【技术实现步骤摘要】
本专利技术涉及智能制造领域，尤其涉及一种基于多传感器的卷纸浆料混合控制系统及方法。
技术介绍
1、随着工业自动化和智能制造技术的不断发展，制造业对生产过程的精细控制和质量要求越来越高。在卷纸行业中，浆料混合过程的精准控制是确保产品质量和生产效率的关键环节。卷纸产品需要具备特定的柔软度、强度和吸水性，这对浆料的均匀性和组成提出了严格要求。而传统的浆料混合控制通常依赖于手动操作和简单的反馈机制，难以应对复杂多变的工艺条件和日益严格的质量标准。
技术实现思路
1、为了解决上述问题，本专利技术的目的在于提供一种基于多传感器的卷纸浆料混合控制系统及方法，有效提高了卷纸浆料混合过程的整体效率和产品质量，并实现能耗和成本有效控制。
2、为实现上述目的，本专利技术采用以下技术方案：
3、一种基于多传感器的卷纸浆料混合控制系统，包括多传感器模块、数据采集模块、智能分析模块、控制模块和数据管理及可视化模块；
4、所述多传感器模块持续监测浆料混合过程中各关键参数，并通过数据采集模块预处理后传输至智能分析模块；
5、所述智能分析模块设有浆料质量预测模型，基于预处理后的数据预测浆料质量；
6、所述控制模块根据智能分析模块的分析结果进行实时参数调整，使用多目标优化技术在提高浆料质量与降低能耗之间进行平衡，得到初始参数优化方案，并基于初始参数优化方案，基于mpc的优化引擎，以在工艺约束条件下实时优化混合参数，进行细粒度的控制优化；
7、所述
8、进一步的，多传感器模块包括流量传感器、浓度传感器、温度传感器、ph传感器、压力传感器和光谱传感器；所述流量传感器，用于监测浆液的流量，确保浆料按设定比率混合；浓度传感器，用于实时检测浆料中的纤维浓度；温度传感器，用于监视浆料的温度变化；ph传感器，用于监测浆料的酸碱度以控制化学性质；压力传感器，用于检测系统内的压力波动，确保安全运行；光谱传感器，用于评估浆料的组成和均匀性。
9、进一步的，预处理，包括使用移动平均滤波移除传感器噪声，采用插值法填充处理数据缺失，并对传感器数据进行数据标准化处理，将数据缩放标准正态分布。
10、进一步的，浆料质量预测模型基于xgboost模型构建，具体如下：
11、获取混合浆料过程中相关的历史数据，包括特征数据和目标变量，并进行特征重要性评估，筛选出重要性大于阈值的特征，构建训练数据集；所述特征数据包括流量、浓度、温度和ph值；目标变量包括粘度、均匀度和强度；
12、定义xgboost参数，包括学习率、最大深度、子采样率和正则化参数；
13、基于训练数据集训练xgboost模型，xgboost模型通过g个树来预测目标值：
14、;
15、其中为第个特征数据，为第个实际目标变量，为第个预测目标变量； f g是第 g棵树;
16、xgboost的目标函数为：
17、；
18、其中，为损失函数；是第g棵树的正则化项；
19、；
20、其中，是叶子节点数的权重；是叶子权重的l2正则系数；为第j个叶子节点的预测分数；t是树的叶子节点数；
21、采用增量的方式构建模型，即每次添加一棵树来减小前一步预测的错误，对于第t 次迭代，模型更新为：
22、；
23、其中为第棵添加的树；为第个样本在第 t 次迭代的预测值；
24、对于每个节点的分裂，使用贪心法来找到最佳分裂点。
25、进一步的，对于每个节点的分裂，使用贪心法来找到最佳分裂点，具体如下：
26、对于每个特征，xgboost会执行以下步骤来寻找最佳分裂点：
27、对特征q的所有样本进行排序；
28、逐个枚举特征值的所有可能分裂点，对于连续特征，选择中间值作为潜在的分裂点；
29、对于每个分裂点，计算增益：
30、
31、其中，，分别表示分裂后左子节点和右子节点的梯度和,和分别表示分裂后左子节点和右子节点的二阶梯度和；为正则化参数；是叶节点的分裂惩罚参数；
32、选择能使增益最大的分裂点作为该特征的最优分裂点。
33、进一步的，使用多目标优化技术在提高浆料质量与降低能耗之间进行平衡，具体如下：
34、优化目标定义，提高浆料质量，同时降低能耗，则多目标函数如下：
35、min(f1(u),f2(u))；
36、；
37、；
38、其中， f 1 (u)为浆料质量误差：为能耗估计；目标是找到参数u的集合；为预测浆料质量，tu为目标浆料质量；v为流量，为温度，和为能耗相关的系数；
39、基于遗传算法，动态调整工艺参数以提高浆料均匀性和降低能耗，求解上述多目标函数；
40、随机生成由工艺参数构成的种群；
41、结合预测模型的输出及多目标函数定义对每个个体进行适应度评估；
42、利用nsga-ii的非支配排序方法，将个体分类为不同的支配层，目标是在降低质量偏差和能耗之间找到pareto前沿，并在每个非支配层中计算个体的拥挤距离；基于非支配排序和拥挤距离进行锦标赛选择，选择更优的个体进入下一代；
43、使用模拟二进制交叉操作生成新个体：
44、；
45、其中，为控制因子，、为两个父代个体；
46、使用多项式变异对个体基因进行微小调整：
47、 ；
48、其中，为个体的一个基因值；xmax和 xmin为分别为该值的上下限；δ为随机的变异量；
49、在迭代过程中更新种群，并反复执行上述步骤直到收敛或达到最大迭代次数。
50、进一步的，利用nsga-ii的非支配排序方法，将个体分类为不同的支配层，目标是在降低质量偏差和能耗之间找到pareto前沿，并在每个非支配层中计算个体的拥挤距离；基于非支配排序和拥挤距离进行锦标赛选择，选择更优的个体进入下一代，具体如下：
51、（1）对于目标函数 f 1 (u),f 2 (u)，根据非支配关系进行排序：
52、定义非支配：一个个体 a被另一个个体 b所 支配，当且仅当：
53、个体 b 在所有目标上都不差于个体 a；
54、且在至少一个目标上优于个体 a；...
【技术保护点】
1.一种基于多传感器的卷纸浆料混合控制系统，其特征在于，包括多传感器模块、数据采集模块、智能分析模块、控制模块和数据管理及可视化模块；
2.根据权利要求1所述的一种基于多传感器的卷纸浆料混合控制系统，其特征在于，所述多传感器模块包括流量传感器、浓度传感器、温度传感器、pH传感器、压力传感器和光谱传感器；所述流量传感器，用于监测浆液的流量，确保浆料按设定比率混合；浓度传感器，用于实时检测浆料中的纤维浓度；温度传感器，用于监视浆料的温度变化；pH传感器，用于监测浆料的酸碱度以控制化学性质；压力传感器，用于检测系统内的压力波动，确保安全运行；光谱传感器，用于评估浆料的组成和均匀性。
3.根据权利要求1所述的一种基于多传感器的卷纸浆料混合控制系统，其特征在于，所述预处理，包括使用移动平均滤波移除传感器噪声，采用插值法填充处理数据缺失，并对传感器数据进行数据标准化处理，将数据缩放标准正态分布。
4.根据权利要求2所述的一种基于多传感器的卷纸浆料混合控制系统，其特征在于，所述浆料质量预测模型基于XGBOOST模型构建，具体如下：
5.根据权利要
6.根据权利要求1所述的一种基于多传感器的卷纸浆料混合控制系统，其特征在于，所述使用多目标优化技术在提高浆料质量与降低能耗之间进行平衡，具体如下：
7.根据权利要求6所述一种基于多传感器的卷纸浆料混合控制系统，其特征在于，所述利用NSGA-II的非支配排序方法，将个体分类为不同的支配层，目标是在降低质量偏差和能耗之间找到Pareto前沿，并在每个非支配层中计算个体的拥挤距离；基于非支配排序和拥挤距离进行锦标赛选择，选择更优的个体进入下一代，具体如下：
8.根据权利要求1所述的一种基于多传感器的卷纸浆料混合控制系统，其特征在于，所述基于MPC的优化引擎，以在工艺约束条件下实时优化混合参数，进行细粒度的控制优化，得到最终的参数优化方案，具体如下：
9.根据权利要求8所述的一种基于多传感器的卷纸浆料混合控制系统，其特征在于，所述求解优化问题获得当前时刻最优控制动作，具体如下：
10.一种基于多传感器的卷纸浆料混合控制方法，其特征在于，包括以下步骤：
...【技术特征摘要】
1.一种基于多传感器的卷纸浆料混合控制系统，其特征在于，包括多传感器模块、数据采集模块、智能分析模块、控制模块和数据管理及可视化模块；
2.根据权利要求1所述的一种基于多传感器的卷纸浆料混合控制系统，其特征在于，所述多传感器模块包括流量传感器、浓度传感器、温度传感器、ph传感器、压力传感器和光谱传感器；所述流量传感器，用于监测浆液的流量，确保浆料按设定比率混合；浓度传感器，用于实时检测浆料中的纤维浓度；温度传感器，用于监视浆料的温度变化；ph传感器，用于监测浆料的酸碱度以控制化学性质；压力传感器，用于检测系统内的压力波动，确保安全运行；光谱传感器，用于评估浆料的组成和均匀性。
3.根据权利要求1所述的一种基于多传感器的卷纸浆料混合控制系统，其特征在于，所述预处理，包括使用移动平均滤波移除传感器噪声，采用插值法填充处理数据缺失，并对传感器数据进行数据标准化处理，将数据缩放标准正态分布。
4.根据权利要求2所述的一种基于多传感器的卷纸浆料混合控制系统，其特征在于，所述浆料质量预测模型基于xgboost模型构建，具体如下：
5.根据权利要求4所述的一种基于多传感...
【专利技术属性】
技术研发人员：郑建团，
申请(专利权)人：福建省尤溪永丰茂纸业有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。