流浆箱控制策略

流浆箱控制策略流浆箱是抄纸过程中的一个重要设备，成纸的匀度，纵横向撕裂度等许多重要理指标都取决于流浆箱的工况。

气垫式流浆浆箱是随着纸机速度提高而出现的新一代流浆箱，一般用于250米/分以上的纸机，其主要控制参数有三个，即浆的液位，唇板处的总压及浆/网速比。

总压控制可使喷射到网上的纸浆的速度保持连续一致，从而保证纸纤维分布均匀。

液位控制的目的为了获得纸浆流域以保持适当的湍流来限制纤维的絮聚。

浆速/网速比对纸页的成开有和结构有着决定性的影响，是影响成纸物理性能的重要因素。

上述三个参数互相关联，用单回路控制器难以完成，因此需使用工业控制微机来实现。

5.1气垫式流浆箱的工作原理分析图1是气垫式流浆箱系统示意图，图中FW为流浆箱内喷水量，FAI为流浆箱气垫空气流入量，FV为流浆箱内益流量，CO为流浆箱出浆浓度，FR为流浆箱进浆回流量。

在气垫式流浆箱中，喷浆速度V与流浆箱总压头P有如下关系式：PgV∙=2μ式中μ为与纸料性质和网前箱形状有关的系数。

总压头P是气垫压力（P气）和浆位静压（H浆·r）。

因此，调节浆位与气垫压力或调节总压头，都可以调节喷浆速度。

在总压头和浆位两个参数的调节中，关键是稳定总压头，以稳定浆速。

浆位控制的目的仅仅是为了纸料在网前箱输送过程中保持所需要的流动特性，在总压头不变的前提下，小范围的浆位波动是允许的。

回流流浆箱流量进出压缩空气图1 气垫流浆箱系统示意图5.2流浆箱调节系统组成图2是描述流浆箱自动调节系统的长网纸机湿部流程图。

从流送系统送来的浆料经过控制阀门进入流浆箱，流浆箱按要求的流量和速度把浆料喷到网上，经网上脱水成形形成湿纸页。

水压缩空气图2流浆箱自动调节系统流程图5.3四种气垫流浆箱自动调节方案分析在图2中，流浆箱总压和浆位是被控变量，进浆量和压缩空气流出量是控制量，根据选取被控变量和控制量的不同，气垫式流浆箱自动控制有四种方案。

方案1：如图3所示，总压的控制是通过总压调节器（PC ）改变浆料调节阀门，即调节进浆量去实现的。

浆位的控制则由浆位调节器（LC ）调节气垫空气流出量加以控制。

压缩空气压缩空气图3 图4方案2：如图4所示，与方案1相反，通过调节气垫空气流出量去控制总压，调节进浆量去控制浆位。

方案3：总压和浆位调节方式与方案1相同，但是在方案3中流浆箱装有内溢流装置。

方案4：如图5所示，是在方案1的基础上增加了由浆速一网速比和总压组成的串级调节系统。

方案4不但控制总压和浆位，而且控制浆速一网速比，它是根据下述原理设计的。

图5已知浆速：010TP K VE = （1） TP K VE = （2） 浆速-网速比：000/VW VE E = （3）VW VE E /= （4）)/()/(/000VW VW VE VE E E ⨯= （5） 式（1）和式（2）代入式（5）得：)/()/(/000VW VW TP TP E E ⨯= （6） 对式（6）两边平方得到：20020)/()/()/(VW VW TP TP E E ⨯= （7）式中，E 0、VE 0、VW 0、TP 0分别表示浆速一网速比、浆速、网速和总压的静态（稳定）值，E 、VE 、VW 、TP 分别表示它们的动态（变化）值。

要保持浆速-网比稳定的条件是：0E E =即1/0=E E （8） 式（8）代入式（7）得：1)/()/()/(20200==⨯E E VW VW TP TP200)/(VW VW TP TP ⨯= （9）只要流浆箱的总压随式（9）的规律变化，则浆速—网速比将保持稳定不变。

因此，若总压调节系统的调节器的给定值TP sp 按（9）式随网速的变化而计算出来，即：200)/(VW VW TP TP sp ⨯= （10）则浆速—网速比将保持稳定不变。

这些任务是由总压的串级调节系统完成的。

5.4总压和浆位神经网络解耦补偿图6流浆箱解耦控制原理图对多变量系统来说，耦合问题是普遍存在的。

因此采用解耦控制方法可提高多变量控制水平。

系统的解耦分成静态和动态解耦两种形式。

实际运用中一般采用静态解耦，因为按动态解耦设计的补偿器环节在物理上经常是不可实现的或实现起来过于复杂。

但当系统存在时变特性或具有明显非线形时，要实现静态解耦是不可能的，因为此时要求解耦环节具有自适应能力。

人工神经元网络的可训练性和结构的通用性，使其具有自适应能力，满足解耦要求，从而构成基于神经网络的解耦控制。

流浆箱（总压和浆位）神经网络解耦控制结构图如图6示。

图中P 为流浆箱对象，NN 神经网络解耦补偿器，R 1、R 2为调节器，y 1（总压）、y 2（浆位）为被控量，u 1（进浆量）、u 2（压缩空气）为调节量。

对于不同的补偿解耦方案（即补偿器处于不同的位置），其训练的具体方法不同。

解耦的定量描述为，引入神经网络补偿环节所要达到的目标为普遍采用Bristol 相对增益矩阵，它给出了系统耦合强度程度的描述。

由于它的计算比较复杂，不适合作为在线训练的目标。

因此，本系统所采用的指标是包括补偿神经网络在内的广义的Bristol 第一系数矩阵，即每一个受控变量),,2,1(n i y i =关于控制量),,2,1(n j u j =的灵敏度距阵⎥⎥⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎢⎢⎣⎡∂∂∂∂∂∂∂∂∂∂∂∂∂∂∂∂∂∂=∂∂=⎥⎦⎤⎢⎣⎡∂∂=n n n n n n n n u y u y u y u y u y u yu y u y u y u u u y y y2121212121112121),,,(),,,(U Y B (3.1) 在系统中神经网络位于调节器之前，所以广义对象应包括这些调节器。

此时B矩阵可定义为⎥⎥⎦⎤⎢⎢⎣⎡∂∂=j i E y B )2,1,(=j i (3.2)式中，E j 是偏差。

相应的解耦训练目标为2121][)(21)(21min ∑∑≠==⎥⎥⎦⎤⎢⎢⎣⎡∂∂+⎥⎦⎤⎢⎣⎡∂∂-=nji i j i ni i i s i WE W y E W y B (3.3)式中，][s i B 是所求的解耦系统的广义对象增益，但此处][s i B 包括调节器的增益，W 为神经网络的训练参数。

神经网络的训练算法采用梯度算法WW E W ∂∂-=∆)(η (3.4)式中，η为学习步长。

在η足够小时，应选择具有合理的足够多内部单元，且其作用函数使得E(W)对W 可微，梯度算法总是收敛的。

记Qij K 为系统环节Q 的第i 个输出和第j 个输入之间的静态增益，其中Q 可以是R （控制器），P （被控对象），或N （神经网络）中的任一个。

则由式（3.2）～式（3.4），BP 算法公式可得j i n j i i j i i i ni i i s i E W W y E W y E W W y E W y B W W E ∂∂∂⎥⎥⎦⎤⎢⎢⎣⎡∂∂+∂∂∂⎥⎦⎤⎢⎣⎡∂∂-=∂∂∑∑≠==)()()()()()(2121][ (3.5) 由图5)()()()()()()(W K K K E W L W L W u W u W y E W y Nii R ii P ii ii i i i i i i =∂∂∂∂∂∂=∂∂ (3.6) )()()()()()()(W K K K E W L W L W u W u W y E W y Nij R ii P ii ji i i i i j i =∂∂∂∂∂∂=∂∂ (3.7) 故有[])()()()(2W T K K WW K K K W K K K W E W W y ii Rii P ii N ii R ii P ii N ii R ii P ii i i =∂∂=∂∂=∂∂∂ (3.8)[])()()()(W T K K WW K K K W K K K W E W W y ij Rii P ii Nij R ii P ii N ij R ii P ii j i =∂∂=∂∂=∂∂∂ (3.9)合并式（3.8）和式（3.9）可得[])()(1,][W T K K W K K K B W E ij Rii P ii n j i N ii R ii P ii s ij ∑=-=∂∂ (3.10) ⎩⎨⎧=0][][s i s ijB Bj i ji ≠= (3.11) 式中，)(W T ij 则直接与采用的网络结构有关。

在实际控制系统，NN 选BP 网络，其结构由一个输入层、两个隐层、一个输出层组成。

基于上述方程式(3.1)～(3.11)可实现流浆箱的解耦控制。

5.5浆速—网速比控制在前面叙述的方案中，以浆速—网速比调节器（EC ）为主环，总压调节器（PC ）为副环组成串级调节系统。

处于主环中的网速的干扰将由自动地改变总压调节器的给定值去加以克服，而处于副环中的影响总压的干扰，则在其尚未影响浆速—网速比之前由副环系统加以克服。

因此，串级调节系统能克服各种干扰，保持浆速—网速比稳定。

实际运行证明这种方案能有效地克服供浆压力阶跃、压缩空气罐压力阶跃和网速阶跃等干扰，使浆位、浆速—网速比和纸页定量很快地回复到给定值，因而具有良好的控制效果。