CN118083665A - 一种干复机用张力智能化控制方法及系统 - Google Patents
一种干复机用张力智能化控制方法及系统 Download PDFInfo
- Publication number
- CN118083665A CN118083665A CN202410494343.1A CN202410494343A CN118083665A CN 118083665 A CN118083665 A CN 118083665A CN 202410494343 A CN202410494343 A CN 202410494343A CN 118083665 A CN118083665 A CN 118083665A
- Authority
- CN
- China
- Prior art keywords
- sequence
- difference
- monitoring data
- value
- data sequences
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012545 processing Methods 0.000 title claims description 12
- 238000012544 monitoring process Methods 0.000 claims abstract description 96
- 230000004044 response Effects 0.000 claims abstract description 50
- 238000009826 distribution Methods 0.000 claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims abstract description 18
- 150000001875 compounds Chemical class 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 31
- 230000002159 abnormal effect Effects 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004804 winding Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 description 15
- 230000008859 change Effects 0.000 description 14
- 239000000463 material Substances 0.000 description 13
- 230000000875 corresponding effect Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 230000010355 oscillation Effects 0.000 description 8
- 230000002195 synergetic effect Effects 0.000 description 8
- 230000003993 interaction Effects 0.000 description 7
- 230000001276 controlling effect Effects 0.000 description 6
- 238000011109 contamination Methods 0.000 description 4
- 230000001965 increasing effect Effects 0.000 description 4
- 239000002131 composite material Substances 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 101100272279 Beauveria bassiana Beas gene Proteins 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009459 flexible packaging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
Landscapes
- Control Of Metal Rolling (AREA)
Abstract
本申请涉及干复机张力控制技术领域,具体涉及一种干复机用张力智能化控制方法及系统,该方法包括:采集干复机工作时各采集时刻的各监测数据序列;根据监测数据序列中的所有极值的分布情况,获取综合控制响应差异指数;根据任意两个监测数据序列之间的差异情况获得协同污染指数;根据各监测数据序列与其他监测数据序列之间的协同污染指数和综合控制响应差异指数,获得各监测数据序列的响应反馈评估指数;根据所有监测数据序列的响应反馈评估指数,获取当前时刻的比例系数;根据当前时刻的比例系数对干复机放卷时的张力进行控制,提高了张力控制的精度。
Description
技术领域
本申请涉及干复机张力控制技术领域,具体涉及一种干复机用张力智能化控制方法及系统。
背景技术
干式复合机是软包装生产中的一项关键技术,它通过先进的传感器、执行器和控制算法实现对张力的精确控制。传统张力控制依赖于机械式自动控制系统,难以适应高速生产和材料变化的需求,随着工业和智能制造的推进,智能化控制系统能够自动调整和优化,减少人工干预,提高生产效率和产品一致性,不仅可以提高产品质量、提升生产效率,还可以降低生产成本和增强适应性。由于其可以直接影响产品质量,保障生产稳定性,并促进产业升级,所以张力智能化控制系统在软包装行业中发挥越来越重要的作用,推动整个行业的技术进步和产业升级。
随着料卷卷径的减小,系统需增加拉力以维持恒定张力,而复合速度的变动则直接影响材料通过机器的速度,进而影响张力稳定性,这两个因素相互作用,要求张力控制系统具备快速、精确的动态响应能力,以适应生产过程中两个因素的不同变化需求,在现有技术中,料卷卷径的变化和复合速度的调整会对张力的控制产生综合影响,从而导致干复机由于多个控制影响数据之间的相互作用而使得比例控制会在系统动态变化时产生的超调和振荡,使得张力控制的精度下降,导致材料的张力不均匀,影响复合质量等后果。
发明内容
为了解决上述技术问题,本申请的目的在于提供一种干复机用张力智能化控制方法及系统,所采用的技术方案具体如下:
第一方面,本申请实施例提供了一种干复机用张力智能化控制方法,该方法包括以下步骤:
S10,采集干复机工作时各采集时刻的料卷的实时卷径、放卷的线速度和张力,分别组成各监测数据序列,监测数据序列包括:卷径序列、线速度序列以及张力序列;
S20,根据监测数据序列中的所有极值的分布情况,获取综合控制响应差异指数;
S30,根据任意两个监测数据序列之间的差异情况获得协同污染指数;所述协同污染指数的获得过程包括:
S31,根据任意两个监测数据序列中对应元素的差异获得差异序列,根据差异序列中元素的分布情况获取稳定趋势差异度;
S32,对差异序列进行异常检测,获得各异常值,根据各异常值在差异序列中的相邻元素的差异获得趋势性判断函数值;
S33,结合稳定趋势差异度和趋势性判断函数值,获得两个监测数据序列之间的协同污染指数;
S40,根据各监测数据序列与其他监测数据序列之间的协同污染指数和综合控制响应差异指数,获得各监测数据序列的响应反馈评估指数;
S50,根据所有监测数据序列的响应反馈评估指数,获取当前时刻的比例系数;根据当前时刻的比例系数对干复机放卷时的张力进行控制。
进一步,所述根据监测数据序列中的所有极值的分布情况,获取综合控制响应差异指数,包括:
对于各监测数据序列,将监测数据序列中的所有极值按照对应采集时刻的先后顺序排列,获得极值序列;对极值序列采用聚类算法进行聚类,获得各聚类簇;
计算各聚类簇内包含的所有数据的变异系数;获取所述变异系数的倒数;将所有聚类簇的所述倒数的均值,作为监测数据序列的综合分布紧密指数;
根据所有监测数据序列的综合分布紧密指数,计算综合控制响应差异指数。
进一步,所述综合控制响应差异指数的计算表达式为:
其中,为综合控制响应差异指数,/>、/>分别为第i个、第j个监测数据序列的综合分布紧密指数,/>、/>分别为第i个、第j个监测数据序列包含的极值个数,/>和/>分别为第i个、第j个监测数据序列对应的聚类簇的数量,/>为监测数据序列的数量。
进一步,所述稳定趋势差异度的获取,包括:
对于任意两个监测数据序列,将两个监测数据序列中所有对应元素的差值组成的序列,记为两个监测数据序列之间的差异序列;将所述差异序列的一阶差分序列记为差异差分序列;获取差异差分序列中所有元素的均值;计算差异差分序列中各元素与所述均值的差值;将差异差分序列中所有元素的所述差值的均值作为两个监测数据序列之间的稳定趋势差异度。
进一步,所述趋势性判断函数值的获取,包括:
对所述差异序列使用异常检测算法进行异常检测,获得各异常值及各异常值的局部异常因子;
对于各异常值,获取异常值与其在差异序列中的前一个元素的差值,记为第一差值;获取异常值与其在差异序列中的后一个元素的差值,记为第二差值;计算第一差值与第二差值的乘积;若所述乘积小于0,则异常值对应的趋势性判断函数值为数字1;反之,异常值对应的趋势性判断函数值为所述乘积的绝对值。
进一步,所述结合稳定趋势差异度和趋势性判断函数值,获得两个监测数据序列之间的协同污染指数,包括:
计算各异常值的局部异常因子与趋势性判断函数值的乘积,记为第一乘积;获取第一乘积的归一化值;获取两个监测数据序列之间的差异序列中所有异常值的所述归一化值的均值,记为第一均值;将第一均值与两个监测数据序列之间的稳定趋势差异度的乘积,作为两个监测数据序列之间的协同污染指数。
进一步,所述响应反馈评估指数的获取,包括:
将任一监测数据序列记为待分析序列,获取待分析序列与所有监测数据序列之间的协同污染指数的均值,记为第二均值;计算第二均值与综合控制响应差异指数的乘积的归一化值,作为待分析序列的响应反馈评估指数。
进一步,所述根据所有监测数据序列的响应反馈评估指数,获取当前时刻的比例系数,包括:
计算所有监测数据序列的响应反馈评估指数的均值,记为第三均值;将第三均值与预设初始比例系数的乘积作为当前时刻的比例系数。
进一步,所述根据当前时刻的比例系数对干复机放卷时的张力进行控制,包括:
将当前时刻的比例系数作为PID控制算法中的比例系数;将张力序列输入PID控制算法对干复机放卷时的张力进行控制。
第二方面,本申请实施例还提供了一种干复机用张力智能化控制系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。
本申请至少具有如下有益效果:
本申请提出一种干复机用张力智能化控制方法及系统,针对调整控制参数时,不同控制影响数据之间的相互影响,而导致的张力控制不准确得问题,首先基于密度聚类以及极值判断反映所有两个序列在实际生产中的控制响应差异,反映了不同监测数据序列在处理张力波动方面的整体变化方面的差异,相较于传统的聚类算法,考虑了变化趋势的差异,为确定监测数据序列之间的协同稳定性作铺垫;进一步,针对不同监测数据序列之间的相互作用对控制系统所产生的影响,基于异常检测算法衡量两个序列在控制过程中的协同效果和对系统稳定性的影响,从而对监测数据序列之间稳定性污染程度的评估,量化了两个序列在控制过程中的协同效果和对系统稳定性的影响;进而将两者进行整合,用来评估各监测数据序列与其他序列之间的协同反馈效果,若数据协同稳定性越差,监测数据之间的协同稳定程度越低,越应增大比例系数控制张力;最后基于协同反馈效果对处理干复机放卷张力控制的PID算法进行改进,使得改进后的算法能够更加灵活地适应外部干扰和系统参数变化,增强了算法的鲁棒性以及自适应性,消除了干复机由于多个控制影响参数之间的相互作用而使得比例控制会在系统动态变化时产生的超调和振荡,提高了张力控制的精度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本申请一个实施例提供的一种干复机用张力智能化控制方法的步骤流程图;
图2为协同污染指数的获取框图。
具体实施方式
为了更进一步阐述本申请为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本申请提出的一种干复机用张力智能化控制方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本申请所提供的一种干复机用张力智能化控制方法及系统的具体方案。
请参阅图1,其示出了本申请一个实施例提供的一种干复机用张力智能化控制方法的步骤流程图,该方法包括以下步骤:
步骤S1,采集干复机工作时各采集时刻的料卷的实时卷径、放卷的线速度和张力,获得各监测数据序列。
为了实时监测和调整生产过程中的关键参数,确保张力的精确和恒定,使用激光测距传感器测量卷料的半径,从而得到初始卷径,以初始卷径以及干复机所设置的参数为输入,根据PLC可编程逻辑控制器对干复机进行工作时料卷的实时卷径进行计算;并且使用PLC对干复机放卷的线速度进行实时采集;在料卷材料的收放路径上安装张力传感器,实时采集料卷放卷时的张力数据。
对上述所采集的三种数据,均以时间t为间隔对其进行均匀采集,并将采集到的所有数据为输入,使用Z-Score算法将其标准化以消除量纲的影响,Z-Score算法为公知技术,不再赘述,最后分别将标准化后的卷径数据、线速度数据以及张力数据按照时间先后的数据组成卷径序列、线速度序列以及张力序列,并依次记为第1、2、3个监测数据序列。
步骤S2,根据监测数据序列中的所有极值的分布情况,获取综合控制响应差异指数。
在干式复合机的运行过程中,张力控制的精确性对于产品质量至关重要,卷径、线速度和张力数据三者的相互影响构成了张力控制系统的基础。卷径的变化直接影响到材料的拉力需求,随着卷材直径的减少,系统必须适时增加拉力以保持恒定的张力。这一过程中,线速度的控制同样关键,因为任何速度的波动都可能导致张力的不稳定,进而影响材料的平整度和复合效果。例如,如果线速度提升,而张力未能相应增加,可能会导致材料拉伸或断裂;反之,速度降低而张力过高,则可能导致材料堆积或起皱。因此,张力控制系统必须能够快速响应这些变化,通过实时监测和智能分析,精确调整拉力,确保生产过程中张力的稳定性。
作为本申请的一个实施例,综合控制响应差异指数的构建包括:
分别以所采集的三个序列为输入,使用线性扫描算法遍历数据集中的每个元素,记录并比较每个元素的值,最终确定序列中的所有极大值和极小值,并将所有序列中的极大值和极小值进行标记,在此以第i个监测数据序列为例,设第i个监测数据序列中共检测到了个极值,并提取所有极大值和极小值,按照对应的采集时刻的前后顺序排列,获得第i个监测数据序列的极值序列,以第i个监测数据序列的极值序列为输入,设置最小点为2,最大半径为1,使用DBSCAN密度聚类算法对第i个监测数据序列的极值序列进行聚类,获得各聚类簇。
需要说明的是,本实施例仅仅是提供一种监测数据序列的聚类方法,作为其他实施例,实施者可使用其他可行的技术手段达到对监测数据序列聚类的目的,本申请不做限制。
获取聚类簇的数量,计算各聚类簇内所有数据的变异系数,其中,DBSCAN密度聚类算法、变异系数的计算为公知技术,不再赘述,构建综合控制响应差异指数:
其中,为综合控制响应差异指数,/>、/>分别为第i个、第j个监测数据序列的综合分布紧密指数,/>、/>分别为第i个、第j个监测数据序列包含的极值个数,/>和/>分别为第i个、第j个监测数据序列对应的聚类簇的数量,/>为第i个监测数据序列的极值序列形成的第p个聚类簇内所有数据的变异系数,/>为监测数据序列的数量,/>。
量化了控制响应差异,能够全面反映所有两个序列在实际生产中的控制响应差异,首先通过第q个序列的综合分布紧密函数/>计算第i个监测数据序列以及第j个序列的综合分布紧密指数/>和/>,/>通过计算所有簇内数据点的数值变异系数的倒数,衡量了第q个序列内部极值数据点整体分布紧密程度,/>越大表示第q个序列所代表的复合参数数值和时间上都相对集中,即极值分布越稳定,控制响应较为一致和稳定,表征了复合时的参数变化整体越稳定,无较大波动产生;而在/>的计算中,通过/>考虑两个序列之间的紧密程度差异,其值越大代表两个序列的紧密性越大,通过/>衡量第i个监测数据序列与第j个序列之间控制响应差异的影响程度,通过极值个数差异以及簇数量差异量化不同控制参数之间的稳定程度,极值点的个数可以反映出生产过程中控制波动的频率,簇的数量差异反映了两种控制策略在处理张力变化时的多样性和复杂性,越大代表不同序列在波动频率以及多样性上的差异性越大,则两个控制参数变化所形成的序列之间的差异越大,即由于张力控制在两个参数之间的响应变化越大。
步骤S3,根据任意两个监测数据序列之间的差异情况获得协同污染指数。
由于不同数据在控制系统中互相影响,会导致不同数据响应时的速度产生不同,从而会影响控制系统的实时性能,且不同数据的相互作用会导致控制系统变得不稳定,例如,如果线速度数据的增加导致张力数据也增加,这种正反馈可能会使控制系统进入振荡状态,从而破坏系统的稳定性。
作为本申请的一个实施例,协同污染指数的获取包括:
在此以第i个与第j个监测数据序列为例,将两个序列中所有对应元素的差值组成的序列,记为两个序列之间的差异序列,以差异序列为输入,对其使用LOF局部异常监测算法检测异常值,由于所采集的数据序列之间会存在对张力的协同调控,所以第i个和第j个监测数据序列之间的差异变化呈现一种稳定的趋势,当差异序列中存在异常值时,代表两种数据之间的相互作用产生了异常反馈。
需要说明的是,本实施例仅仅是提供一种差异序列的异常检测的方法,作为其他实施例,实施者可使用其他可行的技术手段达到对差异序列进行异常监测的目的,本申请不做限制。
获取第i个与第j个监测数据序列之间的差异序列中检测得到个异常值,同时使用LOF算法检测得到各异常值的局部异常因子,将第i个与第j个监测数据序列之间的差异序列的一阶差分序列,记为差异差分序列,记差异差分序列中含有C个数据点,第c个数据点的值为/>,差异差分序列的均值为/>,构建第i个与第j个监测数据序列之间的协同污染指数/>:
其中,为第i个与第j个监测数据序列之间的协同污染指数,/>为第i个与第j个监测数据序列之间的差异序列中异常值的个数,/>为第i个与第j个监测数据序列之间的稳定趋势差异度,/>为第i个与第j个监测数据序列之间的差异序列中第y个异常值的LOF局部异常因子,/>为第i个与第j个监测数据序列之间的差异序列中第y个异常值的趋势性判断函数值,/>为差异差分序列中数据点的个数,/>为第i个与第j个监测数据序列之间的差异差分序列中第c个元素,/>为第i个与第j个监测数据序列之间的差异差分序列中所有元素的均值,/>为第i个与第j个监测数据序列之间的差异序列中第y个异常值;/>和/>分别为第i个与第j个监测数据序列之间的差异序列中第y个异常值在差异序列的前一个、后一个元素,/>为sigmoid归一化函数。
表征了两个序列在控制过程中的协同效果和对系统稳定性的影响,/>的值越大,两种监测数据之间的协同稳定程度越低;首先通过/>计算每个数据点与平均值的差值均值,衡量差异差分序列的波动程度,如果两个序列的控制效果非常一致,那么它们的差异将会很小,/>的值也会较低,表示稳定趋势的杂乱度较低,/>越小;之后通过差异序列中的趋势性判断函数值/>判断异常值是否为极值,若异常值不为极值,则/>,此时异常值与其两侧数据呈现出相同的增减趋势,表明异常值是由于正常的生产波动或预期内的控制调整而产生的参数调整,异常值为序列中的一个正常波动,而不是一个需要特别关注的异常情况,若异常值为极值时,表示当前异常值与其相邻数据点之间的变化方向是相反的,即存在一个局部的反转或震荡,可能是由于设备故障、操作失误或其他外部干扰而产生的。
将作为趋势判断权重与/>相乘,以更精确地评估每个异常值对系统稳定性的潜在影响,如果一个异常值/>在/>中被判定为局部异常,并且/>为1,这意味着虽然该点的控制值与其他点有显著差异,但这种差异是沿着同一趋势发生的,给予正常权重以进行异常判定,然而,如果/>为非零值,即使/>不是特别高,也表明存在一个需要立即关注的异常情况,因为它指示了一个趋势反转或震荡,可能导致材料张力不稳定或生产质量问题,给予其异常值更高的权重进行判定,/>的大小与/>呈正相关,将进行求平均后,与/>相乘,/>表示差异序列的稳定趋势差异度,反映了两个控制序列之间的波动程度和一致性,/>的均值量化了差异序列中第y个异常值的局部异常程度,反映了该点与其邻域数据点的差异显著性,最终得到的结果/>考虑了异常值的加权影响以及序列的整体波动性,是对两个控制序列之间稳定性污染程度的一个量化评估,识别和量化控制序列之间的相互作用对系统稳定性的影响。
协同污染指数的获取框图,如图2所示。
步骤S4,根据各监测数据序列与其他监测数据序列之间的协同污染指数和综合控制响应差异指数,获得各监测数据序列的响应反馈评估指数。
本实施例中,各监测数据序列的响应反馈评估指数的获取,包括:
其中,第i个监测数据序列的响应反馈评估指数,/>为综合控制响应差异指数,/>为第i个与第j个监测数据序列之间的协同污染指数,/>为sigmoid归一化函数。
通过对第i个监测数据序列与其余两个序列之间的协同污染指数求平均,并将其与综合控制响应差异指数相乘,评估了第i个监测数据序列与其他序列之间的协同反馈效果,值越大,协同反馈效果越差。
步骤S5,根据所有监测数据序列的响应反馈评估指数,获取当前时刻的比例系数,对干复机放卷时的张力进行控制。
根据不同序列之间的协同反馈结果,对PID算法中的比例系数进行实时性调整,以确保算法能够根据历史数据变化动态地调整比例系数,根据控制系统的实时反馈进行调整,减少了参数动态变化时出现的超调和振荡现象。
PID比例-积分-微分控制算法是一种广泛应用于工业控制系统的反馈控制方法,它通过计算偏差的比例、积分和微分来调整控制输入,以达到预定的控制目标。在干式复合机的张力控制系统中,PID算法可以通过调控放卷材料的速度,维持恒定的张力,在此使用PID控制算法实现干复机放卷时的张力控制。
设置PID算法的初始参数,分别为初始比例系数、积分系数/>以及微分系数/>,PID的初始参数分别取值为/>、/>、/>,然而由于多个控制影响参数之间的相互作用以及对控制系统稳定性的影响,使得比例控制会在系统动态变化时导致超调和振荡,导致PID算法引起振荡或超调,在此对所设定的比例系数进行改进:
其中,为初始比例系数,/>为当前采集时刻的比例系数,/>为第i个监测数据序列的响应反馈评估指数,3为监测数据序列的数量。
将当前采集时刻的比例系数代替初始比例系数对PID算法进行改进,将张力序列输入PID控制算法,调控干复机放卷时,材料的输送速度,进而实现对张力的控制。在比例系数的改进中,使得算法能够根据历史所采集的三种控制影响参数的变化,能够更加灵活地适应外部干扰和系统参数变化,从而优化控制性能,增强自适应性,并简化参数调整过程,实现更加精确和可靠的张力控制。
基于与上述方法相同的发明构思,本申请实施例还提供了一种干复机用张力智能化控制系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述一种干复机用张力智能化控制方法中任意一项所述方法的步骤。
需要说明的是:上述本申请实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种干复机用张力智能化控制方法,其特征在于,该方法包括以下步骤:
S10,采集干复机工作时各采集时刻的料卷的实时卷径、放卷的线速度和张力,分别组成各监测数据序列,监测数据序列包括:卷径序列、线速度序列以及张力序列;
S20,根据监测数据序列中的所有极值的分布情况,获取综合控制响应差异指数;
S30,根据任意两个监测数据序列之间的差异情况获得协同污染指数;所述协同污染指数的获得过程包括:
S31,根据任意两个监测数据序列中对应元素的差异获得差异序列,根据差异序列中元素的分布情况获取稳定趋势差异度;
S32,对差异序列进行异常检测,获得各异常值,根据各异常值在差异序列中的相邻元素的差异获得趋势性判断函数值;
S33,结合稳定趋势差异度和趋势性判断函数值,获得两个监测数据序列之间的协同污染指数;
S40,根据各监测数据序列与其他监测数据序列之间的协同污染指数和综合控制响应差异指数,获得各监测数据序列的响应反馈评估指数;
S50,根据所有监测数据序列的响应反馈评估指数,获取当前时刻的比例系数;根据当前时刻的比例系数对干复机放卷时的张力进行控制。
2.如权利要求1所述的一种干复机用张力智能化控制方法,其特征在于,所述根据监测数据序列中的所有极值的分布情况,获取综合控制响应差异指数,包括:
对于各监测数据序列,将监测数据序列中的所有极值按照对应采集时刻的先后顺序排列,获得极值序列;对极值序列采用聚类算法进行聚类,获得各聚类簇;
计算各聚类簇内包含的所有数据的变异系数;获取所述变异系数的倒数;将所有聚类簇的所述倒数的均值,作为监测数据序列的综合分布紧密指数;
根据所有监测数据序列的综合分布紧密指数,计算综合控制响应差异指数。
3.如权利要求2所述的一种干复机用张力智能化控制方法,其特征在于,所述综合控制响应差异指数的计算表达式为:
其中,为综合控制响应差异指数,/>、/>分别为第i个、第j个监测数据序列的综合分布紧密指数,/>、/>分别为第i个、第j个监测数据序列包含的极值个数,/>和/>分别为第i个、第j个监测数据序列对应的聚类簇的数量,/>为监测数据序列的数量。
4.如权利要求1所述的一种干复机用张力智能化控制方法,其特征在于,所述稳定趋势差异度的获取,包括:
对于任意两个监测数据序列,将两个监测数据序列中所有对应元素的差值组成的序列,记为两个监测数据序列之间的差异序列;将所述差异序列的一阶差分序列记为差异差分序列;获取差异差分序列中所有元素的均值;计算差异差分序列中各元素与所述均值的差值;将差异差分序列中所有元素的所述差值的均值作为两个监测数据序列之间的稳定趋势差异度。
5.如权利要求4所述的一种干复机用张力智能化控制方法,其特征在于,所述趋势性判断函数值的获取,包括:
对所述差异序列使用异常检测算法进行异常检测,获得各异常值及各异常值的局部异常因子;
对于各异常值,获取异常值与其在差异序列中的前一个元素的差值,记为第一差值;获取异常值与其在差异序列中的后一个元素的差值,记为第二差值;计算第一差值与第二差值的乘积;若所述乘积小于0,则异常值对应的趋势性判断函数值为数字1;反之,异常值对应的趋势性判断函数值为所述乘积的绝对值。
6.如权利要求5所述的一种干复机用张力智能化控制方法,其特征在于,所述结合稳定趋势差异度和趋势性判断函数值,获得两个监测数据序列之间的协同污染指数,包括:
计算各异常值的局部异常因子与趋势性判断函数值的乘积,记为第一乘积;获取第一乘积的归一化值;获取两个监测数据序列之间的差异序列中所有异常值的所述归一化值的均值,记为第一均值;将第一均值与两个监测数据序列之间的稳定趋势差异度的乘积,作为两个监测数据序列之间的协同污染指数。
7.如权利要求1所述的一种干复机用张力智能化控制方法,其特征在于,所述响应反馈评估指数的获取,包括:
将任一监测数据序列记为待分析序列,获取待分析序列与所有监测数据序列之间的协同污染指数的均值,记为第二均值;计算第二均值与综合控制响应差异指数的乘积的归一化值,作为待分析序列的响应反馈评估指数。
8.如权利要求1所述的一种干复机用张力智能化控制方法,其特征在于,所述根据所有监测数据序列的响应反馈评估指数,获取当前时刻的比例系数,包括:
计算所有监测数据序列的响应反馈评估指数的均值,记为第三均值;将第三均值与预设初始比例系数的乘积作为当前时刻的比例系数。
9.如权利要求1所述的一种干复机用张力智能化控制方法,其特征在于,所述根据当前时刻的比例系数对干复机放卷时的张力进行控制,包括:
将当前时刻的比例系数作为PID控制算法中的比例系数;将张力序列输入PID控制算法对干复机放卷时的张力进行控制。
10.一种干复机用张力智能化控制系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-9任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410494343.1A CN118083665B (zh) | 2024-04-24 | 一种干复机用张力智能化控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410494343.1A CN118083665B (zh) | 2024-04-24 | 一种干复机用张力智能化控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118083665A true CN118083665A (zh) | 2024-05-28 |
CN118083665B CN118083665B (zh) | 2024-07-02 |
Family
ID=
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SE7411715L (zh) * | 1973-09-19 | 1975-03-20 | Bobst Fils Sa J | |
DE10303122A1 (de) * | 2002-09-27 | 2004-04-08 | Koenig & Bauer Ag | Verfahren und Vorrichtung zur Regelung der Bahnspannung eines Mehrbahnsystems |
JP2009208957A (ja) * | 2008-03-06 | 2009-09-17 | Yaskawa Electric Corp | 張力制御装置およびその制御方法、ならびに張力制御装置を備えた搬送装置 |
CN106629191A (zh) * | 2017-01-17 | 2017-05-10 | 河北工业大学 | 一种嵌入式张力控制器 |
CN110745596A (zh) * | 2019-12-02 | 2020-02-04 | 安徽楚江科技新材料股份有限公司 | 一种用于冷连轧后薄铜带松卷张力控制装置及方法 |
CN113800303A (zh) * | 2021-10-15 | 2021-12-17 | 浙江生波智能装备有限公司 | 一种有机镀膜设备的张力控制装置及其控制方法 |
CN116281334A (zh) * | 2023-04-26 | 2023-06-23 | 苏州智达电气技术有限公司 | 一种卷材张力控制系统及控制方法 |
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SE7411715L (zh) * | 1973-09-19 | 1975-03-20 | Bobst Fils Sa J | |
DE10303122A1 (de) * | 2002-09-27 | 2004-04-08 | Koenig & Bauer Ag | Verfahren und Vorrichtung zur Regelung der Bahnspannung eines Mehrbahnsystems |
JP2009208957A (ja) * | 2008-03-06 | 2009-09-17 | Yaskawa Electric Corp | 張力制御装置およびその制御方法、ならびに張力制御装置を備えた搬送装置 |
CN106629191A (zh) * | 2017-01-17 | 2017-05-10 | 河北工业大学 | 一种嵌入式张力控制器 |
CN110745596A (zh) * | 2019-12-02 | 2020-02-04 | 安徽楚江科技新材料股份有限公司 | 一种用于冷连轧后薄铜带松卷张力控制装置及方法 |
CN113800303A (zh) * | 2021-10-15 | 2021-12-17 | 浙江生波智能装备有限公司 | 一种有机镀膜设备的张力控制装置及其控制方法 |
CN116281334A (zh) * | 2023-04-26 | 2023-06-23 | 苏州智达电气技术有限公司 | 一种卷材张力控制系统及控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2297618B1 (en) | Method and apparatus for reel building and roll runnability in moving web manufacturing | |
US11261045B2 (en) | Rewinder winding methods and apparatus | |
VanAntwerp et al. | Cross-directional control of sheet and film processes | |
US10429800B2 (en) | Layered approach to economic optimization and model-based control of paper machines and other systems | |
US10761522B2 (en) | Closed-loop model parameter identification techniques for industrial model-based process controllers | |
US10809674B2 (en) | Model-plant mismatch detection using model parameter data clustering for paper machines or other systems | |
BR112020020208A2 (pt) | Aparelho e métodos para controle do desenrolamento de um rolo principal | |
CN115390459B (zh) | 模型预测控制方法及装置 | |
CN118083665B (zh) | 一种干复机用张力智能化控制方法及系统 | |
CN118083665A (zh) | 一种干复机用张力智能化控制方法及系统 | |
CN117446581A (zh) | 一种基于可变pid算法的张力控制方法 | |
US11086277B2 (en) | System and method for determining the parameters of a controller | |
US20180004193A1 (en) | A method for controlling a process plant using transition data | |
Rodriguez et al. | Model-free learning of wire winding control | |
CN111132773A (zh) | 使用优化器的平整度控制 | |
US8630728B2 (en) | System and method for generating indices to quantify operating transition performance of a continuous process | |
US20170045419A1 (en) | System and method for step test-free machine modeling using statistical information about multiple web manufacturing or processing systems | |
JP2023539249A (ja) | ヤンキードライヤーの化学物質及びクレープ製品の品質の予測制御 | |
CN115079577B (zh) | 基于实时控制性能评估的闭环阶跃测试方法和测试装置 | |
JP2022079953A (ja) | 推定システム、学習装置、推定装置、推定方法、学習方法、及びプログラム | |
Gloy et al. | Self-optimising Textile Machines | |
CN117182370A (zh) | 智能焊接优化与误差源分析方法 | |
Mäenpää | Robust model predictive control for cross-directional processes | |
Vuelvas et al. | A methodology for LPV control of web winding systems | |
EP3304223A1 (en) | Method and apparatus for robust tuning of model-based process controllers used with uncertain multiple-input, multiple-output (mimo) processes |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |