一种纸品厚度在线预测系统及方法与流程

本发明涉及造纸工业智能化控制与人工智能应用，特别涉及一种纸品厚度在线预测系统及方法。

背景技术：

1、在生活用纸生产过程中，原纸厚度是影响产品质量和材料利用率的关键指标。传统生产中普遍采用离线检测结合人工经验调整的模式，即通过定期取样送检获取厚度数据，再由操作人员根据经验调节工艺参数。近年来，部分企业开始引入基于mes系统的数据分析平台，尝试对抄纸环节的部分工艺参数进行监控，并利用简单统计模型或机器学习算法进行质量预测。国外如芬兰metso、瑞典valmet等公司已开发出集成传感器与ai模型的在线监测系统，能够实现关键参数的实时采集与局部预测，但其系统多聚焦于单一工序，数据覆盖不全，且依赖高成本硬件改造，难以适配国内生活用纸产线的实际工况。

2、然而，现有技术仍存在显著缺陷：首先，多数系统仅采集抄纸阶段的数据，缺乏打浆工序中的纤维湿重、磨片间隙等关键参数，导致输入信息不完整；其次，模型多基于单一算法构建，难以适应复杂的非线性时序关系，预测精度普遍偏低；再次，预测结果无法自动转化为可执行的操作指令，仍需人工干预，响应滞后严重；最后，系统更新机制缺失，无法应对原料波动、设备老化等动态变化，长期运行后预测性能下降明显。这些问题共同导致厚度调控不及时、合格率提升受限，制约了智能制造水平的进一步发展。

技术实现思路

1、本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种纸品厚度在线预测系统及方法，可以解决生活用纸生产过程中因数据采集不全、模型精度不足、调控响应滞后而导致的厚度控制不精准、合格率难以持续提升的技术问题。

2、根据本发明的第一方面实施例的一种纸品厚度在线预测系统，包括：

3、数据采集模块，配置为实时采集打浆工序和抄纸工序的工艺参数，打浆工序包括碎浆、磨浆、储浆环节，抄纸工序包括网部、压榨部、干燥部、后加工环节；

4、数据存储模块，配置为存储工艺参数及检验中心的历史检验数据，并构建分布式数据仓库；

5、ai预测模块，基于长短期记忆网络lstm与随机森林、xgboost中至少一种备选算法融合构建，用于根据工艺参数实时预测纸品厚度；

6、输出模块，配置为输出厚度预测结果及对应的工艺参数调整方案，并通过api接口与制造执行系统mes进行双向数据交互。

7、根据本发明的一些实施例，数据采集模块包括：

8、多台在线纤维分析仪，配置为实时监测纤维长度分布与粗度；

9、多台厚度预检测仪，配置为实时采集原纸厚度指标；

10、在线纤维分析仪与厚度预检测仪与现有质检系统完成接口开发与兼容性调试。

11、根据本发明的一些实施例，工艺参数包括打浆度、压榨辊线压、纤维湿重、磨片间隙、车速、原料配比中的多项核心特征，核心特征通过相关性分析与主成分分析从数十项参数中筛选得出。

12、根据本发明的一些实施例，数据存储模块还配置为：

13、制定数据采集规范，统一数据格式，时间戳精确到秒级，单位标准化；

14、建立异常数据识别规则，对超出正常范围若干倍标准差的数据判定为异常；

15、数据存储周期不少于3年，支持每天数千条至数万条实时数据的接入与管理。

16、根据本发明的一些实施例，ai预测模块还包括：

17、特征工程单元，配置为通过相关性分析与主成分分析从数十项参数中筛选出若干项核心特征；

18、注意力机制单元，配置为强化关键参数的权重占比；

19、模型推理引擎，配置为实时处理输入数据并输出预测结果，预测延迟小于等于200毫秒。

20、根据本发明的一些实施例，输出模块还包括：

21、参数调整规则库，基于工艺专家经验构建，配置为将预测厚度与目标值的偏差转化为具体操作指令，包括磨浆压力调整幅度、起皱率优化值；

22、人机交互界面，配置为实时展示参数曲线、预测厚度、合格率趋势及调整建议，支持历史数据回溯与模型效果分析。

23、根据本发明的一些实施例，ai预测模块通过滑动窗口法进行实时迭代训练，窗口大小为3天至30天，定期开展模型精度测试，针对偏差超过设定阈值的场景进行专项优化。

24、根据本发明的第二方面实施例的一种纸品厚度在线预测方法，包括以下步骤：

25、实时采集打浆工序和抄纸工序的多个工艺参数；

26、对工艺参数进行数据标准化处理，统一时间戳与单位，识别并剔除异常数据；

27、将标准化后的数据输入ai预测模型，ai预测模型基于lstm与随机森林、xgboost中至少一种备选算法融合构建；

28、输出纸品厚度预测结果及对应的工艺参数调整方案，并通过api接口推送至制造执行系统mes；

29、基于预测厚度与目标厚度的偏差，从规则库中匹配对应的工艺调整指令，并将调整指令推送至制造执行系统mes，确保厚度偏差控制在设定范围内。

30、根据本发明的一些实施例，ai预测模型的训练过程包括：

31、第一阶段基于历史数据与实时采集数据进行基础训练，优化模型参数；

32、第二阶段基于实时数据进行迭代训练，通过滑动窗口法更新训练集，窗口大小为3天至30天；

33、定期开展多场景验证，覆盖不同原料配比与车速条件，确保模型拟合度不低于90%，预测误差控制在设定范围内。

34、根据本发明的一些实施例，一种纸品厚度在线预测方法还包括：

35、在模型预测偏差超过设定阈值时，触发专项优化机制，重新训练或调整模型参数；

36、将优化后的模型部署至生产环境，实现模型在线更新与闭环调控。

37、根据本发明实施例的一种纸品厚度在线预测系统及方法，至少具有如下有益效果：通过整合打浆与抄纸全流程工艺参数，全面捕捉影响厚度的关键因素，解决了因数据缺失导致预测不准的问题；采用lstm与随机森林/xgboost融合算法建模，兼顾时序依赖与非线性特征表达能力，提升了预测精度与鲁棒性；引入注意力机制强化关键参数权重，使模型更贴合实际生产逻辑；结合特征工程与轻量化推理引擎，保障百毫秒级低延迟响应，满足高速生产线实时调控需求；通过规则库存储专家知识并将预测结果自动转化为操作指令，打通“感知-分析-决策-执行”闭环，大幅缩短调控响应时间，有效提高原纸厚度合格率并减少资源浪费。

38、本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

1.一种纸品厚度在线预测系统，其特征在于，包括：

2.根据权利要求1所述的一种纸品厚度在线预测系统，其特征在于，所述数据采集模块包括：

3.根据权利要求1所述的一种纸品厚度在线预测系统，其特征在于，所述工艺参数包括打浆度、压榨辊线压、纤维湿重、磨片间隙、车速、原料配比中的多项核心特征，所述核心特征通过相关性分析与主成分分析从数十项参数中筛选得出。

4.根据权利要求1所述的一种纸品厚度在线预测系统，其特征在于，所述数据存储模块还配置为：

5.根据权利要求1所述的一种纸品厚度在线预测系统，其特征在于，所述ai预测模块还包括：

6.根据权利要求1所述的一种纸品厚度在线预测系统，其特征在于，所述输出模块还包括：

7.根据权利要求1所述的一种纸品厚度在线预测系统，其特征在于，所述ai预测模块通过滑动窗口法进行实时迭代训练，窗口大小为3天至30天，定期开展模型精度测试，针对偏差超过设定阈值的场景进行专项优化。

8.一种纸品厚度在线预测方法，其特征在于，包括以下步骤：

9.根据权利要求8所述的一种纸品厚度在线预测方法，其特征在于，所述ai预测模型的训练过程包括：

10.根据权利要求8所述的一种纸品厚度在线预测方法，其特征在于，所述方法还包括：