殘堿和黑液波美度的在線軟測量方法及實(shí)現(xiàn)

湯 偉 單文娟 王孟效

(1.陜西科技大學(xué)造紙工程學(xué)院,陜西西安,710021;2.陜西西微測控工程有限公司,陜西咸陽,712081)

殘堿和黑液波美度的在線軟測量方法及實(shí)現(xiàn)

湯 偉1,2單文娟1王孟效2

(1.陜西科技大學(xué)造紙工程學(xué)院,陜西西安,710021;2.陜西西微測控工程有限公司,陜西咸陽,712081)

殘堿和黑液波美度是評價紙漿洗滌質(zhì)量的兩個重要指標(biāo),但二者在線直接測量難度大,筆者基于集散控制系統(tǒng)采集的大量現(xiàn)場數(shù)據(jù)和用機(jī)理模型得到的模擬數(shù)據(jù),建立了二者的穩(wěn)態(tài)神經(jīng)網(wǎng)絡(luò)模型,通過最小二乘法進(jìn)行在線校正,建立了一套新型殘堿和黑液波美度的軟測量方法。計(jì)算機(jī)仿真和現(xiàn)場數(shù)據(jù)比較結(jié)果證明了該軟測量方法的有效性。

殘堿;黑液波美度;軟測量;神經(jīng)網(wǎng)絡(luò);最小二乘法

紙漿洗滌過程是制漿造紙生產(chǎn)中非常重要的一環(huán)[1],洗滌效果直接影響到后續(xù)工段的順利進(jìn)行。紙漿洗滌的主要目的是將紙漿中的可溶無機(jī)物和有機(jī)物洗凈,同時獲得高濃度的黑液,但這兩個要求相互矛盾,因此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)。長期以來,人們對紙漿洗滌機(jī)理以及洗滌過程參數(shù)優(yōu)化都進(jìn)行了系統(tǒng)的研究,洗漿過程穩(wěn)定但由于蒸煮的原料品種、工藝條件經(jīng)常改變,洗漿過程中還存在許多不可控?cái)_動,都會影響洗漿的質(zhì)量。因此應(yīng)加強(qiáng)紙漿洗滌傳感器技術(shù)的研究,目前真正在洗漿過程中使用的紙漿和黑液波美度質(zhì)量傳感器主要為電導(dǎo)儀和黑液濃度計(jì)[2],其中,電導(dǎo)儀用于測量紙漿中黑液鈉離子含量,而實(shí)際的紙漿內(nèi)殘堿及黑液不僅含有無機(jī)物,還有木素等有機(jī)物,電導(dǎo)儀測量值至多能反映無機(jī)物的含量,因此,為了更全面表征紙漿質(zhì)量,應(yīng)研制在線檢測紙漿中殘堿量、木素量及提取黑液中總?cè)芙夤绦挝锖康戎匾獏?shù)的傳感器,先進(jìn)的紙漿洗滌過程優(yōu)化控制系統(tǒng)[3]必然建立在這些檢測儀器的基礎(chǔ)上。在沒有在線檢測儀器的情況下,計(jì)算機(jī)軟測量技術(shù)成為洗漿過程控制的輔助手段。

針對紙漿洗滌過程的研究重點(diǎn)是克服工況波動、保證持續(xù)、平穩(wěn)洗漿,本課題以集散控制系統(tǒng)(DCS)采集的大量現(xiàn)場數(shù)據(jù)和用機(jī)理模型得到的模擬數(shù)據(jù)為基礎(chǔ),基于改進(jìn)BP算法的神經(jīng)網(wǎng)絡(luò)模型以及最小二乘法,構(gòu)造了洗漿過程質(zhì)量指標(biāo):殘堿和黑液波美度的自適應(yīng)軟測量儀表。

1 洗漿機(jī)理

本課題的研究對象是普通的草漿洗滌,采用的是逆流洗滌原理。洗漿過程受多種因素的影響,表現(xiàn)出復(fù)雜的變量關(guān)系,因此,建立洗漿過程質(zhì)量指標(biāo)軟測量模型,首先要從工藝機(jī)理出發(fā)分析與其相關(guān)的因素。

紙漿洗滌的主要目的是將紙漿中的可溶無機(jī)物和有機(jī)物洗凈,同時獲得高濃度的黑液。實(shí)際上黑液的提取過程也是紙漿的洗滌過程。從藥品回收的角度出發(fā),要求盡量提高黑液的提取率,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[3]。而從紙漿洗滌的角度出發(fā),要求把漿盡可能地洗凈,并盡量減少纖維的流失,提高漿的得率,以免在精選工段產(chǎn)生大量的泡沫和在漂白工段耗用較多的漂劑。

評價紙漿洗滌質(zhì)量的兩個重要指標(biāo)是洗后漿殘堿和首段黑液濃度 (波美度)。工藝要求洗后漿殘堿越低越好,首段黑液波美度越高越好。通過對生產(chǎn)工藝條件的分析,洗漿過程中需要調(diào)節(jié)的主要參數(shù)有:上漿的濃度和流量、洗滌水流量和溫度、黑液槽液位、濾網(wǎng)速度、濃黑液溫度。通過單回路控制或者諸如串級控制、比值控制等不很復(fù)雜的高級控制算法可以將洗漿機(jī)轉(zhuǎn)鼓速度和液位、洗滌水溫度、壓差或真空度、黑液槽液位、濃黑液溫度等對漿料洗滌質(zhì)量的影響變小,因此以上漿濃度、上漿流量、清水加入量為漿料洗滌過程軟測量模型的二次變量。

2 基于神經(jīng)網(wǎng)絡(luò)的洗漿過程軟測量技術(shù)

2.1 軟測量原理

在工業(yè)過程控制中,存在一大類無法或難以用傳感器直接檢測的變量,這些變量對于提高產(chǎn)品質(zhì)量和保證安全生產(chǎn)起著重要的作用。解決方法之一是采用軟測量技術(shù)在線監(jiān)測。軟測量的基本思想是把自動控制理論與生產(chǎn)過程知識有機(jī)結(jié)合起來,應(yīng)用計(jì)算機(jī)技術(shù),針對難于測量或暫時不能測量的重要變量 (或稱之為主導(dǎo)變量),選擇另外一些容易測量的變量(或稱之為輔助變量),通過構(gòu)成某種數(shù)學(xué)關(guān)系來推斷和估計(jì),以軟件來代替硬件 (傳感器)功能。軟測量模型的基本結(jié)構(gòu)如圖1所示。

圖1 軟測量模型結(jié)構(gòu)

基于以上原因,本課題在對紙漿洗滌過程機(jī)理分析的基礎(chǔ)上,通過采用三層 BP神經(jīng)網(wǎng)絡(luò)建立殘堿和黑液波美度的軟測量模型。基于建立的洗漿過程數(shù)學(xué)模型,由輸入控制量可以預(yù)報(bào)洗漿結(jié)果。然后以這個結(jié)果來指導(dǎo)控制作用,再輔之以定時離線測量修正模型來提高精度,適應(yīng)工況變化。

2.2 神經(jīng)網(wǎng)絡(luò)樣本集的獲取

采用BP神經(jīng)網(wǎng)絡(luò)方法建模的首要和前提條件是足夠多、典型性好、精度高的樣本。而且,為使監(jiān)控訓(xùn)練過程不發(fā)生 “過擬合”和評價建立的網(wǎng)絡(luò)模型的性能和泛化能力,必須將收集到的數(shù)據(jù)隨機(jī)分成訓(xùn)練樣本、檢驗(yàn)樣本和測試樣本 3部分。此外,數(shù)據(jù)分組時還應(yīng)盡可能考慮樣本模式間的平衡。

漿料洗滌效果可以用 3個指標(biāo)評定:洗凈度、黑液密度與稀釋因子。結(jié)合多年經(jīng)驗(yàn)和工廠的實(shí)際情況,確定BP神經(jīng)網(wǎng)絡(luò)輸入變量為上漿濃度、上漿流量、清水流量,輸出變量為殘堿和黑液波美度。

由于漿料洗滌過程是一個延時大的非線性過程,要獲得大量的數(shù)據(jù)需要頻繁地對過程施加擾動,但這在工業(yè)生產(chǎn)中是不允許的。由于無法對工業(yè)裝置試驗(yàn),獲得表達(dá)擾動與殘堿、黑液波美度關(guān)系的數(shù)據(jù),而且現(xiàn)場數(shù)據(jù)變化范圍又很窄,因此根據(jù)漿料洗滌工藝各部分機(jī)理,應(yīng)用正交設(shè)計(jì)方法按 L9(3)正交表設(shè)計(jì) 3x組正交操作條件,模擬漿料洗滌的實(shí)際生產(chǎn)操作過程,使工業(yè)裝置的操作特性得到充分 “激勵”。用機(jī)理模擬共產(chǎn)生 30組工作點(diǎn)變化范圍較大的漿料洗滌過程操作信息。表1給出了通過機(jī)理模擬計(jì)算得到的、模擬用到的部分樣本數(shù)據(jù)。

根據(jù)生產(chǎn)經(jīng)驗(yàn)和操作情況,將通過 DCS采集得到的工業(yè)生產(chǎn)現(xiàn)場數(shù)據(jù)進(jìn)行預(yù)處理,將其中不合理的數(shù)據(jù)剔除,同時考慮測量時滯后因素的影響,對具有相同輸入的輸出數(shù)據(jù)進(jìn)行平滑處理。用于訓(xùn)練的樣本集中,應(yīng)盡可能減少數(shù)據(jù)的相互聯(lián)系,生產(chǎn)記錄中完全相同的輸入和輸出數(shù)據(jù)僅保留一組,并對數(shù)據(jù)進(jìn)行歸一化處理,筆者采用得到 120組生產(chǎn)數(shù)據(jù)。將 30組樣本數(shù)據(jù)與工業(yè)生產(chǎn)現(xiàn)場通過 DCS采集得到的 120組數(shù)據(jù)結(jié)合起來,構(gòu)成殘堿和黑液波美度神經(jīng)網(wǎng)絡(luò)軟測量模型的樣本集。將這 150組數(shù)據(jù)分為兩部分:100組數(shù)據(jù)作為訓(xùn)練樣本集,其中 30組模擬樣本值包含在內(nèi);另外 50組實(shí)測數(shù)據(jù)作為校驗(yàn)樣本集。定義影響漿料洗滌質(zhì)量的操作變量數(shù)據(jù)樣本為:

表1 用機(jī)理模型模擬的部分樣本數(shù)據(jù)

其中:x1為上漿濃度,kg/m3;x2為上漿流量,m3/h;x3為清水流量,m3/h;y1為殘堿量,g/L;y2為黑液波美度 ,°Bé。

2.3 神經(jīng)網(wǎng)絡(luò)模型的建立

圖2 BP神經(jīng)網(wǎng)絡(luò)軟測量系統(tǒng)框圖

由于過程參數(shù)不可能出現(xiàn)突變,當(dāng)采樣周期足夠短,就可以認(rèn)為系統(tǒng)當(dāng)前輸出僅僅取決于其過去輸出,可以建立遞歸神經(jīng)元網(wǎng)絡(luò),將對象的動態(tài)性能引入網(wǎng)絡(luò)[5]。這種神經(jīng)網(wǎng)絡(luò)的問題在于被測參數(shù)的歷史數(shù)據(jù)本身存在誤差,這將導(dǎo)致測量失敗。延時神經(jīng)網(wǎng)絡(luò)模型用于當(dāng)前輸出只取決于當(dāng)前輸入和過去輸入的系統(tǒng)建模。本課題將兩種神經(jīng)網(wǎng)絡(luò)結(jié)合,如圖2所示,網(wǎng)絡(luò)引入輸出自身的回饋信號,同時采用帶延遲線的抽頭 TDL將系統(tǒng)過去時刻的輸入作為網(wǎng)絡(luò)的輸入。采用 BP神經(jīng)網(wǎng)絡(luò)建立殘堿量和黑液波美度的數(shù)學(xué)模型:

BP神經(jīng)網(wǎng)絡(luò)動態(tài)和穩(wěn)態(tài)模型辨識結(jié)構(gòu)如圖3和圖4所示。

因此,只要分別得出 y1與 x1、x2、x3,y2與 x1、x2、x3之間的數(shù)學(xué)關(guān)系,就可以建立殘堿和波美度的軟測量模型。

針對殘堿和黑液波美度分別構(gòu)造一個 3輸入、1輸出的神經(jīng)網(wǎng)絡(luò)。隱含層設(shè)計(jì)經(jīng)驗(yàn)公式:n1=n1為隱層神經(jīng)元個數(shù);a為 [1,10]之間的常數(shù),根據(jù)以上公式以及本課題的實(shí)際情況,網(wǎng)絡(luò)隱層神經(jīng)元個數(shù)應(yīng)該在 4～10之間,因此將網(wǎng)絡(luò)設(shè)計(jì)成隱層神經(jīng)元數(shù)目可變,通過誤差對比,最終確定最佳隱層神經(jīng)元個數(shù)為 7,神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖5所示,參數(shù)見表2。

圖5 殘堿 (黑液波美度)的 BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

表2 殘堿及黑液波美度神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)參數(shù)

BP算法是梯度下降法,其實(shí)質(zhì)是使誤差平方和最小,這種方法是沿梯度下降方向搜索,收斂速度慢。為了加快搜索,作為對誤差函數(shù)的二次逼近,提出了牛頓法及其變形等。牛頓法需要計(jì)算二階導(dǎo)數(shù)的Hessian陣及其逆陣,具有計(jì)算復(fù)雜、工作量大等缺點(diǎn),而LM算法避免了這些缺點(diǎn),搜索速度快,適于前向神經(jīng)網(wǎng)絡(luò)訓(xùn)練[7],為此采用LM優(yōu)化算法進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練,訓(xùn)練參數(shù)見表3。經(jīng)過訓(xùn)練所得學(xué)習(xí)曲線和泛化曲線如圖6和圖7所示。

表3 殘堿及黑液波美度神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練參數(shù)

圖7 黑液波美度的學(xué)習(xí)與泛化效果

可以看出,基于 LM優(yōu)化的 BP算法學(xué)習(xí)效果良好,泛化能力也比較強(qiáng),在實(shí)際應(yīng)用中樣本數(shù)據(jù)庫可以不斷地更新,即在存儲了足夠數(shù)量樣本后,將舊樣本擠掉,每隔一定時間在線進(jìn)行網(wǎng)絡(luò)模型訓(xùn)練,對軟測量模型進(jìn)行修正,提高測量精度。

2.4 軟測量模型的在線校正

由于裝置操作條件以及原料性質(zhì)的變化,前面辨識得到的軟測量模型只是用于一定的操作范圍,不可能完全擬合原有的實(shí)際值,必然存在一定的誤差,為了提高預(yù)報(bào)精度,本課題通過修正或補(bǔ)償?shù)姆椒ㄊ鼓Ｐ捅M可能與原有實(shí)際值擬合。

影響紙漿洗滌質(zhì)量的因素很多,上面建立的殘堿和黑液波美度的神經(jīng)網(wǎng)絡(luò)模型實(shí)際上僅考慮了各個輸入變量對殘堿和黑液波美度的綜合效果,并沒有完全反映出每個輸入量的具體影響效果,而每個因素對殘堿及黑液波美度影響的程度不同,影響的規(guī)律也不同,這里基于紙漿洗滌過程的檢測信息,采用線性回歸的方法,對神經(jīng)網(wǎng)絡(luò)模型所產(chǎn)生的擬合誤差進(jìn)行補(bǔ)償,以提高模型精度。

Δx(k)為通過神經(jīng)網(wǎng)絡(luò)模型得到的殘堿或黑液波美度與實(shí)際殘堿或黑液波美度的差值。其中,x(k)為軟測量值,x(0)(k)為實(shí)際檢測值?；貧w變量選擇上漿濃度 x1、上漿流量 x2及清水流量 x3,從而可以建立如下線性回歸補(bǔ)償模型:

其中 , ΔX=[Δx(1),Δx(2)…Δx(n)]T;

由于各回歸變量的值相差較大,有可能使回歸系數(shù)差別加大或使矩陣接近奇異,因此需對原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理,令:

其中,

經(jīng)過上述變換后,式 (3)變成:

其中 ,ΔX′=[Δx′(1),Δx′(2)…Δx′(n)]T;

應(yīng)用最小二乘法可以求得α,即:

可得到對誤差進(jìn)行補(bǔ)償?shù)木€性模型。

在神經(jīng)網(wǎng)絡(luò)樣本中選取 200個數(shù)據(jù)元組。將此數(shù)據(jù)對進(jìn)行最小二乘平面擬合,通過MATLAB編程實(shí)現(xiàn)得到殘堿的偏差系數(shù)為:

黑液波美度的偏差系數(shù)為:

根據(jù)神經(jīng)網(wǎng)絡(luò)模型得到的值及經(jīng)過線性回歸得到的對誤差的補(bǔ)償值,可以得到殘堿和黑液波美度的擬合值與未來洗漿的預(yù)報(bào)值。

3 控制系統(tǒng)方案及實(shí)際應(yīng)用

根據(jù)工藝指標(biāo)的具體要求,以西門子 PLC和工業(yè)控制機(jī)為核心組成兩級或三級 DCS控制。系統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu)如圖8所示。系統(tǒng)由 4臺工控機(jī)、1臺西門子S7-400系列 CPU416-2DP和 4個 ET200M站構(gòu)成三級DCS。其中,CPU416-2DP PLC為本 DCS的核心,完成現(xiàn)場各參數(shù)的采集、處理和控制運(yùn)算;2臺工控機(jī)為操作員站,執(zhí)行人機(jī)接口功能,操作員對現(xiàn)場的監(jiān)視和操作主要通過這 2臺工控機(jī)來完成;1臺工控機(jī)為優(yōu)化控制站,用于基于神經(jīng)網(wǎng)絡(luò)的漿料洗滌過程殘堿和黑液波美度的數(shù)學(xué)模型辨識及雙目標(biāo)優(yōu)化[8];1臺工控機(jī)為工程師站,用于工程師對生產(chǎn)現(xiàn)場的監(jiān)視、打印報(bào)表以及對工藝參數(shù)和控制器參數(shù)的修改等。系統(tǒng)設(shè)置了三級網(wǎng)絡(luò):工業(yè)以太網(wǎng)、MPI/DP網(wǎng)和 Profibus-DP網(wǎng)[9]。其中,工業(yè)以太網(wǎng)用于工程師站與操作員站及優(yōu)化控制站之間的信息交換,MPI/DP網(wǎng)用于 CPU416-2DP與操作員站和優(yōu)化控制站之間的相互通信,Profibus-DP網(wǎng)用于 CPU416-2DP與各ET200M站之間的高速通信。另外,系統(tǒng)還提供了豐富的接口功能,能夠與造紙廠的其他工段或車間,如篩選工段、漂白工段和堿回收車間、抄紙車間等方便地進(jìn)行聯(lián)網(wǎng)和通信。

在控制方面,系統(tǒng)包含濃度控制子系統(tǒng)、液位控制子系統(tǒng)、流量控制子系統(tǒng),3個子系統(tǒng)的作用是保證漿料逆流洗滌的正常進(jìn)行,使洗后漿的殘堿盡可能地小,首段黑液波美度盡可能地大。

針對某造紙廠的洗滌工段、上漿濃度、上漿流量、清水流量等運(yùn)行參數(shù),由 DCS向優(yōu)化系統(tǒng)每 5 s下載 1次,利用這些參數(shù),對造紙廠的實(shí)測數(shù)據(jù)進(jìn)行了仿真,取其中的 50組數(shù)據(jù)建立殘堿和黑液波美度的模型,對其余 50組數(shù)據(jù)進(jìn)行預(yù)報(bào),仿真過程采用信息模型,即首先用前 50組數(shù)據(jù)建模,對第 51組數(shù)據(jù)做出預(yù)報(bào),然后將第 51組數(shù)據(jù)的實(shí)際數(shù)據(jù)加到用于建模的數(shù)據(jù)中,同時去掉第 1組數(shù)據(jù),對第 52組數(shù)據(jù)做出預(yù)報(bào),依此類推,從而得到其余 50組數(shù)據(jù)的預(yù)報(bào),結(jié)果如圖9所示。當(dāng)預(yù)報(bào)誤差在一定可接受范圍時,殘堿命中率為 87.81%,黑液波美度的命中率為 79.99%。以此結(jié)果可以看出,利用該模型得到的預(yù)報(bào)結(jié)果與實(shí)際值比較接近,這說明該模型具有較高的預(yù)報(bào)精度,可以較好地在現(xiàn)場實(shí)際平穩(wěn)運(yùn)行,很好地滿足了質(zhì)量指標(biāo)要求。

圖9 殘堿與黑液波美度的軟測量儀表在線校正效果

4 結(jié) 語

在分析紙漿洗滌過程上漿濃度、上漿流量、清水流量各種相關(guān)因素的基礎(chǔ)上,建立了基于改進(jìn) BP算法的神經(jīng)網(wǎng)絡(luò)軟測量模型,為紙漿洗滌過程質(zhì)量指標(biāo)檢測提供了新方法,在實(shí)際應(yīng)用中,樣本數(shù)據(jù)庫進(jìn)行不斷地更新,即在存儲了足夠數(shù)量新樣本后,將舊樣本擠掉,每隔一段時間在線進(jìn)行網(wǎng)絡(luò)模型訓(xùn)練,對軟測量模型進(jìn)行修正,提高精度。

基于神經(jīng)網(wǎng)絡(luò)的洗滌質(zhì)量指標(biāo)的軟測量技術(shù),為紙漿洗滌過程殘堿和黑液波美度的實(shí)時測量提供了一種重要的手段,具有泛化能力良好、預(yù)測精度高、適用范圍廣、計(jì)算簡單等優(yōu)點(diǎn),具有很好的推廣應(yīng)用前景。

[1] 曹振雷.中國造紙工業(yè)的回顧和展望 [J].造紙信息,2006(6):10.

[2] Yang C J,Sun Y X,Bao B L.The present and future of the pulp washing process control[J]. China Pulp&Paper.,1998,17(3):25.

[3] 湯 偉,施頌椒.紙漿洗滌過程雙目標(biāo)優(yōu)化分布式控制系統(tǒng)[J].控制理論與應(yīng)用,2002,19(4):555.

[4] 朱學(xué)峰,軟測量技術(shù)及其應(yīng)用[J].華南理工大學(xué)學(xué)報(bào),2002,30(11):61.

[5] 張自成,費(fèi)敏銳.基于神經(jīng)網(wǎng)絡(luò)的中速存煤量軟測量方法[C]//2006第七屆工業(yè)儀表與自動化學(xué)術(shù)會議,2006.

[6] 李 智,蔡九菊,徐有寧.軟測量技術(shù)在電站鍋爐優(yōu)化燃燒上的應(yīng)用[J],過程工程學(xué)報(bào),2004,4(6):549.

[7] 謝書明,高憲文,柴天佑.基于灰色模型的轉(zhuǎn)爐煉鋼終點(diǎn)預(yù)報(bào)研究[J].鋼鐵研究學(xué)報(bào) 1999,11(4):13.

[8] 楊春節(jié).集散控制系統(tǒng)應(yīng)用于大型紙漿洗滌過程控制[J].中國造紙,2001,20(1):17.

[9] 宗大偉,王孟效.紙漿洗滌過程的DCS方案設(shè)計(jì)[J].中國造紙,2004,23(10):43.

[10] 楊福廷,侯其德.紙漿洗滌與提高洗滌效率的探討[J].中國造紙,1997,16(3):9.

[11] CichockiA,Bargiela A.Neural networks for solving linear inequality systems[J].Parallel Computing,1997(22):1455.

[12] Wei Tang,MengxiaoWang,Lifeng He.NeuralNetworkBased Double-Objective Optimization andApplication to PulpWashing Process I mprovement[J].Ind.Eng.Chem.Res,2007(46):5015.

Application of the Soft-sensing Techn ique in PulpWashing Process

TANGWei1,2,＊SHAN Wen-juan1WANGMeng-xiao2
(1.Depar tm ent of PaperM aking Engineering Shaanxi University of Science and Technology,Xi’an,Shaanxi Province,710021;2.Shaanxi XiW ei Process Autom ation Engineering Co.Ltd.,Xianyang,Shaanxi Province,712081)

The most important quality indices of evaluating pulp washing perfor mance are residual alkali in the washed pulp and the Baume degree of the extracted black liquor.Considering the fact of direct on-line instrument measuring of them is very difficult,an adaptive softsensing instrument formeasuring residual soda andBaume degree isproposed.Voluminousplantoperation data collected byDCS and simulated results from a theoreticalmodel are pooled together and used to build the adaptive soft-sensing instrument based on theBP neural network and least square method.Application of the soft-sensing technique in pulp washing control system shows that the control system can run smoothly over a long period on site.

pulp washing process;soft sensor;neural network;least square method;DCS

TS736

A

0254-508X(2011)06-0047-06

湯 偉先生,博士;主要研究方向:制漿造紙全過程自動化、工業(yè)過程高級控制、時滯過程控制及應(yīng)用。

(＊E-mail:wtang906@163.com)

2011-03-31(修改稿)

本課題得到國家自然科學(xué)基金項(xiàng)目 (30972322)資助。

(責(zé)任編輯:馬 忻)