一种用于电极箔生产线的多段协同式高精度恒张力控制方法与系统与流程
本发明涉及高端金属箔材精密制造装备与工业自动化控制,具体涉及一种用于铝电解电容器用电极箔,特别是腐蚀箔、化成箔连续生产线的多段协同式高精度恒张力控制方法与智能化控制系统。
背景技术:
1、电极箔(腐蚀箔、化成箔)是铝电解电容器的核心关键材料,其生产过程具有以下显著特点:
2、材料极其脆弱:腐蚀后的箔材呈蜂窝状多孔结构,机械强度极低,对张力波动极为敏感。微小的过张力就会导致"断箔",张力不均则导致拉伸变形、孔洞结构破坏,直接影响电容器的容量、损耗角、漏电流等关键电性能。
3、工艺段多且耦合紧密:典型的电极箔生产线包含放卷、前处理、多级腐蚀、多级化成、后处理及收卷等多个连续工艺段,各段通过连续的箔材形成强耦合系统。
4、生产环境恶劣:腐蚀槽(酸液)、化成槽(电解液)存在化学腐蚀、导电离子等恶劣环境因素。
5、质量要求极高:作为电容器核心介质材料,对厚度均匀性、表面结构一致性、电性能一致性要求极高。
6、现有技术存在如下的问题:目前行业内普遍采用基于浮动辊(dancer)与pid控制器的单段或分段独立控制方案,存在以下固有缺陷:
7、技术问题一:严重的段间动态耦合干扰
8、各张力段之间存在强机械与电气耦合。任一区段的张力调整或速度变化都会作为强扰动通过箔材瞬间传递至全线,引发"牵一发而动全身"的系统性振荡。特别是在腐蚀槽、化成槽内,箔材抖动会严重影响化学反应的均匀性,导致腐蚀孔径不均、化成膜层厚度不一。
9、技术问题二:控制精度不足导致高断箔率与低品质
10、传统pid控制器难以应对卷径变化、材料特性时变、摩擦力波动等强非线性因素,张力控制精度通常在±5%甚至更差。这是造成电极箔生产中断箔率高(行业平均约1-2次/万米)、产品合格率(a品率)低的主要原因。统计表明,张力波动超过±3%时,断箔风险增加300%以上。
11、技术问题三:系统智能化程度低,调试维护困难
12、多段pid参数相互掣肘,调试依赖工程师经验,换产调整周期长达数小时;
13、缺乏对张力过程的深度监控与质量关联分析能力;
14、无法实现预测性维护,机械故障往往在造成断箔后才被发现;
15、控制参数与最终产品质量(容量cv值、漏电流)之间缺乏量化关联。
16、技术问题四:环境适应性差传统电位器、普通编码器在腐蚀性环境中寿命短、信号失真,维护频繁。
技术实现思路
1、本发明旨在克服现有技术的上述缺陷,提供一种专门用于电极箔生产线的多段协同式高精度恒张力控制方法与系统,具体目的包括:
2、根本性解决段间耦合问题:通过创新的控制架构,主动、动态地消除多段张力段间的耦合干扰,实现真正意义上的分段独立、高精度闭环控制。
3、实现超精密张力控制:将全线张力控制精度从传统的±5%以上提升至±1%以内,为超高比容电极箔的稳定生产奠定物理基础。
4、大幅提升生产可靠性:通过抑制张力突变与振荡,将断箔率降低90%以上,显著提高设备综合效率。
5、构建智能化控制系统:实现张力的“进度控制”、工艺质量关联分析、设备预测性维护及参数自优化,推动电极箔生产的数字化与智能化升级。
6、本发明为实现上述目的采用以下核心点:将多变量动态前馈解耦控制、自适应神经模糊推理系统(anfis)、多源传感数据融合三大先进技术深度融合,构建一个专为电极箔生产设计的"感知-决策-执行-优化"一体化智能控制系统。系统通过主动预测并抵消段间耦合扰动,而非传统的被动响应;通过自学习、自适应的智能控制器替代固定的pid算法;通过多源数据融合实现闭环自校准与高级监控。
7、本发明结合应用场景通过以下技术方案实现:
8、一种用于电极箔生产线的多段协同式高精度恒张力控制方法,包括以下步骤:
9、步骤s1、采集电极箔生产线各工艺区段的多模态传感数据;
10、步骤s2、根据预处理后的多模态传感数据计算各工艺区段箔材的原始张力误差e_i,将原始张力误差e_i,转换为一组用于独立闭环控制箔材张力的解耦后误差ed_i;
11、步骤s3、为各张力段构建独立的自适应神经模糊推理网络,将各区段的ed_i及其时间变化率δed_i作为输入,输出用于表征转矩或电流的指令ui:
12、步骤s4、同步下发ui至各执行机构:放卷段磁粉制动器、牵引段的两个伺服电机sm-2a和sm-2b、收箔伺服电机),进行多段协同式高精度恒张力控制;
13、步骤s5、多段协同式高精度恒张力控制过程中,对各工艺区段的多模态传感数据进行数据融合、在线校准,以及进行工艺监控和预测性维护分析,并通过人机交互可视化展示给用户。
14、所述多模态传感数据包括:
15、放卷段的第一绝对式磁性编码器的角度信号θ[1]、收卷段的第二绝对式磁性编码器的角度信号θ[3];
16、放卷段的第一非接触式超声波张力计的直接张力值t_fb2_1、收卷段的第二非接触式超声波张力计的直接张力值t_fb2_2;
17、牵引段的第三压力传感器的压力值f_a、第四压力传感器的压力值f_b;
18、收卷段的卷径传感器的实时卷径d(t)。
19、所述数据预处理包括:
20、步骤s1201、滤波:采用卡尔曼滤波器对所述多模态传感数据进行滤波,滤除机械振动与电气噪声;
21、步骤s1202、计算放卷段间接张力反馈值t_fb1_1、收卷段间接张力反馈值t_fb1_3,公式如下:
22、t_calc[i] = k[i]×θ[i] + c[i];
23、其中,i=1表示放卷段,i=3表示收卷段;k[i]、c[i]表示放卷区或收卷区的浮动辊标定参数,预先校准后获得;
24、步骤s1203、牵引段张力换算与误差计算;
25、计算入口张力t_in = f_a / (2·sinα);
26、计算出口张力t_out = f_b / (2·sinα);
27、计算牵引段张力差δt = t_out - t_in;
28、输出放卷段的间接张力反馈值t_fb1_1、收卷段的间接张力反馈值 t_fb1_3、牵引段内张力差δt,以及三个区段的直接张力基准值t_fb2和收卷段的卷径传感器的实时卷径d(t)。
29、所述各工艺区段箔材的原始误差e_i = [e_1, e_2, e_3]^t ,i=1,2,3对应三个张力段,^t表示转置,按照如下方式计算获取;
30、放卷段张力误差e_1=t_sp_1 - t_fb1_1;其中,t_sp_1为放卷段目标张力,由工艺设定;
31、牵引段张力差误差e_2=e_diff = δt - δt_sp;其中,δt_sp为牵引段目标张力差,由工艺设定;
32、收卷段,采用变卷径恒张力的锥度控制策略,通过实时检测卷径并动态调整转矩指令,用于确保收卷张力恒定;
33、根据当前实时卷径d(t)和锥度公式t_sp(d)_3 = t0· (d0/ d)^k,计算收卷段目标张力t_sp(d)_3;计算收卷段张力误差e_3 = t_sp(d)_3 - t_fb1_3;其中,t0表示初始张力设定值,d0表示初始卷径,^k表示幂运算,k表示锥度系数,0≤k≤1。
34、所述步骤s2中,所述将原始张力误差e_i,转换为一组用于独立闭环控制箔材张力的解耦后误差ed_i,具体为:预先通过系统辨识获得过程耦合数学模型g(s),该模型用于以存在强耦合关系的原始张力误差e_i为输入,转换输出一组用于独立闭环控制箔材张力的解耦后误差e_di;具体包括以下步骤:
35、ei是原始误差,δui是控制量;g(s)是3×3耦合矩阵;
36、前馈解耦补偿器d(s)采用对角矩阵解耦法,实时计算耦合补偿量δe_ ij= g(s)×δui;
37、前馈解耦器输出解耦后误差ed_i =e_i - σ(δe_ij);
38、解耦后独立误差向量 ed_i = [ed_1, ed_2, ed_3]^t;
39、其中,δe_ij为j段对i段的预估耦合影响;输出已消除耦合干扰的独立误差ed_i。
40、所述自适应神经模糊推理网络为五层前馈网络,包括输入层、模糊化层、规则层、归一化层与后件计算层、输出层;
41、所述输入层,接收表征各区段的张力或张力差的误差变化趋势的两个精确量:当前控制周期的解耦后张力误差ed、当前误差与上一周期误差的一阶差分δed传递至模糊化层;
42、所述模糊化层,为每个输入变量定义5个模糊子集:负大nb、负小ns、零zo、正小ps、正大pb;每个子集对应一个高斯型隶属度函数;对于输入变量 e_d 或 δe_d ,计算其属于每个模糊子集的隶属度 μ(x),其值在 [0, 1] 之间;传递至规则层;
43、所述规则层,根据两个输入变量ed_i 、 δed_i的各自5个隶属度值,采用全组合方式得到共 25条规则,每条规则形式为:如果 ed是a_m并且 δed是b_n, 则输出f_mn;其中a_m, b_n为模糊前件即隶属度函数值,f_mn为规则后件函数值,m=1,2……,5,n=1,2……,5;采用乘积法或取小法计算该规则的触发强度 ω_k,其中ω_k代表当前输入状态对该规则的匹配程度;输出25个规则触发强度 ω_1 ... ω_25,传递至归一化层;
44、所述归一化层与后件计算层,将每个规则的触发强度进行归一化处理作为归一化权重参数bar{ω}_k = ω_k / σ(ω_t);t=1,2……,25,k表示25中的某一个;对于每条规则,定义一个关于输入变量的线性函数,即自适应后件函数f_k = p_k×e_d + q_k ×δe_d + r_k,其中,p_k, q_k, r_k 是神经网络的连接权值;对应每个规则,加权计算归一化权重与后件函数的乘积:bar{ω}_k×f_k;
45、所述输出层,将所有规则的加权输出求和,得到清晰的、非模糊的控制量:u = σ(bar{ω}_k×f_k) = σ (bar{ω}_k×(p_k×e_d + q_k×δe_d + r_k));
46、最终当输入各区段的e_di及其变化率δe_di时,按照模糊运算公式得到各区段的表征转矩或电流的控制指令 ui,包括:放卷段制动电流指令u1、输出牵引段转矩差补偿量u2、收卷段转矩指令u3。
47、所述神经网络的连接权值 {p_k, q_k, r_k}通过如下自适应学习机制训练获取:
48、将网络的可调参数集 {p_k, q_k, r_k} 以及隶属度函数的参数构成学习空间;所述隶属度函数的参数包括高斯函数的中心与宽度;
49、采用最小二乘法lse 与反向传播算法bp 相结合的方式,在固定前件隶属度函数下,采用lse一次性优化所有后件参数 {p_k, q_k, r_k};然后利用bp算法微调前件隶属度函数;
50、使用历史生产数据进行离线训练,获得初始优化的可调参数集 {p_k, q_k, r_k},并在运行中基于实时性能指标以极低的学习率进行在线微调,以适应工况的缓慢变化。
51、所述放卷段,采用浮动辊反馈+磁粉制动器的闭环控制方式,将u1下发至电流控制器,电流控制器输出激磁电流i_ex = k_c·u1,磁粉制动器输出制动扭矩t_brake = k_b·i_ex控制放卷段箔材速度;
52、牵引段,将转矩差补偿量u2分别叠加至牵引段的第三中间牵引伺服电机sm-2a与第四中间牵引伺服电机sm-2b得到转矩指令u2a、u2b;其中,u2a = u_base -u2/ 2;u2b =u_base +u2 / 2;u_base为给定的维持线速度的基础转矩指令;
53、收卷段,对转矩指令u3进行修正,得到补偿后的转矩指令u_ff = (t_sp(d)·d) /(2·η);最终输出u3_cmd = u3 + u_ff下发至收卷伺服电机驱动器,驱动器工作于转矩控制模式,驱动收箔伺服电机执行收卷。
54、所述数据融合包括:对所有采集数据进行时标对齐处理,并对放卷段、收卷段内的直接张力值t_fb2_i与间接张力反馈值 t_fb1_i进行加权融合,得到当前区段的最优张力估计值t_fused_i;
55、所述在线校准为当放卷段或收卷段的|t_fb2_i - t_fb1_i|>阈值时,依据浮动辊的“角度-张力”换算模型t_calc[i] = k[i]×θ[i] + c[i],自动修正当前区段的浮动辊标定参数k[i]、c[i];i=1表示放卷段,i=2表示收卷段;
56、所述工艺监控包括:基于放卷段或收卷段的融合张力估计值t_fused_i 序列,实时计算其均值、标准差、过程能力指数 cp/cpk;将cpk值与预设质量标准比较绘制xbar-r控制图;若cpk持续低于要求或出现连续预设数量个点上升/下降等趋势,生成 “工艺能力预警”;
57、所述预测性维护分析包括:对放卷段或收卷段的融合张力估计值 t_fused_i 信号进行快速傅里叶变换或小波分析,提取其频域特征;将频谱中的异常峰值与预建立的机械故障特征库进行匹配,判别故障并提示。
58、一种用于电极箔生产线的多段协同式高精度恒张力控制系统,包括设置于电极箔生产线工业现场的多模态传感器和数据采集卡、工业计算机和多区段的anfis控制器、多段协同式执行机构;
59、所述多模态传感器,包括:放卷段的第一绝对式磁性编码器、收卷段的第二绝对式磁性编码器,用于分别采集放卷段和收卷段的浮动混的角度信号θ[1]、θ[3];放卷段和收卷段的第一非接触式超声波张力计、第二非接触式超声波张力计,用于分别采集放卷段和收卷段的直接张力值t_fb2_1、t_fb2_2;牵引段的第三压力传感器、第四压力传感器,用于分别采集牵引段的两辊的压力值f_a、f_b;收卷段的卷径传感器,用于采集实时卷径d(t);上述采集数据构成电极箔生产线各工艺区段的多模态传感数据;
60、所述数据采集卡,连接多模态传感器和工业计算机,用于采集和上传数据;
61、所述工业计算机和多区段的anfis控制器,设有实时数据接口层、智能控制算法层、融合监控优化层;工业计算机设有控制后台和前端人机界面;
62、所述实时数据接口层,设于工业计算机控制后台,采集电极箔生产线各工艺区段的多模态传感数据,并数据预处理;
63、所述智能控制算法层,包括设于工业计算机控制后台的多变量动态解耦单元、设于多区段的anfis控制器的自适应神经模糊推理网络单元;所述多变量动态解耦单元,根据预处理后的数据计算各工艺区段箔材的原始张力误差e_i,建立多变量动态前馈解耦计算网络,将存在强耦合关系的原始张力误差e_i,转换为一组用于独立闭环控制箔材张力的解耦后误差ed_i;所述自适应神经模糊推理网络单元,用于对各张力段构建独立的自适应神经模糊推理网络,通过模糊推理和自学习引擎,将各区段的ed_i及其变化率δed_i作为输入,输出转矩或电流指令ui:放卷段转矩指令u1、牵引段的转矩差补偿量u2、收卷段转矩指令u3至多段协同式执行机构;
64、所述融合监控优化层,设于工业计算机控制后台,在多段协同式高精度恒张力控制过程中,对各工艺区段的多模态传感数据进行数据融合、在线校准,以及进行工艺监控和预测性维护分析;
65、前端人机界面用于向用户可视化展示多段协同式高精度恒张力控制的数据采集、工艺参数和指令计算结果,以及工艺控制过程的预警信息;
66、所述多段协同式执行机构,包括设置于电极箔生产线的多段协同式高精度恒张力系统的放卷段、牵引段、收卷段的如下执行设备:放卷段磁粉制动器、牵引段的两个伺服电机sm-2a和sm-2b、收箔伺服电机,用于接收转矩或电流指令ui,对各区段箔材进行多段协同式高精度恒张力控制;
67、其中,所述电极箔生产线的多段协同式高精度恒张力系统包括放卷段、牵引段、收卷段三个部分,放卷段设有第一槽体,牵引段设有第二槽体,收卷段设有第三槽体,所述第一槽体、第二槽体、第三槽体根据实际需要为化成槽或腐蚀槽;电极箔经放卷段、牵引段、收卷段完成腐蚀或化成工艺。
68、本发明具有以下有益效果及优点:
69、本发明的核心在于首创“多变量动态前馈解耦”与“自适应神经模糊推理”深度融合的控制架构,并集成了多源传感与智能监控。该方案精准攻克了电极箔多段生产中线张力强耦合、高脆性、难稳定的行业顽疾,实现了控制精度从±5%到±1%以内的颠覆性提升,断箔率降低超90%,为超高比容箔材的稳定生产提供了可行的技术路径。其技术组合具备突出的非显而易见性,且带来了前所未有的产业价值。
70、进一步地,本发明的“多变量动态前馈解耦”的计算,用于以存在强耦合关系的原始张力误差e_i为输入,转换输出一组用于独立闭环控制箔材张力的解耦后误差 ed_i =[ed_1, ed_2, ed_3]^t:该信号中的每一个分量ed_i均已最大限度地消除了来自其他段的耦合干扰以及已知的前馈扰动。各段后续的anfis控制器接收到的就是这样一个“纯净”的、仅反映本段自身控制需求的误差信号,从而能够独立、精确地进行控制,实现真正意义上的“分段独立闭环控制”。本发明与传统被动pid控制的本质区别在于:传统控制是在耦合干扰已经发生并造成后果后才进行校正,而本发明采用“多变量动态前馈解耦”,是在干扰产生之初就预测其影响并提前施加抵消作用。这种“预测-前馈”式的主动解耦策略,是本发明能将全线张力控制精度提升至±1%以下、并实现纠偏不扰张力的根本原因。
71、进一步地,本发明的“自适应神经模糊推理”,用对输入的各区段的ed_i及其时间变化率δed_i,按照模糊运算公式得到各区段的表征转矩或电流的控制指令 ui,发送给对应的执行机构,包括:输出放卷段制动电流指令u1给电流控制器间接控制磁粉制动器;输出牵引段转矩差补偿量u2给牵引段的第三中间牵引伺服电机sm-2a、第四中间牵引伺服电机sm-2b;输出收卷段转矩指令u3给收箔伺服电机。本发明中anfis结构将专家经验(以模糊规则形式初始化)与数据驱动学习(通过神经网络参数优化)完美结合。它不仅具备了处理非线性、不确定性问题的模糊推理能力,更通过神经网络的自适应学习能力,使控制器能不断自我优化,超越初始经验,这正是本发明能够实现±1%超高控制精度、并显著降低对调试经验依赖的根本原因。该具体结构及其学习方法是本专利要求保护的核心技术特征之一。
72、进一步地,本发明能实现:1)高精度基准:利用高精度外部基准进行初始标定,为整个反馈系统确立了可信的精度源头。2)闭环自校准:利用线上检测仪实现生产过程中的自动验证与参数漂移补偿,确保了反馈系统长期、持续的准确性,克服了机械磨损、温度漂移等导致的精度下降问题。3)数据可追溯:完整的校准日志为产品质量分析提供了关键的设备状态数据,实现了从“设备参数”到“工艺质量”的关联。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com