卷筒紙膠印機中的供墨控制

卷筒紙膠印機中的供墨控制克里斯托弗?英格倫安塔納斯?維瑞卡斯摘要：在卷筒紙膠印機中，自動、健全的供墨控制是這項工作的目標。為了實現這一目標，集成控制器和多神經模型控制器相結合。建立了基于通信的印刷過程模型，并且無需用戶交互即可自動更新。多模型控制器要優(yōu)于集成控制器，因為它的過程是在模型的訓練區(qū)域運行。但是，如果在輸入空間的一個新的部分開始運行操作，多模型控制器會遇到一些普遍問題。根據目標數量的油墨，發(fā)達的控制結構已經成功的用在了卷筒紙膠印機的自動供墨控制中。使用先進的工具導致更高的印刷質量和更低的油墨和紙張的浪費。關鍵詞：供墨控制；彩色打??；多模型；集成控制器；神經網絡1、介紹彩色圖像，例如出現在相機和電腦顯示器上的，是由三種基本顏色組成：紅(R),綠(G),藍(B)⑴。RGB三種基元符合人類眼睛中的三種顏色傳感的基本視錐細胞。紅綠藍是一個附加的色系，這意味著來自三種基本來源的光的光譜被添加到復制某一顏色的光譜。當三種基元等份混合，灰色的陰影便形成了。強度越低，顏色看起來越暗。白色襯底，例如紙張，通常用于印刷。白紙具有近似于所有波長可見光譜的反射系數。當白紙在光線下時，觀察者所看到的顏色近似的與光源想匹配。為了達到印刷中的顏色，對比添加劑系統，減色系統用于油墨吸收部分的光。油墨的類型決定了哪一部分光譜發(fā)生吸收。通常用于四色印刷的基本顏色是藍綠色(C)，紅色(M)，黃色(Y)，黑色(K)，CMYK。CMK疊印產生黑色。然而，由于經濟原因，黑色油墨經常代替CMK疊印。此外，黑色油墨通常用于提高彩色圖片的質量。由于彩色圖像通常是在RGB顏色空間里獲得,而印刷是使用CMKY原色，因此印刷涉及到所謂的分色過程，在此過程中，RGB圖像轉換成CMYK色彩空間［2，3］。印刷彩色圖片用的是不同大小的CMYK四基色圓點。圖1的左邊展示了一個彩色打印的例子。觀察者在小面積的彩色打印中所看到的顏色陰影是在半色調過程中確定的，在這個過程中創(chuàng)建了不同大小(色調值)的圓點。點越大，顏色越暗。觀察者在一個小區(qū)域的印刷圖像中所看到的色調是由該區(qū)域油墨四基色的比例確定的。估計點的尺寸后，點在計算機-印版（CTP）工藝中被轉移到印版上。每種印刷顏色都有一個單獨的版。CTP把點轉印在薄的鋁板上。該鋁板安裝在印刷機輸墨系統的印版滾筒上。圖1的右邊是輸墨系統的說明。由于印版上空白的區(qū)域和印刷的區(qū)域在同一個平面上。它們通過親水和親墨相互區(qū)分。在印刷過程中，一層薄薄的水膜（潤版液）被施加到相應油墨應用的版上。油墨圖像從印版轉印到膠皮滾筒再轉印到紙上。為了在印刷過程中達到理想的顏色，印刷機操作者在手動運作中取樣。取出的樣品與合格的樣品對比，并作出了很大的努力來彌補印刷中顏色偏差檢測。由于網點的大小是固定的，在印刷中唯一可能改變顏色的就是在輸墨系統的供墨中調節(jié)點的密度。每個操作員都是基于那些在特定印刷機的工作者的經驗進行供墨調整。打印結果的感覺是非常主觀的，因此可能會出現很大依賴于操作者控制過程的變化。利用自動控制系統可以消除不一致的采樣和主觀色彩補償由操作員，因此你可以通過生產期待一個更一致的打印質量。因此，打印質量變化的減少會降低紙張和油墨的浪費。用自動控制系統的優(yōu)點是它的速度，連續(xù)采樣，在控制動作的一致性，和耐磨性。工作者的時間也從服務效益及印刷設備的維修中釋放了。在卷筒紙膠印報紙印刷機供墨的自動控制中已經有一些成功的嘗試。在⑷中，一個知識庫，建立由經驗豐富的運營商，是用來幫助一個新手操作調整油墨飼料以彌補印刷油墨密度偏差。在［5］中，開發(fā)決策支持系統是用于墻面的凹版印刷業(yè)。系統測量數量的打印特性，包括顏色。如果漂移是任何參數的檢測系統，指導操作者對過程變量進行適當的調整。在⑹中，在線供墨控制系統的開發(fā)可以帶動印刷油墨密度達到期望的目標密度水平。在上述所有作品中，供墨控制是基于控制在一個堅實的印刷面積測量油墨的密度，如圖2所示的頂部。然而，印刷圖片是由點。因為不僅油墨密度，而且大小的圓點可能在印刷過程中油墨密度沒有變化，控制印刷過程中提供足夠的信息。墨量，將油墨密度和網點大小，而應使用。因此，我們控制油墨估計在雙灰色欄的印刷量，在圖2的底部。雙灰色欄包括兩部分，一部分是用黑墨水，其他部分用藍綠、紅和黃色油墨印刷。1.1油墨量的評估印刷質量是印刷行業(yè)中一個廣泛的概念。色差，顏色配準，點的大小和形狀，是常見的表征打印質量的參數。在這項工作中，打印質量被定義為樣品的顏色和

參考平面之間的視差（距離）。我們使用L*a*b*色空間⑺大致均勻的評價差異。因此，在RGB圖像的CCD相機記錄顏色雙灰色欄轉換成對應的L*a*b*值。然而，L*a*b*值對那些通常想知道藍綠，紅，黃，黑色墨水量偏差的印刷機操作者來說是不容易評估的。我們在⑻中提出了評估從雙灰墨量技術L*a*b*組件?；诩夹g變革的L*a*b*值記錄從雙灰桿兩部分為C，M,Y含量對神經網絡，和K的墨水。神經網絡是利用色塊印刷與恒定的油墨密度和不同的色調值訓練（覆蓋面積的百分比由墨水）預測油墨印在紙上的金額。如果用于打印測試片的油墨密度相等時，保持用于神經網絡訓練的印刷油墨的補丁，估計在測試補丁印刷量的0和100之間變化。如果測試補丁的油墨密度超過一個用來打印訓練補丁，墨水量可能超過100（與100%的油墨覆蓋面積）。在這項工作中，一定量的油墨（估計在上面討論的方式）是控制器具有保持目標信號。Jink-keysInkingsys怕mBlanketcylinder1Dampeningrollers'nkfountainroierPlatecylinderDistributorPaPerPathrollersInkrollersBlariketJink-keysInkingsys怕mBlanketcylinder1Dampeningrollers'nkfountainroierPlatecylinderDistributorPaPerPathrollersInkrollersBlariketcylinder圖1左：點創(chuàng)建一個彩色打印的一個例子。右：輸墨系統圖2上部：全色調的目標區(qū)域。底部：雙灰條2、印刷過程變量及解決途徑印刷機操作者樣本打印整個工作運行。從批準的樣本打印顏色偏差檢測，供墨或者是增加或減少通過調整墨鍵。墨鍵位于墨盤底部（圖1,右）。對媒體認為，有36個墨鍵每種顏色和一側的網站。墨鍵在一個約4厘米寬的墨區(qū)調節(jié)供墨（見圖3）。模型從過程模型來模擬復雜的直接和逆過程的行為的能力，一般用在工業(yè)控制系統?；诙嗄Ｐ涂刂破饔捎谄涮釂J的穩(wěn)定性和提咼造型表現能力，已被證明在許多工業(yè)控制應用程序中是有效的［9-11］。我們最近提出了一種自動采集數據和基于神經網絡的印刷機模型［12］?；谶@種方法，我們已經開發(fā)了一個基于多模型的供墨控制技術，具有控制卷筒紙膠印機供墨的良好性能［13］。有許多不同復雜的，專業(yè)的，一般的模型，從事于控制印刷過程。受過訓練的專業(yè)數據集的專業(yè)模型，當訓練數據的聯盟的一般模型集用于訓練專業(yè)的模型。一個委員會專業(yè)模型也納入到多個模型的建立。該模型的建立從歷史過程數據和自動更新，當這種需要檢測。在一個墨區(qū)收集的數據被稱為專門的數據，從而用于訓練專業(yè)的模型。建立了兩種模型的逆模型，在墨鍵開口價值構成模型的輸出，和直接模式，在油墨的印刷量就是輸出。根據建模任務，逆或直接，不同工藝參數組合的應用。這些工序常用來模仿以下油墨（C,M,Y,K）:X］每小時復制品的印刷速度。x2墨斗輥的速度X3油墨溫度。墨盤中油墨的溫度。溫度影響著油墨的粘度，溫度越咼，粘度越低，油墨通過輸墨系統越容易。X4,5,6對于目前的油墨需求評估，分別與墨區(qū)相鄰的左右兩邊。油墨的需求等于被油墨覆蓋在相應的墨區(qū)面積的百分比。X78,9對于目前的墨鍵開口，分別于墨區(qū)相鄰的左右兩邊?？刂颇康男盘柗稚⒃诩埳稀10墨水的一個特定的顏色從雙灰條中估計。在直接建模中，x10(t+1)是模型輸出。然而，對于逆建模，在建模的任務是預測墨鍵開口，x10(t+1)的值作為輸入參數，而參數x7(t+1)構成的模型輸出。變量X7和X］0是從目前使用的時間(t)和未來的時間(t+1)。實驗研究表明，沒有進一步的性能增益，利用以前的時間步驟來實現，例如(t-1)或(t-2)。變量x4,5,6描述當前油墨的需求(X4)與相鄰的兩個墨區(qū)(x5,x6)。由于在印刷機中的相鄰區(qū)域之間的油墨流動，變量x4,5,6的意思，取代x4；5；6,在模型。為簡單起見，我們表示變量納入正、逆模型：vd二［x(t),x(t),x(t),x (t),x(t+1),x(t),x(t),x(t),x(t)］1 2 3 4,5,6 7 7 8 9 10Vi二［x(t),x(t),x(t),x (t),x(t),x(t),x(t),x(t+1),x(t)］1 2 3 4,5,6 7 8 9 10 10需要指出的是，這些變量是用來訓練模型的。當模型用于控制，變量x7(t+1)是由逆模型的輸出代替u(t+1)，x10(t+1)是由油墨ydes所取代。還請注意，墨鍵開度值范圍在［0,100］內變化。必要的建模獲取數據，卷筒紙膠印報紙印刷機配備了一個在線新聞監(jiān)測系統。在［13］種詳細描述了監(jiān)控系統?；谌斯ど窠浘W絡的建模方法已經采用了這項工作。人工神經網絡，證明自己是強大的工具，過程和系統建模。然而，像其他的非線性模型，基于神經網絡模型的泛化數據時可能遇到的訓練區(qū)域外需要處理的問題。這種情況在印刷行業(yè)遇到意外，因為新的工作可能會出現。為了應對這個問題，我們補充的積分控制器在這項工作中基于多模型控制的配置。集成控制器被稱為簡單。通常情況下，他們只有一個參數，只使用誤差信號來估計新的控制信號。能夠在所有時間的過程控制，我們建議建立一個混合控制系統由積分控制器和基于多模型控制器。3、方法3.1印刷過程建模由于印刷機的磨損，其過程可分為緩慢變化。此外，根據打印作業(yè)的過程中，停留在輸入變量空間的預定部分的時間可能會有明顯的不同，從幾分鐘到幾天。如果過程開始于輸入變量空間的一個新區(qū)域的操作，不同的訓練區(qū)，模型的性能會顯著惡化。為了處理這種情況，我們最近提出了一種自適應的數據挖掘和建模方法［12］。數據挖掘工具監(jiān)測過程數據和保持最新的數據集的一個合理的大小表征的過程。自適應建模的目的是建立最優(yōu)復雜度模型。從一個線性模型，一些日益復雜的非線性模型（MLP越來越多的隱藏單位）建立；然后，用最低的泛化誤差模型選擇建模的過程中。過程運行期間，需要更新模型的自動檢測和模型訓練。在這項工作中，我們使用這種技術來創(chuàng)建和更新過程模型。四種類型的模型被用于這項工作的印刷過程建模：-每個墨鍵/特定區(qū)域的模型。這些模型被稱為專業(yè)，因為他們有特定的知識邊某墨鍵/區(qū)。每一個專業(yè)的模型是用從一個特定的墨區(qū)的數據訓練。-專業(yè)模型委員會。專業(yè)的模型執(zhí)行類似的功能集中到一個委員會。在［14］中，我們開發(fā)了一個模型，委員會成員的數量和成員的聚集權重的數據依賴建筑委員會法。我們使用這種方法制作委員會模式。-非線性通用模型，是利用各墨區(qū)的數據建立的。一般的模型比專業(yè)的模型使用了更多的數據，因此它一般比專門的模型更好。-線性模型的建立是使用來自所有墨區(qū)數據。專業(yè)模型和模型的建模精度最高委員會提供。然而，由于有限的訓練數據集，該模型可能會遇到的推廣問題。在這種情況下，一般的模型來代替，這是使用更多的數據點比專門建造的。由于模型的復雜性是自動確定的，一般的模型可以是線性或非線性。如果一個非線性模型的自動選擇，線性模型也是建立。線性模型具有最低的建模精度，但具有最好的泛化能力。3.2墨鍵控制在控制組態(tài)開發(fā),采樣時間約為100秒，即所需要的時間來遍歷相機一次紙，以每36雙灰色條圖像并隨后返回到初始位置。3.2.1基于多模型控制器的設計詳細描述了基于多模型的設計，我們以前開發(fā)的供墨控制可以在［13］中。在這里，我們只提供一個簡要的技術總結。圖4說明了基于配置的多個模型，其中表示我是直接逆模型和DM模型。納入控制結構模型：Sing 每個墨鍵/特定區(qū)域的模型Com 專業(yè)模型委員會LGen 非線性通用模型NLGen 線性模型控制組態(tài)功能如下。u是一個逆模型的輸出控制信號。我們認為逆模型的輸出是正態(tài)分布的模型輸出和標準偏差O給出的平均。一個大的標準偏差的預測控制信號表示模型的不確定性。圖4基于多模型控制的配置通過從反向輸出的抽樣分布，如［15］建議，我們產生一組控制樣品U=［u1，u2,……uD］，使用的是直接評價模型(見圖4)。樣品D的數目由模型確定的標準偏差o。a越大，樣品越大。逆模型u和正模型y的輸出通過以下給出：u(t+1)=f(vi;oi) ⑴y(t+1)=fd(vd;qd) ⑵e是在模型參數向量和f函數可以是線性的或非線性的?？刂菩盘杣i1，ui2， ,uiD的逆模型(i=1，?，4)被用來計算輸出的直接模型y11，y21，…y41， ，y4D。輸出y^的確定是由：

y（t+1）二fd3；od）ij iij （3）在這里，i=1,?4，指的是一個模型。所選模型，最大限度地減少誤差eij,直接模型yi.（t+1）和目標（油墨所需量）ydes之間的的輸出異:ej二Ilyj（t+1）—yTL他們發(fā)現所有的e^指標p,q,upq發(fā)給媒體的控制信號如下：p,q=argmineij.ij⑷控制信號的選擇，upq，記為umm（t+1）。如果對于一個給定的V,ep>0,pq工3,線性模型是用來避免使用非線性模型所帶來的大的預測誤差。3.2.2強大的供墨控制圖5說明了的情況下，神經網絡控制器進入泛化問題。左邊的圖顯示了墨鍵控制信號（上圖）和一定量的墨水隨著墨水的目標量的實線表示（下）。最初的控制器運行過程的多模型。在樣本數7和9,墨量改變的目標。因此，基于多模型控制器調整的墨鍵開度以獲得所需量的墨水?？梢钥闯觯I調整不使過程輸出到所需的水平。在樣本數21和22,從多模型控制動作的控制器手動重寫和期望的目標水平達。圖5的右側顯示了問題的來源。-4 -2 0 2 4 6第一主成分-4 -2 0 2 4 6第一主成分口an°aAAAAAAa20 30樣品數里oaDoaAAAAAAa20 30樣品數里黒墨重□D□O□10 20 30樣品數重40，訂陽10 20 30樣品數重40圖5左（上）：墨鍵開口（下）：測量和目標（實線）的墨水量右：輸入數據投影到空間的第一和第二主成分圖5的右側顯示訓練數據，用*表示，從目前的就業(yè)數據，由△和□表示，投射到第一和第二主成分的訓練數據。我們清楚地看到，由□表示數據是從訓練數據中分離。很明顯，可以預計，基于多模型控制器，只有當模型訓練成功。然

而，數據都被收集重新培訓模型。在此期間，我們建議使用一個集成控制器。雖然精度較低，積分控制器可以處理過程中暫時。我們建議使用預測的墨量y和測量墨量在時間t之間的差異，ymes(t)檢測到這些情況。強力的油墨進給控制器的示意圖如圖6所示。控制信號u(t+1)由控制器的估計被確定為：u(t+1)=uu(t+1)=umm(t+1)ifmesuic(t+1)otherwiseQ)其中umm(t+1)是墨鍵開度的控制器和uic的多模型預測(t+1)是墨鍵開度的預測集成控制器。使用這種方法的過程控制可以通過整合或基于多模型控制器。圖6提出的控制結構圖6提出的控制結構3.2.3積分控制器的設計通過積分控制器產生的控制信號估計：Uic(t+1)=U(t)+K(ydes-ymes(t)) (6)其中u(t)是在時間步t墨鍵開口，K為積分因子，ydes是油墨所需量，ymes(t)是一定量的油墨在當前的時間。應該指出的是，墨鍵開口的離散信號的范圍是［0,100］。4、實驗研究在實驗過程中進行正常生產印刷廠。實驗的目的是調查三點：1、 尋找積分控制器參數的適當的值K；2、 比較兩個控制配置；3、 證明的魯棒控制系統的效益。4.1選擇參數K找到合適的K值，參數是變化的0.2和2.5之間。在圖7中，我們提出了不同的參數k值的控制輸出信號三例。頂部的圖表顯示控制信號而降低圖提出了測量和所需的油墨量（實線）。在實驗過程中油墨所需量是恒定的。控制器從樣品4的運行過程中，其中的固體線出現。可以看出，大K,大的控制作用。結果發(fā)現，K=0.7是一個不錯的選擇，因為在這個值，平均而言，控制器是相當快的,對噪聲不太敏感。在圖7中可以看到，在K=0.2的上升時間是很長的。在K=1.4的控制信號和輸出信號是很聒噪的。Blackinkkeyopening Blackinkkeyopening Blackinkkeyopening3030一??????■亠????/ *A201人 人205 10 15 20 25 30 5 10 15 20 25 30 5 10 15 20 25 30Samplenumber Samplenumber SamplenumberAmountofblackink Amountofblackink Amountofblackink60」60亠*占*1.*?，*,**,*AiA .*1 , * 占 *A 占50**A i* ** * . k ▲A50?*** t ▲,▲ , ',5 10 15 20 25 30 5 10 15 20 25 30 5 10 15 20 25 30Samplenumber Samplenumber Samplenumber圖7控制信號（頂部）和測得的墨水量隨著所需量（實線）不同的K值油墨（底部）。左,中，右圖，分別為K=0.2，0.7，和1.4。4.2比較控制器該控制器已被使用的相同的油墨區(qū)相同的打印工作。我們開始通過保存初始設置新聞使用一個控制器啟動實驗。然后我們恢復印刷機的設置并繼續(xù)同樣的實驗與其他控制器。兩個問題進行了研究：上升時間和對噪聲的敏感性。4.2.1上升時間一個短的上升時間是希望減少紙張的浪費。在圖8中，我們目前的反應從兩個控制器操作在同一墨鍵兩不同顏色。每種顏色，左邊的圖顯示的結果從積分控制器，而右圖目前從基于控制器的多個模型的結果。頂部的圖表顯示的墨鍵控制信號和底圖提出了測量和目標（實線）的墨水量。控制器使用從樣本數3,其中固體線出現。圖中，ID是油墨的需求?？梢钥闯?，積分控制器需要更多的樣本來驅動輸出到所期望的目標水平。基于控制器集成控制器相比具有更短的上升時間的多個模型。圖9顯示了兩個控制實例。給出的結果的情況下，油墨的目標金額低于初始印刷墨量。再次，對于這兩個例子中，控制器驅動的油墨量多模型所需的水平比積分控制器的速度?？梢酝ㄟ^增加K然而價值作出積分控制器的速度，較大的K值使過程輸出太吵。事實上，K自適應值的要求。的逆模型的輸出如下分析說明的逆模型得到

的墨鍵調整步長的適應性。在圖10和11,我們目前的逆過程模型的仿真結果為青色的顏色。在模擬中的油墨溫度，印刷速度，墨斗輥的速度，以及油墨的目標量（設置為42）保持不變。油墨的電流量是在左、右側的人物提出的模擬設置分別為34和50。油墨溫度的模擬設置在圖10和11中分別為24°C和23°C。在圖10和11中，說明預測墨鍵開度調整（△墨鍵）所需的驅動電流量的墨水到目標水平作為油墨的需求和當前的墨鍵開啟功能。圖像中的灰度顯示的墨鍵改變大小。我們清楚地看到，大小是不同的工藝狀態(tài)不同，即不同的電流和不同的油墨墨鍵開口要求。可以看出，在圖10和11中，預計油墨的關鍵變化的幅度是較低的溫差較大。因此，仿真結果說明墨鍵調整可從逆模型的適應性。然而，對于集成的控制器，計算出墨鍵調整信號與墨量的電流誤差。在圖10和11中，明顯預測錯誤的例子被包圍了（例如，環(huán)繞正△墨鍵值盡管油墨的電流量大于目標）。MagentainkkeyopeningMagentainkkeyopeningAmountofmagentaink,ID:38%CyaninkkeyopeningAmountofmagentaink,ID:38%452 4 6 8 10SamplenumberAmountofcyanink,ID:25%504540353040MagentainkkeyopeningMagentainkkeyopeningAmountofmagentaink,ID:38%CyaninkkeyopeningAmountofmagentaink,ID:38%452 4 6 8 10SamplenumberAmountofcyanink,ID:25%504540353040505 10 15Samplenumber453530SamplenumberAmountofcyan泊k,ID:25%圖8積分控制器（第一列和第三列）和基于控制器的多模型（第二和第四列）的結果Magentainkkeyopening YellowinkkeyopeningMagentainkkeyopening5 10 15SamplenumberAmountofmagentaink,ID:29%50Yellowinkkeyopening30Ai嚴 A…Magentainkkeyopening YellowinkkeyopeningMagentainkkeyopening5 10 15SamplenumberAmountofmagentaink,ID:29%50Yellowinkkeyopening30Ai嚴 A…AAA40355 10 15SamplenumberSamplenumber SamplenumberAmountofmagentaink,ID:29%Amountofyellowink,ID:29%5 10 15 2 4 6 8 10Samplenumber Samplenumber圖9積分控制器（第一列和第三列）和基于控制器的多模型（第二和第四列）的結果AInkkeypueEapyu一40%10 20 30 40 50InkkeyopeningpueEQpMU-543240%10 20 30 40 50Inkkeyopening4%6%pueEapyu一40%10 20 30 40 50InkkeyopeningpueEQpMU-543240%10 20 30 40 50Inkkeyopening4%6%圖10△的墨鍵開度所需的驅動電流量的墨水到目標水平作為油墨的需求和當前的墨鍵開啟功能。油墨溫度24°C。油墨的電流量等于34（左）和50（右）△Inkkey8%16%102030 40Inkkeyopening50-6240%10 20 30 40Inkkeyopening508%16%102030 40Inkkeyopening50-6240%10 20 30 40Inkkeyopening50圖11△的墨鍵開度所需的驅動電流量的墨水到目標水平作為油墨的需求和當前的墨鍵開

啟功能。油墨溫度23°C.油墨的電流量等于34（左）和50（右）圖12說明了在圖10和圖11右側所示模型預測的不確定性（相對單位）?？梢钥闯觯撃Ｐ褪菍﹀e誤的預測而不確定的。應該牢記的是，在這項工作中，是通過大量的控制信號不確定的預測問題研究。4.2.2噪聲控制及輸出信號它是理想的產生與低打印顏色變化的不同副本之間的可能。我們以往的研究表明，平均而言，在墨水量測噪聲水平約為2單位［12］。平均而言，較大的根均方誤差（RMSE）值觀察到的積分控制器基于控制器的多模型比。圖8和9中的表1總結了在圖示例的輸出信號的均方根誤差?？刂破鲬哂忻黠@的多模型的優(yōu)勢。從長期的實驗中得到的結果進行了討論。

PUPEOP上U-2°340%pueE(DpMu--240%-2105020 30 40Inkkeyopening%86%1020 30 40Inkkeyopening50PUPEOP上U-2°340%pueE(DpMu--240%-2105020 30 40Inkkeyopening%86%1020 30 40Inkkeyopening50圖12圖10（左）和圖11（右）中右側所示的預測的不確定性表1對實驗結果示于圖8和圖9的墨量的均方根誤差。其中集成控制器IC站，基于多模型控制器的MM,C，M，Y代表相應的顏色ControllerFig,8(M)Fig.8(C)Fig.9(M)Fig.9(￥)IC3.793.702,9JMM1J2L97L65].944.3強大的墨量控制印刷過程中可能會開始在輸入變量空間的一個新區(qū)域的操作，不同的訓練區(qū)，正如先前討論的，如圖5所示。因此，我們使用強大的方法來給墨控制，其中集成控制器和多模型為基礎的控制器組合。圖13給出了一個例子說明所提出的方法的好處。在圖13的左前圖顯示墨鍵控制信號。目標，由實線表示，測得的墨水量（△‘?）中圖所示。模型的預測誤差和誤差閾值是在底部圖。圖像呈現在圖13的右側顯示輸入的數據投影到第一和第二主成分的計算使用的訓練數據。我們區(qū)分三個區(qū)域在控制序列。首先，基于多模型控制器的運行過程。在墨量的預測誤差超過閾值的點，^=6,積分控制器接管控制（通過?表明樣品）。積分控制器油墨的目標量和模型的預測誤差帶來的過程是低了。正如從圖13可以看出，從而在高的預測誤差的數據，通過?顯示，出現在訓練數據的主體的邊緣，所指示的*。這就解釋了為什么基于控制器與這些數據點的多模型問題。50- -丿I人AAAAAA八人人00Q△△AAj&AAAAAA,A.AAA.A5 10 15 20 25 30Amounlofblackink70. A△八△A、小人△人心犬5 10 15 20 25 30Amounlofblackink70. A△八△A、小人△人心犬. A Aacr. 八“a八小“ 入八厶AAAAaaaAAAbu u ……一5 W15 20 25 30Modelpredictionerror10；^AAAAA仏込AL5 W 15 20Samplenumber25 30-u①uodEOOEdoE￡PUCJ4-4-262Q20 2 41stprincipialcomponent圖13左上：墨鍵開口。左中：測量和目標（實線）的墨水量。左下：預測值與實測值之間

的墨水量和誤差閾值的誤差（虛線）。右：數據投影到第一和第二主成分的計算使用的訓練

數據」otepo]」」otepo]」陽nbw匚EWE-OOH圖14為集成控制器和魯棒控制器油墨飼料長期試驗結果。*表示的自適應增益的模型4.4長期試驗證明的控制配置效益提出我們進行了大量不同的集成控制器的長期實驗和魯棒油墨進給控制器（RIFC）。結合K=0.1,0.2,0.4,0.7的控制器，并給出的自適應K：ifymesifymes(t)—y(t)0.1 otherwise（7）已經在實驗中的應用。積分控制器的自適應增益來降低上升時間和過程輸出的標準偏差。Cyaninkkeyopening Magentainkkeyopening BlackinkkeyopeningSamplenumber Samplenumber SamplenumberAmountofcyanink Amountofmagentaink AmountofblackinkCyaninkkeyopening Magentainkkeyopening BlackinkkeyopeningSamplenumber Samplenumber SamplenumberAmountofcyanink Amountofmagentaink Amountofblackink5050A，60—* A40-AAAA-a-A……m匸404A△J3030401’,'0 10 20 30 0 10 20 30 0 10 20 30Samplenumber Samplenumber Samplenumber圖15從積分控制器的自適應增益得到的控制信號（頂部）和測量信號（底部）與所需的的油墨量（實線）圖14總結了實驗的結果通過對過程輸出的平均均方根誤差。在圖14中，K=0.1,表明積分控制器的自適應增益。在長期的實驗中的控制器用于多個產品，不同的墨區(qū)。該控制器已被使用的時間超過誤差棒顯示。正如從圖14可以看出，在RIFC提供了最好的性能，甚至在造紙廢水中還原過程的輸出結果誤差小排量。在圖15和16中我們分別探討幾個“控制曲線”從積分控制器和RIFC獲得。可以看出，積分控制器消除固定誤差問題，由于增益太小（K=0.1）。然而，如果增益增加，輸出信號變得嘈雜。強大的供墨控制器管理，保持輸出及油墨的目標量。5、結論與討論提出了在卷筒紙膠印機的油墨進給控制一個強大的技術。該技術結合了積分控制器和基于多模型控制器的神經。我們在長期的實驗表明，基于控制器的性能要明顯優(yōu)于集成控制器通過較低的上升時間和低噪聲的輸出信號的多個模型。然而，當過程開始于輸入空間的一個新的部分操作，多神經網絡模型可能會遇到的推廣問題。自動檢測這種情況與積分控制器暫時接管控制的過程。我們的實驗結果顯示，根據油墨的目標量所提出的技術是能夠自動控制在報紙印刷機供墨。雖然從RIFC得到改善，只有20%左右，如果相比于集成控制器與自適應增益這可以，從長遠來看，將節(jié)省大量的形式減少紙張和油墨的浪費。

% 10 20 3050AmountofblackinkSamplenumberAmountofcyanink5040300 10 20 30Samplenumber°010 20 30Samplenumber% 10 20 3050AmountofblackinkSamplenumberAmountofcyanink5040300 10 20 30Samplenumber°010 20 30SamplenumberAmountofmagentaink010 20 30Samplenumber0 10 20 30Samplenumber圖16從RIFC獲得的控制信號（頂部）和測量信號（底部）

與所需的的油墨量（實線）致謝我們非常感謝來自瑞典知識基金會，港口Holmen紙業(yè)，斯道拉恩索，和瑞典VTAB組的財務支持。參考文獻SharmaGTrussellHJ(1997)Digitalcolorimaging.IEEETransImageProcess6:901-932BralasubramanianR(1999)OptimizationofthespectralNeuge-bauermodelforprintercharacterization.JElectronImaging8:156-166PappasT(1997)Model-basedhalftoningofcolorimages.IEEETransImageProcess6:1014-1024AlmutawaS,MoonYB(1999)Thedevelopmentofaconnec-tionistexpertsystemforcompensationofcolordeviationinoffsetlithographicprinting.ArtifIntellEng13:427-434BrownN,JackssonM,BamforthP(2004)Machinevisioninconjunctionwithaknowledge-basedsystemforsemi-automaticcontrolofagravureprintingprocess.In:ProceedingsoftheIMECHEpartIjournalofsystems&controlengineering,vol218.ProfessionalEngineeringPublishing,pp583-593PopeB,SweeneyJ(2000)Performanceofanonlineclosed-loopcol