木质复合材料耐污性能预测方法和装置制造方法及图纸

本发明专利技术公开了一种木质复合材料耐污性能预测方法和装置，属于林业工程领域。本发明专利技术训练得到了能够预测出木质复合材料耐污性能的机器学习模型，并找出了木质复合材料的耐污性能与其结构数据和生产工艺数据的构效关系。本发明专利技术可以应用于耐污性能木质复合材料生产实践中，根据现有的木材单板的结构数据和生产工艺数据等条件，通过训练的机器学习模型快速预测其耐污性能的实际值，具有快速、高效、预测精度高等优点，实现对最终产品性能进行快速、准确预测。同时，通过前述的构效关系，能够明确影响耐污性能的关键因素，指导原材料和生产工艺优化，减少企业加工试错成本，提高产能效率，以进一步提升耐污性能木质复合材料的加工水平。进一步提升耐污性能木质复合材料的加工水平。进一步提升耐污性能木质复合材料的加工水平。

【技术实现步骤摘要】
木质复合材料耐污性能预测方法和装置


[0001]本专利技术涉及林业工程领域，特别是指一种木质复合材料耐污性能预测方法和装置。

技术介绍

[0002]木质复合材料是家居、装修等领域的一种常用耗材，在日常生活中随处可见，常常被用于生产橱柜、餐桌等家具。随着人民生活水平逐渐提高，人们更加追求家具的整洁、美观性，这就要求木质复合材料在生产加工时便拥有很强的耐污性能。
[0003]耐污性的木质复合材料的加工工序复杂，且相关产品在加工技术层面有更新换代的可能，导致在实际加工中，即使是经验丰富的工人也难以准确预估出生产后材料的质量，使得生产的木质复合材料的耐污性难以达到期望的效果。而且，企业在进行原材料和生产工艺优化时，只能不断试错，增加了企业加工试错的成本，降低了产能效率。

技术实现思路

[0004]为解决现有技术的缺陷，本专利技术提供一种木质复合材料耐污性能预测方法和装置，实现了对木质复合材料耐污性能的快速、准确预测，指导原材料和生产工艺优化，减少企业加工试错成本，提高产能效率。
[0005]本专利技术提供技术方案如下：
[0006]一种木质复合材料耐污性能预测方法，所述方法包括：
[0007]建立包括多个木材单板数据样本的参考数据集；其中，每个所述木材单板数据样本均包括该木材单板的若干种特征，所述特征的种类包括结构数据和生产工艺数据，所述木材单板数据样本标注有标签数据，所述标签数据包括耐污性能数据；
[0008]将所述参考数据集进行数字化和归一化；
[0009]将所述参考数据集划分为训练集和测试集，利用所述训练集对构建的基于多层感知器的机器学习模型进行训练，利用所述测试集进行验证，得到能够预测出木质复合材料耐污性能的机器学习模型；
[0010]通过主成分回归算法对训练后的机器学习模型的回归函数进行降维拟合，得到木质复合材料的耐污性能与其结构数据和生产工艺数据的构效关系。
[0011]进一步的，所述建立包括多个木材单板数据样本的参考数据集，包括：
[0012]获取在所述木材单板的生产过程中，以所述木材单板为基元，采集的该木材单板的结构数据；
[0013]其中，所述结构数据包括树种名称、浸渍胶膜纸厚度、浸渍胶膜纸表面颜色和浸渍胶膜纸表面纹理中的一种或多种；
[0014]获取在所述木材单板的生产过程中，以所述木材单板为基元，采集的该木材单板的生产工艺数据；
[0015]其中，所述生产工艺数据包括表面涂料用量、电子束固化辐照剂量和电子束固化
辐照电压中的一种或多种；
[0016]获取生产后的所述木材单板的耐污性能数据；
[0017]其中，所述耐污性能数据包括水接触角、油接触角和耐污染等级中的一种或多种；
[0018]将所述结构数据和生产工艺数据作为所述木材单板数据样本的特征，将所述耐污性能数据作为所述木材单板数据样本的标签数据，得到包括多个木材单板数据样本的参考数据集。
[0019]进一步的，所述通过主成分回归算法对训练后的机器学习模型的回归函数进行降维拟合，得到木质复合材料的耐污性能与其结构数据和生产工艺数据的构效关系，包括：
[0020]对于所述参考数据集D，计算同一个木材单板数据样本的不同种类的特征和的相关系数γ
ij
，并将所有的相关系数γ
ij
组成相关系数矩阵R；
[0021][0022]和和分别表示参考数据集D的第k个木材单板数据样本的第i种和第j种特征，i,j＝1,2,
…
,n，n为特征的种类总数，k＝1,2,
…
,m，m为木材单板数据样本的总数；
[0023]通过所述相关系数矩阵R计算特征值(λ1,λ2，
…
,λ
n
)和特征向量μ
i
,μ2,...,μ
n
；
[0024]对特征值(λ1,λ2，
…
,λ
n
)进行降序排序，计算第j个特征值对应的信息贡献率b
j
和累计贡献率α
p
；
[0025][0026][0027]计算每个特征值对应的主成分z
j
，所有主成分z
j
组成的集合即为木质复合材料的耐污性能与其结构数据和生产工艺数据的构效关系
[0028][0029][0030]其中，μ
jk
表示第j个特征向量的第k维度值。
[0031]进一步的，所述将所述参考数据集划分为训练集和测试集，利用所述训练集对构建的基于多层感知器的机器学习模型进行训练，包括：
[0032]将所述参考数据集按照6：4的比例划分为训练集和测试集；
[0033]建立基于多层感知器的机器学习模型，所述机器学习模型包括输入层、隐含层和输出层，上一层的任一神经元均分别与下一层的每个神经元连接；
[0034]利用所述训练集对所述机器学习模型进行训练、调参；
[0035]采用K折交叉验证的方法重新划分所述训练集和测试集，重复对所述机器学习模型进行训练、调参，直至得到能够预测出木质复合材料耐污性能的机器学习模型。
[0036]进一步的，所述将所述参考数据集进行数字化和归一化，包括：
[0037]通过Python技术将所述参考数据集中的数据进行数字化；
[0038]通过Python技术将所述参考数据集中的数据的格式和单位进行归一化。
[0039]进一步的，所述将所述参考数据集划分为训练集和测试集，利用所述训练集对构建的基于多层感知器的机器学习模型进行训练，之前还包括：
[0040]对数字化和归一化后的所述参考数据集利用拟合算法进行质量评估，评估所述参考数据集的完整性和一致性；
[0041]对质量评估后的所述参考数据集进行数据清洗，清除异常值；对数据清洗后的所述参考数据集利用所述拟合算法再次进行质量评估，直至其完整性和一致性符合要求。
[0042]进一步的，所述对数字化和归一化后的所述参考数据集利用拟合算法进行质量评估，评估所述参考数据集的完整性和一致性，包括：
[0043]将所述参考数据集划分为K个大小相等的样本子集；
[0044]依次遍历每个所述样本子集，并将每次遍历的当前的样本子集作为验证集，其余木材单板数据样本作为训练集，进行质量评估；
[0045]将K次质量评估得到的评估指标的统计值作为最终评估指标，通过所述最终评估指标评估所述参考数据集的完整性和一致性。
[0046]进一步的，所述对质量评估后的所述参考数据集进行数据清洗，清除异常值，包括：
[0047]以二维数组表示所述参考数据集，对所述参考数据集中任一位置的元素，以该任一位置的元素为中心生成设定大小的观测窗口；
[0048]计算所述观测窗口内所有元素的中位数和标准差；
[0049]若所述任一位置的元素与所述中位数的差值的绝对值超过所述标准本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种木质复合材料耐污性能预测方法，其特征在于，所述方法包括：建立包括多个木材单板数据样本的参考数据集；其中，每个所述木材单板数据样本均包括该木材单板的若干种特征，所述特征的种类包括结构数据和生产工艺数据，所述木材单板数据样本标注有标签数据，所述标签数据包括耐污性能数据；将所述参考数据集进行数字化和归一化；将所述参考数据集划分为训练集和测试集，利用所述训练集对构建的基于多层感知器的机器学习模型进行训练，利用所述测试集进行验证，得到能够预测出木质复合材料耐污性能的机器学习模型；通过主成分回归算法对训练后的机器学习模型的回归函数进行降维拟合，得到木质复合材料的耐污性能与其结构数据和生产工艺数据的构效关系。2.根据权利要求1所述的木质复合材料耐污性能预测方法，其特征在于，所述建立包括多个木材单板数据样本的参考数据集，包括：获取在所述木材单板的生产过程中，以所述木材单板为基元，采集的该木材单板的结构数据；其中，所述结构数据包括树种名称、浸渍胶膜纸厚度、浸渍胶膜纸表面颜色和浸渍胶膜纸表面纹理中的一种或多种；获取在所述木材单板的生产过程中，以所述木材单板为基元，采集的该木材单板的生产工艺数据；其中，所述生产工艺数据包括表面涂料用量、电子束固化辐照剂量和电子束固化辐照电压中的一种或多种；获取生产后的所述木材单板的耐污性能数据；其中，所述耐污性能数据包括水接触角、油接触角和耐污染等级中的一种或多种；将所述结构数据和生产工艺数据作为所述木材单板数据样本的特征，将所述耐污性能数据作为所述木材单板数据样本的标签数据，得到包括多个木材单板数据样本的参考数据集。3.根据权利要求1所述的木质复合材料耐污性能预测方法，其特征在于，所述通过主成分回归算法对训练后的机器学习模型的回归函数进行降维拟合，得到木质复合材料的耐污性能与其结构数据和生产工艺数据的构效关系，包括：对于所述参考数据集D，计算同一个木材单板数据样本的不同种类的特征和的相关系数γ
ij
，并将所有的相关系数γ
ij
组成相关系数矩阵R；组成相关系数矩阵R；和和分别表示参考数据集D的第k个木材单板数据样本的第i种和第j种特征，i,j＝1,2,
…
,n，n为特征的种类总数，k＝1,2,
…
,m，m为木材单板数据样本的总数；通过所述相关系数矩阵R计算特征值(λ1,λ2，
…
,λ
n
)和特征向量μ
i
,μ
2,
...,μ
n
；对特征值(λ1,λ2，
…
,λ
n
)进行降序排序，计算第j个特征值对应的信息贡献率b
j
和累计贡
献率α
p
；；计算每个特征值对应的主成分z
j
，所有主成分z
j
组成的集合即为木质复合材料的耐污性能与其结构数据和生产工艺数据的构效关系；性能与其结构数据和生产工艺数据的构效关系；其中，μ
jk
表示第j个特征向量的第k维度值。4.根据权利要求1所述的木质复...

【专利技术属性】
技术研发人员：盛时雄，何拓，郭娟，殷亚方，郑昌，吕少一，王平，杨勇，沈梦婷，
申请(专利权)人：德华兔宝宝装饰新材股份有限公司，
类型：发明
国别省市：