單文娟 湯偉 劉炳

摘 要：針對(duì)紙漿洗滌過(guò)程的殘堿和黑液波美度不能直接在線測(cè)量、控制回路的動(dòng)態(tài)特性難以用數(shù)學(xué)模型描述的問(wèn)題，通過(guò)研究數(shù)據(jù)驅(qū)動(dòng)操作模式的優(yōu)化思想，提出了基于數(shù)據(jù)驅(qū)動(dòng)的紙漿洗滌過(guò)程綜合優(yōu)化的方法?；赑CA-BP神經(jīng)網(wǎng)絡(luò)法和多元回歸分析建立了殘堿和黑液波美度的預(yù)測(cè)模型及工況綜合評(píng)價(jià)模型?；诖罅抗I(yè)運(yùn)行數(shù)據(jù)和工況評(píng)價(jià)模型對(duì)紙漿洗滌過(guò)程的操作模式進(jìn)行優(yōu)化，構(gòu)建優(yōu)化操作模式庫(kù)。以高產(chǎn)、低成本、低耗為目標(biāo)對(duì)優(yōu)化模式庫(kù)尋優(yōu)，找出最優(yōu)操作模式。通過(guò)實(shí)際應(yīng)用，證實(shí)該方法能準(zhǔn)確預(yù)測(cè)殘堿和黑液波美度，并在滿足洗滌質(zhì)量的同時(shí)，使出漿量提高，清水加入量減少，達(dá)到優(yōu)化生產(chǎn)的效果。

關(guān)鍵詞：紙漿洗滌過(guò)程；數(shù)據(jù)驅(qū)動(dòng)；神經(jīng)網(wǎng)絡(luò)；動(dòng)態(tài)建模；操作模式

中圖分類號(hào)：TS736

文獻(xiàn)標(biāo)識(shí)碼：A

DOI：10.11981/j.issn.1000-6842.2018.04.44

紙漿洗滌過(guò)程是制漿造紙生產(chǎn)中非常重要的一環(huán)，其洗滌效果直接影響到后續(xù)工段的順利進(jìn)行。然而紙漿洗滌過(guò)程是一個(gè)高度復(fù)雜的非線性過(guò)程，紙漿洗滌過(guò)程的建模與自動(dòng)控制問(wèn)題一直困擾著制漿造紙生產(chǎn)企業(yè)。近年來(lái)，數(shù)據(jù)驅(qū)動(dòng)建模得到了廣泛的應(yīng)用，該方法只利用已存儲(chǔ)的大量輸入輸出數(shù)據(jù)，在線學(xué)習(xí)計(jì)算與當(dāng)前狀態(tài)相匹配的控制量，便可獲得系統(tǒng)所需要的各種靜態(tài)品質(zhì)，用“數(shù)據(jù)為自身說(shuō)話”[1]。在紙漿洗滌過(guò)程中，具有豐富的在線和離線測(cè)量數(shù)據(jù)，如溫度、上漿濃度和出漿濃度、漿種和紙漿硬度、清水加入量和洗滌次數(shù)等數(shù)據(jù)[2]。

鑒于此，本研究針對(duì)紙漿洗滌過(guò)程的特點(diǎn)，充分利用生產(chǎn)過(guò)程長(zhǎng)期運(yùn)行積累的工業(yè)數(shù)據(jù)，基于兩步神經(jīng)網(wǎng)絡(luò)法得到殘堿和黑液波美度的預(yù)測(cè)模型，通過(guò)這兩大指標(biāo)構(gòu)建紙漿洗滌質(zhì)量評(píng)價(jià)模型，對(duì)工業(yè)運(yùn)行數(shù)據(jù)進(jìn)行聚類、模式匹配，構(gòu)建出優(yōu)化模式庫(kù)。以最優(yōu)生產(chǎn)為目標(biāo)，對(duì)優(yōu)化模式庫(kù)進(jìn)行操作模式尋優(yōu)，匹配出最優(yōu)操作模式。通過(guò)實(shí)驗(yàn)驗(yàn)證該方法能有效預(yù)測(cè)紙漿洗滌過(guò)程的狀態(tài)參數(shù)，達(dá)到優(yōu)化生產(chǎn)的效果。

1 紙漿洗滌過(guò)程機(jī)理描述

1.1 紙漿洗滌工藝過(guò)程

紙漿洗滌的主要目的是將紙漿中的可溶無(wú)機(jī)物和有機(jī)物洗凈，同時(shí)要求盡量少用洗滌水，保持盡可能高的黑液濃度和溫度，以減少黑液蒸發(fā)濃縮時(shí)的蒸汽消耗量。在多段逆流洗滌過(guò)程中，即由多臺(tái)紙漿洗滌機(jī)串聯(lián)，漿料依次通過(guò)各臺(tái)設(shè)備，從最后一段排出；洗滌水則是逆流，從最后一段進(jìn)入，與最后一段的漿料形成稀液進(jìn)行逆流洗滌。紙漿多段逆流洗滌工藝流程如圖1所示。

1.2 紙漿洗滌過(guò)程的操作模式描述

目前，操作模式優(yōu)化相關(guān)概念在很多學(xué)科中被廣泛提出并應(yīng)用。桂衛(wèi)華等[1]在銅閃速熔煉領(lǐng)域定義了操作模式優(yōu)化的相關(guān)概念，提出了一種操作模式優(yōu)化的方法。復(fù)雜工業(yè)過(guò)程的數(shù)據(jù)主要包括：輸入條件、狀態(tài)參數(shù)、操作參數(shù)以及工藝指標(biāo)[3-4]，對(duì)于紙漿洗滌過(guò)程，數(shù)據(jù)可描述如下。

2 基于數(shù)據(jù)驅(qū)動(dòng)的紙漿洗滌過(guò)程操作模式優(yōu)化

紙漿洗滌過(guò)程，其操作優(yōu)化的核心思想是：在不增加額外生產(chǎn)設(shè)備和不改變現(xiàn)有工藝流程的前提下，優(yōu)化紙漿洗滌質(zhì)量，提高洗后出漿量，降低洗滌水用量；以提高綜合經(jīng)濟(jì)效益為目標(biāo)，通過(guò)實(shí)時(shí)監(jiān)測(cè)紙漿洗滌過(guò)程的狀態(tài)信息，當(dāng)條件參數(shù)和狀態(tài)參數(shù)發(fā)生改變時(shí)，對(duì)關(guān)鍵操作參數(shù)進(jìn)行及時(shí)、合理的調(diào)節(jié)，從而使整個(gè)紙漿洗滌過(guò)程處在優(yōu)化的運(yùn)行狀態(tài)。

洗后漿殘堿和I段黑液波美度是評(píng)價(jià)紙漿洗滌質(zhì)量的2個(gè)重要指標(biāo)[5]；然而，這2個(gè)要求是相互矛盾且難于直接測(cè)量的。要平衡這2個(gè)質(zhì)量指標(biāo)須建立一個(gè)二者的預(yù)測(cè)模型。

基于數(shù)據(jù)驅(qū)動(dòng)的紙漿洗滌過(guò)程優(yōu)化控制第33卷 第4期

第33卷 第4期基于數(shù)據(jù)驅(qū)動(dòng)的紙漿洗滌過(guò)程優(yōu)化控制

2.1 紙漿洗滌工藝指標(biāo)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

在紙漿洗滌過(guò)程中，由于殘堿和黑液波美度難以在線測(cè)量，主要靠定期采樣分析，導(dǎo)致黑液濃度控制不精確，建模結(jié)果不理想。神經(jīng)網(wǎng)絡(luò)在非線性系統(tǒng)的建模、分類和預(yù)測(cè)方面具有非常突出的效果[6]。因此，采用BP神經(jīng)網(wǎng)絡(luò)結(jié)合具有降維、去噪、消除數(shù)據(jù)相關(guān)性的主成分分析（Principal Component Analysis，PCA）作為軟測(cè)量的模型。首先采用PCA方法對(duì)所涉及的過(guò)程變量進(jìn)行去噪、降維、消除負(fù)相關(guān)性等預(yù)處理，同時(shí)降低神經(jīng)網(wǎng)絡(luò)的復(fù)雜度；然后，采用神經(jīng)網(wǎng)絡(luò)建模的方法建立主元和質(zhì)量變量之間的網(wǎng)絡(luò)結(jié)構(gòu)，得到紙漿洗滌過(guò)程的軟測(cè)量模型。

2.1.1 基于PCA的預(yù)測(cè)模型輸入量的選取

大量實(shí)驗(yàn)表明，影響紙漿洗滌質(zhì)量的因素有：上漿濃度、上漿流量、清水加入量、漿層厚度、真空度、漿種、洗滌水溫度、紙漿硬度、制漿方法。需將這些相關(guān)的過(guò)程變量壓縮為少數(shù)獨(dú)立的變量，從而對(duì)過(guò)程進(jìn)行有效控制。通過(guò)數(shù)據(jù)分析和積累的經(jīng)驗(yàn)，利用動(dòng)態(tài)PCA方法篩選出了建立紙漿洗滌過(guò)程數(shù)學(xué)模型的輸入變量，計(jì)算步驟如下。

（1）初始化樣本庫(kù)。計(jì)算樣本庫(kù)中各變量的平均值，并增加適量過(guò)程測(cè)量數(shù)據(jù)，組成新的樣本組，以充分反映過(guò)程的動(dòng)態(tài)性及變換性[7]。對(duì)新的樣本數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，并每次計(jì)算校正方差，直到均方差不再改變時(shí)，得到每個(gè)變量的校正值，并以此構(gòu)成初始化后的樣本庫(kù)。

（2）對(duì)樣本庫(kù)中數(shù)據(jù)進(jìn)行PCA方法降維。對(duì)上漿濃度、上漿流量、清水加入量、漿厚度、洗滌水溫度、紙漿硬度進(jìn)行主元分析，得到載荷矩陣和特征值矢量。尋找第一個(gè)載荷矢量中絕對(duì)值最大的系數(shù)對(duì)應(yīng)的變量，并剔除。再次進(jìn)行主元分析。

（3）多次分析后，得到上漿濃度、上漿流量、清水加入量這3個(gè)成分的貢獻(xiàn)率達(dá)到了98%，能較好地代表原數(shù)據(jù)信息。

參考文獻(xiàn)

[1]GuiWH，YangCH，LiYG，etal.Data-drivenoperational-patternoptimizationforcopperflashsmeltingprocess[J].ActaAutomatocaSinica，2009，35（6）：717.

桂衛(wèi)華，陽(yáng)春華，李勇剛，等.基于數(shù)據(jù)驅(qū)動(dòng)的銅閃速熔煉過(guò)程操作模式優(yōu)化及應(yīng)用[J].自動(dòng)化學(xué)報(bào)，2009，35（6）：717.

[2]TangW，ShiSJ，ZhaoXM，etal.PulpwashingprocessDCSbasedondouble-objectiveoptimization[J].ControlTheory&Applications，2002，19（4）：555.

湯偉，施頌椒，趙小梅，等.紙漿洗滌過(guò)程雙目標(biāo)優(yōu)化分布式控制系統(tǒng)[J].控制理論與應(yīng)用，2002，19（4）：555.

[3]GuiWH，YangCH.IntelligentModeling，ControlandOptimizationofComplexNonferrousMetallurgicalProcess[M].Beijing：SciencePress，2010：54.

桂衛(wèi)華，陽(yáng)春華.復(fù)雜有色冶金生產(chǎn)過(guò)程智能建模、控制與優(yōu)化[M].北京：科學(xué)出版社，2010：54.

[4]YanAJ，ChaiTY，YueH.Multivariableintelligentoptimizingcontrolapproachforshaftfurnaceroastingprocess[J].ActaAutomaticaSinica，2006，32（4）：636.

嚴(yán)愛(ài)軍，柴天佑，岳恒.豎爐焙燒過(guò)程的多變量智能優(yōu)化控制[J].自動(dòng)化學(xué)報(bào)，2006，32（4）：636.

[5]TangW，ShanWJ，WangMX.ApplicationoftheSoft-sensingTechniqueinPulpWashingProcess[J].ChinaPulp&Paper，2011，30（6）：47.

湯偉，單文娟，王孟效.殘堿和黑液波美度的在線軟測(cè)量方法及實(shí)現(xiàn)[J].中國(guó)造紙，2011，30（6）：47.

[6]XieSM，GaoXW，ChaiTY.BOFEndpointPredictionBasedonGreyModel[J].JournalofIronandSteelResearch，1999，11（4）：9.

謝書明，高憲文，柴天佑.基于灰色模型的轉(zhuǎn)爐煉鋼終點(diǎn)預(yù)報(bào)研究[J].鋼鐵研究學(xué)報(bào)，1999，11（4）：9.

[7]ZhaoS-J，ZangJ，XuY-G.Monitoringofprocesseswithmultipleoperatingmodesthroughmultipleprinciplecomponentanalysismodels[J].IndEngChenRes，2004，43：7025.

[8]ShanWJ，TangW.OptimizationoftheDilutionFactorinPulpWashingProcess[J].ChinaPulp&Paper，2012，31（2）：50.

單文娟，湯偉.紙漿洗滌過(guò)程中稀釋因子的優(yōu)化[J].中國(guó)造紙，2012，31（2）：50.

[9]YuXM，WangMX，BaiS.ResearchonOptimizationofPulpWashingProcessBasedonMulti-objectiveEvolutionaryAlgorithm[J].TransactionsofChinaPulpandPaper，2009，24（2）：92.

于曉明，王孟效，柏松.紙漿洗滌過(guò)程的多目標(biāo)進(jìn)化優(yōu)化研究[J].中國(guó)造紙學(xué)報(bào)，2009，24（2）：92.

[10]DuZG，WangGQ，ZhangZB，etal.ApplicationofBPNeuralNetworksinPredictingtheProductYieldofHVGOSteamCracking[J].EthyleneIndustry，2009，21（2）：8.

[11]HuZK，GuiWH，PengXQ，etal.Intelligentoptimizationofoptimaloperationalpatternintheprocessofcopperconvertingfurnace[J].ControlTheory&Applications，2005，22（2）：243.

胡志坤，桂衛(wèi)華，彭小奇，等.銅轉(zhuǎn)爐生產(chǎn)操作模式智能優(yōu)化[J].控制理論與應(yīng)用，2005，22（2）：243.

[12]YaoKT，ShaoZJ，ChenX，etal.Data-driventechnologyandmechanismmodelbasedsoftsensormodelinginPTAprocess[J].ComputersandAppliedChemistry，2010，27（10）：1329.

姚科田，邵之江，陳曦，等.基于數(shù)據(jù)驅(qū)動(dòng)技術(shù)和工藝機(jī)理模型的PTA生產(chǎn)過(guò)程軟測(cè)量建模方法[J].計(jì)算機(jī)與應(yīng)用化學(xué)，2010，27（10）：1329.

[13]CherkasskyV，MaY.PracticalselectionofSVMparametersandnoiseestimationforSVMregression[J].NeuralNetworks，2004，17（1）：113.

[14]ZhuPF，XiaLY，PanHT.Multi-modelfusionmodelingmethodbasedonimprovedKalmanfilteringalgorithm[J].CIESCJournal，2015，66（4）：1388.

朱鵬飛，夏陸岳，潘海天.基于改進(jìn)Kalman濾波算法的多模型融合建模方法[J].化工學(xué)報(bào)，2015，66（4）：1388.

[15]LiuH，LiuZJ，LiHG.Adata-drivenapproachtochemicalprocessalarmthresholdoptimization[J].CIESCJournal，2012，63（9）：2733.

劉恒，劉振娟，李宏光.基于數(shù)據(jù)驅(qū)動(dòng)的化工過(guò)程參數(shù)報(bào)警閾值優(yōu)化[J].化工學(xué)報(bào)，2012，63（9）：2733.