CN104881715A - 一种纸厂依据废纸配比预测纸浆性能的方法 - Google Patents

Abstract

本发明公开了一种纸厂依据废纸配比预测纸浆性能的方法，步骤包括：(1)采集工厂一段时间内的废纸配比和纸浆性能检测数据；(2)整理数据，将每一组废纸配比和性能指标作为一组样本，对每一组样本进行数据预处理；(3)基于预处理后的数据，求出每一配比下所对应的各纸浆性能指标的平均值，将该平均值作为这组废纸配比的纸浆性能指标的理论参考值；(4)采用支持向量机训练样本数据，得到废纸配比预测纸浆性能的模型；(5)利用生产过程中积累的新数据，更新建模样本集，并重新训练模型。该方法简便易行，具有模型训练和预测速度快、预测精度高的优点，可以为造纸企业提供依据废纸配比预测纸浆性能的快速预测工具。

Description

一种纸厂依据废纸配比预测纸浆性能的方法

技术领域

本发明涉及造纸技术领域，尤其涉及一种纸厂依据废纸配比预测纸浆性能的方法。

背景技术

废纸种类的不同，其纤维种类、成分以及性能等差异很大，这也直接决定了不同种类的废纸纸浆性能之间的差异。通常，纸厂会采购多种不同类型的废纸，以混合制浆的方法来保证纸浆品质的要求。掌握废纸配比与纸浆性能之间的关系对于以废纸为原料的造纸企业来说具有重要的意义，例如，提前预知粗浆塔出口处纸浆白度对于后续漂白阶段减少化学品用量、降低生产成本具有积极的意义。目前，在实际的废纸制浆过程中，废纸配比的选择主要凭借人工经验。该方法的缺点是完全凭借主观经验来配比，预测纸浆的性能，存在极大的不确定性，因此导致废纸浆的性能指标波动很大，不能保证纸张成品的品质。目前，还没有一种有效的、能够通过废纸配比来预测纸浆性能指标的定量预测方法。

虽然与其他质量稳定的造纸原材料相比，废纸来源和品质受多方面因素的影响，如纤维原料、制浆方法、打浆工艺、印刷加工方法、纤维循环回用次数、存放时间和存放环境条件等等，这些因素导致了在实际生产过程中纸浆的性能指标波动频繁，这也是难以建立纸浆性能指标与废纸配比之间机理模型的原因。但是纸厂生产过程中的历史数据已经隐含了废纸原材料的诸多特性，因此利用数据挖掘与机器学习的方法，可以从大量数据中寻找废纸配比与纸浆性能指标之间的关系模型，为造纸企业确定合适的废纸配比提供科学的定量方法。

发明内容

本发明的目的在于克服现有技术，仅仅依靠人工经验配比废纸用量所带来的纸浆性能指标剧烈波动的缺陷，提供一种纸厂依据废纸配比预测纸浆性能的方法。

本发明通过下述技术方案实现：

一种纸厂依据废纸配比预测纸浆性能的方法，包括如下步骤：

步骤(1)：采集工厂2至3年内的废纸配比和纸浆性能检测数据，将数据集合作为模型的建模数据库，具体包括每一组配比使用期间各废纸种类及用量比例、粗浆塔出口处纸浆的白度、灰分、贮浆塔送浆泵出口处纸浆的叩解度和抗张强度；

步骤(2)：整理数据，将每一组废纸配比和性能指标作为一组样本，对每一组样本进行数据预处理；

步骤(3)：基于预处理后的数据，求出每一配比下所对应的各纸浆性能指标的平均值，将该平均值作为这组废纸配比的纸浆性能指标的理论参考值的样本数据；

步骤(4)：采用支持向量机(SVM)训练步骤(3)中得到的样本数据，得到基于废纸配比预测纸浆性能的模型；

步骤(5)：使用生产过程中积累的数据更新数据库，并重新训练模型。

上述步骤(2)中对每一组样本进行数据预处理，具体是：首先剔除纸浆性能检测数据表中的空值，然后采用3σ准则(拉依达准则)对数据中的不符合要求的数据进行剔除，对采样频率大于0.5次/小时的指标采用[μ-2σ,μ+2σ]作为数据的可信区间，对采样频率小于0.5次/小时的指标，采用[μ-3σ,μ+3σ]作为可信区间。

步骤(4)中采用支持向量机(SVM)训练步骤(3)中得到的样本数据的具体步骤是：

(1-1)以各废纸纸种的用量比例作为模型的输入，即输入向量(X₁，X₂，…X_n)，X_i表示第i种废纸的用量比例，共n种废纸；以一个纸浆性能指标作为模型的输出Y；训练数据样本表示为(X,Y)；

(1-2)根据支持向量机的基本思想，通过一个非线性映射Φ：Rⁿ→H将样本点映射到高维特征空间H，将非线性转化为在高维特征空间中进行线性回归；经过推导模型的回归估计函数：

$f\left(x\right)=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}({{\mathrm{\α}}_i}^{*}-{\mathrm{\α}}_i)K(x_i,x)+b---\left(1\right)$

$\underset{i=1}{\overset{m}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{{\mathrm{\α}}_i}^{*})=\mathrm{0,0}\≤{{\mathrm{\α}}_i}^{(*)}\≤C,i=1,...,m---\left(2\right)$

其中，α_i,α_i ^*是引入的拉格朗日乘子，它们满足条件公式(2)；K(x_i,x)是引入的核函数；

(1-3)选择混合核函数作为支持向量机核函数：

$K(x,x_i)=p{[(x\·x_i)+1]}^q+(1-p)\exp (-\frac{{\left|\right|x-x_i\left|\right|}^2}{2{\mathrm{\σ}}^2})---\left(3\right)$

其中：p是混合权重因子，q是多项式核函数的阶次，σ²是RBF核函数的方差；

(1-4)采用网格搜索法对向量机参数进行优化；优化的参数有混合权重因子p、多项式核函数阶次q、RBF核函数的方差σ2和惩罚因子C；

对步骤(1-4)所述采用网格搜索法对向量机参数进行优化的SVM参数训练，得到预测模型。

所述步骤(5)，当生产过程中新的废纸配比和纸浆性能检测数据产生后，对新的数据重复步骤(2)和步骤(3)并添加到原始样本数据集中，然后执行步骤(4)得到更新后的预测模型。

本发明相对于现有技术，具有如下的优点及效果：

采用依据废纸配比预测纸浆性能的方法可以避免人工经验带来的主观预测缺陷，从海量历史数据中提取废纸配比与纸浆性能之间的定量关系，对纸浆性能的预测提供数学支持。

采用本发明的方法对纸浆性能的预测精度满足实际生产过程的要求。

本发明的建模数据库中可以随时增加新的生产数据，对预测模型进行更新，以增强预测模型的适应性。

该方法技术手段简便易行，具有模型训练和预测速度快、预测精度高、可根据生产数据更新预测模型的优点，可以为生产工艺人员提供依据废纸配比预测纸浆性能的快速预测工具。

附图说明

图1为本发明纸厂依据废纸配比预测纸浆性能的方法流程图。

具体实施方式

下面结合如图1及具体实施例对本发明作进一步具体详细描述。

实施例

以某纸厂废纸制浆生产线上三年(2011年—2013年)的废纸配比和纸浆性能检测数据进行建模和预测。

见图1所示，以建立预测纸浆白度指标模型为例：

1.采集数据建立样本数据库

提取工厂2011-2013年废纸配比的记录和相应时段的纸浆性能指标检测历史数据，包括每一组配比使用期间各废纸种类及用量比例和粗浆塔出口处纸浆的白度。

2.整理数据并进行数据预处理

将每一组废纸配比和性能指标作为一组样本，对每一组样本进行数据预处理，首先剔除纸浆性能检测数据表中的空值，然后采用3σ准则(拉依达准则)对数据中的不可靠点进行剔除，对白度指标采用[μ-2σ,μ+2σ]作为数据的可信区间，使得白度的数据量从预处理前的9393个减少到8390个。

3.求取每一配比下检测数据的平均值

基于预处理后的数据，求出每一配比下所对应的白度指标的平均值，这样每一配比对应唯一的白度指标。

4采用SVM建立模型

采用带有混合核函数的支持向量机训练白度样本数据，得到废纸配比与纸浆白度之间的模型。其中，混合核函数是，

$K(x,x_i)=p{[(x\·x_i)+1]}^q+(1-p)\exp (-\frac{{\left|\right|x-x_i\left|\right|}^2}{2{\mathrm{\σ}}^2})$

p是混合权重因子，q是多项式核函数的阶次，σ²是RBF核函数的方差。p选取(0.5,0.7,0.85,0.95)，q选取(1,2,3)，σ²选取(2^-10，2^-9，...，2⁹，2¹⁰)，惩罚因子C选取(2^-10，2^-9，...，2⁹，2¹⁰)，经过组合训练，比较模型精度后，确定合适的训练参数为：p＝0.85，q＝1，σ²＝1，C＝4。

5预测纸浆性能并更新模型

训练集用到130组数据，其余8组作为测试集用来检验模型的预测能力。采用平均相对误差(MRE,Mean Relative Error)评价预测精度：

$\mathrm{MRE}=\frac{1}{l}\underset{i=1}{\overset{l}{\mathrm{\Σ}}}\frac{|{\hat{y}}_i-y_i|}{y_i}$

其中，l是测试集中的样本个数，为第i个样本的真实值，y_i为第i个样本的预测值。经过10次测试后得到的平均相对误差如表1所示，MRE平均为2.42％，说明该模型可以用于实际生产中通过合理的废纸配比来获得期望的白度指标。

表1：10次预测的平均相对误差

如上所述，便可较好地实现本发明。

本发明的实施方式并不受上述实施例的限制，其他任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (5)

1.一种纸厂依据废纸配比预测纸浆性能的方法，其特征在于包括如下步骤：

步骤(1)：采集工厂2至3年内的废纸配比和纸浆性能检测数据，将数据集合作为模型的建模数据库，具体包括每一组配比使用期间各废纸种类及用量比例、粗浆塔出口处纸浆的白度、灰分、贮浆塔送浆泵出口处纸浆的叩解度和抗张强度；

步骤(2)：整理数据，将每一组废纸配比和性能指标作为一组样本，对每一组样本进行数据预处理；

步骤(3)：基于预处理后的数据，求出每一配比下所对应的各纸浆性能指标的平均值，将该平均值作为这组废纸配比的纸浆性能指标的理论参考值的样本数据；

步骤(4)：采用支持向量机训练步骤(3)中得到的样本数据，得到基于废纸配比预测纸浆性能的模型；

步骤(5)：使用生产过程中积累的数据更新数据库，并重新训练模型。

2.根据权利要求1所述的方法，其特征在于：步骤(2)中对每一组样本进行数据预处理，具体是：首先剔除纸浆性能检测数据表中的空值，然后采用3σ准则对数据中不符合要求的数据进行剔除：对于采样频率大于0.5次/小时的指标采用[μ-2σ,μ+2σ]作为数据的可信区间；对于采样频率小于0.5次/小时的指标，采用[μ-3σ,μ+3σ]作为可信区间。

3.根据权利要求1所述的方法，其特征在于：步骤(4)中采用支持向量机训练步骤(3)中得到的样本数据的具体步骤是：

(1-1)以各废纸纸种的用量比例作为模型的输入，即输入向量(X₁，X₂，…X_n)，X_i表示第i种废纸的用量比例，共n种废纸；以一个纸浆性能 指标作为模型的输出Y；训练数据样本表示为(X,Y)；

(1-2)通过一个非线性映射Φ：Rⁿ→H将样本点映射到高维特征空间H，将非线性转化为在高维特征空间中进行线性回归；经过推导模型的回归估计函数：

其中，α_i,α_i ^*是引入的拉格朗日乘子，它们满足条件公式(2)；K(x_i,x)是引入的核函数；

(1-3)选择混合核函数作为支持向量机核函数：

其中：p是混合权重因子，q是多项式核函数的阶次，σ²是RBF核函数的方差；

(1-4)采用网格搜索法对向量机参数进行优化；优化的参数有混合权重因子p、多项式核函数阶次q、RBF核函数的方差σ²和惩罚因子C。

4.根据权利要求3所述的方法，其特征在于：对步骤(1-4)所述采用网格搜索法对向量机参数进行优化的SVM参数训练，得到预测模型。

5.根据权利要求1所述的方法，其特征在于：所述步骤(5)，当生产过程中新的废纸配比和纸浆性能检测数据产生后，对新的数据重复步骤(2)和步骤(3)并添加到原始样本数据集中，然后执行步骤(4)得到更新后的预测模型。