在造紙工業(yè)自動(dòng)化控制中運(yùn)用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行建模和工藝優(yōu)化的研究日趨深入,人工神經(jīng)網(wǎng)絡(luò)因其具有逼近任意非線性函數(shù)的能力,具有自學(xué)習(xí)、自適應(yīng)能力以及可以多輸入、多輸出,使其在造紙過(guò)程的各個(gè)領(lǐng)域都有成功運(yùn)用的范例,涉及了從蒸煮、漂白、施膠系統(tǒng)直至紙頁(yè)翹曲的控制、斷紙的診斷以及定量、游離度的控制和涂料的成分定量分析等制漿造紙工藝過(guò)程的各個(gè)環(huán)節(jié),在煙道氣中氮、硫等有害物質(zhì)的排放預(yù)測(cè)中,神經(jīng)網(wǎng)絡(luò)的bp算法和模型都有著成功的應(yīng)用。人工神經(jīng)網(wǎng)絡(luò)在這些方面的應(yīng)用,解決了許多傳統(tǒng)方法不能解決的問(wèn)題,整體上提高了紙頁(yè)的質(zhì)量。下面就人工神經(jīng)網(wǎng)絡(luò)在造紙工業(yè)過(guò)程中的一些應(yīng)用實(shí)例進(jìn)行介紹。

　　1　人工神經(jīng)網(wǎng)絡(luò)對(duì)于蒸煮過(guò)程的研究

　　由于蒸煮過(guò)程是一個(gè)極為復(fù)雜的非線性過(guò)程,很難能用一個(gè)十分精確的數(shù)學(xué)模型來(lái)描述這個(gè)過(guò)程。因此,利用現(xiàn)有的操作信息來(lái)控制蒸煮過(guò)程是極為困難的。

　　而實(shí)驗(yàn)證明,利用人工神經(jīng)網(wǎng)絡(luò)則可以有效地控制蒸煮過(guò)程。下面主要介紹對(duì)于卡伯值以及Ｈ因子的控制與研究。

　　1 1　對(duì)間歇蒸煮卡伯值的研究與控制[1]在蒸煮過(guò)程中,脫木素的程度可以由卡伯值來(lái)衡量,它代表紙漿中木素含量的高低,是蒸煮過(guò)程紙漿的主要質(zhì)量指標(biāo)之一,且紙漿的目標(biāo)卡伯值是蒸煮結(jié)束的主要標(biāo)志�？ú�值在蒸煮過(guò)程中是變化的,不能被直接測(cè)量,但可以根據(jù)蒸煮溫度和蒸煮液濃度來(lái)估計(jì)。

　　(1)卡伯值估計(jì):Williams等人根據(jù)蒸煮過(guò)程控制的非線性,研究使用模糊神經(jīng)網(wǎng)絡(luò)(FNN)來(lái)估計(jì)卡伯值[2]。所測(cè)量的參數(shù)是溫度和有效堿,把它們輸入到模糊神經(jīng)網(wǎng)絡(luò)中,然后輸出得到卡伯值的估計(jì)值,并通過(guò)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練來(lái)學(xué)習(xí)繪制輸入變量(蒸煮溫度和有效堿含量)和輸出變量(卡伯值)之間的關(guān)系圖。訓(xùn)練數(shù)據(jù)通過(guò)非線性模型來(lái)獲得。根據(jù)實(shí)際的間歇蒸煮工藝,模擬時(shí)間是2ｈ。初始權(quán)值設(shè)為零,在反向傳播中的學(xué)習(xí)速率從0001到00001。相應(yīng)于72000次均方差為0503的重復(fù)訓(xùn)練,訓(xùn)練在80個(gè)訓(xùn)練值的900次表達(dá)后停止。

　　(2)卡伯值控制:研究中利用FNN控制器控制溫度和循環(huán)液流速來(lái)實(shí)現(xiàn)對(duì)卡伯值的控制。FNN控制器中輸入的是參考卡伯值和估計(jì)值之間的誤差ｅ(ｋ)和誤差增量△ｅ(ｋ),輸出的是藥液循環(huán)溫度Ｔｒ和流速Fｒ。

　　1 2　對(duì)連續(xù)蒸煮卡伯值的預(yù)測(cè)許多研究者因?yàn)樯窠?jīng)網(wǎng)絡(luò)有黑箱的弱點(diǎn)而拒絕使用,即對(duì)神經(jīng)網(wǎng)絡(luò)為什么給出一種這樣或那樣的決策作出恰當(dāng)?shù)慕忉屖欠浅＠щy的。因此人們將模糊理論與神經(jīng)網(wǎng)絡(luò)結(jié)合,形成更高的智能系統(tǒng)[3]。例如Musavi等人發(fā)展了神經(jīng)模糊系統(tǒng)(ＮFS),在連續(xù)蒸煮器中來(lái)預(yù)測(cè)卡伯值。神經(jīng)模糊系統(tǒng)技術(shù)利用Ｋ因子模糊器和改良模糊消除器[4]。模糊規(guī)則的基礎(chǔ)決定于實(shí)驗(yàn)觀測(cè)到的輸入/輸出數(shù)據(jù),這些數(shù)據(jù)經(jīng)過(guò)了一個(gè)迭代規(guī)則,即置信矩陣訓(xùn)練算法和一個(gè)最大/最小模糊推理引擎。

　　這種引擎用于規(guī)則解釋程序。同時(shí)利用一種混合式的反向傳遞—遺傳算法訓(xùn)練程序來(lái)調(diào)諧各元件的作用。此外,鄢烈祥等人將神經(jīng)網(wǎng)絡(luò)降維分析法應(yīng)用于制漿蒸煮過(guò)程,揭示出了蒸煮工藝參數(shù)間的內(nèi)在聯(lián)系和對(duì)紙漿得率及卡伯值的關(guān)系[5]。優(yōu)化計(jì)算結(jié)果表明:對(duì)于以木料為原料的蒸煮工藝,在控制紙漿卡伯值于一定范圍的條件下,提高最高溫度,適當(dāng)降低保溫時(shí)間,減少用堿量和蒽醌用量,能明顯提高紙漿得率,降低操作費(fèi)用,提高經(jīng)濟(jì)效益。

　　1 3　對(duì)紙漿卡伯值的Ｈ因子控制Ｈ因子是用木素反應(yīng)的活化能計(jì)算的蒸煮相對(duì)反應(yīng)速率與時(shí)間作圖所得曲線下的面積,其數(shù)值的實(shí)質(zhì)是蒸煮過(guò)程的木素脫除量。換句話說(shuō),一定的Ｈ因子數(shù)對(duì)應(yīng)紙漿中一定的殘余木素量[6]。用人工神經(jīng)網(wǎng)絡(luò)方法,可以在一定的蒸煮條件下,來(lái)確定多少的蒸煮Ｈ因子,來(lái)達(dá)到所需的紙漿硬度,即進(jìn)行蒸煮過(guò)程紙漿卡伯值的控制。羅琪等人建立了蒸煮過(guò)程中的紙漿卡伯值的人工神經(jīng)網(wǎng)絡(luò)模型[7],如圖1所示。他們利用bp控制網(wǎng)絡(luò)以紙漿的卡伯值(以高錳酸鉀值計(jì))、用堿量(%)和液比為輸入?yún)��?shù),Ｈ因子作為輸出參數(shù),隱層的節(jié)點(diǎn)數(shù)選為6個(gè),其中訓(xùn)練步長(zhǎng)α=0 1,沖量因子η=0 6。然后確定優(yōu)化目標(biāo),即形成紙漿的目標(biāo)卡伯值,加上蒸煮初始的條件用堿量和液比作為輸入,從而得出想要的Ｈ因子[8]。


　　2　人工神經(jīng)網(wǎng)絡(luò)在漂白中的應(yīng)用

　　紙漿漂白過(guò)程是一個(gè)多變量多指標(biāo)的工藝過(guò)程,實(shí)現(xiàn)其優(yōu)化操作有一定的困難,這是由于紙漿漂白過(guò)程的機(jī)理較復(fù)雜,目前還不能建立起漂白指標(biāo)與影響因素間的機(jī)理模型,而用傳統(tǒng)的回歸分析方法同時(shí)建立多個(gè)指標(biāo)的回歸方程精度難以滿足要求[9]。紙漿漂白工藝條件的優(yōu)化是一個(gè)非線性多約束優(yōu)化問(wèn)題,用常規(guī)計(jì)算方法得到的最優(yōu)點(diǎn)往往在約束線的邊界和交點(diǎn)處,一旦操作點(diǎn)偏離最優(yōu)點(diǎn),某個(gè)或某幾個(gè)指標(biāo)就會(huì)急劇地變差。因而對(duì)于這種難以建立精確數(shù)學(xué)模型又是多約束的非線性優(yōu)化問(wèn)題,尋求最優(yōu)點(diǎn)的實(shí)用價(jià)值不大。有實(shí)際意義的做法是進(jìn)行區(qū)域優(yōu)化,即尋求比最優(yōu)點(diǎn)稍遜,但能協(xié)調(diào)各個(gè)指標(biāo)使之都達(dá)到較滿意的穩(wěn)定操作區(qū)域。鄢烈祥等人將人工神經(jīng)網(wǎng)絡(luò)技術(shù)用于紙漿漂白工藝過(guò)程,建立了漂白因素與漂白效果的網(wǎng)絡(luò)模型。

　　實(shí)驗(yàn)證明,用實(shí)驗(yàn)數(shù)據(jù)對(duì)網(wǎng)絡(luò)訓(xùn)練后,網(wǎng)絡(luò)能準(zhǔn)確預(yù)報(bào)漂白效果[10]。此外他們還將神經(jīng)網(wǎng)絡(luò)和統(tǒng)計(jì)分析結(jié)合起來(lái),提出了確定漂白工藝的區(qū)域優(yōu)化方法,將漂白試驗(yàn)數(shù)據(jù)的各個(gè)指標(biāo)進(jìn)行綜合評(píng)定分成好壞兩類后,應(yīng)用人工神經(jīng)網(wǎng)絡(luò)的高度分類功能來(lái)識(shí)別漂白效果的好壞類別,實(shí)現(xiàn)對(duì)漂白工藝操作的預(yù)測(cè)[11]。

　　3　神經(jīng)網(wǎng)絡(luò)在煙道氣排放控制與預(yù)測(cè)中的應(yīng)用[12]

　　制漿造紙廠的排放受到越來(lái)越嚴(yán)格的法規(guī)限制。以煙道氣主要成分NOｘ、SOｘ或co的排放控制為例,最為常用的排放量測(cè)量方法,是采用連續(xù)排放監(jiān)測(cè)系統(tǒng)(cＥMS)進(jìn)行監(jiān)測(cè),但這種系統(tǒng)的精確度和可靠性達(dá)不到新的地方排放標(biāo)準(zhǔn),并且購(gòu)買、安裝和維護(hù)費(fèi)用也很高,而且監(jiān)測(cè)的可靠性和精確性也不高。為了提高監(jiān)測(cè)的可靠性和精確性,同時(shí)節(jié)省開支,基于人工神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)性排放監(jiān)測(cè)系統(tǒng)(ＰＥMS),作為連續(xù)排放監(jiān)測(cè)系統(tǒng)的替代方式,正得到廣泛的接受。ＰＥMS利用數(shù)學(xué)模擬技術(shù),配合有力的軟件系統(tǒng),由與其它已知工藝限值的關(guān)系推出排放測(cè)量數(shù)據(jù),而不是直接地進(jìn)行測(cè)量。

　�。校臡S使用的神經(jīng)網(wǎng)絡(luò)軟件包由三部分組成:(1)數(shù)據(jù)采集和預(yù)處理;(2)網(wǎng)絡(luò)訓(xùn)練;(3)網(wǎng)絡(luò)驗(yàn)證。采用ＰＥMS在保證測(cè)量精度的條件下有效地降低了煙道氣有害物質(zhì)的監(jiān)控費(fèi)用,實(shí)驗(yàn)證實(shí),基于人工神經(jīng)網(wǎng)絡(luò)的ＰＥMS預(yù)測(cè)結(jié)果與硬件分析器的實(shí)際測(cè)量結(jié)果的相關(guān)性超過(guò)95%。

　　4　人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)紙張翹曲

　　紙張翹曲對(duì)于造紙廠來(lái)說(shuō)是個(gè)嚴(yán)重的問(wèn)題,亦是一個(gè)難以預(yù)測(cè)的質(zhì)量測(cè)量實(shí)例,因?yàn)樗�涉及到的影響因素很�?例如:紙頁(yè)兩邊干燥速率的不同,紙頁(yè)內(nèi)部水分的不均勻以及纖維內(nèi)部的機(jī)械應(yīng)力等等。國(guó)外學(xué)者研究結(jié)果表明,紙張翹曲可以以某種有價(jià)值的準(zhǔn)確度加以預(yù)測(cè)[13],具體地說(shuō),可在生產(chǎn)之前預(yù)測(cè)初卷紙卷的翹曲度是否會(huì)在規(guī)定指標(biāo)范圍內(nèi),以及預(yù)測(cè)有可能發(fā)生的實(shí)際翹曲程度。

　　人工神經(jīng)網(wǎng)絡(luò)可以通過(guò)建立紙張翹曲過(guò)程的模型,在紙卷生產(chǎn)出來(lái)之前預(yù)測(cè)紙張翹曲。研究提出的表征當(dāng)前紙卷狀態(tài)的參數(shù),可作為神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù),通過(guò)所建立的模型,來(lái)預(yù)測(cè)翹曲的最終水平是否在要求的規(guī)定指標(biāo)范圍內(nèi)。同時(shí),輸入同樣的數(shù)據(jù)到另外一個(gè)網(wǎng)絡(luò),并建立模型來(lái)預(yù)測(cè)翹曲的絕對(duì)水平。這樣,就可以有效地控制紙頁(yè)的翹曲程度,達(dá)到提高紙張質(zhì)量的目的。

　　5　人工神經(jīng)網(wǎng)絡(luò)診斷紙機(jī)斷紙

　　紙機(jī)斷紙是一種復(fù)雜的現(xiàn)象,可能有多種因生產(chǎn)過(guò)程而大幅度變化的起因。利用常規(guī)的統(tǒng)計(jì)方法來(lái)確定斷紙的確切起因是極為困難的。然而在解決此類問(wèn)題上,人工神經(jīng)網(wǎng)絡(luò)方法顯示出巨大的優(yōu)越性。Takanori等人研究利用多層神經(jīng)網(wǎng)絡(luò)和bp算法來(lái)分析紙頁(yè)斷紙的原因,診斷商業(yè)新聞紙斷紙問(wèn)題[14]。神經(jīng)網(wǎng)絡(luò)所需過(guò)程數(shù)據(jù)由該紙機(jī)的分布式控制系統(tǒng)進(jìn)行采集,進(jìn)一步的數(shù)據(jù)(ｚｅｔａ電位、網(wǎng)部留著率、傳導(dǎo)率和ｐＨ值)由專為研究安裝的聯(lián)機(jī)濕部傳感器加以測(cè)量。

　　人工神經(jīng)網(wǎng)絡(luò)診斷顯示,通過(guò)改變濕部化學(xué)性質(zhì)和提高網(wǎng)部留著率有可能減少斷紙問(wèn)題,節(jié)省大量成本,減少了纖維流失,減少了工人清洗、復(fù)卷和重開紙機(jī)的時(shí)間。該研究還將人工神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)統(tǒng)計(jì)方法進(jìn)行了比較,結(jié)果表明:人工神經(jīng)網(wǎng)絡(luò)方法在解決紙機(jī)斷紙問(wèn)題上有更大的優(yōu)越性,可以更精確地對(duì)斷紙進(jìn)行診斷,減少斷紙問(wèn)題,提高企業(yè)效益。

     6　神經(jīng)網(wǎng)絡(luò)在濕部化學(xué)過(guò)程控制的應(yīng)用

     國(guó)內(nèi)外對(duì)于濕部化學(xué)的過(guò)程控制尚處于實(shí)驗(yàn)室階段,國(guó)內(nèi)對(duì)建立濕部中性施膠系統(tǒng)的數(shù)學(xué)模型以及模型的計(jì)算機(jī)仿真進(jìn)行了初步研究。由于造紙濕部化學(xué)的機(jī)理非常復(fù)雜,影響因素很多,僅用機(jī)理分析的方法或參數(shù)估計(jì)法,難以建立有效的數(shù)學(xué)模型。朱勇強(qiáng)等人以造紙濕部的中性施膠系統(tǒng)作為研究對(duì)象,并采用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行智能建模的研究[15]。研究結(jié)果表明,將人工神經(jīng)網(wǎng)絡(luò)用于建立復(fù)雜的造紙濕部化學(xué)系統(tǒng)中性施膠的數(shù)學(xué)模型是可行的。采用該數(shù)學(xué)模型能有效地仿真中性施膠系統(tǒng)施膠劑用量和淀粉用量對(duì)施膠效果的影響。在該實(shí)驗(yàn)中,bp神經(jīng)網(wǎng)絡(luò)被用來(lái)建立中性施膠系統(tǒng)的數(shù)學(xué)模型,并用實(shí)驗(yàn)室中性施膠實(shí)驗(yàn)的數(shù)據(jù)來(lái)訓(xùn)練該神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)是2-5-2-1,即網(wǎng)絡(luò)的輸入層有2個(gè)變量與施膠劑和陽(yáng)離子淀粉用量映射,第一隱層有5個(gè)神經(jīng)元,第二隱層有2個(gè)神經(jīng)元,輸出層有1個(gè)變量與施膠效果映射。研究通過(guò)反向誤差傳播算法來(lái)進(jìn)行訓(xùn)練。

　　7　人工神經(jīng)網(wǎng)絡(luò)對(duì)氣體洗滌機(jī)進(jìn)行模擬

　　氣體洗滌過(guò)程是一種潮濕廢氣流與過(guò)程水直接接觸的過(guò)程,通常用物理模型來(lái)描述,但是,物理過(guò)程的模擬通常需要解決大量不同的初始條件和/或邊界條件方程,而且物理模型的傳質(zhì)傳熱過(guò)程依靠幾個(gè)經(jīng)驗(yàn)相關(guān)性。而利用人工神經(jīng)網(wǎng)絡(luò)來(lái)模擬氣液流之間復(fù)雜的流體動(dòng)力學(xué)現(xiàn)象,能夠?yàn)轭A(yù)測(cè)氣體洗滌機(jī)提供所需工作參數(shù)的非經(jīng)典解。Milosavljevic等人利用人工神經(jīng)網(wǎng)絡(luò)對(duì)兩臺(tái)洗滌機(jī)進(jìn)行模擬時(shí)[16],所用的人工神經(jīng)網(wǎng)絡(luò)由7個(gè)輸入神經(jīng)元(在輸入層)、一個(gè)輸出神經(jīng)元(在輸出層)和一個(gè)隱層組成。輸入數(shù)據(jù)包括:供給空氣的質(zhì)量流率(ｘ1)、供給空氣溫度(ｘ2)、供給空氣進(jìn)口濕度(ｘ3)、水的質(zhì)量流率(ｘ4)、進(jìn)口水溫(ｘ5)、洗滌機(jī)高度(ｘ6)、噴嘴水壓(ｘ7),輸出數(shù)據(jù)為洗滌機(jī)的出口水溫度。輸入變量ｘｐ=(ｘｐ1,ｘｐ2,...,ｘｐＮ)應(yīng)用到網(wǎng)絡(luò)的輸入層[17-18],輸入層的結(jié)果傳到隱層。

　　Milosavljevic等利用物理模型進(jìn)行洗滌機(jī)模擬時(shí),采用了標(biāo)準(zhǔn)方差來(lái)評(píng)價(jià)預(yù)測(cè)值與測(cè)量值之間的差異，ｄｐｋ是預(yù)測(cè)出口水溫,Oｐｋ是神經(jīng)網(wǎng)絡(luò)的實(shí)驗(yàn)出口水溫,ｐ代表第ｐ個(gè)訓(xùn)練向量,ｋ代表第ｋ個(gè)輸出單元。當(dāng)利用物理模型進(jìn)行模擬時(shí),預(yù)測(cè)出口水溫度與實(shí)驗(yàn)得到的出口水溫度的誤差為2 29℃,而人工神經(jīng)網(wǎng)絡(luò)用于模擬時(shí),誤差僅為0 99℃[16]。人工神經(jīng)網(wǎng)絡(luò)的精確結(jié)果可減少設(shè)備成本,并且可以更好地利用潮濕廢氣的能量,同時(shí)使產(chǎn)品的質(zhì)量更加穩(wěn)定�？梢�,利用神經(jīng)網(wǎng)絡(luò)進(jìn)行洗滌機(jī)模擬,不僅可以避免氣液流動(dòng)復(fù)雜的流體動(dòng)力學(xué)現(xiàn)象,而且能提供好的非線性解決方案。在制漿造紙干燥過(guò)程中,如能正確利用神經(jīng)網(wǎng)絡(luò),則能得到很大的益處。

　　8　神經(jīng)網(wǎng)絡(luò)在紙張定量控制中的應(yīng)用

　　造紙過(guò)程是一個(gè)非常復(fù)雜的物理化學(xué)過(guò)程。影響紙張的性能因素很多,紙張定量是紙張最重要的性能指標(biāo)之一。影響紙張定量變化的因素很多,包括漿濃、堰板開口度、漿流量、漿網(wǎng)速比、白水濃度、濾水性以及漿料留著率等等。對(duì)紙張定量進(jìn)行控制,就要求通過(guò)調(diào)節(jié)漿流量來(lái)克服其它影響因素。

　　由于造紙廠經(jīng)常接受生產(chǎn)不同紙種紙張的任務(wù),因此希望造紙機(jī)定量控制系統(tǒng)能在各種可能情況下均有較好的控制性能。因此要求所用控制系統(tǒng)能適應(yīng)各種控制環(huán)境,使紙機(jī)在生產(chǎn)各種紙張時(shí)能實(shí)現(xiàn)定量的良好控制。王艷等人利用人工神經(jīng)網(wǎng)絡(luò)方法實(shí)現(xiàn)了紙機(jī)的定量控制,以經(jīng)過(guò)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)控制器代替常規(guī)控制器,同時(shí)達(dá)到對(duì)多個(gè)模型的控制,進(jìn)而達(dá)到對(duì)不確定系統(tǒng)的控制[19]。神經(jīng)網(wǎng)絡(luò)控制器具有如下結(jié)構(gòu):含有一個(gè)隱層的前傳網(wǎng)絡(luò),輸入層具有7個(gè)節(jié)點(diǎn),隱層具有9個(gè)節(jié)點(diǎn),輸出層具有1個(gè)節(jié)點(diǎn)。訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)控制器分別用于設(shè)計(jì)控制器的3個(gè)被控對(duì)象,其單位階躍響應(yīng)如圖2所示。ｋ=0～100,ｋ=100～200,ｋ=200～300分別作用于對(duì)象1、2、3的階躍響應(yīng)。從曲線可以看出,采用單一的神經(jīng)網(wǎng)絡(luò)控制器,可以實(shí)現(xiàn)由3個(gè)模型構(gòu)成的不確定造紙機(jī)定量過(guò)程的良好控制。



　　9　神經(jīng)網(wǎng)絡(luò)用于造紙用涂料的定量分析

　　人工神經(jīng)網(wǎng)絡(luò)在化學(xué)特別是分析化學(xué)上的應(yīng)用是廣泛的,應(yīng)用領(lǐng)域包括紅外光譜解釋[20]、13cＮMＲ位移的預(yù)測(cè)[21]和氨基酸中質(zhì)子的化學(xué)位移[22]等。LｕｄMｉL(zhǎng)ａ等人研究利用簡(jiǎn)單的三層人工神經(jīng)網(wǎng)絡(luò)來(lái)定量分析造紙用涂料中的三種主要成分,即苯乙烯、丁二烯和碳酸鹽[23]。他們通過(guò)讓人工神經(jīng)網(wǎng)絡(luò)進(jìn)行監(jiān)督學(xué)習(xí),構(gòu)造出與紅外光譜和三種主要成分濃度有關(guān)的非線性模型。

　　在三層人工神經(jīng)網(wǎng)絡(luò)中,第一層接受導(dǎo)數(shù)紅外光譜的強(qiáng)度向量,然后利用S(SｉｇMOｉｄ)激勵(lì)函數(shù)作非線性變換,輸出的結(jié)果再經(jīng)第二層處理,第三層的輸出結(jié)果代表了目標(biāo)濃度。在神經(jīng)網(wǎng)絡(luò)里有538個(gè)輸入神經(jīng)元,50個(gè)隱藏神經(jīng)元和3個(gè)輸出神經(jīng)元。輸入層的大小由光譜的邊界決定,輸出層包括所有的目標(biāo)變量。實(shí)驗(yàn)中通過(guò)將訓(xùn)練集分為3個(gè)區(qū)域:一個(gè)亮區(qū)和兩個(gè)暗區(qū)。

　　其中,亮區(qū)是濃度為50%的碳酸鹽樣品圖像,兩個(gè)暗區(qū)分別是濃度為0%和100%的碳酸鹽樣品圖像。并通過(guò)實(shí)驗(yàn)數(shù)據(jù)得到苯乙烯和丁二烯的近似關(guān)系式:LS/Lｂ=2 5該研究結(jié)果表明,人工神經(jīng)網(wǎng)絡(luò)與其它分析手段(主成分分析法和最小二乘法)相比,神經(jīng)網(wǎng)絡(luò)是最可靠而且有效的分析工具。并證明,對(duì)于中濃的碳酸鹽(50%)來(lái)說(shuō),誤差要比最小二乘法(苯乙烯為6%,丁二烯為11%,碳酸鹽為5%)小。

　　此外,徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(ＲＢF)已經(jīng)用于模擬生產(chǎn)過(guò)程中紙的光學(xué)性質(zhì)[24],利用多重分辨率分析和快速正交檢索訓(xùn)練技術(shù)來(lái)映射過(guò)程變量和成紙的光學(xué)性質(zhì)(亮度和透明度)之間的關(guān)系。同時(shí),人工神經(jīng)網(wǎng)絡(luò)還可用于提高紙頁(yè)的平滑度[25],控制漿料的游離度[26]等。

　　10　結(jié)束語(yǔ)　　

　　人工神經(jīng)網(wǎng)絡(luò)是一種新的預(yù)測(cè)與控制技術(shù),又是一種適用廣泛的黑箱建模方法,不僅可以應(yīng)用在造紙工業(yè)過(guò)程控制,也可用于一些基礎(chǔ)研究方面。根據(jù)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)特性,在造紙工業(yè)中具有潛力的應(yīng)用研究前景的課題可能包括以下幾個(gè)方面[27]:(1)纖維原料種類識(shí)別;(2)對(duì)于紙頁(yè)勻度及紙漿絮聚度的定量分析和評(píng)價(jià);(3)印刷用紙的印刷適應(yīng)性評(píng)價(jià);(4)各種光譜譜圖的解析與各種官能團(tuán)的智能識(shí)別。

　　可見,人工神經(jīng)網(wǎng)絡(luò)技術(shù)不僅解決了很多利用傳統(tǒng)方法不能解決的難題,而且可以大幅度地提高紙張的質(zhì)量和檔次,增加企業(yè)的經(jīng)濟(jì)效益,因此必將為造紙工業(yè)的發(fā)展帶來(lái)新的契機(jī),人工神經(jīng)網(wǎng)絡(luò)在推動(dòng)造紙工業(yè)進(jìn)步中具有廣闊的應(yīng)用前景。