基于数据驱动的纸浆洗涤过程优化控制

基于数据驱动的纸浆洗涤过程优化控制
单文娟;汤伟;刘炳
【摘要】针对纸浆洗涤过程的残碱和黑液波美度不能直接在线测量、控制回路的动态特性难以用数学模型描述的问题,通过研究数据驱动操作模式的优化思想,提出了基于数据驱动的纸浆洗涤过程综合优化的方法.基于PCA-BP神经网络法和多元回归分析建立了残碱和黑液波美度的预测模型及工况综合评价模型.基于大量工业运行数据和工况评价模型对纸浆洗涤过程的操作模式进行优化,构建优化操作模式库.以高产、低成本、低耗为目标对优化模式库寻优,找出最优操作模式.通过实际应用,证实该方法能准确预测残碱和黑液波美度,并在满足洗涤质量的同时,使出浆量提高,清水加入量减少,达到优化生产的效果.
【期刊名称】《中国造纸学报》
【年(卷),期】2018(033)004
【总页数】6页(P44-49)
【关键词】纸浆洗涤过程;数据驱动;神经网络;动态建模;操作模式
【作者】单文娟;汤伟;刘炳
【作者单位】陕西科技大学轻工科学与工程学院, 陕西西安, 710021;陕西科技大学电气与信息工程学院,陕西西安, 710021;华为技术有限公司, 陕西西安, 710077【正文语种】中文
【中图分类】TS736
图1 纸浆多段逆流洗涤工艺流程图
纸浆洗涤过程是制浆造纸生产中非常重要的一环，其洗涤效果直接影响到后续工段的顺利进行。

然而纸浆洗涤过程是一个高度复杂的非线性过程，纸浆洗涤过程的建模与自动控制问题一直困扰着制浆造纸生产企业。

近年来，数据驱动建模得到了广泛的应用，该方法只利用已存储的大量输入输出数据，在线学习计算与当前状态相匹配的控制量，便可获得系统所需要的各种静态品质，用“数据为自身说话”[1]。

在纸浆洗涤过程中，具有丰富的在线和离线测量数据，如温度、上浆浓度和出浆浓度、浆种和纸浆硬度、清水加入量和洗涤次数等数据[2]。

鉴于此，本研究针对纸浆洗涤过程的特点，充分利用生产过程长期运行积累的工业数据，基于两步神经网络法得到残碱和黑液波美度的预测模型，通过这两大指标构建纸浆洗涤质量评价模型，对工业运行数据进行聚类、模式匹配，构建出优化模式库。

以最优生产为目标，对优化模式库进行操作模式寻优，匹配出最优操作模式。

通过实验验证该方法能有效预测纸浆洗涤过程的状态参数，达到优化生产的效果。

1 纸浆洗涤过程机理描述
1.1 纸浆洗涤工艺过程
纸浆洗涤的主要目的是将纸浆中的可溶无机物和有机物洗净，同时要求尽量少用洗涤水，保持尽可能高的黑液浓度和温度，以减少黑液蒸发浓缩时的蒸汽消耗量。

在多段逆流洗涤过程中，即由多台纸浆洗涤机串联，浆料依次通过各台设备，从最后一段排出；洗涤水则是逆流，从最后一段进入，与最后一段的浆料形成稀液进行逆流洗涤。

纸浆多段逆流洗涤工艺流程如图1所示。

1.2 纸浆洗涤过程的操作模式描述
目前，操作模式优化相关概念在很多学科中被广泛提出并应用。

桂卫华等[1]在铜
闪速熔炼领域定义了操作模式优化的相关概念，提出了一种操作模式优化的方法。

复杂工业过程的数据主要包括：输入条件、状态参数、操作参数以及工艺指标[3- 4]，对于纸浆洗涤过程，数据可描述如下。

(1)纸浆洗涤过程t时刻的输入条件为r(t)=[r1(t), r2(t), r3(t), r4(t), r5(t)]。

其中，
r1(t)为浆种，r2(t)为浆层厚度，r3(t)为纸浆硬度，r4(t)为蒸煮方法，r5(t)为洗涤
次数。

(2)纸浆洗涤过程t时刻的状态量为s(t)=[s1(t), s2(t)]。

其中，s1(t)为洗后浆残碱，s2(t)为黑液波美度。

(3)纸浆洗涤过程t时刻的操作参数为q(t)=[q1(t), q2(t), q3(t)]。

其中，q1(t)为上浆浓度，q2(t)为上浆流量，q3(t)为清水加入量。

(4)纸浆洗涤过程t时刻的工艺指标为o(t)=[o1(t), o2(t), o3(t)]。

其中，o1(t)为纸浆洗涤质量，o2(t)为出浆产量，o3(t)为耗损费用。

(5)一定输入条件和状态条件以及与之对应的操作参数组成一个操作模式，纸浆洗
涤过程的操作模式为：p=[rT, sT, qT]T=[r1…r5，s1…s3, q1…q3]T。

2 基于数据驱动的纸浆洗涤过程操作模式优化
纸浆洗涤过程，其操作优化的核心思想是：在不增加额外生产设备和不改变现有工艺流程的前提下，优化纸浆洗涤质量，提高洗后出浆量，降低洗涤水用量；以提高综合经济效益为目标，通过实时监测纸浆洗涤过程的状态信息，当条件参数和状态参数发生改变时，对关键操作参数进行及时、合理的调节，从而使整个纸浆洗涤过程处在优化的运行状态。

洗后浆残碱和I段黑液波美度是评价纸浆洗涤质量的2个重要指标[5]；然而，这2个要求是相互矛盾且难于直接测量的。

要平衡这2个质量指标须建立一个二者的
预测模型。

2.1 纸浆洗涤工艺指标的神经网络预测模型
在纸浆洗涤过程中，由于残碱和黑液波美度难以在线测量，主要靠定期采样分析，
导致黑液浓度控制不精确，建模结果不理想。

神经网络在非线性系统的建模、分类和预测方面具有非常突出的效果[6]。

因此，采用BP神经网络结合具有降维、去噪、消除数据相关性的主成分分析(Principal Component Analysis，PCA)作为软测量的模型。

首先采用PCA方法对所涉及的过程变量进行去噪、降维、消除负相关性
等预处理，同时降低神经网络的复杂度；然后，采用神经网络建模的方法建立主元和质量变量之间的网络结构，得到纸浆洗涤过程的软测量模型。

2.1.1 基于PCA的预测模型输入量的选取
大量实验表明，影响纸浆洗涤质量的因素有：上浆浓度、上浆流量、清水加入量、浆层厚度、真空度、浆种、洗涤水温度、纸浆硬度、制浆方法。

需将这些相关的过程变量压缩为少数独立的变量，从而对过程进行有效控制。

通过数据分析和积累的经验，利用动态PCA方法筛选出了建立纸浆洗涤过程数学模型的输入变量，计算
步骤如下。

(1)初始化样本库。

计算样本库中各变量的平均值，并增加适量过程测量数据，组
成新的样本组，以充分反映过程的动态性及变换性[7]。

对新的样本数据进行标准
化处理，并每次计算校正方差，直到均方差不再改变时，得到每个变量的校正值，并以此构成初始化后的样本库。

(2)对样本库中数据进行PCA方法降维。

对上浆浓度、上浆流量、清水加入量、浆厚度、洗涤水温度、纸浆硬度进行主元分析，得到载荷矩阵和特征值矢量。

寻找第一个载荷矢量中绝对值最大的系数对应的变量，并剔除。

再次进行主元分析。

(3)多次分析后，得到上浆浓度、上浆流量、清水加入量这3个成分的贡献率达到
了98%，能较好地代表原数据信息。

因此，得到纸浆洗涤过程输入输出样本为：X=[x1, x2, x3]，Y=[y1, y2] 。

其中，x1为上浆浓度，x2为上浆流量，x3为清水加入量；y1为残碱量，y2为黑液波美度。

2.1.2 两步法神经网络
纸浆洗涤过程并非一个稳态的模型就能准确地辨识，要用一个动态变化的模型逼近纸浆洗涤过程，前述研究中采用了神经网络的两步辨识法得到纸浆洗涤模型。

两步辨识法：①采集大量的动态数据为样本，训练多输入的神经网络，通过训练好的神经网络辨识动态生产过程；②以此动态神经网络生成的大量样本数据为稳态模型的样本，训练只有主导输入的稳态模型，训练好的神经网络可稳定模拟生产过程的稳态特性。

(1)动态神经网络辨识法。

纸浆洗涤过程的动态辨识过程可表示为式(1)[5]：
(1)
其中，d为输入样本长度，d=3。

r1和r2分别为残碱及Ⅰ段黑液波美度延迟因子。

根据造纸厂现场调研，确定r1=6，r2=4[8]。

经过多次训练，残碱的动态因变量
为24，黑液波美度的动态因变量为16。

基于以上输入构成形式的神经网络动态模型辨识步骤如下：①初始化权值为小的
随机值(一般采用均匀分布在[-1，1]区间上的随机函数进行初始化)；②按r、d构
成输入向量X(k)，并计算及③根据所采用的学习算法修正权值；④将x1(k)、x2(k)、x3(k)及y(k)移位后，判断：若|e(k)|<ε，结束训练(ε为预先选定的允许误差精度)，否则转到②。

在实际中，样本数据库不断更新，在存储了足够数量的样本后，将旧样本挤掉，每隔一定时间在线进行网络模型训练，多次从动态网络中采集样本，充分地学习了纸浆洗涤过程。

(2)稳态神经网络辨识法。

在相同的浆种、设备的条件下，建立x1、x2、x3这3
个主导输入与状态参数y1、y2的稳态神经网络模型，如式(2)所示：
(2)
经过训练所得学习曲线和泛化曲线如图2及图3所示，反映了纸浆洗涤过程的稳
态特性。

图2 残碱的学习与泛化效果
图3 黑液波美度的学习与泛化效果
稳态神经网络模型产生的稳态数据为残碱和黑液波美度的具体数学模型提供了可靠的数据来源。

利用稳态模型中的200组数据进行最小二乘拟合，建立残碱和黑液
波美度的数学模型，见式(3)：
(3)
进行回归分析，残碱和黑液波美度的模型解释度达到约87%和85%，拟合偏差近似服从正态分布，因此预测值能够准确地反映两大指标的变化。

2.2 纸浆洗涤过程工况判断与操作模式优化
2.2.1 工况判断
纸浆洗涤过程综合优化控制的思想是：以纸浆洗涤过程的综合工况稳定为控制目的，采用优化控制方法寻找最优的操作参数，即上浆浓度、上浆流量、清水加入量[9]。

纸浆洗涤过程的工况是通过残碱和黑液波美度体现的，本研究利用所建立的2个
指标的预测模型进行工况判断，工况指数S见式(4)。

(4)
其中，1.923、7.59分别是残碱和黑液波美度的目标值，k1、k2为权重，经验取
值为0.4、0.6，根据计算得到S值，可将综合工况指数分为优、良、中、差4个
区间。

若落在优，则保持当前参数，若非优，则调整操作参数以优化模型。

图4 纸浆洗涤过程综合优化控制框架图
2.2.2 纸浆洗涤过程综合优化控制框架
纸浆洗涤过程综合优化控制框架见图4，可概述如下。

(a)首先获得大量不同条件下的实验数据，再根据神经网络获得纸浆洗涤过程质量
指标的数学模型，并进行在线校正。

(b)通过工况指数S判断，由落在“优”区间的工况参数和操作模式建立优化模式库，并对优化模式库里的样本进行聚类，当新的工况样本加入，重新聚类[10- 11]。

当前工况样本与聚类中心通过相似系数进行模糊匹配。

(c)若搜索出最相似的样本，则将操作参数x1、x2、x3经过神经网络法预测出y1、y2，带入工况指数S中，判断为“优”，添加到优化模式库里，并保持当前操作
参数[12]；若“非优”，操作优化的样本数会减少，要根据机理过程调整工况，从而构建出一个大的优化模式库。

(d)在建立的优化模式库里，以洗后浆产量最大、纸浆洗涤过程清水加入量最小为
目标，对稀释因子和操作参数进行寻优。

通过(a)、(b)、(c)3步构建了一个优化模式库，由于有工况指数S判断，保证了纸浆洗涤质量，在此基础上，(d)步生产效益提高，从而构成了纸浆洗涤过程的综合
优化控制。

2.2.3 基于优化模式库的多目标协调优化
数据驱动中关于操作模式优化的定义：在允许的操作模式空间Ω中，寻找最优的
操作模式Popt，在该操作模式的作用下，使得生产的工艺指标达到最优[13]。

即：表示工艺指标。

对于纸浆洗涤过程就是从过程的运行数据中挖掘出输入条件、状态参数、操作参数以及工艺指标之间的关系，并根据输入条件以及当前状态，寻找合适的操作参数。

纸浆洗涤过程的生产优化主要体现在耗损费用、出浆量、清水加入量。

建立的纸浆洗涤过程优化模型为式(5)：
min Z=min[F,Y′,C]T=
(5)
其中，f1(DF)为耗损费用最小，耗损费用和稀释因子DF有关[8]； f2(x1, x2)为目标出浆量差值最小化； f3(x3)为清水加入量最少。

优化模型是一个带有线性约束的非线性多目标优化问题，蚁群算法可看作是一个分布式的多自主体系统，它在问题空间的多点同时开始进行独立的解搜索，不仅增加了算法的可靠性，也使得算法具有较强的全局搜索能力[14- 15]。

本文采用蚁群优化算法，进行寻优，迭代10步时得到最优操作模式(见表1)。

表1 蚁群算法优化结果决策变量因变量上浆浓度/kg·m-3上浆流量/m3·h-1清水
加入量/m3·h-1稀释因子DF黑液波美度/°Bé残碱/g·L-1出浆量/t·h-1总耗费用/元·t-1优化前2.2117.534.70.57.2552.398258.513.2优化后
2.4129.726.5
3.29.1252.195309.910.9
从纸浆洗涤工段的优化结果可以看出：优化之后，残碱不高于2.2 g/L，黑液波美度提高到9.125°Bé，满足了工艺要求。

同时，出浆量比原来提高了约20%，清水加入量降低了近30%。

在最优稀释因子下，既保证了洗净度，又降低了总耗费用。

这对于制浆企业来说，有一定的经济效益。

3 结论
本研究以纸浆洗涤过程为对象，将数据驱动思想应用于纸浆洗涤过程的建模和优化控制，提出了纸浆洗涤过程的操作模式优化控制框架；重点研究了残碱和黑液波美度两大指标的预测模型，提出了纸浆洗涤过程的操作模式优化方法，实现了高产、低成本、低耗的多目标优化。

基于数据驱动的操作模式的优化方法目前已逐步应用到各个领域，对纸浆洗涤过程的研究虽然很多，但将数据驱动的思想应用其中，目
前还没有深入研究。

本研究将二者结合，希望能为制浆造纸过程控制提供一些新思路，基础理论和应用研究仍需进一步探索。

参考文献
【相关文献】
[1] Gui W H, Yang C H, Li Y G, et al. Data-driven operational-pattern optimization for copper flash smelting process[J]. Acta Automatoca Sinica, 2009, 35(6): 717．
桂卫华, 阳春华, 李勇刚, 等. 基于数据驱动的铜闪速熔炼过程操作模式优化及应用[J]. 自动化学报, 2009, 35(6): 717．
[2] Tang W, Shi S J, Zhao X M, et al. Pulp washing process DCS based on double-objective optimization[J]. Control Theory & Applications, 2002, 19(4): 555．
汤伟, 施颂椒, 赵小梅, 等. 纸浆洗涤过程双目标优化分布式控制系统[J]. 控制理论与应用, 2002,
19(4): 555．
[3] Gui W H, Yang C H. Intelligent Modeling, Control and Optimization of Complex Nonferrous Metallurgical Process[M]. Beijing: Science Press, 2010: 54．
桂卫华, 阳春华. 复杂有色冶金生产过程智能建模、控制与优化[M]. 北京: 科学出版社, 2010: 54．[4] Yan A J, Chai T Y, Yue H. Multivariable intelligent optimizing control approach for shaft furnace roasting process[J]. Acta Automatica Sinica, 2006, 32(4): 636．
严爱军, 柴天佑, 岳恒. 竖炉焙烧过程的多变量智能优化控制[J]. 自动化学报, 2006, 32(4): 636．[5] Tang W, Shan W J, Wang M X. Application of the Soft-sensing Technique in Pulp Washing Process[J]. China Pulp & Paper, 2011, 30(6): 47．
汤伟, 单文娟, 王孟效. 残碱和黑液波美度的在线软测量方法及实现[J]. 中国造纸, 2011, 30(6): 47．[6] Xie S M, Gao X W, Chai T Y. BOF Endpoint Prediction Based on Grey Model[J]. Journal of Iron and Steel Research, 1999, 11(4): 9．
谢书明, 高宪文, 柴天佑. 基于灰色模型的转炉炼钢终点预报研究[J]. 钢铁研究学报, 1999, 11(4): 9．[7] Zhao S-J, Zang J, Xu Y-G. Monitoring of processes with multiple operating modes through multiple principle component analysis models[J]. Ind Eng Chen Res, 2004, 43: 7025．
[8] Shan W J, Tang W. Optimization of the Dilution Factor in Pulp Washing Process[J]. China Pulp & Paper, 2012, 31(2): 50．
单文娟, 汤伟. 纸浆洗涤过程中稀释因子的优化[J]. 中国造纸, 2012, 31(2): 50．
[9] Yu X M, Wang M X, Bai S. Research on Optimization of Pulp Washing Process Based
on Multi-objective Evolutionary Algorithm[J]. Transactions of China Pulp and Paper, 2009, 24(2): 92．
于晓明, 王孟效, 柏松. 纸浆洗涤过程的多目标进化优化研究[J]. 中国造纸学报, 2009, 24(2): 92．[10] Du Z G, Wang G Q, Zhang Z B, et al. Application of BP Neural Networks in Predicting the Product Yield of HVGO Steam Cracking[J]. Ethylene Industry, 2009, 21(2): 8．
[11] Hu Z K, Gui W H, Peng X Q, et al. Intelligent optimization of optimal operational pattern in the process of copper converting furnace[J]. Control Theory & Applications, 2005, 22(2): 243．
胡志坤, 桂卫华, 彭小奇, 等. 铜转炉生产操作模式智能优化[J]. 控制理论与应用, 2005, 22(2): 243．[12] Yao K T, Shao Z J, Chen X, et al. Data-driven technology and mechanism model based soft sensor modeling in PTA process[J]. Computers and Applied Chemistry, 2010, 27(10): 1329．
姚科田, 邵之江, 陈曦, 等. 基于数据驱动技术和工艺机理模型的PTA生产过程软测量建模方法[J]. 计算机与应用化学, 2010, 27(10): 1329．
[13] Cherkassky V, Ma Y. Practical selection of SVM parameters and noise estimation for SVM regression[J]. Neural Networks, 2004, 17(1): 113．
[14] Zhu P F, Xia L Y, Pan H T. Multi-model fusion modeling method based on improved Kalman filtering algorithm[J]. CIESC Journal, 2015, 66(4): 1388．
朱鹏飞, 夏陆岳, 潘海天. 基于改进Kalman滤波算法的多模型融合建模方法[J]. 化工学报, 2015, 66(4): 1388．
[15] Liu H, Liu Z J, Li H G. A data-driven approach to chemical process alarm threshold optimization[J]． CIESC Journal, 2012, 63(9): 2733.
刘恒, 刘振娟, 李宏光. 基于数据驱动的化工过程参数报警阈值优化[J]. 化工学报, 2012, 63(9): 2733．。