CN107510089B - 一种烟草制丝生产中提高叶片加料精度的方法 - Google Patents

Abstract

本发明公开了一种烟草制丝生产中提高叶片加料精度的方法。它包括以下步骤：计算加料流量设定值，建立叶片加料系统的预测控制模型，计算出加料泵频率的预测输出量和反馈输出量。本发明可较好解决在物料流量波动大时加料瞬时精度超标以及整批生产加料累积精度大的难题，可达到较好的控制效果，并提高产品内在质量及后续工序满意度。本发明较传统PID算法，加料瞬时精度与累积精度有显著提升。现场生产数据表明物料流量发生剧烈波动时，叶片加料瞬时精度平均值从4.13%降至2.37%，累积精度平均值由0.29%降至0.04%。

Description

一种烟草制丝生产中提高叶片加料精度的方法

技术领域

本发明涉及烟草制丝生产领域，具体涉及烟草制丝生产中提高叶片加料精度的方法。

背景技术

在烟草制丝过程中，加料的工艺流程是将香料厨房配置的料液由输料泵经输料管道输送到润叶滚筒内，与蒸汽一起喷洒在不断翻动的叶片上，完成烟叶加料。加料的均匀性直接影响卷烟的口感，加料均匀性由加料瞬时精度与累积精度两个指标体现。采样时刻k下，加料瞬时精度λ(k)与累积精度Λ(k)由以下公式计算：

其中δ(k)、Δ(k)分别为k时刻皮带秤瞬时流量与累计流量。R为料液比例系数，γ(k)、Г(k)分别为料液流量计的瞬时流量与累计流量，|·|为绝对值操作符。显然，加料过程的控制目标为λ(k)与Λ(k)均尽可能的趋近于0，即通过改变加料泵的输出频率u(k)使得γ(k)、Г(k)分别跟踪δ(k)×R与Δ(k)×R。根据国家烟草专卖局颁布的关于卷烟工艺规范，要求加料累积精度达到1.0%。

目前，在烟草制丝生产的加料工序中，主要采用常规PID控制方式控制加料流量，PID控制方式有以下几方面缺点：

(1) 控制目标仅考虑加料瞬时精度，即设定值r(k)考虑为δ(k)×R，被控量y(k)考虑为γ(k)，涉及加料累积精度的物理变量并未在控制系统中充分考虑。

(2) PID控制的主要缺陷是控制滞后，PID的输出u(k)基于反馈误差e(k)=r(k)-y(k)。因u(k)的作用所引起的被控量的下一周期实际值y(k+1)永远和设定值存在一个控制周期滞后。当设定值r(k)因叶片瞬时流量波动而突然增大或变小，无法通过提前预测而补偿设定值的瞬时波动；

(3) PID控制一般采用一组固定的PID参数。这种固定系数的方式对于时变的，非线性的过程控制很难起到实时控制的作用。而加料过程就是一种时变的、非线性的过程。因叶片瞬时流量波动、蒸汽压力与流量波动、料液温度变化等因素的干扰， u(k)与之间难以通过一个定常的线性时不变系统表达。

以上不足，直接导致应用传统PID进行料液流量控制时，容易产生加料控制精度超标的问题。

为解决累积精度超标问题，一种改进的方案是在δ(k)×R的基础上增加加料累积量与修正系数作为实时设定值。这种方案某种程度上解决了累积精度超标的问题，但由于其仍采用传统PID作为底层控制方案，因此难以从本质上克服控制滞后与环境干扰等因素的影响。特别是该方案难以在叶片瞬时流量发生剧烈波动时保证加料的瞬时精度与累积精度，同时难以保证累计精度趋近于0。

发明内容

本发明提供一种烟草制丝生产中提高叶片加料精度的方法，以解决在物料流量波动大时加料瞬时精度超标以及整批生产加料累积精度大的难题。

为解决上述技术问题，本发明采用以下技术方案：

这种烟草制丝生产中提高叶片加料精度的方法，其特征在于包括以下步骤：

A：计算加料流量设定值r(k)； 包括以下步骤：

a1：如果加料流量累积量偏差与加料流量瞬时精度乘积为正，并且加料流量累积量偏差大于上限ε₊或者小于下限ε_-时，按照a2步骤计算加料计流量每小时的补偿量，否则按照a6步骤计算r(k)；

a2：计算加料计流量每小时的补偿量，期望其在X秒内补偿累积量偏差，加料流量每小时补偿量=，如果加料流量每小时补偿量≥皮带称瞬时流量×比例系数×加料流量瞬时精度误差上限ε₊，按照以下a3步骤计算r(k)；如果加料流量每小时补偿量≤皮带称瞬时流量×比例系数×加料流量瞬时精度误差下限ε_-，按照以下a4步骤计算r(k)，如果均不满足以上两个条件，按照以下a5步骤计算r(k)；

a3：r(k)=皮带称瞬时流量×比例系数×(1+加料流量瞬时精度误差上限ε₊)；

a4：r(k)=皮带称瞬时流量×比例系数×(1+加料流量瞬时精度误差下限ε_-)；

a5：r(k)=皮带称瞬时流量×比例系数+加料流量每小时补偿量；

a6：r(k)=皮带称瞬时流量×比例系数；

B：建立叶片加料系统的提前P步加料流量的预测控制模型，并以此为基础计算出加料泵频率的预测输出量u_p(k)，再根据当前加料流量设定值与加料流量实际值计算出加料泵频率的反馈输出量u_f(k)，加料泵频率的预测输出量u_p(k)和反馈输出量u_f(k)相加得到当前所需的加料泵频率输出值u(k)= u_p(k)+ u_f(k)。

所述叶片加料系统的预测控制模型的建模方法包括以下步骤：

b1：采集加料泵频率u(k)与加料瞬时流量y(k)的数据；

b2：利用u(k)和y(k)，通过最小二乘算法辨识得到加料系统的ARX模型；

b3：对辨识得到的ARX模型进行迭代推导得到未来时刻加料流量瞬时值y(k+j)，式中j=1,2,…,P，其中P为预测步长；

b4：采用最小二乘算法对ARX预测模型求解，叶片加料系统的动态特性可用如下的ARX模型描述：

A(q)y(k)=B(q)u(k)，

式中A(q)=1+a₁q^-1+…+ a_nq^-n，B(q)=b₁q^-1+ b₂q^-2+…+ b_mq^-m，q^-1为后移算子，

利用输入、输出序列{u(k)}、{y(k)}，采用最小二乘法对模型参数θ进行辨识，

θ=[a₁…a_n b₁…b_m]^T ，

令，

则k时刻ARX模型的基于θ的预测输出可表示为

(k|)=，

为使模型输出与实际输出的误差最小，求如下优化命题：

令上式对θ的导数等于0，可得模型的最优辨识参数：

根据辨识的ARX模型计算出当前时刻操作变量加料泵频率预测输出量u_p(k)。

所述加料泵频率的反馈输出量u_f(k)的计算包括以下步骤：

c1：计算反馈误差e(k)=r(k)-y(k)；

c2: 设计有监督的自适应PID控制器，控制器参数K_P、K_I、K_D按照以下公式调整，

K_P(k+1)= K_P(k)+η_Pe(k)u(k)x₁(k)

K_I(k+1)= K_I(k)+η_Ie(k)u(k)x₂(k)

K_D(k+1)= K_D(k)+η_De(k)u(k)x₃(k)

其中η_P、η_I、η_D分别为比例P、积分I、微分D对应的学习速率，状态量x₁(k)=e(k)，

x₂ (k)=e(k)-e(k-1)，x₃(k)= e(k)-2e(k-1)+e(k-2)；

c3：分别计算出K_P、K_I、K_D三个参数各自对应的泵频率反馈分量，三者相加作为加料泵频率的反馈输出量：

其中，ω₁(k)= K_P(k)，ω₂(k)= K_I(k)，ω₃(k)= K_D(k)。

与现有技术相比，本发明的优点在于：

1、本发明的烟草制丝生产中提高叶片加料精度的方法，可以较好地解决在物料流量波动大时加料瞬时精度超标以及整批生产加料累积精度大的难题，提高产品内在质量及后续工序满意度。

2、针对加料过程时变性强、非线性显著的特点，采用预测控制技术对加料流量进行预测，反推加料泵频率预测输出，保证加料瞬时精度不随物料流量的波动出现大范围变化。利用自适应PID控制算法，在线更新PID控制器中比例、积分、微分三个分量，保证控制算法的普遍适用性。本发明较传统PID算法，加料瞬时精度与累积精度有显著提升。现场生产数据表明物料流量发生剧烈波动时，叶片加料瞬时精度平均值从4.13%降至2.37%，累积精度平均值由0.29%降至0.04%。

附图说明

图1是本发明流程示意图。

图2是皮带秤瞬时流量剧烈波动示意图。

图3是在皮带秤的瞬时流量有剧烈波动时，本发明算法与传统PID算法针对加料瞬时精度的对比效果图。

图4是在皮带秤的瞬时流量有剧烈波动时，本发明算法与传统PID算法针对加料累积精度的对比效果图。

图5是在多批次的实际控制中，本发明算法与传统PID算法针对加料累积精度达标时物料的累计重量公斤数对比效果图。

图6是在多批次的实际控制中，本发明算法与传统PID算法针对最终加料累积精度对比效果图。

具体实施方式

以下将结合具体实施例对本发明做进一步详细说明。

如图1所示的烟草制丝生产的提高叶片加料精度的方法的控制系统方框图，总体的泵频率输出由加料泵频率预测输出量u_p(k)和加料泵频率反馈输出量u_f(k)两部分组成。u_p(k)计算过程为，预测控制器计算出加料流量预测输出值，与加料流量实际输出值y(k)作差，并经参数H修正，与加料流量设定值r(k)和y(k)结合得到加料流量参考轨迹Y_r(k)得到目标函数，通过优化算法计算得到u_p(k)；u_f(k)由y(k)与r(k)作差得到误差值，并经自适应PID控制器计算得到。u_p(k)与u_f(k)相加得到最终加料泵频率输出值u(k)。

1 计算加料流量设定值

在具体应用时，通过以下步骤来计算加料流量的设定值r(k)：

1.1如果加料流量累积量偏差与加料流量瞬时精度乘积为正，并且加料流量累积量偏差大于上限ε₊或者小于下限ε_-，按照以下1.2步骤计算加料计流量每小时的补偿量，否则按照以下1.6步骤计算加料流量设定值r(k)；

1.2：计算加料流量每小时的补偿量，期望其在X秒内补偿结束，加料流量每小时补偿量=，如果加料流量每小时补偿量≥皮带称瞬时流量×比例系数×加料流量瞬时精度误差上限ε₊，按照以下1.3步骤计算加料流量设定值r(k)，如果加料流量每小时补偿量≤皮带称瞬时流量×比例系数×加料流量瞬时精度误差下限ε_-，按照以下1.4步骤计算加料流量设定值r(k)，如果均不满足以上两个条件，按照以下1.5步骤计算加料流量设定值r(k)；

1.3：加料流量设定值=皮带称瞬时流量×比例系数×(1+加料流量瞬时精度误差上限ε₊)；

1.4：加料流量设定值=皮带称瞬时流量×比例系数×(1+加料流量瞬时精度误差下限ε_-)；

1.5：加料流量设定值=皮带称瞬时流量×比例系数+加料流量每小时补偿量；

1.6：加料流量设定值=皮带称瞬时流量×比例系数。

本实施例各参数优选ε₊=0.05，ε_-=-0.05，X=1200。

2 计算加料泵频率输出量

建立叶片加料系统的预测控制模型，计算出加料泵频率的预测输出量u_p(k)，根据当前加料流量设定值与加料流量实际值计算出加料泵频率的反馈输出量u_f(k)，加料泵频率的预测输出量和反馈输出量相加得到当前所需的加料泵频率输出值u(k)= u_p(k)+ u_f(k)；

3计算加料泵频率预测输出量

叶片加料系统预测输出量的计算包括以下步骤：

3.1：采集加料泵频率u(k)与加料瞬时流量y(k)；

3.2：利用u(k)与y(k)，通过最小二乘算法辨识得到加料系统的ARX模型；

3.3：对辨识得到的ARX模型进行迭代推导得到未来时刻加料流量瞬时值y(k+j)，式中j=1,2,…,P，其中P为预测步长；

3.4：采用最小二乘算法对ARX预测模型求解，叶片加料系统的动态特性可用如下的ARX模型描述：

A(q)y(k)=B(q)u(k)，

式中A(q)=1+a₁q^-1+…+ a_nq^-n，B(q)=b₁q^-1+ b₂q^-2+…+ b_mq^-m，q^-1为后移算子，

利用输入、输出序列{u(k)}、{y(k)}，采用最小二乘法对模型参数θ进行辨识，

θ=[a₁…a_n b₁…b_m]^T ，

令，

则k时刻ARX模型的基于θ的预测输出可表示为：

(k|)=，

为使模型输出与实际输出的误差最小，求如下优化命题：

令上式对θ的导数等于0，可得模型的最优辨识参数：

根据辨识的ARX模型计算出当前时刻操作变量加料泵频率预测输出量u_p(k)，本实施例采用二阶ARX模型，

y(k)=a₁y(k-1)+a₂y(k-2)+b₁u(k-1-d)+b₂u(k-2-d)

其中u(k)为加料泵频率，a₁、a₂、b₁、b₂为ARX模型的参数，d(d>0)为系统纯滞后，

系统的提前预测步长设定为P(P>d)，令S(1)=1，S(2)=a₁，T(1)= b₁，T(2)= a₁b₁+b₂，存在关系式：

S(k)=S(k-1)a₁+ S(k-2)a₂

T(k)= S(k)b₁+ S(k-1)b₂

其中k=3,4,…,P+1，

显然，多步提前预测输出可表达为：

+

其中j=1,2,…,P；

为消除其它因素带来的预测值误差，利用k时刻的预测误差对预测输出值进行如下修正：

其中为k-1时刻对k时刻的加料流量的预测输出值，y(k)为k时刻的加料流量实际输出值，

通过一个P维修正矢量H=[h₁ h₂ … h_p]^T，可以对进行修正：

其中，为修正后的多步预测输出值，

为了使加料系统的控制过程平稳，这里不直接令加料流量输出y(k)跟踪设定值r(k)，而是采用参考轨迹的方式跟踪设定值r(k)，取柔化系数c(0≤c≤1)，参考轨迹可表示为：

其中Y_r(k)=[y_r(k+1)y_r(k+2)…y_r(k+P)]^T， y(k)代表系统在k时刻的加料流量实际输出值，C=[c c²… c^P]^T，。

函数的最优估计是求解最小化下的目标函数：

其中U_p(K)为在线优化获得的加料泵频率的最优预测控制量；

4 计算反馈加料泵频率的修正量

本实施例采用自适应PID算法来计算反馈修正量，采用单神经元构建系统的数学模型，利用有监督的学习规则来训练数学模型，反馈加料泵频率修正量的计算包括以下步骤：

4.1：计算反馈误差e(k)=r(k)-y(k)；

4.2：设计有监督的自适应PID控制器，控制器参数K_P、K_I、K_D按照以下公式调整，

K_P(k+1)= K_P(k)+η_Pe(k)u(k)x₁(k)

K_I(k+1)= K_I(k)+η_Ie(k)u(k)x₂(k)

K_D(k+1)= K_D(k)+η_De(k)u(k)x₃(k)

其中η_P=0.3，η_I=0.8，η_D=0.5，分别为比例P、积分I、微分D对应的学习速率，状态量x₁(k)=e(k)、x₂ (k)=e(k)-e(k-1)、x₃(k)= e(k)-2e(k-1)+e(k-2)；

4.3：分别计算出K_P、K_I、K_D三个参数各自对应的泵频率分量，三者相加作为加料泵频率的反馈输出量：

其中，ω₁(k)= K_P(k)，ω₂(k)= K_I(k)，ω₃(k)= K_D(k)；

5 实际加料泵频率输出

本实施例中，将上述步骤3获得的加料泵频率预测输出值u_p(k)与步骤4获得的加料泵频率反馈修正相加得到实际需要施加给加料泵的频率值。

根据以上步骤得到的本发明方法与传统PID方法对比效果见图2～图4。其中图2显示皮带秤瞬时流量发生剧烈波动。图3为分别使用传统PID方法与本发明方法所得到的加料瞬时精度曲线图，其中实线曲线为传统PID算法加料瞬时精度趋势图，点画线曲线为本发明加料瞬时精度曲线。图4为分别使用传统PID方法与本发明方法所得到的加料累积精度趋势图，其中“+”曲线为传统PID算法加料累积精度曲线，点画线曲线为本发明加料累积精度曲线。图5为分别使用传统PID方法与本发明方法在加料累积精度<1%时累积公斤数的对比效果图，其中实心柱状线为传统PID方法的累积公斤数，空心柱状线为本发明方法的累积公斤数。图6为分别使用传统PID方法与本发明方法所得到的最终加料累积精度的对比效果图，其中实心柱状线为传统PID方法的最终加料累积精度，空心柱状线为本发明方法的最终加料累积精度。

现场生产数据表明，物料流量发生剧烈波动时，叶片加料瞬时精度平均值从4.13%降至2.37%，加料累积精度平均值由0.29%降至0.04%，由于加料过程的控制目标加料瞬时精度与加料累积精度数值趋近于0。显然，本发明方法的控制效果较传统PID方法有显著提升。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (3)

1.一种烟草制丝生产中提高叶片加料精度的方法，其特征在于包括以下步骤：

A：计算加料流量设定值r(k)； 包括以下步骤：

a1：如果加料流量累积量偏差与加料流量瞬时精度乘积为正，并且加料流量累积量偏差大于上限ε₊或者小于下限ε_-时，按照a2步骤计算加料流量每小时的补偿量，否则按照a6步骤计算r(k)；

a2：计算加料流量每小时的补偿量，期望其在X秒内补偿累积量偏差，加料流量每小时补偿量=，如果加料流量每小时补偿量≥皮带称瞬时流量×比例系数×加料流量瞬时精度误差上限ε₊，按照以下a3步骤计算r(k)；如果加料流量每小时补偿量皮带称瞬时流量×比例系数×加料流量瞬时精度误差下限ε_-，按照以下a4步骤计算r(k)，如果均不满足以上两个条件，按照以下a5步骤计算r(k)；

a3：r(k)=皮带称瞬时流量×比例系数×(1+加料流量瞬时精度误差上限ε₊)；

a4：r(k)=皮带称瞬时流量×比例系数×(1+加料流量瞬时精度误差下限ε_-)；

a5：r(k)=皮带称瞬时流量×比例系数+加料流量每小时补偿量；

a6：r(k)=皮带称瞬时流量×比例系数；

B：建立叶片加料系统的提前P步加料流量的预测控制模型，并以此为基础计算出加料泵频率的预测输出量u_p(k)，再根据当前加料流量设定值与加料流量实际值计算出加料泵频率的反馈输出量u_f(k)，加料泵频率的预测输出量u_p(k)和反馈输出量u_f(k)相加得到当前所需的加料泵频率输出值u(k)= u_p(k)+ u_f(k)。

2.根据权利要求1所述的烟草制丝生产中提高叶片加料精度的方法，其特征在于所述叶片加料系统的预测控制模型的建模方法包括以下步骤：

b1：采集加料泵频率输出值u(k)与加料瞬时流量y(k)的数据；

b2：利用u(k)和y(k)，通过最小二乘算法辨识得到加料系统的ARX模型；

b3：对辨识得到的ARX模型进行迭代推导得到未来时刻加料流量瞬时值y(k+j)，式中j=1,2,…,P，其中P为预测步长；

b4：采用最小二乘算法对ARX预测模型求解，叶片加料系统的动态特性用如下的ARX模型描述：

A(q)y(k)=B(q)u(k)，

式中A(q)=1+a₁q^-1+…+ a_nq^-n，B(q)=b₁q^-1+ b₂q^-2+…+ b_mq^-m，q^-1为后移算子，

利用输入、输出序列{u(k)}、{y(k)}，采用最小二乘法对模型参数θ进行辨识，

θ=[a₁…a_n b₁…b_m]^T ，

令，

则k时刻ARX模型的基于θ的预测输出表示为

(k|)=，

为使模型输出与实际输出的误差最小，求如下优化命题：

，

令上式对θ的导数等于0，可得模型的最优辨识参数：

，

根据辨识的ARX模型计算出当前时刻操作变量加料泵频率预测输出量u_p(k)。

3.根据权利要求1所述的烟草制丝生产中提高叶片加料精度的方法，其特征在于所述加料泵频率的反馈输出量u_f(k)的计算包括以下步骤：

c1：计算反馈误差e(k)=r(k)-y(k)；

c2: 设计有监督的自适应PID控制器，控制器参数K_P、K_I、K_D按照以下公式调整，

K_P(k+1)= K_P(k)+η_Pe(k)u(k)x₁(k)

K_I(k+1)= K_I(k)+η_Ie(k)u(k)x₂(k)

K_D(k+1)= K_D(k)+η_De(k)u(k)x₃(k)

其中η_P、η_I、η_D分别为比例P、积分I、微分D对应的学习速率，状态量x₁(k)=e(k)，

x₂ (k)=e(k)-e(k-1)，x₃(k)= e(k)-2e(k-1)+e(k-2)；

c3：分别计算出K_P、K_I、K_D三个参数各自对应的泵频率反馈分量，三者相加作为加料泵频率的反馈输出量：

其中，ω₁(k)= K_P(k)，ω₂(k)= K_I(k)，ω₃(k)= K_D(k)。