造纸工业中，图1所示磨浆过程主要是将植物原料经盘磨机反复研磨后，经汽浆分离后获得造纸所需的纸浆纤维，包括螺旋喂料系统，供水系统，液压伺服系统和磨盘调速系统。磨浆过程的主要操作变量包括磨盘间隙、稀释水流量、动盘转速和螺旋喂料量等。研究表明长纤维百分含量作为一个衡量磨浆过程纤维长度均值的工艺指标，主要与注入磨区的稀释水流量和磨盘间隙密切相关，由于磨浆过程主要是对纤维进行切断、压溃、吸水膨胀和细纤维分离，所以磨盘间隙大小直接影响纸浆纤维被切断和压溃强度。同时，为使植物纤维能够较好的分离为单根纤维，需要让纤维获得足够的水分进行膨胀，纤维的吸水膨胀程度主要取决于稀释水流量。而植物纤维被切断、压溃强度以及吸水膨胀程度决定了最终获得的纤维长度。另外，结合实际工程经验，通常情况下分别通过改变喂料螺旋转速和供水泵转速来调节螺旋喂料量和稀释水流量。而当产量一定的情况下，动盘转速是固定不变的，螺旋喂料量也是恒定的。在这种情况下，稀释水流量和磨盘间隙不但可以看作影响长纤维百分含量的主要变量，同样也可以作为影响最终纤维长度随机分布形状的关键变量，对整个制浆生产流程都起着极为关键的作用。因此，将稀释水流量和磨盘间隙作为影响磨浆过程输出纤维长度随机分布形状的关键输入变量。由于传统纤维长度的均值和方差难以描述输出纤维长度分布特征，即具有非高斯分布特性，传统控制磨浆过程输出纤维长度的均值和方差难以有效控制纤维长度随机分布形状，需要研究磨浆过程纤维长度随机分布形状控制的方法。

图1. 典型磨浆过程工艺流程图

基于上述实际需求和相关理论基础，本文提出一种磨浆过程输出纤维长度随机分布预测PDF控制的方法，如图2所示。首先，采用RBF神经网络逼近输出PDF的均方根，基于迭代学习方法对一批次内期望的输出PDF逼近实现RBFs参数整定。在RBFs确定基础上，对实际输出PDF进行相应的权值向量估计；其次，针对常规线性权值向量部分模型精度不高，泛化能力不强等缺点，基于随机权神经网络方法建立输入变量和前n－1个权值向量之间的非线性预测模型，进而获得基于磨浆过程纤维长度分布PDF的随机分布系统模型。最后，基于磨浆过程输出纤维长度随机分布系统预测模型设计非线性预测PDF控制器，最终使得输出PDF获得良好目标跟踪能力。

图2.磨浆过程输出纤维长度随机分布预测PDF控制结构