CN1818206A - 纸浆洗涤工艺及优化控制方法 - Google Patents

Abstract

本发明涉及一种纸浆洗涤工艺，其特征在于，采用多段逆流洗涤工艺，浆与洗涤液是逆流过程，浆由I段至III段，残碱愈洗愈小，浆愈干净；洗涤液由III段至I段，浓度愈来愈大。第III段浆中残碱最小，黑液浓度最低；第I段浆中残碱最大，黑液浓度达到最高，被送入蒸发工段，作为碱回收的原料；一种纸浆洗涤优化控制方法，其特征在于，采用双目标优化方法优化控制，在洗选工段，采用正交和稀释因子方法进行初步优化控制，在此优化的基础上采用神经网络的方法建立动态数学模型，由此动态模型来产生一个稳态模型的样本集合，本发明的优点是洗净度及黑液密度兼顾，能将纸浆洗涤干净。

Description

纸浆洗涤工艺及优化控制方法

技术领域

本发明涉及一种纸浆洗涤工艺及优化控制方法，用于造纸生产线中，属于造纸控制系统技术领域。

背景技术

纸浆洗涤的目的是将纸浆与蒸煮液尽量分离出来，主要技术指标是洗净度(残碱)及黑液密度(波美度)，洗净度要求残碱量控制在0.05g/L以下，黑液密度要求波美度控制在7-9范围内，在实际运行过程中，残碱与波美度是互为矛盾的两个参数，要提高洗净度就要求增加洗涤用水，而这样一来就会降低波美度，从而增加碱回收车间蒸发工段的蒸汽量；反之，为了提高波美度，就要求减少洗涤用水，这样就会增加残碱量。这种未洗净的浆料会产生大量的泡沫，并会增加漂白和施胶的药品消耗，加大中段水排放的污染，影响纸成型的匀度和质量，因此必须加以兼顾。

纸浆洗涤过程控制的实践在国外已有10余年的历史，在国外产生了几种典型的控制系统：黑液浓度控制，残碱量控制^[2]，稀释因子优化控制^[3][4](DilutionFactor 简称DF)，基于模型优化控制^[5]，多组分控制^[6](Multi-componentControl)。目前国内的纸浆洗涤过程控制系统多数采用黑液浓度控制系统。许多纸厂黑液浓度都是人工每过一定时间离线测量，对黑液浓度的控制也并非十分精确，由于国外的洗浆控制系统往往与打浆设备及工艺流程配套，国内大多数纸厂缺资金，没有能力全套引进国外的设备，再加上国内浆种多样，国外的系统也末必适用。

在以往的稳态模型神经网络辩识过程中，常常采用大量的稳态数据直接辩识，这种方法要求不断对过程施加摄动，以获得较多的数据构成样本集合，样本集一般要有上百组数据才能够充分表达实际过程的稳态特性，如此频繁地施加摄动，在工业生产过程中一般是不允许的，这样会严重地影响生产。

发明内容

本发明的目的是发明一种洗净度及黑液密度兼顾，能将纸浆洗涤干净的纸浆洗涤工艺及优化控制方法。

为实现以上目的，本发明的技术方案是提供一种纸浆洗涤工艺，其特征在于，采用多段逆流洗涤工艺，其工艺为：

1-1.来自蒸煮的粗浆在喷放锅内加入黑液使高浓浆的浓度稀释到2.0％-2.5％后，由提浆泵打出，进入I段洗浆机；

1-2.由II段黑液槽提供的黑液进行喷淋洗涤，洗涤后的黑液进入I段黑液槽，I段黑液槽黑液温度为70℃-75℃；

1-3.随后浆进入II段洗机，由III段黑液槽的黑液进行喷淋洗涤，洗后的黑液进入II段黑液槽为上一段洗浆机提供洗涤水；

1-4.最后浆进入III段洗浆机，由加入的洗涤液(亦称白水)进行喷淋洗涤，洗后黑液进入III段黑液槽，洗涤后的浆进入浆塔。

一种纸浆洗涤优化控制方法，其特征在于，采用双目标优化方法优化控制，在洗选工段，采用正交和稀释因子方法进行初步优化控制，在优化的基础上采用神经网络的方法建立动态数学模型，具体方法为：

A.初步优化控制：进浆浓度

A-1.用进浆浓度，进浆流量，白水流量为实验因素，根据现场设备能力和正常生产的要求，确定其变化范围及因素水平；

A-2.根据所列的因素水平确定正交实验表，控制进行10-20天的实验，得到进浆浓度、进浆流量、白水流量的优化设定值；

A-3.根据正交实验结果，计算出稀释因子DF值；

A-4.在纸浆洗涤过程中，当进浆浓度和进浆流量波动，根据DF值及时计算出白水流量，进行在线连续调节，使纸浆洗涤过程得初步优化控制；

B.优化控制：

B-1.采用神经网络辩识纸浆洗涤过程的稳态数学模型，分别建立控制指标首段洗浆机残碱和首段黑液槽波美度的神经网络模型；

B-2.利用过程的动态信息(斜阶跃响应)，用一个多层前向神经网络来建立过程的残碱的动态数学模型和波美度动态数学模型的两条神经网络学习曲线；

B-3.由残碱的动态数学模型和波美度的动态数学模型产生一个稳态模型的样本集合；

B-4.在建立的两个神经网络动态模型基础上，不断变化输入变量，得到稳态数据集合，作为稳态建模的样本集。

在本发明的整个过程中，浆与洗涤液是逆流过程，浆由I段至III段，残碱愈洗愈小，浆愈干净；洗涤液由III段至I段，浓度愈来愈大。第III段浆中残碱最小，黑液浓度最低；第I段浆中残碱最大，黑液浓度达到最高，被送入蒸发工段，作为碱回收的原料。

本发明采用多段逆流洗涤才可能在较小的稀释因子下，充分发挥扩散作用，取得较好的洗涤效果。

本发明在洗涤工艺的基础上，对洗涤控制进行初步优化，在已知进浆流量、浓度的前提下，找到合适的洗涤水流量及温度，使残碱量与波美度同时能满足工艺要求，本发明运用双目标优化控制算法，根据工艺要求及进浆量、温度、计算出浆槽液位，转鼓转速，洗涤水流量，温度等工艺参数的给定值，采用正交和稀释因子方法进行初步优化控制，经过初步优化控制后，在初步优化基础上采用基于两个神经网络的两步辨识法，利用过程的动态信息(斜阶跃响应)，用一个多层前向神经网络来辨识过程的动态模型；由此动态模型来产生一个稳态模型的样本集合，并用另一个多层前向神经网络来逼近过程的稳态特性，从而能做到同时满足残碱及波美度的工艺要求。

碱法浆洗涤后的干净程度(即洗净度)，以洗后浆所带废液中的残碱含量(Na₂O g/l)表示，或以洗后浆所带走的残碱含量(Na₂O kg/t风干浆)表示.洗净度的指标为：洗后浆残碱(g/l)≤0.55，I段黑液槽黑液浓度(Be)：7.0-9.0。

本发明的优点是洗净度及黑液密度兼顾，能将纸浆洗涤干净。

附图说明：

图1为流送部控制系统结构示意图；

图2为纸浆洗涤优化控制主程序流程图；

图3为纸浆洗涤优化控制程序流程图；

图4为纸浆洗涤优化控制联动连锁程序流程图；

图5为纸浆洗涤优化自动控制程序流程图。

具体实施方式：

如图1所示，为流送部控制系统结构示意图，所述的纸浆洗涤工艺采用多段逆流洗涤工艺，其工艺为：

来自蒸煮的粗浆在喷放锅1内加入黑液使高浓浆的浓度稀释到2.0％-2.5％后，由提浆泵打出，进入I段洗浆机2；由II段黑液槽5提供的黑液进行喷淋洗涤，洗涤后的黑液进入I段黑液槽3；随后浆进入II段洗机4，由III段黑液槽7的黑液进行喷淋洗涤，洗后的黑液进入II段黑液槽5为上一段洗浆机提供洗涤水；最后浆进入III段洗浆机6，由加入的洗涤液(亦称白水)进行喷淋洗涤，洗后黑液进入III段黑液槽7，洗涤后的浆进入浆塔8。

如图2、3、4、5所示，为纸浆洗涤优化控制主程序流程图、优化控制程序流程图、联动连锁程序流程图和自动控制程序流程图，所述的纸浆洗涤优化控制方法是采用双目标优化方法优化控制，在洗选工段，采用正交和稀释因子方法进行初步优化控制，在此优化的基础上采用神经网络的方法建立动态数学模型，具体方法为：

A.初步优化控制：

洗涤过程的影响因素有白水流量、进浆浓度、浆厚度、真空度、洗涤白水的温度等，真空度和白水温度基本不变，忽略不计。浆厚度与进浆流量，以提高洗涤质量。因此，优化控制主要控制白水流量、进浆浓度、进浆流量以提高洗涤流量。

采集进浆浓度，进浆流量，白水流量控制参数P.I.D过程变量，将正常生产时进浆浓度，进浆流量，白水流量参数存入数据库，可随时调用，用进浆浓度，进浆流量，白水流量为实验因素，根据现场设备能力和正常生产的要求，确定其变化范围及因素水平如下：

进浆浓度{％}：2.0        2.2        2.4

进浆流量(％)：110        120        135

白水流量(％)：25         30         35

根据所列的因素水平确定正交实验表，控制进行15天的实验，得到了正交优化的结果，即进浆浓度、进浆流量、白水流量的优化设定值。

在实际生产过程中，即使把进浆浓度和进浆流量设为定值，仍会出现较大波动，使得这种正交优化在实际中失去效果。而对于任何给定的洗涤系统，都存在一个最优的稀释因子DF(dilution factor)，DF定义如下：

DF＝[洗涤流量(kg/min)-洗后纸浆含水流量(kg/min)]/风干浆流量(kg/min)

式中：风干浆流量＝进浆流量-洗后纸浆浓度

      洗后纸浆含水量＝风干浆流量/[(1/洗后纸浆浓度)-1]

根据正交实验结果，计算出DF值，在实际生产过程中，根据进浆浓度和进浆流量波动，就可根据此DF值及时计算出白水流量，进行在线连续调节，使纸浆洗涤过程得到初步优化控制。

B.优化控制：

1.建模方法——两步辨识法：

根据纸浆洗涤过程的工艺流程及控制指标，根据实际工况和影响洗涤效果的因素，分析得到了建立纸浆洗涤过程稳态数学模型所需的输入输出变量如下：

输入变量为：上浆流量、上浆浓度、白水流量；

输出变量为：首段洗浆机残碱、首段黑液槽波美度。

采用神经网络辩识纸浆洗涤过程的稳态数学模型，分别建立控制指标首段洗浆机残碱(简称为残碱)和首段黑液槽波美度(简称为波美)的神经网络模型，即为：

y₁＝f₁(x₁，x₂，x₃)

y₂＝f₂(x₁，x₂，x₃)

其中x₁为上浆流量(m³/h)，x₂为上浆浓度(kg/m³)，x₃为白水流量(m³/h)，y₁为残碱(g/l)，y₂为波美度(Be)。

采用文献^[6][7]中提出的基于两个神经网络的两步辨识法，利用过程的动态信息(斜阶跃响应)，用一个多层前向神经网络来辨识过程的动态模型；由此动态模型来产生一个稳态模型的样本集合，并用另一个多层前向神经网络来逼近过程的稳态特性。

动态模型：

纸浆洗涤过程是一个大延迟环节，当任何一个输入变量发生变化时，洗浆过程的残碱和波美度需较长时间后方可趋于稳定^[8-14]；根据在现场的研究确定了残碱的动态数学模型的延迟因子(d＝6)和波美度的动态数学模型的延迟因子(d＝4)。

由于充分利用过程的斜阶跃响应来辩识过程的动态模型，其动态神经网络输入的构成与稳态时有所不同，形式构成：

X(k)＝[x₁(k)，x₁(k-1)，……，x₁(k-d)，x₂(k)，x₂(k-1)，……，x₂(k-d)，x₃(k)，x₃

      (k-1)，……x₃(k-d)，y(k)，y(k-1)，……，y(k-r)]其中d、r为延迟因

      子

基于输入构成的神经网络动态模型辨识步骤如下：

第一步：初始化权值为小的随机值(一般采用均匀分别在[-1，1]区间上的随机函数进行初始化)；

第二步：按d，r延迟因子构成输入矢量X(k)，并计算 y(k)及e(k)＝y(k)- y(k)；

第三步：根据所采用的不同学习算法修正权值；

第四步：将x1(k)，x2(k)，x3(k)， y(k)移位后，转到第2步，若|e(k)|＜ε则结束训练，其中ε为预先选定的允许误差精度；

基于L-M的BP算法的动态模型在BP算法中采用了Levenberg-Marguardt优化方法后，权值调整率选为：

Δω(k)＝(J^T(k)·J(k)+μ·I)^-1·J^T(k)·e(k)

其中：J(k)为误差对权值微分的Jacobian矩阵，e(k)为误差向量，μ为一个标量，是自适应调整的。这是构成了基于L-M的BP算法，下面我们就采用这种方法辨识。

首先根据在现场采集到的阶跃响应数据，采用了一个三层的网络进行动态模型的辨识，残碱的动态数学模型和波美度的动态数学模型结构参数分别如表1和表2所示：

               表1残碱神经网络模型结构参数

	输入层	隐含层	输入层
				结点数	24	27	1
变换函数	1/(1+e-s)	1/(1+e-s)	(1-e-s)/(1+e-s)

               表2残碱神经网络模型结构参数

	输入层	隐含层	输入层
				结点数	16	19	1
变换函数	1/(1+e-s)	1/(1+e-s)	(1-e-s)/(1+e-s)

表2列出了残碱的动态数学模型和波美度的动态数学模型的神经网络训练参数。通过神经网络训练^[15][16]，得到了两条神经网络学习曲线，以反映纸浆洗涤过程的动态特性。

在建立的两个神经网络动态模型基础上，不断变化输入变量，从而得到了稳态数据集合(150组数据)，作为稳态建模的样本集，从而能做到同时满足残碱及波美度的工艺要求，能将纸浆洗涤干净。

Claims (2)

1.一种纸浆洗涤工艺，其特征在于，采用多段逆流洗涤工艺，其工艺为：

1-1.来自蒸煮的粗浆在喷放锅(1)内加入黑液使高浓浆的浓度稀释到2.0％-2.5％后，由提浆泵打出，进入I段洗浆机(2)；

1-2.由II段黑液槽(5)提供的黑液进行喷淋洗涤，洗涤后的黑液进入I段黑液槽(3)，I段黑液槽黑液温度为70℃-75℃；

1-3.随后浆进入II段洗机(4)，由III段黑液槽(7)的黑液进行喷淋洗涤，洗后的黑液进入II段黑液槽(5)为上一段洗浆机提供洗涤水；

1-4.最后浆进入III段洗浆机(6)，由加入的洗涤液(亦称白水)进行喷淋洗涤，洗后黑液进入III段黑液槽(7)，洗涤后的浆进入浆塔(8)。

2.一种纸浆洗涤优化控制方法，其特征在于，采用双目标优化方法优化控制，在洗选工段，采用正交和稀释因子方法进行初步优化控制，在此优化的基础上采用神经网络的方法建立动态数学模型，具体方法为：

A.初步优化控制：

A-1.用进浆浓度，进浆流量，白水流量为实验因素，根据现场设备能力和正常生产的要求，确定其变化范围及因素水平；

A-2.根据所列的因素水平确定正交实验表，控制进行15天的实验，得到进浆浓度、进浆流量、白水流量的优化设定值；

A-3.根据正交实验结果，计算出稀释因子DF值；

A-4.在纸浆洗涤过程中，当进浆浓度和进浆流量波动，根据DF值及时计算出白水流量，进行在线连续调节，使纸浆洗涤过程得到初步优化控制；

B.优化控制：

B-1.采用神经网络辩识纸浆洗涤过程的稳态数学模型，分别建立控制指标首段洗浆机残碱和首段黑液槽波美度的神经网络模型；

B-2.利用过程的动态信息(斜阶跃响应)，用一个多层前向神经网络来建立过程的残碱的动态数学模型和波美度的两条神经网络学习曲线；

B-3.由残碱的动态数学模型和波美度的动态数学模型产生一个稳态模型的样本集合；

B-4.在建立的两个神经网络动态模型基础上，不断变化输入变量，得到稳态数据集合，作为稳态建模的样本集。

Images