论文部分内容阅读
热磨工序是纤维制备的重要工序之一,同时也是纤维板生产中能耗较大的工序,纤维热磨能耗约占生产总能耗的40%,热磨获取的纤维质量直接关系到成品纤维板性能,进而影响企业的产品质量与生产效益。本文通过引入BP神经网络方法,以建立纤维热磨过程能耗预测模型为主要研究目的,探索生产工艺参数对纤维热磨能耗与纤维质量的影响规律,根据建立的预测模型,调整生产工艺参数大小,预测纤维热磨能耗及纤维质量,寻求满足热磨过程低能耗和高纤维质量平衡点的工艺参数。结合纤维热磨生产工艺流程分析结果,确定纤维热磨能耗和纤维质量的影响因素,利用灰色关联法,判断影响因素与纤维热磨能耗和纤维质量的关联程度,根据关联程度的高低,确定纤维热磨能耗预测模型的训练数据为蒸煮压力、树皮含量、磨室压力、出料螺旋转速、木片含水率和热磨机单位能耗；纤维质量预测模型的训练数据为树皮含量、蒸煮压力、排料阀开启度、出料螺旋转速、磨室压力和纤维筛分值(20～120目),据此提出纤维热磨能耗预测模型和纤维质量预测模型的设计方案。利用BP神经网络方法,建立纤维热磨能耗和纤维质量预测模型。模型建立过程中,对模型训练数据进行归一化处理,确定模型的结构参数,包括网络层数为3层、隐含层节点数为8个、隐含层传递函数为tansig函数、输出层传递函数为logsig函数、训练方式为批量学习方式、训练函数为train函数、网络学习算法为traingda；构造可用于预测模型的训练样本,对模型进行训练,获得预测模型,模型训练结果的最大相对误差为4.26%；对预测模型的可靠性进行验证,得出预测结果的最大相对误差为3.33%。基于预测模型的可靠性,结合单一变量法,分别预测主要影响因素对纤维热磨能耗和纤维质量的影响趋势；利用模型预测多因素改变下的热磨机单位能耗和纤维筛分值(20-120目)的值；利用预测模型对生产数据进行预测,预测结果与实际值对比,纤维热磨能耗预测模型的预测结果平均相对误差为1.27%,纤维质量预测模型的预测结果平均相对误差为1.99%,验证模型的准确性；并以树皮含量为研究对象,研究其取值范围对纤维热磨能耗和纤维质量影响,综合分析模型预测结果和生产成本,确定该工况下,最佳树皮含量为13.2%,满足生产对纤维质量和纤维热磨能耗的要求,且生产成本最低。纤维热磨能耗和纤维质量的准确预测,对降低纤维板生产能耗、提高纤维板质量并优化生产工艺、实现纤维板生产系统节能运行具有重要的理论指导意义和现实意义。