本發(fā)明涉及張力控制，尤其涉及一種基于前饋補償?shù)膹埩刂品椒跋到y(tǒng)。

背景技術(shù)：

1、張力控制技術(shù)廣泛應用于卷繞類張力自動控制系統(tǒng)中，如造紙、印刷、軋鋼、電容以及電感線圈等卷繞生產(chǎn)線。對于卷繞系統(tǒng)，卷繞過程中張力過大會使材料拉伸變形甚至斷裂，張力偏小又會使材料過松引起皺褶或跑偏，大大降低產(chǎn)品的質(zhì)量。因此，對卷材張力的控制具有很大意義。張力控制的作用就是使卷材在動態(tài)卷繞過程中，保持恒定的張力，使得卷繞后的卷材質(zhì)量良好。所以，張力控制技術(shù)是造紙、印刷等卷繞系統(tǒng)的關(guān)鍵技術(shù)。

2、其中，張力控制主要機構(gòu)分別為收卷機構(gòu)、擺桿機構(gòu)、放卷機構(gòu)。在實際纏繞時纖維從放卷輥引出經(jīng)過擺桿機構(gòu)到達收卷輥，放卷輥和收卷輥都是由伺服電機驅(qū)動，預設(shè)張力通過調(diào)節(jié)與擺桿所連接氣缸的輸出力來設(shè)定。擺桿中心處的角度傳感器用于反饋擺桿角度變化并在導向輪中心安裝壓力傳感器用于檢測張力值的變化，從而調(diào)節(jié)放卷輥的速度，使之與開卷輥產(chǎn)生一定的速度差，使擺桿機構(gòu)盡可能的保持在預設(shè)的位置，實現(xiàn)張力的連續(xù)調(diào)節(jié)。穩(wěn)態(tài)時擺動檢測輥轉(zhuǎn)動力矩平衡，保持一個恒定的偏角不變。

3、現(xiàn)有技術(shù)中的pid算法在張力控制中具備一定的適應性和實現(xiàn)便捷性，但在處理時變性強、強耦合、多干擾的情況時表現(xiàn)出局限性。雖然通過引入前饋控制和擺棍機構(gòu)來補償卷徑變化、減少張力波動，或通過模糊邏輯、遺傳算法等對pid參數(shù)進行優(yōu)化提升了系統(tǒng)的魯棒性，但傳統(tǒng)pid控制器的輸出量在實際到達被控對象的過程中，會受到收卷、放卷速度及電機負荷等多種因素的影響，導致控制效果的不確定性。因此，傳統(tǒng)的pid控制方式依然難以實現(xiàn)對復雜動態(tài)環(huán)境下張力的精確控制。尤其在面對快速變化的負載和慣量擾動時，系統(tǒng)的響應速度和適應性不足，可能導致張力的瞬時波動過大，從而影響最終的控制精度和系統(tǒng)穩(wěn)定性。此外，單一的反饋機制在應對復雜工況時反應遲緩，不利于實時調(diào)整控制策略，進一步影響了控制的精確性和系統(tǒng)的適應能力。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是解決現(xiàn)有技術(shù)中存在的缺點，而提出的一種基于前饋補償?shù)膹埩刂品椒跋到y(tǒng)。

2、為了實現(xiàn)上述目的，本發(fā)明采用了如下技術(shù)方案：一種基于前饋補償?shù)膹埩刂品椒?，包括以下步驟：

3、s1：基于收卷、放卷的速度、加速度及電機負荷，構(gòu)建一個包含輸入層、隱含層及輸出層的神經(jīng)網(wǎng)絡(luò)模型，通過將數(shù)據(jù)進行標準化處理，輸入預設(shè)的初始網(wǎng)絡(luò)權(quán)重與偏置，并利用處理后的數(shù)據(jù)逐步訓練神經(jīng)網(wǎng)絡(luò)模型，持續(xù)更新網(wǎng)絡(luò)層中節(jié)點的權(quán)重調(diào)整過程，生成動態(tài)補償信號；

4、s2：將所述動態(tài)補償信號與設(shè)備實時反饋數(shù)據(jù)進行比對，選擇最具影響的數(shù)據(jù)進行優(yōu)先計算，調(diào)整神經(jīng)網(wǎng)絡(luò)的輸入層權(quán)重并重新計算當前補償量，調(diào)整學習率，實時評估模型誤差，生成優(yōu)化補償結(jié)果；

5、s3：通過計算收卷、放卷的速度、加速度及電機負荷參數(shù)的實時變化，確定參數(shù)的權(quán)重比例，將計算結(jié)果依次輸入補償參數(shù)中，根據(jù)所述優(yōu)化補償結(jié)果，分析參數(shù)對補償?shù)恼w影響，生成熵權(quán)補償調(diào)整結(jié)果；

6、s4：結(jié)合所述熵權(quán)補償調(diào)整結(jié)果，對實時張力變化趨勢進行預測，根據(jù)預測的張力變化，進行伺服電機的輸出功率和頻率的動態(tài)調(diào)整，生成實時張力控制信號。

7、作為本發(fā)明的進一步方案，所述持續(xù)更新網(wǎng)絡(luò)層中節(jié)點的權(quán)重調(diào)整過程的獲取步驟具體為：

8、s111：通過傳感器采集收卷和放卷過程中的速度、加速度和電機負荷數(shù)據(jù)，對收集的數(shù)據(jù)進行標準化處理，構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，輸入層的節(jié)點與收集到的參數(shù)對應，隱含層通過加權(quán)計算處理數(shù)據(jù)，獲得輸出層信號，建立用于控制張力的神經(jīng)網(wǎng)絡(luò)初始結(jié)構(gòu)；

9、s112：根據(jù)所述神經(jīng)網(wǎng)絡(luò)初始結(jié)構(gòu)，輸入處理后的速度、加速度及電機負荷數(shù)據(jù)，設(shè)置初始的網(wǎng)絡(luò)權(quán)重和偏置，隨著每一輪的數(shù)據(jù)輸入，進行權(quán)重和偏置的調(diào)整，生成神經(jīng)網(wǎng)絡(luò)模型；

10、s113：根據(jù)所述神經(jīng)網(wǎng)絡(luò)模型，通過網(wǎng)絡(luò)中的節(jié)點加權(quán)和數(shù)據(jù)處理，采用公式：

11、d(t)＝w1·v1+w2·a1+w3·f1+w4·v2+w5·a2+w6·f2

12、計算補償量d(t)，生成動態(tài)補償信號；

13、其中，v1表示收卷速度，a1表示收卷加速度，f1表示收卷時的電機負荷，v2表示放卷速度，a2表示放卷加速度，f2表示放卷時的電機負荷，w1是收卷速度的權(quán)重，w2是收卷加速度的權(quán)重，w3是收卷時的電機負荷的權(quán)重，w4是放卷速度的權(quán)重，w5是放卷加速度的權(quán)重，w6是放卷時的電機負荷的權(quán)重。

14、作為本發(fā)明的進一步方案，所述調(diào)整神經(jīng)網(wǎng)絡(luò)的輸入層權(quán)重的獲取步驟具體為：

15、s211：將收卷和放卷的速度、加速度及電機負荷的數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)進行處理，并與所述動態(tài)補償信號進行比對，識別關(guān)鍵參數(shù)，生成優(yōu)先級排序數(shù)據(jù)；

16、s212：根據(jù)所述優(yōu)先級排序數(shù)據(jù)，采用公式：

17、

18、計算更新后的權(quán)重w′i，通過改變神經(jīng)網(wǎng)絡(luò)輸入層中的權(quán)重，得到調(diào)整后的權(quán)重信息；

19、其中，w′i表示神經(jīng)網(wǎng)絡(luò)調(diào)整輸入層權(quán)重后的結(jié)果，i表示對應的每個參數(shù)權(quán)重，wi是原始權(quán)重，α是學習率，是損失函數(shù)j對權(quán)重wi的梯度，用于更新權(quán)重。

20、作為本發(fā)明的進一步方案，所述重新計算當前補償量的獲取步驟具體為：

21、s221：根據(jù)所述調(diào)整后的權(quán)重信息，重新計算補償量，生成用于實時調(diào)整設(shè)備的新補償量；

22、s222：根據(jù)所述用于實時調(diào)整設(shè)備的新補償量，根據(jù)設(shè)備反饋數(shù)據(jù)和當前的模型誤差進行評估，調(diào)整學習率以優(yōu)化模型的響應，得到優(yōu)化補償結(jié)果。

23、作為本發(fā)明的進一步方案，所述分析參數(shù)對補償?shù)恼w影響的獲取步驟具體為：

24、s311：基于收卷速度、放卷速度、加速度和電機負荷參數(shù)，采用公式：

25、

26、計算第i個參數(shù)的權(quán)重比例wi，得到參數(shù)的權(quán)重比例信息；

27、其中，hi是第i個參數(shù)的熵值，δpi是第i個參數(shù)的實時變化量，γi是第i個參數(shù)的動態(tài)重要性因子，用于調(diào)整每個參數(shù)的相對重要性，n是總參數(shù)個數(shù)；

28、s312：根據(jù)所述參數(shù)的權(quán)重比例信息，將權(quán)重比例輸入到補償參數(shù)中，將實時數(shù)據(jù)與所述優(yōu)化補償結(jié)果進行對比，識別偏差或變化，并據(jù)此調(diào)整補償參數(shù)，生成熵權(quán)補償調(diào)整結(jié)果。

29、作為本發(fā)明的進一步方案，所述對實時張力變化趨勢進行預測的獲取步驟具體為：

30、s411：根據(jù)所述熵權(quán)補償調(diào)整結(jié)果，采用公式：

31、

32、計算當前時刻t的張力值t′(t)，得到實時張力預測結(jié)果；

33、其中，t0是初始張力，δti是第i個參數(shù)的張力變化量，i是參數(shù)編號，n是參數(shù)總數(shù)；

34、s412：根據(jù)所述實時張力預測結(jié)果，通過統(tǒng)計學習和時間序列分析，對參數(shù)的變化趨勢進行處理和優(yōu)化，生成張力預測模型。

35、作為本發(fā)明的進一步方案，所述進行伺服電機的輸出功率和頻率的動態(tài)調(diào)整的獲取步驟具體為：

36、s421：根據(jù)所述張力預測模型預測的張力變化，采用公式：

37、p(t)＝p0+k·(t′(t)-t0)

38、和

39、

40、計算伺服電機在當前時刻t的輸出功率p(t)和伺服電機在當前時刻t的輸入頻率f(t)，得到調(diào)整后的電機功率和頻率信息；

41、其中，t是時間變量，p0是初始功率值，k是比例增益系數(shù)，用于調(diào)節(jié)張力變化量與功率變化量之間的轉(zhuǎn)換關(guān)系，t0是初始張力值，f0是電機的初始輸入頻率；

42、s422：根據(jù)所述調(diào)整后的電機功率和頻率信息，對電機的工作狀態(tài)進行監(jiān)控和分析，根據(jù)實時監(jiān)測到的數(shù)據(jù)，生成實時張力控制信號。

43、一種基于前饋補償?shù)膹埩刂葡到y(tǒng)，所述基于前饋補償?shù)膹埩刂葡到y(tǒng)用于執(zhí)行上述基于前饋補償?shù)膹埩刂品椒ǎ鱿到y(tǒng)包括：

44、張力預測模塊根據(jù)收卷和放卷的速度、加速度及電機負荷數(shù)據(jù)，對數(shù)據(jù)進行標準化，輸入到神經(jīng)網(wǎng)絡(luò)模型中，根據(jù)這些數(shù)據(jù)訓練模型，逐步優(yōu)化網(wǎng)絡(luò)權(quán)重，通過多次迭代調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)，生成動態(tài)補償信號；

45、動態(tài)補償調(diào)整模塊通過所述動態(tài)補償信號與設(shè)備的實時反饋數(shù)據(jù)進行對比，確定影響最大的反饋數(shù)據(jù)，調(diào)整數(shù)據(jù)對應的輸入層權(quán)重，重新計算補償量，根據(jù)實時數(shù)據(jù)調(diào)整學習率，持續(xù)優(yōu)化模型的誤差響應，生成優(yōu)化補償結(jié)果；

46、熵權(quán)分析模塊通過實時更新的收卷、放卷速度、加速度及電機負荷數(shù)據(jù)，評估參數(shù)的影響力并計算權(quán)重比例，根據(jù)所述優(yōu)化補償結(jié)果分析參數(shù)在補償中的總體影響，通過迭代優(yōu)化生成熵權(quán)補償調(diào)整結(jié)果；

47、張力預測調(diào)整模塊利用所述熵權(quán)補償調(diào)整結(jié)果，對未來的張力變化進行預測，根據(jù)預測數(shù)據(jù)對模型進行微調(diào)，得到預測的張力變化結(jié)果；

48、伺服電機控制模塊根據(jù)所述預測的張力變化結(jié)果，調(diào)整伺服電機的輸出功率和頻率，生成實時張力控制信號。

49、與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點和積極效果在于：

50、本發(fā)明中，通過利用神經(jīng)網(wǎng)絡(luò)模型，對收卷、放卷的速度、加速度及電機負荷進行實時計算和動態(tài)補償，從而解決了傳統(tǒng)pid算法在處理復雜工況時的響應滯后問題。對各項參數(shù)進行標準化處理并根據(jù)實時反饋數(shù)據(jù)進行優(yōu)化，使得控制信號更加精準，顯著提高了對張力變化的實時響應能力。通過計算參數(shù)的權(quán)重比例，增強了系統(tǒng)的自適應性，使張力控制更加靈活。結(jié)合熵權(quán)分析的補償調(diào)整，使得系統(tǒng)能夠更好地處理復雜工況下的多干擾因素，提高了整體的控制精度。此外，基于對張力變化趨勢的預測，動態(tài)調(diào)整伺服電機的輸出功率，確保整個纏繞過程中的張力保持穩(wěn)定，大幅減少了由于慣量變化或負載波動導致的張力擾動，顯著提高了生產(chǎn)的質(zhì)量和效率。