CN110910528B - 纸页抗张强度的预测方法及装置 - Google Patents

纸页抗张强度的预测方法及装置 Download PDF

Info

Publication number
CN110910528B
CN110910528B CN201911138736.4A CN201911138736A CN110910528B CN 110910528 B CN110910528 B CN 110910528B CN 201911138736 A CN201911138736 A CN 201911138736A CN 110910528 B CN110910528 B CN 110910528B
Authority
CN
China
Prior art keywords
data
tensile strength
fiber
paper
process data
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
Application number
CN201911138736.4A
Other languages
English (en)
Other versions
CN110910528A (zh
Inventor
洪蒙纳
李继庚
江伦
蔡杰焕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Poi Intelligent Information Technology Co ltd
Original Assignee
Guangzhou Poi Intelligent Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Poi Intelligent Information Technology Co ltd filed Critical Guangzhou Poi Intelligent Information Technology Co ltd
Priority to CN201911138736.4A priority Critical patent/CN110910528B/zh
Publication of CN110910528A publication Critical patent/CN110910528A/zh
Application granted granted Critical
Publication of CN110910528B publication Critical patent/CN110910528B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
    • G07C3/005—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles during manufacturing process
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Manufacturing & Machinery (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • General Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)

Abstract

本发明公开了一种纸页抗张强度的预测方法及装置，该方法获取并将纸页生产过程数据分为训练集和测试集；利用训练集中纤维形态数据和磨浆工艺数据优化SVM算法的参数，获得纤维形态软测量模型；利用训练集中纤维形态数据、纸机工艺数据和纸页抗张强度优化梯度增强回归树算法的参数，获得抗张强度软测量模型；利用测试集测试并调整由上述两个模型组合而成的纸页抗张强度软测量模型；利用调整后的纸页抗张强度软测量模型对待预测的纸页生产数据进行抗张强度预测。采用本发明不仅能够实现待预测的纸页生产数据的抗张强度的预测，还能够进一步提高待预测的纸页生产数据的抗张强度预测结果的准确度。

Description

纸页抗张强度的预测方法及装置
技术领域
本发明涉及纸页抗张强度预测领域，尤其涉及一种纸页抗张强度的预测方法及装置。
背景技术
近年来，纸页消费量的快速增长，使得大批量造纸工厂为了满足市场需求，只保证纸页的产量而不保证纸页的质量，从而导致市面上出现大批量不合格的纸页产品。目前，主要通过人工测量的方法来实现纸页抗张强度的测量，进而实现纸页质量的评估，然而人工测量的方法效率低和准确度低，难以实现每张纸页产品质量的测量，使得市面上仍然存在大批量不合格的纸页产品。
现有的技术中，少部分企业或质检部门采用纸页抗张强度测量设备以实现纸页抗张强度的测量，但是现有的纸页抗张强度测量设备只考虑造纸的工艺条件对纸页抗张强度的影响，从而导致纸页抗张强度的测量结果的准确度低；不仅如此，现有的纸页抗张强度测量设备只能根据现有的纸页成品进行抗张强度的测量，存在一定的滞后性，不能够根据现有的纸页原材料和工艺特征数据，预测出纸页的抗张强度，因此不能根据预测结果及时调整纸机工艺，不利于减少纸页生产过程中的资源浪费。
发明内容
本发明实施例提供了一种纸页抗张强度的预测方法及装置，不仅能够实现待预测的纸页生产数据的抗张强度预测，还能够进一步提高待预测的纸页生产数据的抗张强度预测结果的准确度。
为了解决上述技术问题，本发明实施例提供了一种纸页抗张强度的预测方法，包括：
获取N组纸页生产过程数据；其中，N为大于1的正整数，每组所述纸页生产过程数据包括磨浆前的第一纤维形态数据、磨浆工艺数据、磨浆后的第二纤维形态数据、纸机工艺数据和纸页抗张强度；
将所有所述纸页生产过程数据随机分割为训练集和测试集，并将所述训练集中的第一纤维形态数据、磨浆工艺数据和第二纤维形态数据对预设的支持向量机回归算法的初始参数进行优化处理，并根据优化后的初始参数，构建纤维形态软测量模型；
将所述训练集中的第二纤维形态数据、纸机工艺数据和纸页抗张强度对预设的梯度增强回归树算法的初始参数进行优化处理，并根据优化后的初始参数，构建抗张强度软测量模型；
将所述纤维形态软测量模型和抗张强度软测量模型进行组合，获得纸页抗张强度软测模型，并利用测试集测试并调整所述纸页抗张强度软测量模型；
根据调整后的所述纸页抗张强度软测量模型，对待预测的纸页生产数据进行抗张强度预测。
作为优选方案，所述每组所述纸页生产过程数据包括磨浆前的第一纤维形态数据、磨浆工艺数据、磨浆后的第二纤维形态数据、纸机工艺数据和纸页抗张强度，具体为：
所述第一纤维形态数据包括第一纤维平均长度、第一扭结纤维百分比、第一纤维平均宽度和第一纤维平均粗度；
所述磨浆工艺数据包括磨浆功率、通过量、浓度和浆料配比；
所述第二纤维形态数据包括第二纤维平均长度、第二扭结纤维百分比、第二纤维平均宽度和第二纤维平均粗度；
所述纸机工艺数据包括车速、卷曲率和定量。
作为优选方案，所述将所述训练集中的第一纤维形态数据、磨浆工艺数据和第二纤维形态数据对预设的支持向量机回归算法的初始参数进行优化处理，并根据优化后的初始参数，构建纤维形态软测量模型，具体为：
将所述第一纤维形态数据和磨浆工艺数据作为输入数据，将所述第二纤维形态数据作为输出数据，结合支持向量机回归算法公式，获得纤维形态软测量模型；其中，所述支持向量机回归算法公式，具体为：
Figure BDA0002279580630000031
ω为权重系数，T为转置，x为输入变量
Figure BDA0002279580630000034
b为偏置项，
Figure BDA0002279580630000032
αi为拉格朗日乘子，K(xi,xj)为核函数。
作为优选方案，所述核函数包括Linear核函数或RBF核函数，具体为：
当所述第一纤维形态数据中的第一纤维平均长度或第一纤维平均宽度作为输入数据时，则所述核函数为Linear核函数，惩罚系数为1，边距高度为0.1；
当所述第一纤维形态数据中的第一扭结纤维百分比或第一纤维平均粗度作为输入数据时，则所述核函数为RBF核函数，惩罚系数为1，边距高度为0.1，RBF系数为0.5。
作为优选方案，所述将所述训练集中的第二纤维形态数据、纸机工艺数据和纸页抗张强度对预设的梯度增强回归树算法的初始参数进行优化处理，并根据优化后的初始参数，构建抗张强度软测量模型，具体为：
将所述第二纤维形态数据和所述纸机工艺数据作为输入数据，将所述纸页抗张强度作为输出数据，结合梯度增强回归树算法公式，获得抗张强度软测量模型；其中，所述梯度增强回归树算法公式，具体为：
Figure BDA0002279580630000033
Fm(x)为梯度增强回归树算法函数，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。
作为优选方案，所述获取N组纸页生产过程数据，具体为：
获取N组纸页生产过程的第一数据；其中，N为大于1的正整数；
将所述第一数据进行预处理，剔除脏数据或无法直接分析的数据，获得N组第二数据；
将所述第二数据进行归一化处理，获得N组第三数据；其中，每组第三数据包括磨浆前的第一纤维形态数据、磨浆工艺数据、磨浆后的第二纤维形态数据、纸机工艺数据和纸页抗张强度；
对所述N组第三数据中的纸机工艺数据进行纸机工艺特征剔除处理后，获得所述N组纸页生产过程数据。
作为优选方案，所述对所述N组第三数据中的纸机工艺数据进行纸机工艺特征剔除处理，具体为：
按照相关性公式，分别计算所述纸机工艺数据中的每一个纸机工艺特征与所述纸页抗张强度的相关性，从所述纸机工艺数据中剔除所述相关性小于等于预设阈值的纸机工艺特征；其中，所述相关性公式，具体为：
Figure BDA0002279580630000041
其中，y为所述纸机工艺特征，
Figure BDA0002279580630000042
为所述纸页抗张强度，
Figure BDA0002279580630000043
为纸机工艺特征与纸页抗张强度的相关性，
Figure BDA0002279580630000044
为y与
Figure BDA0002279580630000045
的协方差，Vav[y]，
Figure BDA0002279580630000046
分别为y与
Figure BDA0002279580630000047
的方差，E(y)，
Figure BDA0002279580630000048
分别为y与
Figure BDA0002279580630000049
的期望。
作为优选方案，所述将所述第二数据进行归一化处理，获得N组第三数据，具体为：
按照以下公式，将所述第二数据进行归一化处理，计算方法如下：
Figure BDA00022795806300000410
其中，i＝1,2,…n为样本个数，j＝1,2,…p为样本维度，
Figure BDA00022795806300000413
为样本在j维的均值，xij为第i个样本的j维数值，
Figure BDA00022795806300000411
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，
Figure BDA00022795806300000412
为样本在j维度方差。
相应地，本发明还提供一种纸页抗张强度的预测装置，包括：
数据获取模块，用于获取N组纸页生产过程数据；其中，N为大于1的正整数，每组所述纸页生产过程数据包括磨浆前的第一纤维形态数据、磨浆工艺数据、磨浆后的第二纤维形态数据、纸机工艺数据和纸页抗张强度；
预测模块，用于对所述数据获取模块获取的数据进行预测；其中，预测模块包括第一模型构建单元、第二模型构建单元、第三模型构建单元和预测单元；
所述第一模型构建单元，用于将所有所述纸页生产过程数据随机分割为训练集和测试集，并将所述训练集中的第一纤维形态数据、磨浆工艺数据和第二纤维形态数据对预设的支持向量机回归算法的初始参数进行优化处理，并根据优化后的初始参数，构建纤维形态软测量模型；
所述第二模型构建单元，用于将所述训练集中的第二纤维形态数据、纸机工艺数据和纸页抗张强度对预设的梯度增强回归树算法的初始参数进行优化处理，并根据优化后的初始参数，构建抗张强度软测量模型；
所述第三模型构建单元，用于将所述纤维形态软测量模型和抗张强度软测量模型进行组合，获得纸页抗张强度软测模型，并利用测试集测试并调整所述纸页抗张强度软测量模型。
所述预测单元，用于根据调整后的所述纸页抗张强度软测量模型，对待预测的纸页生产数据进行抗张强度预测。
实施本发明实施例，具有如下有益效果：
本发明实施例提供的纸页抗张强度的预测方法，该方法获取并将纸页生产过程数据分为训练集和测试集；利用训练集中纤维形态数据和磨浆工艺数据优化SVM算法的参数，获得纤维形态软测量模型；利用训练集中纤维形态数据、纸机工艺数据和纸页抗张强度优化梯度增强回归树算法的参数，获得抗张强度软测量模型；利用测试集测试并调整由上述两个模型组合而成的纸页抗张强度软测量模型；利用调整后的纸页抗张强度软测量模型对待预测的纸页生产数据进行抗张强度预测。相比于现有技术采用纸页抗张强度检测设备进行纸页抗张强度的检测，本发明技术方案不会过多的依赖的现有的纸页成品，而是能够实现待预测的纸页生产数据的抗张强度的预测，以便于根据预测结果及时调整造纸工艺以减少纸页生产过程中的资源浪费；除此之外，本发明的纸页抗张强度的预测方法还考虑到纤维形态对纸页抗张强度的影响，进一步提高了待预测的纸页生产数据的纸页抗张强度预测结果的准确度。
附图说明
图1是本发明提供的纸页抗张强度的预测方法的第一实施例的流程示意图；
图2是本发明提供的纸页抗张强度的预测装置的第二实施例的结构示意图；
图3是本发明提供的预测模块的结构示意图；
图4是本发明提供的纸机工艺特征与抗张强度的相关性分析结果图；
图5是本发明提供的纤维形态软测量模型的预测结果的效果图；
图6是本发明提供的抗张强度软测量模型的预测结果的效果图；
图7是本发明提供的纸页抗张强度软测量模型的预测结果的效果图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
第一实施例：
参见图1，是本发明提供的纸页抗张强度的预测方法的一种实施例的流程示意图。如图1，该构建方法包括步骤101至步骤105，各步骤具体如下：
步骤101：获取N组纸页生产过程数据；其中，N为大于1的正整数，每组纸页生产过程数据包括磨浆前的第一纤维形态数据、磨浆工艺数据、磨浆后的第二纤维形态数据、纸机工艺数据和纸页抗张强度。
在本实施例中，步骤101具体为：获取N组纸页生产过程的第一数据；其中，N为大于1的正整数；将第一数据进行预处理，剔除脏数据或无法直接分析的数据，获得N组第二数据；将第二数据进行归一化处理，获得N组第三数据；其中，每组第三数据包括磨浆前的第一纤维形态数据、磨浆工艺数据、磨浆后的第二纤维形态数据、纸机工艺数据和纸页抗张强度；对N组第三数据中的纸机工艺数据进行纸机工艺特征剔除处理后，获得N组纸页生产过程数据。
在本实施例中，纸页生产过程的第一数据表示为每次纸页生产过程中的所有数据；脏数据包括缺失值、异常值以及含有特殊字符的数据。将第一数据进行预处理，剔除脏数据或无法直接分析的数据，以减少无用数据的干扰，提高数据获取的准确度。
在本实施例中，按照以下公式，将第二数据进行归一化处理，计算方法如下：
Figure BDA0002279580630000071
其中，i＝1,2,…n为样本个数，j＝1,2,…p为样本维度，
Figure BDA0002279580630000072
为样本在j维的均值，xij为第i个样本的j维数值，
Figure BDA0002279580630000073
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，
Figure BDA0002279580630000074
为样本在j维度方差。
在本实施例中，对第二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建模过程造成影响。
在本实施例中，对N组第三数据中的纸机工艺数据进行纸机工艺特征剔除处理，具体为：按照相关性公式，分别计算纸机工艺数据中的每一个纸机工艺特征与纸页抗张强度的相关性，从纸机工艺数据中剔除相关性小于等于预设阈值的纸机工艺特征；其中，相关性公式，具体为：
Figure BDA0002279580630000075
其中，y为纸机工艺特征，
Figure BDA0002279580630000076
为纸页抗张强度，
Figure BDA0002279580630000077
为纸机工艺特征与纸页抗张强度的相关性，
Figure BDA0002279580630000078
为y与
Figure BDA0002279580630000079
的协方差，Vav[y]，
Figure BDA00022795806300000710
分别为y与
Figure BDA00022795806300000711
的方差，E(y)，
Figure BDA0002279580630000081
分别为y与
Figure BDA0002279580630000082
的期望。
在本实施例中，获取的纸机工艺数据存在诸多纸机工艺特征，例如：车速、卷曲率、定量等，因此需要选取与抗张强度相关性较高的纸机工艺特征以进行抗张强度模型的构建，从而提高抗张强度软测量模型的准确度，该步骤中的相关性系数采用皮尔逊相关系数，其取值区间在[-1,1]，正值表示正相关性，负值表示负相关性，绝对值越接近1，则说明两者相关性越强，值为0时表示没有相关性，本实施例中，剔除相关系小于等于0.4的纸机工艺特征，具体详情可参见附图4，其中，横坐标表示相关度，纵坐标表示纸机工艺特征。
在本实施例中，第一纤维形态数据包括第一纤维平均长度、第一扭结纤维百分比、第一纤维平均宽度和第一纤维平均粗度；磨浆工艺数据包括磨浆功率、通过量、浓度和浆料配比；第二纤维形态数据包括第二纤维平均长度、第二扭结纤维百分比、第二纤维平均宽度和第二纤维平均粗度；纸机工艺数据包括车速、卷曲率和定量。
步骤102：将所有纸页生产过程数据随机分割为训练集和测试集，并将训练集中的第一纤维形态数据、磨浆工艺数据和第二纤维形态数据对预设的支持向量机回归算法的初始参数进行优化处理，并根据优化后的初始参数，构建纤维形态软测量模型。
在本实施例中，步骤102具体为：将第一纤维形态数据和磨浆工艺数据作为输入数据，将第二纤维形态数据作为输出数据，结合支持向量机回归算法公式，获得纤维形态软测量模型；其中，支持向量机回归算法公式，具体为：
Figure BDA0002279580630000083
其中，ω为权重系数，T为转置，x为输入变量
Figure BDA0002279580630000084
b为偏置项，
Figure BDA0002279580630000085
αi为拉格朗日乘子，K(xi,xj)为核函数。
在本实施例中，核函数包括Linear核函数或RBF核函数，具体为：当第一纤维形态数据中的第一纤维平均长度或第一纤维平均宽度作为输入数据时，则核函数为Linear核函数，惩罚系数为1，边距高度为0.1；当第一纤维形态数据中的第一扭结纤维百分比或第一纤维平均粗度作为输入数据时，则核函数为RBF核函数，惩罚系数为1，边距高度为0.1，RBF系数为0.5。
在本实施例中，将第一纤维平均长度和磨浆功率、通过量、浓度和浆料配比作为输入量，将第二纤维平均长度为输出量，结合支持向量机回归算法公式，获得纤维平均长度模型；将第一纤维平均粗度和磨浆功率、通过量、浓度和浆料配比作为输入量，将第二纤维平均粗度为输出量，结合支持向量机回归算法公式，获得纤维平均粗度模型；将第一扭结纤维百分比和磨浆功率、通过量、浓度和浆料配比作为输入量，将第二扭结纤维百分比为输出量，结合支持向量机回归算法公式，获得扭结纤维百分比模型；将第一纤维平均宽度和磨浆功率、通过量、浓度和浆料配比作为输入量，将第二纤维平均宽度为输出量，结合支持向量机回归算法公式，获得纤维平均宽度模型。将纤维平均长度模型、纤维平均粗度模型、扭结纤维百分比模型、纤维平均宽度模型组合为纤维形态软测量模型。
可参见图5，图5是纤维形态软测量模型的预测结果的效果图，从上到下的顺序，分别是纤维平均长度模型、扭结纤维百分比模型、纤维平均宽度模型和纤维平均粗度模型的预测结果的效果图。其中，横坐标均表示为样本数，纵坐标分别表示为第二纤维平均长度，第二扭结纤维百分比、第二纤维平均宽度、第二纤维平均粗度，由图5可知，模型预测值与实际值的拟合精度良好，纤维平均长度的平均相对误差为2.84％，扭结纤维百分比的平均相对误差为3.12％，纤维平均宽度的平均相对误差为2.91％，纤维平均粗度的平均相对误差为3.09％。
步骤103：将训练集中的第二纤维形态数据、纸机工艺数据和纸页抗张强度对预设的梯度增强回归树算法的初始参数进行优化处理，并根据优化后的初始参数，构建抗张强度软测量模型。
在本实施例中，步骤103具体为：将第二纤维形态数据和纸机工艺数据作为输入数据，将纸页抗张强度作为输出数据，结合梯度增强回归树算法公式，获得抗张强度软测量模型；其中，梯度增强回归树算法公式，具体为：
Figure BDA0002279580630000091
Fm(x)为梯度增强回归树算法函数，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。
在本实施例中，梯度增强回归树算法公式，获取步骤如下：
第一步，通过多次迭代训练回归树，最终结果为所有回归树的加权结果，公式如下：
Figure BDA0002279580630000101
其中，F(x,P)为总体模型函数，h(x,αm)为第m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，αm为第m颗回归树内的参数。
第二步，假设裂变特征j和裂变节点s在二叉搜索中定义一对半平面：R1(j,s)＝{X|Xj≤s}and R2(j,s)＝{X|Xj>s}；其中，j为裂变特征，s为裂变节点，R1、R2为区域空间。因此，裂变特征j和裂变节点s的目标函数的公式为：
Figure BDA0002279580630000102
其中，yi为实际输出变量，c1,c2为拟合输出变量。
第三步，假设
Figure BDA0002279580630000103
为训练样本，
Figure BDA0002279580630000104
代表参数集合，β是每颗回归树的权重，α是回归树内的参数，因此总体模型函数如下所示：
Figure BDA0002279580630000105
第四步，引入损失函数，样本集合
Figure BDA0002279580630000106
求解模型最小参数，其公式如下：
Figure BDA0002279580630000107
其中，F(x,P)为总体模型函数，h(x,αm)为第m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，αm为第m颗回归树内的参数。
第五步，为了求得总体模型函数F(x,P)，需解出
Figure BDA0002279580630000108
的集合，第一颗回归树的权重、内部参数和起始模型函数F1(x)，如下列公式1所示。另外，由于Fm(x)是根据Fm-1(x)模型偏差的计算得到的新函数，因此，Fm(x)可以由Fm-1(x)表示，其公式如公式2所示。
公式1：
Figure BDA0002279580630000111
公式2：Fm(x)＝Fm-1(x)+βmh(x,αm)
其中，m＝1,2,…M为回归树棵树，α1为第1颗回归树内的参数，βm为第m颗回归树权重，h(x,αm)为第m个基础回归树函数，Fm(x)为前m个模型函数，Fm-1(x)为第(m-1)个基础回归树函数。
第六步，采用梯度下降法求极小值，最大下降梯度方向是损失函数在当前模型Fm-1(x)下的负梯度方向，计算公式如下：
Figure BDA0002279580630000112
计算梯度，最终得到一个n维度下降方向向量
Figure BDA0002279580630000113
第七步，通过最小二乘法
Figure BDA0002279580630000114
求得Fm(x)的内部参数αm，循环
Figure BDA0002279580630000115
和m＝m+1(2≤m≤M)进而求得βm，带入
Figure BDA0002279580630000116
获得
Figure BDA0002279580630000117
在本实施例中，建立的梯度增强回归树的抗张强度软测量模型；其中，梯度增强回归树有回归树颗树、树深度、学习率及损失函数四个。树颗数为多少颗回归树树组合在一起；本方案的回归树颗树为500，树深度为最大树的深度(>2层)，本方案选为3层；学习率为损失函数每次在梯度方向下降的步长，学习率太小会增加计算时间，太大了会影响预测值精度，因此本方案的学习率均取0.01；损失函数采用最小二乘法。
可参见图6，图6是抗张强度软测量模型的预测结果的效果图，横坐标表示样本数，纵坐标表示抗张强度，由图6可知，模型预测值与实际值的拟合精度良好，平均相对误差为10.72％。
步骤104：将纤维形态软测量模型和抗张强度软测量模型进行组合，获得纸页抗张强度软测模型，并利用测试集测试并调整纸页抗张强度软测量模型。
可参见图7，图7是纸页抗张强度软测量模型预测结果的效果图，横坐标表示样本数，纵坐标表示抗张强度，由图7可知，模型预测值与实际值的拟合精度良好，平均相对误差为6.87％。
步骤105：根据调整后的纸页抗张强度软测量模型，对待预测的纸页生产数据进行抗张强度预测。
在本实施例中，待预测的纸页生产数据包括磨浆前的第一纤维形态数据，磨浆工艺数据和纸机工艺数据；其中，第一纤维形态数据包括第一纤维平均长度、第一扭结纤维百分比、第一纤维平均宽度和第一纤维纤维平均粗度；磨浆工艺数据包括磨浆功率、通过量、浓度和浆料配比；纸机工艺数据包括车速、卷曲率和定量。
为了更好的说明本实施例的流程和原理，以下面的例子作为详细说明：
第一步，获取待预测的纸页生产数据，其中，待预测的纸页生产数据包括第一纤维平均长度、第一扭结纤维百分比、第一纤维平均宽度、第一纤维平均粗度、磨浆功率、通过量、浓度、浆料配比、车速、卷曲率和定量。
第二步，将第一纤维平均长度、磨浆功率、通过量、浓度和浆料配比作为输入量，输入到纤维平均长度模型中，输出磨浆后的第二纤维平均长度。
第三步，将第一扭结纤维百分比、磨浆功率、通过量、浓度和浆料配比作为输入量，输入到扭结纤维百分比模型中，输出磨浆后的第二扭结纤维百分比。
第四步，将第一纤维平均宽度、磨浆功率、通过量、浓度和浆料配比作为输入量，输入到纤维平均宽度模型中，输出磨浆后的第二纤维平均宽度。
第五步，将第一纤维平均粗度、磨浆功率、通过量、浓度和浆料配比作为输入量，输入到纤维平均粗度模型中，输出磨浆后的第二纤维平均粗度。
第六步，将第二纤维平均长度、第二扭结纤维百分比、第二纤维平均宽度、第二纤维平均粗度、车速、卷曲率和定量作为输入量，输入到抗张强度软测量模型中，输出纸页抗张强度。
由上可见，本发明实施例提供的纸页抗张强度的预测方法，该方法获取并将纸页生产过程数据分为训练集和测试集；利用训练集中纤维形态数据和磨浆工艺数据优化SVM算法的参数，获得纤维形态软测量模型；利用训练集中纤维形态数据、纸机工艺数据和纸页抗张强度优化梯度增强回归树算法的参数，获得抗张强度软测量模型；利用测试集测试并调整由上述两个模型组合而成的纸页抗张强度软测量模型；利用调整后的纸页抗张强度软测量模型对待预测的纸页生产数据进行抗张强度预测。相比于现有技术采用纸页抗张强度检测设备进行纸页抗张强度的检测，本发明技术方案不会过多的依赖的现有的纸页成品，而是能够实现待预测的纸页生产数据的抗张强度的预测，以便于根据预测结果及时调整造纸工艺以减少纸页生产过程中的资源浪费，除此之外，本发明的纸页抗张强度的预测方法还考虑到纤维形态对纸页抗张强度的影响，进一步提高了待预测的纸页生产数据的纸页抗张强度预测结果的准确度。
第二实施例：
请参见图2，是本发明提供的一种纸页抗张强度的预测装置的第二实施例的结构示意图。该装置包括：数据获取模块201和预测模块202。
数据获取模块201，用于获取N组纸页生产过程数据；其中，N为大于1的正整数，每组纸页生产过程数据包括磨浆前的第一纤维形态数据、磨浆工艺数据、磨浆后的第二纤维形态数据、纸机工艺数据和纸页抗张强度；
预测模块202，用于对数据获取模块获取的数据进行预测，其中，预测模块202包括第一模型构建单元301、第二模型构建单元302、第三模型构建单元303和预测单元304；
第一模型构建单元301，用于将所有纸页生产过程数据随机分割为训练集和测试集，并将训练集中的第一纤维形态数据、磨浆工艺数据和第二纤维形态数据对预设的支持向量机回归算法的初始参数进行优化处理，并根据优化后的初始参数，构建纤维形态软测量模型；
第二模型构建单元302，用于将训练集中的第二纤维形态数据、纸机工艺数据和纸页抗张强度对预设的梯度增强回归树算法的初始参数进行优化处理，并根据优化后的初始参数，构建抗张强度软测量模型；
第三模型构建单元303，用于将纤维形态软测量模型和抗张强度软测量模型进行组合，获得纸页抗张强度软测模型，并利用测试集测试并调整纸页抗张强度软测量模型。
预测单元304，用于根据调整后的纸页抗张强度软测量模型，对待预测的纸页生产数据进行抗张强度预测。
本实施例更详细的工作原理和流程可以但不限于参见第一实施例的纸页抗张强度的预测方法。
由上可见，本发明实施例提供的纸页抗张强度的预测装置，不会过多的依赖的现有的纸页成品，而是能够实现待预测的纸页生产数据的抗张强度的预测，以便于根据预测结果及时调整造纸工艺以减少纸页生产过程中的资源浪费，除此之外，本发明的纸页抗张强度的预测方法还考虑到纤维形态对纸页抗张强度的影响，进一步提高了待预测的纸页生产数据的纸页抗张强度预测结果的准确度。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (9)

1.一种纸页抗张强度的预测方法，其特征在于，包括：
获取N组纸页生产过程数据；其中，N为大于1的正整数，每组所述纸页生产过程数据包括磨浆前的第一纤维形态数据、磨浆工艺数据、磨浆后的第二纤维形态数据、纸机工艺数据和纸页抗张强度；
将所有所述纸页生产过程数据随机分割为训练集和测试集，并将所述训练集中的第一纤维形态数据、磨浆工艺数据和第二纤维形态数据对预设的支持向量机回归算法的初始参数进行优化处理，并根据优化后的初始参数，构建纤维形态软测量模型；
将所述训练集中的第二纤维形态数据、纸机工艺数据和纸页抗张强度对预设的梯度增强回归树算法的初始参数进行优化处理，并根据优化后的初始参数，构建抗张强度软测量模型；
将所述纤维形态软测量模型和抗张强度软测量模型进行组合，获得纸页抗张强度软测模型，并利用测试集测试并调整所述纸页抗张强度软测量模型；
根据调整后的所述纸页抗张强度软测量模型，对待预测的纸页生产数据进行抗张强度预测；其中，所述待预测的纸页生产数据包括磨浆前的第一纤维形态数据、磨浆工艺数据、纸机工艺数据。
2.如权利要求1所述的纸页抗张强度的预测方法，其特征在于，所述每组所述纸页生产过程数据包括磨浆前的第一纤维形态数据、磨浆工艺数据、磨浆后的第二纤维形态数据、纸机工艺数据和纸页抗张强度，具体为：
所述第一纤维形态数据包括第一纤维平均长度、第一扭结纤维百分比、第一纤维平均宽度和第一纤维平均粗度；
所述磨浆工艺数据包括磨浆功率、通过量、浓度和浆料配比；
所述第二纤维形态数据包括第二纤维平均长度、第二扭结纤维百分比、第二纤维平均宽度和第二纤维平均粗度；
所述纸机工艺数据包括车速、卷曲率和定量。
3.如权利要求1所述的纸页抗张强度的预测方法，其特征在于，所述将所述训练集中的第一纤维形态数据、磨浆工艺数据和第二纤维形态数据对预设的支持向量机回归算法的初始参数进行优化处理，并根据优化后的初始参数，构建纤维形态软测量模型，具体为：
将所述第一纤维形态数据和磨浆工艺数据作为输入数据，将所述第二纤维形态数据作为输出数据，结合支持向量机回归算法公式，获得纤维形态软测量模型；其中，所述支持向量机回归算法公式，具体为：
Figure FDA0002654956550000021
ω为权重系数，T为转置，x为输入变量
Figure FDA0002654956550000023
b为偏置项，
Figure FDA0002654956550000022
αi为拉格朗日乘子，K(xi,xj)为核函数。
4.如权利要求3所述的纸页抗张强度的预测方法，其特征在于，所述核函数包括Linear核函数或RBF核函数，具体为：
当所述第一纤维形态数据中的第一纤维平均长度或第一纤维平均宽度作为输入数据时，则所述核函数为Linear核函数，惩罚系数为1，边距高度为0.1；
当所述第一纤维形态数据中的第一扭结纤维百分比或第一纤维平均粗度作为输入数据时，则所述核函数为RBF核函数，惩罚系数为1，边距高度为0.1，RBF系数为0.5。
5.如权利要求1所述的纸页抗张强度的预测方法，其特征在于，所述将所述训练集中的第二纤维形态数据、纸机工艺数据和纸页抗张强度对预设的梯度增强回归树算法的初始参数进行优化处理，并根据优化后的初始参数，构建抗张强度软测量模型，具体为：
将所述第二纤维形态数据和所述纸机工艺数据作为输入数据，将所述纸页抗张强度作为输出数据，结合梯度增强回归树算法公式，获得抗张强度软测量模型；其中，所述梯度增强回归树算法公式，具体为：
Figure FDA0002654956550000031
Fm(x)为梯度增强回归树算法函数，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。
6.如权利要求1-5任意一项所述的纸页抗张强度的预测方法，其特征在于，所述获取N组纸页生产过程数据，具体为：
获取N组纸页生产过程的第一数据；其中，N为大于1的正整数；
将所述第一数据进行预处理，剔除脏数据或无法直接分析的数据，获得N组第二数据；
将所述第二数据进行归一化处理，获得N组第三数据；其中，每组第三数据包括磨浆前的第一纤维形态数据、磨浆工艺数据、磨浆后的第二纤维形态数据、纸机工艺数据和纸页抗张强度；
对所述N组第三数据中的纸机工艺数据进行纸机工艺特征剔除处理后，获得所述N组纸页生产过程数据。
7.如权利要求6所述的纸页抗张强度的预测方法，其特征在于，所述对所述N组第三数据中的纸机工艺数据进行纸机工艺特征剔除处理，具体为：
按照相关性公式，分别计算所述纸机工艺数据中的每一个纸机工艺特征与所述纸页抗张强度的相关性，从所述纸机工艺数据中剔除所述相关性小于等于预设阈值的纸机工艺特征；其中，所述相关性公式，具体为：
Figure FDA0002654956550000041
其中，y为所述纸机工艺特征，
Figure FDA0002654956550000042
为所述纸页抗张强度，
Figure FDA0002654956550000043
为纸机工艺特征与纸页抗张强度的相关性，
Figure FDA0002654956550000044
为y与
Figure FDA0002654956550000045
的协方差，Vav[y]，
Figure FDA0002654956550000046
分别为y与
Figure FDA0002654956550000047
的方差，E(y)，
Figure FDA0002654956550000048
分别为y与
Figure FDA0002654956550000049
的期望。
8.如权利要求6所述的纸页抗张强度的预测方法，其特征在于，所述将所述第二数据进行归一化处理，获得N组第三数据，具体为：
按照以下公式，将所述第二数据进行归一化处理，计算方法如下：
Figure FDA00026549565500000410
其中，i＝1,2,…n为样本个数，j＝1,2,…p为样本维度，
Figure FDA00026549565500000411
为样本在j维的均值，xij为第i个样本的j维数值，
Figure FDA00026549565500000412
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，
Figure FDA00026549565500000413
为样本在j维度方差。
9.一种纸页抗张强度的预测装置，其特征在于，包括：
数据获取模块，用于获取N组纸页生产过程数据；其中，N为大于1的正整数，每组所述纸页生产过程数据包括磨浆前的第一纤维形态数据、磨浆工艺数据、磨浆后的第二纤维形态数据、纸机工艺数据和纸页抗张强度；
预测模块，用于对所述数据获取模块获取的数据进行预测，其中，预测模块包括第一模型构建单元、第二模型构建单元、第三模型构建单元和预测单元；
所述第一模型构建单元，用于将所有所述纸页生产过程数据随机分割为训练集和测试集，并将所述训练集中的第一纤维形态数据、磨浆工艺数据和第二纤维形态数据对预设的支持向量机回归算法的初始参数进行优化处理，并根据优化后的初始参数，构建纤维形态软测量模型；
所述第二模型构建单元，用于将所述训练集中的第二纤维形态数据、纸机工艺数据和纸页抗张强度对预设的梯度增强回归树算法的初始参数进行优化处理，并根据优化后的初始参数，构建抗张强度软测量模型；
所述第三模型构建单元，用于将所述纤维形态软测量模型和抗张强度软测量模型进行组合，获得纸页抗张强度软测模型，并利用测试集测试并调整所述纸页抗张强度软测量模型；
所述预测单元，用于根据调整后的所述纸页抗张强度软测量模型，对待预测的纸页生产数据进行抗张强度预测；其中，所述待预测的纸页生产数据包括磨浆前的第一纤维形态数据、磨浆工艺数据、纸机工艺数据。
CN201911138736.4A 2019-11-19 2019-11-19 纸页抗张强度的预测方法及装置 Active CN110910528B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911138736.4A CN110910528B (zh) 2019-11-19 2019-11-19 纸页抗张强度的预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911138736.4A CN110910528B (zh) 2019-11-19 2019-11-19 纸页抗张强度的预测方法及装置

Publications (2)

Publication Number Publication Date
CN110910528A CN110910528A (zh) 2020-03-24
CN110910528B true CN110910528B (zh) 2020-11-03

Family

ID=69817875

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911138736.4A Active CN110910528B (zh) 2019-11-19 2019-11-19 纸页抗张强度的预测方法及装置

Country Status (1)

Country Link
CN (1) CN110910528B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111967180B (zh) * 2020-07-02 2022-07-26 华南理工大学 造纸纤维特性对成纸力学性能影响程度的定量分析方法
CN115142160B (zh) * 2022-08-22 2023-12-19 无锡物联网创新中心有限公司 一种纱线强力弱环的辨识方法及相关装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104679998A (zh) * 2015-02-08 2015-06-03 浙江理工大学 一种化学木浆纤维特性与纸页抗张强度关系建模方法
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
CN105868550A (zh) * 2016-03-28 2016-08-17 浙江理工大学 一种基于机械浆纤维特性预测纸页抗张强度的方法
CN109826048A (zh) * 2017-11-23 2019-05-31 瑞辰星生物技术（广州）有限公司 用于造纸的表面施胶剂和改善纸张强度的造纸方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104679998A (zh) * 2015-02-08 2015-06-03 浙江理工大学 一种化学木浆纤维特性与纸页抗张强度关系建模方法
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
CN105868550A (zh) * 2016-03-28 2016-08-17 浙江理工大学 一种基于机械浆纤维特性预测纸页抗张强度的方法
CN109826048A (zh) * 2017-11-23 2019-05-31 瑞辰星生物技术（广州）有限公司 用于造纸的表面施胶剂和改善纸张强度的造纸方法

Also Published As

Publication number Publication date
CN110910528A (zh) 2020-03-24

Similar Documents

Publication Publication Date Title
CN109002686B (zh) 一种自动生成样本的多牌号化工过程软测量建模方法
CN110287975B (zh) 基于nsst形态特征及深度kelm的浮选加药异常检测方法
CN110910528B (zh) 纸页抗张强度的预测方法及装置
CN106056136A (zh) 一种聚类中心快速确定的数据聚类方法
CN112613536A (zh) 一种基于smote和深度学习的近红外光谱柴油牌号识别方法
CN110826618A (zh) 一种基于随机森林的个人信用风险评估方法
CN110717654A (zh) 基于用户评论的产品质量评价方法和系统
CN115587337B (zh) 车门异响识别方法、设备和存储介质
CN112307760A (zh) 基于深度学习的财务报告情感分析方法、装置及终端
CN110825850A (zh) 一种自然语言主题分类方法及装置
CN113111924A (zh) 电力客户分类方法及装置
CN115861671A (zh) 一种考虑负荷特性与可调节潜力的双层自适应聚类方法
CN110717264A (zh) 用于产品外形多目标优化设计的改进强度帕累托进化算法
CN113869642A (zh) 企业活跃度确定方法、装置、电子设备及存储介质
CN113177578A (zh) 一种基于lstm的农产品品质分类方法
CN114004530B (zh) 基于排序支撑向量机的企业电力信用分建模方法及系统
CN110866829A (zh) 一种基于集成学习模型的股价预测方法
CN111651512B (zh) 基于半监督学习的多源异构商品特征权重求解方法和装置
CN114943016A (zh) 一种基于跨粒度联合训练的图对比表征学习方法及系统
CN114298217A (zh) 基于记忆增强型自编码器的时序数据异常检测方法和装置
CN114153975A (zh) 文本分类方法、装置、电子设备及存储介质
CN113869194A (zh) 基于深度学习的变参数铣削加工过程信号标记方法及系统
CN113935413A (zh) 一种基于卷积神经网的配网录波文件波形识别方法
CN113656707A (zh) 一种理财产品推荐方法、系统、存储介质及设备
CN112529637A (zh) 基于情景感知的服务需求动态预测方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
CB02 Change of applicant information

Address after: 510000 room 1021, No.2, Tengfei 1st Street, Zhongxin Guangzhou Knowledge City, Huangpu District, Guangzhou City, Guangdong Province

Applicant after: GUANGZHOU POI INTELLIGENT INFORMATION TECHNOLOGY Co.,Ltd.

Address before: 510000 3-23d-1-227 (office only), No. 309, Huangpu Avenue, Tianhe District, Guangzhou City, Guangdong Province

Applicant before: GUANGZHOU POI INTELLIGENT INFORMATION TECHNOLOGY Co.,Ltd.

CB02 Change of applicant information
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Prediction method and device of paper tensile strength

Effective date of registration: 20210309

Granted publication date: 20201103

Pledgee: Guangzhou Branch of Guangzhou Bank Co.,Ltd.

Pledgor: GUANGZHOU POI INTELLIGENT INFORMATION TECHNOLOGY Co.,Ltd.

Registration number: Y2021440000067

PE01 Entry into force of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Date of cancellation: 20220328

Granted publication date: 20201103

Pledgee: Guangzhou Branch of Guangzhou Bank Co.,Ltd.

Pledgor: GUANGZHOU POI INTELLIGENT INFORMATION TECHNOLOGY CO.,LTD.

Registration number: Y2021440000067

PC01 Cancellation of the registration of the contract for pledge of patent right