基于监督控制的间歇染色过程上染率控制方式概述.docVIP

　　基于监督控制的间歇染色过程上染率控制方式概述 第一章 绪 论 1.1课题背景和意义 十一五以来，作为我国传统行业的纺织印染行业得到迅猛发展，其产量虽然逐年增加，但效益却不尽人意。其根本原因在于印染行业的快速发展伴随着高能耗、高污染排放和高耗水。中国纺织行业每年要消耗 10 多亿吨的水资源，单位质量的耗水量更是国外的 2~3 倍，其废弃物排放在所有行业中排第六。染整大部分过程都是高能耗的过程，而我国染整的能耗又是国外的 3~5 倍。因此如何实现节能减排是印染行业面临的一个重要问题。在十一五规划中，就已经明确提出要将自动化技术和现代电子技术等高技术应用于印染行业，并积极研究印染行业新技术和新工艺，改变传统印染行业的增长模式，达到降低能耗和减少污染物排放的目的，提高企业的盈利能力以及盈利水平，使经济增长的质量和效益得以提高，实现染整行业由资源数量型增长向质量效益型增长的转变[1]。织物的染色过程是一个异常复杂的过程，包含大量的物理变化、化学变化，并且受很多因素的影响。一类是系统因素，即纤维与染料特性相关因素。如纤维结构类型、染料亲和力、加工方法和设备属性等；另一类是影响染色过程的工艺因素，如染色温度、pH 值、电解质浓度、染色时间、压力、和染浴水速等。除此之外，还受到种种不确定性影响因素的干扰，如水质、大气压条件、测试仪器误差、染色设备误差及人工经验等方面的影响[2]。实践表明[3]，对影响染料吸附和扩散过程的各工艺因素和染色效果之间的关系进行适当的建模，就可以很大程度上克服重染、修色、废染和剥色等现象，提高一次染色成功率，从而改进装置和提高装备水平，实现染色过程在线控制和染色品质量调控。 1.2监督控制研究现状 监督控制是应用模型预测作为控制系统的上层结构，为控制系统的调节层提供动态设定点。监督控制器作为典型的优化控制策略，模型的预测控制非常适合于控制系统的上层结构，能够为调节层提供动态设定点。目前，对监督控制器的研究日趋深入，通常是被用来处理基于动态模型的监督预测控制。M.A.Brdys[6]设计监督层、优化层与后续层三层控制结构，系统控制结构的顶部是监督控制层，此种设计的优点在于它能有效地发挥协调控制作用。George J. Tsinarakis[7]设计了两层分级结构的监督控制系统，其面向的是多任务控制系统。Tadeo. F[8]提出一种带约束的监督预测控制算法，可以对调节层的 PID 控制器进行调节，它的优化目标是模型预测控制(MPC)的目标函数。Gilbert[9]基于非线性滤波器，通过最小化参考轨迹误差得到目标函数。本课题研究对象的参数比较多，因此必须选取对间歇式染色过程影响较大的参数进行控制。田口方法可以选出对间歇式染色过程影响较大的参数，模糊控制可以根据一种控制量的误差和误差变化率转化成另外一种控制量，现简要介绍一下两种方法的研究现状。 第二章 活性染料多参数灰色BP 神经网络上染率模型研究 2.1 上染率 - 染色工艺因素建模 灰色系统指系统信息部分已经确定、部分尚未确定的系统[29]，是介于白色系统（信息完全已知）和黑色系统（信息完全未知）之间，灰色系统是由黑色系统到白色系统的必经阶段。灰色模型种类包括 Verhulst 模型和 GM(1,1)模型等。GM(1,1)模型要求数据是指数型或者是类似指数型，Verhulst 模型要求数据是 S 型或者类似 S 型，活性黄 3BE 染料的温度与上染率的关系数据经过一次累加以后是比较接近 S型，适合用 Verhulst 模型建模；盐浓度上染率、浴比上染率的关系数据一次累加以后接近指数型，适合用 GM(1,1)模型建模。灰色 Verhulst 模型，也就是 GM(1,1,V)模型，它要求建模数据是 S 型或者是类似 S 型，单峰型或者不完全的单峰型数据，经过累加后，生成(AGO)的数据就是比较好的 S 型数据。灰色 Verhulst 模型的建模具体方法和 GM(1,1)在对数据的前期处理上是相同的[29]。 .. 2.2 BP 神经网络 神经网络模型有多种模型，其中 BP(Back Propagation)神经网络模型应用最为广泛，BP神经网络模型意为误差反向传播神经网络模型，它由输入层、隐含层和输出层组成，三层BP 神经网络[30]如图 2.1 所示。层与层之间实行全连接，输入层和输出层都只有一层，隐含层可以有多层；层与层之间由权值进行连接，并且每层各个单元都设有阈值。BP 神经网络具有自学习和自适应能力，数学理论证明三层的 BP 神经网络能够以任意精度逼近任何非线性连续函数，使其特别适合于求解内部机制复杂的问题。然而 BP 神经网络存在局部极小化的问题，对初始网络权重非常敏感，同时 BP 神经网络算法收敛速度慢，预测能力和训练能力存在矛盾，样本依赖性强等缺点。目前