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：
V ’』2g *P
式中■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。

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
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。

图3
方案2：如图4所示，与方案1相反, 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 溢
流装置。

方案4:如图5所
示，是在方案 成的串级调节系统。

根据下述原理设计的
图4
通过调节气垫空气流出量去控制总压，
1相同，但是在方案3中流浆箱装有内
压缩空气 压缩空气
网上脱水成形形成湿纸页
冲浆泵 方案4不但控制总压和浆位
1的基础上增加了由浆速一网速比和总压组 而且控制浆速一网速比，它是 水压缩空气
白水坑
已知浆速:
VE。

二K^
TP0
(1)
VE = K .TP 浆速-网速比：
E^VE0 /VW0 (2)
(3)
E =VE/VW (4)
E0 / E = (VE0 /VE) (VW/VW0) (5)
式（1）和式（2）代入式（5）得：
E°/E -C.TR/ .TP）（VW/VW0）
（6
）
对式（6）两边平方得到：
(E0 /E)2=(TF0/TP) (VW/VW0)2(7)
式中，&、VE、VW、TP0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：
E=E。

即E0/E=1 （8）
式（8）代入式（7）得:
(TP0 /TP) (VW/VW0)2=(E0/E)2=1
TP 二TR （VW/VW））2（9）
只要流浆箱的总压随式（9）的规律变化，则浆速一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TR p按（9）式随网速的变化而计算出来，即：
TP sp 二TP。

(VW/VW0)2(10)
则浆速一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，Ri 、R 2为调节器，y i （总压）、y 2 （浆位）为被控 量，U i （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 y j （i=1,2,…，n ）
关
于控制量U j （j =1,2,…,n ）的灵敏度距阵
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 矩阵可定义为
芈 （i, j =1,2） （3.2）
工E j
式中，E 是偏差。

相应的解耦训练目标为
min =丄「B i 国 W
2 IL
「鲁 刃1…
CU 1 CU 2
勿2 矽2…
GU 1 3
阳
i
+
勿n 纠n … 炉1 CU 2
(3.1)
(3.3)
B = ::
丫 = ：:
(%必,,yJ
「：：(U 1,U 2, ,uj
-：
U n 72 -：U n -：
芍2
纽（W ）I 亠 链i
一 2 二 i 曲
：：
E(W) ； 口国
B i
.：
(W) i 4
⑧(w )p 2
y i W)上 cE i tWcE i y 「勿 i (W)"2
y i (W)
[cE j 芒W 点 E j
(3.5)
由图5
辿二辿理迥十P K iR K iN (W) .:E i ；:
Ui (W) ；:
Li (W)汨
(3.6)
故有
练(W)
：Vi (W) :u (W) :L i (W)
P R N
K ii K ii K ij
(VV)
.:E
；:U(W) ；:L(W) ；:E
(3.7)
K i P
K i R
X (W)
:W P R 二 K ii K H T i (W) (3.8)
彈二丽际脉莎山KiX^ = K i'KX j ㈣（3
.9）
合并式（3.8 ）和式（3.9）可得
n 匚八 B j s]
- K i P
K R
K i N
(W) K ii P
K i R
T j (W) -W i,j 1
(3.10)
(3.11)
式中，T ij （W ）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浆速一网速比控制
在前面叙述的方案中，以浆速一网速比调节器（E 。

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一 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
式中，B i 国是所求的解耦系统的广义对象增益，但此处 B 汽包括调节器的增益，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
,W 「
迫 W)
cW
式中，为学习步长。

在 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K Q 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
(3.4)
速一网速比稳定。

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、浆速一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。