CN103088448A - 一种基于数据驱动协同智能控制的碳纤维原丝喷头拉伸工艺 - Google Patents

Abstract

本发明涉及一种基于数据驱动协同智能控制的碳纤维原丝喷头拉伸工艺，该工艺路线为：纺丝熔体经计量泵精确计量，进入喷丝组件，由喷头挤出后进入凝固浴，在凝固浴导辊的协同智能控制下，实现一定比率的喷头拉伸，最后离开凝固浴。本发明由基于数据驱动的生物智能控制器设计工艺以及基于多组件数据协同的智能协同优化控制工艺两个部分组成。其中提出的基于数据驱动的生物智能控制器设计工艺，控制器采用内分泌超短反馈生物智能控制器，并对其进行了数据驱动改进，成为不依赖对象模型进行设计的控制器；提出的基于多组件数据协同的智能协同优化控制工艺，通过采集具有协同关系的其他纺丝组件数据并协同优化计算，实现喷头拉伸比率的智能协同控制。

Description

一种基于数据驱动协同智能控制的碳纤维原丝喷头拉伸工艺

技术领域

本发明属于自动控制技术领域，特别是涉及一种基于数据驱动协同智能控制的碳纤维原丝喷头拉伸工艺。

背景技术

碳纤维是一种新型高性能纤维材料，具有高比强度、高比模量、耐高温、耐疲劳、耐腐蚀、抗辐射、传热、导电、降噪、减震和相对密度小等一系列优异性能。聚丙烯腈基碳纤维综合性能最好，占目前国内外碳纤维总产量的90%以上。目前众多国内外学者都在研究如何进一步改善聚丙烯腈原丝的性能和品质。

聚丙烯腈原丝的生产制备过程工艺复杂、环节众多、易受各种环境因素干扰，而原丝的质量却是制约碳纤维性能的主要因素。目前，国内外已有的原丝生产技术还存在一定的不足，原丝质量还有较大的提升空间。为了提高原丝的性能与品质，一方面需要对生产过程控制系统的控制精度以及抗干扰能力进行研究，另一方面需要对碳纤维原丝的生产工艺做进一步研究改善。

近几年来，数据驱动、智能控制、协同优化等技术在系统建模和过程控制领域得到了越来越广泛的应用，并在实践中取得了比传统方法更加优越的性能。因此，碳纤维原丝生产过程中引入数据驱动、智能控制与协同优化等方法，构建统一的碳纤维生产过程协同智能控制系统，对产出质量稳定、指标优越的高性能原丝具有一定的指导意义。

控制策略而言，数据驱动控制策略是指利用被控对象的在线或离线I/O数据以及由数据的处理而获得的知识来设计控制器。目前一些较为复杂工业生产对象，往往由于对象机理中牵扯许多过程不明确或随机的因素，无法建立对象模型，或建模存在较大误差。传统控制器的基于模型的设计方法便无法胜任。而数据驱动控制策略从存储的大量的生产、设备和过程数据挖掘隐含着的工艺和设备等信息，直接基于数据设计控制器而不尝试对对象建模，有效的解决了这一问题。

控制算法而言，现代复杂信息环境中的复杂系统控制，要求研究开发智能化程度更高，实用性更强的智能控制优化算法。生物智能控制技术就是从对自然界中各种生物，尤其是人类智能行为的研究而产生出的控制算法。生物智能算法在控制速度、精度和抗干扰能力了等方面均优于传统的控制算法。

控制系统而言，碳纤维纺丝过程流程长、环节多，并且环节间相互作用复杂，对象的动态特性具有时变、非线性耦合、时滞等特点，属于大规模复杂系统。协同控制是指采用一定的连接方式和信息交换机制协同控制来适应生产设备状况的变化，保证整个系统的稳定和谐，为高性能碳纤维原丝的质量提供了保障。

发明内容

本发明的目的是提出一种优于传统控制的控制策略，及其控制器设计方法，实现对聚丙烯腈基碳纤维原丝凝固浴导辊的高性能控制，同时提出一种多组件数据协同的智能协同优化控制工艺，实现碳纤维原丝喷头拉伸比率的协同控制，提高原丝质量。

为实现上述目的，本发明采取的技术方案是：一种基于数据驱动协同智能控制的碳纤维原丝喷头拉伸工艺，其工艺路线为纺丝熔体经计量泵精确计量，进入喷丝组件，由喷头挤出后进入凝固浴，经凝固浴导辊实现喷头拉伸，最后离开凝固浴，其特征是：所述的凝固浴导辊由凝固浴导辊控制系统驱动，凝固浴导辊控制系统包括PID控制器、神经内分泌超短反馈控制器、数据驱动参考模型和协同控制模块，所述的协同控制模块通过采集具有协同关系的其他纺丝组件数据，进行协同优化，计算得到适宜的凝固浴导辊转速，实现喷头拉伸的智能协同控制，使喷头拉伸比率保持相对稳定；所述的其他纺丝组件数据包括计量泵数据以及喷丝组件数据，所述的协同优化为基于数据驱动协同智能控制工艺的优化。

所述的一种基于数据驱动协同智能控制的碳纤维原丝喷头拉伸工艺，其特征在于，所述的基于数据驱动协同智能控制工艺由基于数据驱动的生物智能控制器设计工艺以及基于多组件数据协同的智能协同优化控制工艺两个部分组成。

所述的一种基于数据驱动协同智能控制的碳纤维原丝喷头拉伸工艺，其特征在于，所述的基于数据驱动的生物智能控制器设计工艺，主要工艺路线为：主控制器采用内分泌超短反馈生物智能控制器，其中包括传统PID模块以及NUC模块；控制器设计方案采用数据驱动算法，具体是用于PID模块设计的虚拟参考反馈整定法以及用于NUC模块设计的基于数据的NUC优化设计法；具体包括以下步骤：

a．对凝固浴导辊的控制电机进行一次开环测试，给电机施加一组随机的电压输入u_op(k)，测量其相应的转速输出y_op(k)；得到一组测量数据[u_op(k);y_op(k)]，k=1,…,N_op，k为测量序列号，N_op为本次测试的数据长度；

b．基于测量数据[u_op(k);y_op(k)]，采用VRFT数据驱动算法，无需对凝固浴导辊进行建模，便可直接辨识PID控制器参数，得到期望的PID控制模块；VRFT算法框图如图3所示，具体算法可参考文献：[1]Campia MC,Lecchinib A,Savaresic SM.Virtual reference feedbacktuning:a direct method for the design of feedback controllers.Automatica[J],2002,38(8):1337-1346.）

c．将所述期望的PID控制模块接入凝固浴导辊控制系统，作为闭环系统的控制器，组成闭环反馈控制系统，进行一次阶跃响应测试，得到一组闭环测量数据[r_cl(k);y_cl(k)]，k=1,…,N_cl，k为测量序列号，N_cl为本次测试的数据长度；该数据用于对引入的NUC控制器进行数据驱动的改进。传统的NUC控制器算法可参考文献：[2]刘宝,丁永生,王君红.一种基于内分泌超短反馈机制的智能控制器[J].计算机仿真.2008,25(1):188-191。

d．基于闭环测量数据[r_cl(k);y_cl(k)]，计算NUC的期望输出。具体计算方法为：

根据测量数据可以计算得到系统存在的控制误差e(k)：

e(k)=r_cl(k)-y_cl(k)         (1)

为了弥补e(k)，令e(k)为NUC的输出u_c′(k)作用于P(z)后的期望输出，有：

e(k)=P(z)u_c′(k)           (2)

其中，P(z)为凝固浴导辊的传递函数；

由于对象模型P(z)未知，根据之前VRFT的算法，引入控制器、对象与参考模型间的关系：

$M\left(z\right)=\frac{P\left(z\right)C\left(z\right)}{1+P\left(z\right)C\left(z\right)}---\left(3\right)$

其中，M(z)为VRFT参考模型；C(z)为已设计的PID控制器；

将式(1)式(2)，代入式(3)可得：

$u_c^{\′}\left(k\right)=\frac{1-M\left(z\right)}{M\left(z\right)}C\left(z\right)(r_{\mathrm{cl}}\left(k\right)-y_{\mathrm{cl}}\left(k\right))---\left(4\right)$

e．采用智能优化算法，以NUC的控制器参数为优化对象，以NUC的虚拟输出为优化目标，计算最优的NUC控制器参数；智能优化算法包括遗传算法，粒子群算法等。

f．将NUC的控制器参数设置为计算的最优的NUC控制器参数，然后作为智能控制器接入系统，以控制误差e、PID模块输出u作为输入，其输出u’再与PID模块输出u相加后输入凝固浴导辊控制电机，对凝固浴导辊进行智能控制。

所述的一种基于数据驱动协同智能控制的碳纤维原丝喷头拉伸工艺，其特征在于，所述的基于多组件数据协同的智能协同优化控制工艺，主要工艺路线为：在凝固浴导辊控制系统中增加协同组件监测数据采集模块以及协同计算模块。其中所述的协同组件监测数据采集模块采集具有协同关系的其他纺丝组件数据，包括计量泵数据以及喷丝组件数据；所述的协同控制模块进行协同优化计算。实现喷头拉伸的智能协同控制，使喷头拉伸比率保持相对稳定；具体工艺包括以下步骤：

a．选取计量泵变频转速、计量泵供料量、喷丝板孔数、喷丝板孔径作为协同控制参数；喷头拉伸比率作为协同控制目标；所述协同控制参数与喷头拉伸比率的协同关系，具体为：

① $V_O=\frac{r\·Q\·{10}^{-2}}{n\·{(d/2)}^2\·\mathrm{\π}}$

其中，Vo：喷丝板挤出速度；r：计量泵变频转速；Q计量泵每转供料量；n：喷丝板孔数；d：喷丝板孔径；

② ${\mathrm{\φ}}_a=\frac{(V_l-V_o)}{V_o}\·100\%$

其中，φ_a：喷头拉伸比率；V_l：初生纤维在凝固浴滚轴上的卷曲速度；

b．对喷头牵伸比率进行协同优化计算。主要步骤为：对计量泵供料量、喷丝板挤出速度进行在线监测，获得实时数据，根据式①计算Vo的变化，再以φ_a不变为优化目标，根据②计算能够满足φ_a不变的V_l取值。

c．将基于多组件数据协同的智能协同优化控制工艺的输出，即上述协同优化计算结果V_l，作为输入，输入到由数据驱动的生物智能控制器设计工艺所设计的凝固浴导辊控制系统中，实现对凝固浴导辊的实时的动态协同控制。

本发明由于采取以上技术方案，其具有以下优点：

1.本发明的控制方案是基于数据驱动思想的控制方案，建立控制系统的过程无需对象模型，免除了较为困难的建模工作，同时也避免了模型不精确引入的误差，使得整个控制系统更切合实际，控制效果更理想。

2.本发明采用了内分泌超短反馈的生物智能控制算法，弥补传统PID控制存在的不足，起到了更好的控制效果。与此同时，本发明建立了对该智能控制算法的数据驱动改进，使NUC设计过程也不需要对象模型，整个控制系统的建立具有数据驱动优势。

3.本发明引入智能协同优化，将统一生产环境中的多个组件设备的数据统一采集，进行实时协同优化控制，从全局的角度提高碳纤维原丝生产喷头拉伸工艺的稳定性。

附图说明

图1是工艺方法结构框图

图2是工艺流程图

图3是VRFT算法框图

图4是VRFT对PID控制器整定的效果图

图5是NUC算法框图

图6是NUC控制器输出效果图

图7是NUC与PID的控制效果对比图

图8是协同控制仿真结果图

具体实施方式

下面结合具体实施方式，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

以下实施例采用伺服电机为控制对象，进行仿真。选取的电机对象传递函数为：

$G\left(s\right)=\frac{1.786}{{0.002218s}^2+0.1713s+1}$

取采样时间T_s=0.05s，则对象的离散传递函数为：

$G\left(z\right)=\frac{0.3636z+0.109}{z^2-0.7565z+0.02103}$

需要说明的是，对象的模型仅用于获得测试数据以及方法验证，所有数据驱动的控制算法设计中均假设对象模型未知，不对对象进行建模，直接利用数据进行控制器设计。

所述的基于数据驱动的生物智能控制器设计工艺，如图2所示，工艺方法结构框图见图1，具体包括以下步骤：

a．对凝固浴导辊的控制电机进行一次开环测试，给电机施加一组随机的电压输入u_op(k)，测量其相应的转速输出y_op(k)；得到一组测量数据[u_op(k);y_op(k)]，k=1,…,N_op，k为测量序列号，N_op为本次测试的数据长度；该测量数据应当尽可能全面反应系统性能，因此需要较多数据，本实施例中取N_op=512；

b．基于测量数据[u_op(k);y_op(k)]，采用VRFT数据驱动算法，无需对凝固浴导辊进行建模，便可直接辨识PID控制器参数，得到期望的PID控制模块；VRFT算法框图如图3所示，具体算法步骤如下：

（参考文献：[1]Campia MC,Lecchinib A,Savaresic SM.Virtual reference feedback tuning:adirect method for the design of feedback controllers.Automatica[J],2002,38(8):1337-1346.）

(1)获得步骤a产生的测量数据[u_op(k);y_op(k)]

(2)选择适当参考模型M(z)，由r^vir=y·M(z)^-1得到虚拟输入r^vir，本实施例中：

$M\left(z\right)=\frac{1-\mathrm{\α}}{z(1-\mathrm{\α})},$ α取0.8

(3)计算e^vir=r^vir-y_op

(4)设计滤波器L,对u_op、e^vir进行滤波.u_L=u_op·L,e_L=e^vir·L，本实施例中：

L=(1-M(z))·M(z)

(5)令u^vir=u_L，即e_L·C(θ)=u_L，解得θ，本实施例中C(θ)为PID控制器，θ=[k_p k_i k_d]

经过上述计算，本实施例最终计算结果为θ=[0.3151 0.1145 0.1163]，则离散增量式PID控制器传递函数为（采样时间0.05s）：

$C\left(\mathrm{\θ}\right)=\frac{{0.5438z}^2-0.5448z+0.1159}{z^4-z^3}$

该PID控制器阶跃响应与参考模型阶跃响应曲线如图4所示。

c．为了进一步提高凝固浴导辊闭环控制性能，引入NUC模块，通过NUC输出的控制量弥补传统控制器控制存在的偏差。NUC控制系统框图如图5所示，具体控制算法如下：（参考文献：[2]刘宝,丁永生,王君红.一种基于内分泌超短反馈机制的智能控制器[J].计算机仿真.2008,25(1):188-191.）

内分泌系统的超短反馈机制，对激素浓度的稳定快速调节起很大作用。受超短反馈机制启发，在传统控制算法的基础上，设计增加超短反馈控制回路通过，通过合理设计超短反馈单元增益、非线性逻辑函数，可以实现抑制或增强控制输出，从而提高控制效果^[2]。

内分泌超短反馈处理单元表达式为：

$u_c^{\′}=a\left[\frac{{\left(\right|\mathrm{\Δ}{u}_c\left(k\right)\left|\right)}^n}{1+{\left(\right|\mathrm{\Δ}{u}_c\left(k\right)\left|\right)}^n}\right]L_1\·L_2$

其中， $L_1=-\frac{e\left(k\right)}{\left|e\left(k\right)\right|}g\frac{\mathrm{\Δe}\left(k\right)}{\left|\mathrm{\Δe}\left(k\right)\right|},$ $L_2=\frac{\mathrm{\Δ}{u}_c\left(k\right)}{\left|\mathrm{\Δ}{u}_c\left(k\right)\right|}.$

d．然而，已有的NUC算法必须基于对象模型设计NUC控制器，不具有数据驱动的优势。为此，提出一种数据驱动改进的NUC控制器设计方案。将所述期望的PID控制模块接入凝固浴导辊控制系统，作为闭环系统的控制器，组成闭环反馈控制系统，进行一次阶跃响应测试，得到一组闭环测量数据[r_cl(k);y_cl(k)]，k=1,…,N_cl，k为测量序列号，N_cl为本次测试的数据长度。本实施例中N_cl取50，由于采样时间为0.05s，系统2.5s内已经稳定，取50组数据足够反应系统的闭环性能；

e．基于闭环测量数据[r_cl(k);y_cl(k)]，计算NUC的期望输出；具体计算方法为：

根据测量数据可以计算得到系统存在的控制误差e(k)：

e(k)=r_cl(k)-y_cl(k)           (1)

为了弥补e(k)，令e(k)为NUC的输出u_c′(k)作用于P(z)后的期望输出，有：

e(k)=P(z)u_c′(k)              (2)

其中，P(z)为凝固浴导辊的传递函数；

由于对象模型P(z)未知，根据之前VRFT的算法，引入控制器、对象与参考模型间的关系：

$M\left(z\right)=\frac{P\left(z\right)C\left(z\right)}{1+P\left(z\right)C\left(z\right)}---\left(3\right)$

其中，M(z)为VRFT参考模型；C(z)为已设计的PID控制器；

将式(1)式(2)，代入式(3)可得：

$u_c^{\′}\left(k\right)=\frac{1-M\left(z\right)}{M\left(z\right)}C\left(z\right)(r_{\mathrm{cl}}\left(k\right)-y_{\mathrm{cl}}\left(k\right))---\left(4\right)$

f．采用智能优化算法，以NUC的控制器参数为优化对象，以NUC的虚拟输出为优化目标，计算最优的NUC控制器参数。

智能优化算法总类繁多，本实施例采用遗传算法进行优化计算，但可以采用的智能优化算法并不局限于这一种方法。通过优化计算，本实施例最终得到的NUC最优控制器参数为a=0.9013，n=1.1526。此参数下NUC运行输出与PID控制存在偏差的对比结果如图6所示，可以看出NUC输出的控制率与PID存在偏差变化趋势基本吻合，能够弥补PID控制的不足。

g．将NUC的控制器参数设置为计算的最优的NUC控制器参数，然后作为智能控制器接入系统，以控制误差e、PID模块输出u作为输入，其输出u’再与PID模块输出u相加后输入凝固浴导辊控制电机，对凝固浴导辊进行智能控制。其控制效果如图7所示，从图中可以看出添加了NUC模块后系统的阶跃响应性能明显改善，超调量减小、上升时间和稳定时间缩短。

经过上述步骤，基于数据驱动的生物智能控制器已设计完成，在此基础上引入与凝固浴导辊具有协同关系的计量泵、喷丝组件、凝固浴水槽等组件参数。本实施例中选取以下参数：L=0.9m；Vo=0.33m/s；V_l=0.3m/s；φ_a=－9.09%；T_c=2.86s；

所述的基于多组件数据协同的智能协同优化控制工艺，如图2所示，具体工艺包括以下步骤：

a．选取计量泵变频转速、计量泵供料量、喷丝板孔数、喷丝板孔径作为协同控制参数；喷头拉伸比率作为协同控制目标；所述协同控制参数与喷头拉伸比率的协同关系，具体为：

① $V_O=\frac{r\·Q\·{10}^{-2}}{n\·{(d/2)}^2\·\mathrm{\π}}$

其中，Vo：喷丝板挤出速度；r：计量泵变频转速；Q计量泵每转供料量；n：喷丝板孔数；d：喷丝板孔径；

② ${\mathrm{\φ}}_a=\frac{(V_l-V_o)}{V_o}\·100\%$

其中，φ_a：喷头拉伸比率；V_l：初生纤维在凝固浴滚轴上的卷曲速度；

b．对喷头牵伸比率进行协同优化计算。主要步骤为：对计量泵供料量、喷丝板挤出速度进行在线监测，获得实时数据，根据式①计算Vo的变化，再以φ_a不变为优化目标，根据②计算能够满足φ_a不变的V_l取值。对计量泵供料量、喷丝板挤出速度进行在线监测，获得实时数据，根据上述协同关系，对喷头牵伸比率进行协同优化计算；

在本实施例中，为了证明方法的有效性，当系统稳定运行后，在第5-10秒将计量泵供料量减少50%，在第10-15秒将喷丝板挤出速度减小20%，得到凝固浴导辊的控制以及喷头拉伸比率的变化情况。仿真结果如图8所示。图8(a)为计量泵供料量和喷丝板挤出速度的变化曲线。

c．将基于多组件数据协同的智能协同优化控制工艺的输出，即上述协同优化计算结果V_l，作为输入，输入到由数据驱动的生物智能控制器设计工艺所设计的凝固浴导辊控制系统中，实现对凝固浴导辊的实时的动态协同控制。

仿真结果如图8所示。图8(b)为随着计量泵和喷丝板的参数改变，凝固浴导辊控制做出的协同响应。图8(c)为经过凝固浴导辊协同控制后，喷头拉伸比率的控制效果。可以观察到，凝固导辊转速的控制跟随协同组件的变化而变化，提高了喷头拉伸工艺的稳定性。

Claims (4)

1.一种基于数据驱动协同智能控制的碳纤维原丝喷头拉伸工艺，其工艺路线为纺丝熔体经计量泵精确计量，进入喷丝组件，由喷头挤出后进入凝固浴，经凝固浴导辊实现喷头拉伸，最后离开凝固浴，其特征是：所述的凝固浴导辊由凝固浴导辊控制系统驱动，凝固浴导辊控制系统包括PID控制器、神经内分泌超短反馈控制器、数据驱动参考模型和协同控制模块，所述的协同控制模块通过采集具有协同关系的其他纺丝组件数据，进行协同优化，计算得到适宜的凝固浴导辊转速，实现喷头拉伸的智能协同控制，使喷头拉伸比率保持相对稳定；所述的其他纺丝组件数据包括计量泵数据以及喷丝组件数据，所述的协同优化为基于数据驱动协同智能控制工艺的优化。

2.根据权利要求1所述的一种基于数据驱动协同智能控制的碳纤维原丝喷头拉伸工艺，其特征在于，所述的基于数据驱动协同智能控制工艺由基于数据驱动的生物智能控制器设计工艺以及基于多组件数据协同的智能协同优化控制工艺两个部分组成。

3.根据权利要求2所述的一种基于数据驱动协同智能控制的碳纤维原丝喷头拉伸工艺，其特征在于，所述的基于数据驱动的生物智能控制器设计工艺，主要工艺路线为：主控制器采用内分泌超短反馈生物智能控制器，其中包括传统PID模块以及NUC模块；控制器设计方案采用数据驱动算法，具体是用于PID模块设计的虚拟参考反馈整定法以及用于NUC模块设计的基于数据的NUC优化设计法；具体包括以下步骤：

a．对凝固浴导辊的控制电机进行一次开环测试，给电机施加一组随机的电压输入u_op(k)，测量其相应的转速输出y_op(k)；得到一组测量数据[u_op(k);y_op(k)]，k=1,…,N_op，k为测量序列号，N_op为本次测试的数据长度；

b．基于测量数据[u_op(k);y_op(k)]，采用VRFT数据驱动算法，无需对凝固浴导辊进行建模，便可直接辨识PID控制器参数，得到期望的PID控制模块；

c．将所述期望的PID控制模块接入凝固浴导辊控制系统，作为闭环系统的控制器，组成闭环反馈控制系统，进行一次阶跃响应测试，得到一组闭环测量数据[r_cl(k);y_cl(k)]，k=1,…,N_cl，k为测量序列号，N_cl为本次测试的数据长度；

d．基于闭环测量数据[r_cl(k);y_cl(k)]，计算NUC的期望输出；具体计算方法为：

根据测量数据可以计算得到系统存在的控制误差e(k)：

e(k)=r_cl(k)-y_cl(k)      (1)

为了弥补e(k)，令e(k)为NUC的输出u_c′(k)作用于P(z)后的期望输出，有：

e(k)=P(z)u_c′(k)           (2)

其中，P(z)为凝固浴导辊的传递函数；

由于对象模型P(z)未知，根据之前VRFT的算法，引入控制器、对象与参考模型间的关系：

$M\left(z\right)=\frac{P\left(z\right)C\left(z\right)}{1+P\left(z\right)C\left(z\right)}---\left(3\right)$

其中，M(z)为VRFT参考模型；C(z)为已设计的PID控制器；

将式(1)式(2)，代入式(3)可得：

$u_c^{\′}\left(k\right)=\frac{1-M\left(z\right)}{M\left(z\right)}C\left(z\right)(r_{\mathrm{cl}}\left(k\right)-y_{\mathrm{cl}}\left(k\right))---\left(4\right)$

e．采用智能优化算法，以NUC的控制器参数为优化对象，以NUC的虚拟输出为优化目标，计算最优的NUC控制器参数；

f．将NUC的控制器参数设置为计算的最优的NUC控制器参数，然后作为智能控制器接入系统，以控制误差e、PID模块输出u作为输入，其输出u’再与PID模块输出u相加后输入凝固浴导辊控制电机，对凝固浴导辊进行智能控制。

4.根据权利要求2所述的一种基于数据驱动协同智能控制的碳纤维原丝喷头拉伸工艺，其特征在于，所述的基于多组件数据协同的智能协同优化控制工艺，主要工艺路线为：在凝固浴导辊控制系统中增加协同组件监测数据采集模块以及协同计算模块。其中所述的协同组件监测数据采集模块采集具有协同关系的其他纺丝组件数据，包括计量泵数据以及喷丝组件数据；所述的协同控制模块进行协同优化计算。实现喷头拉伸的智能协同控制，使喷头拉伸比率保持相对稳定；具体工艺包括以下步骤：

a．选取计量泵变频转速、计量泵供料量、喷丝板孔数、喷丝板孔径作为协同控制参数；喷头拉伸比率作为协同控制目标；所述协同控制参数与喷头拉伸比率的协同关系，具体为：

① $V_O=\frac{r\·Q\·{10}^{-2}}{n\·{(d/2)}^2\·\mathrm{\π}}$

其中，Vo：喷丝板挤出速度；r：计量泵变频转速；Q计量泵每转供料量；n：喷丝板孔数；d：喷丝板孔径；

② ${\mathrm{\φ}}_a=\frac{(V_l-V_o)}{V_o}\·100\%$

其中，φ_a：喷头拉伸比率；V_l：初生纤维在凝固浴滚轴上的卷曲速度；

b．对喷头牵伸比率进行协同优化计算。主要步骤为：对计量泵供料量、喷丝板挤出速度进行在线监测，获得实时数据，根据式①计算Vo的变化，再以φ_a不变为优化目标，根据②计算能够满足φ_a不变的V_l取值。

c．将基于多组件数据协同的智能协同优化控制工艺的输出，即上述协同优化计算结果V_l，作为输入，输入到由数据驱动的生物智能控制器设计工艺所设计的凝固浴导辊控制系统中，实现对凝固浴导辊的实时的动态协同控制。

Images