Utilização de rede neural artificial para controle de variáveis que causam encanoamento diagonal de papéis, em máquina industrial de papel cartão

Abstract

A estabilidade dimensional do papel pode sofrer alterações devido a troca de umidade do meio, liberando o stress latente adquirido no processo de fabricação. Um dos resultados dessa liberação de tensões é o encanoamento diagonal, ou também conhecido por twist. Na indústria de papel, as medições laboratoriais são importantes para garantir a qualidade final do material entregue ao cliente. Particularmente na medição do encanoamento diagonal, as amostragens são feitas no final de cada rolo jumbo, demandando tempo para eventuais correções, por parte da operação. Com essas pressuposições, este estudo tem por objetivo realizar uma análise de sensibilidade das diferentes variáveis de entrada de uma máquina industrial de papel, juntamente com algumas medições laboratoriais, relacionadas à propriedade do papel denominada de encanoamento diagonal e propor redes neurais artificiais para, no futuro, serem usadas como um sensor virtual no processo de produção industrial. Inicialmente foi feito um levantamento do histórico de produção para observar os produtos com as maiores perdas de qualidade. A partir disso, correlacionados com os pontos críticos do perfil de medição na direção CD, foram confeccionadas três redes neurais artificiais, do tipo Multi-Layer Perceptron (MLP), para predizer três setores do perfil da máquina de papel, sendo, o lado do comando (LC), meio de máquina (M) e lado do acionamento (LA). Encontramos algumas alterações na ordem em que as variáveis correlacionavam com o encanoamento diagonal. A partir da análise de sensibilidade, foi revelado, que a variável mais importante e sensível, respectivamente para o lado comando, meio e acionamento da máquina, foram fluxo total da caixa de entrada da camada cobertura, pressão de vapor no 6o grupo e fluxo de massa lateral da camada base do papel cartão (Module Edge). Os coeficientes de correlação para as RNA’s foram de 0,426; 0,557 e 0,597, respectivamente, nesta ordem, para os setores do LC, M e LA. Portanto, nos permitindo concluir que os resultados indicam que os modelos são aptos para representar o processo.

The dimensional stability of the paper may change due to exchange moisture middle, releasing the stress acquired in the manufacturing process. One result of this release of tension is the diagonal curl, or also known as twist. In the paper industry, laboratory measurements are important to ensure the final quality of the material delivered to the customer. Particularly in twist measurement, sampling are made at the end of each jumbo roll, demanding time for any corrections, by operation. With these assumptions, this study aims to do a sensitivity analysis of the different input variables of an industrial board machine, along with some laboratory measurements, related with the property of the paper called diagonal curl (twist) and propose artificial neural networks for, in the future, be used as a virtual sensor. Initially, a survey was made of the production history, to observe the product with the largest quality losses. From this, correlated with the critical points of measurement profile in the CD direction. Were made three artificial neural networks, Multi-Layer Perceptron (MLP) type to predict the three sectors of the profile of the paper machine. Being, the front side (FS), middle of profile (M) and drive side (DS). We found some changes in the order in which variables correlated with twist, from the sensitivity analysis, it was revealed that the most important variable and sensitive, respectively for the FS, MS and DS were total flow from the top layer headbox, vapor pressure in the 6th group and flow lateral mass of the paperboard bottom layer (Module Edge). The correlation coefficients for RNA's were 0.426, 0.557 and 0.597, respectively, in this order, for the sectors of the FS, M and DS. In conclusion, the results allow us to indicate that the models are able to represent the process.