基于數據驅動的置換蒸煮卡伯值在線預測

黨世紅 湯 偉 甘文濤 楊鵬飛

(1.陜西科技大學輕工與能源學院,陜西西安,710021；2.咸陽職業技術學院機電學院,陜西咸陽,712000)

?

·卡伯值在線預測·

基于數據驅動的置換蒸煮卡伯值在線預測

黨世紅1,2湯 偉1甘文濤1楊鵬飛1

(1.陜西科技大學輕工與能源學院,陜西西安,710021；2.咸陽職業技術學院機電學院,陜西咸陽,712000)

針對置換蒸煮過程中卡伯值難以在線檢測、引起操作延時、導致紙漿品質下降和能耗增大的問題,研究了基于數據驅動的置換蒸煮卡伯值在線預測方法。在分析置換蒸煮過程特點的基礎上,提出了基于數據驅動的置換蒸煮卡伯值在線預測框架,給出了模式匹配的優化算法,設計了基于數據驅動的卡伯值在線預測模型。仿真結果和實際生產應用證明了該方法的有效性。

數據驅動；置換蒸煮；卡伯值；操作模式優化；模糊神經網絡

置換蒸煮(Displacement Digester System,簡稱DDS)是間歇式蒸煮的最新成果。與常規間歇式蒸煮系統相比,DDS具有很多優點，如節能效果顯著,汽耗降到500～700 kg/t漿；縮短總蒸煮時間30%～50%；能在125～130℃進行深度脫木素,提高了紙漿的強度和得率；保溫段的用堿量只有傳統間歇蒸煮的1/3；采用從下而上置換藥液,使得蒸煮更均勻等[1]。置換蒸煮系統以其突出的節能效果、優良的產品質量、廣泛的適應范圍和顯著的經濟效益已成為當前制漿企業革新改造的方向標[2]。

紙漿卡伯值表示原料經蒸煮后所得紙漿中殘留的木素和其他還原性有機物的量,間接地表示紙漿脫木素程度的大小。控制好紙漿的卡伯值,不但可以穩定紙漿質量、提高紙漿得率,而且有助于減少蒸汽和化學品的消耗,降低環境污染,提高經濟效益及社會效益[3]。

國內外對常規間歇蒸煮系統的卡伯值預測研究較早,國外始于20世紀70年代,大多數采用經驗模型或者半經驗模型,如Chari模型、Hatton模型、Kerr模型等,這些經驗模型雖然易于使用,并且在穩定的初始條件和生產情況下,對于國外特定的生產過程可以取得較好的預測效果,但是存在需要精確測量的物理量較多,對蒸煮初始條件要求嚴格,通用性差、應用范圍小和局限條件多的缺陷。對于采用不同工藝條件、不同操作情況和不同生產原料、且影響因素更多的國內生產過程,直接套用國外的蒸煮模型往往難以取得較好的測量和預測效果。國內對紙漿卡伯值預測的研究始于20世紀80年代,華南理工大學制漿造紙工程國家重點實驗室對常規間歇蒸煮的卡伯值做了大量研究,提出了卡伯值軟測量模型并指導實際生產[4- 6]。

因置換蒸煮和常規間歇蒸煮有許多不同點,不能簡單地把常規間歇蒸煮的卡伯值預測模型生搬硬套地用在置換蒸煮中,黃俊梅等人[7]針對置換蒸煮過程提出了基于RBF和BP神經網絡的卡伯值軟測量模型,因其對置換蒸煮的工藝特點考慮較少,故所建模型存在一定的誤差。此外,以前所有的卡伯值預測模型的校驗都是用離線數據進行比對,這樣必然導致延時較大、測量不準確和誤差較大的缺點。隨著網絡技術的快速發展和自動化水平的大幅提升,在蒸煮過程中積累了大量的工業運行數據,其中包含了豐富的反映生產運行規律和工藝參數之間關系的潛在信息,為生產過程優化控制提供了有利條件。為此,本課題在分析置換蒸煮特點的基礎上,充分利用生產過程長期運行積累的工業數據,提出了基于數據驅動的置換蒸煮卡伯值在線預測的方法,并通過仿真和實踐來證明該方法的有效性。

圖1 基于數據驅動的置換蒸煮卡伯值在線預測的控制系統框圖

1 基于數據驅動的置換蒸煮卡伯值在線預測的控制系統框圖

基于數據驅動的置換蒸煮卡伯值在線預測的核心思想是：從實際置換蒸煮過程積累的大量工業運行數據中通過專家優化系統挖掘出優化操作模式庫；依據當前的輸入條件、工業運行狀態和卡伯值的預測值從優化操作模式庫中匹配出最優操作模式用于指導生產。基于數據驅動的置換蒸煮卡伯值在線預測的控制系統框圖如圖1所示,主要由基于數據驅動的專家優化單元、基于數據的卡伯值預測單元及分布式測控單元共3個單元組成。

基于數據驅動的專家優化單元由數據預處理、數據庫、操作模式空間、優化算法、優化操作模式庫、模式匹配、最優操作模式和操作參數調整等部分組成,主要功能是依據置換蒸煮過程中采集的實時數據,結合輸入條件和卡伯值預測情況,通過專家系統的優化算法,進行模式匹配,產生最優操作模式,及時高效準確地指導生產。

基于數據的卡伯值預測單元主要功能是預報出準確的置換蒸煮卡伯值來指導生產。首先利用從置換蒸煮過程中采集到的實時數據(此處為硫化度、有效堿濃度和H因子),通過卡伯值預測模型求出預測值；接著將預測值與期望值比較,產生調節因子,在輸入條件(指原料的種類、原料合格率和原料中雜質的含量等原始信息)和優化操作模式庫的共同作用下,進行模式匹配,形成最優操作模式,調整操作參數,進而調節置換蒸煮過程中的工藝參數(如白液流量、蒸汽流量等),再次進入預測模型的輸入端,如此周而復始,確保卡伯值的預測準確,最終達到穩定紙漿質量、提高紙漿得率、減少蒸汽和化學品的消耗、降低環境污染、增加經濟效益的目的。

分布式測控單元是指分布在現場的控制柜和多個測控點。測控單元主要完成兩大任務,一是給上位機(操作管理部分)提供實時的現場數據,二是依據上位機的指令進行相應的控制動作(如開、關閥門等)。

2 基于數據驅動的專家優化單元

應用專家優化方法進行模型匹配,首先必須獲取置換蒸煮過程中專家的知識和經驗。知識獲取的工作主要包括以下3方面：①置換蒸煮過程中影響紙漿品質的工藝指標及其定性影響；②置換蒸煮過程中的歷史數據和經驗數據；③確定模式匹配的專家優化算法。

獲取的知識表現為“If條件Then動作”的產生式規則,其中條件是過程的狀態或者這些狀態的邏輯組合,動作表示實際操作或者結論。

2.1 數據預處理

在置換蒸煮過程中,由于測量環境、測量儀器、測量方法、原料成分波動、外界干擾以及生產操作中人為主觀因素等影響,采集到的原始測量數據不可避免地存在誤差。如硫化度是對白液槽中的白液進行測量,而一個白液槽要供給幾個蒸煮鍋,存在誤差；木片合格率每班測量2次,每班蒸煮5～6鍋,測量使用的是網篩,誤差較大。針對這些問題,一方面要加強管理,采用先進的測量儀器和方法；另一方面需要采用有效的數據預處理方法,去掉誤差數據。

2.2 數據庫

在置換蒸煮過程中,將多種工藝指標(如有效堿濃度、H因子、液比和木片合格率等)的實際測量值全部存放于數據庫中。

2.3 操作模式空間

一定的輸入條件(m維)及與之對應的操作參數(n維)所組成的m+n維向量定義為一個操作模式[8],即：

Q=[IT,PT]T=[i1,…,im,p1,…,pn]T

(1)

設Qj(j=1,2,…,k,…)為任一個操作模式,則由實際生產中所有可能出現的生產狀況所對應的操作模式向量組成的空間Vm+n稱為操作模式空間,即：

Vm+n=(Q1,Q2,…,Qk,…)

(2)

2.4 優化算法與優化操作模式庫

綜合考慮產品的產量、質量、能耗、成本和工況穩定情況等工藝指標,建立生產過程的綜合評價模型,在專家系統優化算法的作用下,對相同輸入條件下的操作模式進行評價,綜合評價為最好的操作模式稱為該輸入條件下的優化操作模式；由不同輸入條件下的優化操作模式組成的集合形成優化操作模式庫。

2.5 最優操作模式匹配

置換蒸煮是一種特殊的間歇式蒸煮方式,整個工藝流程包括裝鍋、預浸、熱充、升溫保溫、置換和卸料6個階段,工藝指標之間往往相互影響,為了保證工藝指標,需要對各個操作參數進行實時調整,最優操作模式匹配,就是針對實際的輸入條件及狀態參數,從優化操作模式庫中搜索出與其最相似的操作模式,并針對各個操作參數的特點,研究相關控制作用之間的關系和策略,以保證置換蒸煮系統的紙漿品質最優。

圖1中的優化操作模式庫中保存有大量的不同輸入條件及工況參數情況下的優化操作模式,事實上相當于保存了歷史上大量的優化操作專家經驗。其基本思想是,利用一種智能的搜索策略,從優化操作模式庫中搜索與當前工況最相似的操作模式,將其操作參數作為最優操作模式輸出。但是,由于優化操作模式庫中數據量很大,為提高搜索速度,采用聚類算法將優化樣本空間范圍縮小,然后進行模式匹配。

采用模糊c均值聚類模式匹配算法進行智能優化的具體步驟如下。

(1)Step 1建立樣本庫

建立置換蒸煮過程優化操作數據庫,用于保存歷史上典型工況下的優化操作數據。數據庫中的個體樣本主要由兩部分構成：用于樣本聚類的數據,包括木片的種類、木片的含水量、木片中雜質的含量、木片合格率、液比等；用于優化操作的數據,包括有效堿濃度、硫化度、蒸煮的溫度和時間等,這些數據可以反映出在與當前工況類似的條件下專家的操作經驗。當前采集獲得的現場數據樣本X0包含同樣的內容。

(2)Step 2模糊聚類

采用模糊c均值聚類方法對優化操作數據庫中的樣本進行聚類,如果有新的優化操作樣本加入則需要重新對樣本進行聚類。聚類根據樣本中木片的種類、木片的含水量、木片中雜質的含量、木片合格率、液比進行。聚類后優化操作樣本分為10大類,第i類的類中心為Ci。當前工況樣本與類中心之間的相似性用相似系數表示。

(3)

式中,xi、xj為兩個樣本,P為樣本中用于聚類的元素個數。如果樣本中所有元素取正數,則0

(3)Step 3判斷當前工況所屬類

計算現場數據樣本與10個聚類類中心的相似系數,選擇相似系數最大的類,作為當前工況所屬的類。

(4)Step 4模式匹配

在當前類中計算現場樣本與類中各個樣本的相似系數,選擇10個相似系數最大的樣本,作為與當前工況最接近的樣本。

(5)Step 5 優化算法的初始值

分別計算這10個樣本的綜合工況指數S,將S值最小的樣本作為優良樣本,將其作為操作參數優化的初始值。

(6)Step 6優化算法的輸出值

將Step 5獲得的優良樣本作為初始值,然后采用GARPSO算法進行優化,獲得優化結果,最后進行操作參數的調整。

3 基于數據的卡伯值預測單元

3.1 置換蒸煮卡伯值的影響因素

置換蒸煮的卡伯值受H因子、有效堿濃度、硫化度、液比、木片合格率以及其他一些因素的影響[9]。其中的H因子、有效堿濃度、硫化度3個參量直接影響脫木素化學反應的速度和程度,對蒸煮終點卡伯值的大小起著決定性作用,其他量的影響可以忽略。

設紙漿卡伯值為因變量Y,有效堿濃度、硫化度、H因子分別為X1、X2、Xn,忽略次要影響因素,則紙漿卡伯值的數學函數為：Y=f(X1,X2,Xn)。

圖2 卡伯值預測模型的結構

3.2 卡伯值預測模型

神經網絡和模糊系統均是處理不確定性、非線性問題的有力工具。模糊系統中知識的抽取和表達比較方便,但是缺乏自學習和自適應能力,而神經網絡則可以直接從樣本中進行有效的學習,但一般不適于表達基于規則的知識。基于上述分析,將模糊邏輯與神經網絡適當地結合起來,吸取兩者的長處,則可組成性能良好的模糊神經網絡。

由圖2可知,該預測模型由前件網絡和后件網絡兩部分組成,前件網絡用來匹配模糊規則的前件,后件網絡用來產生模糊規則的后件。

3.2.1 前件網絡

前件網絡由4層組成。第一層為輸入層。它的每個節點直接與輸入向量的各分量xi連接,它起著將輸入值x=[x1x2x3…xn]T傳送到下一層的作用。因為有H因子、有效堿濃度、硫化度3個輸入量,所以這里的n=3。

(4)

式中,i=1,2,…,n;j=1,2,…,mi。n是輸入向量中所包含變量的個數,mi是每一個變量xi的模糊分割數。

第三層的每個節點都代表一條模糊規則,用來匹配模糊規則的前件,計算出每條規則的適應度,即：

(5)

第四層的節點總數與第三層相同,都為m。作用是實現歸一化計算,即：

(6)

3.2.2 后件網絡

后件網絡由3層節點構成。第一層是輸入層,將輸入變量傳送到第二層。輸入層中第0個節點的輸入值x0=1,其作用是提供模糊規則后件中的常數項。第二層共有m個節點(本設計中取m=7),每個節點代表一條規則,該層的作用是計算每一條規則的后件,即：

(7)

第三層是輸出層,只有一個節點,其輸出結果為：

(8)

3.2.3 網絡的學習算法

首先定義誤差函數為：

E=(t-y)2

(9)

式中，t表示網絡的期望輸出值,y為網絡的實際輸出值。需要學習的參數主要是后件網絡的連接權pjl,以及前件網絡第二層各節點隸屬度函數的中心值cji及寬度σji。

參數pjl學習的算法公式為：

(i=1,2,…,n; j=1,2,…,m)

(10)

參數cji和σji的學習算法公式為：

(11)

(12)

3.2.4 模型的訓練

在MATLAB的主命令窗口中輸入“anfisedit”命令,就可以打開AnfisEditor編輯器,其界面如圖3所示。

圖3 Anfis Editor編輯器界面

本文將從四川某竹漿廠置換蒸煮車間采集的數據經過預處理和歸一化后,直接導入MATLAB的workspace中,從樣本數據中選擇安裝序號,每隔10組取一組出來作為檢驗數據,組成一個擁有20組數據的集合作為檢驗數據,剩下的180組數據作為訓練數據。經過數據導入和數據加載,在AnfisEditor窗口的TrainFIS區域中對數據進行訓練,訓練完成后,在AnfisEditor窗口的TestFIS區域對系統進行測試。對系統測試時,選擇訓練數據與系統輸出進行對比,對比結果如圖4所示。

通過對比可以看出,網絡的輸出和實際的樣本值之間的誤差很小(平均誤差約為0.04),預測值能準確地反映實際值。

圖4 訓練樣本預測效果圖

4 工業應用

基于數據驅動的置換蒸煮卡伯值在線預測系統已經成功應用于四川某竹漿廠置換蒸煮系統中,圖5為置換蒸煮系統卡伯值實際值與預測值的對比圖,圖6為生產中的預測系統界面。由圖5、圖6可以看出,基于數據驅動的置換蒸煮卡伯值在線預測系統較好地實現了置換蒸煮系統卡伯值的在線預測,預測結果較準確,預測精度滿足實際要求。

圖5 置換蒸煮系統卡伯值實際值與預測值的對比圖

圖6 置換蒸煮卡伯值預測系統界面

5 結 語

本課題分析了置換蒸煮過程的特點,針對置換蒸煮過程卡伯值無法在線測量的問題,提出了基于數據驅動的置換蒸煮卡伯值在線預測方法,給出了總體控制框圖,說明了控制框圖中各個組成單元的結構和作用,設計了基于數據的卡伯值在線預測模型,仿真結果和工業實際應用效果均表明該方法的有效性。隨著“德國工業4.0”和“中國制造2025”的提出,基于數據驅動的置換蒸煮卡伯值在線預測方法必將不斷改進,具有廣闊的應用前景。

[1]SHISheng-tao,JIANGQing-sheng,JIANGYan-li.TheFeaturesofDDSCookingSystem[J].ChinaPulp&Paper, 2011, 30(9): 44. 時圣濤, 江慶生, 姜艷麗.DDS間歇置換蒸煮的特色[J]. 中國造紙, 2011, 30(9): 44.

[2]CHENBin.CurrentStatusandDevelopmentofBambooPulping&PapermakingTechnology[J].ChinaPulp&Paper, 2010, 29(12): 62. 陳 彬. 竹材制漿技術發展現狀[J]. 中國造紙, 2010, 29(12): 62.

[3]LIUHuan-bin.TheoryandTechnologyofSoft-measurementforPulpCharacters[M].Beijing:ChinaLightIndustryPress, 2009. 劉煥彬. 紙漿性質軟測量原理與技術[M]. 北京： 中國輕工業出版社, 2009.

[4]ShanHong-liang,WangWen-hai,SunYou-xian.Summarizationofsoftmeasurementmodelingonbatchcookingprocess[J].TransactionsofChinaPulpandPaper, 2003, 18(2): 195. 單鴻亮, 王文海, 孫優賢. 間歇蒸煮過程軟測量建模綜述[J]. 中國造紙學報, 2003, 18(2)： 195.

[5]LiYan,ZhangJian,ZhuXue-feng,etal.NewDevelopmentandApplicationofSoftSensingMethodsofKappaNummber[J].ChinaPulp&Paper, 2003, 22(7): 41. 李 艷, 張 建, 朱學峰, 等. 紙漿卡伯值軟測量模型的研究與應用[J]. 中國造紙, 2003, 22(7): 41.

[6]ZHANGJian.ResearchonimprovingtheaccuracyofSoftSensorforKappaNumberEstimationinPulpCookingProcess[D].Guangzhou:SouthChinaUniversityofTechnology, 2004. 張 健. 提高制漿蒸煮過程紙漿卡伯值軟測量精度的研究[D]. 廣州： 華南理工大學, 2004.

[7]HuangJun-mei,TangWei,XuBao-hua,etal.KappaNumberPredictionModelofCookingProcessBasedonBPNeuralNetwork[J].ControlandInstrumentsinChemicalIndustry, 2010, 37(11): 34. 黃俊梅, 湯 偉, 許保華, 等. 基于BP神經網絡的蒸煮卡伯值預測模型[J]. 化工自動化及儀表, 2010, 37(11): 34.

[8]WUTie-bin,YANGChun-hua,LIYong-gang,etal.FuzzyOperational-patternBasedOperatingParametersCollaborativeOptimizationofCobaltRemovalProcesswithArsenicSalt[J].ActaAutomaticaSinica, 2014, 40(8): 1690. 伍鐵斌, 陽春華, 李勇剛, 等. 基于模糊操作模式的砷鹽除鈷過程操作參數協同優化[J]. 自動化學報, 2014, 40(8): 1690.

[9]TANGWei,GANWen-tao,DANGShi-hong,etal.TheRealizationofOPCBasedKappaNumberSoftMeasurement[J].ChinaPulp&Paper, 2015, 34(2): 45. 湯 偉, 甘文濤, 黨世紅, 等. 基于OPC技術卡伯值軟測量的實現[J]. 中國造紙, 2015, 34(2): 45.CPP

(責任編輯：劉振華)

Displacement Cooking Kappa Value Online Prediction Based on Data-driven

DANG Shi-hong1,2,*TANG Wei1GAN Wen-tao1YANG Peng-fei1

(1.CollegeofLightIndustryandEnergy,ShaanxiUniversityofScience&Technology,Xi’an,ShaanxiProvince, 710021;2.ElectromechanicalInstitute,XianyangVocational&TechnicalCollege,Xianyang,ShaanxiProvince, 712000)(*E-mail: dangshihong@163.com)

Aiming to the difficulty of Kappa value online measurement in displacement cooking, this paper proposed a data-driven method to online predict Kappa value in displacement cooking. Based on the analysis of the features of displacement cooking process, an online prediction frame of Kappa value in displacement cooking based on data-driven was proposed, a pattern-matching optimization calculation was presented and a model of data-driven Kappa value online prediction was designed. The results of simulation and production application confirmed the effectiveness of the method．

data-driven; displacement cooking; Kappa value; optimization of operation mode; fuzzy neural network

2016- 05-23(修改稿)

國家國際科技合作項目(2010DFB43660)；陜西省科技廳國際科技合作項目(2011KW-11(2))；咸陽市科技研究項目(2014k03- 05)。

黨世紅先生,在讀博士研究生；研究方向：工業自動化與智能控制。

TP27;TS736

A

10.11980/j.issn.0254- 508X.2016.12.007