碳纤维纺丝过程的协同智能控制系统研究.pdf

《碳纤维纺丝过程的协同智能控制系统研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、学校代码：10255学号：108994碳纤维纺丝过程的协同智能控制系统研究StudyontheCooperativeIntelligentControlSystemoftheCarbonFiberSpinningProcess学院：信息科学与技术学院专业：控制理论与控制工程姓名：梁霄导师：丁永生教授2012年9月东华大学学位论文原创性声明本人郑重声明：我恪守学术道德，崇尚严谨学风。所呈交的学位论文，是本人在导师的指导下，独立进行研究工作所取得的成果。除文中己明确注明和引用的内容外，本论文不包含任何其他个人或集体己经发表或撰写过的作品及成果

2、的内容。论文为本人亲自撰写，我对所写的内容负责，并完全意识到本声明的法律结果由本人承担。东华大学学位论文版权使用授权书学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅或借阅。本人授权东华大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。保密口，在年解密后适用本版权书。本学位论文属于不保密学位论文作者签名指导教师签名：曰期Jc/Si年J叫曰曰期：年月曰摘要摘要碳纤维纺丝过程是一个具有高度复杂性的工

3、业过程，其组成环节多样，工作环境各异，整个生产过程随时间变化频繁，相应的产品质量要求高且数量巨大，使得对碳纤维纺丝过程建立可靠、高效、连续的控制体系，成为工程控制领域极具挑战性的任务之一。生物体高效调控机制，是设计新颖的智能化控制算法的灵感来源。碳纤维纺丝过程所具有的高度复杂和行为不确定等特点，以及严格的控制要求和质量要求，与生物体自身的特点相似，具有应用生物启发的智能控制手段的潜力。本论文在生物体祌经-内分泌-免疫综合调控体系的基础上，抽象其调节机理设计智能化的协同控制器（体系）及其控制方法，并应用在以碳纤维纺丝过程为典型代表的复杂工业

4、生产过程中，以提高生产过程控制水平，实现生产过程智能化协同运作。本论文的主要贡献如下：(1)对生物神经-内分泌-免疫综合调控机制进行阐述，重点介绍神经系统与内分泌系统的协调作用，内分泌系统对机体的调控机理和神经系统与免疫系统的互补调节模式，对不同系统之间的具体作用方式进行分析，为下文根据碳纤维纺丝过程不同方面的特点建立多样化的智能协同控制器（体系）提供理论保证。(2)基于生物体神经-内分泌调节系统的多变量控制机理，抽象智能协同解耦控制策略应用于碳纤维纺丝过程凝固浴多变量控制中，并根据凝固浴的特点将解耦机制推广到多元。该协同智能解耦机制将互

5、相耦合的变量作用完全隔离，而具体算法的复杂度并不高，有利工业生产实践。实验结果表明，相对传统解耦控制方法，所提出的基于神经-内分泌解耦调节机理的协同智能控制方法能够对凝固浴的多个耦合受控变量进行有效的独立控制，且具有良好的过渡过程响应。(3)基于生物体多级内分泌反馈调节机理，设计内分泌多级反馈协同智能控制体系，针对碳纤维纺丝过程的牵伸工序的工艺要求和设备组成，将其抽象为多个需进行信息交换的工作单元的组合体，从而能够应用所设计的协同智能控制体系。摘要实验结果表明，所提出的多级反馈协同智能控制体系能够有效地将牵伸过程的各个部分联系起来，通过高

6、效的协同调节保证纤维牵伸率的持续稳定。(4)基于生物体内分泌系统激素调控原理，针对纤维生产过程不易获取精确工作模型的现实情况，以数据驱动思想为基础，嵌入基于激素调控原理的增强环节提出基于激素调控原理的数据驱动智能控制器，并应用于纤维牵伸过程中丝条张力的动态控制。根据激素调控增强单元和数据驱动控制器的不同作用模式，可以引申出具有不同工作特性的数据驱动控制器实例。实验结果表明，该智能控制器有效地提高了数据驱动控制的灵敏度和准确性，有利于被控对象保持在持续稳定的工作状态。(5)基于生物体神经系统和免疫系统协作模式，针对纤维生产过程对产品分析和整

7、体优化的要求，设计免疫机制增强的神经网络优化模型，提出双向纺丝工艺建模和智能优化方法及其专家系统，形成双向智能优化体系，不仅有助于科研人员对纤维生产过程进行深入研究，而且对纤维生产单位以较小的代价进行合理的制造工艺优化和纤维产品设计，具有积极的意义。最后，对全文的研宄内容进行了总结，指出了目前研究工作中存在的不足，并对该领域下一步的研宄方向进行了展望。关键词：碳纤维纺丝过程，生物智能，智能控制，神经内分泌免疫系统，解耦控制，激素调控，数据驱动，免疫神经网络ABSTRACTABSTRACTThespinningprocessofthecar

8、bonfiberisoneoftheindustrialprocessesthatyieldhighcomplexityandhighuncertainty.Itscomponentsandt