrm{\&gamma;}}^{\&prime;}\right))<\mathrm{\&epsiv;}]=0,\&ForAll;\mathrm{\&epsiv;}>0---\left(4\right)$

式中：S_emp(γ′)是期望收缩率，S(γ′)模型计算收缩率，n为寻优次数；

这里定义满意度指标：

$\mathrm{\&rho;}(Y,Z)=\frac{\underset{i=1}{\overset{4}{\mathrm{\&Sigma;}}}\left|y_i\right|\&CenterDot;\left|z_i\right|}{{(\underset{i=1}{\overset{4}{\mathrm{\&Sigma;}}}{y}_i^2\&CenterDot;\underset{i=1}{\overset{4}{\mathrm{\&Sigma;}}}{z}_i^2)}^{1/2}}---\left(5\right)$

式中：Y＝[y₁，y₂，…，y₄]、Z＝[z₁，z₂，…，z₄]为正向量，ρ(Y，Z)表示向量Y和向量Z的满意度，其范围是(0，1]，ρ(Y，Z)越大，满意度越大。满意度达到一定值时，智能协调器就可以进行协调控制。

Step 4：通过经验规则模糊PID自整定子系统对速度链进行PID控制参数优化。

通过满意度判断，获得满意的结果，再同经验规则模糊方法的整定参数，协调集成：

γ＝γ′×ζ+γ″×(1-ζ)                        (6)

γ′和γ″分别表示基于机理计算整定速度参数和基于经验规则整定速度参数，ζ为调节系数。

此集成参数由智能协调器输出与前一工艺段的变频器速度给定叠加，形成后一工艺段的速度给定值，实现前后两个工艺段的速度匹配。整个速度链经过连续称辊道、贴合辊道、上坡皮带、喷淋1辊道、喷淋2辊道、浸泡1辊道、浸泡2辊道、一次吹水辊道、下坡辊道9个环节，构成一条完整的速度链。

基于对被控对象在不同阶段对P、I、D三个参数的要求，模糊自整定PID控制器分别选择偏差的绝对值|e|及偏差变化的绝对值

为其输入的语言变量。|e|和

的语言值选为大(B)、中(M)、小(S)三种。语言变量|E|各语言值的隶属度函数：u_BE(|E|)，u_ME(|E|)，u_SE(|E|)如图2示，语言变量|EC|各语言值的隶属度函数u_BEC(|EC|)，u_MEC(|EC|)，u_SEC(|EC|)如图3示，其中各语言值的隶属度函数均取为线性梯形函数或三角形函数，以利于编程的实现和参数的调整。通过对自变量|e₁|～|e₃|和

的不同选值可调整隶属函数u_C(|C|)，u_EC(|EC|)。

模糊PID参数自整定控制器通过关于|E|和|EC|的五种组合形式来调整PID参数，即：

组合1：|E|＝B(代表系统响应初期)

组合2：|E|＝M且|EC|＝B(代表系统响应中期且偏差变化快)

组合3：|E|＝M且|EC|＝M(代表系统响应中期且偏差变化适中)

组合4：|E|＝M且|EC|＝S(代表系统响应中期且偏差变化较慢)

组合5：|E|＝C(代表系统响应后期)

其中每种组合的隶属度的计算公式为(∧为取小运算)：

组合1：u₁(|E|，|EC|)＝u_BE(|E|)                                        (7)

组合2：u₂(|E|，|EC|)＝u_ME(|E|)∧u_BEC(|EC|)                            (8)

组合3：u₃(|E|，|EC|)＝u_ME(|E|)∧u_MEC(|EC|)                            (9)

组合4：u₂(|E|，|EC|)＝u_ME(|E|)∧u_BEC(|EC|)                            (10)

组合5：u₂(|E|，|EC|)＝u_SE(|E|)                                        (11)

根据偏差E和偏差变化EC按以下三个公式在线实时整定计算P、I、D三个参数的值。

$\mathrm{Kp}=f1\left(\right|E|,|\mathrm{EC}\left|\right)=\frac{\underset{i=1}{\overset{5}{\mathrm{\&Sigma;}}}{u}_i\left(\right|E|,|\mathrm{EC}\left|\right)\&times;{\mathrm{Kp}}_i}{\underset{i=1}{\overset{5}{\mathrm{\&Sigma;}}}{u}_i\left(\right|E|,|\mathrm{EC}\left|\right)}---\left(12\right)$

$\mathrm{Ki}=f_2\left(\right|E|,|\mathrm{EC}\left|\right)=\frac{\underset{i=1}{\overset{5}{\mathrm{\&Sigma;}}}{u}_i\left(\right|E|,|\mathrm{EC}\left|\right)\&times;{\mathrm{Ki}}_i}{\underset{i=1}{\overset{5}{\mathrm{\&Sigma;}}}{u}_i\left(\right|E|,|\mathrm{EC}\left|\right)}---\left(13\right)$

$\mathrm{Kd}=f_3\left(\right|E|,|\mathrm{EC}\left|\right)=\frac{\underset{i=1}{\overset{5}{\mathrm{\&Sigma;}}}{u}_i\left(\right|E|,|\mathrm{EC}\left|\right)\&times;{\mathrm{Kd}}_i}{\underset{i=1}{\overset{5}{\mathrm{\&Sigma;}}}{u}_i\left(\right|E|,|\mathrm{EC}\left|\right)}---\left(14\right)$

通过在线自整定PID参数K_p，K_i，K_d，从而得出系统在不同偏差E和偏差变化EC下的控制作用。上式中u_i＝(|E|，|EC|)(i＝1，2，3，4，5)为根据由测量值|E|和|EC|对应的隶属函数u_c(|c|，u_EC(|EC|)计算出的各种组合的隶属度；Kp_i，Ki_i，Kd_i，i＝(1，2，3，4，5)为参数K_p，K_i，K_d对应系统在五种组合情况下的加权，它们对于各种组合的形式可以取为(Kp′_i，Ki′_i，Kd′_i)：

组合1(响应初期)：Kp₁＝Kp′₁，Ki₁＝Ki′₁，Kd₁＝Kd′₁                (15)

组合2(响应中期，大偏差变化)：Kp₂＝Kp′₂，Ki₂＝Ki′₂，Kd₂＝Kd′₂    (16)

组合3(响应中期，中偏差变化)：Kp₃＝Kp′₃，Ki₃＝Ki′₃，Kd₃＝Kd′₃    (17)

组合4(响应中期，小偏差变化)：Kp₄＝Kp′₄，Ki₄＝Ki′₄，Kd₄＝Kd′₄    (18)

组合5(响应后期)：Kp₅＝Kp′₅，Ki₅＝Ki′₅，Kd₅＝Kd′₅                (19)

其中Kp₁～Kp₅、Ki₁～Ki₅和Kd₁～Kd₅分别为在不同的组合情况下对于PID三个参数应用常规PID参数整定法取得的参数值。通过前文对模糊PID参数自整定原理的分析不难得Kp′₁～Kp′₅、Ki′₁～Ki′₅和Kd′₁～Kd′₅，它们之间有如下的关系：

Kp′₁＞Kp2＞Kp′₃＞Kp′₄＞Kp′₅       Ki′₁＞Ki2＞Ki′₃＞Ki′₄＞Ki′₅

Kd′₁＞Kd2＞Kd′₃＞Kd′₄＞Kd′₅                                    (20)

以前速度链整定算法通常采用的是固定参数的PID算法，但在实际应用中通常受胶料原料产地、挤出温度、冷却收缩率的取值、工线速度设定等多种因素的影响，固定参数PID的算法在现场难以取得良好的控制效果。特别是在喷淋、浸泡和吹水环节，由于胶料被强制冷却收缩，其物理特性发生了很大的变化，传统的PID算法经常在这些环节造成堆胶和拉胶现象。尤其是各工艺段的输送辊道和线性位移传感器用来整定该工艺段速度的摆杆，在运行过程中，由于机械原因造成其速度变化，使以整定好的参数发生改变。为此，我们应用模糊PID参数自整定算法对速度链进行整定计算。

模糊PID参数自整定控制器吸收了模糊控制的推理机制和PID控制结构简单性能稳定的特点，把模糊控制和PID控制两者结合起来，扬长避短，既具有模糊控制的灵活、适应性强的优点，又具有PID控制精度高的特点。

将模糊PID参数自整定算法应用于胎面挤出联动线辅线速度链整定计算的原理框图如图1所示。图中的虚线框中的功能在PLC程序中实现。智能协调器检测胎面是否进入了需要整定速度的工艺段。若没有进入，则PLC程序直接将前一工艺段的速度给定值作为该工艺段的速度给定值通过总线给定变频器。若胎面已经进入了该工艺段，则智能协调去会发出连续信号，这时需要投入对线性位移传感器信号的整定算法，将算法得出的修正值与前一工艺段的速度给定数值叠加作为本工艺段的变频器速度给定。模糊PID参数自整定算法的程序流程图如图4所示。

该算法控制效果的好坏主要取决于初始化的五种组合的原始PID参数的选取(式9式13)试过程中利用了现场提供的经验参数。在此基础上根据现场全线联调的实际情况对参数的整定进一步优化，大大改善了控制的效果，堆胶拉胶的现象大为减少，且变频器对摆杆变化的敏感性显著提高，证明模糊PID参数自整定算法在速度链整定计算中的有效性。

Claims (7)

1.胎面挤出过程速度链智能优化系统，其特征在于：该系统包括双层多目标优化子系统、经验规则模糊PID自整定子系统、胎面运行数据库和智能协调器；

双层多目标优化子系统通过胎面挤出过程运行数据的实验参数补偿模型、胎面质量预估值及胎面收缩模型计算获得胎面运行速度；再由经验规则模糊PID自整定子系统对胎面运行速度进行整定；最后经智能协调器协调双层多目标优化子系统和经验规则模糊PID自整定子系统的输出参数，获得最终优化参数；

胎面运行数据库向双层多目标优化子系统、经验规则模糊PID自整定子系统提供运行数据。

2.根据权利要求1所述的智能优化系统，其特征在于：经验规则模糊PID自整定子系统采用位置式PID算法、模糊PID参数自整定算法，并结合PLC AO模块的输出数据、胎面运行数据库提供的运行数据、对前一工艺段给定的变频器数据进行整定。

3.根据权利要求1所述的智能优化系统，其特征在于：该系统包括满意度判断子系统，该子系统从胎面挤出生产线获取参数，依据工艺条件、满意度收敛条件、满意度判断和满意度判断结果，然后满意度判断子系统将判断结果传送至智能协调器，协调后将优化参数输出给胎面挤出生产线。

4.根据权利要求1所述的智能优化系统的优化方法，其特征在于包括以下步骤：

S1)建立胎面挤出过程运行数据库；

S2)双层多目标优化子系统基于实验参数补偿模型和胎面收缩模型进行参数计算；

S3)经验规则模糊PID自整定子系统对速度链进行PID控制参数优化；

S4)根据S2)和S3)得到的计算参数，结合满意度函数，智能协调器对速度参数进行优化。

5.根据权利要求4所述的优化方法，其特征在于步骤S1)具体包括：

建立胎面挤出过程优化操作参数数据库，用于保存历史上典型工况的优化运行参数；数据库中的每一个样本采用向量表示工况参数，这些参数包括胎面宽度、连续称重的重量、胎面挤出口时的温度和出口处挤出速度。

6.根据权利要求4所述的优化方法，其特征在于步骤S2)建立胎面收缩模型的方法为：

S201)建立弹性形变的恢复收缩计算式f(S)：

$f\left(S\right)=a_0{f}_1({\stackrel{\&CenterDot;}{\mathrm{\&gamma;}}}^{\&prime;},\mathrm{\&theta;})+a_1{f}_2\left(t\right)+a_2+\mathrm{\&Delta;V}$

式中：

是弹性形变的松弛函数，f₂(t)是冷却工艺条件，S是收缩比，

是口型剪切速率，θ是温度，a₀、a₁、a₂是通过生产中实际数据采用数值分析计算得出的常数，ΔV为实验参数补偿值，ΔV的计算公式见下式：

ΔV＝α(r_p+r_y)²

式中：α为补偿系数，r_p为配方设定值，r_y为原料变化率设定值；

S202)建立热收缩计算式：

ΔL＝L(θ₀)β(θ₀-θ₁)

式中：ΔL为热收缩量，L(θ₀)为定长裁断时的胎面长度，θ₀为定长裁断时的胎面温度，θ₁为生产环境温度，β为胎面线收缩系数。

7.根据权利要求4所述的优化方法，其特征在于，步骤S4)具体包括：

S401)首先通过满意度收敛条件寻优，寻优公式见下式：

$\underset{n\&RightArrow;\&infin;}{\mathrm{Lim}}P[\underset{\mathrm{\&gamma;}}{\sup }(S_{\mathrm{emp}}\left({\mathrm{\&gamma;}}^{\&prime;}\right)-S\left({\mathrm{\&gamma;}}^{\&prime;}\right))<\mathrm{\&epsiv;}]=0,\&ForAll;\mathrm{\&epsiv;}>0$

式中：S_emp(γ′)是期望收缩率，S(γ′)模型计算收缩率，n为寻优次数；

S402)然后定义满意度指标：

$\mathrm{\&rho;}(Y,Z)=\frac{\underset{i=1}{\overset{4}{\mathrm{\&Sigma;}}}\left|y_i\right|\&CenterDot;\left|z_i\right|}{{(\underset{i=1}{\overset{4}{\mathrm{\&Sigma;}}}{y}_i^2\&CenterDot;\underset{i=1}{\overset{4}{\mathrm{\&Sigma;}}}{z}_i^2)}^{1/2}}$

式中：Y＝[y₁，y₂，…，y₄]、Z＝[z₁，z₂，…，z₄]为正向量，ρ(Y，Z)表示向量Y和向量Z的满意度，其范围是(0，1]，ρ(Y，Z)越大，满意度越大，满意度达到一定值时，智能协调器就进行协调控制，通过满意度判断，获得满意的结果；

S403)最后将双层多目标优化子系统通过机理计算得出的整定速度参数同经验规则模糊PID自整定子系统基于经验规则计算得出的整定速度参数协调集成：

γ＝γ′×ζ+γ″×(1-ζ)

式中：γ表示集成参数，γ′表示机理计算得到的整定速度参数，γ″表示基于经验规则得到的整定速度参数，ζ为调节系数；

S404)将S403)得到的集成参数γ由智能协调器输出，与前一工艺段的变频器速度给定叠加，形成后一工艺段的速度给定值，实现前后两个工艺段的速度匹配。

Images