在造紙工業自動化控制中運用人工神經網絡進行建模和工藝優化的研究日趨深入，人工神經網絡因其具有逼近任意非線性函數的能力，具有自學習、自適應能力以及可以多輸入、多輸出，使其在造紙過程的各個領域都有成功運用的范例，涉及了從蒸煮、漂白、施膠系統直至紙頁翹曲的控制、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程的各個環節，在煙道氣中氮、硫等有害物質的排放預測中，神經網絡的bp算法和模型都有著成功的應用。人工神經網絡在這些方面的應用，解決了許多傳統方法不能解決的問題，整體上提高了紙頁的質量。下面就人工神經網絡在造紙工業過程中的一些應用實例進行介紹。

1人工神經網絡對于蒸煮過程的研究

由于蒸煮過程是一個極為復雜的非線性過程，很難能用一個十分精確的數學模型來描述這個過程。因此，利用現有的操作信息來控制蒸煮過程是極為困難的。

而實驗證明，利用人工神經網絡則可以有效地控制蒸煮過程。下面主要介紹對于卡伯值以及Ｈ因子的控制與研究。

1 1對間歇蒸煮卡伯值的研究與控制[1]在蒸煮過程中，脫木素的程度可以由卡伯值來衡量，它代表紙漿中木素含量的高低，是蒸煮過程紙漿的主要質量指標之一，且紙漿的目標卡伯值是蒸煮結束的主要標志。卡伯值在蒸煮過程中是變化的，不能被直接測量，但可以根據蒸煮溫度和蒸煮液濃度來估計。

(1)卡伯值估計:Williams等人根據蒸煮過程控制的非線性，研究使用模糊神經網絡(FNN)來估計卡伯值[2]。所測量的參數是溫度和有效堿，把它們輸入到模糊神經網絡中，然后輸出得到卡伯值的估計值，并通過對網絡進行訓練來學習繪制輸入變量(蒸煮溫度和有效堿含量)和輸出變量(卡伯值)之間的關系圖。訓練數據通過非線性模型來獲得。根據實際的間歇蒸煮工藝，模擬時間是2ｈ。初始權值設為零，在反向傳播中的學習速率從0001到00001。相應于72000次均方差為0503的重復訓練，訓練在80個訓練值的900次表達后停止。

(2)卡伯值控制:研究中利用FNN控制器控制溫度和循環液流速來實現對卡伯值的控制。FNN控制器中輸入的是參考卡伯值和估計值之間的誤差ｅ(ｋ)和誤差增量△ｅ(ｋ)，輸出的是藥液循環溫度Ｔｒ和流速Fｒ。

1 2對連續蒸煮卡伯值的預測許多研究者因為神經網絡有黑箱的弱點而拒絕使用，即對神經網絡為什么給出一種這樣或那樣的決策作出恰當的解釋是非常困難的。因此人們將模糊理論與神經網絡結合，形成更高的智能系統[3]。例如Musavi等人發展了神經模糊系統(ＮFS)，在連續蒸煮器中來預測卡伯值。神經模糊系統技術利用Ｋ因子模糊器和改良模糊消除器[4]。模糊規則的基礎決定于實驗觀測到的輸入/輸出數據，這些數據經過了一個迭代規則，即置信矩陣訓練算法和一個最大/最小模糊推理引擎。

這種引擎用于規則解釋程序。同時利用一種混合式的反向傳遞—遺傳算法訓練程序來調諧各元件的作用。此外，鄢烈祥等人將神經網絡降維分析法應用于制漿蒸煮過程，揭示出了蒸煮工藝參數間的內在聯系和對紙漿得率及卡伯值的關系[5]。優化計算結果表明:對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，適當降低保溫時間，減少用堿量和蒽醌用量，能明顯提高紙漿得率，降低操作費用，提高經濟效益。

1 3對紙漿卡伯值的Ｈ因子控制Ｈ因子是用木素反應的活化能計算的蒸煮相對反應速率與時間作圖所得曲線下的面積，其數值的實質是蒸煮過程的木素脫除量。換句話說，一定的Ｈ因子數對應紙漿中一定的殘余木素量[6]。用人工神經網絡方法，可以在一定的蒸煮條件下，來確定多少的蒸煮Ｈ因子，來達到所需的紙漿硬度，即進行蒸煮過程紙漿卡伯值的控制。羅琪等人建立了蒸煮過程中的紙漿卡伯值的人工神經網絡模型[7]，如圖1所示。他們利用bp控制網絡以紙漿的卡伯值(以高錳酸鉀值計)、用堿量(%)和液比為輸入參數，Ｈ因子作為輸出參數，隱層的節點數選為6個，其中訓練步長α=0 1，沖量因子η=0 6。然后確定優化目標，即形成紙漿的目標卡伯值，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人工神經網絡在漂白中的應用

紙漿漂白過程是一個多變量多指標的工藝過程，實現其優化操作有一定的困難，這是由于紙漿漂白過程的機理較復雜，目前還不能建立起漂白指標與影響因素間的機理模型，而用傳統的回歸分析方法同時建立多個指標的回歸方程精度難以滿足要求[9]。紙漿漂白工藝條件的優化是一個非線性多約束優化問題，用常規計算方法得到的最優點往往在約束線的邊界和交點處，一旦操作點偏離最優點，某個或某幾個指標就會急劇地變差。因而對于這種難以建立精確數學模型又是多約束的非線性優化問題，尋求最優點的實用價值不大。有實際意義的做法是進行區域優化，即尋求比最優點稍遜，但能協調各個指標使之都達到較滿意的穩定操作區域。鄢烈祥等人將人工神經網絡技術用于紙漿漂白工藝過程，建立了漂白因素與漂白效果的網絡模型。

實驗證明，用實驗數據對網絡訓練后，網絡能準確預報漂白效果[10]。此外他們還將神經網絡和統計分析結合起來，提出了確定漂白工藝的區域優化方法，將漂白試驗數據的各個指標進行綜合評定分成好壞兩類后，應用人工神經網絡的高度分類功能來識別漂白效果的好壞類別，實現對漂白工藝操作的預測[11]。

3神經網絡在煙道氣排放控制與預測中的應用[12]

制漿造紙廠的排放受到越來越嚴格的法規限制。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量方法，是采用連續排放監測系統(cＥMS)進行監測，但這種系統的精確度和可靠性達不到新的地方排放標準，并且購買、安裝和維護費用也很高，而且監測的可靠性和精確性也不高。為了提高監測的可靠性和精確性，同時節省開支，基于人工神經網絡的預測性排放監測系統(ＰＥMS)，作為連續排放監測系統的替代方式，正得到廣泛的接受。ＰＥMS利用數學模擬技術，配合有力的軟件系統，由與其它已知工藝限值的關系推出排放測量數據，而不是直接地進行測量。

ＰＥMS使用的神經網絡軟件包由三部分組成:(1)數據采集和預處理；(2)網絡訓練；(3)網絡驗證。采用ＰＥMS在保證測量精度的條件下有效地降低了煙道氣有害物質的監控費用，實驗證實，基于人工神經網絡的ＰＥMS預測結果與硬件分析器的實際測量結果的相關性超過95%。