一种基于模型预测控制的松散回潮定量加水控制方法 |
|||||||
申请号 | CN202111310625.4 | 申请日 | 2021-11-04 | 公开(公告)号 | CN114027539B | 公开(公告)日 | 2023-01-13 |
申请人 | 湖北中烟工业有限责任公司; | 发明人 | 林敏; 张风光; 刘勇; 罗民; 刘辉; 蒋鹏冲; 卢晓波; 王芳; | ||||
摘要 | 本 发明 提供一种基于模型预测控制的松散回潮定量加 水 控制方法,包括以下步骤:(1)在松散回潮生产开始时进行过程监测,使得工序运行在正常控制范围内;(2)判断生产阶段;若处于生产平稳阶段,利用进柜前含水率 预测模型 反推预测出加水量预测值,加权输出得到最终回潮加水量建议值,以实现进柜前含水率的预测控制,并进行回潮生产;(3)回潮批次生产结束后计算预测模型的输入输出变量的从批次开始到结束的平均值,并用于进柜前预测模型更新从而修正模型,以使模型的预测值更加准确。本发明通过建立预测模型、采用模型 算法 控制等方法,以及模型更新策略,实现进柜前水分的平稳控制。 | ||||||
权利要求 | 1.一种基于模型预测控制的松散回潮定量加水控制方法,其特征在于,包括以下步骤: |
||||||
说明书全文 | 一种基于模型预测控制的松散回潮定量加水控制方法技术领域背景技术[0002] 进柜前含水率是制丝生产环节的一项重要工艺指标,其符合性和稳定性对后续工序的过程控制稳定与否具有重要影响。制叶生产过程中,烟叶物料需要经过切片、松散回潮、润叶加料,最后进入贮叶房进行贮存。松散回潮工序主要是通过热蒸汽加水增加烟叶的含水率和温度,使烟块充分松散开并,再经过后道的润叶加料工序,将糖料均匀地施加到烟片上,最后进入储叶房贮存一定时间以平衡烟片的含水率和温度。但一方面由于受各种因素影响,中间环节易造成含水率散失;另一方面由于叶片物料通常仅是在松散回潮工序中进行含水率调节,而在润叶加料工序仅进行加料工作,除去糖料中的固定含水率,工序至此便不会再对物料含水率进行修正。因此,保证进柜前含水率对指导松散回潮加水有直接影响。 [0003] 然而,现有的松散回潮加水量控制方式,主要是依靠人工经验根据进柜前含水率的目标值进行反馈调节,但由于在实际操作中含水率会受到较多因素的影响,这种人工简单估算的方式无法实现前后工序参数协同控制。 发明内容[0004] 针对上述技术问题,本发明提供一种基于模型预测控制的松散回潮定量加水控制方法。本发明通过松散回潮多次定量加水预测控制进柜前含水率批次均值达到设定目标值,实现生产过程的松散回潮加水的自动控制,代替人工估算方式,使得进柜前含水率控制效果更好,且预测模型可通过更新策略不断更新,不断提高预测的准确性。 [0005] 本发明提供的技术方案如下: [0006] 一种基于模型预测控制的松散回潮定量加水控制方法及系统,包括以下步骤: [0007] (1)在松散回潮生产开始时进行过程监测,比对当前松散回潮烟叶生产牌号和松散回潮工序关键变量与预设值,若监测为非当前牌号或回潮工序关键变量超限,则系统自动报警提示,在系统指定区域显示异常提醒信息,例如生产牌号信息核对异常或从未在本方法下控制运行的新增牌号等特殊情况,以及回潮工序关键变量超出本方法的正常控制范围等,提示操作工人核对牌号信息、检查生产或设备异常情况,使得工序恢复到正常控制范围内; [0009] 若处于料头阶段,采用固定加水量和加汽量模式保证初始松散回潮出口烟叶含水率和温度的稳定性,并且通过控制排潮风门来快速提升回潮出口烟叶温度;料头阶段结束后,根据已知历史批次的平均加水量和已知来料烟包水分计算出当前批次初始加水量设定值;料头阶段结束后进入生产平稳阶段; [0010] 若处于生产平稳阶段,采集预测模型输入变量的平均值,包含回潮回风温度、回潮加水量、蒸汽量、回潮排潮负压等,回潮入口电子秤烟叶累计质量达到值A以后,每间隔质量B利用进柜前含水率预测模型反推预测出加水量预测值,以来料烟包平均含水率为前馈变量,以进柜前含水率实际平均值为反馈变量,加权输出得到最终回潮加水量建议值,以实现进柜前含水率的预测控制,并进行回潮生产; [0011] (3)回潮批次生产结束后计算预测模型的输入输出变量的从批次开始到结束的平均值,主要为出口烟叶含水率、进柜前烟叶含水率等,并用于进柜前预测模型更新从而修正模型使使得下个批次开始的时候,模型的预测值更加准确,最后通过日志记录写值与关键数据信息,积累关键历史过程数据,以便后期系统控制参数优化与维护。 [0012] 进一步,所述步骤(1)中松散回潮工序关键变量包含:松散回潮入口电子秤烟叶瞬时流量、回潮回风温度、回潮出口烟叶温度和回潮出口烟叶含水率。 [0013] 进一步,所述步骤(2)中,判断松散回潮生产进度是料头阶段还是平稳生产阶段的方法如下:当回风温度到60℃,且回潮入口电子秤过料时,初始回潮加水流量设定100kg/h,初始回潮蒸汽量设定为235kg/h,初始排潮开度设定为33%,当电子秤烟叶累计量达350kg时,排潮开度改为20%,当回风温度达到67度后看出口烟叶温度是否达到64度;如果达到则排潮开度改为33%则认为料头阶段结束,否则排潮开度改成30%再去检查出口烟叶温度是否达64度,若出口烟叶温度未上升至64度,则强制料头阶段10分钟后结束。 [0014] 进一步,所述步骤(2)中,进柜前含水率预测模型建立步骤如下: [0015] 将松散回潮和润叶加料看成一个整体,根据批次级数据建立基于数据驱动的黑箱模型,用遗忘因子递推最小二乘模型表征回潮加水量与进柜前含水率之间的关系,公式表示如下: [0016] y=ΦTX [0017] 其中,y表示进柜前烟叶含水率;X表示预测模型输入变量列向量,包含回潮回风温度、回潮加水量、蒸汽量、回潮排潮负压、回潮环境温度、回潮环境湿度、回潮出口温度、加料入口水分、加料蒸汽阀、加料环境温度、加料环境湿度;Φ为对应模型输入变量的系数列向T量,Φ为Φ的转置向量。 [0018] 更进一步,所述步骤(2)中最终回潮加水量建议值加权输出值计算方式为: [0019] 最终控制回潮加水量建议值Wt为: [0020] Wt=W0+ω1M1+ω2M2 [0021] 其中,W0是遗忘因子递推最小二乘模型计算出来的加水量,M1为来料烟包水分,ω1为来料烟包水分的前馈系数,M2为进柜前水分,ω2为进柜前水分的反馈系数。 [0022] 更进一步,所述步骤(2)中,W0的计算方法公式如下:通过模型训练更新可得到完整的模型公式,已知模型输入X即可求得模型输出进柜前烟叶含水率y的预测值,若要知道进柜前烟叶含水率达到目标值对应的加水量,即可把进柜前水分目标值和不包含加水量的模型输入变量代入模型公式中,求得模型预测加水量W0,计算公式如下: [0023] [0024] 其中,y目标为进柜前烟叶含水率目标值,ΦsT为对应的不含加水量的模型输入变量系数列向量对应的转置向量,Xs为不含加水量的模型输入变量数据列向量,θs为加水量对应的模型系数。 [0025] 更进一步,所述步骤(2)中,ω1前馈系数和ω2反馈系数的确定方法如下:前馈反馈系数一般选取不能过大,带上量纲不超过10,通常跟据历史数据中来料水分对加水量的影响程度来选取来料烟包水分的前馈系数,根据进柜前水分对加水量的影响程度来选取进柜前水分的反馈系数后,在实际运行过程中,为了保证运行效果,需要跟据实际情况适当调整前馈反馈系数来改变预测值与前馈反馈值占最终加水量建议值的比重。 [0026] 进一步,所述步骤(2)中,所述A为3300kg,B为1000kg。 [0027] 进一步,所述步骤(3)中,进柜前水分预测模型更新策略为: [0028] 设定初始系数列向量Ф与系数向量矩阵乘积的逆矩阵P即可根据递推公式将t‑1时刻的模型系数列向量Фt‑1更新为t时刻的模型系数列向量Фt,从而达到模型更新的目的,递推公式如下: [0029] [0030] 其中,Kt为t时刻的中间矩阵,yt为t时刻的进柜前水分,λ为遗忘因子,I为单位矩阵,T为矩阵向量对应的转置矩阵,Pt为t时刻系数向量矩阵乘积的逆矩阵,Xt为t时刻模型输入变量原始数据的矩阵向量。 [0031] 更进一步,对于遗忘因子递推最小二乘模型t时刻的模型系数列向量Фt的获取步骤为: [0032] (1)设定模型系数列向量Ф0、系数向量矩阵乘积的逆矩阵P0和遗忘因子λ的初始值,模型系数列向量Ф0初值可以先设定一个系数为0.5的单位列向量,系数向量矩阵乘积的逆矩阵P0通常可以设定为系数值在1000以上的单位矩阵,而遗忘因子λ是模型遗忘历史数据的权重,通常设定在0.9到1,即可得到较为稳定的模型预测性能; [0033] (2)采集当前模型输入输出变量的平均值构成模型输入变量列向量X0和初始时刻的模型输出变量进柜前水分y0; [0034] (3)利用上述递推公式,计算出1时刻的中间矩阵K1、系数向量矩阵乘积的逆矩阵P1和模型系数列向量Ф1; [0035] (4)然后返回步骤(2),继续读取新时刻的模型输入输出数据,循环迭代,不断从t‑1时刻便更新t时刻的模型参数,进而用于t时刻的模型预测。 [0036] 本发明的有益效果如下: [0037] 本发明通过建立预测模型、采用模型算法控制等方法,通过预测进柜前含水率,反向寻优得出松散回潮加水量的设定值,并且考虑到模型时变特性,运用在线模型辨识的方法,实时在线对模型参数进行优化;此外,通过更新策略不断更新模型,保证了模型的自校正和自学习,进一步优化先进控制系统的精度,进而代替人工估算方式,实现进柜前水分的平稳控制。附图说明 [0038] 图1是本发明提供的一种料头过程回潮出口烟叶温度快速升温操作过程示意图; [0039] 图2是一种基于模型预测控制的松散回潮定量加水控制系统流程示意图。 具体实施方式[0040] 下面结合具体实施例对本发明进一步说明,本发明的内容完全不限于此。 [0041] 实施例 [0042] 一种基于模型预测控制的松散回潮定量加水控制方法,参照图2所示,包括以下步骤: [0043] (1)在回潮生产开始时进行过程监测,比对当前回潮烟叶生产牌号和松散回潮工序关键变量与预设值,如果生产非当前牌号或是回潮工序关键变量超限,则系统自动报警提示,在系统指定区域显示异常提醒信息,例如生产牌号信息核对异常或从未在本方法下控制运行的新增牌号等特殊情况,以及回潮工序关键变量超出本方法的正常控制范围等,提示操作工人核对牌号信息、检查生产或设备异常情况,并使得工序恢复到正常控制水平; [0044] 其中过程监测的松散回潮工序关键变量包含:松散回潮入口电子秤烟叶瞬时流量、回潮回风温度、回潮出口烟叶温度和回潮出口烟叶含水率; [0045] (2)根据松散回潮入口电子秤的烟叶瞬时流量与烟叶累计质量数据判断松散回潮生产进度是料头阶段还是平稳生产阶段; [0046] 若处于料头阶段,采用固定加水量和加汽量模式保证初始松散回潮出口含水率和温度的稳定性,并且灵活性地控制排潮风门来快速提升回潮出口烟叶温度,如图1所示;其中快速提升回潮出口烟叶温度的步骤为:在料头阶段,当回风温度到60℃,且回潮入口电子秤过料时,初始回潮加水流量设定100kg/h,初始回潮蒸汽量设定为235kg/h,初始排潮开度设定为33%,当电子秤烟叶累计量达350kg时,排潮开度改为20%,当回风温度达到67度后看出口烟叶温度是否达到64度,如果达到,则排潮开度改为33%并认为料头结束,否则排潮开度改成30%再去检查出口烟叶温度是否达64度,若出口烟叶温度未上升至64度,则强制料头10分钟结束。 [0047] 料头结束后,根据已知历史批次的平均加水量和已知来料烟包水分计算出当前批次初始加水量设定值;料头阶段结束后进入生产平稳阶段; [0048] 若处于生产平稳阶段,采集预测模型输入变量的平均值,包含回潮回风温度、回潮加水量、蒸汽量、回潮排潮负压等,回潮入口电子秤烟叶累计质量达3300kg后每间隔1000kg便实行一次进柜前含水率的预测控制反推预测出加水量预测值,进柜前含水率预测模型根据批次级数据建立回潮加水量与进柜前含水率的遗忘因子递推最小二乘预测模型,并且以来料烟包平均含水率为前馈变量,以进柜前含水率实际平均值为反馈变量,加权输出得到最终回潮加水量建议值; [0049] 进柜前含水率预测模型建立步骤为: [0050] 将松散回潮和润叶加料看成一个整体,根据批次级数据建立基于数据驱动的黑箱模型,用遗忘因子递推最小二乘模型表征回潮加水量与进柜前含水率之间的关系,公式表示如下: [0051] y=ΦTX [0052] 其中,y表示进柜前烟叶含水率,X表示预测模型输入变量列向量,包含回潮回风温度、回潮加水量、蒸汽量、回潮排潮负压、回潮环境温度、回潮环境湿度、回潮出口温度、加料入口水分、加料蒸汽阀、加料环境温度、加料环境湿度,Φ为对应模型输入变量系数列向量,TΦ为Φ的转置向量,Φ不断更新。 [0053] 最终回潮加水量建议值加权输出值计算方式为,最终控制回潮加水量建议值Wt为: [0054] Wt=Wt0+ω1M1+ω2M2 [0055] 其中,W0是遗忘因子递推最小二乘模型计算出来的加水量,M1为来料烟包水分,ω1为来料烟包水分的前馈系数,M2为进柜前水分,ω2为进柜前水分的反馈系数。 [0056] W0的计算方法如下:通过模型训练更新可得到完整的模型公式,已知模型输入X即可求得模型输出进柜前烟叶含水率y的预测值,若要知道进柜前烟叶含水率达到目标值对应的加水量,即可把进柜前水分目标值和不包含加水量的模型输入变量代入模型公式中,求得模型预测加水量W0,计算公式如下: [0057] [0058] 其中,y目标为进柜前烟叶含水率目标值,ΦST为对应的不含加水量的模型输入变量系数列向量对应的转置向量,XS为X去除回潮加水量的模型输入变量数据列向量,θS为加水量对应的模型系数。 [0059] ω1前馈系数和ω2反馈系数的确定方法如下:前馈反馈系数一般选取不能过大,带上量纲不超过10,通常跟据历史数据中来料水分对加水量的影响程度来选取来料烟包水分的前馈系数,根据进柜前水分对加水量的影响程度来选取进柜前水分的反馈系数后,在实际运行过程中,为了保证运行效果,需要跟据实际情况适当调整前馈反馈系数来改变预测值与前馈反馈值占最终加水量建议值的比重。 [0060] (3)回潮批次生产结束后计算预测模型的输入输出变量的从批次开始到结束的平均值,主要为出口烟叶含水率、进柜前烟叶含水率等,并用于进柜前预测模型更新从而修正模型,使得下个批次开始的时候,模型的预测值更加准确,最后通过日志记录写值与关键数据信息,以便后期维护。其中,进柜前水分预测模型更新策略为: [0061] 采集t‑1时刻的模型输入输出变量数据,设定遗忘因子λ,即可根据递推公式将t‑1时刻的模型系数列向量Φt‑1更新为t时刻的模型系数列向量Φt,从而达到模型更新的目的,递推公式如下: [0062] [0063] 其中,Kt为t时刻的中间矩阵,yt为t时刻的进柜前水分,λ为遗忘因子,I为单位矩阵,T为矩阵向量对应的转置矩阵,Pt为t时刻系数向量矩阵乘积的逆矩阵,Xt为t时刻模型输入变量原始数据的矩阵向量。 [0064] 对于遗忘因子递推最小二乘模型t时刻的模型系数列向量Φt的获取步骤为: [0065] (1)设定模型系数列向量Φ0、系数向量矩阵乘积的逆矩阵P0和遗忘因子λ的初始值,模型系数列向量Φ0初值可以先设定一个系数为0.5的单位列向量,系数向量矩阵乘积的逆矩阵P0通常可以设定为系数值在1000以上的单位矩阵,而遗忘因子λ是模型遗忘历史数据的权重,通常设定在0.9到1,即可得到较为稳定的模型预测性能; [0066] (2)采集当前模型输入输出变量的平均值构成模型输入变量列向量X0和初始时刻的模型输出变量进柜前水分y0; [0067] (3)利用上述递推公式,计算出1时刻的中间矩阵K1、系数向量矩阵乘积的逆矩阵P1和模型系数列向量Φ1; [0068] (4)然后返回步骤(2),继续读取新时刻的模型输入输出数据,循环迭代,不断从t‑1时刻便更新t时刻的模型参数,进而用于t时刻的模型预测。 [0069] 以上所述,仅为本发明较佳的具体实施方式,但本发明保护的范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内所做的任何修改,等同替换和改进等,均应包含在发明的保护范围之内。 |