CN104062903B - 一种基于免疫机制的碳纤维凝固浴重构控制器 - Google Patents

Abstract

本发明涉及一种基于免疫机制的碳纤维凝固浴重构控制器，包括一个由各回路PID控制器及其解耦补偿器构成的多变量解耦控制器，一个用于记忆执行器故障特性方程及其对应控制策略的存储模块，一个用于监视执行器运行故障的故障检测模块，一个用于识别故障情况并调用相应重构控制策略的决策模块以及一个用于对当前控制策略进一步调整并优化的学习模块；将控制系统的执行器故障看作抗原，对应的控制策略看作抗体，从而将控制系统类比为一个免疫系统，使其具有自动维持系统稳定的能力。本发明实现了碳纤维凝固浴控制系统在发生执行器故障时控制器的在线快速重构，提高了控制系统的容错能力，进一步保证了凝固浴环节的安全性和稳定性。

Description

一种基于免疫机制的碳纤维凝固浴重构控制器

技术领域

本发明属控制器技术领域，涉及一种基于免疫机制的碳纤维凝固浴重构控制器。

背景技术

碳纤维原丝的生产是一个高度复杂的工业过程，以聚丙烯腈基碳纤维原丝的生产为例，其生产线包括原液聚合、喷丝、凝固浴、牵伸浴、预氧化与碳化等诸多环节，各环节间具有联动作用。其中，凝固浴是原丝生产最基本的环节，对最终的原丝结构与性能具有决定性作用。一旦凝固浴环节的稳定性或安全性受到威胁，整个原丝生产线的可靠性均会被严重影响。

由于任何工业生产过程都会具备一定的不确定性，对于碳纤维凝固浴控制系统，故障的潜伏往往不可避免，特别是长期执行控制任务的执行器机构，发生故障的概率相对较大。目前的凝固浴控制系统主要利用多个PID控制器分别对各控制变量进行单回路闭环控制，对于流量阀故障情况下的控制系统研究尚未涉及。如何最大程度地保证控制系统的安全性和可靠性，提高故障情况下凝固浴控制系统的稳定性，对提高碳纤维原丝的生产效益有很大意义。

重构控制理论，主要指当控制系统发生故障时，在线或离线地对控制器的结构和参数进行调整，使得故障后的系统性能尽量接近正常系统。目前重构控制技术主要应用于无人机等飞控系统中，实现飞行器故障情况下的容错控制，在工业生产过程中应用较少，目前也没有在碳纤维凝固浴控制系统中的应用先例。另外，现有的可重构控制技术都不具有在线记忆故障模式的功能，对于同样的故障情况难以快速应答。

发明内容

本发明针对现有碳纤维原丝生产过程在执行器故障情况下无法确保控制系统安全性与可靠性的不足，将生物免疫机制与重构控制理论相结合，提出了一种基于免疫机制的碳纤维凝固浴重构控制器，具体涉及将凝固浴控制系统类比为一个具有自稳功能的生物免疫系统，将控制系统的故障看作抗原入侵，将重构控制器的过程看作免疫应答，同时引入免疫监视机制、免疫记忆机制以及免疫学习机制，模仿免疫系统进行故障检测、控制器重构、控制策略记忆以及控制参数的进一步优化等步骤，实现了碳纤维凝固浴控制系统的执行器故障诊断及控制器快速重构等功能，使控制系统在执行器故障时能自动恢复稳定，全面保证系统的控制性能。

由于生物免疫系统具有自主监视、防御、自稳及自学习等功能，免疫机制中的免疫监视、免疫应答、免疫记忆以及克隆选择等机制，与重构控制系统具有相似的调控目标，因而可以将生物免疫机制与重构控制理论相结合，利用免疫系统的机理来设计能快速恢复稳态的重构控制系统。将生物免疫机制与可重构控制理论相结合，为碳纤维凝固浴的控制系统设计一个重构控制器，并将凝固浴控制系统类比为一个具有自稳功能的生物免疫系统，模仿免疫系统进行故障检测、控制器重构以及控制策略记忆等步骤，可以实现碳纤维凝固浴控制系统的快速重构，全面保证系统的控制性能。

本发明的一种基于免疫机制的碳纤维凝固浴重构控制器，所述基于免疫机制的碳纤维凝固浴重构控制器的控制对象为一个带有DMSO溶液入口、高温水入口、低温水入口及溶液出口的碳纤维凝固浴浴槽，各出入口均安装执行器即流量阀，各出入口的液体流量均通过流量阀调节，所述基于免疫机制的碳纤维凝固浴重构控制器包括：

一个多变量解耦控制器，由液面高度回路、温度回路和浓度回路各自的PID控制器及各自的解耦补偿器共同组成；每个回路中包含一个PID控制器和两个解耦补偿器，两个解耦补偿器分别用于抵消其他两个回路对该回路的耦合作用；

一个记忆抗体库的存储模块，用于记忆各流量阀的故障特性方程及其对应的控制策略，实现免疫系统中的记忆功能；所述的存储模块由三个记忆单元组成，分别为DMSO溶液流量阀记忆单元、高温水流量阀记忆单元与低温水流量阀记忆单元；所述的故障特性方程，指流量阀在故障情况下的输入输出特性方程；

一个监视抗原入侵的故障检测模块，用于在系统投运后对各流量阀的运行状态进行故障判断，实现免疫系统中的监视功能；

一个识别与清除抗原的决策模块，用于在检测到流量阀故障后从存储模块中搜索亲和度最高的故障特性方程并调用相应的控制策略对多变量解耦控制器进行重构，重构后计算各回路的绝对误差积分指标，并判断各回路的绝对误差积分指标是否过大，实现免疫系统中的应答和二次应答功能；

一个进化抗体的学习模块，用于在检测到绝对误差积分指标过大时，在线辨识实际故障特性方程以调整解耦补偿器，解耦补偿器调整完成后，再基于多目标免疫克隆选择算法对故障回路的PID控制器参数进行优化，最终将实际故障特性方程、调整及优化后的控制策略加入存储模块，实现免疫系统中的自适应学习功能；

所述基于免疫机制的碳纤维凝固浴重构控制器、所述碳纤维凝固浴浴槽和所述执行器构成控制系统，并且所述控制系统还包括流量计，用于测量各液体进入凝固浴准备槽的实际流量，即测量各流量阀在其输入的控制信号下的实际输出的流量，用于判断流量阀是否故障；

所述执行器，液面高度回路的执行器为DMSO溶液流量阀，温度回路的执行器为高温水流量阀，浓度回路的执行器为低温水流量阀；

所述流量计，每个执行器后各安装一流量计，并与所述监视抗原入侵的故障检测模块通过信号线连接；

将控制系统看作一个生物免疫系统，将控制系统的执行器故障看作抗原，对应的控制策略看作抗体，控制系统对执行器故障的处理看作免疫系统应对抗原入侵；控制目标输入到所述基于免疫机制的碳纤维凝固浴重构控制器的多变量解耦控制器，多变量解耦控制器的输出同时连接执行器和监视抗原入侵的故障检测模块；执行器的输出同时连接碳纤维凝固浴浴槽和流量计，流量计测量得到的信号传送到监视抗原入侵的故障检测模块；监视抗原入侵的故障检测模块的输出连接识别与清除抗原的决策模块，识别与清除抗原的决策模块的一个输出连接多变量解耦控制器，另一个输出则连接进化抗体的学习模块；进化抗体的学习模块的另一个输入为控制系统的控制误差，它的一个输出连接多变量解耦控制器，另一个输出则连接记忆抗体库的存储模块，记忆抗体库的存储模块的输出连接识别与清除抗原的决策模块；碳纤维凝固浴浴槽的输出反馈至多变量解耦控制器，用以计算控制系统的控制误差。

作为优选的技术方案：

如上所述的一种基于免疫机制的碳纤维凝固浴重构控制器，所述碳纤维凝固浴浴槽的数学模型为：

所述的解耦补偿器按照反馈补偿解耦原理得到，当执行器正常工作时，液面高度回路的解耦补偿器为和其中，G_com12(s)用于抵消温度回路对液面高度回路的作用，其输入为高温水流量阀的控制信号，G_com13(s)用于抵消浓度回路对液面高度回路的作用，其输入为低温水流量阀的控制信号；温度回路的解耦补偿器为和其中，G_com21(s)用于抵消液面高度回路对温度回路的作用，其输入为DMSO溶液流量阀的控制信号，G_com23(s)用于抵消浓度回路对温度回路的作用，其输入为低温水流量阀的控制信号；浓度回路的解耦补偿器为和其中，G_com31(s)用于抵消液面高度回路对浓度回路的作用，其输入为DMSO溶液流量阀的控制信号，G_com32(s)用于抵消温度回路对浓度回路的作用，其输入为高温水流量阀的控制信号；

所述的PID控制器，液面高度回路的PID控制器输入为液面高度回路的控制误差，其输出与G_com12(s)和G_com13(s)的输出相叠加，作为DMSO溶液流量阀的控制信号；温度回路的PID控制器输入为温度回路的控制误差，其输出与G_com21(s)和G_com23(s)的输出相叠加，作为高温水流量阀的控制信号；浓度回路的PID控制器输入为浓度回路的控制误差，其输出与G_com31(s)和G_com32(s)的输出相叠加，作为低温水流量阀的控制信号；

所述记忆抗体库的存储模块，各记忆单元分别存放相应流量阀的N_x个故障特性方程及其对应的控制策略；为了使系统更快取得更好的效果，从历史控制经验中提取一些发生概率较高的故障特性方程及其对应的控制策略，在所述重构控制器投运前预存于存储模块中，则相同故障情况发生时能够快速完成重构；

所述控制策略，每个故障特性方程对应一个控制策略每个由两部分组成，分别为PID控制器参数集合与解耦补偿器集合，其中，PID控制器参数集合由控制人员根据对应的执行器故障情况人为整定得到；解耦补偿器集合按照下述方法得到：

(1)对于DMSO溶液流量阀记忆单元中的控制策略各解耦补偿器为

(2)对于高温水流量阀记忆单元中的控制策略各解耦补偿器为

(3)对于低温水流量阀记忆单元中的控制策略各解耦补偿器为

所述监视抗原入侵的故障检测模块在重构控制器投运后实时采集各流量阀的输出，即用流量计检测三个流量阀实际输出的流量，并计算从时刻k-L+1至当前时刻k的所有连续时刻，各流量阀输出流量的计算值与实际值之差err_j(l)＝eq_j(v_j(l))-u_j(l)，j∈{1,2,3}，其中，l＝k-L+1,k-L+2,...,k，即依次计算k-L+1到k时刻；检测序列的长度L取值范围一般在(0,50]；当从时刻k-L+1至当前时刻k的所有连续时刻，任一流量阀输出流量的计算值与实际值之差均大于阈值δ时，故障检测模块判定该流量阀发生故障，启动识别与清除抗原的决策模块；这里，阈值δ取接近于0的数，用以衡量计算值与实际值的相近程度，取值范围一般在(0,0.001]；j为正常的流量阀编号，v_j(l)表示l时刻正常的流量阀的控制信号，u_j(l)表示l时刻正常的流量阀输出的实际流量；

所述识别与清除抗原的决策模块在检测到流量阀故障后，首先从存储模块的对应记忆单元中搜索与实际故障特性方程亲和度最高的故障特性方程，即对于故障流量阀，求从时刻k-L+1至当前时刻k的所有连续时刻，该流量阀记忆单元中存储的所有故障特性方程的计算值与故障流量阀输出流量的实际值之间的差异度：

找出所有差异度中的最小值，此最小值对应的故障特性方程即为存储模块中与实际故障特性方程亲和度最高的故障特性方程

得到后，所述识别与清除抗原的决策模块选择该故障特性方程所对应的控制策略对当前的多变量控制器进行初步重构，即用中PID控制器参数集合中的对应参数，替换当前各回路的PID控制器参数，并用中解耦补偿器集合中的对应解耦补偿器，替换当前各解耦补偿器；

初步重构完成后，所述识别与清除抗原的决策模块分别计算各回路的绝对误差积分指标：

对三个回路的绝对误差积分指标分别进行判断，若均未超过各自的阈值，则返回监视抗原入侵的故障检测模块继续进行故障监测；反之，启动进化抗体的学习模块；这里，绝对误差积分指标的计算序列长度S取值范围一般在(0,50]，液面高度回路的指标阈值J'_H的取值范围一般在(0,1]，温度回路的指标阈值J'_T的取值范围一般在(0,25]，浓度回路的指标阈值J'_D的取值范围一般在(0,0.65]；

所述进化抗体的学习模块，首先以时刻k-L+1至当前时刻k的所有连续时刻的故障流量阀控制信号和故障流量阀实际输出流量信号为学习样本，在线辨识实际故障特性方程通过求进而根据将当前的各解耦补偿器调整为：

(1)故障流量阀为DMSO溶液流量阀，即f＝1时

(2)故障流量阀为高温水流量阀，即f＝2时

(3)故障流量阀为低温水流量阀，即f＝3时

由此得到调整后的解耦补偿器集合

对各解耦补偿器的调整完成后，所述进化抗体的学习模块以三个绝对误差积分指标为目标函数，按照多目标免疫克隆选择算法对故障回路的PID控制器参数进行在线优化，得到优化后的PID控制器参数集合

最后，所述进化抗体的学习模块将由和共同组成的与对应的一起加入存储模块中的故障流量阀记忆单元中，并返回监视抗原入侵的故障检测模块继续运行；

其中，涉及的符号，其含义分别为：

H(s)、T(s)和D(s)为碳纤维凝固浴浴槽的三个输出即溶液液面高度信号、溶液浓度信号和溶液温度信号的频域表示，V₁(s)、V₂(s)和V₃(s)为碳纤维凝固浴浴槽的三个输入即DMSO溶液流量信号、高温水流量信号和低温水流量信号的频域表示，G_xy(s),x＝1,2,3，y＝1,2,3表示碳纤维凝固浴浴槽的各输出对各输入的频域传递函数；A表示凝固浴浴槽的底面积，R表示排液口的液阻；T_DMSO、和分别表示DMSO溶液、高温水和低温水的温度，D_DMSO、和分别表示DMSO溶液、高温水和低温水的浓度，T₀表示温度回路的控制目标，H₀表示液面高度回路的控制目标，D₀表示浓度回路的控制目标；G_com12(s)表示温度回路对液面高度回路的解耦补偿器，G_com13(s)表示浓度回路对液面高度回路的解耦补偿器；G_com21(s)表示液面高度回路对温度回路的解耦补偿器，G_com23(s)表示浓度回路对温度回路的解耦补偿器；G_com31(s)表示液面高度回路对浓度回路的解耦补偿器，G_com32(s)表示温度回路对浓度回路的解耦补偿器；x表示存储模块的各记忆单元的编号，x＝1对应DMSO溶液流量阀记忆单元，x＝2对应高温水流量阀记忆单元，x＝3对应低温水流量阀记忆单元，N_x表示记忆单元x中存储的故障特性方程的个数，表示记忆单元x中的第n个故障特性方程，表示对应的控制策略，表示的PID控制器参数集合，表示液面高度回路PID控制器的比例系数，表示液面高度回路PID控制器的积分系数，表示液面高度回路PID控制器的微分系数，表示温度回路PID控制器的比例系数，表示温度回路PID控制器的积分系数，表示温度回路PID控制器的微分系数，表示浓度回路PID控制器的比例系数，表示浓度回路PID控制器的积分系数，表示浓度回路PID控制器的微分系数；表示的解耦补偿器集合，为的频域表示；v_f(l)表示l时刻故障流量阀的控制信号，u_f(l)表示l时刻故障流量阀输出的实际流量，f为故障流量阀对应的编号，f＝1表示故障流量阀为DMSO溶液流量阀，f＝2表示故障流量阀为高温水流量阀，f＝3表示故障流量阀为低温水流量阀；eq₁()表示DMSO溶液流量阀正常情况下的输入输出特性方程，eq₂()表示高温水流量阀正常情况下的输入输出特性方程，eq₃()表示低温水流量阀正常情况下的输入输出特性方程，err₁(l)表示l时刻DMSO溶液流量阀输出流量的计算值与实际值之差，err₂(l)为l时刻高温水流量阀输出流量的计算值与实际值之差，err₃(l)为l时刻低温水流量阀输出流量的计算值与实际值之差，L为检测序列的长度，δ表示判定相近程度的阈值；表示k时刻故障流量阀输出流量的实际值与该流量阀记忆单元中存储的第n个故障特性方程的计算值之间的差异度；表示故障流量阀记忆单元中存储的第n个故障特性方程，N_f表示故障流量阀记忆单元中所存储的故障特性方程的个数，表示存储模块中与实际故障特性方程亲和度最高的故障特性方程，表示对应的控制策略，表示的PID控制器参数集合，表示的解耦补偿器集合；J_H(k)表示k时刻液面高度回路的绝对误差积分指标，J_T(k)表示k时刻温度回路的绝对误差积分指标，J_D(k)表示k时刻浓度回路的绝对误差积分指标，S为绝对误差积分指标的计算序列长度，e₁(k)表示k时刻液面高度回路的控制误差，e₂(k)表示k时刻温度回路的控制误差，e₃(k)表示k时刻浓度回路的控制误差，J'_H表示液面高度回路绝对误差积分指标的阈值，J'_T表示温度回路绝对误差积分指标的阈值，J'_D表示浓度回路绝对误差积分指标的阈值；表示故障流量阀的实际故障特性方程，为的频域表示，表示对应的控制策略，表示的PID控制器参数集合，表示的解耦补偿器集合。

如上所述的一种基于免疫机制的碳纤维凝固浴重构控制器，所述的在线辨识实际故障特性方程，具体方法为：

设故障流量阀的待辨识特性方程为u_f(l)＝dmg_f×eq_f(v_f(l))+off_f，将样本数据集{v_f(l),u_f(l)},l＝k-L+1,k-L+2,...,k作为训练样本，采用一元线性回归分析方法求出dmg_f和off_f的值，从而可根据求得的u_f(l)＝dmg_f×eq_f(v_f(l))+off_f得到

涉及的符号，其含义分别为：

其中L为检测序列的长度，l表示时刻，k为当前时刻；

eq_f()表示故障流量阀在正常情况时的输入输出特性方程，dmg_f表示故障流量阀的损伤系数，off_f表示故障流量阀的偏置系数。

如上所述的一种基于免疫机制的碳纤维凝固浴重构控制器，所述的基于多目标免疫克隆选择算法对各回路的PID控制器的参数进行优化，具体步骤为：

步骤1：将抗体用故障回路的PID控制器比例系数、积分系数、微分系数进行编码，编码形式为[K_p,K_i,K_d]；初始化抗体群Ab，规模为N_Ab；选择目标函数Obj₁()、Obj₂()、Obj₃()分别为三个回路的绝对误差积分指标的倒数，并初始化最大进化代数G；

步骤2：根据目标函数计算Ab中所有抗体对每个目标的亲和度，并按照Pareto最优解的非劣性概念，删去所有非支配抗体，得到非劣解抗体群Ab_non，规模为N_non；

步骤3：对Ab_non中的每个抗体进行自适应克隆，得到克隆扩增后的新种群Ab_c，规模为其中，抗体的自适应克隆倍数K(An_a)通过抗体-抗原亲和度D(An_a)与抗体-抗体亲和度D_avg(An_a)计算得到：

D(An_a)＝Obj₁(An_a)+Obj₂(An_a)+Obj₃(An_a)，

这里，||·||代表欧氏距离，a∈{1,2,...,N_no_n}；

步骤4：对Ab_c中的每个抗体，随机选择一个变异参数K_id，对该参数按照非均匀变异方法进行变尺度的邻域内变异，变异后的值为：

其中，Δ(g,μ)为一个与当前进化代数相关的函数：

该函数使得多目标优化过程在进化初期变异尺度较大，能保持种群的多样性，而在进化后期变异尺度逐渐缩小，提高局部微调能力；

步骤5：从Ab_c中重新选择所有非劣解抗体构成非劣解抗体群，当该非劣解抗体群的规模大于N_non时，根据抗体-抗原亲和度算子对非劣解抗体群中的所有非劣解抗体进行排序，选择其中的前N_non个抗体构成新的Ab_non；否则，直接将该非劣解抗体群作为新的Ab_non；

步骤6：判断当前进化代数是否大于G，若大于则停止优化，从Ab_non中随机选择一个抗体作为优化结果，代替中对应的三个参数，得到优化后的PID控制器参数集合反之则转步骤3；

涉及的符号，其含义分别为：

[K_p,K_i,K_d]表示多目标优化算法的抗体编码，其中K_p对应故障回路PID控制器的比例系数，K_i对应故障回路PID控制器的积分系数，K_d对应故障回路PID控制器的微分系数；Ab表示多目标优化算法的抗体群，N_Ab表示Ab中包含的抗体个数，Obj₁()、Obj₂()、Obj₃()分别表示多目标优化算法的三个目标函数，G表示多目标优化算法的最大进化代数，Ab_non表示多目标优化算法的非劣解抗体群，N_non表示Ab_non中包含的抗体个数，Ab_c表示多目标优化算法克隆扩增后的新抗体群，K()表示多目标优化算法的自适应克隆算子，An_a表示抗体群Ab_non中的第a个抗体，D()表示抗体-抗原亲和度算子，D_avg()表示抗体-抗体亲和度算子，K_id表示随机选中的变异参数，表示该参数变异后的值，g表示当前进化代数，K_max表示选中的变异参数的最大可能取值，r_d和r均表示[0,1]之间的均匀随机数，P_m表示给定的变异概率。

如上所述的一种基于免疫机制的碳纤维凝固浴重构控制器，对抗体种群Ab的初始化以故障回路当前的三个PID控制器参数，即中对应的三个参数为中心点，在其周围随机生成其他初始抗体。

如上所述的一种基于免疫机制的碳纤维凝固浴重构控制器，所述由控制人员根据对应的执行器故障情况人为整定是指运用临界比例法、反应曲线法或衰减法进行PID控制器参数整定。

如上所述的一种基于免疫机制的碳纤维凝固浴重构控制器，检测序列的长度L由控制人员自行设定，L取值越大，检测越准确，但耗时也越长；绝对误差积分指标的计算序列长度S由控制人员自行设定，取值越大计算越精确，但对处理器的存储空间占用越大，且计算的耗时越长；三个指标阈值的取值随S的增大相应增大，J'_H的取值、J'_T的取值和J'_D的取值，各指标阈值的取值越大，系统的控制精度越低，取值越小则控制器的切换越频繁。

如上所述的一种基于免疫机制的碳纤维凝固浴重构控制器，给定的变异概率P_m由控制人员根据需要取值，变异概率值越大，抗体种群越多样化，陷入局部最优的概率就越小，但收敛的速度也越慢；一般情况下，取变异概率P_m＝0.5。

有益效果

与现有技术相比，本发明具有以下优点：

1)重构控制技术的应用提高了碳纤维凝固浴控制系统的安全性和可靠性，使其在执行器故障的情况下依然能够保持一定的正常运作。

2)免疫机制的融入实现了控制系统的故障监视、控制器重构以及控制策略在线优化等多重功能，对故障模式的记忆还实现了系统的快速重构。

附图说明

图1是碳纤维凝固浴控制系统结构框图；

图2是多变量解耦控制器结构框图；

图3是本发明系统运行流程图；

图4是本发明软件原理图；

图5是低温水流量阀偏置0.5时本发明的重构控制方法与不可重构的控制方法之间的控制效果比较；

图6是DMSO溶液流量阀损伤30％时本发明的重构控制方法与不可重构的控制方法之间的控制效果比较；

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。

本发明的一种基于免疫机制的碳纤维凝固浴重构控制器，控制系统的结构框图如图1所示，所述基于免疫机制的碳纤维凝固浴重构控制器的控制对象为一个带有DMSO溶液入口、高温水入口、低温水入口及溶液出口的碳纤维凝固浴浴槽，各出入口均安装执行器即流量阀，各出入口的液体流量均通过流量阀调节，所述基于免疫机制的碳纤维凝固浴重构控制器包括：

一个多变量解耦控制器，由液面高度回路、温度回路和浓度回路各自的PID控制器及各自的解耦补偿器共同组成；每个回路中包含一个PID控制器和两个解耦补偿器，两个解耦补偿器分别用于抵消其他两个回路对该回路的耦合作用；

一个记忆抗体库的存储模块，用于记忆各流量阀的故障特性方程及其对应的控制策略；所述的存储模块由三个记忆单元组成，分别为DMSO溶液流量阀记忆单元、高温水流量阀记忆单元与低温水流量阀记忆单元；所述的故障特性方程，指流量阀在故障情况下的输入输出特性方程；

一个监视抗原入侵的故障检测模块，用于在系统投运后对各流量阀的运行状态进行故障判断；

一个识别与清除抗原的决策模块，用于在检测到流量阀故障后从存储模块中搜索亲和度最高的故障特性方程并调用相应的控制策略对多变量解耦控制器进行重构，重构后计算各回路的绝对误差积分指标，并判断各回路的绝对误差积分指标是否过大；

一个进化抗体的学习模块，用于在检测到绝对误差积分指标过大时，在线辨识实际故障特性方程以调整解耦补偿器，解耦补偿器调整完成后，再基于多目标免疫克隆选择算法对各回路的PID控制器的参数进行优化，最终将实际故障特性方程、调整及优化后的控制策略加入存储模块；

所述基于免疫机制的碳纤维凝固浴重构控制器、所述碳纤维凝固浴浴槽和所述执行器构成控制系统，并且所述控制系统还包括流量计；

所述执行器，液面高度回路的执行器为DMSO溶液流量阀，温度回路的执行器为高温水流量阀，浓度回路的执行器为低温水流量阀；

所述流量计，每个执行器后各安装一流量计，并与所述监视抗原入侵的故障检测模块通过信号线连接；

将控制系统看作一个生物免疫系统，将控制系统的执行器故障看作抗原，对应的控制策略看作抗体，控制系统对执行器故障的处理看作免疫系统应对抗原入侵；控制目标输入到所述基于免疫机制的碳纤维凝固浴重构控制器的多变量解耦控制器，多变量解耦控制器的输出同时连接执行器和监视抗原入侵的故障检测模块；执行器的输出同时连接碳纤维凝固浴浴槽和流量计，流量计测量得到的信号传送到监视抗原入侵的故障检测模块；监视抗原入侵的故障检测模块的输出连接识别与清除抗原的决策模块，识别与清除抗原的决策模块的一个输出连接多变量解耦控制器，另一个输出则连接进化抗体的学习模块；进化抗体的学习模块的另一个输入为控制系统的控制误差，它的一个输出连接多变量解耦控制器，另一个输出则连接记忆抗体库的存储模块，记忆抗体库的存储模块的输出连接识别与清除抗原的决策模块；碳纤维凝固浴浴槽的输出反馈至多变量解耦控制器，用以计算控制系统的控制误差。

所述碳纤维凝固浴浴槽的数学模型为：

所述的解耦补偿器按照反馈补偿解耦原理得到，当执行器正常工作时，液面高度回路的解耦补偿器为和其中，G_com12(s)用于抵消温度回路对液面高度回路的作用，其输入为高温水流量阀的控制信号，G_com13(s)用于抵消浓度回路对液面高度回路的作用，其输入为低温水流量阀的控制信号；温度回路的解耦补偿器为和其中，G_com21(s)用于抵消液面高度回路对温度回路的作用，其输入为DMSO溶液流量阀的控制信号，G_com23(s)用于抵消浓度回路对温度回路的作用，其输入为低温水流量阀的控制信号；浓度回路的解耦补偿器为和其中，G_com31(s)用于抵消液面高度回路对浓度回路的作用，其输入为DMSO溶液流量阀的控制信号，G_com32(s)用于抵消温度回路对浓度回路的作用，其输入为高温水流量阀的控制信号；

所述的PID控制器，液面高度回路的PID控制器输入为液面高度回路的控制误差，其输出与G_com12(s)和G_com13(s)的输出相叠加，作为DMSO溶液流量阀的控制信号；温度回路的PID控制器输入为温度回路的控制误差，其输出与G_com21(s)和G_com23(s)的输出相叠加，作为高温水流量阀的控制信号；浓度回路的PID控制器输入为浓度回路的控制误差，其输出与G_com31(s)和G_com32(s)的输出相叠加，作为低温水流量阀的控制信号；

所述记忆抗体库的存储模块，各记忆单元分别存放相应流量阀的N_x个故障特性方程及其对应的控制策略；

所述控制策略，每个故障特性方程对应一个控制策略每个由两部分组成，分别为PID控制器参数集合与解耦补偿器集合，其中，PID控制器参数集合由控制人员根据对应的执行器故障情况人为整定得到；解耦补偿器集合按照下述方法得到：

(1)对于DMSO溶液流量阀记忆单元中的控制策略各解耦补偿器为

(2)对于高温水流量阀记忆单元中的控制策略各解耦补偿器为

(3)对于低温水流量阀记忆单元中的控制策略各解耦补偿器为

所述监视抗原入侵的故障检测模块在重构控制器投运后实时采集各流量阀的输出，即用流量计检测三个流量阀实际输出的流量，并计算从时刻k-L+1至当前时刻k的所有连续时刻，各流量阀输出流量的计算值与实际值之差err_j(l)＝eq_j(v_j(l))-u_j(l)，j∈{1,2,3}，其中，l＝k-L+1,k-L+2,...,k，即依次计算k-L+1到k时刻；检测序列的长度L取值范围一般在(0,50]；当从时刻k-L+1至当前时刻k的所有连续时刻，任一流量阀输出流量的计算值与实际值之差均大于阈值δ时，故障检测模块判定该流量阀发生故障，启动识别与清除抗原的决策模块；这里，阈值δ取接近于0的数，用以衡量计算值与实际值的相近程度，取值范围一般在(0,0.001]；j为正常的流量阀编号，v_j(l)表示l时刻正常的流量阀的控制信号，u_j(l)表示l时刻正常的流量阀输出的实际流量；

所述识别与清除抗原的决策模块在检测到流量阀故障后，首先从存储模块的对应记忆单元中搜索与实际故障特性方程亲和度最高的故障特性方程，即对于故障流量阀，求从时刻k-L+1至当前时刻k的所有连续时刻，该流量阀记忆单元中存储的所有故障特性方程的计算值与故障流量阀输出流量的实际值之间的差异度：

找出所有差异度中的最小值，此最小值对应的故障特性方程即为存储模块中与实际故障特性方程亲和度最高的故障特性方程

得到后，所述识别与清除抗原的决策模块选择该故障特性方程所对应的控制策略对当前的多变量控制器进行初步重构，即用中PID控制器参数集合中的对应参数，替换当前各回路的PID控制器参数，并用中解耦补偿器集合中的对应解耦补偿器，替换当前各解耦补偿器；

初步重构完成后，所述识别与清除抗原的决策模块分别计算各回路的绝对误差积分指标：

对三个回路的绝对误差积分指标分别进行判断，若均未超过各自的阈值，则返回监视抗原入侵的故障检测模块继续进行故障监测；反之，启动进化抗体的学习模块；这里，绝对误差积分指标的计算序列长度S取值范围一般在(0,50]，液面高度回路的指标阈值J'_H的取值范围一般在(0,1]，温度回路的指标阈值J'_T的取值范围一般在(0,25]，浓度回路的指标阈值J'_D的取值范围一般在(0,0.65]；

所述进化抗体的学习模块，首先以时刻k-L+1至当前时刻k的所有连续时刻的故障流量阀控制信号和故障流量阀实际输出流量信号为学习样本，在线辨识实际故障特性方程通过求进而根据将当前的各解耦补偿器调整为：

(1)故障流量阀为DMSO溶液流量阀，即f＝1时

(2)故障流量阀为高温水流量阀，即f＝2时

(3)故障流量阀为低温水流量阀，即f＝3时

由此得到调整后的解耦补偿器集合

对各解耦补偿器的调整完成后，所述进化抗体的学习模块以三个绝对误差积分指标为目标函数，按照多目标免疫克隆选择算法对故障回路的PID控制器参数进行在线优化，得到优化后的PID控制器参数集合

最后，所述进化抗体的学习模块将由和共同组成的与对应的一起加入存储模块中的故障流量阀记忆单元中，并返回监视抗原入侵的故障检测模块继续运行；

其中，上述涉及的符号，其含义分别为：

H(s)、T(s)和D(s)为碳纤维凝固浴浴槽的三个输出即溶液液面高度信号、溶液浓度信号和溶液温度信号的频域表示，V₁(s)、V₂(s)和V₃(s)为碳纤维凝固浴浴槽的三个输入即DMSO溶液流量信号、高温水流量信号和低温水流量信号的频域表示，G_xy(s),x＝1,2,3，y＝1,2,3表示碳纤维凝固浴浴槽的各输出对各输入的频域传递函数；A表示凝固浴浴槽的底面积，R表示排液口的液阻；T_DMSO、和分别表示DMSO溶液、高温水和低温水的温度，D_DMSO、和分别表示DMSO溶液、高温水和低温水的浓度，T₀表示温度回路的控制目标，H₀表示液面高度回路的控制目标，D₀表示浓度回路的控制目标；G_com12(s)表示温度回路对液面高度回路的解耦补偿器，G_com13(s)表示浓度回路对液面高度回路的解耦补偿器；G_com21(s)表示液面高度回路对温度回路的解耦补偿器，G_com23(s)表示浓度回路对温度回路的解耦补偿器；G_com31(s)表示液面高度回路对浓度回路的解耦补偿器，G_com32(s)表示温度回路对浓度回路的解耦补偿器；x表示存储模块的各记忆单元的编号，x＝1对应DMSO溶液流量阀记忆单元，x＝2对应高温水流量阀记忆单元，x＝3对应低温水流量阀记忆单元，N_x表示记忆单元x中存储的故障特性方程的个数，表示记忆单元x中的第n个故障特性方程，表示对应的控制策略，表示的PID控制器参数集合，表示液面高度回路PID控制器的比例系数，表示液面高度回路PID控制器的积分系数，表示液面高度回路PID控制器的微分系数，表示温度回路PID控制器的比例系数，表示温度回路PID控制器的积分系数，表示温度回路PID控制器的微分系数，表示浓度回路PID控制器的比例系数，表示浓度回路PID控制器的积分系数，表示浓度回路PID控制器的微分系数；表示的解耦补偿器集合，为的频域表示；v_f(l)表示l时刻故障流量阀的控制信号，u_f(l)表示l时刻故障流量阀输出的实际流量，f为故障流量阀对应的编号，f＝1表示故障流量阀为DMSO溶液流量阀，f＝2表示故障流量阀为高温水流量阀，f＝3表示故障流量阀为低温水流量阀；eq₁()表示DMSO溶液流量阀正常情况下的输入输出特性方程，eq₂()表示高温水流量阀正常情况下的输入输出特性方程，eq₃()表示低温水流量阀正常情况下的输入输出特性方程，err₁(l)表示l时刻DMSO溶液流量阀输出流量的计算值与实际值之差，err₂(l)为l时刻高温水流量阀输出流量的计算值与实际值之差，err₃(l)为l时刻低温水流量阀输出流量的计算值与实际值之差，L为检测序列的长度，δ表示判定相近程度的阈值；表示k时刻故障流量阀输出流量的实际值与该流量阀记忆单元中存储的第n个故障特性方程的计算值之间的差异度；表示故障流量阀记忆单元中存储的第n个故障特性方程，N_f表示故障流量阀记忆单元中所存储的故障特性方程的个数，表示存储模块中与实际故障特性方程亲和度最高的故障特性方程，表示对应的控制策略，表示的PID控制器参数集合，表示的解耦补偿器集合；J_H(k)表示k时刻液面高度回路的绝对误差积分指标，J_T(k)表示k时刻温度回路的绝对误差积分指标，J_D(k)表示k时刻浓度回路的绝对误差积分指标，S为绝对误差积分指标的计算序列长度，e₁(k)表示k时刻液面高度回路的控制误差，e₂(k)表示k时刻温度回路的控制误差，e₃(k)表示k时刻浓度回路的控制误差，J'_H表示液面高度回路绝对误差积分指标的阈值，J'_T表示温度回路绝对误差积分指标的阈值，J'_D表示浓度回路绝对误差积分指标的阈值；表示故障流量阀的实际故障特性方程，为的频域表示，表示对应的控制策略，表示的PID控制器参数集合，表示的解耦补偿器集合。

所述的在线辨识实际故障特性方程，具体方法为：

设故障流量阀的待辨识特性方程为u_f(l)＝dmg_f×eq_f(v_f(l))+off_f，将样本数据集{v_f(l),u_f(l)},l＝k-L+1,k-L+2,...,k作为训练样本，采用一元线性回归分析方法求出dmg_f和off_f的值，从而可根据求得的u_f(l)＝dmg_f×eq_f(v_f(l))+off_f得到

涉及的符号，其含义分别为：

其中L为检测序列的长度，l表示时刻，k为当前时刻，eq_f()表示故障流量阀在正常情况时的输入输出特性方程，dmg_f表示故障流量阀的损伤系数，off_f表示故障流量阀的偏置系数。

所述的基于多目标免疫克隆选择算法对各回路的PID控制器的参数进行优化，具体步骤为：

步骤1：将抗体用故障回路的PID控制器比例系数、积分系数、微分系数进行编码，编码形式为[K_p,K_i,K_d]；初始化抗体群Ab，规模为N_Ab；选择目标函数Obj₁()、Obj₂()、Obj₃()分别为三个回路的绝对误差积分指标的倒数，并初始化最大进化代数G；

步骤2：根据目标函数计算Ab中所有抗体对每个目标的亲和度，并按照Pareto最优解的非劣性概念，删去所有非支配抗体，得到非劣解抗体群Ab_non，规模为N_non；

步骤3：对Ab_non中的每个抗体进行自适应克隆，得到克隆扩增后的新种群Ab_c，规模为其中，抗体的自适应克隆倍数K(An_a)通过抗体-抗原亲和度D(An_a)与抗体-抗体亲和度D_avg(An_a)计算得到：

D(An_a)＝Obj₁(An_a)+Obj₂(An_a)+Obj₃(An_a)，

这里，||·||代表欧氏距离，a∈{1,2,...,N_no_n}；

步骤4：对Ab_c中的每个抗体，随机选择一个变异参数K_id，对该参数按照非均匀变异方法进行变尺度的邻域内变异，变异后的值为：

其中，Δ(g,μ)为一个与当前进化代数相关的函数：

该函数使得多目标优化过程在进化初期变异尺度较大，能保持种群的多样性，而在进化后期变异尺度逐渐缩小，提高局部微调能力；

步骤5：从Ab_c中重新选择所有非劣解抗体构成非劣解抗体群，当该非劣解抗体群的规模大于N_non时，根据抗体-抗原亲和度算子对非劣解抗体群中的所有非劣解抗体进行排序，选择其中的前N_non个抗体构成新的Ab_non；否则，直接将该非劣解抗体群作为新的Ab_non；

步骤6：判断当前进化代数是否大于G，若大于则停止优化，从Ab_non中随机选择一个抗体作为优化结果，代替中对应的三个参数，得到优化后的PID控制器参数集合反之则转步骤3；

涉及的符号，其含义分别为：

[K_p,K_i,K_d]表示多目标优化算法的抗体编码，其中K_p对应故障回路PID控制器的比例系数，K_i对应故障回路PID控制器的积分系数，K_d对应故障回路PID控制器的微分系数；Ab表示多目标优化算法的抗体群，N_Ab表示Ab中包含的抗体个数，Obj₁()、Obj₂()、Obj₃()分别表示多目标优化算法的三个目标函数，G表示多目标优化算法的最大进化代数，Ab_non表示多目标优化算法的非劣解抗体群，N_non表示Ab_non中包含的抗体个数，Ab_c表示多目标优化算法克隆扩增后的新抗体群，K()表示多目标优化算法的自适应克隆算子，An_a表示抗体群Ab_non中的第a个抗体，D()表示抗体-抗原亲和度算子，D_avg()表示抗体-抗体亲和度算子，K_id表示随机选中的变异参数，表示该参数变异后的值，g表示当前进化代数，K_max表示选中的变异参数的最大可能取值，r_d和r均表示[0,1]之间的均匀随机数，P_m表示给定的变异概率。

如上所述的一种基于免疫机制的碳纤维凝固浴重构控制器，对抗体种群Ab的初始化以故障回路当前的三个PID控制器参数，即中对应的三个参数为中心点，在其周围随机生成其他初始抗体。

如上所述的一种基于免疫机制的碳纤维凝固浴重构控制器，所述由控制人员根据对应的执行器故障情况人为整定是指运用临界比例法、反应曲线法或衰减法进行PID控制器参数整定。

如上所述的一种基于免疫机制的碳纤维凝固浴重构控制器，检测序列的长度L由控制人员自行设定，L取值越大，检测越准确，但耗时也越长；绝对误差积分指标的计算序列长度S由控制人员自行设定，取值越大计算越精确，但对处理器的存储空间占用越大，且计算的耗时越长；三个指标阈值的取值随S的增大相应增大，J'_H的取值、J'_T的取值和J'_D的取值，各指标阈值的取值越大，系统的控制精度越低，取值越小则控制器的切换越频繁。

如上所述的一种基于免疫机制的碳纤维凝固浴重构控制器，给定的变异概率P_m由控制人员根据需要取值，变异概率值越大，抗体种群越多样化，陷入局部最优的概率就越小，但收敛的速度也越慢；一般情况下，取变异概率P_m＝0.5。

多变量解耦控制器的结构框图如图2所示，本发明的系统运行流程图则如图3所示，按照监视—应答—学习—记忆的过程实现碳纤维凝固浴控制系统在流量阀故障情况时对控制器的重构以及控制策略的在线优化。其软件流程示意图如图4所示，首先初始化多变量控制器与各免疫功能模块的参数及变量，包括故障检测模块的检测序列长度、判定相近程度的阈值以及各流量阀正常情况下的输入输出特性方程，决策模块的绝对误差积分指标计算序列长度以及三个绝对误差积分指标的阈值，正常系统的控制策略等，其中，Conf₀表示执行器正常工作时的控制策略，Conf_pid0表示Conf₀的PID控制器参数集合，Conf_dec0表示Conf₀的解耦补偿器集合；当控制器投运后，故障检测模块实时采集各流量阀在当前控制信号下输出的实际流量信号，并判断实际输出与计算输出之间的差值是否超过设定的阈值；一旦任一流量阀的输出差值超过阈值，决策模块将立刻从存储模块中搜索亲和度最高的故障特性方程，并选择其对应的控制策略进行控制器初步重构；初步重构后，若决策模块判断任一回路的绝对误差积分指标超过其阈值，则学习模块将立刻在线辨识实际故障特性方程，并对控制策略进行调整与优化。

实施例1

以下实施例针对一个聚丙烯腈基碳纤维原丝生产线的凝固浴浴槽，被控对象具体模型为：

凝固浴浴槽的底面积为0.15m²，排液口液阻为1，温度回路的控制目标为15℃，液面高度回路的控制目标为1m，浓度回路的控制目标为65％；DMSO溶液的浓度为80％，温度为30℃，高温水与低温水的浓度均为0，高温水温度为65℃，低温水温度为10℃；

根据上述模型，得到执行器正常工作时的控制策略为：

Conf_pid0＝{6.75,60.81，-0.07,0.017,0.203,0,-0.65,-6.02,0.01}，

仿真环境选择MATLAB 2010b，进行两种情况下的仿真：

(1)存储模块中能搜索到故障特性方程的情况

离线辨识出低温水流量阀偏置0.5时的故障特性方程u₃(l)＝eq₃(v₃(l))+0.5，并离线调整好对应的多变量控制器设置，预存于存储模块中：

设置故障发生时刻为1s，仿真曲线如图5所示，可观察到，本发明所述的重构控制器能在低温水流量阀发生故障时快速恢复控制性能，且重构后三个回路的绝对误差积分指标始终小于设定的阈值；与重构控制器的控制效果相比，未重构的多变量解耦控制器在故障发生后会出现很大的控制偏差；

(2)存储模块中不能搜索到故障特性方程的情况

离线辨识出DMSO溶液流量阀损伤50％时的故障特性方程u₁(l)＝0.5×eq₁(v₁(l))，并离线调整好对应的多变量控制器设置，预存于存储模块中：

设置实际故障为DMSO溶液流量阀损伤30％，故障发生时刻为1s，由于存储模块中只有DMSO溶液流量阀损伤50％时的故障特性方程，搜索时亲和度最高的模型为u₁(l)＝0.5×eq₁(v₁(l))，因此初步重构后的控制性能达不到设定的阈值，需要对控制策略进一步调整、优化；经过辨识，实际故障特性方程为u₁(l)＝0.2991×eq₁(v₁(l))≈0.3×eq₁(v₁(l))，从而得到调整后的解耦补偿器为经过多目标优化过程后，相应的控制参数变为最后，将实际故障特性方程u₁(l)＝0.2991×eq₁(v₁(l))与共同存入存储模块中；仿真曲线如图6所示，优化过后的控制效果虽然在快速性上有所损失，但整体性能比未优化时更好。

Claims (8)

1.一种基于免疫机制的碳纤维凝固浴重构控制器，所述基于免疫机制的碳纤维凝固浴重构控制器的控制对象为一个带有DMSO溶液入口、高温水入口、低温水入口及溶液出口的碳纤维凝固浴浴槽，各出入口均安装执行器即流量阀，各出入口的液体流量均通过流量阀调节，其特征是，所述基于免疫机制的碳纤维凝固浴重构控制器包括：

一个多变量解耦控制器，由液面高度回路、温度回路和浓度回路各自的PID控制器及各自的解耦补偿器共同组成；每个回路中包含一个PID控制器和两个解耦补偿器，两个解耦补偿器分别用于抵消其他两个回路对该回路的耦合作用；

一个记忆抗体库的存储模块，用于记忆各流量阀的故障特性方程及其对应的控制策略；所述的存储模块由三个记忆单元组成，分别为DMSO溶液流量阀记忆单元、高温水流量阀记忆单元与低温水流量阀记忆单元；所述的故障特性方程，指流量阀在故障情况下的输入输出特性方程；

一个监视抗原入侵的故障检测模块，用于在系统投运后对各流量阀的运行状态进行故障判断；

一个识别与清除抗原的决策模块，用于在检测到流量阀故障后从存储模块中搜索亲和度最高的故障特性方程并调用相应的控制策略对多变量解耦控制器进行重构，重构后计算各回路的绝对误差积分指标，并判断各回路的绝对误差积分指标是否过大；

一个进化抗体的学习模块，用于在检测到绝对误差积分指标过大时，在线辨识实际故障特性方程以调整解耦补偿器，解耦补偿器调整完成后，再基于多目标免疫克隆选择算法对故障回路的PID控制器参数进行优化，最终将实际故障特性方程、调整及优化后的控制策略加入存储模块；

所述基于免疫机制的碳纤维凝固浴重构控制器、所述碳纤维凝固浴浴槽和所述执行器构成控制系统，并且所述控制系统还包括流量计；

所述执行器，液面高度回路的执行器为DMSO溶液流量阀，温度回路的执行器为高温水流量阀，浓度回路的执行器为低温水流量阀；

所述流量计，每个执行器后各安装一流量计，并与所述监视抗原入侵的故障检测模块通过信号线连接；

将控制系统看作一个生物免疫系统，将控制系统的执行器故障看作抗原，对应的控制策略看作抗体，控制系统对执行器故障的处理看作免疫系统应对抗原入侵；控制目标输入到所述基于免疫机制的碳纤维凝固浴重构控制器的多变量解耦控制器，多变量解耦控制器的输出同时连接执行器和监视抗原入侵的故障检测模块；执行器的输出同时连接碳纤维凝固浴浴槽和流量计，流量计测量得到的信号传送到监视抗原入侵的故障检测模块；监视抗原入侵的故障检测模块的输出连接识别与清除抗原的决策模块，识别与清除抗原的决策模块的一个输出连接多变量解耦控制器，另一个输出则连接进化抗体的学习模块；进化抗体的学习模块的另一个输入为控制系统的控制误差，它的一个输出连接多变量解耦控制器，另一个输出则连接记忆抗体库的存储模块，记忆抗体库的存储模块的输出连接识别与清除抗原的决策模块；碳纤维凝固浴浴槽的输出反馈至多变量解耦控制器，用以计算控制系统的控制误差。

2.根据权利要求1所述的一种基于免疫机制的碳纤维凝固浴重构控制器，其特征在于，所述碳纤维凝固浴浴槽的数学模型为：

$\begin{array}{c}\left[\begin{array}{c}H\left(s\right)\\ T\left(s\right)\\ D\left(s\right)\end{array}\right]=\left[\begin{array}{ccc}{G}_{11}\left(s\right)& G_{12}\left(s\right)& G_{13}\left(s\right)\\ G_{21}\left(s\right)& G_{22}\left(s\right)& G_{23}\left(s\right)\\ G_{31}\left(s\right)& G_{32}\left(s\right)& G_{33}\left(s\right)\end{array}\right]\left[\begin{array}{c}{V}_1\left(s\right)\\ V_2\left(s\right)\\ V_3\left(s\right)\end{array}\right]\\ =\frac{1}{A\×s+\frac{1}{R}}\left[\begin{array}{ccc}1& 1& 1\\ \frac{T_{DMSO}-T_0}{H_0}& \frac{T_{H_{2}O,H}-T_0}{H_0}& \frac{T_{H_{2}O,L}-T_0}{H_0}\\ \frac{D_{DMSO}-D_0}{H_0}& \frac{D_{H_{2}O,H}-D_0}{H_0}& \frac{D_{H_{2}O,L}-D_0}{H_0}\end{array}\right]\left[\begin{array}{c}{V}_1\left(s\right)\\ V_2\left(s\right)\\ V_3\left(s\right)\end{array}\right]\end{array}$

所述的解耦补偿器按照反馈补偿解耦原理得到，当执行器正常工作时，液面高度回路的解耦补偿器为和其中，G_com12(s)用于抵消温度回路对液面高度回路的作用，其输入为高温水流量阀的控制信号，G_com13(s)用于抵消浓度回路对液面高度回路的作用，其输入为低温水流量阀的控制信号；温度回路的解耦补偿器为和其中，G_com21(s)用于抵消液面高度回路对温度回路的作用，其输入为DMSO溶液流量阀的控制信号，G_com23(s)用于抵消浓度回路对温度回路的作用，其输入为低温水流量阀的控制信号；浓度回路的解耦补偿器为和其中，G_com31(s)用于抵消液面高度回路对浓度回路的作用，其输入为DMSO溶液流量阀的控制信号，G_com32(s)用于抵消温度回路对浓度回路的作用，其输入为高温水流量阀的控制信号；

所述的PID控制器，液面高度回路的PID控制器输入为液面高度回路的控制误差，其输出与G_com12(s)和G_com13(s)的输出相叠加，作为DMSO溶液流量阀的控制信号；温度回路的PID控制器输入为温度回路的控制误差，其输出与G_com21(s)和G_com23(s)的输出相叠加，作为高温水流量阀的控制信号；浓度回路的PID控制器输入为浓度回路的控制误差，其输出与G_com31(s)和G_com32(s)的输出相叠加，作为低温水流量阀的控制信号；

所述记忆抗体库的存储模块，各记忆单元分别存放相应流量阀的N_x个故障特性方程及其对应的控制策略；

所述控制策略，每个故障特性方程对应一个控制策略每个由两部分组成，分别为PID控制器参数集合与解耦补偿器集合，其中，PID控制器参数集合由控制人员根据对应的执行器故障情况人为整定得到；解耦补偿器集合按照下述方法得到：

(1)对于DMSO溶液流量阀记忆单元中的控制策略各解耦补偿器为

(2)对于高温水流量阀记忆单元中的控制策略各解耦补偿器为

(3)对于低温水流量阀记忆单元中的控制策略各解耦补偿器为

所述监视抗原入侵的故障检测模块在重构控制器投运后实时采集各流量阀的输出，即用流量计检测三个流量阀实际输出的流量，并计算从时刻k-L+1至当前时刻k的所有连续时刻，各流量阀输出流量的计算值与实际值之差err_j(l)＝eq_j(v_j(l))-u_j(l)，j∈{1,2,3}，其中，l＝k-L+1,k-L+2,...,k，即依次计算k-L+1到k时刻；检测序列的长度L取值范围为(0,50]；当从时刻k-L+1至当前时刻k的所有连续时刻，任一流量阀输出流量的计算值与实际值之差均大于阈值δ时，故障检测模块判定该流量阀发生故障，启动识别与清除抗原的决策模块；这里，阈值δ取接近于0的数，用以衡量计算值与实际值的相近程度，取值范围为(0,0.001]；j为正常的流量阀编号，v_j(l)表示l时刻正常的流量阀的控制信号，u_j(l)表示l时刻正常的流量阀输出的实际流量；

所述识别与清除抗原的决策模块在检测到流量阀故障后，首先从存储模块的对应记忆单元中搜索与实际故障特性方程亲和度最高的故障特性方程，即对于故障流量阀，求从时刻k-L+1至当前时刻k的所有连续时刻，该流量阀记忆单元中存储的所有故障特性方程的计算值与故障流量阀输出流量的实际值之间的差异度：

${D_n}^f\left(k\right)=\underset{l=k-L+1}{\overset{k}{\Σ}}|u_f\left(l\right)-{\mathrm{mode}}_n^f\left(v_f\right(l\left)\right)|,n\∈\{1,2,...,N_f\};$

找出所有差异度中的最小值，此最小值对应的故障特性方程即为存储模块中与实际故障特性方程亲和度最高的故障特性方程

得到后，所述识别与清除抗原的决策模块选择该故障特性方程所对应的控制策略对当前的多变量控制器进行初步重构，即用中PID控制器参数集合中的对应参数，替换当前各回路的PID控制器参数，并用中解耦补偿器集合中的对应解耦补偿器，替换当前各解耦补偿器；

初步重构完成后，所述识别与清除抗原的决策模块分别计算各回路的绝对误差积分指标：

$J_H\left(k\right)={\Σ}_{t=k-S}^{k-1}\left|e_1\left(t\right)\right|\×t,$

$J_T\left(k\right)={\Σ}_{t=k-S}^{k-1}\left|e_2\left(t\right)\right|\×t,$

$J_D\left(k\right)={\mathrm{\Σ}}_{t=k-S}^{k-1}\left|e_3\left(t\right)\right|\×t,$

对三个回路的绝对误差积分指标分别进行判断，若均未超过各自的阈值，则返回监视抗原入侵的故障检测模块继续进行故障监测；反之，启动进化抗体的学习模块；这里，绝对误差积分指标的计算序列长度S取值范围为(0,50]，液面高度回路绝对误差积分指标的阈值J'_H的取值范围为(0,1]，温度回路绝对误差积分指标的阈值J'_T的取值范围为(0,25]，浓度回路绝对误差积分指标的阈值J'_D的取值范围为(0,0.65]；

所述进化抗体的学习模块，首先以时刻k-L+1至当前时刻k的所有连续时刻的故障流量阀控制信号和故障流量阀实际输出流量信号为学习样本，在线辨识实际故障特性方程通过求进而根据将当前的各解耦补偿器调整为：

(1)故障流量阀为DMSO溶液流量阀，即f＝1时

$G_{com13}\left(s\right)=\frac{G_{12}\left(s\right)}{G_{{\mathrm{MODE}}_{N_f+1}}^1\left(s\right)\·G_{11}\left(s\right)},G_{com13}\left(s\right)=\frac{G_{31}\left(s\right)}{G_{{\mathrm{MODE}}_{N_f+1}}^1\left(s\right)\·G_{11}\left(s\right)},G_{com21}\left(s\right)=\frac{G_{{\mathrm{MODE}}_{N_f+1}}^1\left(s\right)\·G_{32}\left(s\right)}{G_{22}\left(s\right)},$

$G_{xom23}\left(s\right)=\frac{G_{23}\left(s\right)}{G_{22}\left(s\right)},G_{com31}\left(s\right)=\frac{G_{{\mathrm{MODE}}_{N_f+1}}^1\left(s\right)\·G_{31}\left(s\right)}{G_{33}\left(s\right)},G_{com32}\left(s\right)=\frac{G_{32}\left(s\right)}{G_{33}\left(s\right)};$

(2)故障流量阀为高温水流量阀，即f＝2时

$G_{com12}\left(s\right)=\frac{G_{{\mathrm{MODE}}_{N_f+1}}^2\left(s\right)\·G_{12}\left(s\right)}{G_{11}\left(s\right)},G_{com13}\left(s\right)=\frac{G_{13}\left(s\right)}{G_{11}\left(s\right)},G_{com21}\left(s\right)=\frac{G_{21}\left(s\right)}{G_{{\mathrm{MODE}}_{N_f+1}}^2\left(s\right)\·G_{22}\left(s\right)},$

$G_{com23}\left(s\right)=\frac{G_{23}\left(s\right)}{G_{{\mathrm{MODE}}_{N_f+1}}^2\left(s\right)\·G_{22}\left(s\right)},G_{com31}\left(s\right)=\frac{G_{31}\left(s\right)}{G_{33}\left(s\right)},G_{com32}\left(s\right)=\frac{G_{{\mathrm{MODE}}_{N_f+1}}^2\left(s\right)\·G_{32}\left(s\right)}{G_{33}\left(s\right)};$

(3)故障流量阀为低温水流量阀，即f＝3时

$G_{com12}\left(s\right)=\frac{G_{12}\left(s\right)}{G_{11}\left(s\right)},G_{com13}\left(s\right)=\frac{G_{{\mathrm{MODE}}_{N_f+1}}^3\left(s\right)\·G_{13}\left(s\right)}{G_{11}\left(s\right)},G_{com21}\left(s\right)=\frac{G_{21}\left(s\right)}{G_{22}\left(s\right)},$

$G_{com23}\left(s\right)=\frac{G_{{\mathrm{MODE}}_{N_f+1}}^3\left(s\right)\·G_{23}\left(s\right)}{G_{22}\left(s\right)},G_{com31}\left(s\right)=\frac{G_{31}\left(s\right)}{G_{{\mathrm{MODE}}_{N_f+1}}^3\left(s\right)\·G_{33}\left(s\right)},$

$G_{com32}\left(s\right)=\frac{G_{32}\left(s\right)}{G_{{\mathrm{MODE}}_{N_f+1}}^3\left(s\right)\·G_{33}\left(s\right)};$

由此得到调整后的解耦补偿器集合

对各解耦补偿器的调整完成后，所述进化抗体的学习模块以三个绝对误差积分指标为目标函数，按照多目标免疫克隆选择算法对故障回路的PID控制器参数进行在线优化，得到优化后的PID控制器参数集合

最后，所述进化抗体的学习模块将由和共同组成的与对应的一起加入存储模块中的故障流量阀记忆单元中，并返回监视抗原入侵的故障检测模块继续运行；

其中：

H(s)、T(s)和D(s)为碳纤维凝固浴浴槽的三个输出即溶液液面高度信号、溶液浓度信号和溶液温度信号的频域表示，V₁(s)、V₂(s)和V₃(s)为碳纤维凝固浴浴槽的三个输入即DMSO溶液流量信号、高温水流量信号和低温水流量信号的频域表示，G_xy(s)，x＝1,2,3，y＝1,2,3表示碳纤维凝固浴浴槽的各输出对各输入的频域传递函数；A表示凝固浴浴槽的底面积，R表示排液口的液阻；T_DMSO、和分别表示DMSO溶液、高温水和低温水的温度，D_DMSO、和分别表示DMSO溶液、高温水和低温水的浓度，T₀表示温度回路的控制目标，H₀表示液面高度回路的控制目标，D₀表示浓度回路的控制目标；G_com12(s)表示温度回路对液面高度回路的解耦补偿器，G_com13(s)表示浓度回路对液面高度回路的解耦补偿器；G_com21(s)表示液面高度回路对温度回路的解耦补偿器，G_com23(s)表示浓度回路对温度回路的解耦补偿器；G_com31(s)表示液面高度回路对浓度回路的解耦补偿器，G_com32(s)表示温度回路对浓度回路的解耦补偿器；x表示存储模块的各记忆单元的编号，x＝1对应DMSO溶液流量阀记忆单元，x＝2对应高温水流量阀记忆单元，x＝3对应低温水流量阀记忆单元，N_x表示记忆单元x中存储的故障特性方程的个数，表示记忆单元x中的第n个故障特性方程，表示对应的控制策略，表示的PID控制器参数集合，表示液面高度回路PID控制器的比例系数，表示液面高度回路PID控制器的积分系数，表示液面高度回路PID控制器的微分系数，表示温度回路PID控制器的比例系数，表示温度回路PID控制器的积分系数，表示温度回路PID控制器的微分系数，表示浓度回路PID控制器的比例系数，表示浓度回路PID控制器的积分系数，表示浓度回路PID控制器的微分系数；表示的解耦补偿器集合，为的频域表示；v_f(l)表示l时刻故障流量阀的控制信号，u_f(l)表示l时刻故障流量阀输出的实际流量，f为故障流量阀对应的编号，f＝1表示故障流量阀为DMSO溶液流量阀，f＝2表示故障流量阀为高温水流量阀，f＝3表示故障流量阀为低温水流量阀；eq₁()表示DMSO溶液流量阀正常情况下的输入输出特性方程，eq₂()表示高温水流量阀正常情况下的输入输出特性方程，eq₃()表示低温水流量阀正常情况下的输入输出特性方程，err₁(l)表示l时刻DMSO溶液流量阀输出流量的计算值与实际值之差，err₂(l)为l时刻高温水流量阀输出流量的计算值与实际值之差，err₃(l)为l时刻低温水流量阀输出流量的计算值与实际值之差，L为检测序列的长度，δ表示判定相近程度的阈值；表示k时刻故障流量阀输出流量的实际值与该流量阀记忆单元中存储的第n个故障特性方程的计算值之间的差异度；表示故障流量阀记忆单元中存储的第n个故障特性方程，N_f表示故障流量阀记忆单元中所存储的故障特性方程的个数，表示存储模块中与实际故障特性方程亲和度最高的故障特性方程，表示对应的控制策略，表示的PID控制器参数集合，表示的解耦补偿器集合；J_H(k)表示k时刻液面高度回路的绝对误差积分指标，J_T(k)表示k时刻温度回路的绝对误差积分指标，J_D(k)表示k时刻浓度回路的绝对误差积分指标，S为绝对误差积分指标的计算序列长度，e₁(k)表示k时刻液面高度回路的控制误差，e₂(k)表示k时刻温度回路的控制误差，e₃(k)表示k时刻浓度回路的控制误差，J'_H表示液面高度回路绝对误差积分指标的阈值，J'_T表示温度回路绝对误差积分指标的阈值，J'_D表示浓度回路绝对误差积分指标的阈值；表示故障流量阀的实际故障特性方程，为的频域表示，表示对应的控制策略，表示的PID控制器参数集合，表示的解耦补偿器集合。

3.根据权利要求1所述的一种基于免疫机制的碳纤维凝固浴重构控制器，其特征在于，所述的在线辨识实际故障特性方程，具体方法为：

设故障流量阀的待辨识特性方程为u_f(l)＝dmg_f×eq_f(v_f(l))+off_f，将样本数据集{v_f(l),u_f(l)},l＝k-L+1,k-L+2,...,k作为训练样本，采用一元线性回归分析方法求出dmg_f和off_f的值，从而可根据求得的u_f(l)＝dmg_f×eq_f(v_f(l))+off_f得到

其中L为检测序列的长度，l表示时刻，k为当前时刻；

eq_f()表示故障流量阀在正常情况时的输入输出特性方程，dmg_f表示故障流量阀的损伤系数，off_f表示故障流量阀的偏置系数。

4.根据权利要求1所述的一种基于免疫机制的碳纤维凝固浴重构控制器，其特征在于，所述的基于多目标免疫克隆选择算法对各回路的PID控制器的参数进行优化，具体步骤为：

步骤1：将抗体用故障回路的PID控制器比例系数、积分系数、微分系数进行编码，编码形式为[K_p,K_i,K_d]；初始化抗体群Ab，规模为N_Ab；选择目标函数Obj₁()、Obj₂()、Obj₃()分别为三个回路的绝对误差积分指标的倒数，并初始化最大进化代数G；

步骤2：根据目标函数计算Ab中所有抗体对每个目标的亲和度，并按照Pareto最优解的非劣性概念，删去所有非支配抗体，得到非劣解抗体群Ab_non，规模为N_non；

步骤3：对Ab_non中的每个抗体进行自适应克隆，得到克隆扩增后的新种群Ab_c，规模为其中，抗体的自适应克隆倍数K(An_a)通过抗体-抗原亲和度D(An_a)与抗体-抗体亲和度D_avg(An_a)计算得到：

D(An_a)＝Obj₁(An_a)+Obj₂(An_a)+Obj₃(An_a)，

$D_{avg}\left({\mathrm{An}}_a\right)=\frac{\underset{o=1}{\overset{N_{non}}{\Σ}}\left|\right|{\mathrm{An}}_a-{\mathrm{An}}_o\left|\right|}{G-1},$

$K\left({\mathrm{An}}_a\right)=\frac{D\left({\mathrm{An}}_a\right)}{D_{avg}\left({\mathrm{An}}_a\right)},$

这里，||·||代表欧氏距离，a∈{1,2,...,N_non}；

步骤4：对Ab_c中的每个抗体，随机选择一个变异参数K_id，对该参数按照非均匀变异方法进行变尺度的邻域内变异，变异后的值为：

$K_{id}^{new}=\left\{\begin{array}{cc}{K}_{id}+\mathrm{\Δ}(g,K_{\max }-K_{id}),& r_d>P_m\\ K_{id}-\mathrm{\Δ}(g,K_{\max }-K_{id}),& r_d\≤P_m\end{array}\right.,$

其中，Δ(g,μ)为一个与当前进化代数相关的函数：

$\mathrm{\Δ}(g,\mathrm{\μ})=\mathrm{\μ}(1-r^{{(1-\frac{g}{G})}^2}),$

该函数使得多目标优化过程在进化初期变异尺度较大，能保持种群的多样性，而在进化后期变异尺度逐渐缩小，提高局部微调能力；

步骤5：从Ab_c中重新选择所有非劣解抗体构成非劣解抗体群，当该非劣解抗体群的规模大于N_non时，根据抗体-抗原亲和度算子对非劣解抗体群中的所有非劣解抗体进行排序，选择其中的前N_non个抗体构成新的Ab_non；否则，直接将该非劣解抗体群作为新的Ab_non；

步骤6：判断当前进化代数是否大于G，若大于则停止优化，从Ab_non中随机选择一个抗体作为优化结果，代替中对应的三个参数，得到优化后的PID控制器参数集合反之则转步骤3；

[K_p,K_i,K_d]表示多目标优化算法的抗体编码，其中K_p对应故障回路PID控制器的比例系数，K_i对应故障回路PID控制器的积分系数，K_d对应故障回路PID控制器的微分系数；Ab表示多目标优化算法的抗体群，N_Ab表示Ab中包含的抗体个数，Obj₁()、Obj₂()、Obj₃()分别表示多目标优化算法的三个目标函数，G表示多目标优化算法的最大进化代数，Ab_non表示多目标优化算法的非劣解抗体群，N_non表示Ab_non中包含的抗体个数，Ab_c表示多目标优化算法克隆扩增后的新抗体群，K()表示多目标优化算法的自适应克隆算子，An_a表示抗体群Ab_non中的第a个抗体，D()表示抗体-抗原亲和度算子，D_avg()表示抗体-抗体亲和度算子，K_id表示随机选中的变异参数，表示该参数变异后的值，g表示当前进化代数，K_max表示选中的变异参数的最大可能取值，r_d和r均表示[0,1]之间的均匀随机数，P_m表示给定的变异概率。

5.根据权利要求4所述的一种基于免疫机制的碳纤维凝固浴重构控制器，其特征在于，对抗体种群Ab的初始化以故障回路当前的三个PID控制器参数，即中对应的三个参数为中心点，在其周围随机生成其他初始抗体。

6.根据权利要求2所述的一种基于免疫机制的碳纤维凝固浴重构控制器，其特征在于，所述由控制人员根据对应的执行器故障情况人为整定是指运用临界比例法、反应曲线法或衰减法进行PID控制器参数整定。

7.根据权利要求2所述的一种基于免疫机制的碳纤维凝固浴重构控制器，其特征在于，检测序列的长度L由控制人员自行设定，L取值越大，检测越准确，但耗时也越长；绝对误差积分指标的计算序列长度S由控制人员自行设定，取值越大计算越精确，但对处理器的存储空间占用越大，且计算的耗时越长；三个指标阈值的取值随S的增大相应增大，J'_H的取值、J'_T的取值和J'_D的取值，各指标阈值的取值越大，系统的控制精度越低，取值越小则控制器的切换越频繁。

8.根据权利要求4所述的一种基于免疫机制的碳纤维凝固浴重构控制器，其特征在于，给定的变异概率P_m由控制人员根据需要取值，变异概率值越大，抗体种群越多样化，陷入局部最优的概率就越小，但收敛的速度也越慢；取变异概率P_m＝0.5。