在造紙工業(yè)自動(dòng)化控制中運用人工神經(jīng)網(wǎng)絡(luò )進(jìn)行建模和工藝優(yōu)化的研究日趨深入,人工神經(jīng)網(wǎng)絡(luò )因其具有逼近任意非線(xiàn)性函數的能力,具有自學(xué)習、自適應能力以及可以多輸入、多輸出,使其在造紙過(guò)程的各個(gè)領(lǐng)域都有成功運用的范例,涉及了從蒸煮、漂白、施膠系統直至紙頁(yè)翹曲的控制、斷紙的診斷以及定量、游離度的控制和涂料的成分定量分析等制漿造紙工藝過(guò)程的各個(gè)環(huán)節,在煙道氣中氮、硫等有害物質(zhì)的排放預測中,神經(jīng)網(wǎng)絡(luò )的bp算法和模型都有著(zhù)成功的應用。人工神經(jīng)網(wǎng)絡(luò )在這些方面的應用,解決了許多傳統方法不能解決的問(wèn)題,整體上提高了紙頁(yè)的質(zhì)量。下面就人工神經(jīng)網(wǎng)絡(luò )在造紙工業(yè)過(guò)程中的一些應用實(shí)例進(jìn)行介紹。

　　1　人工神經(jīng)網(wǎng)絡(luò )對于蒸煮過(guò)程的研究

　　由于蒸煮過(guò)程是一個(gè)極為復雜的非線(xiàn)性過(guò)程,很難能用一個(gè)十分精確的數學(xué)模型來(lái)描述這個(gè)過(guò)程。因此,利用現有的操作信息來(lái)控制蒸煮過(guò)程是極為困難的。

　　而實(shí)驗證明,利用人工神經(jīng)網(wǎng)絡(luò )則可以有效地控制蒸煮過(guò)程。下面主要介紹對于卡伯值以及Ｈ因子的控制與研究。

　　1 1　對間歇蒸煮卡伯值的研究與控制[1]在蒸煮過(guò)程中,脫木素的程度可以由卡伯值來(lái)衡量,它代表紙漿中木素含量的高低,是蒸煮過(guò)程紙漿的主要質(zhì)量指標之一,且紙漿的目標卡伯值是蒸煮結束的主要標志�？ú�值在蒸煮過(guò)程中是變化的,不能被直接測量,但可以根據蒸煮溫度和蒸煮液濃度來(lái)估計。

　　(1)卡伯值估計:Williams等人根據蒸煮過(guò)程控制的非線(xiàn)性,研究使用模糊神經(jīng)網(wǎng)絡(luò )(FNN)來(lái)估計卡伯值[2]。所測量的參數是溫度和有效堿,把它們輸入到模糊神經(jīng)網(wǎng)絡(luò )中,然后輸出得到卡伯值的估計值,并通過(guò)對網(wǎng)絡(luò )進(jìn)行訓練來(lái)學(xué)習繪制輸入變量(蒸煮溫度和有效堿含量)和輸出變量(卡伯值)之間的關(guān)系圖。訓練數據通過(guò)非線(xiàn)性模型來(lái)獲得。根據實(shí)際的間歇蒸煮工藝,模擬時(shí)間是2ｈ。初始權值設為零,在反向傳播中的學(xué)習速率從0001到00001。相應于72000次均方差為0503的重復訓練,訓練在80個(gè)訓練值的900次表達后停止。

　　(2)卡伯值控制:研究中利用FNN控制器控制溫度和循環(huán)液流速來(lái)實(shí)現對卡伯值的控制。FNN控制器中輸入的是參考卡伯值和估計值之間的誤差ｅ(ｋ)和誤差增量△ｅ(ｋ),輸出的是藥液循環(huán)溫度Ｔｒ和流速Fｒ。

　　1 2　對連續蒸煮卡伯值的預測許多研究者因為神經(jīng)網(wǎng)絡(luò )有黑箱的弱點(diǎn)而拒絕使用,即對神經(jīng)網(wǎng)絡(luò )為什么給出一種這樣或那樣的決策作出恰當的解釋是非常困難的。因此人們將模糊理論與神經(jīng)網(wǎng)絡(luò )結合,形成更高的智能系統[3]。例如Musavi等人發(fā)展了神經(jīng)模糊系統(ＮFS),在連續蒸煮器中來(lái)預測卡伯值。神經(jīng)模糊系統技術(shù)利用Ｋ因子模糊器和改良模糊消除器[4]。模糊規則的基礎決定于實(shí)驗觀(guān)測到的輸入/輸出數據,這些數據經(jīng)過(guò)了一個(gè)迭代規則,即置信矩陣訓練算法和一個(gè)最大/最小模糊推理引擎。

　　這種引擎用于規則解釋程序。同時(shí)利用一種混合式的反向傳遞—遺傳算法訓練程序來(lái)調諧各元件的作用。此外,鄢烈祥等人將神經(jīng)網(wǎng)絡(luò )降維分析法應用于制漿蒸煮過(guò)程,揭示出了蒸煮工藝參數間的內在聯(lián)系和對紙漿得率及卡伯值的關(guān)系[5]。優(yōu)化計算結果表明:對于以木料為原料的蒸煮工藝,在控制紙漿卡伯值于一定范圍的條件下,提高最高溫度,適當降低保溫時(shí)間,減少用堿量和蒽醌用量,能明顯提高紙漿得率,降低操作費用,提高經(jīng)濟效益。

　　1 3　對紙漿卡伯值的Ｈ因子控制Ｈ因子是用木素反應的活化能計算的蒸煮相對反應速率與時(shí)間作圖所得曲線(xiàn)下的面積,其數值的實(shí)質(zhì)是蒸煮過(guò)程的木素脫除量。換句話(huà)說(shuō),一定的Ｈ因子數對應紙漿中一定的殘余木素量[6]。用人工神經(jīng)網(wǎng)絡(luò )方法,可以在一定的蒸煮條件下,來(lái)確定多少的蒸煮Ｈ因子,來(lái)達到所需的紙漿硬度,即進(jìn)行蒸煮過(guò)程紙漿卡伯值的控制。羅琪等人建立了蒸煮過(guò)程中的紙漿卡伯值的人工神經(jīng)網(wǎng)絡(luò )模型[7],如圖1所示。他們利用bp控制網(wǎng)絡(luò )以紙漿的卡伯值(以高錳酸鉀值計)、用堿量(%)和液比為輸入參數,Ｈ因子作為輸出參數,隱層的節點(diǎn)數選為6個(gè),其中訓練步長(cháng)α=0 1,沖量因子η=0 6。然后確定優(yōu)化目標,即形成紙漿的目標卡伯值,加上蒸煮初始的條件用堿量和液比作為輸入,從而得出想要的Ｈ因子[8]。


　　2　人工神經(jīng)網(wǎng)絡(luò )在漂白中的應用

　　紙漿漂白過(guò)程是一個(gè)多變量多指標的工藝過(guò)程,實(shí)現其優(yōu)化操作有一定的困難,這是由于紙漿漂白過(guò)程的機理較復雜,目前還不能建立起漂白指標與影響因素間的機理模型,而用傳統的回歸分析方法同時(shí)建立多個(gè)指標的回歸方程精度難以滿(mǎn)足要求[9]。紙漿漂白工藝條件的優(yōu)化是一個(gè)非線(xiàn)性多約束優(yōu)化問(wèn)題,用常規計算方法得到的最優(yōu)點(diǎn)往往在約束線(xiàn)的邊界和交點(diǎn)處,一旦操作點(diǎn)偏離最優(yōu)點(diǎn),某個(gè)或某幾個(gè)指標就會(huì )急劇地變差。因而對于這種難以建立精確數學(xué)模型又是多約束的非線(xiàn)性?xún)?yōu)化問(wèn)題,尋求最優(yōu)點(diǎn)的實(shí)用價(jià)值不大。有實(shí)際意義的做法是進(jìn)行區域優(yōu)化,即尋求比最優(yōu)點(diǎn)稍遜,但能協(xié)調各個(gè)指標使之都達到較滿(mǎn)意的穩定操作區域。鄢烈祥等人將人工神經(jīng)網(wǎng)絡(luò )技術(shù)用于紙漿漂白工藝過(guò)程,建立了漂白因素與漂白效果的網(wǎng)絡(luò )模型。

　　實(shí)驗證明,用實(shí)驗數據對網(wǎng)絡(luò )訓練后,網(wǎng)絡(luò )能準確預報漂白效果[10]。此外他們還將神經(jīng)網(wǎng)絡(luò )和統計分析結合起來(lái),提出了確定漂白工藝的區域優(yōu)化方法,將漂白試驗數據的各個(gè)指標進(jìn)行綜合評定分成好壞兩類(lèi)后,應用人工神經(jīng)網(wǎng)絡(luò )的高度分類(lèi)功能來(lái)識別漂白效果的好壞類(lèi)別,實(shí)現對漂白工藝操作的預測[11]。

　　3　神經(jīng)網(wǎng)絡(luò )在煙道氣排放控制與預測中的應用[12]

　　制漿造紙廠(chǎng)的排放受到越來(lái)越嚴格的法規限制。以煙道氣主要成分NOｘ、SOｘ或co的排放控制為例,最為常用的排放量測量方法,是采用連續排放監測系統(cＥMS)進(jìn)行監測,但這種系統的精確度和可靠性達不到新的地方排放標準,并且購買(mǎi)、安裝和維護費用也很高,而且監測的可靠性和精確性也不高。為了提高監測的可靠性和精確性,同時(shí)節省開(kāi)支,基于人工神經(jīng)網(wǎng)絡(luò )的預測性排放監測系統(ＰＥMS),作為連續排放監測系統的替代方式,正得到廣泛的接受。ＰＥMS利用數學(xué)模擬技術(shù),配合有力的軟件系統,由與其它已知工藝限值的關(guān)系推出排放測量數據,而不是直接地進(jìn)行測量。

　�。校臡S使用的神經(jīng)網(wǎng)絡(luò )軟件包由三部分組成:(1)數據采集和預處理;(2)網(wǎng)絡(luò )訓練;(3)網(wǎng)絡(luò )驗證。采用ＰＥMS在保證測量精度的條件下有效地降低了煙道氣有害物質(zhì)的監控費用,實(shí)驗證實(shí),基于人工神經(jīng)網(wǎng)絡(luò )的ＰＥMS預測結果與硬件分析器的實(shí)際測量結果的相關(guān)性超過(guò)95%。

　　4　人工神經(jīng)網(wǎng)絡(luò )預測紙張翹曲

　　紙張翹曲對于造紙廠(chǎng)來(lái)說(shuō)是個(gè)嚴重的問(wèn)題,亦是一個(gè)難以預測的質(zhì)量測量實(shí)例,因為它涉及到的影響因素很多,例如:紙頁(yè)兩邊干燥速率的不同,紙頁(yè)內部水分的不均勻以及纖維內部的機械應力等等。國外學(xué)者研究結果表明,紙張翹曲可以以某種有價(jià)值的準確度加以預測[13],具體地說(shuō),可在生產(chǎn)之前預測初卷紙卷的翹曲度是否會(huì )在規定指標范圍內,以及預測有可能發(fā)生的實(shí)際翹曲程度。

　　人工神經(jīng)網(wǎng)絡(luò )可以通過(guò)建立紙張翹曲過(guò)程的模型,在紙卷生產(chǎn)出來(lái)之前預測紙張翹曲。研究提出的表征當前紙卷狀態(tài)的參數,可作為神經(jīng)網(wǎng)絡(luò )的輸入數據,通過(guò)所建立的模型,來(lái)預測翹曲的最終水平是否在要求的規定指標范圍內。同時(shí),輸入同樣的數據到另外一個(gè)網(wǎng)絡(luò ),并建立模型來(lái)預測翹曲的絕對水平。這樣,就可以有效地控制紙頁(yè)的翹曲程度,達到提高紙張質(zhì)量的目的。

　　5　人工神經(jīng)網(wǎng)絡(luò )診斷紙機斷紙

　　紙機斷紙是一種復雜的現象,可能有多種因生產(chǎn)過(guò)程而大幅度變化的起因。利用常規的統計方法來(lái)確定斷紙的確切起因是極為困難的。然而在解決此類(lèi)問(wèn)題上,人工神經(jīng)網(wǎng)絡(luò )方法顯示出巨大的優(yōu)越性。Takanori等人研究利用多層神經(jīng)網(wǎng)絡(luò )和bp算法來(lái)分析紙頁(yè)斷紙的原因,診斷商業(yè)新聞紙斷紙問(wèn)題[14]。神經(jīng)網(wǎng)絡(luò )所需過(guò)程數據由該紙機的分布式控制系統進(jìn)行采集,進(jìn)一步的數據(ｚｅｔａ電位、網(wǎng)部留著(zhù)率、傳導率和ｐＨ值)由專(zhuān)為研究安裝的聯(lián)機濕部傳感器加以測量。

　　人工神經(jīng)網(wǎng)絡(luò )診斷顯示,通過(guò)改變濕部化學(xué)性質(zhì)和提高網(wǎng)部留著(zhù)率有可能減少斷紙問(wèn)題,節省大量成本,減少了纖維流失,減少了工人清洗、復卷和重開(kāi)紙機的時(shí)間。該研究還將人工神經(jīng)網(wǎng)絡(luò )與傳統統計方法進(jìn)行了比較,結果表明:人工神經(jīng)網(wǎng)絡(luò )方法在解決紙機斷紙問(wèn)題上有更大的優(yōu)越性,可以更精確地對斷紙進(jìn)行診斷,減少斷紙問(wèn)題,提高企業(yè)效益。

     6　神經(jīng)網(wǎng)絡(luò )在濕部化學(xué)過(guò)程控制的應用

     國內外對于濕部化學(xué)的過(guò)程控制尚處于實(shí)驗室階段,國內對建立濕部中性施膠系統的數學(xué)模型以及模型的計算機仿真進(jìn)行了初步研究。由于造紙濕部化學(xué)的機理非常復雜,影響因素很多,僅用機理分析的方法或參數估計法,難以建立有效的數學(xué)模型。朱勇強等人以造紙濕部的中性施膠系統作為研究對象,并采用人工神經(jīng)網(wǎng)絡(luò )進(jìn)行智能建模的研究[15]。研究結果表明,將人工神經(jīng)網(wǎng)絡(luò )用于建立復雜的造紙濕部化學(xué)系統中性施膠的數學(xué)模型是可行的。采用該數學(xué)模型能有效地仿真中性施膠系統施膠劑用量和淀粉用量對施膠效果的影響。在該實(shí)驗中,bp神經(jīng)網(wǎng)絡(luò )被用來(lái)建立中性施膠系統的數學(xué)模型,并用實(shí)驗室中性施膠實(shí)驗的數據來(lái)訓練該神經(jīng)網(wǎng)絡(luò )。神經(jīng)網(wǎng)絡(luò )的基本結構是2-5-2-1,即網(wǎng)絡(luò )的輸入層有2個(gè)變量與施膠劑和陽(yáng)離子淀粉用量映射,第一隱層有5個(gè)神經(jīng)元,第二隱層有2個(gè)神經(jīng)元,輸出層有1個(gè)變量與施膠效果映射。研究通過(guò)反向誤差傳播算法來(lái)進(jìn)行訓練。

　　7　人工神經(jīng)網(wǎng)絡(luò )對氣體洗滌機進(jìn)行模擬

　　氣體洗滌過(guò)程是一種潮濕廢氣流與過(guò)程水直接接觸的過(guò)程,通常用物理模型來(lái)描述,但是,物理過(guò)程的模擬通常需要解決大量不同的初始條件和/或邊界條件方程,而且物理模型的傳質(zhì)傳熱過(guò)程依靠幾個(gè)經(jīng)驗相關(guān)性。而利用人工神經(jīng)網(wǎng)絡(luò )來(lái)模擬氣液流之間復雜的流體動(dòng)力學(xué)現象,能夠為預測氣體洗滌機提供所需工作參數的非經(jīng)典解。Milosavljevic等人利用人工神經(jīng)網(wǎng)絡(luò )對兩臺洗滌機進(jìn)行模擬時(shí)[16],所用的人工神經(jīng)網(wǎng)絡(luò )由7個(gè)輸入神經(jīng)元(在輸入層)、一個(gè)輸出神經(jīng)元(在輸出層)和一個(gè)隱層組成。輸入數據包括:供給空氣的質(zhì)量流率(ｘ1)、供給空氣溫度(ｘ2)、供給空氣進(jìn)口濕度(ｘ3)、水的質(zhì)量流率(ｘ4)、進(jìn)口水溫(ｘ5)、洗滌機高度(ｘ6)、噴嘴水壓(ｘ7),輸出數據為洗滌機的出口水溫度。輸入變量ｘｐ=(ｘｐ1,ｘｐ2,...,ｘｐＮ)應用到網(wǎng)絡(luò )的輸入層[17-18],輸入層的結果傳到隱層。

　　Milosavljevic等利用物理模型進(jìn)行洗滌機模擬時(shí),采用了標準方差來(lái)評價(jià)預測值與測量值之間的差異，ｄｐｋ是預測出口水溫,Oｐｋ是神經(jīng)網(wǎng)絡(luò )的實(shí)驗出口水溫,ｐ代表第ｐ個(gè)訓練向量,ｋ代表第ｋ個(gè)輸出單元。當利用物理模型進(jìn)行模擬時(shí),預測出口水溫度與實(shí)驗得到的出口水溫度的誤差為2 29℃,而人工神經(jīng)網(wǎng)絡(luò )用于模擬時(shí),誤差僅為0 99℃[16]。人工神經(jīng)網(wǎng)絡(luò )的精確結果可減少設備成本,并且可以更好地利用潮濕廢氣的能量,同時(shí)使產(chǎn)品的質(zhì)量更加穩定�？梢�(jiàn),利用神經(jīng)網(wǎng)絡(luò )進(jìn)行洗滌機模擬,不僅可以避免氣液流動(dòng)復雜的流體動(dòng)力學(xué)現象,而且能提供好的非線(xiàn)性解決方案。在制漿造紙干燥過(guò)程中,如能正確利用神經(jīng)網(wǎng)絡(luò ),則能得到很大的益處。

　　8　神經(jīng)網(wǎng)絡(luò )在紙張定量控制中的應用

　　造紙過(guò)程是一個(gè)非常復雜的物理化學(xué)過(guò)程。影響紙張的性能因素很多,紙張定量是紙張最重要的性能指標之一。影響紙張定量變化的因素很多,包括漿濃、堰板開(kāi)口度、漿流量、漿網(wǎng)速比、白水濃度、濾水性以及漿料留著(zhù)率等等。對紙張定量進(jìn)行控制,就要求通過(guò)調節漿流量來(lái)克服其它影響因素。

　　由于造紙廠(chǎng)經(jīng)常接受生產(chǎn)不同紙種紙張的任務(wù),因此希望造紙機定量控制系統能在各種可能情況下均有較好的控制性能。因此要求所用控制系統能適應各種控制環(huán)境,使紙機在生產(chǎn)各種紙張時(shí)能實(shí)現定量的良好控制。王艷等人利用人工神經(jīng)網(wǎng)絡(luò )方法實(shí)現了紙機的定量控制,以經(jīng)過(guò)訓練的神經(jīng)網(wǎng)絡(luò )控制器代替常規控制器,同時(shí)達到對多個(gè)模型的控制,進(jìn)而達到對不確定系統的控制[19]。神經(jīng)網(wǎng)絡(luò )控制器具有如下結構:含有一個(gè)隱層的前傳網(wǎng)絡(luò ),輸入層具有7個(gè)節點(diǎn),隱層具有9個(gè)節點(diǎn),輸出層具有1個(gè)節點(diǎn)。訓練后的神經(jīng)網(wǎng)絡(luò )控制器分別用于設計控制器的3個(gè)被控對象,其單位階躍響應如圖2所示。ｋ=0～100,ｋ=100～200,ｋ=200～300分別作用于對象1、2、3的階躍響應。從曲線(xiàn)可以看出,采用單一的神經(jīng)網(wǎng)絡(luò )控制器,可以實(shí)現由3個(gè)模型構成的不確定造紙機定量過(guò)程的良好控制。



　　9　神經(jīng)網(wǎng)絡(luò )用于造紙用涂料的定量分析

　　人工神經(jīng)網(wǎng)絡(luò )在化學(xué)特別是分析化學(xué)上的應用是廣泛的,應用領(lǐng)域包括紅外光譜解釋[20]、13cＮMＲ位移的預測[21]和氨基酸中質(zhì)子的化學(xué)位移[22]等。LｕｄMｉL(cháng)ａ等人研究利用簡(jiǎn)單的三層人工神經(jīng)網(wǎng)絡(luò )來(lái)定量分析造紙用涂料中的三種主要成分,即苯乙烯、丁二烯和碳酸鹽[23]。他們通過(guò)讓人工神經(jīng)網(wǎng)絡(luò )進(jìn)行監督學(xué)習,構造出與紅外光譜和三種主要成分濃度有關(guān)的非線(xiàn)性模型。

　　在三層人工神經(jīng)網(wǎng)絡(luò )中,第一層接受導數紅外光譜的強度向量,然后利用S(SｉｇMOｉｄ)激勵函數作非線(xiàn)性變換,輸出的結果再經(jīng)第二層處理,第三層的輸出結果代表了目標濃度。在神經(jīng)網(wǎng)絡(luò )里有538個(gè)輸入神經(jīng)元,50個(gè)隱藏神經(jīng)元和3個(gè)輸出神經(jīng)元。輸入層的大小由光譜的邊界決定,輸出層包括所有的目標變量。實(shí)驗中通過(guò)將訓練集分為3個(gè)區域:一個(gè)亮區和兩個(gè)暗區。

　　其中,亮區是濃度為50%的碳酸鹽樣品圖像,兩個(gè)暗區分別是濃度為0%和100%的碳酸鹽樣品圖像。并通過(guò)實(shí)驗數據得到苯乙烯和丁二烯的近似關(guān)系式:LS/Lｂ=2 5該研究結果表明,人工神經(jīng)網(wǎng)絡(luò )與其它分析手段(主成分分析法和最小二乘法)相比,神經(jīng)網(wǎng)絡(luò )是最可靠而且有效的分析工具。并證明,對于中濃的碳酸鹽(50%)來(lái)說(shuō),誤差要比最小二乘法(苯乙烯為6%,丁二烯為11%,碳酸鹽為5%)小。

　　此外,徑向基函數神經(jīng)網(wǎng)絡(luò )(ＲＢF)已經(jīng)用于模擬生產(chǎn)過(guò)程中紙的光學(xué)性質(zhì)[24],利用多重分辨率分析和快速正交檢索訓練技術(shù)來(lái)映射過(guò)程變量和成紙的光學(xué)性質(zhì)(亮度和透明度)之間的關(guān)系。同時(shí),人工神經(jīng)網(wǎng)絡(luò )還可用于提高紙頁(yè)的平滑度[25],控制漿料的游離度[26]等。

　　10　結束語(yǔ)　　

　　人工神經(jīng)網(wǎng)絡(luò )是一種新的預測與控制技術(shù),又是一種適用廣泛的黑箱建模方法,不僅可以應用在造紙工業(yè)過(guò)程控制,也可用于一些基礎研究方面。根據神經(jīng)網(wǎng)絡(luò )結構特性,在造紙工業(yè)中具有潛力的應用研究前景的課題可能包括以下幾個(gè)方面[27]:(1)纖維原料種類(lèi)識別;(2)對于紙頁(yè)勻度及紙漿絮聚度的定量分析和評價(jià);(3)印刷用紙的印刷適應性評價(jià);(4)各種光譜譜圖的解析與各種官能團的智能識別。

　　可見(jiàn),人工神經(jīng)網(wǎng)絡(luò )技術(shù)不僅解決了很多利用傳統方法不能解決的難題,而且可以大幅度地提高紙張的質(zhì)量和檔次,增加企業(yè)的經(jīng)濟效益,因此必將為造紙工業(yè)的發(fā)展帶來(lái)新的契機,人工神經(jīng)網(wǎng)絡(luò )在推動(dòng)造紙工業(yè)進(jìn)步中具有廣闊的應用前景。