位于英国Workington的Iggesund纸板公司，其生产线上主要有五个造纸机，运行每个造纸机至少需要消耗15兆瓦的能量。节约能源对于降低我们 的运营成本至关重要，因此，我们需要一个解决方案，以优化我们能源的使用效率，同时确保造纸机能够生产出最终纸板成品所需要的纸浆。
模型设计
为了预测纸张的刚度，我们实施了基于前馈单层感知(FFSLP)结构的人工神经网络(ANN)模型。之所以我们会选择该模型，并将该模型建立于多元 线性回归(MLR)模型之上，是因为该建模过程的需求是非线性的。人工神经网络更能准确地对大量纸张材料作出预测。此外，对于所有纸张材料来说，只使用一 个模型也是很方便的，使造纸厂操作员更易于使用该系统。
对于在线监测功能，我们将人工神经网络与多元数据分析(MVDA)方法结合起来，因为该方法更适应于操作环境的改变，如纸张材料的变化。由此建立的非线性模型更能准确地预测横向(CD)抗弯刚度的机器方向(MD)偏差。
我们利用$LabVIEW软件$，并结合了闭环自适应造纸机控制系统所采用的高级自适应控制算法的人工神经网络技术，设计了该预测模型。该解决方案包含了一个脱机工具，该工具可以对不 同纸浆类型的造纸机载荷进行仿真。这无疑给操作员和开发工程师带来了机会，可以尝试不同精炼配置及比较预测最终纸板质量测量。通过利用LabVIEW软件 对改变参数后的效果进行仿真，使我们避免了昂贵的全面试验，从而节省了我们的时间和成本。
此外，LabVIEW DSC 模块可 以方便的并行运行多个模型，并且提供了直接在线性能监控功能。利用LabVIEW DSC模块，我们将模型限定在造纸厂可以正常运行的状态范围内。当变量移动到正常运行状态范围之外后，报警器就会被激活，向操作员发出系统发生问题的提示 信息，同时系统向操作员指示哪个变量发生故障以及告知解决该故障的最佳方法。
在线监测
Iggesund纸板公司在其在线操作上成功地使用了这种新模型。采用分值图的方法，当变量偏离纸浆设置点时，系统会向机器操作员发出提示信息。分值图表示每个变量主要成分分析的得分，并以一分钟的时间间隔进行更新。
图1显示了两个本征向量的分数作为横纵坐标绘制而成的一个二维监测分值图。二维分值图用于显示两个本征向量间的关系，可以用一个95%到99% 的Hotelling椭圆来表示，其定义了生产过程中的正常运行区域。这样使得操作员很容易地识别异常值。
所有相似的数据点都聚集在这个二维分值图上，各组数据点代表了生产过程中的工作点。这些图可以用来显示代表单个工作点的一组数据点，或代表多个工作 点的多组数据点。如果数据点保持在Hotelling椭圆范围内，这就表明，工作点在正常运行区域内。无论变量间的基本相关性是否有效，过程变量中的任何 异常变化都可以用这个二维分值图来清晰地显示。在载荷图的辅助下，我们可以确定问题的根源，并排除故障。
结论
我们利用LabVIEW DSC模块所建立的模型向纸板机操作员提供了实时处理信息，当变量偏离所要求的纸浆质量设置点时，系统会清晰地向操作员发出提示信息。纸浆厂操作员可以选择所需的设定点和精炼能量值，以达到最佳效果。
Iggesund纸板公司从LabVIEW DSC模块建模解决方案中获得了巨大利益。一旦该模型被实施，工厂的吞吐量将会增长1个百分点，这对大型工厂来说，可以节省大量的能源。事实上，能源消耗降低所导致的节约成本估计为每年720.000英镑。
工厂从该解决方案中获得的另一个利益是可以获得更好的质量控制，以及减少了不宜出售的板碎浆。碎浆所导致的生产损失为每小时12.000英镑。据我们估计，该模型的实施将使造纸机的正常运行时间每年提高30小时，这样每年节约的成本大约为360.000英镑。
此外，利用基于模型多元优化的LabVIEW软件，使我们也很容易地将方法和技术应用于其他生产过程领域中。这就为未来生产过程的优化提供了一条途径，而无需使用大量的软件开发包。
作者信息
Matt Taylor
Iggesund Paperboard Workington Mill
英国

（原文可点击：http://sine.ni.com/cs/app/doc/p/id/cs-12774）