JP2005299028A - 抄紙機紙切れ予測装置、抄紙機紙切れ予測方法およびコンピュータプログラム - Google Patents

Abstract

【課題】 抄紙機における紙切れ（断紙）を予測する。
【解決手段】 紙料原料を加工する前記抄紙機内の複数の構成要素に設置された抄紙に関する複数種のプロセス値を測定するための測定装置から抄紙に関する複数種のプロセス値を収集する（Ｓ５０２）。収集した複数種のプロセス値をデータベースに保存する（Ｓ５０４）。データベースに保存された複数種のプロセス値を取り出す（Ｓ５０６）。取り出された複数種のプロセス値をニューラルネットワークに適用して紙切れの危険度を算出する（Ｓ５０８）。算出された紙切れの危険度を表す出力信号を送出する（Ｓ５１０）。出力信号に応じて紙切れの危険度を表示部に表示する（Ｓ５１２）。
【選択図】 図３

Description

本発明は抄紙機紙切れ予測装置、抄紙機紙切れ予測方法およびコンピュータプログラムに関し、より詳細には、抄紙機による抄紙過程で突発的に発生する紙切れ（断紙）といったトラブルを予測するのに好適な抄紙機紙切れ予測装置、抄紙機紙切れ予測方法およびコンピュータプログラムに関する。

パルプから紙を製造する抄紙に関するプロセスは、図１に示すように、調成パート１００、白水循環パート２００、抄紙パート３００の３つに分けることができる。

調成パート１００は、種々のパルプや製造工程における損紙を回収再生した循環パルプを、紙製品に合わせた適切な処理を施した状態で、白水循環パート２００に送り出す工程である。その概要を順を追って説明する。主原料パルプには、ＤＩＰと呼ばれる回収古紙を再生した脱インクパルプや、ＬＢＫＰと呼ばれる広葉樹の化学処理によって製造されたパルプ、ＮＢＫＰと呼ばれる針葉樹の化学処理によって製造されたパルプなどがある。パルプチェスト１０１に貯えられたこれらのパルプは、まず、叩解機１０３により叩解処理される。叩解とは、反対方向に高速回転する２枚の金属円盤の隙間にパルプを通すことにより、繊維に高いせん断力を与え、主に繊維の絡み合いを増進し紙に強度を与えるための工程である。主原料パルプの他に、製造工程における損紙を回収再生した循環パルプも利用される。このような循環パルプには、完全に紙になる前の高い水分状態で損紙となったものを再生したウエットブロークと呼ばれるものと、完全に紙になってから損紙となったものを再生したドライブロークと呼ばれるものがある。これらは循環パルプチェスト１０２に貯えられている。これらのパルプは、所望の配合比で合わせられミキサー１０４によって均一にされ、適宜、必要な薬品を添加され、最終的にマシンチェスト１０５に貯えられる。これらの紙料原料は、種上げポンプ１０６によって、スタッフボックス１０７に運ばれる。

白水循環パート２００は、紙料原料を白水と呼ばれる大量の循環水で希釈し、後述するインレット３０１からスリット状に吐出し、後述するワイヤーパート３０２やプレスパート３０３で脱水した白水を回収循環する工程である。その概要を順を追って説明する。

スタッフボックス１０７から取り出された紙料原料は、白水サイロ２０１の内底部に吐出される。ここで、紙料原料は白水と混合されて０．２〜１．０％（質量パーセント）程度の濃度まで希釈され、１次ファンポンプ２０２により吸い込まれ、クリーナー２０３へ運ばれる。クリーナーはサイクロン型の除塵器である。クリーナー２０３により除塵された希釈紙料原料は減圧された脱気タンク２０４内に解放し脱気処理される。脱気された希釈紙料原料は２次ファンポンプ２０５によりスクリーン２０６に運ばれる。スクリーンはスリットを用いた異物分離機である。これらの精選工程を経て、希釈紙料原料はインレット３０１へ送られる。白水循環パート２００においても適宜必要な薬品を添加する。

抄紙パート３００は、インレット３０１からスリット状に吐出された希釈紙料原料の水分を、脱水、搾水、乾燥により取り除き、最終的な紙製品を得る工程である。その概要を順を追って説明する。

インレット３０１からプラスチック性の網(ワイヤー) ３０２上にスリット状に吐出された希釈紙料原料は、水分のほとんどをワイヤー３０２下に白水として分離され、ワイヤー３０２上に濾過された固形分いわゆるウエブを形成する。ワイヤー３０２を経たウエブは、プレス３０３によりロールによる高線圧で毛布に押し付けられて搾水される。このような搾水工程は数段階施される。プレス３０３を経たウエブは、プレドライヤー３０４に導かれる。プレドライヤーは多数の蒸気ドラムで構成され、これら蒸気ドラムはその中に導入される蒸気によって加熱される。ウエブはプレドライヤー３０４の各蒸気ドラムに巻き付いて順次送られ、その間に所定の水分率まで乾燥される。次いで、ウエブはサイズ３０６に送られ、印刷適性を付与するサイズ処理を受けた後にアフタドライヤー３０７に導かれる。アフタドライヤー３０７はプレドライヤー３０４と実質的に同じ構成とされ、ウエブはそこを通過する間に所定の水分率まで乾燥を受ける。アフタドライヤー３０７を経たウエブは、キャレンダー３０８による平滑化処理の後、リール３０９に巻き取られる。抄紙パート３００においては、均質な紙製品を得るために、ウエブの坪量、水分等の検出部と検出データを処理する制御部とからなるＢＭ計３０５が、プレドライヤー３０４の直後とリール３０９の直前に配置され、紙料原料の吐出量や蒸気ドラムへの蒸気の供給圧力などをコントロールしている。調成パート１００や白水循環パート２００で添加される薬品には、紙の色を調節するための染料やワイヤー３０２上での固形分の歩留りを向上させるための歩留り向上剤などがある。

紙切れとは、希釈紙料原料がインレット３０１から吐出されてからリール３０９に巻き取られるまでの、ウエブ水分率が徐々に減少する連続したプロセスにおいて、搬送されるべきウエブが様々な工程で切れる現象であり、生産性を著しく低下させるものである。

これまでに、抄紙に関する技術の進歩と共に、抄紙の高速化と紙切れの減少が同時に達成されてきた。抄紙の高速化に伴い、搬送される湿紙への負荷は大きくなるが、抄紙機に導入されている種々のプロセス状態量を計測するセンサーを含めた監視装置を用いた予測技術（例えば、特許文献１、特許文献２または非特許文献１に記載の技術）の進歩や、熟練した運転員の経験によって、紙切れの発生も抑えられてきた。

特開２０００−１５４４８９号公報 特開２００２−３４８７９４号公報 宮西 孝則、外１名、"ニューラルネットワークによる抄紙機の断紙要因解析"、平成１０年９月１７日、第４回製紙技術セミナー

しかし、紙切れが減少しているとはいえ皆無ではなく、このことが生産性の低下や、運転員の負担を増加させる大きな原因となっているという問題があった。したがって、より効果的な紙切れの予測が求められている。

本発明はこのような問題に鑑みてなされたものであり、その目的とするところは、抄紙機において計測された種々のプロセス状態量から紙切れを効果的に予測する抄紙機紙切れ予測装置、抄紙機紙切れ予測方法およびコンピュータプログラムを提供することを目的とする。

このような目的を達成するために、本発明に係る抄紙機紙切れ予測装置は、抄紙機における紙切れを予測する抄紙機紙切れ予測装置であって、抄紙に関する複数種のプロセス値を測定する測定手段と、前記測定手段により測定された複数種のプロセス値をニューラルネットワークに適用して紙切れの危険度を算出する危険度演算手段と、前記危険度演算手段により算出された紙切れの危険度を表す信号を送出する信号送出手段と、前記信号送出手段からの信号に応じて紙切れの危険度を示す情報を出力する出力手段とを備える。

ここで、前記ニューラルネットワークは、単調増加関数で表される紙切れの危険度、または、単調減少関数で表される紙切れ発生までの時間を代表する数値を恣意的な教師信号として使用してもよい。

また、前記プロセス値は、紙料原料の流量、濃度、繊維長、フリーネス、紙料原料への薬品添加流量、および白水濃度を表す測定値を含んでもよい。

ここで、前記抄紙機は叩解機、スクリーン、およびインレットを有し、前記紙料原料の濃度は、前記叩解機からスクリーンまでの間の濃度、および前記インレット内の濃度を含んでもよい。

また、前記紙料原料の繊維長は、平均繊維長または繊維長分布を含んでもよい。

また、前記抄紙機は脱気タンク、プレス、およびドライヤーをさらに有し、前記プロセス値は、前記叩解機の駆動負荷（電流、電力等）、前記脱気タンク内の紙料原料の液面高さ、前記インレット内のｐＨ、前記プレスの脱水量、ならびに前記ドライヤーの蒸気流量および蒸気圧力を表す測定値を含んでもよい。

また、紙料原料への薬品添加流量として、染料、歩留り向上剤を含んでもよく、白水濃度としてはワイヤーパートで分離される白水の濃度を含んでもよい。

また、前記危険度演算手段に用いる複数種のプロセス値をニューラルネットワークに適用して、それぞれのプロセス値の紙切れ危険度への寄与率を算出する寄与率演算手段をさらに備え、前記出力手段は、前記寄与率演算手段により算出された寄与率を示す情報を出力してもよい。

ここで、前記プロセス値に対応する前記抄紙機内の装置を制御するために前記プロセス値と比較する複数の目標値を記憶した記憶手段と、前記記憶手段に記憶された複数の目標値のうち、前記寄与率演算手段により算出された寄与率の高いプロセス値と比較すべき目標値を修正する修正手段とをさらに備えもよい。

本発明に係る抄紙機の紙切れ予測方法は、抄紙機における紙切れをコンピュータを用いて予測する抄紙機の紙切れ予測方法であって、前記コンピュータが前記抄紙機の抄紙に関する複数種のプロセス値を測定するための測定装置から前記プロセス値を収集するステップと、前記コンピュータが前記収集するステップにおいて収集した複数種のプロセス値をデータベースに保存するステップと、前記コンピュータが前記データベースに保存された複数種のプロセス値を取り出すステップと、前記コンピュータが前記取り出すステップにおいて取り出された複数種のプロセス値をニューラルネットワークに適用して紙切れの危険度を算出するステップと、前記コンピュータが前記算出するステップにおいて算出された紙切れの危険度を表す信号を送出するステップと、前記送出するステップにおいて送出された信号に応じて、前記コンピュータに接続された出力装置から紙切れの危険度を示す情報を出力するステップとを備える。

本発明に係るコンピュータプログラムは、抄紙機における紙切れをコンピュータを用いて予測させるコンピュータプログラムであって、前記コンピュータを、抄紙に関する複数種のプロセス値を測定する測定手段、前記測定手段により測定された複数種のプロセス値をニューラルネットワークに適用して紙切れの危険度を算出する危険度演算手段、および
前記危険度演算手段により算出された紙切れの危険度を表す信号を出力装置に送出し、前記出力装置から前記信号に応じた紙切れの危険度を示す情報を出力させる信号送出手段として機能させる。

本発明によれば、抄紙に関する複数種のプロセス値を測定し、測定された複数種のプロセス値をニューラルネットワークに適用して紙切れの危険度を算出し、算出された紙切れの危険度を表す出力信号を送出し、出力信号に応じて紙切れの危険度を表示するので、抄紙機における紙切れの危険性を従来より効果的にリアルタイムで知ることができる。

したがって、紙切れが発生する前に、紙切れを防止する対策を実施することが可能となり、紙切れを防止することができる。

本発明では紙切れの予測にニューラルネットワークの手法を用いる。ニューラルネットワークは、脳神経系における情報処理の方式を人工的・工学的に模倣したものである。脳神経系は、多数のニューロン素子が興奮性と抑制性のシナプス結合で密に結合したネットワークとしてモデル化できる。多段型（階層型）ニューラルネットワークは、シナプス結合の情報伝達効率を重み係数で表し、興奮性と抑制性を、式（１）で表されるシグモイド関数ｆで置き換えたものを、何段にも直列結合したものである。
ｆ（ｘ）＝１／（１＋ｅ^−ｘ） 式（１）

ここで、ｅは自然対数の底である。
このような人工ニューラルネットワークは、高速並列分散処理的な情報処理、学習能力、汎化能力などの性質を持っており、パターン認識や制御システムなどへ応用されている。

以下、図面を参照して本発明の一実施形態を説明する。
図１は、抄紙機紙切れ予測装置の一例について、概略構成を示す図である。

図１において、調成パート１００、白水循環パート２００、抄紙パート３００の各部分は、上述したように紙製造プロセスの略図である。データベース５００は抄紙に関する複数種のプロセス値を収集保存するもので、コンピュータ６００によりアクセスされる。コンピュータ６００は前記データベース５００と通信し、紙切れ危険度を演算または出力する。監視モニター７００はコンピュータ６００による算出結果またはデータベース５００に保存されたプロセス値などを出力する出力手段の一例である。なお、出力手段としてコンピュータ６００に接続されたプリンタやスピーカなどを用いてもよい。

ＤＣＳ（Distributed Control System、）４００は、プロセス値を管理し、図１の符号１０１から３０９で示した抄紙機内の各構成要素を制御するコンピュータシステムである。ＤＣＳ４００が管理しているプロセス値は、抄紙の条件毎に設定値および許容範囲（目標値）が決められている。ＤＣＳ４００はプロセス値に対応する抄紙機内の装置を制御するために当該プロセス値と比較する複数の目標値を記憶装置に記憶している。目標値は、各構成要素のプロセス値を測定する測定装置から受信したプロセス値と比較され、ＤＣＳ４００は比較結果に応じて各構成要素の動作を制御する。これらの目標値は、必要な品質や生産スピードが得られている限りは変更する必要はない。しかし、コンピュータ６００の演算結果である紙切れ危険度が高い場合、紙切れを起こしたときの損失を考慮して、コンピュータ６００からＤＣＳ４００に対し各プロセス値の設定値や許容範囲の変更を指示する場合がある。なお、図１に示す抄紙機内の各構成要素の制御はコンピュータ６００により行っても良い。

図２は、コンピュータ６００のハードウェア構成を概略的に示している。記憶装置１０はハードディスクやＣＤ−ＲＯＭ等により構成される。この記憶装置には、紙切れ予測プログラム、ニューラルネットワークを構成する際に用いられる重み係数Ｗ_１１、Ｗ_１２、・・・、Ｗ_１ｎ、Ｗ_２１、Ｗ_２２、・・・、Ｗ_２ｎ、・・・、Ｗ_ｍ１、Ｗ_ｍ２、・・・、Ｗ_ｍｎ、Ｖ_１、Ｖ_２、・・・、Ｖ_ｊ、・・・、Ｖ_ｍが記憶されている。ＣＰＵ２は、記憶装置１０に記憶された紙切れ予測プログラムや、記憶装置１０またはＲＯＭ６に記憶された他のプログラムをＲＡＭ４にロードすることにより、当該プログラムのプログラム命令を実行する。このプログラムの実行において、紙切れの危険度を算出する他、記憶装置１０に記憶された重み係数の書き替え、通信インタフェース８を介するデータベース５００のアクセス、または監視モニター７００への演算結果の表示制御を行う。

次に、図３を参照し、上記構成を有する抄紙機紙切れ予測装置によって行われる紙切れ予測方法を説明する。

コンピュータ６００は、紙料原料を加工する前記抄紙機内の複数の構成要素に設置された測定装置から抄紙に関する複数種のプロセス値を収集する（Ｓ５０２）。抄紙に関する複数種のプロセス値は、それぞれのサンプリング間隔に適した周期でデータベース５００に収集保存される（Ｓ５０４）。データベース５００に保存された複数種のプロセス値を取り出す。取り出された複数種のプロセス値をニューラルネットワークに適用して紙切れの危険度を算出する（Ｓ５０８）。算出された紙切れの危険度を表す出力信号を監視モニター７００に送出する（Ｓ５１０）。監視モニター７００は、出力信号に応じて紙切れの危険度を表示する（Ｓ５１２）。

演算に使用したプロセス値の一例(概要)を、それらの測定装置と共に表１に示す。表１において、測定方法の欄は図１に示す抄紙機内の構成要素に設置された測定装置を示す。測定位置の欄の数値は、図１に示す抄紙機内の構成要素に付された参照符号を示している。

表１において、インレット全濃度とは、インレット３０１内の水に対する全固形分の重量比率をいう。インレット３０１は白水で希釈された紙料原料を吐出するためのスリットの入った箱状の部材である。紙料原料の固形分は、パルプを主体とする有機物、様々な目的で添加されている炭酸カルシウムのような無機物の混合物となっており、この濃度をプロセス値として採用する。

また、脱気タンクの液面高さは、希釈紙料原料の還流比に関する測定値である。脱気タンク２０４の内部は減圧されており、その内部の端に堰が設けてある。この堰をオーバーフローした一部の希釈紙料原料は白水サイロへ還流される。この還流比を表す数値として液面の高さをプロセス値として採用する。

また、インレットｐＨはインレット３０１内の希釈紙料原料のｐＨを示す。この値はインレット３０１から配管を分岐させｐＨ計に導き測定する。

さらに、叩解機の駆動負荷は叩解機１０３を駆動するモータの電流値として測定する。

ニューラルネットワークは定周期でデータベース５００から必要なプロセス値を取り出し、紙切れの危険性を表す数値をコンピュータ６００で演算し、その結果をデータベース５００に出力する。紙切れの危険性を表す数値は、ニューラルネットワークの稼動周期で、データベース５００に保存される。上記のような演算動作はコンピュータ６００の機能を用いて行う。

次に、本実施形態におけるニューラルネットワークの構成を説明する。ニューラルネットワークは図４に示すように入力層Ｘ、中間層Ｚ、出力層Ｙにより構成される。

データベース５００から取り出された複数のプロセス値は、プロセス値毎の存在し得る範囲で０．１〜０．９の値にスケール変化させ入力層Ｘの個々の値Ｘ_ｉ（ｉは１〜ｎの自然数）とする。

次に、Ｘ_ｉに個別の重み係数Ｗ_ｊｉ（ｊは１〜ｍの自然数）を掛け合計し、さらにシグモイド関数ｆによって変換した信号を中間層Ｚの個々の値Ｚ_ｊとする。

次に、Ｚ_ｊに個別の重み係数Ｖ_ｊを掛け合計し、さらにシグモイド関数ｆによって変換した信号を出力層Ｙの値とする。出力層Ｙの値は、対応させたいプロセス値の存在範囲にスケール変化させ、最終的な出力信号とする。

以上の演算を一定の時間間隔毎に繰り返し、その時刻における紙切れ危険度を算出し出力する。なお、データベース５００から取り出す入力は、ある時間過去にさかのぼった時点での値を使用する場合もある。

したがって、次の数式で表されるＹを元のスケールに変換し最終的な出力信号とする。

ここで、
Ｙ：出力されるプロセス値を0.1〜0.9のスケールで表した値
ｅ：自然対数の底
Ｖ：中間層と出力層との間の重み係数
ｍ：中間層ニューロンの数
ｊ：個々の中間層ニューロンに対応する添え字
Ｗ：入力層と中間層との間の重み係数
ｎ：入力値の数
ｉ：個々の入力値に対応する添え字
Ｘ：入力するプロセス値を0.1〜0.9のスケールで表した値
である。

予測に先立ち、ニューラルネットワークには紙切れの危険性を学習させる。多段型ニューラルネットワークの一般的な学習方法である、誤差逆伝播法について説明する。図５に学習方法のフローチャートを示す。

モデル化したいプロセス値を0.1〜0.9の値にスケール変化させた値を教師信号Ｙ^Ｓとする（Ｓ３０２）。

重み係数Ｗ_ｊｉ，Ｖ_ｊの初期値を、乱数を用いて小さな値に設定する（Ｓ３０４）。暫定的モデル出力Ｙと教師信号Ｙ^Ｓの二乗誤差を次のように定義する。
Ｅ＝（１／２）・（Ｙ^Ｓ−Ｙ）^２ 式（３）
Ｙ＝ｆ（ｎｅｔ_Ｖ） 式（４）
ｎｅｔ_Ｖ＝ΣＶ_ｊ・Ｚ_ｊ 式（５）

最小二乗平均の原理を適用して、中間層と出力層の間の重み係数Ｖ_ｊの更新量を求める。ηは学習定数である。
ΔＶ_ｊ＝−η・（∂Ｅ／∂Ｖ_ｊ）
＝−η・（∂Ｅ／∂Ｙ）・（∂Ｙ／∂ｎｅｔ_Ｖ）・（∂ｎｅｔ_Ｖ／∂Ｖ_ｊ）
＝ −η・｛−（Ｙ^Ｓ−Ｙ）｝・ｆ’（ｎｅｔ_Ｖ）・Ｚ_ｊ
＝η・（Ｙ^Ｓ−Ｙ）・Ｙ・（１−Ｙ）・Ｚ_ｊ 式（６）

さらに入力層と中間層の間の重み係数Ｗ_ｊｉの更新量を求める。
Ｚ_ｊ＝ｆ（ｎｅｔ_Ｗｊ） 式（７）
ｎｅｔ_Ｗｊ＝Σ_ｉＷ_ｊｉ・Ｘ_ｉ 式（８）
となることを考慮して
ΔＷ_ｊｉ＝−η・（∂Ｅ／∂Ｗ_ｊｉ）
＝−η・（∂Ｅ／∂Ｙ）・（∂Ｙ／∂ｎｅｔ_Ｖ）・（∂ｎｅｔ_Ｖ／∂Ｚ_ｊ）・（∂Ｚ_ｊ／∂ｎｅｔ_Ｗｊ）・（∂ｎｅｔ_Ｗｊ／∂Ｗ_ｊｉ）
＝−η・｛−（Ｙ^Ｓ−Ｙ）｝・ｆ’（ｎｅｔ_Ｖ）・Ｖ_ｊ・ｆ’（ｎｅｔ_Ｗｊ）・Ｘ_ｉ
＝η・（Ｙ^Ｓ−Ｙ）・Ｙ・（１−Ｙ）・Ｖ_ｊ・Ｚ_ｊ・（１−Ｚ_ｊ）・Ｘ_ｉ 式（９）

このように学習に使うデータの１パターンの提示毎に逐次的に重みの更新を、二乗誤差の変化率が０．０１より小さくなるまで繰り返す。
なお、式（１）に示すシグモイド関数ｆをｘで微分すると、
ｆ’（ｘ）＝ｅ^−ｘ／（１＋ｅ^−ｘ）^２
＝｛１／（１＋ｅ^−ｘ）｝・（１＋ｅ^−ｘ−１）／（１＋ｅ^−ｘ）
＝ｆ（ｘ）｛１−ｆ（ｘ）｝ 式（１０）

本発明においては、教師信号として、単調増加関数で表される紙切れの危険性、または、単調減少関数で表される紙切れ発生までの時間を代表する数値を教師信号とすると、紙切れを精度よく予測するニューラルネットワークを構築することができる。したがって、このような教師信号を用いることが好ましい。上記のようなニューラルネットワークの作成はコンピュータ６００の機能を用いて行う。

例えば、図６（ａ）に示すように、紙切れが発生した時刻には“１００”とし、その時点から５分さかのぼる毎に“３”を減じ、１６５分前には“１”とし、それ以前の紙が切れずに走行している期間は“０”とする紙切れ危険度という指標を作成し、教師信号として与えニューラルネットワークを作成する。ニューラルネットワークの作成には、市販のソフトとして、例えば、パヴィリオン・テクノロジーズ・インコーポレイティッド（米国）のプロパティプレディクタ（商品名）等を用いることができる。

監視モニター７００は、データベースに保存された紙切れ危険度を、コンピュータ６００の機能を用いてモニター画面に表示する。運転員は、この表示装置の画面に示された結果を見て、紙切れの危険性、または紙切れが発生する時期を知ることができる。

図７および図８に、本実施形態における抄紙機紙切れ予測方法の実施結果を示す。即ち、表１に示したプロセス値を基本として用いた本発明の紙切れ予測装置を抄紙機に実際に設置して、紙切れを予測した結果を示す。図７（ａ）〜（ｃ）は抄紙機紙切れ予測装置によって算出された運転中の紙切れ危険度の変化、図８（ａ）〜（ｄ）は抄紙機紙切れ予測装置によって算出された運転中の紙切れ危険度を積算した値の変化をそれぞれ示す線図である。

図７および図８において、折れ線は紙切れ危険度を示し、縦方向の太線が実際に紙切れした時刻を示している。上述したように、紙切れ危険度は“１００”で紙切れするように学習した紙切れの危険性の指標である。紙切れの瞬間までに、紙切れ危険度が上昇していることが分かる。

また、紙切れ危険度が上昇傾向にあるとき、その期間のデータを使って、それぞれのプロセス値について式（２）の偏導関数を調べることにより、その期間のそれぞれのプロセス値の紙切れ危険度に対する寄与率を知ることができる。

図９に寄与率計算方法のフローチャートを示す。まず、寄与率を計算する１、・・・、ｋ、・・・、Ｋパターンの入力１、・・・、ｉ、・・・、ｎ全てのプロセス値をプロセス値毎の存在し得る範囲で０．１〜０．９の値にスケール変化させ、Ｘ_ｉ ^ｋとする（Ｓ６０２）。出力の傾きの積算値Ｓ_１、・・・、Ｓ_ｎを初期化する（Ｓ６０４）。出力の傾きＳ’_１、・・・、Ｓ’_ｎを初期化する（Ｓ６０６）。全ての入力について式（１１）を計算し、ｋ番目のパターンと次のパターンとの平均値を求める（Ｓ６０８）。

ｋ番目のパターンについて、入力Ｘ_ｉ ^ｋ以外は平均値として仮出力Ｙ^ｋを計算する（Ｓ６１２）。次のパターンについて、入力Ｘ_ｉ ^ｋ＋１以外は平均値として仮出力Ｙ^ｋ＋１を計算する（Ｓ６１４）。次に、仮出力の差分を式（１２）により計算する（Ｓ６１６）。
Ｓ’_ｉ＝（Ｙ^ｋ＋１−Ｙ^ｋ）／（Ｘ_ｉ ^ｋ＋１−Ｘ_ｉ ^ｋ） 式（１２）

次に、式（１３）を用いて出力の傾きを積算する（Ｓ６１８）。
Ｓ_ｉ＝Ｓ_ｉ＋Ｓ’_ｉ 式（１３）

以上の計算が、全てのパターン番号ｋおよび全ての入力番号ｉに対して繰り返される。そのようにして求められる寄与率の例を表１の右端列に示す。但し、この表に記載した寄与率の数値は、特定の紙切れ時の計算値であるが、長期間測定することにより統計的に紙切れの要因を調べることもできる。

上記の装置により、紙切れ危険度が上昇してきたときに、運転員に知らせるため、アラーム、パトライト等を設置することが好ましい。この場合、アラーム、パトライト等の通知手段がコンピュータ６００に接続され、紙切れ危険度が所定の値を上回ったときにコンピュータ６００から通知手段に所定の信号を送出し、通知手段がこの信号に応答して警報の出力を行うように構成する。

また、紙切れ危険度が上昇してきたときの、紙切れを防止するアクションとしては、標準値を外れているプロセス値の調整や、一般的に紙切れに影響が大きく調整しやすい因子、即ち、叩解機駆動負荷、歩留り向上剤添加流量、抄紙機各部の速度比、プレス脱水量などの調整により対応できる。運転員はこれらの対応の手順を詳細に検討し優先順位を定めておき、紙切れ危険度の変化を見ながら実施することができる。

また、紙切れ予測装置の出力値として、各プロセス値の寄与率をディスプレイに表示するように構成したときには、この寄与率を運転員が参照して、寄与率の高いプロセス値に関するアクションを取ることもできる。

また、寄与率が所定の値より高いプロセス値については、コンピュータ６００から紙切れ予測装置から直接ＤＣＳ４００に指示することにより、このＤＣＳ４００において紙切れ危険度を下げる方向への目標値修正などの操作を行うことができる。

上述した形態以外にも種々の変形が可能である。しかしながら、その変形が特許請求の範囲に記載された技術思想に基づくものである限り、その変形もまた本発明の技術範囲内となる。

本発明の一実施形態に係る抄紙機紙切れ予測装置の概略構成を示す図である。 図１に示すコンピュータのハードウェア構成を概略的に示すブロック図である。 本発明の一実施形態に係る抄紙機紙切れ予測装置によって行われる紙切れ予測方法の手順を示すフローチャートである。 本発明の一実施形態に係るニューラルネットワークの概略構成を示す図である。 本発明の一実施形態に係るニューラルネットワークの学習方法を示すフローチャートである。 （ａ）および（ｂ）は、本発明の一実施形態に係るニューラルネットワークに用いた教師信号を示す線図である。 （ａ）〜（ｃ）は本発明の一実施形態に係る抄紙機紙切れ予測装置によって算出された運転中の紙切れ危険度の変化を示す線図である。 （ａ）〜（ｄ）は本発明の一実施形態に係る抄紙機紙切れ予測装置によって算出された運転中の紙切れ危険度を積算した値の変化を示す線図である。 本発明の一実施形態に係る寄与率の計算方法を示すフローチャートである。

符号の説明

２ ＣＰＵ
４ ＲＡＭ
６ ＲＯＭ
８ 通信インタフェース
１０ 記憶装置
１００ 原料調成パート
１０１ パルプチェスト
１０２ 循環パルプチェスト
１０３ 叩解機
１０４ ミキサー
１０５ マシンチェスト
１０６ 種上げポンプ
１０７ スタッフボックス
２００ 白水循環パート
２０１ 白水サイロ
２０２ １次ファンポンプ
２０３ クリーナー
２０４ 脱気タンク
２０５ ２次ファンポンプ
２０６ スクリーン
３００ 抄紙機パート
３０１ インレット
３０２ ワイヤー
３０３ プレス
３０４ プレドライヤー
３０５ ＢＭ計
３０６ サイズ
３０７ アフタドライヤー
３０８ キャレンダー
３０９ リール
４００ ＤＣＳ
５００ データベース
６００ コンピュータ
７００ 監視モニター

Claims (10)

1. 抄紙機における紙切れを予測する抄紙機紙切れ予測装置であって、
   抄紙に関する複数種のプロセス値を測定する測定手段と、
   前記測定手段により測定された複数種のプロセス値をニューラルネットワークに適用して紙切れの危険度を算出する危険度演算手段と、
   前記危険度演算手段により算出された紙切れの危険度を表す信号を送出する信号送出手段と、
   前記信号送出手段からの信号に応じて紙切れの危険度を示す情報を出力する出力手段と
   を備えることを特徴とする抄紙機紙切れ予測装置。
2. 前記ニューラルネットワークは、単調増加関数で表される紙切れの危険度、または、単調減少関数で表される紙切れ発生までの時間を代表する数値を恣意的な教師信号として使用することを特徴とする請求項１に記載の抄紙機紙切れ予測装置。
3. 前記プロセス値は、紙料原料の流量、濃度、繊維長、フリーネス、紙料原料への薬品添加流量、および白水濃度を表す測定値を含むことを特徴とする請求項１または２に記載の抄紙機紙切れ予測装置。
4. 前記抄紙機は叩解機、スクリーン、およびインレットを有し、
   前記紙料原料の濃度は、前記叩解機からスクリーンまでの間の濃度、および前記インレット内の濃度を含むことを特徴とする請求項３に記載の抄紙機紙切れ予測装置。
5. 前記紙料原料の繊維長は、平均繊維長または繊維長分布を含むことを特徴とする請求項３または４に記載の抄紙機紙切れ予測装置。
6. 前記抄紙機は脱気タンク、プレス、およびドライヤーをさらに有し、
   前記プロセス値は、前記叩解機の駆動負荷、前記脱気タンク内の紙料原料の液面高さ、前記インレット内のｐＨ、前記プレスの脱水量、ならびに前記ドライヤーの蒸気流量および蒸気圧力を表す測定値を含むことを特徴とする請求項３ないし５のいずれかに記載の抄紙機紙切れ予測装置。
7. 前記危険度演算手段に用いる複数種のプロセス値をニューラルネットワークに適用して、それぞれのプロセス値の紙切れ危険度への寄与率を算出する寄与率演算手段をさらに備え、
   前記出力手段は、前記寄与率演算手段により算出された寄与率を示す情報を出力することを特徴とする請求項１ないし６のいずれかに記載の抄紙機紙切れ予測装置。
8. 前記プロセス値に対応する前記抄紙機内の装置を制御するために前記プロセス値と比較する複数の目標値を記憶した記憶手段と、
   前記記憶手段に記憶された複数の目標値のうち、前記寄与率演算手段により算出された寄与率の高いプロセス値と比較すべき目標値を修正する修正手段と
   をさらに備えることを特徴とする請求項７に記載の抄紙機紙切れ予測装置。
9. 抄紙機における紙切れをコンピュータを用いて予測する抄紙機の紙切れ予測方法であって、
   前記コンピュータが前記抄紙機の抄紙に関する複数種のプロセス値を測定するための測定装置から前記プロセス値を収集するステップと、
   前記コンピュータが前記収集するステップにおいて収集した複数種のプロセス値をデータベースに保存するステップと、
   前記コンピュータが前記データベースに保存された複数種のプロセス値を取り出すステップと、
   前記コンピュータが前記取り出すステップにおいて取り出された複数種のプロセス値をニューラルネットワークに適用して紙切れの危険度を算出するステップと、
   前記コンピュータが前記算出するステップにおいて算出された紙切れの危険度を表す信号を送出するステップと、
   前記送出するステップにおいて送出された信号に応じて、前記コンピュータに接続された出力装置から紙切れの危険度を示す情報を出力するステップと
   を備えることを特徴とする抄紙機紙切れ予測方法。
10. 抄紙機における紙切れをコンピュータを用いて予測させるコンピュータプログラムであって、前記コンピュータを、
    抄紙に関する複数種のプロセス値を測定する測定手段、
    前記測定手段により測定された複数種のプロセス値をニューラルネットワークに適用して紙切れの危険度を算出する危険度演算手段、および
    前記危険度演算手段により算出された紙切れの危険度を表す信号を出力装置に送出し、前記出力装置から前記信号に応じた紙切れの危険度を示す情報を出力させる信号送出手段として機能させることを特徴とするコンピュータプログラム。
    

Images