一种染色机助剂智能配送系统及其控制方法与流程

1.本发明涉及材料试剂配送技术领域，具体涉及一种染色机助剂智能配送系统及其控制方法。


背景技术：

2.在染色机助剂配送过程中，不同助剂的粘度和流动性、不同落料口的配送管道长度、配送泵的运行频率大小、压缩气的压强大小、配送量的大小等多种因素都会导致配送阀门关闭后，流过阀门的助剂的体积不一样，这些因素综合影响助剂的配送精度。目前助剂配送的精度控制需要技术人员多次进行配送测试，记录定单配送值和实际配送值的误差，再去调节助剂配送的精度。由于染色机助剂配送系统通常有几十种助剂和几十台染缸，如果将这些条件一对一组合，将会有几千种组合，根据这些组合去调节配送预停值的工作量非常大。
3.系统配送的助剂有些是强酸、强碱或高腐蚀性溶液，调试时如果直接排掉，对环境造成非常大的危害；如果拿容器接起来倒回储存罐，转运过程容易沾到操作人员的皮肤，对人体造成伤害。目前，染色机助剂配送系统调试时，通常的做法是拿水做配送精度测试，根据不同的落料口，设置不同的预停值，测试时直接把水排掉。这种简化的设置方法虽然可执行性较好，但是没有考虑助剂品种、配送泵的运行频率、压缩气压强等因素的影响，因而实际运行时配送精度较差。为了保证实际配送量达到定单所需的配送量，常常把预停值调到偏小，因而造成实际配送时一般实送量偏多，造成浪费，多余的助剂在染色时不能充分利用，染色完成后排到污水管，对环境造成污染。
4.在多种助剂共用一个流量计分时输送时，由于某些助剂的特性，比如比重比较大同时扩散能力差的助剂，在输送完这种助剂用水冲洗管道时，流经流量计的混合液体非常不均匀。由于流量计的测量是需要溶液的离子体比较均匀才能准确测量，所以这些不均匀助剂和水的混合物流过流量计时会引起流量计的激烈跳动，导致计量误差很大，影响冲洗水量的计量。另一方面，当同一台染色机需要多种助剂时，配送完一种助剂紧接着配送第二种助剂的转换过程中，由于不同助剂的比重、扩散能力、电导率相差比较大，流经流量计的混合助剂会非常不均匀，也会导致流量计的计量值激烈波动，计量误差很大。基于目前存在的这些问题，急需研究一种染色机助剂智能高精度配送方案。


技术实现要素：

5.为了克服现有技术存在的缺陷与不足，本发明提供一种染色机助剂智能配送系统及其控制方法，本发明从配送的历史经验中学习，收集大量的实际配送数据，通过多层全连接神经网络，训练预停值神经网络模型和预计用时神经网络模型，得到优化的控制策略，在送时将主要影响因素输入到预停值神经网络模型中计算出推荐预停值，将预设的经验预停值和推荐预停值可变比例叠加计算出最终预停值，根据最终预停值控制配送阀门关闭的时机，达到提高配送精度的效果；另外，在配送时将主要影响数据输入到配送时间预测神经网
络模型中，计算到得助剂的配送预计用时，现场plc控制系统将实际配送时间减去配送预计用时，如果超过设定的比例，plc控制系统发出配送超时报警和信息，提醒人员检查超时原因；还通过管道逆向强制混匀器解决多种助剂分时输送在助剂转换过程中流量计的计量误差大的问题。
6.为了达到上述目的，本发明采用以下技术方案：本发明提供一种染色机助剂智能配送系统，包括：助剂储存罐、助剂配送阀、冲洗水阀、配送转子泵，管道逆向强制混匀器、流量计、落料阀、染色机料缸和控制系统，所述管道逆向强制混匀器设有逆向混匀泵，所述逆向混匀泵用于将管道内的助剂和水循环混合均匀；所述助剂储存罐与助剂配送阀连接，所述助剂配送阀与配送转子泵连接，所述配送转子泵与流量计连接，所述配送转子泵与流量计之间的连接管道设有逆向循环支路，所述逆向混匀泵设于逆向循环支路内，所述逆向混匀泵输入端与流量计输入端连接，输出端与配送转子泵输出端连接，所述流量计与落料阀连接，所述落料阀与染色机料缸对应设置，所述冲洗水阀与助剂配送阀连接；所述控制系统包括上位机智能pc系统、plc控制系统、压缩空气气压计、变频器和现场信号采集器；所述压缩空气气压计用于采集阀芯压缩空气气压值，所述变频器用于驱动配送转子泵，所述现场信号采集器用于采集阀的开关状态信号和助剂储存罐的液位状态；所述上位机智能pc系统设有助剂配送定单获取模块、预停值神经网络模型构建模块；所述助剂配送定单获取模块用于获取助剂名称、剂量和染色机料缸号形成助剂配送定单；所述预停值神经网络模型构建模块用于构建预停值神经网络模型，所述预停值神经网络模型根据当前的助剂配送数据得到推荐预停值，与经验预停值按照可变比例叠加得到最终预停值，所述可变比例随训练迭代次数的增加而递增，所述助剂配送数据包括助剂编号、落料阀编号、压缩空气气压值、变频器频率和定单的目标配送量；所述与经验预停值按照可变比例叠加得到最终预停值，具体表示为：其中，表示推荐预停值，表示预设的经验预停值，k表示可变比例值，根据设定的训练迭代次数划分为均等份，每次训练迭代后递增，0≤k≤1；所述plc控制系统用于采集流量计的实时流量、变频器的运行频率、压缩空气气压值、各阀门的开关状态以及助剂储存罐的液位状态，根据最终预停值判断剩余配送量，根据可变比例控制策略控制助剂配送阀、落料阀、配送转子泵和冲洗水阀的开启与关闭，调节变频器的输出频率。
7.作为优选的技术方案，所述助剂储存罐内设有超声波液位计，顶部设有高位浮球开关，所述超声波液位计用于检测助剂储存罐液位高度值，所述高位浮球开关用于在助剂储存罐液位超出上限值时输出停止补充助剂的开关量。
8.作为优选的技术方案，所述染色机料缸内设有平衡罩式液位计，用于检测染色机料缸内的液位和液位上限。
9.作为优选的技术方案，所述上位机智能pc系统还设有预计用时神经网络模型构建模块；所述预计用时神经网络模型构建模块用于构建预计用时神经网络模型，所述预计用时神经网络模型用于计算预计用时，所述plc控制系统将预测用时乘以设定的比例，得到助剂配送允许的最长时限，在每一个扫描周期实际用时若大于最长时限，则输出告警控制信号。
10.本发明还提供一种染色机助剂智能配送系统的控制方法，包括下述步骤：上位机智能pc系统获取助剂名称、剂量和染色机料缸号并形成助剂配送定单，发送至plc控制系统；plc控制系统接收助剂配送定单，控制配送转子泵转动，根据助剂编号控制对应的助剂配送阀开启，根据染色机料缸号控制对应的落料阀开启；逆向强制混匀器将混合溶液流入逆向混匀泵的溶液与下一时刻流入的溶液混合后输出至流量计；上位机智能pc系统将助剂编号、落料阀编号、压缩空气气压值、变频器频率、定单的目标配送量代入训练后的预停值神经网络模型，计算得到推荐预停值，并将其存储至plc控制系统的寄存器中；对预设的经验预停值和推荐预停值按照可变比例叠加计算出最终预停值，在每一个扫描周期将定单的配送量减去流量计的计量值得到剩余配送量，当剩余配送量小于或等于最终预停值时，plc控制系统关闭助剂配送阀，同时关闭落料阀和配送转子泵；所述对预设的经验预停值和推荐预停值按照可变比例叠加计算出最终预停值，具体表示为：其中，表示推荐预停值，表示预设的经验预停值，k表示可变比例值，根据设定的训练迭代次数划分为均等份，每次训练迭代后递增，0≤k≤1；plc控制系统开启冲洗水阀、落料阀和配送转子泵，将残留在管道内的助剂输送到染色机料缸里；plc控制系统将助剂的实际配送量存储到寄存器中，并发送配送完成标志；上位机智能pc系统获取实际配送量，与助剂编号、落料阀编号、压缩空气气压值、变频器频率、定单的目标配送量、最终预停值组成数组存储到数据库中。
11.作为优选的技术方案，所述预停值神经网络模型的训练步骤包括：将数据库中的助剂编号、落料阀编号、压缩空气气压值、变频器频率、定单的目标配送量作为预停值神经网络模型的输入；所述预停值神经网络模型采用全连接神经网络模型，所述全连接神经网络模型的结构依次为：输入层、第一隐藏层、第二隐藏层、第三隐藏层和输出层；所述全连接神经网络模型每层的计算公式为：其中i为本层的第i个神经元，j为对应本层的上一层的第j个输出，m为本层的上一层的神经元个数，n表示第几层神经层，y为输出，x为输入，θ为本层的权重值，b为本层的偏
置值，f为本层的激活函数；将用于训练的配送历史数据的偏差值作为预停值神经网络模型的输出；使用adam优化器，迭代训练预停值神经网络模型的第一隐藏层的权重和偏置、第二隐藏层的权重和偏置、第三隐藏层的权重和偏置，得到预停值神经网络模型。
12.作为优选的技术方案，所述全连接神经网络模型的代价函数公式为：其中，c为代价，l表示样本总数，s表示第几个样本，表示定单的目标配送量，表示实际配送量，z表示实际预停值。
13.作为优选的技术方案，染色机助剂智能配送系统设有预计用时神经网络模型，所述预计用时神经网络模型的代价函数公式为：其中，c为代价，l表示样本总数，s表示第几个样本，为助剂配送开始时间，为助剂配送结束时间。
14.本发明与现有技术相比，具有如下优点和有益效果：（1）传统的染色机助剂系统一般是基于预编程的方式，根据测试时的配送数据设置配送参数，在调试完成后模式基本固定，不会根据实际运行的大量数据来调整控制策略，本发明在每一次配送时将相关的配送参数输入到预停值预测神经网络模型中，预停值预测神经网络模型结合不同助剂的粘度和流动性、不同落料口的配送管道长度、配送泵的运行频率大小、压缩气的压强大小、配送量的大小等因素对阀门关闭时刻流过的助剂量的影响，得到最佳的推荐预停值，解决了助剂配送过程中为了保证正公差所导致的助剂配送量偏大的问题，提高了助剂配送的精度；并根据推荐预停值和可变比例控制策略综合计算后控制助剂配送阀门的关闭时间点，在实现智能化的配送精度控制的同时，可以在不影响整体控制策略的情况下完成新助剂或者新染缸的导入，可以很好地适应工厂扩产和扩品种的需求。
15.（2）本发明采用预计用时神经网络模型预测助剂配送所需的时间长度，进行配送过程动态监测，对实际用时进行超时判断，及时发现过程异常，提醒人员处理，减少等待时间，解决了助剂配送过程时间跨度过大不好监控的技术问题，达到了对每个定单的助剂配送过程实行超时监测和报警的技术效果。
16.（3）传统的管道混匀器是无动力的，依靠流体自身的流动使管道里的溶液轴向旋转混合，前后混合效果也不明显，本发明的管道逆向强制混匀器依靠泵的作用强制溶液循环混合，使管道里的溶液前后段混合，可以使混合时的溶液比例过渡更平滑和均匀，经过管道逆向强制混匀器流出的混合溶液流经流量计，不会导致流量计的额外计量波动，可以得到比较准确的计量值，解决了多种助剂分时输送在助剂转换过程中流量计的计量误差大的问题。
附图说明
17.图1为本发明的染色机助剂智能配送系统结构示意图；图2为本发明的管道逆向强制混匀器结构原理图；图3为本发明的控制系统结构示意图；图4为本发明的全连接神经网络结构示意图；图5为本发明的助剂配送控制流程图。
18.其中，1
‑
助剂储存罐，2
‑
助剂配送阀，3
‑
冲洗水阀，4
‑
配送转子泵，5
‑
逆向混匀泵，6
‑
流量计，7
‑
落料阀，8
‑
染色机料缸，9
‑
流入管道，10
‑
水平混合管道，11
‑
流出管道，12
‑
向下混合管道，13
‑
逆向水平混合管道，14
‑
向上混合管道。
具体实施方式
19.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
20.实施例1如图1所示，本实施例提供一种染色机助剂智能配送系统，包括：助剂储存罐1、助剂配送阀2、冲洗水阀3、配送转子泵4，管道逆向强制混匀器，流量计6、落料阀7、染色机料缸8和控制系统；助剂储存罐1与助剂配送阀2连接，助剂配送阀2与配送转子泵4连接，配送转子泵4与流量计6连接，流量计6与落料阀7连接，落料阀7与染色机料缸8对应设置，冲洗水阀3与助剂配送阀2连接，管道逆向强制混匀器内设有逆向混匀泵5；其中，助剂储存罐用于存储待配送染色机助剂，助剂储存罐的编号与染色机助剂编号一一对应，助剂储存罐的液位检测采用超声波液位计，plc通过模量输入口读取超声波液位计的值，并将其转化为液位高度值；系统根据剩余液位高度，自动发出补充助剂的提示。向助剂储存罐内补充助剂时，超声波液位计的检测值和上限位设置值为防止助剂溢出的第一层保护；助剂储存罐顶部安装高位浮球开关，作为系统的第二层保护，当液位到达高位浮球开关时，系统自动停止上料泵的运转，防止安全事故的发生。
21.在本实施例中，助剂配送阀使用气动执行器控制阀门的动作，用于控制管道内每种助剂通道的开关；冲洗水阀用于在助剂配送阀门关闭后，打开水将残留在管道内的助剂冲到染色机料缸里；配送转子泵用于将助剂或水在管道内向前推送；在本实施例中，逆向混匀泵用于将管道内的助剂和水混合均匀；流量计用于计量配送的助剂量和冲洗的水量，流量计的输出采用脉冲发送的方式，每一个脉冲代表流过流量计的每一单位体积溶液，plc通过高速脉冲输入口读取流量计发送的脉冲，再把它换算成实际配送量；落料阀用于控制助剂和水落到哪一台染色机料缸；染色机料缸为助剂配送的目标缸，系统需要将助剂定量送到缸里，在染色机料缸内安装平衡罩式液位计，用于在助剂配送时的液位显示和液位上限监控，一旦超出上限值，系统会自动暂停运行并且发出声光报警信息，提示人员处理故障。其中，本实施例的助剂配送阀和冲洗水阀采用三通阀。
22.在转子泵转动推力的作用下，助剂储存罐中的助剂通过管道，流到相应的染色机料缸，流动过程是：助剂储存罐
→
管道
→
助剂配送阀
→
管道
→
转子泵
→
管道
→
逆向混匀泵
→
管道
→
流量计
→
管道
→
落料阀
→
管道
→
染色机料缸；如图2所示，配送转子泵4将不均匀混合溶液从流入管道9送入，逆向混匀泵5打开，由于逆向混匀泵的作用，流经水平混合管道10的一部分溶液流向流出管道11，另一部分溶液流向向下混合管道12，经过逆向水平混合管道13和向上混合管道14，然后再回到水平混合管道10，与下一时刻从流入管道9进来的溶液混合，实现了溶液在管道内的前后混合。在助剂切换的过程中，配送转子泵的频率降低，流出逆向强制混匀器管道的流量远小于在逆向强制混匀器管道里面循环的流量，可以使二种溶液在配送切换时二种溶液的比例过渡更平滑，可以达到很好的比例渐变混合效果。经过管道逆向强制混匀器流出的混合溶液流经流量计，不会导致流量计的额外计量波动，可以得到比较准确的计量值，解决多种助剂分时输送在助剂转换过程中流量计的计量误差大的问题。
23.本实施例管道逆向强制混匀器与传统的管道混匀器不同之处在于：1、传统的管道混匀器是无动力的，依靠流体自身的流动来达到混合作用；管道逆向强制混匀器是有动力的，依靠泵的作用强制溶液循环混合；2、传统的管道混匀器是使管道里的溶液轴向旋转混合，前后混合效果不明显；管道逆向强制混匀器是使管道里的溶液前后段混合，可以使混合时的溶液比例过渡更平滑和均匀。
24.如图3所示，控制系统包括上位机智能pc系统、plc控制系统、继电器、电磁阀、压缩空气气压计、变频器、现场信号采集器；plc控制系统输出dc24v控制继电器(为了保护plc输出点)，继电器输出dc24v控制电磁阀，电磁阀将电信号转化为压缩空气，压缩空气控制配送阀门气动执行器的动作，阀门气动执行器以机械连接的方式控制阀门的开关。
25.继电器与电磁阀连接，用于放大plc的信号控制电磁阀动作，保护plc输出点，plc输出dc24v信号控制继电器的线圈，将电源的dc24v电接到继电器的触点，从触点的另一端引出，得到放大的控制电流信号。每个冲洗水阀、配送阀、落料阀均设有电磁阀相连接，电磁阀将电信号转化为压缩气信号，控制流体阀门的动作，plc输出24v的直流电驱动电磁阀的线圈，线圈产生的磁场带动阀芯动作，阀芯动作使压缩气的输出发生换向，带动流体阀（助剂配送阀、落料阀等）的开关动作。
26.变频器用于改变三相交流电的频率，驱动配送转子泵电机的转动，使用变频器的主要目的是通过控制变频器的输出频率，达到控制转子泵电机转速，进而控制转子泵的转速，最终达到控制助剂配送速度，提高配送精度的目的。在助剂配送过程中变频器45hz运行，到实际配送量比设定配送量小于设定值时（比如3000毫升），变频器切换到低频运行（比如低频设定值为10hz），在关闭助剂配送阀时不会流过去很大的量使得误差过大。本实施例转子泵电机的变频器采用三菱变频器，通过modbus rtu与plc进行数据通讯，读取变频器的状态信号，写入变频器的运行频率；为了确保系统的安全性，变频器的启停、报警等关键信号采用硬件接线的方式与plc对接。
27.压缩空气气压计安装在总进气的三联体上，减压装置也是三联体的一部分，压缩空气经过三联体后再到各电磁阀，压缩空气气压计是将减压装置后的压缩气的压强转化为4
‑
20ma的模拟电流输出的电信号装置，将此输出接到plc的fx5u
‑
4ad模拟量输入模块，可以使系统获取到压缩气的实时压强值。压缩空气气压值的大小会影响阀门的关闭时间，气压值越高，阀门关闭得越快，阀门关闭时流过的助剂量越小。在本实施例中，具体采用smc的带
模拟量输出的气压表，输出类型采用电流型，输出电流为4
‑
20毫安。
28.plc控制系统采集各种传感器的状态信息，比如流量计的实时流量，变频器的运行频率，压缩空气气压值，各阀门的开关状态，助剂储存罐的液位值、助剂储存罐的高低液位保护开关状态，手动/自动开关状态，急停装置开关状态、报警复位开关状态等，通过这些状态信息和上位机发送的订单信息，输出各种执行机构的控制信息，比如流量计的上电，变频器的启动和频率调节，阀门的开关，报警色灯的开关、蜂鸣器的开关等。
29.现场信号采集器负责采集比如阀的开关状态信号、助剂储存罐的液位值、助剂储存罐的高低液位保护开关状态信号等。
30.上位机智能pc系统与工厂erp和染色机中控电脑对接，从erp获得助剂配送定单，当上位机智能pc系统收到助剂配送定单时，助剂配送定单里的信息包含助剂编号、剂量和染色机料缸号，上位机智能pc系统通过opc通讯的方式把这些数据发送给plc控制系统， plc控制系统在收到这些数据后，根据助剂编号，打开相应的助剂配送阀，根据染色机料缸号，打开相应的落料阀，同时启动变频器，控制配送转子泵电机的转动，带动配送转子泵的运转；在助剂配送过程中，配送转子泵的变频器频率逐步增加，直至达到设定值，稳定送料一段时间后，当实际配送量接近目标配送量时（二者的差值可以设置），变频器频率降低，稳定一小段时间后，plc控制系统将采集到的变频器的频率、压缩空气气压值发送给上位机智能pc系统；上位机智能pc系统将助剂编号、落料阀编号、压缩空气气压值、变频器频率、定单的配送量代入预停值神经网络模型和预计用时神经网络模型，计算得到推荐预停值和预计用时，并将其发给plc控制系统；plc控制系统将经验预停值和推荐预停值按照可变比例叠加计算出最终预停值，此可变比例控制策略的计算公式如下：其中0≤k≤1在项目实施的初期，k取一个很小的值，可变比例控制策略中起主要作用的是基于经验值设置的控制方式，使系统不会因为网络参数不优的原因导致配送误差大，避免灾难性事件的发生；随着运行收集到的数据量的逐步增多，对神经网络的训练次数越来越多，网络模型参数越来越接近最优状态，k值逐步提高，k值可根据设定的训练迭代次数划分为均等份，然后每完成一次，就增加一等份的调节量，上位机智能系统对综合决策的影响就越来越大，当网络训练到最优状态时，k等于1，可变比例控制策略完全由上位机智能pc系统决定。
31.在每一个扫描周期将定单的配送量减去流量计的计量值得到剩余配送量，当剩余配送量≤最终预停值时，plc控制系统立刻发出助剂配送阀关闭信号，关闭助剂配送阀，同时关闭落料阀和转子泵电机，由于阀门关闭过程需要几百毫秒的时间，在这几百毫秒内，流量计仍然在计量，助剂流到染色机料缸的量约等于最终预停值。
32.本实施例采用可变比例控制最终预停值的最大好处是可以对新添加的助剂种类和新增加的染缸实现最快的导入。工厂在使用现有的助剂和染缸生产一段时间后，有时因为新定单中染布的要求不同，需要增加助剂种类；有时因为订单量增加，需要增加染缸，增加染缸就需要增加助剂落料口，如果没有可变比例控制策略，每一次增加助剂或增加染缸，
原来训练好的神经网络模型不能适用，需要从头开始重新采集大量的配送数据进行网络模型训练，耽误大量的时间。采用可变比例控制策略后，不需要重新训练整个网络模型，可以针对配送中有新助剂或者新落料口的定单的k值取一个很小的值，随着这些新助剂和新落料口的训练次数逐步增多，再相应地增加k值。当观察到推荐预停值连续优于预停值时，再将k取为1。这种可变比例控制策略，在不影响整体控制策略的情况下完成新助剂或者新染缸的导入，可以很好地适应工厂扩产和扩品种的需求。
33.在本实施例中，为了确保系统在启用智能配送模式时不发生过渡风险，初次训练完神经网络模型后，在定单配送时，上位机智能pc系统先不发送推荐预停值给plc，上位机智能pc系统将预停值、推荐预停值、定单配送量、实际配送量、助剂编号、落料口编号等数据记录下来，由人员复核多次配送定单中的推荐预停值是否比实际预停值更合理。如果观察一定数量的配送定单后，推荐预停值比实际预停值更合理，智能系统再正式上线使用。
34.在本实施例中，plc控制系统将预测用时乘以设定的比例，比如乘以120%，得到本次助剂配送允许的最长时限，在每一个扫描周期将实际用时减去最长时限，若得到的数据≥0，则发出声光报警和显示报警信息，提示人员处理。
35.上位机智能pc系统每隔一定的采集次数，根据收集到的历史配送数据集训练神经网络模型，自动对网络模型进行修正。
36.当模型训练完成后，上位机智能pc系统在每一次配送时将相关的配送参数分别送入训练好的神经网络中，计算出推荐预停值和预计用时，将推荐预停值和预计用时发送给plc控制系统，通过深度学习的方式智能调节预停值，提高助剂配送的精度，减少浪费，更好地保护环境，同时也提高了染色的质量稳定性，plc控制系统根据推荐预停值和可变比例控制策略综合计算后控制助剂配送阀门的关闭时间点，实现智能化的配送精度控制，plc控制系统使用预计用时神经网络模型对实际用时进行超时判断，及时发现过程异常，提醒人员处理，减少等待时间。
37.如图4所示，预停值神经网络模型和预计用时神经网络模型均采用五层结构的全连接神经网络，第一层为输入层，第二层为第一隐藏层，第三层为第二隐藏层，第四层为第三隐藏层，第五层为输出层；第一隐藏层的神经元个数为200，第二隐藏层的神经元个数为200，第三隐藏层的神经元个数为100；3个隐藏层的激活函数使用relu函数。在训练网络时，使用adam算法作为梯度下降的损失函数优化器。
38.全连接神经网络模型每层的计算公式设计为：其中i为本层的第几个神经元，j为对应本层的上一层的第几个输出，m为本层的上一层的神经元个数，n表示第几层神经层，y为输出，x为输入，θ为本层的权重值，b为本层的偏置值，f为本层的激活函数。
39.每一层的输出作为一下层的输入，即。
40.模型训练完成后，用于推荐预停值的预测时，最后一层的输出即为推荐预停值，即：= y；预停值全连接神经网络模型的代价函数公式为：
其中，c为代价，l表示样本总数，s表示第几个样本，表示定单的目标配送量，表示实际配送量，z表示实际预停值。
41.预计用时全连接神经网络模型的代价函数公式设计为：其中，为助剂配送开始时间，为助剂配送结束时间。
42.通过代价函数，采用梯度下降和反向传播的方式，逐步每一层求偏导数，得出每个权重的值和偏置的值，对全连接神经网络模型进行更新。
43.其中θ为的矩阵，x为的矩阵，t表示矩阵的转置。
44.在深度学习平台tensorfow中搭建上述多层全连接神经网络，输入记录的5000条配送数据，进行训练，此软件运用梯度反向传递法则计算出每一层的和，这些、和网络结构组成训练好的网络模型，用于推荐预停值的计算。
45.预计用时神经网络的模型结构和梯度反向传播与推荐预停值的类似，主要不同点是模型的输出不同和没有采用可变比例控制策略，结构和原理基本相同，在此不在重复描述。
46.本实施例通过神经网络模型将不同助剂的粘度和流动性、不同落料口的配送管道长度、配送泵的运行频率大小、压缩气的压强大小、配送量的大小等因素对阀门关闭时刻流过的助剂量的影响综合体现出来；采用多层全联接神经网络，通过训练自动学习到每种助剂和每个落料口（一个落料口对应一个染缸）的配送误差特征、自动学习到每种助剂、变频器频率（配送泵的变频器）、压缩空气气压值的配送误差特征；这些特征会自动包含在神经网络模型的权值中，配送时将助剂编号和落料口编号、变频器频率、压缩空气气压值等数值代入神经网络模型中计算，得到推荐预停值，所以不用每种组合去调试，plc根据推荐预停值去控制配送阀的关闭时机，达到提高配送精度的效果。
47.实施例2如图5所示，本实施例提供一种染色机助剂智能配送系统的控制方法，包括下述步骤：step1：上位机智能pc系统从erp系统读取助剂配送定单的助剂名称、剂量和染色机料缸号，从染色机中控读取助剂配送定单的控制指令信息，综合处理后向plc控制系统发出助剂配送定单；step2：plc控制系统收到助剂配送定单，根据助剂编号，打开相应的助剂配送阀，根据染色机料缸号，打开相应的落料阀，同时启动变频器，控制转子泵电机的转动，带动配送转子泵的运转，并且将配送完成寄存器的状态置为off；step3：在转子泵转动的作用下，助剂储存罐中的助剂通过管道，流到相应的染色机料缸，流动过程是：助剂储存罐
→
管道
→
助剂配送阀
→
管道
→
转子泵
→
管道
→
逆向混匀
泵
→
管道
→
流量计
→
管道
→
落料阀
→
管道
→
染色机料缸；step4：在助剂配送过程中，转子泵的变频器频率达到设定值，稳定一小段时间后，plc控制系统将采集到的变频器的频率、压缩空气气压值发送给上位机智能pc系统；step5：上位机智能pc系统将助剂编号、落料口（落料阀）编号、压缩空气气压值、变频器频率、定单的目标配送量代入训练好的全连接神经网络预测模型，计算得到推荐预停值，并将写入到plc控制系统的寄存器中；step6：plc控制系统将预设的经验预停值和推荐预停值按一定的比例计算出最终预停值，在每一个扫描周期将定单的配送量减去流量计的计量值得到剩余配送量，当剩余配送量≤最终预停值时，plc控制系统立刻发出助剂配送阀关闭信号，关闭助剂配送阀，同时关闭落料阀和转子泵电机，由于阀门关闭过程需要几百毫秒的时间，在这几百毫秒内，流量计继续计量，助剂流到染色机料缸的量约等于推荐预停值；step7：plc控制系统打开冲洗水阀，再次打开刚才的落料阀，同时启动变频器，控制转子泵电机的转动，带动配送转子泵的运转，用水将残留在管道内的助剂全部推到染色机染缸里；step8：plc控制系统将助剂的最终实际配送量存储到寄存器中，并向上位机智能pc系统发送配送完成标志；step9：上位机智能pc系统读取plc寄存器里的实际配送量，并加上助剂编号、落料阀编号、压缩空气气压值、变频器频率、定单的目标配送量、预停值等配送数据，组成数组存储到ms
‑
sql数据库中。
48.预计用时神经网络模型的训练步骤和使用步骤与预停值的类似，主要不同点是模型的输出不同和没有采用可变比例控制策略，plc控制系统得到预计用时后对助剂配送过程是否超时进行监控，步骤中间的大部分过程都相同，在此不在重复描述。
49.本实施例的推荐预停值的全连接神经网络预测模型训练方法，包括下述步骤：step1：上位机智能pc系统从erp系统读取助剂配送定单的助剂名称、剂量和染色机料缸号，从染色机中控读取助剂配送定单的控制指令信息，综合处理后向plc控制系统发出助剂配送定单；step2：plc控制系统根据收到的助剂配送定单，启动转子泵和相应的阀门，开始助剂的配送，并且将配送完成寄存器的状态置为off；step3：助剂配送量达到预停值，plc控制系统关闭配送阀、落料阀和转子泵电机，并且收集助剂配送的实际配送数据，包括：助剂编号、落料口编号、压缩空气气压值、变频器频率、定单的目标配送量、预停值、实际配送量，plc控制系统将这些数据保存到plc的寄存器中，并且将配送完成寄存器的状态置为on；step4：上位机智能pc系统通过opc通讯方式读取plc里寄存器的值，当检测到配送完成寄存器的状态从off变为on时，将plc控制系统里的助剂配送寄存器里的助剂编号、落料口编号、压缩空气气压值、变频器频率、定单的目标配送量、最终预停值、实际配送量保存到上位机智能pc系统的ms
‑
sql数据库中；step5：系统在生产中不断地配送助剂，不断重复step1至step4的过程，直到ms
‑
sql数据库的配送记录达到指定的数量；step6：将数据库中配送记录的助剂编号、落料阀编号、压缩空气气压值、变频器频
率、定单的目标配送量作为多层全连接神经网络的输入x；step7：将“实际配送量
‑
定单目标配送量＋实际预停值”，即用于训练的配送历史数据的偏差值作为多层全连接神经网络的输出y；step8：通过输入x，输出y，使用adam优化器，迭代训练多层全连接神经网络的第一隐藏层的权重和偏置、第二隐藏层的权重和偏置、第三隐藏层的权重和偏置，得到推荐预停值的全连接神经网络预测模型；本发明采用自动控制技术与深度学习技术按可变比例控制策略方法，实现了染色机助剂配送技术的革新，前期使用传统自动控制技术为主的控制方式，保证助剂配送系统的基础运行；后期使用深度学习为主的控制方式，实现助剂配送的智能化控制和智能化过程监测；在不影响整体控制策略的情况下完成新助剂或者新染缸的导入，可以很好地适应工厂扩产和扩品种的需求；采用深度学习技术对每个定单的助剂配送过程进行超时监测，及时发现系统故障，减少故障发生时的等待处理时间；使用深度学习技术预测最合适的推荐预停值，能够提高助剂配送的精度，达到节约助剂、保护环境、提高产品质量的效果，具有较好的社会价值和经济价值。
50.上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。