配漿濃度是決定造紙生產(chǎn)工藝質(zhì)量的重要指標。近年來，隨著制漿造紙技術(shù)的飛速發(fā)展，業(yè)內(nèi)對配漿濃度控制的精度提出了越來越高的要求。然而由于配漿濃度控制過程中，工藝參數(shù)常常發(fā)生較大變化，系統(tǒng)模型難以建立，傳統(tǒng)控制器不能始終保持最優(yōu)運行，有時甚至出現(xiàn)穩(wěn)定性問題，導致現(xiàn)有配漿濃度控制手段存在一定的盲目性。因此提高配漿濃度的精度對節(jié)約成本、提高生產(chǎn)質(zhì)量具有十分重要的意義[1]。

1 工藝描述
    造紙行業(yè)配漿系統(tǒng)主要完成配漿濃度、流量大小的測量與控制。草漿、木漿、損配漿按照一定的配比進入混合管然后送往紙機，另外在混合池里還要按比例加入一些化學添加劑和染料。該流程中各種漿料分別通過各自的濃度控制回路對其漿濃度進行獨立調(diào)節(jié)控制,因此濃度控制回路效果直接決定了最終的配漿結(jié)果[2]。
    濃度控制回路工藝如圖1所示，濃度控制由調(diào)節(jié)稀釋水量大小實現(xiàn)，流量大小由手動閥門粗調(diào)。配漿濃度測量采用刀式傳感器，流量測量采用電磁流量計，濃度控制執(zhí)行器采用電動調(diào)節(jié)閥，濃度現(xiàn)場控制器是以單片機為核心、配以EPROM及實時時鐘構(gòu)成的微控制器。對于間斷配漿過程，當設(shè)置一次配漿絕干量后，配漿單元自動啟動抽漿泵工作，從漿池中抽取混合料，同時開啟稀釋水閥門，調(diào)節(jié)配漿濃度。由于從漿池中抽取混合料的速度基本穩(wěn)定，因而稀釋水流量直接決定了最終的配漿濃度，混合料與稀釋水混合后，累計以配漿絕干量計算，當累計配漿絕干量與設(shè)置的一次配漿總量相等時，自動停止抽漿泵工作。

    為了保證配漿生產(chǎn)過程中，混合料濃度精度達到工藝要求，同時混合料濃度具有一定的抗干擾能力，其控制系統(tǒng)必須滿足以下要求:通過調(diào)節(jié)稀釋水閥門的開度，保證配漿濃度的控制精度在±0.08%內(nèi)。
2  控制系統(tǒng)分析及結(jié)構(gòu)
    由于配漿濃度控制系統(tǒng)具有較強的非線性和時變性，且造紙生產(chǎn)過程參數(shù)在生產(chǎn)過程中常常受到溫度、濕度的影響，很難構(gòu)造出一個精確的數(shù)學模型，因此，采用常規(guī)控制往往出現(xiàn)頻繁波動，難以跟蹤給定混合料濃度，無法取得較好的運行效果。通過對配漿工藝研究分析，本文提出一種基于智能控制的雙閉環(huán)濃度控制方法，其控制原理如圖2所示。該系統(tǒng)是由模糊遺傳算法、神經(jīng)網(wǎng)絡PID、控制閥組及傳感器組成的一種直接數(shù)字反饋串級控制系統(tǒng)。

    該控制系統(tǒng)由內(nèi)外兩個閉環(huán)控制構(gòu)成，外環(huán)為濃度控制環(huán)，內(nèi)環(huán)為流量控制環(huán)。首先，濃度控制系統(tǒng)利用混合料濃度設(shè)定值和混合料濃度檢測值計算得到系統(tǒng)濃度偏差，以其作為濃度控制環(huán)路的輸入，通過模糊遺傳控制器計算得到最優(yōu)濃度調(diào)節(jié)量；然后，將該濃度調(diào)節(jié)量通過查表方式轉(zhuǎn)換為相應的稀釋水流量增量，作為流量控制環(huán)的輸入，內(nèi)環(huán)通過調(diào)節(jié)稀釋水流量達到調(diào)節(jié)混合料濃度的目的，利用神經(jīng)網(wǎng)絡PID模塊對稀釋水濃度進行調(diào)節(jié)，始終保證混合漿料濃度滿足工藝要求。
3 基于模糊遺傳算法的外環(huán)控制器設(shè)計
    在配漿濃度控制系統(tǒng)中，由于受到添加原料、開關(guān)漿池閘門等突發(fā)因素的影響，采用傳統(tǒng)的控制方法往往難以得到良好的作用，很難同時兼顧穩(wěn)定控制、提高精度、抑制超調(diào)的要求。而且配漿濃度控制系統(tǒng)中，濃度傳感器檢測值會隨著具體環(huán)境、季節(jié)、晝夜變化產(chǎn)生漂移，而傳統(tǒng)模糊系統(tǒng)的隸屬函數(shù)等參數(shù)很難自動調(diào)整，難以適應這些變化。因此本文采用模糊控制器對配漿濃度變化進行模糊推理，同時采用遺傳算法對模糊控制器的參數(shù)進行自適應調(diào)整，從而得到最優(yōu)的稀釋水流量。
3.1 模糊控制器的設(shè)計
    根據(jù)實際生產(chǎn)工藝的需要，模糊控制器根據(jù)當前混合料濃度的檢測值和設(shè)定值之間的偏差及其偏差變化率、模糊規(guī)則經(jīng)推理得到最優(yōu)的稀釋水流量設(shè)定值?；旌狭蠞舛饶：刂颇K的輸入變量為混合料濃度與設(shè)定值的偏差e及其變化率ec，輸出變量為稀釋水流量的增量Δu。
　　本控制器中，濃度偏差e [-10%, +10%]，論域E＝{-7,-6,-5, -4, -3, -2, -1, 0, 1, 2, 3, 4, 5,6,7}，模糊變量的詞集選擇為{NL，NM，NS，O，PS，PM，PL}。濃度偏差變化率 ec∈[-0.4%/s,0.4%/s]，論域為EC ={-4,-3,-2,-1,0,1,2,3,4}，EC的模糊變量為{NL，NS，O,PS，PL}。
    類似地,稀釋水流量增量輸出Δu∈[-2m3/s,2m3/s]，論域U＝{-6，-5,-4,-3,-2,-1,0,1,2,3,4,5，6}，U的模糊變量為：{NL，NM，NS，O，PS，PM，PL}。
    根據(jù)現(xiàn)場調(diào)節(jié)的經(jīng)驗發(fā)現(xiàn),濃度偏差變化率ec僅在較大時方能反映出混合料濃度的變化趨勢。因此，控制增量U與偏差E的關(guān)系較為緊密，而EC則主要作為U的一個輔助參考變量。本模糊控制器把實際的控制策略歸納為如表1所示的控制規(guī)則表。

    為了抑制傳感器檢測中可能出現(xiàn)的異常值，本文對于輸入輸出變量、隸屬度函數(shù)均采用如下的梯形函數(shù)。

    由上述所設(shè)計的模糊推理規(guī)則及隸屬度，采用Mamdani模糊推理的重心法進行解模糊，得到模糊控制的查詢表如表2所示。系統(tǒng)將濃度偏差e及其變化率ec模糊化后求得E、EC，通過查詢表，得到控制輸出U，并將此值經(jīng)過清晰化接口，求得稀釋水流量的增量Δu。

3.2 基于遺傳算法的隸屬度選擇
    遺傳算法(GA)具有搜索快速、易實現(xiàn)和計算效率高的優(yōu)點[3]，非常適合在配漿濃度控制系統(tǒng)中。
3.2.1算法思路及步驟
　 本文在模糊算法的設(shè)計中采用了梯形隸屬度函數(shù)，其形式由4個參數(shù)確定，由模糊算法的3個輸入變量各自的梯形隸屬度函數(shù)參數(shù)，共同構(gòu)成了遺傳算法的解空間。根據(jù)檢測環(huán)境選擇適應度函數(shù)，通過個體的變異搜索，尋找使得適應度函數(shù)最優(yōu)的隸屬度函數(shù)解，即得到最優(yōu)的模糊算法結(jié)構(gòu)。利用遺傳算法選取隸屬度，其實現(xiàn)步驟為：
　(1)首輪隨機產(chǎn)生n個模糊隸屬度參數(shù)個體，組成初始種群，非首輪隨機產(chǎn)生n-1個個體，第n個個體為以前一代種群的最優(yōu)個體，組成新一輪迭代的起始種群。
    (2)利用適應度函數(shù)評估個體適應度，以尋求在最合適各類傳感器運行狀態(tài)和配漿生產(chǎn)環(huán)境的模糊隸屬度函數(shù)解作為最優(yōu)個體，并將其標識為種群中的第n個個體，然后將該個體保留為下一代種群成員。
    (3)選擇種群中所有個體(包括第n個個體)進行交叉操作。
　 (4)檢查當前種群是否符合名義收斂條件，如果滿足條件，則執(zhí)行下一步，否則轉(zhuǎn)向(1)。
　 (5)如果滿足給定的優(yōu)化條件，則終止優(yōu)化過程，否則轉(zhuǎn)向(1)。
3.2.2隸屬度函數(shù)種群的編碼表示
    本文選用如式(1)所示的梯形隸屬度函數(shù)其描述，式中a、b、c、d是需要優(yōu)化的參數(shù)。其中，b=c為三角形隸屬函數(shù)，b=a為降半梯形函數(shù)，c=d為升半梯形函數(shù)，但是b=a和c=d不能同時發(fā)生。根據(jù)這些參數(shù)的不同，可以影響梯形函數(shù)的形狀，產(chǎn)生不同的模糊集，從而對模糊推理的結(jié)果產(chǎn)生影響，使?jié)舛瓤刂扑惴ň哂休^強的適應能力。隸屬度函數(shù)的參數(shù)種群，采用實數(shù)編碼方式,實數(shù)編碼染色體表度比二進制編碼的染色體長度短，編碼方式簡潔自然，減輕了遺傳算法的計算負擔，提高了運算效率，能夠更好地保持種群的多樣性。待編碼的參數(shù)為a、b、c、d,每條染色體有4×n×m。其中n為輸入變量的維數(shù)，m為混合料濃度模糊控制器中隸屬度函數(shù)的個數(shù)(本文取3)。對于第一條染色體其編碼如下：

3.2.3 適應度函數(shù)
    在算法進化中，個體適應度不僅需要考慮配漿濃度控制系統(tǒng)濃度跟隨設(shè)定值的準確性，還需要考慮模糊推理系統(tǒng)本身的合理性和解釋性。因此算法的適應度由兩個部分組成，一是配漿濃度控制準確性指標，二是模糊隸屬度函數(shù)的解釋性指標。
    配漿濃度控制準確性指標即為模糊控制器輸出的稀釋水流量應使得濃度與濃度設(shè)定值間的偏差最小。因此，采用如式(5)所示的性能指標。

式中，Js(u)表示以模糊控制器輸出的稀釋水流量計算出的混合料濃度，J為濃度設(shè)定值。
    模糊隸屬度函數(shù)的解釋性指標：首先,考慮模糊隸屬度隸屬函數(shù)劃分必須具有完備性，即保證隸屬度函數(shù)能全部覆蓋輸入和輸出變量的取值域，同時對于任何的輸入變量，在其論域內(nèi)的任何值，至少有一個隸屬函數(shù)相對應，在形式上表現(xiàn)為隸屬函數(shù)之間存在位置的交叉；其次,隸屬函數(shù)劃分必須是可區(qū)分的，即對于同一變量，隸屬函數(shù)之間存在明顯的位置區(qū)別，以便賦予一定的語義項。如果在尋優(yōu)過程中，出現(xiàn)相鄰的模糊集合的隸屬度函數(shù)之間無重疊，就不能保證對于取值域內(nèi)的任意輸入都能找到一個模糊集合，即造成了隸屬度函數(shù)的不完備性。另外還可能出現(xiàn)一個隸屬度函數(shù)完全覆蓋另外一個函數(shù)，這種情況的出現(xiàn)也會導致模糊推理系統(tǒng)本身不合理，并且不具有解釋性。為了解決這些問題，相鄰模糊集合的隸屬度函數(shù)必須有一定的交叉率?琢。因此，模糊隸屬度函數(shù)的解釋性指標可表示為：

式(5)、式(6)的指標越小越好，采用分量加權(quán)求和，適應度函數(shù)為：

式中，加權(quán)因子v1、v2為正實數(shù)，預先根據(jù)經(jīng)驗設(shè)定，本文取v1=0.4，v2=0.6。
3.2.4 變異策略
    目前使用較多的變異策略有點式交叉變異和均勻交叉變異。點式交叉破壞模式的概率較小，但搜索到的模式較少；均勻交叉破壞模式的概率較大，但搜索到的模式較多。本文中解空間達到了4×n×m個維度，相對較大，采用點式交叉會使算法的收斂速度較快，因此本文采用點式交叉策略。
3.2.5 雜交策略
    目前使用較為廣泛的雜交操作是單點雜交、兩點雜交和多點雜交。采用單點雜交、兩點雜交基因的變化較為緩慢，從而導致隸屬度函數(shù)選擇的周期增加，嚴重影響系統(tǒng)的整體效率，增加了配漿控制系統(tǒng)的滯后性。因此本文采用多點雜交的方式。
4 基于BP神經(jīng)網(wǎng)絡PID的內(nèi)環(huán)控制器設(shè)計
    配漿濃度控制系統(tǒng)中，稀釋水流量是調(diào)節(jié)配漿濃度的決定因素，但是稀釋水閥門的開度-流量特性易受到水壓、水量的干擾而常常發(fā)生變化。傳統(tǒng)的PID控制方法，很難適應閥門的非線性特性，導致實際造紙流程中稀釋水流量出現(xiàn)較大波動，精確度不高。神經(jīng)網(wǎng)絡具有任意非線性逼近能力、自學習能力以及概括推廣能力，使系統(tǒng)具有自適應性[4-5]，可自動調(diào)節(jié)控制參數(shù)，提高控制性能和可靠性。因此本文將BP神經(jīng)網(wǎng)絡與PID控制方法相結(jié)合，用于控制算法來稀釋水流量的調(diào)節(jié)。
4.1 算法結(jié)構(gòu)
    本文所設(shè)計的基于神經(jīng)網(wǎng)絡PID的稀釋水流量控制的結(jié)構(gòu)如圖3所示?？刂破饔蓛刹糠纸M成:傳統(tǒng)的PID控制器和BP神經(jīng)網(wǎng)絡學習算法[6]。經(jīng)典增量式PID的控制算法為：

    神經(jīng)網(wǎng)絡根據(jù)配漿控制系統(tǒng)的運行情況，通過網(wǎng)絡的自學習、權(quán)系數(shù)調(diào)整，使輸出層神經(jīng)元對應PID控制器的3個可調(diào)整參數(shù)比例(KP)、積分(KI)、微分(KD)，以使得配漿濃度控制系統(tǒng)能適應閥門的開度-流量特性，使稀釋水流量跟隨模糊控制器的輸出值。
4.2 算法實現(xiàn)
    神經(jīng)網(wǎng)絡隱層層數(shù)是神經(jīng)網(wǎng)絡結(jié)構(gòu)的重要參數(shù)，考慮系統(tǒng)本身復雜度、算法代價以及從實際應用效果，增加隱層后，稀釋水流量控制精度提高并不明顯。因此，本文采用一個隱層，與輸入層和輸出層共同構(gòu)成三層BP神經(jīng)網(wǎng)絡，其結(jié)構(gòu)如圖4所示。

    按照梯度下降法修正網(wǎng)絡的權(quán)系數(shù)，即按E(k)對加權(quán)系數(shù)的負梯度方向搜索調(diào)整，并附加一個使搜索快速收斂全局極小的慣性項，由此帶來計算不精確的影響可以通過調(diào)整梯度下降法中的學習速度來補償。由以上分析可得網(wǎng)絡輸出層權(quán)的學習算法為：

5 應用及結(jié)論
    將本文所提出的配漿控制方法應用于岳陽某造紙廠,該紙廠原采用PID控制實際數(shù)據(jù)曲線如圖5所示，采用本方法控制系統(tǒng)實際數(shù)據(jù)曲線如圖6所示?？刂葡到y(tǒng)中濃度設(shè)定值為17.55%，經(jīng)過分析比較，該廠原有控制算法控制偏差超過0.12%的時間占采樣數(shù)據(jù)的60%，系統(tǒng)最大偏差為0.22%。而采用本文提出的控制算法，偏差超過0.07%的時間占采樣數(shù)據(jù)的10%，其余數(shù)據(jù)均穩(wěn)定在0.07%范圍內(nèi)，系統(tǒng)最大偏差為0.1%。從圖中可以看出，本文算法利用模糊控制的優(yōu)點來彌補配漿濃度控制中的突發(fā)干擾和利用遺傳算法改善參數(shù)變化問題，同時利用神經(jīng)網(wǎng)絡PID算法自學習特點，自動調(diào)節(jié)控制參數(shù)，以適應配漿生產(chǎn)過程中的開度-流量非線性，使得濃度的控制精度得到了較大提高，完全能滿足配漿過程濃度的工藝要求。

參考文獻
[1] 于秀燕．自動配漿控制系統(tǒng)[J]．黑龍江造紙，2004(1):50-52.
[2] LIAN R J, LIN B F, HUANG J H. A grey prediction  fuzzy controller for constant cutting force in turning [J].
International Journal of Machine Tool and Manufacture, 2005, 45(9):1047-1056.
[3] 馬清亮, 胡昌華, 楊青. 一種用于多目標優(yōu)化的混合遺傳算法[J]. 系統(tǒng)仿真學報, 2004,16(5):1038-1040.
[4] CHOY M C, SRINIVASAN D, CHEU R L. Neural network for continuous online learning and control [J]. IEEE Transaction on Neural Network, 2004,17(4):1511-1531.
[5] SBARBARO D, JOHANSEN T A. Analysis of artificial  neural network for pattern-based adaptive control[J]. IEEE  Transaction on Neural Network, 2006,17(5):1184-1193.
[6] 劉紅波, 李少遠, 柴天佑. 一種基于模糊切換的模糊負 荷控制器及其應用. 控制與決策[J]. 2003, 18(5): 615-
618.