目前我國最常用的氣墊式流漿箱有兩個主要的控制參數(shù)：總壓與漿位，這兩個參數(shù)之間存在嚴重的非線性耦合，在高速造紙機中對成品紙的質量有較大影響，所以在紙機控制中必須要對氣墊式流漿箱進行解耦控制。PID神經
網(wǎng)絡（PIDNN）解耦作為智能解耦的一種，能夠根據(jù)在線測量的系統(tǒng)給定值和輸出值，通過自主學習調整網(wǎng)絡權值，完成解耦控制。
然而，PIDNN的初始連接權值及網(wǎng)絡學習速率是根據(jù)經驗在一定范圍內隨機給定的，可能會導致網(wǎng)絡權值在修正過程中陷入局部最優(yōu)，從而對控制效果造成不利影響。本文探討使用一種經粒子群算法優(yōu)化的神經網(wǎng)絡（PSO-PIDNN）對氣墊式流漿箱進行解耦控制，使用粒子群算法來優(yōu)化PID神經網(wǎng)絡的初始權值及學習速率，使系統(tǒng)初始狀態(tài)更加穩(wěn)定，提高網(wǎng)絡的學習收斂速度，同時減少手動調節(jié)初值的麻煩。
流漿箱的神經網(wǎng)絡解耦控制
氣墊式流漿箱的輸入主要有兩個，分別為來自羅茨鼓風機的壓縮空氣和來自沖漿泵的紙漿，輸出主要為排出的壓縮空氣和上網(wǎng)的紙漿流。流漿箱的總壓和漿位是主要控制參數(shù)，總壓和漿位關系到漿網(wǎng)速比，對紙張成形起重要作用，也是保證勻漿和噴漿質量的關鍵。
PIDNN是一種將常規(guī)PID控制規(guī)律和神經網(wǎng)絡融為一體的網(wǎng)絡，兼具常規(guī)PID控制器簡單的結構和神經網(wǎng)絡較強的自適應能力，網(wǎng)絡收斂速度快且不易陷入局部極小值。針對氣墊式流漿箱雙輸入雙輸出系統(tǒng)的特點，利用PID神經網(wǎng)絡對其進行解耦控制，結構如圖1所示。
圖 1 PIDNN控制氣墊式流漿箱結構圖
PIDNN在控制過程中根據(jù)總壓和漿位的設定值及當前值之間的偏差，通過網(wǎng)絡學習來調整輸入層與隱含層、隱含層與輸出層之間的權值，對沖漿泵和羅茨鼓風機的輸出頻率進行調整，從而使得控制量不斷接近控制目標值，達到解耦控制目的。
粒子群優(yōu)化算法簡介
粒子群優(yōu)化算法（PSO）是一種基于全局搜索策略的自適應隨機優(yōu)化算法，在1995年由Kennedy和Eberhart提出，源于對鳥類捕食行為的研究。
仿真實驗與分析
針對氣墊式流漿箱模型，設計三個控制系統(tǒng)并進行仿真。
首先對常規(guī)PID控制的流漿箱系統(tǒng)進行仿真。在不同階段給定系統(tǒng)不同的輸入信號，在350——500s時，總壓從80%降至50%，然后回到80%；在1000——1250s時，漿位先從20%升至50%，再回到20%，采樣周期為1s。得到總壓和漿位的響應曲線如圖3所示。
圖2 常規(guī)PID控制的總壓、液位仿真曲線
經過多次反復仿真實驗發(fā)現(xiàn)，當粒子群算法的種群規(guī)模為80，迭代次數(shù)為50，控制效果最好（適應度值較小，運行時間較快）。粒子群適應度值變化曲線如圖5所示，在第30次迭代時，適應度值達到最小，表明已經搜索到最優(yōu)的參數(shù)。
圖3 粒子群適應度值變化曲線
為了比較經粒子群算法優(yōu)化前后的神經網(wǎng)絡響應速度，圖7給出了仿真過程前200s內PIDNN算法和PSO-PIDNN算法的控制誤差曲線。從圖中可以看出，經過粒子群算法優(yōu)化的PID神經網(wǎng)絡的控制誤差收斂更快，響應更迅速。
圖4 PSO優(yōu)化前后的控制誤差曲線
利用粒子群算法優(yōu)化初始權重后的PIDNN進行控制時，解耦控制器響應更加迅速，對流漿箱總壓與漿位的解耦更加有效，控制精度更高，魯棒性更強，同時免去了手動調整PIDNN初始參數(shù)的麻煩，對PIDNN解耦技術用于流漿箱在線智能控制有一定參考意義。
責任編輯：葛鴻燕
校對：葛鴻燕
中紙網(wǎng)版權與免責聲明
該文章系轉載，登載該文章目的為更廣泛的傳遞市場信息，文章內容僅供參考。本站文章版權歸原作者及原出處所有，內容為作者個人觀點， 并不代表本站贊同其觀點和對其真實性負責，本站只提供參考并不構成任何投資及應用建議。本站網(wǎng)站上部分文章為轉載，并不用于任何商業(yè)目的，我們已經盡可能的對作者和來源進行了通告，如有漏登相關信息或不妥之處，請及時聯(lián)系我們，我們將根據(jù)著作權人的要求，立即更正或者刪除有關內容。本站擁有對此聲明的最終解釋權。
蘇公網(wǎng)安備 32010202010716號