Gloss model for an on-line multinip calender

Abstract

Osaksi paperikonetta integroidut on-line monitelakalanterit ovat nopeasti yleistyneet investointikustannusten sekä paperinvalmistusprosessin työvaiheiden karsimisen myötä. On-line kalanteroidun paperin laatu sekä kalanterin ajettavuus ovat riippuvaisia kalanteria edeltävien prosessivaiheiden tuottaman paperin laadusta.. Erilaisista paperin laatuprofiilien virheistä huolimatta on-line kalanterin viimeistelemän paperin on oltava paperitehtaan loppuasiakkaan vaatimusten mukaista ja sitä on kyettävä tuottamaan keskeytyksettä ja kustannustehokkaasti. Tämä on asettanut paperikoneiden nopeuden kasvun ohella uusia haasteita monitelakalantereiden säätöjärjestelmille. On syntynyt tarve kehittää prosessiyhtälöitä kuvaamaan SC-paperin laatuominaisuuksia, jotta pystytään kehittämään on-line monitelakalanteriin kiillon säätöjärjestelmä, joka kykenee reagoimaan paperikoneelta tulevassa kalanteroimattomassa paperissa tapahtuviin muutoksiin oikein sekä riittävän tehokkaasti.

Työn tavoitteena oli kehittää matemaattinen malli kalanteroidun paperin kiillon ennustamiseen prosessidatasta on-line ympäristössä.

Työn kirjallisuusosassa perehdyttiin ensin SC-paperiin tuotteena sekä on-line monitelakalanteroinnin perusteisiin. Kirjallisuusosassa esitetään seuraavaksi nykyaikaisen kalanterin ohjaus- ja säätöstrategiat. Lisäksi kirjallisuusosassa on käyty lävitse malliprediktiivisen säädön perusteet. Kokeellisen osan mallinnuksen perusteiksi on kirjallisuusosassa esitelty tunnetuimmat kirjallisuudessa esiintyvät kalanterointimallit sekä mallinnustyökaluina faktorianalyysi, regressioanalyysi sekä neuroverkot.

Työn kokeellisessa osassa on luotu regressiomallit tutkimusmittakaavaisella kalanterilla ajettujen koeajojen datan sekä paperitehtaasta kerätyn datan avulla paperin ylä- ja alapuolen kiillolle monimuuttujaregressiota, faktoriregressiota ja polynomiregressiota hyväksikäyttäen. Lisäksi on luotu neuroverkkomallit samaa dataa hyväksikäyttäen paperin ylä- ja alapuolen kiillolle.

Kokeellisessa osassa on esitetty sekä tutkimusmittakaavassa ajettujen koeajojen datan, että tehtaalta kerätyn datan analyysi tunnuslukuineen, mallinnuksen tulokset sekä saadut regressio- ja neuroverkkomallit paperin ylä- ja alapuolen kiillolle. Työn kokeellisessa osassa käytetyt mallinnustekniikat perustuvat työn kirjallisuusosassa esiteltyihin menetelmiin. Käytetyt menetelmät ovat yleisesti tunnettuja ja kirjallisuusosan perusteella käytännölliseksi havaittuja.

Kokeellisessa osassa luoduista regressiomalleista käyttökelpoisimmiksi osoittautuivat polynomiregressiomallit. Myös faktoriregressiomallit ennustivat kalanteroidun paperin kiiltoa hyvin, mutta mallit muodostuivat erittäin monimutkaisiksi ja siten käyttökelvottomiksi. Polynomiregressiomallit olivat selvästi suorituskykyisempiä, kuin monimuuttujaregressiomallit ja ne ovat osoittautuneet jatkokäytössäkin käyttökelpoisiksi niin T&K työssä, kuin säätimen suunnittelussa. Neuroverkkomallien avulla saadut tulokset olivat rohkaisevia ja niitä voidaan työssä saatujen kokemusten perusteella pitää luotettavina.