一种纸页松厚度软测量方法

摘要

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。

权利要求

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2

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其中，ω为权重系数，x为输入变量数据[x1，…xp]n×p，b为偏置项，αi， 为拉格朗日乘子，K(xi，xj)为核函数；

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；

其中， 为y与 的协方差，Vav[y]， 分别y与 的方差，E(y)，分别为y与 的期望；

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。

说明书

一种纸页松厚度软测量方法

技术领域

[0001] 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

[0002] 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。

[0003] 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。

[0004] 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

[0005] 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。

[0006] 为了实现以上发明目的，本发明采取的技术方案如下：

[0007] 一种纸页松厚度软测量方法，包括以下步骤：

[0008] 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。

[0009] 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。

[0010] 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。

[0011] 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。

[0012] 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。

[0013] 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：

[0014]

[0015] 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，2
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
为样本在j维度方差。

[0016] 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。

[0017]

[0018] 其中， 为y与 的协方差，Vav[y] 分别y与 的方差，E(y)，分别为y与 的期望。

[0019] 进一步地，S3的具体步骤如下：

[0020] 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

[0021]

[0022] 其中，ω为权重系数，x为输入变量数据[x1，…xp]n×p，b为偏置项，αi， 为拉格朗日乘子，K(xi，xj)为核函数。

[0023] 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。

[0024] 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。

[0025] 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：

[0026] 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：

[0027]

[0028] 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。

[0029] 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。

[0030] 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

[0031] 图1是本发明实施例纸页松厚度软测量方法的流程图；

[0032] 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；

[0033] 图3是本发明实施例中相关性分析结果图；

[0034] 图4是本发明实施例中松厚度软测量模型的结果图；

[0035] 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

[0036] 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。

[0037] 如图1所示，一种纸页松厚度软测量方法，包括以下步骤：

[0038] 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。

[0039] 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。

[0040] 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。

[0041] 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。

[0042] 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。

[0043] 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。

[0044] 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。