人工神经网络在造纸工业自动控制中应用.docVIP

在造纸工业自动化控制中运用人工神经网络进行建模和工艺优化的研究日趋深入,人工神经网络因其具有逼近任意非线性函数的能力,具有自学习、自适应能力以及可以多输入、多输出,使其在造纸过程的各个领域都有成功运用的范例,涉及了从蒸煮、漂白、施胶系统直至纸页翘曲的控制、断纸的诊断以及定量、游离度的控制和涂料的成分定量分析等制浆造纸工艺过程的各个环节,在烟道气中氮、硫等有害物质的排放预测中,神经网络的bp算法和模型都有着成功的应用。人工神经网络在这些方面的应用,解决了许多传统方法不能解决的问题,整体上提高了纸页的质量。下面就人工神经网络在造纸工业过程中的一些应用实例进行介绍。 2fi0f3c5c 宁波天气预报30天/ningbo30tian.htm 1人工神经网络对于蒸煮过程的研究 由于蒸煮过程是一个极为复杂的非线性过程,很难能用一个十分精确的数学模型来描述这个过程。因此,利用现有的操作信息来控制蒸煮过程是极为困难的。 而实验证明,利用人工神经网络则可以有效地控制蒸煮过程。下面主要介绍对于卡伯值以及Ｈ因子的控制与研究。 11对间歇蒸煮卡伯值的研究与控制[1]在蒸煮过程中,脱木素的程度可以由卡伯值来衡量,它代表纸浆中木素含量的高低,是蒸煮过程纸浆的主要质量指标之一,且纸浆的目标卡伯值是蒸煮结束的主要标志。卡伯值在蒸煮过程中是变化的,不能被直接测量,但可以根据蒸煮温度和蒸煮液浓度来估计。 (1)卡伯值估计:Williams等人根据蒸煮过程控制的非线性,研究使用模糊神经网络(FNN)来估计卡伯值[2]。所测量的参数是温度和有效碱,把它们输入到模糊神经网络中,然后输出得到卡伯值的估计值,并通过对网络进行训练来学习绘制输入变量(蒸煮温度和有效碱含量)和输出变量(卡伯值)之间的关系图。训练数据通过非线性模型来获得。根据实际的间歇蒸煮工艺,模拟时间是2ｈ。初始权值设为零,在反向传播中的学习速率从0001到00001。相应于72000次均方差为0503的重复训练,训练在80个训练值的900次表达后停止。 (2)卡伯值控制:研究中利用FNN控制器控制温度和循环液流速来实现对卡伯值的控制。FNN控制器中输入的是参考卡伯值和估计值之间的误差ｅ(ｋ)和误差增量△ｅ(ｋ),输出的是药液循环温度Ｔｒ和流速Fｒ。 12对连续蒸煮卡伯值的预测许多研究者因为神经网络有黑箱的弱点而拒绝使用,即对神经网络为什么给出一种这样或那样的决策作出恰当的解释是非常困难的。因此人们将模糊理论与神经网络结合,形成更高的智能系统[3]。例如Musavi等人发展了神经模糊系统(ＮFS),在连续蒸煮器中来预测卡伯值。神经模糊系统技术利用Ｋ因子模糊器和改良模糊消除器[4]。模糊规则的基础决定于实验观测到的输入/输出数据,这些数据经过了一个迭代规则,即置信矩阵训练算法和一个最大/最小模糊推理引擎。 这种引擎用于规则解释程序。同时利用一种混合式的反向传递遗传算法训练程序来调谐各元件的作用。此外,鄢烈祥等人将神经网络降维分析法应用于制浆蒸煮过程,揭示出了蒸煮工艺参数间的内在联系和对纸浆得率及卡伯值的关系[5]。优化计算结果表明:对于以木料为原料的蒸煮工艺,在控制纸浆卡伯值于一定范围的条件下,提高最高温度,适当降低保温时间,减少用碱量和蒽醌用量,能明显提高纸浆得率,降低操作费用,提高经济效益。 13对纸浆卡伯值的Ｈ因子控制Ｈ因子是用木素反应的活化能计算的蒸煮相对反应速率与时间作图所得曲线下的面积,其数值的实质是蒸煮过程的木素脱除量。换句话说,一定的Ｈ因子数对应纸浆中一定的残余木素量[6]。用人工神经网络方法,可以在一定的蒸煮条件下,来确定多少的蒸煮Ｈ因子,来达到所需的纸浆硬度,即进行蒸煮过程纸浆卡伯值的控制。罗琪等人建立了蒸煮过程中的纸浆卡伯值的人工神经网络模型[7],1所示。他们利用bp控制网络以纸浆的卡伯值(以高锰酸钾值计)、用碱量(%)和液比为输入参数,Ｈ因子作为输出参数,隐层的节点数选为6个,其中训练步长alpha;=01,冲量因子eta;=06。然后确定优化目标,即形成纸浆的目标卡伯值,加上蒸煮初始的条件用碱量和液比作为输入,从而得出想要的Ｈ因子[8]。 2人工神经网络在漂白中的应用 纸浆漂白过程是一个多变量多指标的工艺过程,实现其优化操作有一定的困难,这是由于纸浆漂白过程的机理较复杂,目前还不能建立起漂白指标与影响因素间的机理模型,而用传统的回归分析方法同时建立多个指标的回归方程精度难以满足要求[9]。纸浆漂白工艺条件的优化是一个非线性多约束优化问题,用常规计算方法得到的最优点往往在约束线的边界和交点处,一旦操作点偏离最优点,某个或某几个指标就会急剧地变差。因而对于这种难以建立精确数学模型又是多约束的非线性优化问题,寻求最优点的实用价值不大。有实际意义的做法是进行区域优化,即寻求比最优点稍逊,