周修理，王 飛，劉明瑋，王德福

（1.東北農(nóng)業(yè)大學(xué)電氣與信息學(xué)院，哈爾濱 150030；2.東北農(nóng)業(yè)大學(xué)工程學(xué)院，哈爾濱 150030）

混合材料板以木材和農(nóng)作物秸稈為原料，經(jīng)熱壓形成高分子材料，應(yīng)用廣泛。我國(guó)混合材料板制造行業(yè)存在能源消耗高、環(huán)境污染、產(chǎn)品質(zhì)量低等問題。因此，高效利用木材和農(nóng)作物秸稈，緩解木材資源供需不平衡，提高自然資源利用率、增加附加值、改善環(huán)境、實(shí)現(xiàn)自然資源可持續(xù)利用尤為重要。基于森林資源和混合材料板供需矛盾，建立精確、快速混合材料板熱壓控制預(yù)測(cè)模型具有實(shí)用價(jià)值[1-2]。

熱壓過程檢測(cè)和控制方面，Steve等開發(fā)人造板熱壓監(jiān)測(cè)系統(tǒng)用于檢測(cè)熱壓過程板坯溫度、壓力、厚度和含水率等工藝參數(shù)[3]。陳天全自主研發(fā)熱壓溫度、熱壓壓力和原料含水率實(shí)時(shí)檢測(cè)系統(tǒng)，實(shí)時(shí)檢測(cè)溫度、壓力、含水率等參數(shù)并發(fā)現(xiàn)其變化規(guī)律[4]。王東林等基于PROFIBUS現(xiàn)場(chǎng)總線技術(shù)，構(gòu)建分布式智能控制系統(tǒng)，運(yùn)用模糊調(diào)節(jié)算法及模糊規(guī)則調(diào)節(jié)算法主要參數(shù)，實(shí)現(xiàn)熱壓過程優(yōu)化控制[5]。王寧等分析熱壓生產(chǎn)過程，建立雙模控制器，應(yīng)用改進(jìn)粒子群算法優(yōu)化控制器參數(shù)，提高控制系統(tǒng)魯棒性和精度[6]。

熱壓過程建模和性能預(yù)測(cè)方面，Harless等分析板坯垂直密度分布與板芯溫度和熱壓壓力分布，構(gòu)建數(shù)學(xué)模型[7]。Humphrey等研究分析熱壓過程原料含水率、熱壓溫度、熱壓壓力等因素，運(yùn)用有限差分方法構(gòu)建熱壓過程溫度、壓力、含水率預(yù)測(cè)模型[8]。Zombori等開發(fā)熱壓過程二維模型考慮空氣、水蒸氣、結(jié)合水含量、板坯芯層溫度和固化指數(shù)，利用微分-代數(shù)系統(tǒng)求解器求解[9]。該數(shù)學(xué)模型可預(yù)測(cè)并優(yōu)化熱壓過程溫度、含濕量、局部空氣和蒸汽壓力、總壓力、相對(duì)濕度及粘合劑固化指數(shù)等參數(shù)。謝力生等認(rèn)為板芯層溫度影響因素有熱壓溫度、原料含水率、板材厚度等，確定溫度變化與板材性能參數(shù)間關(guān)系[10]。劉亞秋等研究熱壓過程板間距離、熱壓壓力、熱壓溫度、壓機(jī)閉合速度、熱壓時(shí)間等因素得到最佳生產(chǎn)工藝方案[11]。田燕青通過分析熱壓過程與BP神經(jīng)網(wǎng)絡(luò)特點(diǎn)，將該算法應(yīng)用于中密度纖維板熱壓參數(shù)優(yōu)化和預(yù)測(cè)，利用試驗(yàn)樣本集合訓(xùn)練、學(xué)習(xí)建立基于BP神經(jīng)網(wǎng)絡(luò)熱壓過程預(yù)測(cè)模型，預(yù)測(cè)不同熱壓生產(chǎn)工藝條件下中密度纖維板性能，提高產(chǎn)品質(zhì)量和生產(chǎn)效率[12]。蓋玲等利用BP神經(jīng)網(wǎng)絡(luò)建立熱壓工藝參數(shù)與板材力學(xué)特性間預(yù)測(cè)模型，該預(yù)測(cè)模型可預(yù)測(cè)混合材料板力學(xué)性能指標(biāo)[13]。孫建飛等通過多因素均勻試驗(yàn)研究熱壓工藝參數(shù)對(duì)稻殼和木材復(fù)合材料彈性模量和靜曲強(qiáng)度影響[14]。符彬等以甘蔗渣纖維為原料，采用熱壓技術(shù)制備無粘結(jié)劑蔗渣纖維板，研究無粘結(jié)劑甘蔗渣纖維板密度、熱壓溫度和熱壓時(shí)間對(duì)無粘結(jié)劑蔗渣纖維板物理力學(xué)性能影響[15]。Tiryaki等建立人工神經(jīng)網(wǎng)絡(luò)和多元線性回歸模型，根據(jù)熱壓溫度、熱壓時(shí)間、熱壓壓力及膠粘劑類型預(yù)測(cè)刨花板靜曲強(qiáng)度和彈性模量[16]。潘亞鴿等以麥秸、木材和環(huán)保型阻燃無機(jī)膠粘劑為主要原料，采用熱壓技術(shù)制備麥草與木材均勻混合無機(jī)刨花板，通過研究麥草木比、膠粘劑用量、熱壓過程X射線衍射并以掃描電子顯微鏡分析熱壓時(shí)間和熱壓溫度對(duì)板材物理靜曲強(qiáng)度、彈性模量、內(nèi)部結(jié)合強(qiáng)度及吸水厚度膨脹率影響作用，確定最佳熱壓工藝[17]。彭順等研究大豆基粘合劑粘接竹纖維刨花板靜曲強(qiáng)度、彈性模量、內(nèi)部結(jié)合強(qiáng)度及吸水厚度膨脹率，探討熱壓溫度、熱壓時(shí)間、粘合劑用量和防水試劑含量對(duì)大豆基粘結(jié)竹刨花板性能影響[18]。孫建平等利用遺傳算法和神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)力學(xué)性能[19-20]，該網(wǎng)絡(luò)模型非線性映射能力更強(qiáng)、穩(wěn)定性更高，但預(yù)測(cè)易陷入局部極小值。于海英針對(duì)中密度纖維板熱壓小樣本問題、訓(xùn)練樣本不足問題，提出采用支持向量機(jī)建模方法構(gòu)建熱壓工藝參數(shù)與板材力學(xué)性能指標(biāo)關(guān)系模型，并用網(wǎng)格搜索法優(yōu)化參數(shù)[21]，預(yù)測(cè)混合材料板力學(xué)特性，但易陷入局部最優(yōu)。

針對(duì)上述問題，本文結(jié)合支持向量機(jī)理論（Support Vector Machine，SVM）和粒子群優(yōu)化算法（Particle Swarm Optimization，PSO），通過正交試驗(yàn)設(shè)計(jì)并結(jié)合混合材料板力學(xué)特性測(cè)試樣本數(shù)據(jù)，以熱壓壓力、熱壓溫度、含水率、熱壓時(shí)間為自變量，選取靜曲強(qiáng)度、彈性模量、抗拉強(qiáng)度為因變量，構(gòu)建熱壓工藝參數(shù)與混合材料板力學(xué)特性間非線性預(yù)測(cè)模型，提出將PSO嵌入SVR算法，選擇和優(yōu)化熱壓控制參數(shù)，以期獲得全局最優(yōu)混合材料板力學(xué)特性預(yù)測(cè)模型。研究結(jié)果可為混合材料板靜曲強(qiáng)度、彈性模量、抗拉強(qiáng)度預(yù)測(cè)及熱壓控制參數(shù)選擇提供參考依據(jù)。

1 熱壓過程分析與熱壓試驗(yàn)設(shè)計(jì)

1.1 熱壓過程分析

熱壓是混合材料板生產(chǎn)主要工序之一，對(duì)板材力學(xué)特性起決定作用?；旌喜牧习迕芏取⒑穸群土W(xué)特性與熱壓控制參數(shù)密切相關(guān)[22]。熱壓過程主要原理是熱壓機(jī)根據(jù)工藝要求向蓬松板坯提供熱量并施壓，熱量與壓力共同作用促使板坯中水分汽化、蒸發(fā)，各種成分發(fā)生系列理化變化。膠粘劑固化，防水劑重新分布，促進(jìn)板坯纖維緊密接觸與交織，形成多種結(jié)合力，生產(chǎn)符合特定要求混合材料板。其過程可分為壓縮、溫度滲透、厚度控制和卸壓4個(gè)階段。熱壓過程是復(fù)雜非線性系統(tǒng)，主要參數(shù)包括兩個(gè)方面：一是原料參數(shù)，包括原料類型、膠粘劑種類、含水率等，該參數(shù)對(duì)混合材料板密度及密度分布均勻性和可塑性具有重要影響；二是熱壓控制參數(shù)，包括熱壓壓力、熱壓溫度、熱壓時(shí)間等，在該參數(shù)耦合作用下形成具有特定力學(xué)特性混合材料板。混合材料板力學(xué)性能指標(biāo)主要包括靜曲強(qiáng)度、彈性模量、內(nèi)結(jié)合強(qiáng)度等。其中，靜曲強(qiáng)度是混合材料板承受壓力直到斷裂最大壓力強(qiáng)度；彈性模量反映混合材料板彈性形變程度；內(nèi)結(jié)合強(qiáng)度反映混合材料板內(nèi)部纖維膠合質(zhì)量。實(shí)際混合材料板生產(chǎn)過程中熱壓壓力、熱壓溫度、熱壓時(shí)間及原料含水率等因素相互作用、相互影響，需協(xié)同控制以滿足工藝需求。

1.2 熱壓試驗(yàn)設(shè)計(jì)

1.2.1 試驗(yàn)儀器及材料

以熱壓控制過程為研究對(duì)象，實(shí)驗(yàn)儀器、材料為：100 t試驗(yàn)熱壓機(jī)、50 t試驗(yàn)熱壓機(jī)、空氣壓縮機(jī)、纖維拌膠機(jī)、SC69-02型水分快速測(cè)定儀、臺(tái)秤、天平、計(jì)時(shí)表、燒杯、量筒、玻璃棒、干燥雜木纖維、脲醛樹脂膠、固化劑、防水劑等。試驗(yàn)材料、指標(biāo)及熱壓控制參數(shù)范圍如下：木纖維初始含水率30%～40%，采用脲醛樹脂膠粘劑，固體膠含量為50%，成品板目標(biāo)厚度12 mm，密度0.80～0.85 g·cm-3，鋪裝線含水率約10%，全程熱壓時(shí)間約180 s，熱壓溫度約170℃，熱壓過程時(shí)間約3 min。

1.2.2 熱壓試驗(yàn)流程

（1）原料用量計(jì)算：用SC69-02型水分快速測(cè)定儀測(cè)定纖維含水率，確定混合材料板密度、施膠量、膠粘劑和固化劑用量、防水劑用量；根據(jù)混合材料板幅面尺寸及厚度計(jì)算絕干纖維重量，確定絕干纖維重量和纖維含水率及實(shí)際需要濕纖維重量；根據(jù)計(jì)算干膠量，按液體膠固體含量計(jì)算需要液體膠含量；根據(jù)預(yù)定固化劑用量比例計(jì)算實(shí)際用量；根據(jù)預(yù)定防水劑用量比計(jì)算實(shí)際用量。

（2）拌膠：將纖維原料倒入拌膠機(jī)內(nèi)，膠粘劑和固化劑混合，其間不斷攪拌，以防局部快速固化，倒入噴槍杯。防水劑可與膠粘劑合噴，也可單噴；待纖維、膠粘劑、防水劑準(zhǔn)備完畢，開動(dòng)攪拌機(jī)和空氣壓縮機(jī)拌膠?？刂坪冒枘z機(jī)轉(zhuǎn)速和攪拌時(shí)間以保證纖維和膠粘劑充分混合?？諝鈮嚎s機(jī)壓力一般控制在0.4～0.5 Mpa；拌膠后纖維刨花含水率在13%以下，即可保證混合材料板質(zhì)量，防止鼓泡和分層現(xiàn)象，縮短熱壓時(shí)間，提高效率。

（3）鋪裝：墊板使用前，為防止熱壓后粘板，可在混合材料板板坯與墊板接觸處涂擦少量油酸，放入?？蛳湎旅妫粚枘z纖維手工鋪裝，為使纖維分布均勻，防止由于鋪裝不均熱壓造成混合材料板密度不均，在?？蛳滗佈b口上放置金屬絲網(wǎng)，使纖維通過屬絲網(wǎng)而均勻地落入模框箱內(nèi)。

（4）預(yù)壓：拌膠纖維在?？蛳鋬?nèi)鋪裝完畢，送入預(yù)壓機(jī)。預(yù)壓機(jī)內(nèi)預(yù)壓15～20 s，單位壓力一般為1.5～1.8 Mpa；預(yù)壓成型后，板坯從預(yù)壓機(jī)卸下，拆掉模箱，為防止熱壓后粘板，在板坯下面放置墊板。

（5）熱壓：根據(jù)要求混合材料板厚度，選取厚度規(guī)放在熱壓板上；將預(yù)壓后板坯同上下墊板一同放入熱壓機(jī)中。12 mm厚混合材料板熱壓條件：溫度約170℃，時(shí)間約3 min，壓力約15～18 Mpa；熱壓后，降壓卸板。使壓機(jī)緩慢或分段降壓，以免過快發(fā)生鼓泡。

（6）力學(xué)特性測(cè)定：混合材料板彈性模量、靜曲強(qiáng)度及內(nèi)結(jié)合強(qiáng)度性能指標(biāo)測(cè)定參照《人造板及飾面人造板理化性能試驗(yàn)方法》國(guó)家標(biāo)準(zhǔn)（GB/T11657-1999）。

1.2.3 試驗(yàn)方法

影響混合材料板靜曲強(qiáng)度、彈性模量、內(nèi)結(jié)合強(qiáng)度主要因素包括熱壓壓力、熱壓溫度、熱壓時(shí)間與含水率。結(jié)合試驗(yàn)熱壓機(jī)工作參數(shù)，通過理論分析及預(yù)實(shí)驗(yàn)確定因素取值范圍，綜合考慮熱壓工藝要求，選取熱壓壓力為16～17 Mpa，熱壓溫度為168～172℃，熱壓時(shí)間為120～130 s，纖維含水率9.5%～10.5%。以混合材料板靜曲強(qiáng)度、彈性模量、內(nèi)結(jié)合強(qiáng)度為評(píng)價(jià)指標(biāo)。正交試驗(yàn)因素水平如表1所示。

表1 正交試驗(yàn)因素水平Table1 Factorsand levelsof orthogonal test

2 預(yù)測(cè)模型算法原理

2.1 支持向量機(jī)原理

支持向量機(jī)是基于小樣本統(tǒng)計(jì)學(xué)習(xí)理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則建模方法[23]。將支持向量機(jī)解決回歸預(yù)測(cè)問題即支持向量機(jī)回歸（Support Vector Regression，SVR）[24]。

假設(shè) n 個(gè)訓(xùn)練樣本集合（xi，yi），xi∈ Rn，yi∈R，i=1，2，…，n。xi表示輸入值，yi表示輸出值，根據(jù)樣本集合尋找最優(yōu)函數(shù)f（x）=〈w，x〉+b。其中〈w，x〉表示w和x內(nèi)積，〈w，x〉=wTx。表示預(yù)測(cè)模型混合材料板板材屬性與熱壓控制參數(shù)系數(shù)組成向量?？紤]現(xiàn)實(shí)誤差，引入不敏感損失參數(shù)ε、松弛變量ζi、ζi*和懲罰因子C。優(yōu)化方程為：

由函數(shù)極值條件求解Lagrange乘子式，得對(duì)偶問題。其中α，β，為拉格朗日乘子。

非線性情況下，將點(diǎn)通過核函數(shù)K（xi，xj）映射到高維空間。得到非線性回歸函數(shù)

支持向量機(jī)核函數(shù)通常有以下三種：多項(xiàng)式Polynomial核函數(shù)、RBF核函數(shù)以及Sigmoid核函數(shù)。相比其他核函數(shù)，RBF核函數(shù)具有性態(tài)良好、參數(shù)少等優(yōu)點(diǎn)[26]，故選用RBF核函數(shù)為試驗(yàn)核函數(shù)構(gòu)建預(yù)測(cè)模型。其參數(shù)初值范圍設(shè)置：

RBF核函數(shù)：exp（-gamma*|u-v|2）C∈[0.01,1000],gamma∈[0.001,10]

為研究板坯屬性、熱壓控制參數(shù)及混合材料板力學(xué)特性三者之間非線性關(guān)系，本文利用支持向量機(jī)非線性建模理論構(gòu)建以熱壓工藝參數(shù)和板坯屬性為自變量，以混合材料板性能指標(biāo)為因變量關(guān)系模型?；赟VR原理熱壓控制模型結(jié)構(gòu)圖如圖1所示。

本文采用5倍交叉驗(yàn)證方法優(yōu)選參數(shù)，即將訓(xùn)練樣本集合分為5個(gè)子集合且兩兩互不相交，其中4個(gè)子集合作為訓(xùn)練集，訓(xùn)練數(shù)據(jù)建立回歸預(yù)測(cè)模型；剩余一個(gè)子集作為測(cè)試集，驗(yàn)證模型性能。根據(jù)圖1，分別對(duì)以下三種情況建立預(yù)測(cè)模型。

圖1 基于SVR原理建立熱壓控制模型結(jié)構(gòu)圖Fig.1 Structuredigram of hot-pressing technology processbased on SVR

模型一：以熱壓溫度、熱壓壓力、熱壓時(shí)間、含水率為自變量，以靜曲強(qiáng)度為因變量；

模型二：以熱壓溫度、熱壓壓力、熱壓時(shí)間、含水率為自變量，以彈性模量為因變量；

模型三：以熱壓溫度、熱壓壓力、熱壓時(shí)間、含水率為自變量，以內(nèi)結(jié)合強(qiáng)度為因變量。

2.2 PSO算法參數(shù)尋優(yōu)

由于SVR預(yù)測(cè)模型性能主要受懲罰因子C與RBF核函數(shù)參數(shù)g影響[27]，模型參數(shù)選取直接影響預(yù)測(cè)模型擬合精度和穩(wěn)定性。為提高混合材料板力學(xué)特性預(yù)測(cè)精度，選擇算法優(yōu)化支持向量機(jī)回歸模型中懲罰因子C和RBF核函數(shù)參數(shù)g尤為重要。為避免網(wǎng)格搜索法優(yōu)選參數(shù)易陷入局部最優(yōu)，本文將粒子群算法嵌入SVR算法，對(duì)SVR參數(shù)選擇和優(yōu)化。粒子群算法具有計(jì)算速度快、全局搜索能力強(qiáng)等優(yōu)點(diǎn)[28]。

其基本思想：在D維目標(biāo)搜索空間，有m個(gè)粒子由3個(gè)向量表示，第i個(gè)粒子當(dāng)前位置可表示為xi=（xi1，xi2，…，xiD）T，速度為 vi=（vi1，vi2，…，viD）T；pi=（pi1，pi2，…，piD）T表示第 i個(gè)粒子個(gè)體極值點(diǎn)位置；pg=（pg1，pg2，…，pgD）T表示整個(gè)種群全局極值點(diǎn)位置[29]。粒子根據(jù)個(gè)體極值點(diǎn)和全局極值點(diǎn)重新確定本身位置和速度，速度和位置更新如式（5）：

其中，位置更新公式由三部分組成：量部分、個(gè)體認(rèn)知部分及社會(huì)認(rèn)知。為第n次迭代粒子i位置矢量第d維分量；為第n次迭代粒子i位置矢量第d維分量；pid為粒子i個(gè)體最好位置pbest第d維分量；pgd為群體最好位置gbest第d維分量；w表示慣性權(quán)重；c1和c2為學(xué)習(xí)因子；和為[0,1]區(qū)間隨機(jī)數(shù)。PSO算法實(shí)現(xiàn)步驟：

（1）初始化粒子群，即初始化種群數(shù)量、初始搜索點(diǎn)位置及速度，并設(shè)定初始參數(shù)；

（2）確定適應(yīng)度函數(shù)并計(jì)算適應(yīng)度值；

（3）根據(jù)式（4）更新粒子位置和速度，包括更新每個(gè)粒子狀態(tài)、種群中個(gè)體最優(yōu)位置及全局最優(yōu)位置；

（4）判斷是否滿足終止條件。若滿足條件，則終止迭代，輸出全局最優(yōu)解；否則跳轉(zhuǎn)至步驟（2）。

基于上述分析，應(yīng)用PSO算法對(duì)熱壓混合材料板SVR預(yù)測(cè)模型參數(shù)優(yōu)化，具體實(shí)現(xiàn)流程如圖2所示。

2.3 預(yù)測(cè)模型評(píng)價(jià)標(biāo)準(zhǔn)

為更好評(píng)價(jià)預(yù)測(cè)模型精度，以均方誤差和擬合優(yōu)度為預(yù)測(cè)模型評(píng)價(jià)指標(biāo)[30]。其中，均方誤差反映預(yù)測(cè)模型實(shí)際值與預(yù)測(cè)值誤差，越小說明預(yù)測(cè)精度越高。擬合優(yōu)度越接近1，說明回歸函數(shù)對(duì)數(shù)據(jù)擬合效果越好，即自變量對(duì)因變量解釋程度越好。為避免輸出各性能參數(shù)差別較大對(duì)模型計(jì)算造成影響，分別對(duì)混合材料板靜曲強(qiáng)度、彈性模量和內(nèi)結(jié)合強(qiáng)度作最大-最小標(biāo)準(zhǔn)歸一化處理。

3 結(jié)果與分析

3.1 試驗(yàn)結(jié)果

為降低測(cè)試試驗(yàn)造成隨機(jī)誤差，在相同條件下，分別測(cè)量試驗(yàn)樣本組靜曲強(qiáng)度、彈性模量和內(nèi)結(jié)合強(qiáng)度，取5次測(cè)量值算術(shù)平均值作為測(cè)試結(jié)果。訓(xùn)練和測(cè)試基于正交試驗(yàn)性能測(cè)試小樣本數(shù)據(jù)，其中前10組為測(cè)試集樣本數(shù)據(jù)，后30組為訓(xùn)練集樣本數(shù)據(jù)，試驗(yàn)數(shù)據(jù)如表2所示。

圖2 粒子群算法及預(yù)測(cè)模型實(shí)現(xiàn)流程Fig.2 Particleswarm optimization and implementing flow of predictivemodel

表2 試驗(yàn)數(shù)據(jù)Table2 Experimental data

續(xù)表

3.2 PSO-SVR算法參數(shù)設(shè)計(jì)

PSO-SVR算法設(shè)計(jì)主要包括設(shè)定種群初始參數(shù)和構(gòu)造適應(yīng)度函數(shù)，本文適應(yīng)度函數(shù)曲線反映PSO-SVR算法優(yōu)化前后均方誤差變化。PSO-SVR算法參數(shù)設(shè)定如表3所示[31]。

正交試驗(yàn)數(shù)據(jù)如表2所示，隨機(jī)選取試驗(yàn)數(shù)據(jù)75%作為訓(xùn)練集用建立預(yù)測(cè)模型，剩余25%作為測(cè)試集驗(yàn)證預(yù)測(cè)模型性能?；旌喜牧习屐o曲強(qiáng)度、彈性模量、內(nèi)結(jié)合強(qiáng)度歸一化測(cè)試集預(yù)測(cè)值與實(shí)際值擬合結(jié)果分別如圖3（a）、（b）、（c）所示?？梢娀旌喜牧习屐o曲強(qiáng)度、彈性模量、內(nèi)結(jié)合強(qiáng)度測(cè)試集預(yù)測(cè)值與實(shí)際值誤差較小。

表3 PSO-SVR算法參數(shù)預(yù)設(shè)值Table3 PSO-SVR algorithm parameter preset value

圖3 三種PSO-SVR模型測(cè)試集擬合結(jié)果Fig.3 Test set fitting resultsof three PSO-SVR models

三種PSO-SVR預(yù)測(cè)模型適應(yīng)度曲線分別如圖4（a）、（b）、（c）所示?？梢?，經(jīng)100次進(jìn)化計(jì)算，混合材料板靜曲強(qiáng)度、彈性模量、內(nèi)結(jié)合強(qiáng)度PSO-SVR預(yù)測(cè)模型均可得到穩(wěn)定適應(yīng)度迭代值，模型一最優(yōu)參數(shù)C=61.1298、g=7.7462，模型二最優(yōu)參數(shù)C=0.1、g=2.3168，模型三最優(yōu)參數(shù)C=52.7092、g=8.9452。三種PSO-SVR預(yù)測(cè)模型分別經(jīng)21、8、12次迭代后適應(yīng)度函數(shù)快速收斂并趨于穩(wěn)定，即PSO算法優(yōu)化SVR參數(shù)收斂速度快且穩(wěn)定，適于SVR參數(shù)C與g尋優(yōu)。

3.3 PSO-SVR預(yù)測(cè)結(jié)果分析

通過對(duì)訓(xùn)練集30組數(shù)據(jù)分析，混合材料板靜曲強(qiáng)度、彈性模量、內(nèi)結(jié)合強(qiáng)度實(shí)際值和預(yù)測(cè)值誤差較小，均方誤差分別為0.014、0.009、0.009；擬合優(yōu)度分別為0.934、0.934、0.949；均方根誤差分別為0.12、0.03、0.03。測(cè)試集實(shí)際值與誤差值擬合結(jié)果如圖3（a）、（b）、（c）所示。測(cè)試集10組數(shù)據(jù)分析可見，預(yù)測(cè)值與實(shí)際值差值較小，均方誤差分別為0.018、0.014、0.015；預(yù)測(cè)值擬合曲線與實(shí)際曲線基本吻合，擬合優(yōu)度分別為0.902、0.918、0.916；模型預(yù)測(cè)值與實(shí)際值誤差小，均方根誤差分別為0.134、0.118、0.122，模型預(yù)測(cè)誤差小、精度高。相比較SVR，數(shù)據(jù)集均方誤差均減小，預(yù)測(cè)精度更高；擬合優(yōu)度更接近1，說明回歸函數(shù)對(duì)數(shù)據(jù)擬合效果更好。結(jié)果表明，以熱壓壓力、熱壓溫度、含水率、熱壓時(shí)間作為模型輸入?yún)?shù)，經(jīng)PSO-SVR模擬預(yù)測(cè)，混合材料板靜曲強(qiáng)度、彈性模量、內(nèi)結(jié)合強(qiáng)度預(yù)測(cè)值與實(shí)際值誤差較小，模型預(yù)測(cè)精度高，反映混合材料板力學(xué)特性實(shí)際情況，適用性較好。

3.4 SVR和PSO-SVR預(yù)測(cè)效果對(duì)比

為驗(yàn)證PSO-SVR預(yù)測(cè)模型比SVR模型更適于混合材料板力學(xué)特性預(yù)測(cè)，本文分別用SVR和PSO-SVR算法模擬預(yù)測(cè)試驗(yàn)數(shù)據(jù)，分別以訓(xùn)練集和測(cè)試集均方誤差、擬合優(yōu)度作為預(yù)測(cè)模型評(píng)價(jià)指標(biāo)，SVR與PSO-SVR預(yù)測(cè)結(jié)果見表4。由表4可知，混合材料板靜曲強(qiáng)度、彈性模量、內(nèi)結(jié)合強(qiáng)度PSO-SVR預(yù)測(cè)模型均方誤差分別為0.018、0.014、0.015，擬合優(yōu)度分別為0.902、0.918、0.916；相較SVR算法，均方誤差分別降低0.006、0.009、0.003，擬合優(yōu)度分別提升12、15、8個(gè)百分點(diǎn)。由于BP神經(jīng)網(wǎng)絡(luò)需大量訓(xùn)練樣本數(shù)據(jù)且存在收斂速度慢及網(wǎng)格搜索法易陷入局部最優(yōu)等問題。本文利用支持向量機(jī)對(duì)混合材料板熱壓試驗(yàn)數(shù)據(jù)訓(xùn)練學(xué)習(xí)，選擇粒子群算法對(duì)支持向量機(jī)參數(shù)與g全局優(yōu)化選擇，得到混合材料板力學(xué)特性PSO-SVR預(yù)測(cè)模型。相比較SVR模型，PSO-SVR模型穩(wěn)定性更強(qiáng)、精度更高、泛化能力更強(qiáng)。

圖4 三種PSO-SVR模型進(jìn)化曲線Fig.4 Evolution curvesof three PSO-SVR models

表4 SVR與PSO-SVR預(yù)測(cè)結(jié)果對(duì)比Table4 Comparison of SVR and PSO-SVR predictiveresults

4 結(jié) 論

a.將粒子群算法（PSO）嵌入支持向量機(jī)回歸（SVR）模型參數(shù)優(yōu)化過程，結(jié)合正交試驗(yàn)設(shè)計(jì)理論，根據(jù)混合材料板熱壓生產(chǎn)過程主要工藝參數(shù)，構(gòu)建混合材料板力學(xué)特性SVR預(yù)測(cè)模型，三種SVR預(yù)測(cè)模型測(cè)試集均方誤差分別為0.018、0.014、0.015，擬合優(yōu)度分別為0.902，0.917，0.916。

b.運(yùn)用PSO算法對(duì)SVR模型參數(shù)與g選擇優(yōu)化，得到全局最優(yōu)解，提高模型預(yù)測(cè)精度。與SVR相比較，PSO-SVR算法模型可更好模擬混合材料板熱壓過程自變量與因變量非線性關(guān)系，預(yù)測(cè)精度更高、穩(wěn)定性更強(qiáng)、泛化能力更強(qiáng)。說明粒子群算法適合混合材料板力學(xué)特性SVR預(yù)測(cè)模型參數(shù)優(yōu)化。

c.PSO-SVR模型可為混合材料板力學(xué)特性預(yù)測(cè)及熱壓控制參數(shù)選擇提供依據(jù)。農(nóng)林廢棄物經(jīng)一定化學(xué)和機(jī)械處理可制取高性能纖維，利用其生產(chǎn)混合材料板，增加農(nóng)業(yè)生產(chǎn)附加值，提高農(nóng)業(yè)廢棄物綜合利用率，降低其處理不當(dāng)對(duì)生態(tài)環(huán)境影響。該研究成果可為農(nóng)林廢棄物混合材料板力學(xué)特性預(yù)測(cè)及熱壓控制參數(shù)選擇優(yōu)化提供理論參考。

[1] 傅萬四,王曉軍,南生春,等.發(fā)展人造板產(chǎn)業(yè),產(chǎn)促進(jìn)林業(yè)建設(shè)[J].木材工業(yè)2004,18(1):12-15.

[2] 孫紅敏,吳靜婷,李曉明.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的價(jià)格預(yù)測(cè)模型研究[J].東北農(nóng)業(yè)大學(xué)學(xué)報(bào),2013,44(8):133-137.

[3] Steve K,Bruce M A.Press monitoring system for panel industry[C].26th International Particleboard/Composite Materials Symposium,1992.

[4]陳天全.大片刨花板熱壓過程溫度、氣壓和含水率變化規(guī)律研究[D].北京:北京林業(yè)大學(xué),2006.

[5] 王東林,俞國(guó)勝,楊樺.基于WinCC的中密度纖維板熱壓工段監(jiān)控軟件的設(shè)計(jì)[J].林產(chǎn)工業(yè),2009,36(6):37-39.

[6] 王寧,孫麗萍.中密度纖維板熱機(jī)壓力模糊控制研究[J].機(jī)電產(chǎn)品開發(fā)與創(chuàng)新,2010,23(1):129-131.

[7] Harless T,Wagner E,Short P,et al.Heat and moisture movement in wood composite material during the pressing operation[J].Wood and Fiber Science,1987,19:81-92.

[8] Humphrey P,Bolton A.The hot pressing of dry formed based composite.Part li.A simulation model for heat and moisture transfer and typical results[J].Holzforschung,1989,43(3):199-206.

[9]Zombori B,Kamke F,Watson L.Simulation of the internal conditions during the Hot-pressing process[J].Wood and Fiber Science,2003,35(1):20-23.

[10] 謝力生,李翠翠.纖維板熱壓中心層溫度與力學(xué)性能的關(guān)系[J].中南林業(yè)科技大學(xué)學(xué)報(bào),2009,29(5):82-86.

[11] 劉亞秋,王春曉,武曲,等.基于Burgers模型的MDF連續(xù)平壓質(zhì)量控制計(jì)算方法研究[J].安徽農(nóng)業(yè)科學(xué),2014,42(16):5088-5091.

[12] 田燕青.中密度纖維板熱壓控制參數(shù)優(yōu)化系統(tǒng)的研究[D].哈爾濱:東北林業(yè)大學(xué),2011.

[13] 蓋玲,宋孝周.基于BP神經(jīng)網(wǎng)絡(luò)的棉稈重組方材性能預(yù)測(cè)研究[J].木材加工機(jī)械,2014,43(4):115-119.

[14] 孫建飛,肖生苓,王昊宇,等.工藝類參數(shù)對(duì)稻殼—木刨花復(fù)合包裝板力學(xué)性能的影響[J].東北林業(yè)大學(xué)學(xué)報(bào),2015,43(2):91-97.

[15] 符彬,鄭霞,潘亞鴿,等.無膠蔗渣纖維板制備及性能[J].林產(chǎn)工業(yè),2015,42(6):14-17.

[16] Tiryaki S,Aras U,Kalayc?oglu H,et al.Predictive models for modulus of rupture and modulus of elasticity of particleboard manufactured in different pressing conditions[J].High Temperature Materials&Processes,2016,36:1-12.

[17] 潘亞鴿,朱凌波,唐錢,等.麥秸/木材均質(zhì)復(fù)合無機(jī)碎料板的制備及其性能[J].材料導(dǎo)報(bào),2017,31(4):25-29.

[18] 彭順,桂成勝,林新青,等.大豆膠制備竹刨花板的工藝參數(shù)探究[J].林產(chǎn)工業(yè),2017,44(9):19-23.

[19] 孫建平,王逢瑚,胡英成,等.基于遺傳神經(jīng)網(wǎng)絡(luò)的農(nóng)作物秸稈板材優(yōu)化設(shè)計(jì)[J].農(nóng)業(yè)工程學(xué)報(bào),2010,26(1):319-323.

[20] 孫建平,王逢瑚,李鵬,等.遺傳神經(jīng)網(wǎng)絡(luò)在木塑復(fù)合材料力學(xué)性能預(yù)測(cè)中的應(yīng)用[J].高分子材料科學(xué)與工程,2012,28(1):117-120.

[21] 于海英.MDF熱壓過程多傳感器數(shù)據(jù)融合模型建立與仿真研究[D].哈爾濱:東北林業(yè)大學(xué),2013.

[22] Li Q F,Liu Y Q,Zhu L K.Model building and optimization analysis of MDF continuous Hot-pressing by neural network[J].Mathematical Problemsin Engineering,2016:1-16.

[23] Vapnik V N.The nature of statistical learning theory[J].IEEE Transactionson Neural Networks,1997,8(6):153-168.

[24] 趙開才,石鳳梅,孟慶林,等.基于SVM的水稻稻瘟病識(shí)別方法[J].東北農(nóng)業(yè)大學(xué)學(xué)報(bào),2013,44(11):118-126.

[25] Smola A J,Sch?lkopf B.A tutorial on support vector regression[J].Statisticsand Computing,2004,14(3):199-222.

[26] Zhang Y T,Liu CY,Wei SS.ECGquality assessment based on a kernel support vector machine[J].Computers&Electronics,2014,15(7):564-573.

[27] 王德福,王沫,李利橋.錘片式粉碎機(jī)粉碎玉米秸稈機(jī)理分析與參數(shù)優(yōu)化[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2017,48(11):165-171.

[28] 李珂,邰能靈,張沈習(xí).基于改進(jìn)粒子群算法的配電網(wǎng)綜合運(yùn)行優(yōu)化[J].上海交通大學(xué)學(xué)報(bào),2017,51(8):43-45.

[29] 劉環(huán)宇,陳海濤,閔詩堯,等.基于PSO-SVR的植物纖維地膜抗張強(qiáng)度預(yù)測(cè)研究[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2017:48(4):30-35.

[30] 谷文成,柴寶仁,滕艷平.基于粒子群優(yōu)化算法的支持向量機(jī)研究[J].北京理工大學(xué)學(xué)報(bào),2014,34(7):68-73.

[31] 李靜,王京,楊磊,等.熱處理爐鋼板溫度的自適應(yīng)混沌粒子群算法-最小二乘支持向量機(jī)優(yōu)化預(yù)報(bào)算[J].控制理論與應(yīng)用,2011:28(12):12-20.