【技术实现步骤摘要】
本专利技术属于制革过程中产品性能在线监测领域，具体涉及基于机器学习算法的鞣制过程中鞣革性能软测量建模方法。
技术介绍
1、在皮革加工过程中，鞣制是生皮转变为革的质变过程，是皮革加工过程中最为关键的工序。在鞣制过程中，鞣革性能的在线监测对于鞣制工艺的控制和优化至关重要，同时影响着企业生产的安全性和稳定性。鞣制过程是在密闭的转鼓设备中进行的，由于缺乏在线检测仪器或先进的在线检测技术，目前鞣制过程中鞣革性能监测仍然采用人工取样离线检测方式。离线检测属于后期质量控制方式，耗时较长，具有明显的滞后性，难以实现鞣制过程中鞣革性能的快速监测，从而不能及时发现皮革产品质量问题以及工艺的精准控制和实时优化。
2、目前，在工业领域中主要有两种实现生产过程中产品性能在线监测的方法，分别是研发新的物理传感器和开发新的软测量技术。软测量技术是一种间接测量技术，即通过机器学习技术建立生产过程中产品性能与容易检测的产品性能相关变量之间的数学模型，然后利用容易测量的过程变量来估计和预测难以在线测量的产品性能。与研发新的物理传感器相比，软测量技术因其易实现、低成本的优势已成为解决现代复杂工业过程中较难甚至无法由硬件实现产品性能在线监测问题的有效手段。其中，软测量技术的核心是软测量模型，软测量模型的建立一般是指基于历史数据，运用建模方法建立于易测量变量和产品质量指标之间的数学模型，其中，建模方法主要包括机理分析建模方法和基于数据驱动的建模方法。在过去的二十年里，随着数据采集和数据挖掘技术的快速发展，为数据驱动建模提供了数据支撑和技术支撑，使得基于数据驱
3、基于此，本专利技术公开了基于机器学习算法的鞣制过程中鞣革性能软测量建模方法，该方法在鞣制过程的应用实施将实现鞣制过程中鞣革性能的数字化在线监测水平，为鞣制工艺的精准控制和实时优化提供数据依据，从而保证制革企业的稳定、安全生产运行。此外，本专利技术公开的方法可以复制推广到其它皮革生产工序过程中产品性能软测量建模，这有助于实现整个制革过程中皮革产品性能的数字化在线监测，从而提高制革工艺过程的数字化、智能化水平，实现皮革行业的高质量可持续发展。
技术实现思路
1、本专利技术提供了基于机器学习算法的鞣制过程中鞣革性能软测量建模方法，该方法有助于实现鞣制过程中鞣革性能的数字化在线监测。
2、为了达到上述目的，本专利技术采用以下技术方案来实现，具体操作方法如下。
3、（1）鞣制过程中鞣革性能软测量模型主导变量和辅助变量的确定：通过鞣制机理分析和数据易得性确定了鞣制过程中鞣革性能软测量模型的主导变量和相关的辅助变量。以铬鞣过程为例，在铬鞣渗透过程中蓝湿皮性能软测量模型的主导变量为铬鞣剂在皮块中的分布均匀性，辅助变量为浸酸液ph、渗透时间、浴液ph、浴液电导率和浴液铬含量；在铬鞣结合过程中蓝湿皮性能软测量模型的主导变量为蓝湿皮收缩温度，辅助变量为提碱后ph、结合时间、浴液ph、浴液电导率和浴液铬含量。
4、（2）鞣制过程变量数据采集：以铬鞣过程为例，通过研制的鞣制浴液自动取样系统和校准后的ph计和电导率仪在线测定铬鞣渗透过程和铬鞣结合过程的浴液的ph值和电导率，以及采用电感耦合等离子体-原子发射光谱法测定铬鞣渗透过程和铬鞣结合过程中浴液的铬含量和鞣渗透过程中铬鞣剂在皮块中的分布均匀性，根据标准《皮革物理和机械试验收缩温度的测定》（qb/t 2713-2005）中的方法测定铬鞣结合过程中蓝湿皮的收缩温度。
5、（3）鞣制过程中鞣革性能软测量模型输入变量的确定：通过鞣革过程变量之间的相关性分析结果确定鞣制过程中鞣革性能软测量模型的输入变量。首先，采用皮尔逊相关系数（pearson correlation coefficient）描述鞣制过程变量之间的相关性，具体是通过调用python库中的matplotlib绘图工具包热力图heatmap模块计算并可视化呈现鞣制过程变量之间的皮尔逊相关系数；然后，通过分析变量之间的皮尔逊相关系数大小确定最终鞣制过程中鞣革性能软测量模型的输入变量。
6、（4）利用机器学习算法构建鞣制过程中鞣革性能软测量模型：首先，通过pycharm编程平台中的pandas模块读取储存在excel中的鞣制过程数据集；然后，调用scikit-learn库中的训练集、测试集分割算法，以8:2的分割原则将数据集分割为模型训练集和模型测试集；最后，以模型训练集为建模数据集，分别调用scikit-learn库中多元线性回归算法、多项式回归算法、支持向量机回归算法和反向传播人工神经网络算法进行鞣制过程中鞣革性能软测量模型构建。
7、（5）鞣制过程中鞣革性能软测量模型的预测性能评价：在鞣制过程中鞣革性能软测量模型构建的python代码基础上，以模型测试集为模型性能评价数据集，调用scikit-learn库中模型评价指标决定系数、均方误差和平均绝对误差以及数据拟合图工具包进行鞣制过程中鞣革性能软测量模型的预测性能评价。
8、（6）鞣制过程中鞣革性能软测量模型的可靠性评价：以铬鞣过程中蓝湿皮性能软测量模型的可靠性评价为例，使用场发射扫描显微镜在加速电压5.00 kv条件下观察铬鞣渗透过程中皮块样品的整个纵切面形貌结构，并利用附带的能量色散x射线能谱仪分析样品表面的cr元素分布情况，从而根据不同渗透时间下皮块中的铬分布均匀性变化规律定性评价铬鞣渗透过程中蓝湿皮性能软测量模型的可靠性；利用差示扫描量热仪测试铬鞣结合过程中蓝湿皮的热变性温度，以吸热曲线峰值所对应的温度记作样品的热变性温度，从而通过不同结合时间下蓝湿皮热变性温度变化规律定性评价铬鞣结合过程中蓝湿皮性能软测量模型的可靠性。
9、与传统的人工采样离线检测鞣制过程中鞣革性能技术相比，本专利技术公开的方法具有以下优点。
10、（1）本专利技术公开的方法可以快速实现鞣制过程中鞣革性能的数字化在线监测，有利于及时发现皮革产品的质量问题以及实现工艺的精准控制和实时优化，从而提高生产效率和产品质量稳定性。
11、（2）本专利技术公开的方法将降低在鞣制过程中鞣革性能检测过程中的人工干预，可提高鞣制过程中鞣革性能检测结果的精准性和可靠性，有助于实现制革工艺的精细化管理。
12、（3）本专利技术公开的方法可为解决我国传统皮革行业面临着招工难、劳动力短缺和生产成本上升等问题提供新思路和新路径，这将有助于实现皮革行业的可持续、高质量发展。
13、（4）本专利技术公开的方法可以复制推广到其它皮革生产工序过程中产品性能软测量建模，这有助于实现整个制革过程中皮革产品性能的数字化在线监测，从而提高整个制革工艺过程的数字化、智能化水平。
本文档来自技高网...【技术保护点】
1.基于机器学习算法的鞣制过程中鞣革性能软测量建模方法，其特征在于具体操作方法如下：
2.根据权利要求1所述的基于机器学习算法的鞣制过程中鞣革性能软测量建模方法，其特征在于所述的鞣制过程包括但不限于铬鞣过程、植鞣过程和醛鞣过程中的一种。
3.根据权利要求1所述的基于机器学习算法的鞣制过程中鞣革性能软测量建模方法，其特征在于所述的机器学习算法包括但不限于多元线性回归算法、多项式回归算法、支持向量机回归算法和反向传播人工神经网络算法中的一种。
4.根据权利要求1所述的基于机器学习算法的鞣制过程中鞣革性能软测量建模方法，其特征在于所述的可靠性评价包括但不限于通过能量色散X射线能谱法定性评价铬鞣渗透过程中蓝湿皮性能软测量模型的可靠性和借助差示扫描量热仪定性评价铬鞣结合过程中蓝湿皮性能软测量模型的可靠性。
【技术特征摘要】
1.基于机器学习算法的鞣制过程中鞣革性能软测量建模方法，其特征在于具体操作方法如下：
2.根据权利要求1所述的基于机器学习算法的鞣制过程中鞣革性能软测量建模方法，其特征在于所述的鞣制过程包括但不限于铬鞣过程、植鞣过程和醛鞣过程中的一种。
3.根据权利要求1所述的基于机器学习算法的鞣制过程中鞣革性能软测量建模方法，其特征在于所述的机器学习算法包括...
【专利技术属性】
技术研发人员：张龙，林炜，王春华，杨乐，刘敏敏，
申请(专利权)人：四川大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。