论文部分内容阅读
生活用纸与生活息息相关,相应的有着更严格质量标准和精细化的技术要求。本论文以生活用纸为研究对象。在生活用纸厂的典型生产线上,采集各个重点生产环节的数据。经过数据预处理,建立生活用纸磨浆打浆度模型和原纸物理特性指标预测模型;以满足原纸质量要求和最小成本为目标,建立打浆工艺优化模型。首先,针对浆料的打浆度无法在线监控的问题,基于梯度提升决策树(Gradient Boosting Decision Trees,GBDT)算法建立了磨浆打浆度模型。采样并获取不同浆板组合、不同磨浆工艺下,磨浆后纸浆的纤维形态和打浆度数据。经过数据预处理,获得建模的训练集。基于GBDT算法的磨浆打浆度模型,用交叉校验法检验模型精度,模型的均方根误差为0.99,平均相对误差(MRE)为3.96%,平均绝对误差0.78(°SR),结果表明模型有良好的精度。对比支持向量机回归算法,在相同计算机环境下GBDT运算时间是支持向量机回归的五十分之一,表明GBDT运算速度快。对GBDT模的树型结构进行分析,计算了11个模型输入变量的相对重要性,其中比能耗、流量和分丝帚化率的相对重要性较高,即他们对打浆度的影响较大需要在生产中重点监控。其次,针对生活用纸的物理特性的在线预测的问题,运用了主成分分析法对数据集降维,并且运用了机器学习技术,分别建立了生活用纸的平均抗张强度、伸长率纵向、伸长率横向和吸水性的预测模型。以实际生活用纸质检数据做验证,平均抗张强度的MRE为11.20%,伸长率纵向的MRE为10.48%,伸长率横向的MRE为8.23%,吸水性的MRE为6.01%。平均抗张强度、伸长率纵向和吸水性有良好的模型精度,R~2均高于0.8。利用Lasso算法对模型输入变量进行重要性分析。其中最显著的是,卷速和真空网笼速度对伸长率纵向,有显著于其他输入变量的影响,应该重点监控。最后,在建立的原纸物理特性模型的基础上,建立了生活用纸打浆工艺优化模型。以成本最小化和满足质量要求为两个目标,基于进化算法求解浆料配比和磨浆工艺参数值。以某品类生活用纸为案例,结果表明,基于快速非支配排序算法的生活用纸打浆工艺优化模型,可求解出成本更低且符合质量要求的生活用纸打浆工艺。