CN111400832B - 用于卫生纸机干燥部关键运行参数预测的混合建模方法 - Google Patents

Abstract

本发明公开了用于卫生纸机干燥部关键运行参数预测的混合建模方法，包括以下步骤：S1、获取卫生纸机干燥部历史操作参数且清洗异常数据；S2、建立纸页干燥机理模型，使用机理模型对S1各历史操作参数预测关键运行参数，并计算关键运行参数的机理预测误差；S3、使用归一化方法对S1与S2机理模拟误差数据进行预处理，并按一定比例将数据分为训练集与测试集；S4、根据BPNN算法原理建立关键运行参数的机理预测误差补偿模型，使用训练集数据训练模型与算法超参数的调优；S5、整合纸页干燥机理模型与机理预测误差补偿模型，预测测试集数据关键运行参数；解决了机理建模方法对纸页干燥关键运行参数预测精度低的问题。

Description

用于卫生纸机干燥部关键运行参数预测的混合建模方法

技术领域

本发明涉及卫生纸机干燥部关键运行参数预测领域，特别是用于卫生纸机干燥部关键运行参数预测的混合建模方法。

背景技术

在纸页干燥环节，需消耗大量的饱和蒸汽，卫生纸干燥能耗约占制浆造纸生产过程总能耗的67％以上。因此，降低干燥部能耗是降低造纸全过程能耗、节约生产成本的关键所在。然而，纸页干燥是一个复杂的传热传质过程，整个工序固相、液相、气相共存，传热与传质互相耦合，同时还受到烘缸表面温度，气罩空气状况等外部条件的影响。复杂的干燥机理使得造纸企业在干燥部关键运行参数的监控方面不到位，成为企业实现高效、绿色生产的阻碍。干燥部高压蒸汽流量与低压蒸汽流量、气罩排风湿度与排风温度是生产操作者较为关心的几个干燥部关键运行参数，也是进行干燥部工艺操作参数优化模型研究需要精准预测的变量。

建立纸页干燥过程的数学模型，可以实现干燥部关键运行参数的精准预测，对干燥部节能降耗具有重要意义。目前，关于纸页干燥关键运行参数的预测主要以机理模型为主，然而纸页干燥过程具有时变性、强非线性、多变量耦合等特征且机理模型的性能过分依赖于模型参数的选择，这使得机理模型难以满足工业应用对模型精度的要求。

发明内容

为解决现有技术中存在的问题，本发明提供了用于卫生纸机干燥部关键运行参数预测的混合建模方法，解决了机理建模方法对纸页干燥关键运行参数预测精度低的问题。

本发明采用的技术方案是，用于卫生纸机干燥部关键运行参数预测的混合建模方法，其特征在于，包括以下步骤：

S1、获取卫生纸机干燥部历史操作参数且清洗异常数据；

S2、建立纸页干燥机理模型，使用机理模型对S1各历史操作参数预测关键运行参数，并计算关键运行参数的机理预测误差；

S3、使用归一化方法对S1与S2机理模拟误差数据进行预处理，并按一定比例将数据分为训练集与测试集；

S4、根据BPNN算法原理建立关键运行参数的机理预测误差补偿模型，使用训练集数据训练模型与算法超参数的调优；

S5、整合纸页干燥机理模型与机理预测误差补偿模型，预测测试集数据关键运行参数。

优选地，S1包括以下子步骤：

S11、获取卫生纸机干燥部历史操作参数，历史操作参数包括:烘缸压力，车速，纸种克重，卷取率，湿侧送风温度，干侧送风温度，湿侧送风机频率，干侧送风机频率，排风机频率；

S12、采用箱形图方法对干燥部历史操作参数进行异常数据清洗。

优选地，S2包括以下子步骤：

S21、根据纸页干燥动力学模型公式建立纸页干燥机理模型，纸页干燥机理模型为：

其中，u_p为纸页的含水量；T_p为烘缸上各点纸页的温度；L为纸页在烘缸上经过的纵向距离；K为纸页和空气之间的对流传质系数；G为纸页的绝干定量；v为纸机车速；P_p为纸页表面水蒸气质量分数；P_a为纸页所处环境空气中的水蒸气质量分数；h_c-p为从烘缸内蒸汽到纸页的总传热系数；T_c为烘缸内蒸汽温度；h_p-a为纸页和空气之间的对流传热系数；T_a为纸页所处环境空气的温度；H_v,△H_s分别为纸页中的水分的蒸发相变热和吸附热；C_f,C_w分别为纤维和水的比热；

S22、使用已建立的纸页干燥机理模型对S1得到的干燥部历史操作参数进行计算，输出每一组操作参数下干燥部关键运行参数的预测值，所述每一组操作参数下干燥部关键运行参数的预测值包括：气罩排风湿度、气罩排风温度、干燥部高压蒸汽流量与干燥部低压蒸汽流量；

S23、计算S22输出的预测值的预测误差，所述预测误差计算公式为：

其中，y_t为实际值，

为纸页干燥机理模型预测值。

优选地，S3包括以下子步骤：

S31、对S1得到的干燥部历史操作参数数据与机理模型预测误差数据进行归一化处理，所述归一化处理公式如下：

其中，x_i为归一化前的样本数据，

为归一化后的样本数据，x_max为样本数据的最大值，x_min为样本数据的最小值；

S32、将归一化处理后的数据与S2得到的机理预测误差数据按60％与40％的比例划分为训练集与测试集。

优选地，S4包括以下子步骤：

S41、根据BPNN算法原理建立干燥部关键运行参数的机理预测误差补偿模型，误差补偿模型的公式为：

其中，s为输出y的维度，n为训练样本个数，y_ij为预测值，

为真实值；

S42、选择经典的3层BPNN结构，BPNN结构的隐藏层的第j个神经元的第k个分量的输出函数为：

y_jk＝f(w_1j×o_j+…+w_ij×o_j+…+w_mj×o_j+b_j)

其中，j表示隐藏层的节点个数，o_j表示隐藏层的第j个神经元的输出值，w_ij表示输入层的第i个神经元与隐藏层的第j个神经元的连接权值，f表示隐藏层的激活函数，选取ReLU函数作为激活函数，所述ReLU函数表达式为：

f(x)＝max(0，x)

隐藏层和偏差的更新为：

其中，w′_kj、b′j为更新的连接权值和偏置值，

f′为Relu函数的偏导；

S43、输入训练集数据进行模型的训练与超参数的调优，尝试不同的超参数取值，所述不同的超参数取值包括：隐藏层神经元个数、学习率以及学习回合数；

S44、根据模型目标函数值最小的原则确定最优的超参数取值。

优选地，S5包括以下子步骤：

S51、整合纸页干燥机理模型与机理预测误差补偿模型，混合模型关于干燥部关键运行参数的最终预测值公式为：

其中，

代表纸页干燥机理模型的关键运行参数输出，error_p代表机理预测误差补偿模型的输出；

S52、获取测试集样本的输入，试集样本的输入包括：烘缸压力，车速，纸种克重，卷取率，湿侧送风温度，干侧送风温度，湿侧送风机频率，干侧送风机频率，排风机频率；

S53：将S52的输出值代入已整合好的S51的模型中，通过混合模型的计算，获得当前测试样本下的气罩排风湿度、气罩排风温度、干燥部高压蒸汽流量、干燥部低压蒸汽流量。

本发明用于卫生纸机干燥部关键运行参数预测的混合建模方法有益效果如下：

1.本发明提出的一种用于卫生纸机干燥部关键运行参数预测的混合建模方法，解决了机理建模方法对纸页干燥关键运行参数预测精度低的问题，实现对卫生纸机干燥部关键运行参数高精度的预测。

2.用于卫生纸机干燥部关键运行参数预测的混合建模方法将为卫生纸机干燥部工艺操作参数优化模型的研究提供有力支撑。

附图说明

图1为本发明的方法流程图。

图2为本发明机理模型、混合模型对测试集样本关于卫生纸机干燥部关键运行参数预测效果对比图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

如图1所示，一种用于卫生纸机干燥部关键运行参数预测的混合建模方法，包括下述步骤：

S1、卫生纸机干燥部历史操作参数获取与异常数据清洗；

S2、建立纸页干燥机理模型，使用机理模型对步骤S1各历史操作参数进行关键运行参数的预测，并计算关键运行参数的机理预测误差；

S3、使用归一化方法对S1与S2机理模拟误差数据进行预处理，并按一定比例将数据为训练集与测试集；

S4、根据BPNN算法原理建立关键运行参数的机理预测误差补偿模型，使用训练集数据训练模型与算法超参数的调优；

S5、整合纸页干燥机理模型与机理预测误差补偿模型，对测试集数据进行关键运行参数的预测。

首先获取卫生纸机干燥部历史操作参数，包括:烘缸压力DP/MPa，车速v/(m*min^-1)，纸种克重m/(g*cm^-2)，卷取率CR/％，湿侧送风温度T_w/℃，干侧送风温度T_d/℃，湿侧送风机频率f_w/Hz，干侧送风机频率f_d/Hz，排风机频率f_e/Hz。

为保证机理模型的正常运算与后续机理预测误差补偿模型的正常训练，本发明采用箱形图方法对干燥部历史操作参数进行异常数据清洗。箱形图最大的优点就是不受异常值的影响，能够准确稳定地描绘出数据的离散分布情况，十分利于数据的清洗。在箱形图中小于Q1-1.5IQR或大于Q3+1.5IQR的数值被定义为异常值(离群值)。其中，Q1为数据批的下四分位数，Q3为数据批的上四分位数，IQR为四分位距，即IQR＝Q3-Q1。

然后根据纸页干燥动力学模型公式建立纸页干燥机理模型，如下式所示：

其中，u_p为纸页的含水量，即单位质量绝干纤维所携带的水量，kg水/kg绝干纤维；T_p为烘缸上各点纸页的温度，℃；L为纸页在烘缸上经过的纵向距离，m；K为纸页和空气之间的对流传质系数，kg/(m²·s)；G为纸页的绝干定量，即纸页定量与干度的乘积，kg/m²；v为纸机车速，m/s；P_p为纸页表面水蒸气质量分数；P_a为纸页所处环境空气中的水蒸气质量分数；h_c-p为从烘缸内蒸汽到纸页的总传热系数，W/(m²·℃)；T_c为烘缸内蒸汽温度，℃；h_p-a为纸页和空气之间的对流传热系数，W/(m²·℃)；T_a为纸页所处环境空气的温度，℃；H_v,△H_s分别为纸页中的水分的蒸发相变热和吸附热，kJ/kg；C_f,C_w分别为纤维和水的比热，kJ/(kg·℃)。

使用已建立的纸页干燥机理模型对S1得到的干燥部历史操作参数进行计算，输出每一组操作参数下干燥部关键运行参数的预测值，即气罩排风湿度H_e/(g*m^-3)、气罩排风温度T_e/℃、干燥部高压蒸汽流量F_h/(t*h^-1)与干燥部低压蒸汽流量F_l/(t*h^-1)。

由纸页干燥机理模型得到的干燥部关键运行参数的预测误差计算公式如下所示：

其中，y_t为实际值，

为纸页干燥机理模型预测值。

干燥部不同操作参数数值之间存在着数量级的差别，为消除不同操作参数之间的量纲影响，缩短模型训练过程中内参数达到收敛状态的时间。需要对S1得到的干燥部历史操作参数数据与机理模型预测误差数据进行归一化处理，归一化公式如下：

其中，x_i为归一化前的样本数据，

为归一化后的样本数据，x_max为样本数据的最大值，x_min为样本数据的最小值。

将归一化处理后的数据与S2得到的机理预测误差数据按60％与40％的比例划分为训练集与测试集。

根据BPNN算法原理建立干燥部关键运行参数的机理预测误差补偿模型，实现在不同操作参数下机理误差的预测。

BPNN(Back Propagation Neural Network,反向传播神经网络)是一种通过误差反向传播算法训练的多层前馈网络，能够用于处理非线性序列，具有学习能力强和精确度高等优点，其原理为使用最速降法让输入变量在前馈神经网络中进行传递和计算，利用反向传播的误差调整权重和偏差，使目标函数值最小。目标函数的计算方法如下式所示：

其中，s为输出y的维度，n为训练样本个数，y_ij为预测值，

为真实值。典型的BPNN结构，包括了以下三层：输入层、隐藏层和输出层。神经元与神经元之间通过权重和偏差连接，决定每个神经元的重要程度。本发明选择经典的3层BPNN，其隐藏层的第j个神经元的第k个分量的输出函数：

y_jk＝f(w_1j×o_j+…+w_ij×o_j+…+w_mj×o_j+b_j)

其中，j表示隐藏层的节点个数，o_j表示隐藏层的第j个神经元的输出值，w_ij表示输入层的第i个神经元与隐藏层的第j个神经元的连接权值。f表示隐藏层的激活函数，本发明选取ReLU函数作为激活函数，函数表达式如下式所示：

f(x)＝max(0，x)

隐藏层和偏差的更新公式如下：

其中，w′_kj、b′_j为更新的连接权值和偏置值，

f′为Relu函数的偏导。

输入训练集数据进行模型的训练与超参数的调优。尝试不同的超参数取值，包括：隐藏层神经元个数(units)、学习率(η)以及学习回合数(epochs)，根据模型目标函数值最小的原则确定最优的超参数取值。

如图2所示，整合纸页干燥机理模型与机理预测误差补偿模型，混合模型关于干燥部关键运行参数的最终预测值计算如下式所示：

其中，

代表纸页干燥机理模型的关键运行参数输出，error_p代表机理预测误差补偿模型的输出。

最后获取测试集样本的输入，包括:烘缸压力DP/MPa，车速v/(m*min^-1)，纸种克重m/(g*cm^-2)，卷取率CR/％，湿侧送风温度T_w/℃，干侧送风温度T_d/℃，湿侧送风机频率f_w/Hz，干侧送风机频率f_d/Hz，排风机频率f_e/Hz。将待测样本预处理为模型输入变量,代入已整合好的模型中，通过混合模型的计算，获得当前测试样本下的气罩排风湿度、气罩排风温度、干燥部高压蒸汽流量、干燥部低压蒸汽流量。

表1为两个模型关于干燥关键过程参数模拟的MRE(平均相对误差)，计算公式如下式所示：

其中，n测试集样本总数。

表1

Claims (1)

1.用于卫生纸机干燥部关键运行参数预测的混合建模方法，其特征在于，包括以下步骤：

S1、获取卫生纸机干燥部历史操作参数且清洗异常数据；

S2、建立纸页干燥机理模型，使用机理模型对S1各历史操作参数预测关键运行参数，并计算关键运行参数的机理预测误差；

S3、使用归一化方法对S1与S2机理模拟误差数据进行预处理，并按一定比例将数据分为训练集与测试集；

S4、根据BPNN算法原理建立关键运行参数的机理预测误差补偿模型，使用训练集数据训练模型与算法超参数的调优；

S5、整合纸页干燥机理模型与机理预测误差补偿模型，预测测试集数据关键运行参数；

所述S1包括以下子步骤：

S11、获取卫生纸机干燥部历史操作参数，所述历史操作参数包括:烘缸压力，车速，纸种克重，卷取率，湿侧送风温度，干侧送风温度，湿侧送风机频率，干侧送风机频率，排风机频率；

S12、采用箱形图方法对干燥部历史操作参数进行异常数据清洗；

所述S2包括以下子步骤：

S21、根据纸页干燥动力学模型公式建立纸页干燥机理模型，所述纸页干燥机理模型为：

其中，u_p为纸页的含水量；T_p为烘缸上各点纸页的温度；L为纸页在烘缸上经过的纵向距离；K为纸页和空气之间的对流传质系数；G为纸页的绝干定量；v为纸机车速；P_p为纸页表面水蒸气质量分数；P_a为纸页所处环境空气中的水蒸气质量分数；h_c-p为从烘缸内蒸汽到纸页的总传热系数；T_c为烘缸内蒸汽温度；h_p-a为纸页和空气之间的对流传热系数；T_a为纸页所处环境空气的温度；H_v,△H_s分别为纸页中的水分的蒸发相变热和吸附热；C_f为纤维比热和；C_w为水的比热；

S22、使用已建立的纸页干燥机理模型对S1得到的干燥部历史操作参数进行计算，输出每一组操作参数下干燥部关键运行参数的预测值，所述每一组操作参数下干燥部关键运行参数的预测值包括：气罩排风湿度、气罩排风温度、干燥部高压蒸汽流量与干燥部低压蒸汽流量；

S23、计算S22输出的预测值的预测误差，所述预测误差计算公式为：

其中，y_t为实际值，

为纸页干燥机理模型预测值；

所述S3包括以下子步骤：

S31、对S1得到的干燥部历史操作参数数据与机理模型预测误差数据进行归一化处理，所述归一化处理公式如下：

其中，x_i为归一化前的样本数据，

为归一化后的样本数据，x_max为样本数据的最大值，x_min为样本数据的最小值；

S32、将归一化处理后的数据与S2得到的机理预测误差数据按60％与40％的比例划分为训练集与测试集；

所述S4包括以下子步骤：

S41、根据BPNN算法原理建立干燥部关键运行参数的机理预测误差补偿模型，所述误差补偿模型的公式为：

其中，s为输出y的维度，n为训练样本个数，y_ij为预测值，

为真实值；

S42、选择经典的3层BPNN结构，BPNN结构的隐藏层的第j个神经元的第k个分量的输出函数为：

y_jk＝f(w_1j×o_j+…+w_ij×o_j+…+w_mj×o_j+b_j)

其中，j表示隐藏层的节点个数，o_j表示隐藏层的第j个神经元的输出值，w_ij表示输入层的第i个神经元与隐藏层的第j个神经元的连接权值，f表示隐藏层的激活函数，选取ReLU函数作为激活函数，所述ReLU函数表达式为：

f(x)＝max(0,x)

隐藏层和偏差的更新为：

其中，w'_kj、b'_j为更新的连接权值和偏置值，

f'为Relu函数的偏导；

S43、输入训练集数据进行模型的训练与超参数的调优，尝试不同的超参数取值，所述不同的超参数取值包括：隐藏层神经元个数、学习率以及学习回合数；

S44、根据模型目标函数值最小的原则确定最优的超参数取值；

所述S5包括以下子步骤：

S51、整合纸页干燥机理模型与机理预测误差补偿模型，混合模型关于干燥部关键运行参数的最终预测值公式为：

其中，

代表纸页干燥机理模型的关键运行参数输出，error_p代表机理预测误差补偿模型的输出；

S52、获取测试集样本的输入，所述测 试集样本的输入包括：烘缸压力，车速，纸种克重，卷取率，湿侧送风温度，干侧送风温度，湿侧送风机频率，干侧送风机频率，排风机频率；

S53：将S52的输入 值代入已整合好的S51的混合模型中，通过混合模型的计算，获得当前测试样本下的气罩排风湿度、气罩排风温度、干燥部高压蒸汽流量、干燥部低压蒸汽流量。

Images