玻璃纤维生产多工序智能控制融合技术研究与应用

一、当前玻璃纤维工业过程控制面临的主要挑战

（一）复杂工况适应性问题

玻璃纤维生产过程中，原料品质波动、设备老化、环境温度和湿度变化等因素导致工况复杂多变。传统控制方法难以实时准确地感知这些变化并做出相应调整，使得控制效果下降，影响产品质量和生产效率。

（二）产品质量精细化控制需求

随着高端领域对玻璃纤维质量要求的不断提高，如更高的强度、更均匀的直径等，需要对生产过程中的各个参数进行更精细的控制。传统控制方法在精度和稳定性上难以满足日益严格的质量要求，迫切需要更先进的控制技术来实现精细化控制。

（三）多目标优化控制难题

玻璃纤维生产过程涉及多个控制目标，如提高生产效率、降低能耗、保证产品质量等。这些目标之间可能存在相互冲突，传统控制方法通常只能针对单一目标进行控制，难以实现多目标的优化协调，需要引入能够处理多目标问题的智能控制方法。

二、智能控制技术在玻璃纤维工业过程控制中的应用

（一）智能控制系统架构

1.传感器与数据采集层

企业在玻璃纤维生产线部署多种传感器，高频采集关键设备参数，经卡尔曼滤波降噪，通过 TCP/IP、Modbus 等协议（含 OPCUA），按过程控制 100-500ms 、运动控制 10-50ms 周期传输，解决复杂工况中难实时准确感知变化的问题，提供可靠数据源。

2.智能控制算法层

该层级构建多算法协同架构：针对配料工序原料品质波动问题，采用T-S 型模糊神经网络，其模糊子集划分为7 个高斯隶属度函数，神经网络隐含层节点数依据原料种类（石英砂、叶蜡石、纯碱、硼砂等主料）设为 12个，通过离线训练建立原料粒度、含水率与配料比例的映射关系；熔制工序温度控制集成深度神经网络（DNN）与专家系统，DNN 输入层包含前12 小时温度序列、加热功率等20 个特征，输出层预测未来30 分钟温度趋势（均方根误差 ≤1.5^∘C ），专家系统内置800 余条熔制阶段工艺规则，实现熔化期（ 1550-1650^∘C ）、澄清期（ 1450-1550^∘C ）的控制策略自动切换[1]。

3.执行机构与控制层

执行单元配置伺服电机（控制精度 ±1rpm, ）、电动调节阀（开度分辨率0.05% ）及晶闸管调功器（功率调节步长 0.1% ）。以成型工序为例，当拉丝机张力传感器（精度 0.1N）检测到张力波动超过 125% 设定值时，控制器通过 PID 算法输出调节信号，驱动伺服电机在 200ms 内完成转速补偿，同时通过编码器反馈电机实时转速（分辨率 1rpm ），形成控制周期 ≤500ms 的闭环调节回路[2]。

4.监控与管理平台

企业凭借搭建基于 Web 的 SCADA 系统，采用 B/S 架构实现生产数据实时监控。界面集成三维工艺流程图，动态显示熔窑温度场分布（分辨率0.1^∘C ）、拉丝机运行状态等 120 余个参数，历史数据存储周期≥2 年，支持基于 LSTM 算法的设备故障预测。管理人员通过权限分级系统（分操作、监控、管理三级），可在 500ms 延迟内完成加热功率、配料比例等参数的远程调整，调整步长遵循工艺安全阈值。

（二）典型工序智能控制应用实例

1.配料工序的智能优化控制

玻纤企业针对石英砂含水率波动（实时检测精度 ±0.2% ）问题，可建立模糊神经网络优化模型。输入层接收含水率（ 3%-8% ）、粒度（ ⋅d50=75-150μm) ）、二氧化硅含量（ 98%99.5% ）等6 个参数，经模糊化处理（隶属度函数宽度 o=0.5 单位）后进入神经网络，隐含层采用 ReLU 激活函数，输出层确定长石、白云石等辅料的配比调整量（精度 ±0.1% ）。当某批次石英砂含水率从 5.2% 升至 6.5% 时，系统自动将长石用量从 12.3% 调整至 11.8% ，经 3 次迭代后二氧化硅比例稳定在 68.5%±0.3% ，较传统 PID控制响应速度提升 40% 。

2.熔制工序的温度智能控制

针对熔窑温度滞后（纯滞后时间 15.20min ）特性，采用 DNN 预测控制与专家系统结合方案。DNN 模型输入包含前10 个周期（每个周期 10min; ）的温度、投料量、燃料流量等 20 个变量，输出层预测未来 30min 温度值（ R²≥0.95), ）。在熔化期，专家系统根据投料量（ (5-8t/h) ）和原料成分，初始设定加热功率为额定值的 70%80% ，DNN 每 sinin 更新预测模型，当检测到温度上升速率低于 5^∘C/min 时，自动将功率补偿至 85% ，使温度在2h 内稳定至 1620^∘C±5^∘C 。

3.成型工序的自适应控制

拉丝过程中，系统以 200Hz 频率采集拉丝速度（ 0-5000m/min ，精度±1m/min. ）、张力（0-50N，精度 ）及纤维直径（ ⋅5-20μm ，机器视觉检测精度 _±0.1μm⋅ ）。当玻璃液粘度因温度波动发生 ±5% 变化时，自适应控制器基于最小二乘法实时辨识系统模型参数，在 100ms 内调整电机转速和张力控制装置，使纤维直径波动控制在 :±0.5μm 。机器视觉系统每 10s 扫描纤维表面，若检测到直径超差（连续 3 次 ），则触发控制器进入参数自整定模式，30s 内完成控制增益调整，次品率较人工调节降低 60% 。

4.烘干及后处理工序的多变量智能控制

针对烘干工序温度（ 100-150^∘C ）、湿度（ 20%-60%RH ）与上浆量（ 1%-5% ）的耦合问题，采用 MPC 算法结合 PSO 优化。建立包含 8 个状态变量、5个控制变量的预测模型，预测时域设为 30min ，控制时域 10min ，每 2min进行滚动优化。PSO 算法设置种群规模30，惯性权重0.8-0.2 线性递减，学习因子 c1=c2=2.05 ，对 MPC 的权重矩阵进行优化。当纤维含水率检测值为12% （目标值 8% ）且上浆剂固含量为 35% 时，系统同步调整烘干温度至135^∘C （精度 ±1^∘C ）、湿度至 40%RH （精度 ±2%RH, ），经4 个控制周期（8min）后含水率稳定在 8.2% ，上浆均匀性提升 35% ，后处理断丝率下降 45% 。

结语：

综上所述，本研究通过构建多层级智能控制系统，显著提升了玻璃纤维生产过程的适应性与品质稳定性，实现了复杂工况下的多目标协同优化。但模型对特定场景的依赖性仍限制其泛化能力，高精度传感网络与算法部署带来的成本增量有待优化，且数据质量波动可能影响控制鲁棒性。未来研究可探索迁移学习增强模型迁移能力，结合数字孪生技术构建全流程虚拟映射，并融合深度强化学习实现动态多目标权衡优化，推动智能控制技术向低成本、高普适方向演进。

参考文献：

[1] 裴雅晴,王静静,辛培防,等. 基于智能控制的工业过程控制自动化研究[J]. 现代工业经济和信息化,2024,14(8):62-64.

[2] 高瞳,章海峰. 基于智能电气技术的工业自动化控制系统设计[J].自动化应用,2025,66(5):12-14.