一种高浓磨浆系统游离度的软测量方法技术方案

一种高浓磨浆系统游离度的软测量方法涉及化学机械制浆生产过程高浓磨浆系统游离度的测量技术领域，具体地说是涉及一种基于粒子群算法优化ε-支持向量回归机(PSO-ε-SVR)的高浓磨浆系统游离度的软测量方法。本发明专利技术提供一种高浓磨浆系统游离度的软测量方法，该方法能够实现对高浓磨浆机出浆游离度的实时测量，提高人工测量的效率和精度，为工业实时控制和实现节能降耗提供技术支持。本发明专利技术方法由硬件平台及测量软件组成，其中硬件平台核心包括高浓磨浆系统三盘磨浆机、压力传感器、震动传感器、加速度传感器、流量传感器、分料螺旋等。

【技术实现步骤摘要】
【专利摘要】涉及化学机械制浆生产过程高浓磨浆系统游离度的测量
，具体地说是涉及一种基于粒子群算法优化ε-支持向量回归机(PSO-ε-SVR)的高浓磨浆系统游离度的软测量方法。本专利技术提供，该方法能够实现对高浓磨浆机出浆游离度的实时测量，提高人工测量的效率和精度，为工业实时控制和实现节能降耗提供技术支持。本专利技术方法由硬件平台及测量软件组成，其中硬件平台核心包括高浓磨浆系统三盘磨浆机、压力传感器、震动传感器、加速度传感器、流量传感器、分料螺旋等。【专利说明】
本专利技术涉及化学机械制浆生产过程高浓磨浆系统游离度的测量
，具体地 说是涉及一种基于粒子群算法优化e-支持向量回归机（PS〇-e-SVR)的高浓磨浆系统游 离度的软测量方法。
技术介绍
造纸过程由制浆和造纸两大环节串联而成。制浆环节的主要功能是从植物纤维原 材料生产出具有特定形态的纤维，而造纸环节的功能主要是以特定形态的纤维为原料生产 出各种纸制产品。制浆造纸工业在我国是重点能耗行业之一，生产过程中消耗大量热能、电 能和水能。特别是制浆过程的能耗及其所产生的纸浆的质量直接关系到后续造纸环节的能 耗及产品质量。 按现有工艺，制浆分为机械浆、化学浆和化学机械浆三大类。其中，化学机械浆生 产过程主要包括：木片预处理，高浓磨浆，粗浆漂白，粗浆洗涤，低浓磨浆，渣浆磨浆，纤维回 收，浆料浓缩脱水等过程。高浓磨浆作为化学机械浆生产的关键步骤，其用电量占到整个工 厂用电的35%以上，决定着纸浆质量和生产能耗。 然而，高浓磨浆过程具有多变量、强耦合和非线性的特征，使得高浓磨浆过程的机 理分析、建模存在很大困难。目前，研究的假设性强，得到的高浓磨浆模型缺乏通用性。此 夕卜，研究主要集中在低浓磨浆过程、单盘磨浆机和磨盘改进上，对于高浓磨浆系统三盘磨浆 机的建模和分析还没有公开报道。 纤维网滤水性（游离度）是检测纸浆通过铜网的滤水程度快慢的一个指标。作为 评价纸浆质量的关键指标之一，该指标不仅关系着最终纸张的质量（透光性，吸水性等）， 同时与整个生产过程的能耗密切相关。为此，使用游离度来评价纤维质量十分合理。 公开资料表明，目前还没有传感器对于高浓磨浆系统游离度直接进行测量，主要 依靠离线间歇人工测量。该测量方法存在着较大的时滞性和误差，进而无法实时对制浆 生产进行控制，阻碍实现节能降耗和纸浆质量控制。为此，提出一种基于粒子群算法优化 e_支持向量机（PS0-e-SVR)的高浓磨浆系统游离度软测量的技术。本专利技术可通过常规在 线测量方法提供的模型输入数据，给出输入数据对应的在线估计值，为制浆生产过程的优 化操作和优化运行提供关键质量指标，进而实现质量控制和节能降耗。
技术实现思路
为了克服高浓磨浆过程中游离度无法直接测量，离线人工测量时效性差、精度低 等缺点，本专利技术提供，该方法能够实现对高浓磨浆 机出浆游离度的实时测量，提高人工测量的效率和精度，为工业实时控制和实现节能降耗 提供技术支持。 本专利技术方法由硬件平台及测量软件组成，其中硬件平台核心包括高浓磨浆系统三 盘磨浆机、压力传感器、震动传感器、加速度传感器、流量传感器、分料螺旋等。 -种最优参数的支持向量回归机高浓磨浆系统游离度软测量包括以下步骤：（1) 辅助变量选择和模型输入变量确定，（2)PS0-e-SVR软测量模型的训练和软测量实现。 (1)辅助变量选择和模型输入变量确定 需要软测量的高浓磨浆系统纸浆关键参数为游离度（ml)。根据生产工艺及机理 以及可测可观和变量间相关性分析（因子分析、协方差分析），选择i个软测量辅助变量（i =9),包括： 设定产量h(adt/d); 磨浆机功率u2(Mw); 传动侧稀释水量113(1/111；[11); 非传动侧稀释水量u4(l/min); 非传动侧震动加速度u5(% ); 非传动侧震动u6(mm/s); 非传动侧磨盘间隙u7 (mm); 传动侧磨盘压力u8(bar); 非传动侧磨盘压力u9 (bar)。 确定上述9个软测量辅助变量为软测量模型的输入变量，游离度（ml)为软测量模 型的输出变量。 ⑵PS0-e-SVR软测量模型的训练和软测量实现 (A)开始：变量初始化； (B)选择进行软测量模型训练，转至（C)，读取软测量训练样本；选择高浓磨浆系 统游离度软测量，转至（K)，读取软测量模型最优参数（惩罚因子C和核函数参数S); (C)读取软测量训练样本：从数据库导入或输入训练集T= {(Xl，yi)，L，（Xl，yi)}G(RnXT)1。其中，软测量模型输入：XiGRn，i= 1，2，L，1，软测量模 型输出：yiGT=R，i= 1，2,L, 1，1为训练集样本数量； (D)数据预处理： 采用尖峰滤波算法将高浓磨浆系统的尖峰异常数据进行剔除；由于选取的9个辅 助变量存在着量纲差，对每个变量分别进行中心标准化处理，即每类样本数据减去对应样 本的平均值，然后除以其样本方差，即： 计算均值： 【权利要求】1. ，包括以下步骤：（1)辅助变量选择和模型 输入变量确定，（2)PSO-ε-SVR软测量模型的训练和软测量实现。 (1) 辅助变量选择和模型输入变量确定 需要软测量的高浓磨浆系统纸浆关键参数为游离度（ml)。根据生产工艺及机理以及可 测可观和变量间相关性分析（因子分析、协方差分析），选择i个软测量辅助变量（i= 9)， 包括： 设定产量+仏社/山； 磨浆机功率u2 (Mw); 传动侧稀释水量U3(Vmin); 非传动侧稀释水量U4(Vmin); 非传动侧震动加速度U5 (% ); 非传动侧震动u6(mm/s); 非传动侧磨盘间隙u7(mm); 传动侧磨盘压力U8 (bar); 非传动侧磨盘压力U9 (bar)。 确定上述9个软测量辅助变量为软测量模型的输入变量，游离度（ml)为软测量模型的 输出变量。 (2) PSO-ε-SVR软测量模型的训练和软测量实现 (A) 开始：变量初始化； (B) 选择进行软测量模型训练，转至（C)，读取软测量训练样本；选择高浓磨浆系统游 离度软测量，转至（K)，读取软测量模型最优参数（惩罚因子C和核函数参数δ); (C) 读取软测量训练样本：从数据库导入或输入训练集T= {(Xl，yi)，L，（Xl，yi)}e(RnXγ)1。其中，软测量模型输入：XieRn，i=l，2，L，l，软测量模 型输出：yieY=R，i= 1，2,L, 1，1为训练集样本数量； (D) 数据预处理： 采用尖峰滤波算法将高浓磨浆系统的尖峰异常数据进行剔除；9个辅助变量存在着量 纲差，对每个变量分别进行中心标准化处理，即每类样本数据减去对应样本的平均值，然后 除以其样本方差，即： 计算均值： (1) 计算方差：(2) 标准化：(3) 其中，Xu为第i类变量的第j个训练样本，1为训练样本数，￥为第i类变量的均值， %为中心标准化后的训练样本，< 表示第i类变量的方差，&表示第i类变量的标准差； (E) 确定ε-SVR软测量模型的初始化参数，包括：惩罚因子本文档来自技高网...

【技术保护点】
一种高浓磨浆系统游离度的软测量方法，包括以下步骤：(1)辅助变量选择和模型输入变量确定，(2)PSO‑ε‑SVR软测量模型的训练和软测量实现。 (1)辅助变量选择和模型输入变量确定 需要软测量的高浓磨浆系统纸浆关键参数为游离度(ml)。根据生产工艺及机理以及可测可观和变量间相关性分析(因子分析、协方差分析)，选择i个软测量辅助变量(i＝9)，包括： 设定产量u1(adt/d)； 磨浆机功率u2(Mw)； 传动侧稀释水量u3(l/min)； 非传动侧稀释水量u4(l/min)； 非传动侧震动加速度u5(％)； 非传动侧震动u6(mm/s)； 非传动侧磨盘间隙u7(mm)； 传动侧磨盘压力u8(bar)； 非传动侧磨盘压力u9(bar)。 确定上述9个软测量辅助变量为软测量模型的输入变量，游离度(ml)为软测量模型的输出变量。 (2)PSO‑ε‑SVR软测量模型的训练和软测量实现 (A)开始：变量初始化； (B)选择进行软测量模型训练，转至(C)，读取软测量训练样本；选择高浓磨浆系统游离度软测量，转至(K)，读取软测量模型最优参数(惩罚因子C和核函数参数δ)；(C)读取软测量训练样本：从数据库导入或输入训练集T＝{(x1,y1),L,(xl,yl)}∈(Rn×γ)l。其中，软测量模型输入：xi∈Rn，i＝1,2,L,l，软测量模型输出：yi∈γ＝R，i＝1,2,L,l，l为训练集样本数量； (D)数据预处理： 采用尖峰滤波算法将高浓磨浆系统的尖峰异常数据进行剔除；9个辅助变量存在着量纲差，对每个变量分别进行中心标准化处理，即每类样本数据减去对应样本的平均值，然后除以其样本方差，即： 计算均值： 计算方差： 标准化： 其中，xij为第i类变量的第j个训练样本，l为训练样本数，为第i类变量的均值，为中心标准化后的训练样本，表示第i类变量的方差，表示第i类变量的标准差；(E)确定ε‑SVR软测量模型的初始化参数，包括：惩罚因子C和误差容限值ε，核函数Φ(g)的类型及其核函数参数δ。惩罚因子C取20，误差容限值ε取0.01，核函数取高斯径向基函数K(x,x')＝exp(‑||x‑x'||2/δ2)，其中核函数参数δ＝1； (F)确定ε‑SVR待优化参数惩罚因子C的搜索范围为[0,100]，核函数参数δ的搜索范围为[0,50]，粒子群个体的数目40，粒子的最大迭代寻优次数600，粒子的惩罚因子C迭代速度的最大值为25，粒子的核函数参数δ迭代速度的最大值为25，粒子的初始位置、初始速度、个体极值以及全局极值随机生成； (G)ε‑SVR模型训练： ε‑SVR计算高浓磨浆系统游离度的回归超平面方程y＝(ωgx)+b，其中ω为其法方向，b为其截距。 设模型样本的第j个目标输出为yj，则ε‑SVR将拟合问题等价转化为如下所述的二次规划问题： 其中，C为惩罚因子，ε为误差容限值，ξi和(简记为)为松弛变量。求解式(4)中二次规划问题的解(ω,b,ξ)后，得到回归超平面方程： y＝(ωgx)+b   (5) 将Lagrange函数引入上述问题，导出其对偶问题： 解得Lagrange乘子向量计算b：选择位于开区间..中的α(*)的分量αj或若选到的是αj，则有：若选择的是则有：构造回归方程： 其中，y为训练样本i的输出。(xigxk)是核函数Φ(g)，这里取高斯径向基函数K(x,x')＝exp(‑||x‑x'||2/δ2)，是对应的拉格朗日乘子的各个分量。(H)计算适应度： 设定优化的目标函数，并计算适应度，对每组惩罚因子C和核函数参数δ的效果进行评价，通过相应的误差函数计算适应度。对于误差大的粒子，认为其适应度小，粒子的适应度fp表示为： fp＝1/(ep+1)   (10) 其中，ep是回归方程的误差函数，即： 其中，是回归方程的预测输出，yi是回归方程的目标输出；更新每个粒子的速度和位置其中，表示待更新粒子的速度，表示待更新粒子的位置，pid表示待更新粒子的个体最优值，pgd表示整个粒子群的全局最优值。w为惯性权重，c1、c2为加速度常数，rand1和rand2为[0,1]范围内的随机数；对粒子p，如果更新后的适应度值大于原个体的最优值，则更新粒子的个体最优值pid，即： pid＝fp   (13) 如果粒子p的个体最优值pid大于原来粒子群的全局最优值pgd，则更新原来的全局最优值pgd： pgd＝pid   (14) 。...

【技术特征摘要】

【专利技术属性】
技术研发人员：周平，赵梓丞，王宏，代凌旖，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁;21