基于PSO-SVR的植物纖維地膜抗張強(qiáng)度預(yù)測(cè)研究

劉環(huán)宇 陳海濤 閔詩(shī)堯 張 穎

(東北農(nóng)業(yè)大學(xué)工程學(xué)院， 哈爾濱 150030)

基于PSO-SVR的植物纖維地膜抗張強(qiáng)度預(yù)測(cè)研究

劉環(huán)宇 陳海濤 閔詩(shī)堯 張 穎

(東北農(nóng)業(yè)大學(xué)工程學(xué)院， 哈爾濱 150030)

為快速、準(zhǔn)確地對(duì)生產(chǎn)過程中植物纖維地膜抗張強(qiáng)度進(jìn)行預(yù)測(cè)，降低生產(chǎn)成本，提高原料利用率，以植物纖維地膜中試平臺(tái)為依托，基于粒子群算法(PSO)優(yōu)化支持向量機(jī)回歸(SVR)模型，結(jié)合正交試驗(yàn)設(shè)計(jì)L25(56)方法，以纖維打漿度、施膠劑添加量、濕強(qiáng)劑添加量、地膜定量、混合比作為模型輸入?yún)?shù)，以植物纖維地膜抗張強(qiáng)度為輸出進(jìn)行模擬預(yù)測(cè)，并將模擬結(jié)果與SVR、BP、RBF智能算法模型進(jìn)行對(duì)比分析。結(jié)果表明：PSO-SVR模型能夠較好地表達(dá)植物纖維地膜抗張強(qiáng)度與模型參數(shù)間的非線性關(guān)系，并能根據(jù)輸入?yún)?shù)快速準(zhǔn)確地對(duì)植物纖維地膜抗張強(qiáng)度進(jìn)行預(yù)測(cè)，測(cè)試集樣本中預(yù)測(cè)值與實(shí)際值間均方誤差、決定系數(shù)和均方根誤差為0.117 N2、0.915、0.342 N；與其他智能算法(SVR、BP、RBF)相比，PSO-SVR算法模型具有更高的適用性與穩(wěn)定性。研究結(jié)果可為生產(chǎn)過程中不同抄造工藝參數(shù)下植物纖維地膜抗張強(qiáng)度的在線監(jiān)控提供參考依據(jù)。

植物纖維地膜； 抗張強(qiáng)度； 預(yù)測(cè)模型； 支持向量機(jī)回歸； 粒子群算法； 正交試驗(yàn)設(shè)計(jì)

引言

農(nóng)作物秸稈是巨大的可再生天然高分子材料[1-2]，以其為原料制造可降解植物纖維地膜是一種理想的利用方式[3-4]。在植物纖維地膜的實(shí)際生產(chǎn)過程中，為滿足不同農(nóng)藝要求需根據(jù)不同抄造工藝參數(shù)對(duì)其進(jìn)行加工。然而多數(shù)企業(yè)對(duì)纖維地膜抄造工藝參數(shù)的控制存在較大的偏差，且沒有抗張強(qiáng)度在線監(jiān)測(cè)儀表，均需進(jìn)行破壞性檢測(cè)，這不僅提高了生產(chǎn)成本，還造成了秸稈原料的浪費(fèi)[5-6]。因此在生產(chǎn)過程中根據(jù)不同抄造工藝參數(shù)建立快速、準(zhǔn)確、高效的預(yù)測(cè)模型是十分必要的[7-8]。

國(guó)內(nèi)外眾多學(xué)者對(duì)植物纖維地膜抗張強(qiáng)度進(jìn)行了研究。早在20世紀(jì)60年代 PAGE[9]通過理論分析探究了影響抗張強(qiáng)度的主要影響因素，提出了Page理論模型。AXELSSON[10]對(duì)Page模型部分參數(shù)進(jìn)行了改進(jìn)分析，使得模型在理論上可進(jìn)行較好的預(yù)測(cè)，但模型參數(shù)較多，實(shí)際預(yù)測(cè)精度低，實(shí)用性不高。在工藝研究方面，文獻(xiàn)[11-13]分別以水稻秸稈、大豆秸稈、玉米秸稈為原料對(duì)可降解植物纖維地膜進(jìn)行試制，從工藝角度分析并確定了影響地膜抗張強(qiáng)度的主要因素。隨著計(jì)算機(jī)技術(shù)的發(fā)展與應(yīng)用，相關(guān)學(xué)者利用軟件仿真及智能算法模型對(duì)抗張強(qiáng)度進(jìn)行模擬分析，李遠(yuǎn)華等[14]以影響紙張抗張強(qiáng)度的6個(gè)生產(chǎn)過程變量為指標(biāo)，建立了基于偏最小二乘法的抗張強(qiáng)度預(yù)測(cè)模型。陶勁松等[5]從紙張預(yù)測(cè)模型實(shí)際相關(guān)性差、預(yù)測(cè)精度低等方面出發(fā)，采用PLS和SVM對(duì)紙張抗張強(qiáng)度進(jìn)行建模，但模型統(tǒng)計(jì)方法對(duì)數(shù)據(jù)的選取依賴性較強(qiáng)，模型誤差有待改進(jìn)。盧桂馥等[15]基于支持向量機(jī)回歸提出了織物剪切性能預(yù)測(cè)的新方法。NAVITA等[16]利用神經(jīng)網(wǎng)絡(luò)較高的魯棒性和非線性擬合能力對(duì)生產(chǎn)過程中紙張的抗張強(qiáng)度建立模型，但預(yù)測(cè)時(shí)需要大量數(shù)據(jù)支持，且容易陷入局部極小值。

本文利用正交試驗(yàn)設(shè)計(jì)方法L25(56)，以纖維打漿度、地膜定量、施膠劑添加量、濕強(qiáng)劑添加量和混合比為模型輸入?yún)?shù)，基于粒子群算法-支持向量機(jī)回歸預(yù)測(cè)模型(PSO-SVR)對(duì)植物纖維地膜干抗張強(qiáng)度進(jìn)行預(yù)測(cè)研究，以期為實(shí)際生產(chǎn)過程中植物纖維地膜抗張強(qiáng)度的在線監(jiān)控提供參考依據(jù)。

1 試驗(yàn)材料與方法

1.1 材料與儀器設(shè)備

試驗(yàn)材料：東農(nóng)425水稻秸稈(東北農(nóng)業(yè)大學(xué)試驗(yàn)基地)；未漂硫酸鹽針葉木漿板；施膠劑、濕強(qiáng)劑(濟(jì)南合順化工有限公司)[17]。

試驗(yàn)儀器：ZT4-00型瓦利打漿機(jī)，陜西中通試驗(yàn)裝備有限公司；ZJG-100型肖伯氏打漿度測(cè)試儀，長(zhǎng)春市月明小型試驗(yàn)機(jī)有限責(zé)任公司；ZCX-A紙頁(yè)成型器，長(zhǎng)春市月明小型試驗(yàn)機(jī)有限責(zé)任公司；FB-1型分析篩；JA5003B型電子天平，上海精科天美科學(xué)儀器有限公司，稱量范圍：0～500 g，讀數(shù)精度：1 mg；ZUS-4型紙張厚度測(cè)定儀(長(zhǎng)春市月明小型試驗(yàn)機(jī)有限責(zé)任公司)，測(cè)量范圍：0～4 mm，精度：0.01 mm；WDW-5型微機(jī)電子式萬(wàn)能實(shí)驗(yàn)機(jī)，濟(jì)南德瑞克儀器有限公司，有效測(cè)力范圍：0～500 N；WGL-45B型電熱鼓風(fēng)干燥箱，天津泰斯特儀器有限公司，控溫范圍：1～300℃。

1.2 工藝流程

制備水稻秸稈纖維→打漿及漿料配制→抄造膜片→干燥→成型[17-18]。

(1)水稻秸稈纖維制備：水稻秸稈經(jīng)自制D200型秸稈纖維制取機(jī)加工成纖維原料，自然晾干后經(jīng)FB-1型分析篩篩分，保留0～10 mm纖維用于打漿。

(2)打漿：按照GB/T 24325—2009利用ZT4-00瓦利打漿機(jī)將水稻秸稈纖維打漿到表1所示相應(yīng)的打漿度。未漂硫酸鹽針葉木漿板按照GB/T 24325—2009標(biāo)準(zhǔn)打漿至 35°SR，以備配漿使用。

表1 正交試驗(yàn)因素水平

(3)漿料配制：兩種漿料按照試驗(yàn)方案(表1)中比例混合，待漿料充分融合后加入施膠劑，充分?jǐn)嚢韬?，加入濕?qiáng)劑，混合均勻，以備抄膜。施膠劑可充分填充在植物纖維之間，改進(jìn)了纖維地膜對(duì)液體滲透的抵抗能力，使強(qiáng)度得以改善。濕強(qiáng)劑加入后，濕強(qiáng)劑分子部分附著于纖維表面，部分沉積于纖維之間，當(dāng)植物纖維地膜干燥時(shí)，濕強(qiáng)劑分子相互交聯(lián)成網(wǎng)狀結(jié)構(gòu)，同時(shí)對(duì)施膠劑起到了助留作用，可大幅度提高地膜強(qiáng)度。

(4)抄造膜片：按照GB/T 24324—2009將配好的漿料壓榨、干燥后，完成膜片制造，測(cè)得不同定量植物纖維地膜厚度分布范圍為(0.09±0.02) mm。

(5)抗張強(qiáng)度測(cè)定：纖維地膜抗張強(qiáng)度參照GB/T 453—2002《紙和紙板抗張強(qiáng)度的測(cè)定方法(恒速加荷法)》測(cè)定，拉伸速率設(shè)定為100 mm/min，如圖1所示。

圖1 抗張強(qiáng)度測(cè)定試驗(yàn)裝置Fig.1 Tensile strength measurement device

1.3 試驗(yàn)方法

基于前期相關(guān)試驗(yàn)研究成果[19]，選取纖維打漿度、混合比(水稻秸稈纖維干物質(zhì)占總干物質(zhì)質(zhì)量分?jǐn)?shù))、定量(地膜每平方米的質(zhì)量，g/m2)、施膠劑添加量(施膠劑占總漿量干物質(zhì)的質(zhì)量分?jǐn)?shù))、濕強(qiáng)劑添加量(濕強(qiáng)劑占總漿量干物質(zhì)的質(zhì)量分?jǐn)?shù))為試驗(yàn)因素，按照正交試驗(yàn)表L25(56)進(jìn)行試驗(yàn)，試驗(yàn)因素水平如表1所示。

2 預(yù)測(cè)模型構(gòu)建

由于植物纖維地膜不同抄造工藝參數(shù)和性能指標(biāo)之間的非線性關(guān)系導(dǎo)致難以用通用的數(shù)學(xué)模型描述，因此需建立適用于小樣本數(shù)據(jù)的高精度植物纖維地膜抗張強(qiáng)度預(yù)測(cè)模型。支持向量機(jī)回歸是一種針對(duì)小樣本數(shù)據(jù)具有良好學(xué)習(xí)和泛化能力的智能算法[20]。近年來，支持向量機(jī)回歸取得了長(zhǎng)足的發(fā)展，已成功地用來解決模型預(yù)測(cè)、基因分類和文本識(shí)別等問題[21-24]。故本文利用粒子群算法優(yōu)化支持向量機(jī)回歸模型預(yù)測(cè)不同抄造工藝參數(shù)下植物纖維地膜的抗張強(qiáng)度。

2.1 SVR預(yù)測(cè)模型構(gòu)建

SVR算法通過引入不敏感函數(shù)ε，尋找一個(gè)最優(yōu)分類面使得訓(xùn)練樣本離最優(yōu)分類面的誤差最小。訓(xùn)練樣本集假定為{(xi，yi)，i=1，2，…，l}，其中輸入值xi(xi∈Rn)是第i個(gè)訓(xùn)練樣本的輸入列向量，yi(yi∈Rn)為對(duì)應(yīng)的目標(biāo)值，l為樣本數(shù)。不敏感損失函數(shù)為

(1)

式中f(x)——估計(jì)函數(shù)

用以控制模型擬合精度，過大會(huì)導(dǎo)致預(yù)測(cè)模型過于簡(jiǎn)單，過小則會(huì)導(dǎo)致模型過于復(fù)雜，不便推廣。

估計(jì)函數(shù)為

f(x)=wφ(x)+b

(2)

式中w——超平面的法向向量φ(x)——非線性映射函數(shù)b——偏置量

根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則，目標(biāo)函數(shù)方程引入松弛因子ξ≥0，ξ*≥0，最優(yōu)化問題表示為

(3)

式中c——懲罰系數(shù)，用于控制超出誤差范圍的樣本懲罰程度

引入Lagrange函數(shù)，并將函數(shù)轉(zhuǎn)換為對(duì)偶形式，最優(yōu)化問題表示為

(4)

(5)

(6)

式中Nnsv——支持向量個(gè)數(shù)

于是，回歸函數(shù)為

(7)

采用RBF核函數(shù)的SVR模型為

K(x,x′)=exp(g‖x-x′‖2)

(8)

式中g(shù)——寬度系數(shù)

2.2PSO算法參數(shù)尋優(yōu)

支持向量機(jī)回歸模型的擬合精度和適用性能取決于不敏感損失系數(shù)ε、懲罰系數(shù)c、寬度系數(shù)g3個(gè)參數(shù)的選取，如模型參數(shù)選取不當(dāng)，會(huì)導(dǎo)致模型運(yùn)行時(shí)間較長(zhǎng)，預(yù)測(cè)精度較低[25-28]。為保證模型預(yù)測(cè)的準(zhǔn)確性，尋求一個(gè)精確、快速、穩(wěn)定算法來實(shí)現(xiàn)對(duì)支持向量機(jī)回歸模型3個(gè)重要參數(shù)選取則尤為重要。粒子群算法是一種基于群體智能的優(yōu)化算法，基于種群的并行進(jìn)行全局搜索，相比其他智能算法具有更快的收斂速度，針對(duì)高維度問題的處理更具優(yōu)勢(shì)[29-30]。因此，本文基于粒子群算法結(jié)合植物纖維地膜抗張強(qiáng)度性能指標(biāo)，優(yōu)選出適應(yīng)支持向量機(jī)回歸模型參數(shù)。

PSO算法首先在一個(gè)D維的目標(biāo)搜索空間中初始化粒子，并且每個(gè)粒子都代表極值問題的一個(gè)潛在最優(yōu)解，用速度、位置和適應(yīng)度3項(xiàng)指標(biāo)來表示該粒子的特征，群體中第i個(gè)粒子在搜索空間中位置表示為Xi=(xi1,xi2,…,xiD)，其移動(dòng)速度可表示為Vi=(vi1,vi2,…,viD)，搜索過程中個(gè)體最優(yōu)解記為Pi=(pi1,pi2,…,piD)，全局最優(yōu)解記為Pg=(pg1,pg2,…,pgD)。每次迭代過程中，粒子通過個(gè)體極值和群體極值來更新當(dāng)前速度和位置，迭代公式為

(9)

(10)

式中k——前迭代次數(shù)σ——權(quán)重因子c1、c2——學(xué)習(xí)因子r1、r2—— [0,1]之間的隨機(jī)數(shù)

SVR模型中的3個(gè)自由參數(shù)ε、c、g決定了模型的復(fù)雜程度和泛化能力?；讦?、c、g3個(gè)參數(shù)，選取交叉過程中最低的均方差作為適應(yīng)度函數(shù)f(i)。

圖2 PSO-SVR流程圖Fig.2 Flow chart of PSO-SVR

基于粒子群算法優(yōu)化支持向量機(jī)回歸模型參數(shù)尋優(yōu)流程如圖2所示。

2.3 模型精度評(píng)價(jià)

為更好地對(duì)模型預(yù)測(cè)精度進(jìn)行評(píng)價(jià)，引入均方誤差、決定系數(shù)和均方根誤差來評(píng)價(jià)模型預(yù)測(cè)精度。均方誤差越小，說明模型預(yù)測(cè)值與實(shí)際值間差值越小，預(yù)測(cè)精度越高。決定系數(shù)表示預(yù)測(cè)值與實(shí)際值關(guān)系密切程度，決定系數(shù)越大，則表明預(yù)測(cè)值越能真實(shí)地反映實(shí)際值。均方根誤差評(píng)價(jià)模型預(yù)測(cè)值與實(shí)際值間變化程度。

3 結(jié)果與分析

3.1 正交試驗(yàn)結(jié)果

為降低試驗(yàn)帶來的隨機(jī)誤差，各試驗(yàn)樣本組在相同指標(biāo)條件下對(duì)地膜樣片進(jìn)行抄造，取10次抗張強(qiáng)度的算術(shù)平均值作為測(cè)試結(jié)果，如表2所示。

表2 正交試驗(yàn)安排與結(jié)果

3.2 算法參數(shù)設(shè)計(jì)

基于表2正交試驗(yàn)數(shù)據(jù)，隨機(jī)選取試驗(yàn)數(shù)據(jù)的70%作為樣本集，剩余30%作為測(cè)試集。在PSO-SVR預(yù)測(cè)模型中，SVR初始化參數(shù)取值范圍設(shè)定為：c∈[0.01，100]，g∈[0.01，10]，ε∈[0，1]。PSO參數(shù)設(shè)定為粒子群種群個(gè)數(shù)10個(gè)，最大進(jìn)化數(shù)200代，學(xué)習(xí)因子c1=1.5，c2=1.7，慣性權(quán)重w=1。 經(jīng)過200次進(jìn)化計(jì)算，PSO-SVR回歸預(yù)測(cè)模型得到最佳適應(yīng)度的穩(wěn)定迭代值，此時(shí)最優(yōu)化參數(shù)c=65.383，g=0.01，ε=0.110 92。PSO-SVR進(jìn)化代數(shù)曲線如圖3所示，模型經(jīng)17次迭代后趨于收斂，適應(yīng)度趨于穩(wěn)定，可以看出PSO算法優(yōu)化SVR參數(shù)收斂速度快且穩(wěn)定，適用于SVR參數(shù)尋優(yōu)。

圖3 PSO-SVR進(jìn)化曲線Fig.3 Evolution curves of PSO-SVR

3.3 結(jié)果分析

植物纖維地膜抗張強(qiáng)度樣本集預(yù)測(cè)值與實(shí)際值比較分析如圖4a所示。通過對(duì)樣本集18組數(shù)據(jù)分析可知，實(shí)測(cè)值與預(yù)測(cè)值間差值較小，均方誤差為0.014 N2；預(yù)測(cè)值回歸方程與實(shí)際值擬合緊密，決定系數(shù)為0.95；模型預(yù)測(cè)值與實(shí)際值間差值程度較小，預(yù)測(cè)精度較高，均方根誤差為0.12 N。測(cè)試集預(yù)測(cè)值與實(shí)際值比較分析如圖4b所示。對(duì)測(cè)試集7組數(shù)據(jù)進(jìn)行分析可知，其均方誤差為0.117 N2，決定系數(shù)為 0.915，均方根誤差為0.342 N。分析結(jié)果表明，以纖維打漿度、地膜定量、施膠劑添加量、濕強(qiáng)劑添加量和混合比作為模型輸入?yún)?shù)，經(jīng)PSO-SVR預(yù)測(cè)模擬，植物纖維地膜抗張強(qiáng)度預(yù)測(cè)值與實(shí)際值間差值小，模型預(yù)測(cè)精度高，可較好地反映抗張強(qiáng)度真實(shí)狀況，具有良好的適用性。

圖4 預(yù)測(cè)值與實(shí)測(cè)值比較Fig.4 Comparison of predicted and measured values

3.4 不同模型預(yù)測(cè)效果對(duì)比

為檢測(cè)PSO-SVR回歸預(yù)測(cè)模型是否比其他智能算法在植物纖維地膜抗張強(qiáng)度預(yù)測(cè)方面具有優(yōu)越性及適用性，分別采用SVR算法、BP神經(jīng)網(wǎng)絡(luò)及RBF神經(jīng)網(wǎng)絡(luò)對(duì)表2試驗(yàn)數(shù)據(jù)進(jìn)行模擬預(yù)測(cè)。以測(cè)試集均方誤差、決定系數(shù)、均方根誤差作為模型間評(píng)價(jià)指標(biāo)，不同模型預(yù)測(cè)結(jié)果如表3所示。

表3 不同模型預(yù)測(cè)結(jié)果對(duì)比

從表3可以看出，相比較其他3種智能算法，PSO-SVR預(yù)測(cè)模型均方誤差為0.117 N2，決定系數(shù)為0.915，均方根誤差為0.342 N，均優(yōu)于其他3種智能算法。對(duì)比SVR、RBF、BP算法模型分析可知，BP神經(jīng)網(wǎng)絡(luò)在植物纖維地膜抗張強(qiáng)度預(yù)測(cè)精度上優(yōu)于RBF神經(jīng)網(wǎng)絡(luò)，由于BP神經(jīng)網(wǎng)絡(luò)具有良好的函數(shù)逼近能力，可通過機(jī)器學(xué)習(xí)逼近任意線性、非線性函數(shù)，從而獲得高擬合精度。但BP神經(jīng)網(wǎng)絡(luò)易陷入局部最優(yōu)問題，以至收斂速度較慢，如為了達(dá)到一定的模型精度，則需要大量的樣本數(shù)據(jù)用于訓(xùn)練，因此在實(shí)際應(yīng)用中存在一定的局限。RBF算法模型在預(yù)測(cè)精度上略優(yōu)于SVR算法，具有良好的泛化能力，并有很快的學(xué)習(xí)收斂速度，可以通過任意精度逼近任意非線性函數(shù)，具有全局逼近能力，從根本上解決了BP神經(jīng)網(wǎng)絡(luò)的局部最優(yōu)問題，但RBF算法沒有能力解釋自己的推理過程和推理依據(jù)，當(dāng)數(shù)據(jù)不充分時(shí)，算法無(wú)法進(jìn)行工作，造成預(yù)測(cè)精度較低。由此可見，針對(duì)植物纖維地膜抗張強(qiáng)度，PSO-SVR預(yù)測(cè)模型綜合能力強(qiáng)、預(yù)測(cè)精度高，優(yōu)于SVR、RBF、BP算法。

3.5 模型穩(wěn)定性檢驗(yàn)及預(yù)測(cè)系統(tǒng)建立

為進(jìn)一步驗(yàn)證模型穩(wěn)定性，分別對(duì)PSO-SVR、SVR、RBF、BP預(yù)測(cè)模型進(jìn)行10次10折交叉驗(yàn)證。即將數(shù)據(jù)集分成10份，輪流將其中9份作為訓(xùn)練數(shù)據(jù)，1份作為測(cè)試數(shù)據(jù)，進(jìn)行驗(yàn)證。選取10次10折交叉驗(yàn)證預(yù)測(cè)集樣本均方誤差均值、標(biāo)準(zhǔn)差和變異系數(shù)為評(píng)價(jià)指標(biāo)，對(duì)模型穩(wěn)定性進(jìn)行描述，模型比較驗(yàn)證結(jié)果如圖5所示。

圖5 算法模型比較驗(yàn)證Fig.5 Comparison and verification of models

從圖5可以直觀看出RBF、BP智能算法在植物纖維地膜抗張強(qiáng)度預(yù)測(cè)方面表現(xiàn)不佳，SVR智能算法略優(yōu)于RBF、BP智能算法。PSO-SVR模型表現(xiàn)最優(yōu)。10次10折交叉驗(yàn)證后，測(cè)試集樣本均方

誤差均值、標(biāo)準(zhǔn)差和變異系數(shù)為0.065 N2、0.033、0.5?？梢奝SO通過對(duì)SVR模型參數(shù)ε、c、g的優(yōu)化選擇，使得模型穩(wěn)定方面與原始模型及其他算法相比均有顯著提高，有力地證明了模型在可降解植物纖維地膜抗張強(qiáng)度預(yù)測(cè)方面的可操作性。

4 結(jié)論

(1)基于粒子群算法(PSO)優(yōu)化支持向量機(jī)回歸(SVR)模型，結(jié)合正交試驗(yàn)設(shè)計(jì)L25(56)方法，根據(jù)生產(chǎn)過程中不同抄造工藝參數(shù)，構(gòu)建了植物纖維地膜抗張強(qiáng)度預(yù)測(cè)模型，測(cè)試集樣本均方誤差、決定系數(shù)、均方根誤差可達(dá)到0.117 N2、0.915、0.342 N。

(2)PSO算法針對(duì)SVR核參數(shù)進(jìn)行自動(dòng)優(yōu)化選擇，可提高模型預(yù)測(cè)精度。與智能算法SVR、RBF、BP相比， PSO-SVR針對(duì)植物纖維地膜抗張強(qiáng)度性能預(yù)測(cè)方面具有更高的泛化性、穩(wěn)定性和推廣性。

(3)PSO-SVR模型可為植物纖維地膜抗張強(qiáng)度預(yù)測(cè)提供參考依據(jù)，為進(jìn)一步實(shí)現(xiàn)植物纖維地膜抗張強(qiáng)度在線監(jiān)控奠定了良好基礎(chǔ)。

1 王紅彥,王飛,孫仁華,等. 國(guó)外農(nóng)作物秸稈利用政策法規(guī)綜述及其經(jīng)驗(yàn)啟示[J]. 農(nóng)業(yè)工程學(xué)報(bào),2016,32(16):216-222. WANG Hongyan, WANG Fei, SUN Renhua, et al. Policies and regulations of crop straw utilization of foreign countries and its experience and inspiration for China[J].Transactions of the CSAE,2016,32(16):216-222.(in Chinese)

2 劉振,劉玲,張淑敏,等. 秸稈利用循環(huán)模式的能值效率和持續(xù)發(fā)展能力[J]. 生態(tài)學(xué)報(bào),2016, 36(15):4739-4750. LIU Zhen, LIU Ling, ZHANG Shumin, et al. Comparison of emergy efficiency and sustainable development capability between different agricultural circulation modes with straw utilization[J].Acta Ecologica Sinica,2016, 36(15):4739-4750.(in Chinese)

3 陳海濤,韓永俊,劉麗雪,等. 植物纖維地膜原料及其無(wú)污染制造方法：CN101694078A[P].2010-04-14.

4 陳海濤,韓永俊,劉麗雪,等. 植物纖維地膜及其制造方法：CN101692777A[P].2010-04-14.

5 陶勁松,楊亞帆,李遠(yuǎn)華. 基于PLS和SVM的紙張抗張強(qiáng)度建模比較[J]. 華南理工大學(xué)學(xué)報(bào)：自然科學(xué)版,2014,42(7):132-137. TAO Jinsong, YANG Yafan, LI Yuanhua. Comparison of paper tensile strength prediction models based on PLS and SVM methods[J]. Journal of South China University of Technology： Natural Science Edition,2014,42(7):132-137. (in Chinese)

6 陶勁松,劉煥彬. 基于過程抄造參數(shù)的紙頁(yè)抗張強(qiáng)度預(yù)測(cè)模型的研究[J]. 應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報(bào),2010,18(增刊1):41-51. TAO Jinsong, LIU Huanbin. Study on modeling sheet tensile strength based on papermaking process parameters [J].Journal of Basic Science and Engineering, 2010,18(Supp.1):41-51. (in Chinese)

7 GARG P, SCOTT W E. Potential application of predictive tensile strength models in paper manufacture: part I-development of a predictive tensile strength model from the page equation[C]∥TAPPI Papermakers Conference Proceedings. Atlanta: GA TAPPI Press,2001.

8 SCOTT W E. Potential application of predictive tensile strength models in paper manufacture: part II-integration of a tensile strength model with a dynamic paper machine material balance simulation[C]∥TAPPI Papermakers Conference Proceedings. Atlanta: GA TAPPI Press,2001.

9 PAGE D H. A theory for the tensile strength of paper[J]. TAPPI Journal, 1969, 52(4):674-679.

10 AXELSSON A. Fibre based models for predicting tensile strength of paper[D]. LULEA: Lule? Tekniska Universitet, 2009.

11 韓永俊,陳海濤,劉麗雪,等. 水稻秸稈纖維地膜制造工藝參數(shù)優(yōu)化[J]. 農(nóng)業(yè)工程學(xué)報(bào),2011,27(3):242-247. HAN Yongjun, CHEN Haitao, LIU Lixue, et al. Optimization of technical parameters for making film from rice straw fiber[J]. Transactions of the CSAE,2011, 27(3):242-247. (in Chinese)

12 袁巧時(shí),陳海濤,韓永俊,等. 玉米秸稈纖維制造可降解地膜工藝參數(shù)優(yōu)化[J]. 黑龍江造紙,2011,39(2):1-5. YUAN Qiaoshi, CHEN Haitao, HAN Yongjun, et al. Optimization of technology parameters of making mulch from corn straw fiber[J]. Heilongjiang Pulp & Paper,2011, 39(2):1-5. (in Chinese)

13 李麗霞,陳海濤. 可降解地膜原料大豆秸稈纖維的制備工藝及參數(shù)優(yōu)化[J]. 農(nóng)業(yè)工程學(xué)報(bào),2012,28(13):269-275. LI Lixia, CHEN Haitao. Preparation technology and parameters optimization for soybean straw fiber as biodegradable film material[J]. Transactions of the CSAE, 2012, 28(13):269-275. (in Chinese)

14 李遠(yuǎn)華,陶勁松,李繼庚,等. 基于偏最小二乘法的紙張抗張強(qiáng)度預(yù)測(cè)模型[J]. 化工學(xué)報(bào),2014,65(9):3544-3551. LI Yuanhua, TAO Jinsong, LI Jigeng, et al. Building predicting model of paper tensile strength based on partial least-squares approach[J].CIESC Journal,2014,65(9):3544-3551. (in Chinese)

15 盧桂馥,王勇,竇易文. 基于支持向量機(jī)的織物剪切性能預(yù)測(cè)[J]. 計(jì)算機(jī)工程與應(yīng)用,2010,46(15):205-207. LU Guifu, WANG Yong, DOU Yiwen. Prediction of fabric’s shearing property with support vector machine [J]. Computer Engineering and Applications,2010,46(15):205-207. (in Chinese)

16 NAVITA S, KUMAR R. Articficial neural network modeling for tensile strength of paper in paper manufacturing process international [J]. International Journal of Information Technology and Knowledge Management,2011,4(2): 409-412．

17 陳海濤,明向蘭,劉爽,等. 廢舊棉與水稻秸稈纖維混合地膜制造工藝參數(shù)優(yōu)化[J]. 農(nóng)業(yè)工程學(xué)報(bào),2015,31(13):292-300. CHEN Haitao, MING Xianglan, LIU Shuang, et al, Optimization of technical parameters for making film from waste cotton and rice straw fiber [J]. Transactions of the CSAE,2015,31(13):292-300. (in Chinese)

18 陶金. 稻秸稈纖維與麻纖維混合非織造布性能的研究[J]. 安徽農(nóng)學(xué)通報(bào),2012,18(13):186-190. TAO Jin. The research of performance of rice straw stalk and hemp’s synthetic fabric supatex fabric [J]. Anhui Agricultural Science Bulletin,2012, 18(13):186-190. (in Chinese)

19 韓永俊, 陳海濤, 劉麗雪,等. 水稻秸稈纖維地膜制造工藝參數(shù)優(yōu)化[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2011, 27(3):242-247. HAN Yongjun, CHEN Haitao, LIU Lixue, et al. Optimization of technical parameters for making mulch from rice straw fiber[J].Transactions of the CSAE, 2011, 27(3): 242-247. (in Chinese)

20 VAPNIK V N. The nature of statistical learning theory[J]. IEEE Transactions on Neural Networks, 1995, 8(6):1564.

21 陳果,周伽. 小樣本數(shù)據(jù)的支持向量機(jī)回歸模型參數(shù)及預(yù)測(cè)區(qū)間研究[J]. 計(jì)量學(xué)報(bào),2008,29(1):92-96. CHEN Guo, ZHOU Jia. Research on parameters and forecasting interval of support vector regression model to small sample [J]. Acta Metrologica Sinica, 2008, 29(1):92-96. (in Chinese)

22 袁哲明,張永生,熊潔儀. 基于SVR的多維時(shí)間序列分析及其在農(nóng)業(yè)科學(xué)中的應(yīng)用[J]. 中國(guó)農(nóng)業(yè)科學(xué),2008,41(8):2485-2492. YUAN Zheming, ZHANG Yongsheng, XIONG Jieyi. Multidimensional time series analysis based on support vector machine regression and its application in agriculture [J]. Scientia Agricultura Sinica,2008,41(8):2485-2492. (in Chinese)

23 梁棟,管青松,黃文江,等. 基于支持向量機(jī)回歸的冬小麥葉面積指數(shù)遙感反演[J]. 農(nóng)業(yè)工程學(xué)報(bào),2013,29(7):117-123. LIANG Dong, GUAN Qingsong, HUANG Wenjiang, et al. Remote sensing inversion of leaf area index based on support vector machine regression in winter wheat [J]. Transactions of the CSAE,2013,29(7):117-123. (in Chinese)

24 梁亮,楊敏華,張連蓬,等. 基于SVR算法的小麥冠層葉綠素含量高光譜反演[J]. 農(nóng)業(yè)工程學(xué)報(bào),2012,28(20):162-171. LIANG Liang, YANG Minhua, ZHANG Lianpeng, et al. Chlorophyll content inversion with hyperspectral technology for wheat canopy based on support vector regression algorithm [J]. Transactions of the CSAE, 2012,28(20):162-171. (in Chinese)

25 üSTüN B, MELSSEN W J, OUDENHUIJZEN M. Determination of optimal support vector regression parameters by genetic algorithms and simplex optimization[J]. Analytica Chimica Acta, 2005, 544(1-2):292-305.

26 丁世飛,齊丙娟,譚紅艷. 支持向量機(jī)理論與算法研究綜述[J]. 電子科技大學(xué)學(xué)報(bào),2011,40(1):2-10. DING Shifei, QI Bingjuan, TAN Hongyan. An overview on yheory and algorithm of support vector machines [J]. Journal of University of Electronic Science and Technology of China, 2011, 40(1): 2-10. (in Chinese)

27 PAL M, DESWAL S. Support vector regression based shear strength modelling of deep beams[J]. Computers & Structures, 2011, 89(13-14):1430-1439.

28 YUVARAJ P, MURTHY A R, IYER N R, et al. Support vector regression based models to predict fracture characteristics of high strength and ultra high strength concrete beams[J]. Engineering Fracture Mechanics, 2013, 98(2):29-43.

29 孫俊,張梅霞,毛罕平,等. 基于高光譜圖像的桑葉農(nóng)藥殘留種類鑒別研究[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2015,46(6):251-256. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20150636&journal_id=jcsam. DOI:10.6041/j.issn.1000-1298.2015.06.036. SUN Jun, ZHANG Meixia, MAO Hanping, et al. Identification of pesticide residues on mulberry leaves based on hyper spectral imaging[J/OL]. Transactions of the Chinese Society for Agricultural Machinery,2015,46(6):251-256. (in Chinese)

30 李美清,李晉陽(yáng),毛罕平. 基于光譜特征和生理特征的番茄磷營(yíng)養(yǎng)診斷方法[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2016,47(3):286-291. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20160340&journal_id=jcsam. DOI: 10.6041/j.issn.1000-1298.2016.03.040. LI Meiqing, LI Jinyang, MAO Hanping. Tomatoes phosphorus nutrition diagnosis based on spectral and physiological characteristics[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(3):286-291. (in Chinese)

Tensile Strength Prediction for Plant Fiber Mulch Based on PSO-SVR

LIU Huanyu CHEN Haitao MIN Shiyao ZHANG Ying

(CollegeofEngineering,NortheastAgriculturalUniversity,Harbin150030,China)

Straw fiber is a kind of huge renewable biological macromolecule material, and using crop straw as the raw material to manufacture plant fiber mulch is an ideal way of promoting comprehensive utilization of straw resource. Tensile strength of plant fiber mulch is a measure of damage caused by external stress. In order to accurately and effectively predict the tensile strength, reduce production cost and improve the utilization rate of raw materials, based on pilot-production line of plant fiber mulch, particle swarm optimization (PSO) used to optimize support vector machine regression (SVR) combined with the orthogonal test method (L25(56)) was proposed, namely, the PSO-SVR. The production processes variables were chosen, and the PSO-SVR model was established in Matlab 2011b. The input parameters affecting plant fiber mulch tensile strength through mechanism analysis were beating degree, dosage of wet strength agent, regulator, basis weight and mixture ratio; the evaluation index was tensice strength. The results were compared in terms of prediction accuracy with three prediction models respectively based on support vector machine regression (SVR), back propagation neural network regression (BP) and radial basis function neural network regression (RBF). The results obtained by using the PSO-SVR model showed that the mean square error was 0.117 N2, the coefficient of determination was 0.915 and the root mean square error was 0.342 N. The punishment factor and kernel parameter of SVR can select by PSO automatically. Compared with other intelligent algorithms, such as SVR, BP and RBF， PSO-SVR algorithm possessed superior applicability and stability. Therefore, this method can better reflect the actual tensile strength of plant fiber film, which can be used as a theoretical basis for the intelligent controlling under different process conditions.

plant fiber mulch; tensile strength; prediction model; support vector machines regression; particle swarm algorithm; orthogonal test design

10.6041/j.issn.1000-1298.2017.04.015

2017-01-04

2017-01-27

“十二五”國(guó)家科技支撐計(jì)劃項(xiàng)目(2012BAD32B02-5)

劉環(huán)宇(1990—)，男，博士生，主要從事生物質(zhì)轉(zhuǎn)化與利用工程研究，E-mail： liuhy0528@163.com

陳海濤(1962—)，男，教授，博士生導(dǎo)師，主要從事農(nóng)業(yè)機(jī)械裝備及生物質(zhì)材料研究，E-mail： htchen@neau.edu.cn

S216.2；TP391.9

A

1000-1298(2017)04-0118-07