目前我国最常用的气垫式流浆箱有两个主要的控制参数：总压与浆位，这两个参数之间存在严重的非线性耦合，在高速造纸机中对成品纸的质量有较大影响，所以在纸机控制中必须要对气垫式流浆箱进行解耦控制。PID神经网络（PIDNN）解耦作为智能解耦的一种，能够根据在线测量的系统给定值和输出值，通过自主学习调整网络权值，完成解耦控制。

然而，PIDNN的初始连接权值及网络学习速率是根据经验在一定范围内随机给定的，可能会导致网络权值在修正过程中陷入局部最优，从而对控制效果造成不利影响。本文探讨使用一种经粒子群算法优化的神经网络（PSO-PIDNN）对气垫式流浆箱进行解耦控制，使用粒子群算法来优化PID神经网络的初始权值及学习速率，使系统初始状态更加稳定，提高网络的学习收敛速度，同时减少手动调节初值的麻烦。

流浆箱的神经网络解耦控制

气垫式流浆箱的输入主要有两个，分别为来自罗茨鼓风机的压缩空气和来自冲浆泵的纸浆，输出主要为排出的压缩空气和上网的纸浆流。流浆箱的总压和浆位是主要控制参数，总压和浆位关系到浆网速比，对纸张成形起重要作用，也是保证匀浆和喷浆质量的关键。

PIDNN是一种将常规PID控制规律和神经网络融为一体的网络，兼具常规PID控制器简单的结构和神经网络较强的自适应能力，网络收敛速度快且不易陷入局部极小值。针对气垫式流浆箱双输入双输出系统的特点，利用PID神经网络对其进行解耦控制，结构如图1所示。

图 1 PIDNN控制气垫式流浆箱结构图

PIDNN在控制过程中根据总压和浆位的设定值及当前值之间的偏差，通过网络学习来调整输入层与隐含层、隐含层与输出层之间的权值，对冲浆泵和罗茨鼓风机的输出频率进行调整，从而使得控制量不断接近控制目标值，达到解耦控制目的。

粒子群优化算法简介

粒子群优化算法（PSO）是一种基于全局搜索策略的自适应随机优化算法，在1995年由Kennedy和Eberhart提出，源于对鸟类捕食行为的研究。

仿真实验与分析

针对气垫式流浆箱模型，设计三个控制系统并进行仿真。

首先对常规PID控制的流浆箱系统进行仿真。在不同阶段给定系统不同的输入信号，在350——500s时，总压从80%降至50%，然后回到80%；在1000——1250s时，浆位先从20%升至50%，再回到20%，采样周期为1s。得到总压和浆位的响应曲线如图3所示。

图2 常规PID控制的总压、液位仿真曲线

经过多次反复仿真实验发现，当粒子群算法的种群规模为80，迭代次数为50，控制效果最好（适应度值较小，运行时间较快）。粒子群适应度值变化曲线如图5所示，在第30次迭代时，适应度值达到最小，表明已经搜索到最优的参数。

图3 粒子群适应度值变化曲线

为了比较经粒子群算法优化前后的神经网络响应速度，图7给出了仿真过程前200s内PIDNN算法和PSO-PIDNN算法的控制误差曲线。从图中可以看出，经过粒子群算法优化的PID神经网络的控制误差收敛更快，响应更迅速。

图4 PSO优化前后的控制误差曲线

利用粒子群算法优化初始权重后的PIDNN进行控制时，解耦控制器响应更加迅速，对流浆箱总压与浆位的解耦更加有效，控制精度更高，鲁棒性更强，同时免去了手动调整PIDNN初始参数的麻烦，对PIDNN解耦技术用于流浆箱在线智能控制有一定参考意义。

责任编辑：葛鸿燕

校对：葛鸿燕