CN111091153B - 一种纸页松厚度软测量方法 - Google Patents
一种纸页松厚度软测量方法 Download PDFInfo
- Publication number
- CN111091153B CN111091153B CN201911306620.7A CN201911306620A CN111091153B CN 111091153 B CN111091153 B CN 111091153B CN 201911306620 A CN201911306620 A CN 201911306620A CN 111091153 B CN111091153 B CN 111091153B
- Authority
- CN
- China
- Prior art keywords
- model
- data
- soft measurement
- bulk
- modeling
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000691 measurement method Methods 0.000 title description 5
- 238000005259 measurement Methods 0.000 claims abstract description 52
- 239000000835 fiber Substances 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000004519 manufacturing process Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012795 verification Methods 0.000 claims abstract description 8
- 238000003066 decision tree Methods 0.000 claims abstract description 7
- 238000012706 support-vector machine Methods 0.000 claims abstract description 7
- 238000004451 qualitative analysis Methods 0.000 claims abstract description 5
- 238000013480 data collection Methods 0.000 claims abstract description 4
- 238000010219 correlation analysis Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 4
- 238000004537 pulping Methods 0.000 claims description 4
- 238000004804 winding Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000007405 data analysis Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000011002 quantification Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims 1
- 238000010801 machine learning Methods 0.000 abstract description 2
- 239000000123 paper Substances 0.000 description 32
- 230000006870 function Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000011087 paperboard Substances 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/34—Paper
- G01N33/346—Paper sheets
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Food Science & Technology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Paper (AREA)
Abstract
本发明公开了一种纸页松厚度软测量方法,包括以下步骤:S1、基于生产过程中关键建模数据的采集,包括数据库及现场变量数据采集。S2、定性分析采集变量数据与松厚度的关联,对变量数据进行数据预处理,达到纤维形态软测量建模及纸页松厚度软测量建模的要求。S3、针对满足建模要求的数据,结合支持向量机算法,建立纤维形态软测量模型。S4、针对满足建模要求的数据进行特征选择,结合梯度提升决策树算法,建立纸页松厚度软测量模型,然后利用现场的数据进行模型有效性验证。本发明的优点是:通过机器学习方法建立纸页松厚度软测量模型,模型预测速度快且精度良好,可以较准确的实现对所有纸张松厚度实时的软测量,提高产品合格率。
Description
技术领域
本发明涉及造纸纸页物理指标预测技术领域,特别涉及一种基于支持向量机和梯度提升决策树组合算法的纸页松厚度软测量方法。
背景技术
纸和纸板的松厚度是企业和用户都比较关注的重要指标,其对产品的成本和产品的性能有重要影响,对企业而言,高松厚度纸张可以减少纤维的用量,进而降低成本。
目前,企业对纸张松厚度的检测主要基于离线仪器,生产的产品具有不合格率高、漏判率高等问题。生产上。利用仪器进行质量检测所耗费的人力物力资源高,并且质检无法实现对所有产品的覆盖。导致企业不仅需要花费更多的人工及设备成本来检测原纸松厚度指标,而且在企业现有对原纸进行抽检的方式下,也会有一些未被检测的产品存在质量不合格的隐患,给消费者带来较差用户体验的同时增加了企业经济损失。
因此对原纸产品的松厚度指标进行全部、实时的质检对造纸企业来说十分重要。传统基于仪器的检测由于滞后性,无法及时有效地检测原纸的质量,并反馈到实际生产中去,来指导实际进行高效稳定的生产合格产品。同时也会导致产品质量波动较大,生产原材料的资源浪费。因此,在提倡工业智能制造的大背景下,利用智能算法建立数学模型,对生活用纸原纸的松厚度进行精确的在线预测是亟需解决的问题。
发明内容
本发明针对现有技术的缺陷,提供了一种纸页松厚度软测量方法,解决了现有技术中存在的缺陷。
为了实现以上发明目的,本发明采取的技术方案如下:
一种纸页松厚度软测量方法,包括以下步骤:
S1、基于生产过程中关键建模数据的采集,包括数据库及现场变量数据采集。所述变量数据包括:浆料纤维形态测量、磨浆机的功率、通过量、纸机的卷取率和冲浆泵电流。
S2、定性分析采集变量数据与松厚度的关联,对变量数据进行数据预处理,达到纤维形态软测量建模及纸页松厚度软测量建模的要求。
S3、针对满足建模要求的数据,结合支持向量机算法,建立纤维形态软测量模型。
S4、针对满足建模要求的数据进行特征选择,结合梯度提升决策树算法,建立纸页松厚度软测量模型,然后利用现场的数据进行模型有效性验证,再次采集该企业另一段时间下的生产数据,通过数据分析,数据预处理,然后利用所建模型进行预测,并与实际值进行比较,以验证模型对新数据的有效性。
进一步地,S2中,定性分析采集变量数据松厚度的关联的具体为:采集了纤维形态指标,打浆过程的磨浆机功率、通过量,纸机过程中车速、卷速、干部加热器后温度关键参数来作为纸页松厚度模型输入的选取变量数据。
进一步地,S2中所述的数据预处理来达到建模要求,是对模型的输入变量数据进行归一化处理,便于不同单位或量级的指标能够进行比较和加权,以消除不同特征量纲和数量级不同对及建模造成影响。处理方式为将所选特征变量数据压缩得到均值为0,标准差为1的新数列。具体方式如下:
其中,i=1,2,…,n为样本个数,j=1,2,…,p为样本维度。为样本在j维的均值,xij为第i个样本的j维数值,为第i个样本的j维标准化数值,Sj为样本在j维度标准差。Sj 2为样本在j维度方差。
进一步地,S4中对纸页松厚度软测量模型的特征选择,通过对预处理好的特征作相关性分析,选取对松厚度影响明显的变量数据来建模,其中,相关性分析中采用皮尔逊相关系数,其具体计算公式如下。
进一步地,S3的具体步骤如下:
S31、基于支持向量机回归模型的原理,建立纤维形态软测量模型。核函数可将低维数据映射到高维空间,将非线性问题转换为线性问题。核函数的选取原则是能够使得问题映射高位特征空间里面线性可分。对于给定的数据集,SVM模型的求解公式为如下
S32、针对所述纤维形态软测量模型及数据集,模型输入为原始浆料纤维形态,浆板配比,磨浆机功率、通过量及浓度,模型输出为磨后浆料纤维形态。采用交叉验证法,每次随机取80%的训练集来训练并调整模型参数,20%的测试集来验证参数的精度。
S33、利用步骤S32表现较好的参数来建立纤维形态软测量模型,来进行后续纤维形态的软测量。
进一步地,S4中建立纸页松厚度软测量模型的具体步骤如下:
S41、基于梯度增强回归树的模型原理,建立纸页松厚度软测量模型,记Fm(x)为总体模型函数,其具体公式如下:
其中,Fm(x)为总体模型函数,Fm-1(x)为第(m-1)个基础回归树函数,m=1,2…M为回归树棵树,βm为第m颗回归树权重,L为模型的损失函数,αm是第m颗回归树内的参数。
S42、针对相关性分析所选取的纸机工艺中的车速、卷曲率、定量、变量数据,结合纤维形态软测量模型输出的磨浆后纤维重均长度等指标,利用梯度提升回归决策树建立纸页松厚度模型。
与现有技术相比,本发明的优点在于:通过机器学习方法建立纸页松厚度软测量模型,模型预测速度快且精度良好,可以较准确的实现对所有纸张松厚度实时的软测量。该技术不仅解决了生产上无法对所有原纸产品进行松厚度的测量问题,降低人力检测成本,而且能够及时获取成纸松厚度质量,通过实时监控产品质量、发现异常来调整纸机工艺,提高产品合格率。
附图说明
图1是本发明实施例纸页松厚度软测量方法的流程图;
图2是本发明实施例中建立纤维形态软测量的模型结果图;
图3是本发明实施例中相关性分析结果图;
图4是本发明实施例中松厚度软测量模型的结果图;
图5是本发明实施例中纸页松厚度软测量模型验证结果图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下根据附图并列举实施例,对本发明做进一步详细说明。
如图1所示,一种纸页松厚度软测量方法,包括以下步骤:
S1、基于生产过程中关键建模数据的采集,包括数据库及现场数据采集。所述变量包括浆料纤维形态测量、磨浆机的功率、通过量、纸机的车速、定量等。
S2、定性分析采集变量与松厚度的关联,对变量数据进行数据预处理,达到纤维形态软测量建模及纸页松厚度软测量建模的要求。
S3、针对满足建模要求的数据,结合支持向量机算法,建立纤维形态软测量模型。
S4、针对满足建模要求的数据进行特征选择,结合梯度提升决策树算法,建立纸页松厚度软测量模型,然后利用现场的数据进行模型有效性验证。
本实施例利用上述步骤,基于SVM算法建立纤维形态软测量模型,输出为磨浆后的纤维形态。纤维形态软测量模型结果如图2所示。由图2可知,纤维软测量模型拟合精度良好,评价指标采用说明书中的平均相对误差。其中,纤维平均长度拟合平均相对误差为2.84%,扭结纤维百分比平均相对误差为3.12%,纤维平均宽度平均相对误差为2.91%,纤维平均粗度平均相对误差为3.09%,均表现良好,在软测量到上述纤维形态后,基于GBRT算法,同时结合相关性分析(结果如图3所示)选取的车速、卷速、卷取率等纸机工艺,通过上述变量选择方法,建立纸页松厚度软测量模型。松厚度软测量模型结果如图4所示。由图4可知,松厚度平均相对误差3.12%,模型精度表现较好。
建立上述纤维形态软测量模型及松厚度软测量模型之后,将其组合成纸页松厚度软测量模型,输入为原始所用浆板纤维形态、浆板配比、磨浆工艺、纸机工艺等,模型输出纸页的松厚度,并重新采集另一时段生产数据对所建立的纸页松厚度模型进行通用性验证,模型验证结果如图5所示。由图5可知,纸页松厚度软测量模型平均相对误差2.77%,模型精度表现良好。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的实施方法,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (2)
1.一种纸页松厚度软测量方法,其特征在于,包括以下步骤:
S1、基于生产过程中关键建模数据的采集,包括数据库及现场变量数据采集;所述变量数据包括:浆料纤维形态测量、磨浆机的功率、通过量、纸机的卷取率和冲浆泵电流;
S2、定性分析采集变量数据与松厚度的关联,对变量数据进行数据预处理,达到纤维形态软测量建模及纸页松厚度软测量建模的要求;
S2中所述的数据预处理来达到建模要求,是对模型的输入变量数据进行归一化处理,便于不同单位或量级的指标能够进行比较和加权,以消除不同特征量纲和数量级不同对及建模造成影响;处理方式为将所选特征变量数据压缩得到均值为0,标准差为1的新数列;具体方式如下:
其中,i=1,2,…,n为样本个数,j=1,2,…,p为样本维度;为样本在j维的均值,xij为第i个样本的j维数值,为第i个样本的j维标准化数值,Sj为样本在j维度标准差;Sj 2为样本在j维度方差;
S3、针对满足建模要求的数据,结合支持向量机算法,建立纤维形态软测量模型;
S3的具体步骤如下:
S31、基于支持向量机回归模型的原理,建立纤维形态软测量模型;核函数可将低维数据映射到高维空间,将非线性问题转换为线性问题;核函数的选取原则是能够使得问题映射高位特征空间里面线性可分;对于给定的数据集,SVM模型的求解公式为如下
S32、针对所述纤维形态软测量模型及数据集,模型输入为原始浆料纤维形态,浆板配比,磨浆机功率、通过量及浓度,模型输出为磨后浆料纤维形态;采用交叉验证法,每次随机取80%的训练集来训练并调整模型参数,20%的测试集来验证参数的精度;
S33、利用步骤S32表现较好的参数来建立纤维形态软测量模型,来进行后续纤维形态的软测量;
S4、针对满足建模要求的数据进行特征选择,结合梯度提升决策树算法,建立纸页松厚度软测量模型,然后利用现场的数据进行模型有效性验证,再次采集企业另一段时间下的生产数据,通过数据分析,数据预处理,然后利用所建模型进行预测,并与实际值进行比较,以验证模型对新数据的有效性;
S4中对纸页松厚度软测量模型的特征选择,通过对预处理好的特征作相关性分析,选取对松厚度影响明显的变量数据来建模,其中,相关性分析中采用皮尔逊相关系数,其具体计算公式如下;
S4中建立纸页松厚度软测量模型的具体步骤如下:
S41、基于梯度增强回归树的模型原理,建立纸页松厚度软测量模型,记Fm(x)为总体模型函数,其具体公式如下:
其中,Fm(x)为总体模型函数,Fm-1(x)为第(m-1)个基础回归树函数,m=1,2…M为回归树棵树,βm为第m颗回归树权重,L为模型的损失函数,αm是第m颗回归树内的参数;
S42、针对相关性分析所选取的纸机工艺中的车速、卷曲率、定量、变量数据,结合纤维形态软测量模型输出的磨浆后纤维重均长度指标,利用梯度提升回归决策树建立纸页松厚度模型。
2.根据权利要求1所述的方法,其特征在于:S2中,定性分析采集变量数据松厚度的关联的具体为:采集了纤维形态指标,打浆过程的磨浆机功率、通过量,纸机过程中车速、卷速、干部加热器后温度关键参数来作为纸页松厚度模型输入的选取变量数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911306620.7A CN111091153B (zh) | 2019-12-18 | 2019-12-18 | 一种纸页松厚度软测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911306620.7A CN111091153B (zh) | 2019-12-18 | 2019-12-18 | 一种纸页松厚度软测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111091153A CN111091153A (zh) | 2020-05-01 |
CN111091153B true CN111091153B (zh) | 2021-03-30 |
Family
ID=70396036
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911306620.7A Active CN111091153B (zh) | 2019-12-18 | 2019-12-18 | 一种纸页松厚度软测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111091153B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881715A (zh) * | 2015-05-26 | 2015-09-02 | 华南理工大学 | 一种纸厂依据废纸配比预测纸浆性能的方法 |
EP3044371A1 (en) * | 2013-09-13 | 2016-07-20 | Stora Enso Oyj | Multiply paperboard |
CN109440515A (zh) * | 2018-11-30 | 2019-03-08 | 华南理工大学 | 一种基于梯度增强回归树的造纸过程打浆度软测量方法 |
CN110455737A (zh) * | 2019-07-11 | 2019-11-15 | 中国林业科学研究院林产化学工业研究所 | 一种利用近红外光谱技术快速分析纸浆材中Klason木质素含量的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104459089B (zh) * | 2014-12-12 | 2016-05-11 | 东北大学 | 一种高浓磨浆***游离度的软测量方法 |
-
2019
- 2019-12-18 CN CN201911306620.7A patent/CN111091153B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3044371A1 (en) * | 2013-09-13 | 2016-07-20 | Stora Enso Oyj | Multiply paperboard |
CN104881715A (zh) * | 2015-05-26 | 2015-09-02 | 华南理工大学 | 一种纸厂依据废纸配比预测纸浆性能的方法 |
CN109440515A (zh) * | 2018-11-30 | 2019-03-08 | 华南理工大学 | 一种基于梯度增强回归树的造纸过程打浆度软测量方法 |
CN110455737A (zh) * | 2019-07-11 | 2019-11-15 | 中国林业科学研究院林产化学工业研究所 | 一种利用近红外光谱技术快速分析纸浆材中Klason木质素含量的方法 |
Non-Patent Citations (2)
Title |
---|
Basic effects of pulp refining on fiber properties—A review;SamiraGharehkhani等;《Carbohydrate Polymers》;20150122;第115卷;第785-803页 * |
基于梯度增强回归树算法的磨浆过程打浆度软测量模型;孟子薇等;《造纸科学与技术》;20190228;第38卷(第1期);第84-87页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111091153A (zh) | 2020-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110634080A (zh) | 异常用电检测方法、装置、设备及计算机可读存储介质 | |
CN106404441B (zh) | 一种基于非线性相似度指标的故障分类诊断方法 | |
CN107703097B (zh) | 利用近红外光谱仪构建快速预测原油性质的模型的方法 | |
CN111949939B (zh) | 基于改进topsis和聚类分析的智能电表运行状态评价方法 | |
CN107885928A (zh) | 考虑测量误差的步进应力加速性能退化可靠性分析方法 | |
CN102357933B (zh) | 一种基于橡胶混炼过程的质量实时监控方法 | |
CN105334185A (zh) | 基于光谱投影判别的近红外模型维护方法 | |
CN109034483A (zh) | 一种基于质量功能配置的检测规划方法 | |
CN106384256A (zh) | 基于指标体系动态变化的供电服务满意度动态测评*** | |
CN105868164A (zh) | 一种基于有监督的线性动态***模型的软测量建模方法 | |
CN116167640A (zh) | 一种lcp薄膜生产质量检测数据分析方法及*** | |
CN104596981A (zh) | 一种近红外光谱结合pls-da区分造纸法再造烟叶产品的方法 | |
CN110320337A (zh) | 一种带钢表面质量自动判级***和方法 | |
CN113158558B (zh) | 一种高速铁路路基连续压实分析方法、装置及分析仪 | |
CN111091153B (zh) | 一种纸页松厚度软测量方法 | |
CN101650359A (zh) | 一种基于知识融合机器学习算法的煤热值软测量方法 | |
CN107871215A (zh) | 一种标准对经济发展影响评估模型及验证方法 | |
CN112651173A (zh) | 一种基于跨域光谱信息的农产品品质无损检测方法及可泛化*** | |
CN111024557B (zh) | 一种纸页吸水性软测量方法 | |
CN111309958A (zh) | 一种基于插值运算的光谱重构方法 | |
CN114800036B (zh) | 一种设备健康状态评估方法 | |
CN111861271B (zh) | 一种管道保温性能的评价方法 | |
CN104596978A (zh) | 近红外漫反射光谱技术测定造纸法再造烟叶物理指标定量的方法 | |
CN112734208B (zh) | 燃煤验收监测装置、方法、设备以及可读存储介质 | |
CN111079344A (zh) | 一种纸页柔软度测量方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |