張佳薇，韓雨杉*，李明寶

(1.東北林業(yè)大學(xué)機(jī)電工程學(xué)院，黑龍江哈爾濱 150040；2.東北林業(yè)大學(xué)土木工程學(xué)院，黑龍江哈爾濱 150040)

?

木材干燥過程中含水率空間分布融合方法的研究

張佳薇1，韓雨杉1*，李明寶2

(1.東北林業(yè)大學(xué)機(jī)電工程學(xué)院，黑龍江哈爾濱 150040；2.東北林業(yè)大學(xué)土木工程學(xué)院，黑龍江哈爾濱 150040)

選取楊木作為試材，有效避免了以往木材干燥過程中出現(xiàn)的木材含水率檢測點(diǎn)數(shù)量有限，不能連續(xù)全面地描述木材含水率分布狀態(tài)的問題，使用選擇離散點(diǎn)數(shù)據(jù)的方法，再應(yīng)用粒子群算法優(yōu)化支持向量機(jī)算法、支持向量機(jī)預(yù)測算法、最小二乘法非線性擬合方法以及進(jìn)行空間數(shù)據(jù)預(yù)測來比較算法預(yù)測能力，然后把木材干燥過程中的材堆模型模擬成長方體并建立空間模型，應(yīng)用PSO優(yōu)化的SVM算法對X坐標(biāo)軸建立函數(shù)模型進(jìn)行驗(yàn)證。通過數(shù)據(jù)分析比較可得：基于PSO優(yōu)化SVM算法在針對同一試材上空間離散木材含水率采集數(shù)據(jù)進(jìn)行空間數(shù)據(jù)預(yù)測仿真出的連續(xù)含水率曲線誤差最小，仿真曲線逼近真實(shí)含水率分布曲線。

木材含水率；空間融合；分布特征；粒子群算法；支持向量機(jī)

木材干燥方法大體可分為機(jī)械干燥、化學(xué)干燥、熱力干燥3類。通常所說的木材干燥是指在熱力作業(yè)下以蒸發(fā)或沸騰的汽化方式排出水分的處理過程。木材干燥技術(shù)的意義在于：①提高木材和木制品使用的穩(wěn)定性；②提高木材和木制零件的強(qiáng)度；③預(yù)防木材變質(zhì)和腐朽；④減輕木材質(zhì)量，提高運(yùn)輸能力；⑤提高木材的熱絕緣性和電絕緣性。同時，木材干燥的重要性和經(jīng)濟(jì)效益也愈來愈被人們所認(rèn)識[1]。影響木材在氣體介質(zhì)中干燥速度的因素主要有：空氣(或其他介質(zhì))溫度、空氣濕度、空氣流過木材表面的速度、木材的溫度、木材的含水率、樹種等。在以上諸因素中，前3項(xiàng)因素是影響后3項(xiàng)的外界條件[2]。木材的溫度和含水率之所以能夠在外界條件下起變化，與木材本身的性質(zhì)有關(guān)。木材含水率梯度是決定干燥速度的主要內(nèi)因，梯度越大，水分由內(nèi)向外移動的趨勢越強(qiáng)烈。數(shù)據(jù)融合技術(shù)是多個傳統(tǒng)學(xué)科中技術(shù)的匯集，它主要包括統(tǒng)計估計、數(shù)字信號處理、人工智能控制論和經(jīng)典數(shù)學(xué)計算方法。近年來，隨著數(shù)據(jù)融合方法在軍事和非軍事應(yīng)用領(lǐng)域的發(fā)展，運(yùn)用數(shù)據(jù)融合技術(shù)綜合處理來自多個傳感器的數(shù)據(jù)和相關(guān)信息也得到了廣泛的應(yīng)用[3]。實(shí)驗(yàn)室測量木材含水率的方法主要有：烘干稱重法、電測法、干餾法、滴定法和濕度法，而在木材工業(yè)中較常用的方法是烘干稱重法和電測法[4]。李賢軍等人采用了微波干燥與常規(guī)干燥觀察木材內(nèi)含水率動態(tài)分布[5]，徐兆軍等人則利用二維平面描述了含水率分布特征[6]。該文通過創(chuàng)建木材含水率空間分布模型，應(yīng)用融合理論結(jié)合空間分析方法，對比后選取融合算法，并經(jīng)過仿真得到接近真實(shí)函數(shù)曲線的空間數(shù)據(jù)，從而建立函數(shù)模型進(jìn)行驗(yàn)證。

1 試驗(yàn)基本條件和具體算法仿真

選取楊木為供試木材，其尺寸為3 000 mm×300 mm×60 mm，試驗(yàn)是在2 100 mm×1 500 mm×1 200 mm試驗(yàn)用小型干燥窯內(nèi)進(jìn)行的。試驗(yàn)溫度保持在49.8 ℃，在初期的干燥試驗(yàn)階段，平衡含水率為17.2%。如圖1所示，在長3 000 mm的試材上平均取10個點(diǎn)作為測量點(diǎn)，10個大圓點(diǎn)為采用電阻法的木材含水率測量點(diǎn)MC1，MC2，…，MC10，5個小圓點(diǎn)代表試驗(yàn)參考點(diǎn)(MCa、MCb、MCc、MCd和MCe)，目的是針對3種算法預(yù)測的空間連續(xù)含水率數(shù)據(jù)進(jìn)行誤差分析以及對算法空間預(yù)測能力進(jìn)行評價。

1.1 基于最小二乘法仿真利用非線性最小二乘法將表1中的數(shù)據(jù)進(jìn)行擬合。參考點(diǎn)木材含水率見表2。使用MATLAB軟件得到的仿真曲線如圖2所示，基于最小二乘非線性擬合方法得到的誤差分析如圖3所示。參考點(diǎn)數(shù)據(jù)誤差分析與預(yù)測數(shù)據(jù)見表3。

圖2中X軸為木材含水率檢測點(diǎn)，Y軸為木材含水率值，采用電測法得到的木材含水率值用“O”表示，曲線為根據(jù)最小二乘法空間離散含水率數(shù)據(jù)的預(yù)測曲線。根據(jù)最小二乘非線性擬合方法預(yù)測木材含水率仿真曲線最大相對誤差是0.76%，最小相對誤差為0.01%，均方根誤差RMSE=0.557 2。

表1 單根試材初含水率檢測數(shù)據(jù)

測試點(diǎn)含水率∥%試驗(yàn)溫度∥℃MC143.249.8MC244.149.8MC344.949.8MC446.749.8MC548.149.8MC646.449.8MC745.249.8MC844.649.8MC945.249.8MC1044.149.8

表2 參考點(diǎn)木材含水率

參考點(diǎn)含水率∥%參考點(diǎn)含水率∥%MCa43.5MCd45.1MCb45.7MCe44.6MCc47.3

1.2 基于支持向量機(jī)仿真將表1中的數(shù)據(jù)基于支持向量機(jī)進(jìn)行仿真試驗(yàn)：

(1)延遲表1中的1組數(shù)據(jù)重置相空間。

(2)選取表1中的離散木材含水率數(shù)據(jù)以及對應(yīng)的位置坐標(biāo)值和溫度作為練習(xí)樣本進(jìn)行訓(xùn)練。

(3)根據(jù)若干次試驗(yàn)驗(yàn)證，參數(shù)設(shè)定為：高斯核函數(shù)參數(shù)σ2=70，不敏感損失函數(shù)的參數(shù)ε=0.2，懲罰系數(shù)C=10 000。

(4)在MATLAB軟件環(huán)境中基于SVM算法的仿真曲線如圖4所示，預(yù)測含水率數(shù)據(jù)與參考點(diǎn)含水率數(shù)據(jù)對比誤差分析見表3所示。圖5是基于SVM算法仿真的誤差分析曲線。

圖4中實(shí)際測量點(diǎn)的位置和含水率值用“O”對應(yīng)的坐標(biāo)表示。選取的支持向量機(jī)用“*”表示。試驗(yàn)總耗時8.954 0 s，一次預(yù)測時間為0.016 1 s，一次訓(xùn)練時間為0.183 4 s，一共獲得了5個支持向量。基于SVM方法預(yù)測木材含水率仿真曲線的最大相對誤差為0.44，最小相對誤差為0.01，預(yù)測得到的均方誤差和均方根誤差分別為MSE=0.067 1，RMSE=0.265 8。

1.3 基于PSO優(yōu)化的SVM仿真

(1)延遲表1中的1組數(shù)據(jù)重置相空間。

(2)選取表1中10組測試點(diǎn)的木材含水率值以及對應(yīng)的位置坐標(biāo)值和溫度作為練習(xí)本進(jìn)行訓(xùn)練。

(3)根據(jù)若干次試驗(yàn)驗(yàn)證，參數(shù)設(shè)定為：粒子群規(guī)模為50，學(xué)習(xí)常數(shù)c1=1.6，c2=1.5，種群規(guī)模為10，wmax=0.9，wmin=0.4，vmax=1；高斯核函數(shù)參數(shù)σ2=35.341 4，懲罰系數(shù)C=10 000，不敏感損失函數(shù)的參數(shù)ε=0.2。

在MATLAB軟件中基于PSO&SVM算法的仿真圖如圖6所示，基于PSO&SVM算法仿真的預(yù)測數(shù)據(jù)對比分析見表3所示。圖7是誤差分析曲線。試驗(yàn)總耗時10.640 0 s，一次訓(xùn)練時間為0.283 5 s，一次預(yù)測時間為0.030 0 s，總共獲得5個支持向量?；赑SO優(yōu)化的SVM算法預(yù)測木材含水率仿真曲線的最大相對誤差為0.21，最小相對誤差為0.01。預(yù)測的均方誤差MSE=0.147 1，均方根誤差RMSE=0.147 1。

2 算法誤差綜合分析

在驗(yàn)證訓(xùn)練誤差和預(yù)測偏差時，用RMSE(均方根誤差)、最大誤差、最小誤差3個指標(biāo)作為衡量算法空間離散數(shù)據(jù)預(yù)測能力的標(biāo)準(zhǔn)。

表3為3種算法預(yù)測結(jié)果與參考點(diǎn)數(shù)據(jù)的對比數(shù)據(jù)表。由表4得出了3種算法預(yù)測數(shù)據(jù)的最小相對誤差、最大相對誤差、仿真時間以及均方根誤差。

表3 算法預(yù)測數(shù)據(jù)與參考點(diǎn)處數(shù)據(jù)比較

算法MCaMCbMCcMCd測量值45.648.248.547.2最小二乘法46.048.147.946.7SVM45.5048.3248.4146.24PSO優(yōu)化SVM45.6748.1848.4347.21

表4 算法誤差分析

算法最大相對誤差∥%最小相對誤差∥%RMSE所用時間最小二乘法0.790.010.5572<1sSVM0.450.010.26598.954000sPSO優(yōu)化SVM0.200.010.147110.640000s

通過對表4進(jìn)行分析可以得出結(jié)論，針對同一試材，在同一直線上的10個數(shù)據(jù)點(diǎn)的預(yù)測結(jié)果，基于最小二乘法非線性擬合方法和SVM算法相對誤差較大，基于PSO優(yōu)化的SVM算法相對誤差最小，均方根誤差最小。綜合3種算法，基于PSO優(yōu)化SVM算法在針對同一試材上空間離散木材含水率采集數(shù)據(jù)進(jìn)行空間數(shù)據(jù)預(yù)測仿真出連續(xù)含水率曲線誤差最小，仿真曲線逼近真實(shí)含水率分布曲線。

3 基于一維空間的融合模型驗(yàn)證

一維建模也就是線性建模過程，X軸上的數(shù)據(jù)代表同一塊木材上的10個含水率傳感器采集的離散數(shù)據(jù)點(diǎn)，為了使模型更具有代表性，在要裝窯的木材中隨機(jī)選擇2塊試材，每塊試材上平均分布10個傳感器模擬X軸坐標(biāo)的狀態(tài)，得到數(shù)據(jù)(表5)。

應(yīng)用前面證明的針對木材含水率預(yù)測效果較好的PSO優(yōu)化的SVM算法分別對表5中的數(shù)據(jù)進(jìn)行仿真預(yù)測，得到仿真曲線如圖8和圖10所示。圖9是基于PSO優(yōu)化的SVM

表5 試材含水率數(shù)據(jù)

測試點(diǎn)MC1MC2MC3MC4MC5MC6MC7MC8MC9MC10試材1含水率∥%44.245.145.947.749.049.147.846.846.045.6試材2含水率∥%48.348.749.550.751.451.250.549.348.347.8

算法對試材1含水率預(yù)測仿真曲線誤差分析結(jié)果；圖11是基于PSO優(yōu)化的SVM算法對試材2含水率預(yù)測仿真曲線誤差分析結(jié)果。

試材1的均方根誤差為0.197 8，試材2的均方根誤差為0.366 1。為了擬合函數(shù)能夠更精確地接近預(yù)測出來的含水率曲線，在圖8中選取20個點(diǎn)，根據(jù)非線性最小二乘法進(jìn)行數(shù)據(jù)擬合，得到的函數(shù)模型為試材1含水率函數(shù)模型；相同的方式在圖10中選取20個點(diǎn)，根據(jù)非線性最小二乘法進(jìn)行數(shù)據(jù)擬合，得到的函數(shù)模型為試材2含水率函數(shù)模型。

f1(x)=0.002 0x3-0.225 0x2+2.406 3x+41.536 7

(1)

f2(x)=0.001 5x3-0.160 5x2+1.706 1x+46.353 3

(2)

式中x代表空間點(diǎn)的X軸坐標(biāo)值，y1代表試材1的含水率值，y2代表試材2的含水率值。

以上2個模型是木材含水率趨勢的數(shù)學(xué)模型，從公式(1)、(2)中可以看出，函數(shù)基本形式是y=ax3+bx2+cx+d。要確定這個三元函數(shù)，至少需要4個已知數(shù)據(jù)點(diǎn)，也就是說，至少每根木材上要有4個木材含水率傳感器才能求出具體系數(shù)，確定函數(shù)形式。

為了節(jié)約木材含水率傳感器使用數(shù)量，減小成本，提出補(bǔ)償系數(shù)r。設(shè)r為木材含水率模型之間的補(bǔ)償系數(shù)，在假設(shè)y2含水率系數(shù)未知的情況下，已知y2上x=1點(diǎn)的含水率為48.3%，已知y1的第1點(diǎn)含水率為44.2%，令r=48.3%-44.2%=4.1%，第2塊試材的含水率可以用表達(dá)式y(tǒng)2=y1+r來模擬函數(shù)方程。如果滿足木材干燥工藝的要求，含水率誤差要在2%以內(nèi)。所以，如果木材上有含水率傳感器，就能夠通過這個點(diǎn)和函數(shù)模型來推算出含水率的趨勢。用這個方法求得的木材含水率函數(shù)是y2：

f(x)2′=0.002 0x3-0.225 0x2+2.406 3x+45.707 1

(3)

表6 預(yù)測木材含水率方程與實(shí)際方程數(shù)據(jù)對比

測試點(diǎn)預(yù)測y'2函數(shù)值∥%實(shí)際測量y2值∥%MC147.248.3MC249.648.7MC350.949.5MC451.850.7MC552.451.4MC652.551.2MC752.250.5MC851.649.3MC950.648.3MC1049.347.8

通過補(bǔ)償系數(shù)r修正的含水率預(yù)測模型，針對僅已知1個木材含水率傳感器情況下的試材y2進(jìn)行函數(shù)模型預(yù)測，與通過實(shí)際測量預(yù)測得到的y2函數(shù)模型進(jìn)行對比，結(jié)果顯示平均含水率誤差為1.44%，能夠滿足在木材干燥工藝上的要求，試驗(yàn)驗(yàn)證也可以應(yīng)用于木材干燥試驗(yàn)建模過程中。

4 小結(jié)

該試驗(yàn)分別使用3種算法應(yīng)用到試材的離散含水率數(shù)據(jù)，進(jìn)行空間預(yù)測而得到的仿真曲線，經(jīng)過對比可以得到以下結(jié)論：基于粒子群算法優(yōu)化的支持向量機(jī)算法與實(shí)際干燥過程中木材含水率的分布趨勢更接近，同時一維空間的融合模型驗(yàn)證了依據(jù)粒子群優(yōu)化支持向量機(jī)算法在木材干燥建模與預(yù)測中的可行性，空間含水率分布特征的建模工作的仿真試驗(yàn)可依據(jù)粒子群優(yōu)化的支持向量機(jī)算法作為主要算法。

[1] 范仲，周凡.木材干燥技術(shù)與木質(zhì)家具制造設(shè)計[J].科技資訊，2014,12(21)：224.

[2] 周永東，劉立新.溫濕度控制系統(tǒng)對木材干燥的影響及優(yōu)化設(shè)計[J].木材工業(yè)，1999(4)：36-38.

[3] 劉元澤.基于融合方法的木材干燥過程中含水率空間分布模型研究[D].哈爾濱：東北林業(yè)大學(xué),2011.

[4] 張佳薇.木材含水率測試系統(tǒng)多傳感器數(shù)據(jù)融合方法的研究 [D].哈爾濱: 東北林業(yè)大學(xué)，2006.

[5] 李賢軍，喬建政，蔡智勇，等.微波干燥與常規(guī)干燥中木材內(nèi)含水率動態(tài)分布[J].中南林業(yè)科技大學(xué)學(xué)報:自然科學(xué)版，2009(6)：98-102.

[6] 徐兆軍，丁建文，丁濤，等.基于斷層掃描圖像技術(shù)的木材纖維飽和點(diǎn)以上水分分布與遷移研究[J].木材加工機(jī)械，2010(1):24-26.

[7] 胡彩平.基于模糊c-means算法的空間數(shù)據(jù)分類和預(yù)測[J].計算機(jī)研究與發(fā)展，2008(7):1183-1188.

[8] ZELENIUC O，ENE N.Gravimetric system to determine the moisture content of wood during drying process[C]//Proceedings of 5th International IUFRO Wood Drying Conference，1996:213-220.

[9] 薛巨峰.木材干燥含水率測試及水分遷移特征的研究[D].哈爾濱：東北林業(yè)大學(xué)，2006.

[10] 紀(jì)震，廖惠連.粒子群算法及應(yīng)用[M].北京：科學(xué)出版社，2009.

[11] 曾建潮，介婧，崔志華.微粒群算法[M].北京：科學(xué)出版社，2004.

[12] 李寧，付國江，庫少平，等.粒子群優(yōu)化算法的發(fā)展與展望[J].武漢理工大學(xué)學(xué)報：信息與管理工程版，2005，27(2):26-29.

Study on Moisture Distribution Fusion Method in Wood Drying Process

ZHANG Jia-wei1, HAN Yu-shan1*, LI Ming-bao2

(1. College of Mechanical and Electrical Engineering, Northeast Forestry University, Harbin, Heilongjiang 150040; 2. College of Civil Engineering, Northeast Forestry University, Harbin, Heilongjiang 150040)

This paper aiming at material in pile of lumber moisture content in drying process testing point is limited, can't complete, continuous describe wood moisture content distribution of the state of the problem, selection cottonwood as the test, through the selection of discrete point data, respectively compared based on least squares fitting nonlinear method, support vector machine forecasting algorithm and support vector machine (SVM) method based on particle swarm optimization algorithm, and finally the wood drying process of pile model is simulated as regular cuboid and the establishment of space model, SVM algorithm is applied to optimization of PSO separately on the X axis function model validation. Through the analysis of the data are available: PSO SVM optimization algorithm in the same material space discrete wood moisture content data spatial prediction simulation of continuous water cut curve based on minimum error, the true moisture content distribution curve approximation simulation curve.

Lumber moisture content; Spatial fusion; Distribution characteristics; Particle swarm optimization; Support vector machine

國家自然

(31470715)；黑龍江省留學(xué)歸國基金項(xiàng)目(LC201409)；哈爾濱市青年基金項(xiàng)目(2013RFQXJ148)。

張佳薇(1975-)，女，吉林扶余人，副教授，博士，從事智能檢測、木材干燥研究。*通訊作者，碩士研究生，研究方向：多傳感信息融合及智能檢測。

2015-02-11

S 782.31

A

0517-6611(2015)09-154-04