基于机器学习方法的磨浆过程打浆度软测量及其实现.pdf

第9期
赵絶子等.基于机器学习方法的脚浆过程打浆度软测量及其实现
1087
基于机器学习方法的磨浆过程
打浆度软测量及其实现
赵艳子汤伟
庆酉科技大学a,电气与信息工程学院b.造纸工程学院,西安710021)
摘打度是術量身業过程质量达标的一个重要因,针其难以在战量,引入基于BP网络和
支持向量机的打浆度软量方法。仿真结暴明,支持向量机比BP周络的泛化能カ蜇,此方法更能反
映打浆魔的真实。
关键阑BP网络支持向量机打度PLC
中图分类号TP18
文标识码
文章号1000-3932(2011)09-1087-03
造纸工业是物质文明建设的重要工业,具有开度值和原打浆度值SR,它们与打浆度之间存
“软钢板”的美称,可以反映出人民文化生活水平在复杂而确定的关系。在其他物理量恒定的情况
和国家经济建设的水平。磨浆过程是制浆造纸下,打浆度与打浆浓度、流量成正比,而与打浆功
生产过程的重要环节,占据首要的位置,它直接影率成反比。
响成浆质量、生产效率和资源能耗。针对磨浆质
来南碎浆机
系送
量指标一一打浆度离线人工测量的复杂、延迟性
高箱
泵送
和在线测量的高难度,采用了基于BP神经网络
泵送
泵選
和支持向量机1到的软测量方法?,根据某种最
原泉送2原
浆池」浆池」T、2盘3、4成池
优准则,选择一组容易测量,又与打浆度有密切关
系的辅助变量,构造软测量模型,然后通过软件计
图1磨汬流
算实现对打浆度的在线估计。笔者以 SIEMENS2打桨度质量指标的软测量
S7-300PLC为硬件开发平台,WINC和STEP
依据磨浆过程流程图,得出磨浆质量指标与
为软件开发平台,并在河套木业公司第二车间出浆流量F、浆浓度C、电机功率、时间和阙门
1800高档薄页纸的磨浆过程中得以实施,取得了开度V1,v2的关系,并利用软测量的思想得到打
较好的效果。
浆度软量型
1浆工芝分析
SR =f(F, C, W, V, V,!, SR,
以河套木业公司4台盘磨申连恒功率打浆的式中Wー一打浆前/后浆打浆度,W=W;
过程为背景,简化流程如图1所示。2浆池起缓
F一出浆流量
冲作用,稳定磨浆过程中的流量和浓度,从而稳定
打浆时间
了单位绝干浆能耗,稳定了盘磨电机功率。2”浆
C。一打浆前浆浓度;
池和高位箱之间,以及高位箱与盘磨之间都是双
Wー一盘磨消耗总电功率;
向流向,通过门控制进出浆压力差,最后浆流经
V/V2一阀CV-/2开度。
流送变送器流量阀达到成浆池。
实验数据来自于河套木业公司4台盘磨串联
通过对磨浆的过程分折和大量实验研究发循环磨浆过程,采样35组样本数据进行训练,5
现,打浆度与磨浆过程中可直接得到的几个物理组测试输人输出数据见表1。
量有一定的对应关系,它们分别是出浆流量F、打
浆浓度C、打浆电功率W、打浆时间t,盘磨的两个
收日:201107-11(修改)
金项;求央区科技计划项目(201001)
万方数据
1088
化工自动化及仪表
第38卷
表15组测试数据
的仿真误差区间为[-1,6],SVM的仿真误差区
W
V1 V, SRO
Co t SR
间只在[-2,2]上,区间长度越小说明误差越小,
578.3038
所以SVM的仿真误差比BP神经网络小很多,甚
599.6038411226.802.782980
至比BP网络提高1.5倍,这也体现了SVM全局
606.003
最优解、泛化能力好及小样本学习的优点。
560.3037401025.402.68428
3基于S7300PLC的打浆度软測量实施
584.5037
925.102.693781
基于软测量模型和S7-300PILC的基础上,提
分别利用BP神经网络工.具箱和支持向量机出打浆度软测量的实施方案(图6)。
工.具箱训练35组样本数据,再用表1中的5组数
据进行测试,仿真结果如图2、3所示,仿貞误差如
图4,5所示
∫印机
宝国位机( WINCC.)
MPI
你数锯
仿真数据
72
.01.52.02.53,03.54.04.55.0
流量浓度功率时间开度还原SR
图2打浆度BP网络仿真结果
图6磨浆过程系统实施网络
通过上位机与 MATLAB对接,结合 SIEMENS
S7-300PLC和 WINCC组态,将磨浆过程中得到
兴
原数据
的打浆度软测量技术嵌入到控制系统DCS中,并
伤数据
考虑设计安全报警用户界面。在软测量运行期
1.01.52.02.53.03.54.0
间,采集软测量对象的实际值和模型估计值,根据
比较结果评价该软测量模型是否满足工艺要求。
图3打浆度SVM仿真结果
具体步骤为
a.根据工艺分析和大量实验确定辅助变量,
对其进行现场测量,通过现场变送器将数据传送
至S7-300
b.上位机与S7-300通过 Profibus总线进行
202.53.03.54.04.55.0
通信,数据被上位机中的软测量模型访问,算出主
导变量的预测
图4打浆度BP网络仿真误差
c. WINCC组态软件显示辅助变量实测值和
2
主导变量预测值,供操作人员在线参考;
:兰兴
0
d.如果软测量模型的预测效果满足要求,编
辑控制算法,通过设置参数变量对打浆度进行控
1.01.52.02.53.03.54.04.55.0
制
4结東语
图5打桨度SVM仿真误差
机器学习的成熟运用给软测量带来了便捷
由图2和图3对比看出,利用BP网络的仿真利用BP神经网络和支持向量机方法解决了打浆
曲线在[1.5,3.5]区间值偏离原数据比较大,而
度在线测量的难题,通过两种方法的仿真对比可
SVM的仿真曲线却在该区间上偏离原数据浮动以看出,较基于BP网络的软测量,基于SVM的打
不大,这说明SVM的仿真效果较BP网络仿真效浆度软测量效果较好,这也正体现了SVM小样
果优越一些。而图4和图5的对比显示BP网络本、全局最优解及泛化能力强的优点,并借助于
万方数据