间歇制浆蒸煮终点预测方法

在分析常用蒸煮模型的基础上 ,提出了基于神经网络的制浆蒸煮过程建模方法。与BP神经网络相比 ,RBF神经网络具有最佳逼近能力、收敛速度快和不存在局部极小点等优点 ,因而选用了RBF神经网络作为建模工具。在决定RBF神经网络的输入和输出变量时 ,充分利用了现场可测量的物理量和制浆蒸煮过程知识 ,其输入变量比常用蒸煮模型增加了硫化度和木片合格率 ,其输出变量采用实际过程测量所需的终点H因子的对数 ,这样就减少了RBF神经网络的规模 ,提高了训练速度。对工厂的实际数据应用表明 ,该RBF神经网络模型的预测精度高于传统的Hatton模型。

基于RBFN—PCR方法的制浆蒸煮终点预测模型

实现制浆蒸煮终点的精确预测是稳定纸浆质量的关键,也是制浆行业一直未能很好解决的难题。利用径向基函数网络(RBFN)的最佳逼近性能和主成分回归(PCR)的空间变换技术,提出了一种径向基函数网络-主成分回归(RBFN-PCR)的建模方法。RBFN-PCR方法在确定隐含层结构和参数时,将隐单元数取为训练样本数,径向基函数中心矢量取相应样本值,宽度参数采用尝试方法选取,隐含层到输出层的网络权系数运用PCR求解。RBFN-PCR方法既保留了径向基函数网络的结构,又用数学方法直接求解,免去了冗长的训练过程和其它诸多欠缺。将RBFN-PCR方法用于间歇制浆蒸煮终点预测的建模,并通过实际生产数据对模型进行验证,结果显示模型的平均预测相对误差为6.21％,与文献上的10.62％相比,预测精度提高了许多。

基于混合模型的Kappa值软测量研究与应用

由于技术和工艺原因,制浆蒸煮过程纸浆Kappa 值难于在线测量,而纸浆Kappa 值又是蒸煮过程的一个重要质量指标,需要严格控制。在纸浆蒸煮Kappa 值软测量技术的研究与应用中,发现基于经验模型的预测精度仍须进一步提高,本文分析了精度不够高的可能原因,提出了利用过程工况特征信息来进行经验模型残差补偿的方法,并给出了这种混合模型的结构框图,对于混合模型的校正,同时采用长期校正和短期校正两种机制。然后针对制浆蒸煮过程纸浆Kappa 值软测量建模,分析了两种残差补偿模型的建模方法。最后,以某造纸厂化浆车间的130组样本数据为对象进行分析,证明了该方法的有效性。