在造紙工業自動化控制中運用人工神經網絡進行建模和工藝優化的研究日趨深入,人工神經網絡因其具有逼近任意非線性函數的能力,具有自學習、自適應能力以及可以多輸入、多輸出,使其在造紙過程的各個領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程的各個環節,在煙道氣中氮、硫等有害物質的排放預測中,神經網絡的bp算法和模型都有著成功的應用。人工神經網絡在這些方面的應用,解決了許多傳統方法不能解決的問題,整體上提高了紙頁的質量。下面就人工神經網絡在造紙工業過程中的一些應用實例進行介紹。

　　1　人工神經網絡對于蒸煮過程的研究

　　由于蒸煮過程是一個極為復雜的非線性過程,很難能用一個十分精確的數學模型來描述這個過程。因此,利用現有的操作信息來控制蒸煮過程是極為困難的。

　　而實驗證明,利用人工神經網絡則可以有效地控制蒸煮過程。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]在蒸煮過程中,脫木素的程度可以由卡伯值來衡量,它代表紙漿中木素含量的高低,是蒸煮過程紙漿的主要質量指標之一,且紙漿的目標卡伯值是蒸煮結束的主要標志。卡伯值在蒸煮過程中是變化的,不能被直接測量,但可以根據蒸煮溫度和蒸煮液濃度來估計。

　　(1)卡伯值估計:Williams等人根據蒸煮過程控制的非線性,研究使用模糊神經網絡(FNN)來估計卡伯值[2]。所測量的參數是溫度和有效堿,把它們輸入到模糊神經網絡中,然后輸出得到卡伯值的估計值,并通過對網絡進行訓練來學習繪制輸入變量(蒸煮溫度和有效堿含量)和輸出變量(卡伯值)之間的關系圖。訓練數據通過非線性模型來獲得。根據實際的間歇蒸煮工藝,模擬時間是2ｈ。初始權值設為零,在反向傳播中的學習速率從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液流速來實現對卡伯值的控制。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網絡有黑箱的弱點而拒絕使用,即對神經網絡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網絡結合,形成更高的智能系統[3]。例如Musavi等人發展了神經模糊系統(ＮFS),在連續蒸煮器中來預測卡伯值。神經模糊系統技術利用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驗觀測到的輸入/輸出數據,這些數據經過了一個迭代規則,即置信矩陣訓練算法和一個最大/最小模糊推理引擎。

　　這種引擎用于規則解釋程序。同時利用一種混合式的反向傳遞—遺傳算法訓練程序來調諧各元件的作用。此外,鄢烈祥等人將神經網絡降維分析法應用于制漿蒸煮過程,揭示出了蒸煮工藝參數間的內在聯系和對紙漿得率及卡伯值的關系[5]。優化計算結果表明: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間作圖所得曲線下的面積,其數值的實質是蒸煮過程的木素脫除量。換句話說,一定的Ｈ因子數對應紙漿中一定的殘余木素量[6]。用人工神經網絡方法,可以在一定的蒸煮條件下,來確定多少的蒸煮Ｈ因子,來達到所需的紙漿硬度,即進行蒸煮過程紙漿卡伯值的控制。羅琪等人建立了蒸煮過程中的紙漿卡伯值的人工神經網絡模型[7],如圖1所示。他們利用bp控制網絡以紙漿的卡伯值(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,隱層的節點數選為6個,其中訓練步長α=0 1,沖量因子η=0 6。然后確定優化目標,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　人工神經網絡在漂白中的應用

　　紙漿漂白過程是一個多變量多指標的工藝過程,實現其優化操作有一定的困難,這是由于紙漿漂白過程的機理較復雜,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建立多個指標的回歸方程精度難以滿足要求[9]。紙漿漂白工藝條件的優化是一個非線性多約束優化問題,用常規計算方法得到的最優點往往在約束線的邊界和交點處,一旦操作點偏離最優點,某個或某幾個指標就會急劇地變差。因而對于這種難以建立精確數學模型又是多約束的非線性優化問題,尋求最優點的實用價值不大。有實際意義的做法是進行區域優化,即尋求比最優點稍遜,但能協調各個指標使之都達到較滿意的穩定操作區域。鄢烈祥等人將人工神經網絡技術用于紙漿漂白工藝過程,建立了漂白因素與漂白效果的網絡模型。

　　實驗證明,用實驗數據對網絡訓練后,網絡能準確預報漂白效果[10]。此外他們還將神經網絡和統計分析結合起來,提出了確定漂白工藝的區域優化方法,將漂白試驗數據的各個指標進行綜合評定分成好壞兩類后,應用人工神經網絡的高度分類功能來識別漂白效果的好壞類別,實現對漂白工藝操作的預測[11]。

　　3　神經網絡在煙道氣排放控制與預測中的應用[12]

　　制漿造紙廠的排放受到越來越嚴格的法規限制。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、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,同時節省開支,基于人工神經網絡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利用數學模擬技術,配合有力的軟件系統,由與其它已知工藝限值的關系推出排放測量數據,而不是直接地進行測量。

　　ＰＥMS使用的神經網絡軟件包由三部分組成:(1)數據采集和預處理;(2)網絡訓練;(3)網絡驗證。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的監控費用,實驗證實,基于人工神經網絡的ＰＥMS預測結果與硬件分析器的實際測量結果的相關性超過95%。

　　4　人工神經網絡預測紙張翹曲

　　紙張翹曲對于造紙廠來說是個嚴重的問題,亦是一個難以預測的質量測量實例,因為它涉及到的影響因素很多,例如:紙頁兩邊干燥速率的不同,紙頁內部水分的不均勻以及纖維內部的機械應力等等。國外學者研究結果表明,紙張翹曲可以以某種有價值的準確度加以預測[13],具體地說,可在生產之前預測初卷紙卷的翹曲度是否會在規定指標范圍內,以及預測有可能發生的實際翹曲程度。

　　人工神經網絡可以通過建立紙張翹曲過程的模型,在紙卷生產出來之前預測紙張翹曲。研究提出的表征當前紙卷狀態的參數,可作為神經網絡的輸入數據,通過所建立的模型,來預測翹曲的最終水平是否在要求的規定指標范圍內。同時,輸入同樣的數據到另外一個網絡,并建立模型來預測翹曲的絕對水平。這樣,就可以有效地控制紙頁的翹曲程度,達到提高紙張質量的目的。

　　5　人工神經網絡診斷紙機斷紙

　　紙機斷紙是一種復雜的現象,可能有多種因生產過程而大幅度變化的起因。利用常規的統計方法來確定斷紙的確切起因是極為困難的。然而在解決此類問題上,人工神經網絡方法顯示出巨大的優越性。Takanori等人研究利用多層神經網絡和bp算法來分析紙頁斷紙的原因,診斷商業新聞紙斷紙問題[14]。神經網絡所需過程數據由該紙機的分布式控制系統進行采集,進一步的數據(ｚｅｔａ電位、網部留著率、傳導率和ｐＨ值)由專為研究安裝的聯機濕部傳感器加以測量。

　　人工神經網絡診斷顯示,通過改變濕部化學性質和提高網部留著率有可能減少斷紙問題,節省大量成本,減少了纖維流失,減少了工人清洗、復卷和重開紙機的時間。該研究還將人工神經網絡與傳統統計方法進行了比較,結果表明:人工神經網絡方法在解決紙機斷紙問題上有更大的優越性,可以更精確地對斷紙進行診斷,減少斷紙問題,提高企業效益。

     6　神經網絡在濕部化學過程控制的應用

     國內外對于濕部化學的過程控制尚處于實驗室階段,國內對建立濕部中性施膠系統的數學模型以及模型的計算機仿真進行了初步研究。由于造紙濕部化學的機理非常復雜,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,并采用人工神經網絡進行智能建模的研究[15]。研究結果表明,將人工神經網絡用于建立復雜的造紙濕部化學系統中性施膠的數學模型是可行的。采用該數學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。在該實驗中,bp神經網絡被用來建立中性施膠系統的數學模型,并用實驗室中性施膠實驗的數據來訓練該神經網絡。神經網絡的基本結構是2-5-2-1,即網絡的輸入層有2個變量與施膠劑和陽離子淀粉用量映射,第一隱層有5個神經元,第二隱層有2個神經元,輸出層有1個變量與施膠效果映射。研究通過反向誤差傳播算法來進行訓練。

　　7　人工神經網絡對氣體洗滌機進行模擬

　　氣體洗滌過程是一種潮濕廢氣流與過程水直接接觸的過程,通常用物理模型來描述,但是,物理過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傳熱過程依靠幾個經驗相關性。而利用人工神經網絡來模擬氣液流之間復雜的流體動力學現象,能夠為預測氣體洗滌機提供所需工作參數的非經典解。Milosavljevic等人利用人工神經網絡對兩臺洗滌機進行模擬時[16],所用的人工神經網絡由7個輸入神經元(在輸入層)、一個輸出神經元(在輸出層)和一個隱層組成。輸入數據包括:供給空氣的質量流率(ｘ1)、供給空氣溫度(ｘ2)、供給空氣進口濕度(ｘ3)、水的質量流率(ｘ4)、進口水溫(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)應用到網絡的輸入層[17-18],輸入層的結果傳到隱層。

　　Milosavljevic等利用物理模型進行洗滌機模擬時,采用了標準方差來評價預測值與測量值之間的差異，ｄｐｋ是預測出口水溫,Oｐｋ是神經網絡的實驗出口水溫,ｐ代表第ｐ個訓練向量,ｋ代表第ｋ個輸出單元。當利用物理模型進行模擬時,預測出口水溫度與實驗得到的出口水溫度的誤差為2 29℃,而人工神經網絡用于模擬時,誤差僅為0 99℃[16]。人工神經網絡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,同時使產品的質量更加穩定。可見,利用神經網絡進行洗滌機模擬,不僅可以避免氣液流動復雜的流體動力學現象,而且能提供好的非線性解決方案。在制漿造紙干燥過程中,如能正確利用神經網絡,則能得到很大的益處。

　　8　神經網絡在紙張定量控制中的應用

　　造紙過程是一個非常復雜的物理化學過程。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、堰板開口度、漿流量、漿網速比、白水濃度、濾水性以及漿料留著率等等。對紙張定量進行控制,就要求通過調節漿流量來克服其它影響因素。

　　由于造紙廠經常接受生產不同紙種紙張的任務,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境,使紙機在生產各種紙張時能實現定量的良好控制。王艷等人利用人工神經網絡方法實現了紙機的定量控制,以經過訓練的神經網絡控制器代替常規控制器,同時達到對多個模型的控制,進而達到對不確定系統的控制[19]。神經網絡控制器具有如下結構:含有一個隱層的前傳網絡,輸入層具有7個節點,隱層具有9個節點,輸出層具有1個節點。訓練后的神經網絡控制器分別用于設計控制器的3個被控對象,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。從曲線可以看出,采用單一的神經網絡控制器,可以實現由3個模型構成的不確定造紙機定量過程的良好控制。



　　9　神經網絡用于造紙用涂料的定量分析

　　人工神經網絡在化學特別是分析化學上的應用是廣泛的,應用領域包括紅外光譜解釋[20]、13cＮMＲ位移的預測[21]和氨基酸中質子的化學位移[22]等。LｕｄMｉLａ等人研究利用簡單的三層人工神經網絡來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]。他們通過讓人工神經網絡進行監督學習,構造出與紅外光譜和三種主要成分濃度有關的非線性模型。

　　在三層人工神經網絡中,第一層接受導數紅外光譜的強度向量,然后利用S(SｉｇMOｉｄ)激勵函數作非線性變換,輸出的結果再經第二層處理,第三層的輸出結果代表了目標濃度。在神經網絡里有538個輸入神經元,50個隱藏神經元和3個輸出神經元。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。實驗中通過將訓練集分為3個區域:一個亮區和兩個暗區。

　　其中,亮區是濃度為50%的碳酸鹽樣品圖像,兩個暗區分別是濃度為0%和100%的碳酸鹽樣品圖像。并通過實驗數據得到苯乙烯和丁二烯的近似關系式:LS/Lｂ=2 5該研究結果表明,人工神經網絡與其它分析手段(主成分分析法和最小二乘法)相比,神經網絡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%)來說,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,徑向基函數神經網絡(ＲＢF)已經用于模擬生產過程中紙的光學性質[24],利用多重分辨率分析和快速正交檢索訓練技術來映射過程變量和成紙的光學性質(亮度和透明度)之間的關系。同時,人工神經網絡還可用于提高紙頁的平滑度[25],控制漿料的游離度[26]等。

　　10　結束語　　

　　人工神經網絡是一種新的預測與控制技術,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過程控制,也可用于一些基礎研究方面。根據神經網絡結構特性,在造紙工業中具有潛力的應用研究前景的課題可能包括以下幾個方面[27]:(1)纖維原料種類識別;(2)對于紙頁勻度及紙漿絮聚度的定量分析和評價;(3)印刷用紙的印刷適應性評價;(4)各種光譜譜圖的解析與各種官能團的智能識別。

　　可見,人工神經網絡技術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量和檔次,增加企業的經濟效益,因此必將為造紙工業的發展帶來新的契機,人工神經網絡在推動造紙工業進步中具有廣闊的應用前景。