單文娟 湯偉 劉炳

摘 要：針對紙漿洗滌過程的殘堿和黑液波美度不能直接在線測量、控制回路的動態(tài)特性難以用數(shù)學模型描述的問題，通過研究數(shù)據(jù)驅(qū)動操作模式的優(yōu)化思想，提出了基于數(shù)據(jù)驅(qū)動的紙漿洗滌過程綜合優(yōu)化的方法?；赑CA-BP神經(jīng)網(wǎng)絡法和多元回歸分析建立了殘堿和黑液波美度的預測模型及工況綜合評價模型?；诖罅抗I(yè)運行數(shù)據(jù)和工況評價模型對紙漿洗滌過程的操作模式進行優(yōu)化，構建優(yōu)化操作模式庫。以高產(chǎn)、低成本、低耗為目標對優(yōu)化模式庫尋優(yōu)，找出最優(yōu)操作模式。通過實際應用，證實該方法能準確預測殘堿和黑液波美度，并在滿足洗滌質(zhì)量的同時，使出漿量提高，清水加入量減少，達到優(yōu)化生產(chǎn)的效果。

關鍵詞：紙漿洗滌過程；數(shù)據(jù)驅(qū)動；神經(jīng)網(wǎng)絡；動態(tài)建模；操作模式

中圖分類號：TS736

文獻標識碼：A

DOI：10.11981/j.issn.1000-6842.2018.04.44

紙漿洗滌過程是制漿造紙生產(chǎn)中非常重要的一環(huán)，其洗滌效果直接影響到后續(xù)工段的順利進行。然而紙漿洗滌過程是一個高度復雜的非線性過程，紙漿洗滌過程的建模與自動控制問題一直困擾著制漿造紙生產(chǎn)企業(yè)。近年來，數(shù)據(jù)驅(qū)動建模得到了廣泛的應用，該方法只利用已存儲的大量輸入輸出數(shù)據(jù)，在線學習計算與當前狀態(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)為自身說話”[1]。在紙漿洗滌過程中，具有豐富的在線和離線測量數(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，本研究針對紙漿洗滌過程的特點，充分利用生產(chǎn)過程長期運行積累的工業(yè)數(shù)據(jù)，基于兩步神經(jīng)網(wǎng)絡法得到殘堿和黑液波美度的預測模型，通過這兩大指標構建紙漿洗滌質(zhì)量評價模型，對工業(yè)運行數(shù)據(jù)進行聚類、模式匹配，構建出優(yōu)化模式庫。以最優(yōu)生產(chǎn)為目標，對優(yōu)化模式庫進行操作模式尋優(yōu)，匹配出最優(yōu)操作模式。通過實驗驗證該方法能有效預測紙漿洗滌過程的狀態(tài)參數(shù)，達到優(yōu)化生產(chǎn)的效果。

1 紙漿洗滌過程機理描述

1.1 紙漿洗滌工藝過程

紙漿洗滌的主要目的是將紙漿中的可溶無機物和有機物洗凈，同時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)濃縮時的蒸汽消耗量。在多段逆流洗滌過程中，即由多臺紙漿洗滌機串聯(lián)，漿料依次通過各臺設備，從最后一段排出；洗滌水則是逆流，從最后一段進入，與最后一段的漿料形成稀液進行逆流洗滌。紙漿多段逆流洗滌工藝流程如圖1所示。

1.2 紙漿洗滌過程的操作模式描述

目前，操作模式優(yōu)化相關概念在很多學科中被廣泛提出并應用。桂衛(wèi)華等[1]在銅閃速熔煉領域定義了操作模式優(yōu)化的相關概念，提出了一種操作模式優(yōu)化的方法。復雜工業(yè)過程的數(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[3-4]，對于紙漿洗滌過程，數(shù)據(jù)可描述如下。

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

紙漿洗滌過程，其操作優(yōu)化的核心思想是：在不增加額外生產(chǎn)設備和不改變現(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)濟效益為目標，通過實時監(jiān)測紙漿洗滌過程的狀態(tài)信息，當條件參數(shù)和狀態(tài)參數(shù)發(fā)生改變時，對關鍵操作參數(shù)進行及時、合理的調(diào)節(jié)，從而使整個紙漿洗滌過程處在優(yōu)化的運行狀態(tài)。

洗后漿殘堿和I段黑液波美度是評價紙漿洗滌質(zhì)量的2個重要指標[5]；然而，這2個要求是相互矛盾且難于直接測量的。要平衡這2個質(zhì)量指標須建立一個二者的預測模型。

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

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

2.1 紙漿洗滌工藝指標的神經(jīng)網(wǎng)絡預測模型

在紙漿洗滌過程中，由于殘堿和黑液波美度難以在線測量，主要靠定期采樣分析，導致黑液濃度控制不精確，建模結果不理想。神經(jīng)網(wǎng)絡在非線性系統(tǒng)的建模、分類和預測方面具有非常突出的效果[6]。因此，采用BP神經(jīng)網(wǎng)絡結合具有降維、去噪、消除數(shù)據(jù)相關性的主成分分析（Principal Component Analysis，PCA）作為軟測量的模型。首先采用PCA方法對所涉及的過程變量進行去噪、降維、消除負相關性等預處理，同時降低神經(jīng)網(wǎng)絡的復雜度；然后，采用神經(jīng)網(wǎng)絡建模的方法建立主元和質(zhì)量變量之間的網(wǎng)絡結構，得到紙漿洗滌過程的軟測量模型。

2.1.1 基于PCA的預測模型輸入量的選取

大量實驗表明，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。需將這些相關的過程變量壓縮為少數(shù)獨立的變量，從而對過程進行有效控制。通過數(shù)據(jù)分析和積累的經(jīng)驗，利用動態(tài)PCA方法篩選出了建立紙漿洗滌過程數(shù)學模型的輸入變量，計算步驟如下。

（1）初始化樣本庫。計算樣本庫中各變量的平均值，并增加適量過程測量數(shù)據(jù)，組成新的樣本組，以充分反映過程的動態(tài)性及變換性[7]。對新的樣本數(shù)據(jù)進行標準化處理，并每次計算校正方差，直到均方差不再改變時，得到每個變量的校正值，并以此構成初始化后的樣本庫。

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

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

參考文獻

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

桂衛(wèi)華，陽春華，李勇剛，等.基于數(shù)據(jù)驅(qū)動的銅閃速熔煉過程操作模式優(yōu)化及應用[J].自動化學報，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.紙漿洗滌過程雙目標優(yōu)化分布式控制系統(tǒng)[J].控制理論與應用，2002，19（4）：555.

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

桂衛(wèi)華，陽春華.復雜有色冶金生產(chǎn)過程智能建模、控制與優(yōu)化[M].北京：科學出版社，2010：54.

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

嚴愛軍，柴天佑，岳恒.豎爐焙燒過程的多變量智能優(yōu)化控制[J].自動化學報，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量方法及實現(xiàn)[J].中國造紙，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)爐煉鋼終點預報研究[J].鋼鐵研究學報，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.紙漿洗滌過程中稀釋因子的優(yōu)化[J].中國造紙，2012，31（2）：50.

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

于曉明，王孟效，柏松.紙漿洗滌過程的多目標進化優(yōu)化研究[J].中國造紙學報，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)動技術和工藝機理模型的PTA生產(chǎn)過程軟測量建模方法[J].計算機與應用化學，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Kalman濾波算法的多模型融合建模方法[J].化工學報，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)動的化工過程參數(shù)報警閾值優(yōu)化[J].化工學報，2012，63（9）：2733.