造纸企业电机能效提升经济可行性分析

制浆造纸过程在生产中需要消耗大量的电能。为提高能效水平,造纸企业需定期对电机进行更换升级。然而,电机在淘汰更新过程中,其能效提升缺少科学的评估依据。通过对电机生命周期成本及净节约量进行分析,可有效评估电机能效提升的经济可行性。通过对东莞某造纸企业旧电机能效提升问题进行研究,发现(1)相比选用三级能效新电机来替换旧电机而言,选用二级能效新电机的生命周期净节约量约高1009;(2)若新更换的二级能效电机,经政府补贴后的价格低于旧电机价格的1.4倍,则新更换的电机更具经济可行性。     

锚拉桩基坑支护工程失效的加固处理

针对成都东部地区的基坑边坡遇水后容易发生侧向位移,导致初期支护变形超限的难题,通过一个实际工程,介绍了锚拉桩基坑支护工程变形超限后的加固处理方案,可为类似工程提供指导和经验。     

基于机器学习的箱纸板质量预测模型构建及比较

箱纸板生产涉及一系列复杂工艺流程,且由于缺乏关键质量的在线监测手段,进而导致质量管控困难。为此,本研究尝试基于机器学习方法建立可在线监测箱纸板质量的预测模型,也称软测量模型,以促进上述问题的有效解决。本研究采用箱纸板企业实际数据,训练并比较了随机森林（RF）、梯度提升回归（GBR）、K近邻回归（KNN）及偏最小二乘回归（PLS）在多项质量指标上的预测表现。结果表明,不同质量指标本身很大程度上影响了预测精度的上限,而不同算法对理论上限的逼近程度有显著差异。复杂、非线性的集成模型（RF、GBR）相较于简单模型（KNN、PLS）有更好的表现。     

造纸废水处理过程温室气体排放代理模型研究

造纸废水处理过程具有高维、非线性和不稳定性等特点,并且其温室气体排放受诸多因素影响,目前缺乏可描述该过程的模型,因此难以对造纸废水处理过程的温室气体排放进行有效地管控与优化。本课题基于造纸废水处理温室气体产生机理,提出将响应面模型（Response Surface Model,RSM）、Kriging等方法与高维模型表征（High Dimensional Model Representation,HDMR）相结合,建立造纸废水处理过程中温室气体排放的代理模型,保障模型精度,同时降低优化设计所需计算成本。研究结果表明,对比于RSM-HDMR,Kriging-HDMR具有更高的近似精度,其验证结果R²大于0.95,更适用于高维、非线性的造纸废水处理过程。最后还基于Kriging-HDMR进行了关键参数的灵敏度分析,发现溶解氧传递系数和外循环流量对造纸废水处理温室气体减排最为关键。     

基于DNN-LSTM的造纸废水处理过程温室气体排放分析模型

本研究采用深度学习算法,对造纸废水处理过程的温室气体(GHG)排放进行建模与分析,以期为温室气体减排控制提供参考。结合造纸废水处理温室气体产生机理,在基准仿真1号模型(BSM1)的实验基础上,将深度神经网络(DNN)模型和长短期记忆网络(LSTM)模型用于造纸废水处理过程中温室气体排放建模与分析,以辅助温室气体在线监测和分析。结果表明,深度学习模型可以有效地捕捉温室气体排放的特征。模型验证结果 R²>0.99,平均相对误差不超过1%。基于DNN的灵敏度分析结果表明,曝气强度、污泥排放量、溶解氧浓度及内循环流量是影响造纸废水处理过程温室气体排放的关键操纵变量,水质变量和操纵变量间的相互作用是影响温室气体排放的潜在因素。     

基于NSGA-II算法的柔性流水车间优化调度模型的构建与应用

为解决造纸企业的高效优化排产问题,使机器利用率最高、减少产品切换次数以及满足客户对产品的时间需求,构建了以成本及最大完工时间最小化为优化目标的两阶段柔性流水车间调度优化模型,并通过一种快速非支配遗传算法（NSGA-II）来求解该模型。结果表明,与人工排产相比,NSGA-II得到的排产结果缩短了约6.5%的最大完工时间,降低了约4.7%的生产成本。     

面向造纸园区的多能协同调度模型

本课题提出了一种多种能源协同互补的调度方法,以提高风电与光伏发电消纳水平,促进造纸园区节能降碳。本方法在造纸园区全年用能负荷的基础上,利用机器学习技术建立了代表全年用能负荷情况的特征日获取模型;基于综合经济成本和与环境成本,建立了风-光-热-电-储协同的多能调度模型。在多个典型场景下,对模型运行结果进行验证发现,本方法可在保证用能需求的前提下,有效提升造纸园区功能系统的低碳化水平。     

基于弹性网络算法的多缸干燥部关键参数预测模型

纸页干燥过程的排风温度、排风湿度和纸幅湿度是反映干燥部运行状态和工艺合理性的重要参数,其预测控制对干燥部的运行优化和节能降耗具有重要的意义,传统的机理预测模型面临一些过程变量难以准确确定的问题。随着工业大数据的发展,基于数据驱动的方法为建立纸页干燥过程关键参数的预测模型提供了一条有效的途径。通过相关性分析从生产数据中选取与关键参数相关的特征变量作为模型的输入,采用弹性网络算法建立前烘干燥部的排风温湿度和纸幅湿度预测模型。结果表明,采用弹性网络算法建模的预测结果更贴近实际变化趋势,预测模型的平均相对误差均小于7%,比SVR模型低2%以上。模型为验证干燥部操作变量的调控合理性提供了一种有效的验证方法,为工业用纸干燥过程的优化控制提供了新的依据。     

基于深度强化学习的造纸废水处理过程多目标优化

本课题提出了一种基于多智能体深度强化学习的动态优化方法,以期实现造纸废水处理过程的运行成本和能耗的协同优化。实验采用了基准仿真1号模型（BSM1）模拟造纸废水处理过程的生化反应和沉淀过程,并利用模型数据对强化学习智能体进行训练,最后用实际的造纸废水数据对搭建的模型系统进行验证。结果表明,基于多智能体深度强化学习的废水处理系统能够保障排水质量,实现成本与能耗的多目标优化控制,其性能表现优于传统方法。     

基于区域能源管理云平台的工业能效指数构建及分析

本文基于区域能源管理云平台的企业能耗数据,选取产品单耗、产值能耗、能源加工转换效率、能效数据质量和能源消费结构5个维度指标,构建了工业能效指数(EEI)模型。根据该模型,在东莞市能源管理云平台基础上开发了"能效指数"模块,该模块能够自行采集各类数据源的数据,然后通过EEI模型运算实现相关能效分析,自动生成能效分析月度报告,为节能主管部门的决策提供参考。