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。

　　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。

　　1 1　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。

　　1 2　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。

　　1 3　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],如图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α=0 1,冲量因子η=0 6。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,但能协调各个指标使之都达到较满意的稳定操作区域。鄢烈祥等人将人工神经网络技术用于纸浆漂白工艺过程,建立了漂白因素与漂白效果的网络模型。

　　实验证明,用实验数据对网络训练后,网络能准确预报漂白效果[10]。此外他们还将神经网络和统计分析结合起来,提出了确定漂白工艺的区域优化方法,将漂白试验数据的各个指标进行综合评定分成好坏两类后,应用人工神经网络的高度分类功能来识别漂白效果的好坏类别,实现对漂白工艺操作的预测[11]。

　　3　神经网络在烟道气排放控制与预测中的应用[12]

　　制浆造纸厂的排放受到越来越严格的法规限制。以烟道气主要成分NOｘ、SOｘ或co的排放控制为例,最为常用的排放量测量方法,是采用连续排放监测系统(cＥMS)进行监测,但这种系统的精确度和可靠性达不到新的地方排放标准,并且购买、安装和维护费用也很高,而且监测的可靠性和精确性也不高。为了提高监测的可靠性和精确性,同时节省开支,基于人工神经网络的预测性排放监测系统(ＰＥMS),作为连续排放监测系统的替代方式,正得到广泛的接受。ＰＥMS利用数学模拟技术,配合有力的软件系统,由与其它已知工艺限值的关系推出排放测量数据,而不是直接地进行测量。

　　ＰＥMS使用的神经网络软件包由三部分组成:(1)数据采集和预处理;(2)网络训练;(3)网络验证。采用ＰＥMS在保证测量精度的条件下有效地降低了烟道气有害物质的监控费用,实验证实,基于人工神经网络的ＰＥMS预测结果与硬件分析器的实际测量结果的相关性超过95%。

　　4　人工神经网络预测纸张翘曲

　　纸张翘曲对于造纸厂来说是个严重的问题,亦是一个难以预测的质量测量实例,因为它涉及到的影响因素很多,例如:纸页两边干燥速率的不同,纸页内部水分的不均匀以及纤维内部的机械应力等等。国外学者研究结果表明,纸张翘曲可以以某种有价值的准确度加以预测[13],具体地说,可在生产之前预测初卷纸卷的翘曲度是否会在规定指标范围内,以及预测有可能发生的实际翘曲程度。

　　人工神经网络可以通过建立纸张翘曲过程的模型,在纸卷生产出来之前预测纸张翘曲。研究提出的表征当前纸卷状态的参数,可作为神经网络的输入数据,通过所建立的模型,来预测翘曲的最终水平是否在要求的规定指标范围内。同时,输入同样的数据到另外一个网络,并建立模型来预测翘曲的绝对水平。这样,就可以有效地控制纸页的翘曲程度,达到提高纸张质量的目的。

　　5　人工神经网络诊断纸机断纸

　　纸机断纸是一种复杂的现象,可能有多种因生产过程而大幅度变化的起因。利用常规的统计方法来确定断纸的确切起因是极为困难的。然而在解决此类问题上,人工神经网络方法显示出巨大的优越性。Takanori等人研究利用多层神经网络和bp算法来分析纸页断纸的原因,诊断商业新闻纸断纸问题[14]。神经网络所需过程数据由该纸机的分布式控制系统进行采集,进一步的数据(ｚｅｔａ电位、网部留着率、传导率和ｐＨ值)由专为研究安装的联机湿部传感器加以测量。

　　人工神经网络诊断显示,通过改变湿部化学性质和提高网部留着率有可能减少断纸问题,节省大量成本,减少了纤维流失,减少了工人清洗、复卷和重开纸机的时间。该研究还将人工神经网络与传统统计方法进行了比较,结果表明:人工神经网络方法在解决纸机断纸问题上有更大的优越性,可以更精确地对断纸进行诊断,减少断纸问题,提高企业效益。

     6　神经网络在湿部化学过程控制的应用

     国内外对于湿部化学的过程控制尚处于实验室阶段,国内对建立湿部中性施胶系统的数学模型以及模型的计算机仿真进行了初步研究。由于造纸湿部化学的机理非常复杂,影响因素很多,仅用机理分析的方法或参数估计法,难以建立有效的数学模型。朱勇强等人以造纸湿部的中性施胶系统作为研究对象,并采用人工神经网络进行智能建模的研究[15]。研究结果表明,将人工神经网络用于建立复杂的造纸湿部化学系统中性施胶的数学模型是可行的。采用该数学模型能有效地仿真中性施胶系统施胶剂用量和淀粉用量对施胶效果的影响。在该实验中,bp神经网络被用来建立中性施胶系统的数学模型,并用实验室中性施胶实验的数据来训练该神经网络。神经网络的基本结构是2-5-2-1,即网络的输入层有2个变量与施胶剂和阳离子淀粉用量映射,第一隐层有5个神经元,第二隐层有2个神经元,输出层有1个变量与施胶效果映射。研究通过反向误差传播算法来进行训练。

　　7　人工神经网络对气体洗涤机进行模拟

　　气体洗涤过程是一种潮湿废气流与过程水直接接触的过程,通常用物理模型来描述,但是,物理过程的模拟通常需要解决大量不同的初始条件和/或边界条件方程,而且物理模型的传质传热过程依靠几个经验相关性。而利用人工神经网络来模拟气液流之间复杂的流体动力学现象,能够为预测气体洗涤机提供所需工作参数的非经典解。Milosavljevic等人利用人工神经网络对两台洗涤机进行模拟时[16],所用的人工神经网络由7个输入神经元(在输入层)、一个输出神经元(在输出层)和一个隐层组成。输入数据包括:供给空气的质量流率(ｘ1)、供给空气温度(ｘ2)、供给空气进口湿度(ｘ3)、水的质量流率(ｘ4)、进口水温(ｘ5)、洗涤机高度(ｘ6)、喷嘴水压(ｘ7),输出数据为洗涤机的出口水温度。输入变量ｘｐ=(ｘｐ1,ｘｐ2,...,ｘｐＮ)应用到网络的输入层[17-18],输入层的结果传到隐层。

　　Milosavljevic等利用物理模型进行洗涤机模拟时,采用了标准方差来评价预测值与测量值之间的差异，ｄｐｋ是预测出口水温,Oｐｋ是神经网络的实验出口水温,ｐ代表第ｐ个训练向量,ｋ代表第ｋ个输出单元。当利用物理模型进行模拟时,预测出口水温度与实验得到的出口水温度的误差为2 29℃,而人工神经网络用于模拟时,误差仅为0 99℃[16]。人工神经网络的精确结果可减少设备成本,并且可以更好地利用潮湿废气的能量,同时使产品的质量更加稳定。可见,利用神经网络进行洗涤机模拟,不仅可以避免气液流动复杂的流体动力学现象,而且能提供好的非线性解决方案。在制浆造纸干燥过程中,如能正确利用神经网络,则能得到很大的益处。

　　8　神经网络在纸张定量控制中的应用

　　造纸过程是一个非常复杂的物理化学过程。影响纸张的性能因素很多,纸张定量是纸张最重要的性能指标之一。影响纸张定量变化的因素很多,包括浆浓、堰板开口度、浆流量、浆网速比、白水浓度、滤水性以及浆料留着率等等。对纸张定量进行控制,就要求通过调节浆流量来克服其它影响因素。

　　由于造纸厂经常接受生产不同纸种纸张的任务,因此希望造纸机定量控制系统能在各种可能情况下均有较好的控制性能。因此要求所用控制系统能适应各种控制环境,使纸机在生产各种纸张时能实现定量的良好控制。王艳等人利用人工神经网络方法实现了纸机的定量控制,以经过训练的神经网络控制器代替常规控制器,同时达到对多个模型的控制,进而达到对不确定系统的控制[19]。神经网络控制器具有如下结构:含有一个隐层的前传网络,输入层具有7个节点,隐层具有9个节点,输出层具有1个节点。训练后的神经网络控制器分别用于设计控制器的3个被控对象,其单位阶跃响应如图2所示。ｋ=0～100,ｋ=100～200,ｋ=200～300分别作用于对象1、2、3的阶跃响应。从曲线可以看出,采用单一的神经网络控制器,可以实现由3个模型构成的不确定造纸机定量过程的良好控制。



　　9　神经网络用于造纸用涂料的定量分析

　　人工神经网络在化学特别是分析化学上的应用是广泛的,应用领域包括红外光谱解释[20]、13cＮMＲ位移的预测[21]和氨基酸中质子的化学位移[22]等。LｕｄMｉLａ等人研究利用简单的三层人工神经网络来定量分析造纸用涂料中的三种主要成分,即苯乙烯、丁二烯和碳酸盐[23]。他们通过让人工神经网络进行监督学习,构造出与红外光谱和三种主要成分浓度有关的非线性模型。

　　在三层人工神经网络中,第一层接受导数红外光谱的强度向量,然后利用S(SｉｇMOｉｄ)激励函数作非线性变换,输出的结果再经第二层处理,第三层的输出结果代表了目标浓度。在神经网络里有538个输入神经元,50个隐藏神经元和3个输出神经元。输入层的大小由光谱的边界决定,输出层包括所有的目标变量。实验中通过将训练集分为3个区域:一个亮区和两个暗区。

　　其中,亮区是浓度为50%的碳酸盐样品图像,两个暗区分别是浓度为0%和100%的碳酸盐样品图像。并通过实验数据得到苯乙烯和丁二烯的近似关系式:LS/Lｂ=2 5该研究结果表明,人工神经网络与其它分析手段(主成分分析法和最小二乘法)相比,神经网络是最可靠而且有效的分析工具。并证明,对于中浓的碳酸盐(50%)来说,误差要比最小二乘法(苯乙烯为6%,丁二烯为11%,碳酸盐为5%)小。

　　此外,径向基函数神经网络(ＲＢF)已经用于模拟生产过程中纸的光学性质[24],利用多重分辨率分析和快速正交检索训练技术来映射过程变量和成纸的光学性质(亮度和透明度)之间的关系。同时,人工神经网络还可用于提高纸页的平滑度[25],控制浆料的游离度[26]等。

　　10　结束语　　

　　人工神经网络是一种新的预测与控制技术,又是一种适用广泛的黑箱建模方法,不仅可以应用在造纸工业过程控制,也可用于一些基础研究方面。根据神经网络结构特性,在造纸工业中具有潜力的应用研究前景的课题可能包括以下几个方面[27]:(1)纤维原料种类识别;(2)对于纸页匀度及纸浆絮聚度的定量分析和评价;(3)印刷用纸的印刷适应性评价;(4)各种光谱谱图的解析与各种官能团的智能识别。

　　可见,人工神经网络技术不仅解决了很多利用传统方法不能解决的难题,而且可以大幅度地提高纸张的质量和档次,增加企业的经济效益,因此必将为造纸工业的发展带来新的契机,人工神经网络在推动造纸工业进步中具有广阔的应用前景。