一种麻纤维拉伸强度预测方法、系统及装置

本发明涉及麻纤维力学性能分析，尤其是涉及一种麻纤维拉伸强度预测方法、系统及装置。

背景技术：

1、在麻纤维复合材料中，纤维的性能对复合材料的性能起决定性作用，因此麻纤维力学性能分析是提升麻纤维复合材料品质的关键。

2、麻纤维的成分含量复杂，确定其有效成分含量是进行力学性能分析的前提与基础。

3、目前，在对麻纤维进行成分分析时，往往按照中国国家标准gb/t5889-1986《苎麻化学成分定量分析方法》中的规定进行。但这一分析方法存在耗时长、操作复杂、操作误差大、对人体有害及环境污染等诸多问题。

4、同时，在对麻纤维进行力学分析时，也存在着制样繁琐、操作复杂、效率低下等技术问题。

技术实现思路

1、本发明的目的在于提供一种麻纤维拉伸强度预测方法、系统及装置，以解决现有技术中存在的至少一种上述技术问题。

2、第一方面，为解决上述技术问题，本发明提供了一种麻纤维拉伸强度预测方法，包括如下步骤：

3、步骤1、基于麻纤维的化学成分含量、近红外光谱数据及拉伸强度的原始数据，通过数据分析方法，确定目标化学成分，以便确定主要影响麻纤维拉伸强度的化学成分；所述数据分析方法依次包括主成分分析、聚类分析及关联性分析等；

4、所述主成分分析，用于初步确定目标化学成分的范围；

5、所述聚类分析，用于进一步缩小目标化学成分的范围；

6、所述关联性分析，用于确定目标化学成分与拉伸强度的关联程度；

7、所述目标化学成分包括纤维素和/或半纤维素和/或木质素；

8、步骤2、基于目标化学成分的特征波段，采集被测麻纤维的近红外光谱数据；

9、步骤3、将所述近红外光谱数据进行预处理后，通过成分含量预测，得到被测麻纤维中目标化学成分的成分含量数据；

10、步骤4、将所述成分含量数据，通过拉伸强度预测，得到被测麻纤维的拉伸强度。

11、通过上述步骤，可以利用麻纤维中纤维素、半纤维素及木质素的特定光谱特征，通过成分含量预测，简便、有效且安全地获得三者的成分含量数据；再通过拉伸强度预测，简便、有效且安全地获得对应麻纤维的拉伸强度；本方案可用于对麻纤维进行无损、快速地拉伸强度分析，不会产生化学试剂消耗、污染等问题，不会对人体健康产生伤害。

12、当然，本方案还可以推广至其他化学成分复杂的植物，同样可以达到类似的技术效果。

13、在一种可行的实施方式中，主成分分析的具体方法包括：建立主成分回归模型；将麻纤维样品的所有化学成分作为原始变量；通过数据标准化处理及相关系数矩阵，计算特征值及特征向量；再通过方差贡献率及累计方差贡献率确定主成分因子；将均方根误差及平均绝对误差作为评价指标，用于评价主成分回归模型的预测值对于测试值(湿法定量分析所得)的回归效果；对麻纤维样品进行主成分回归分析，计算方差贡献率及累计方差贡献率并进行排序，筛选出方差累积贡献率达到预设方差累积贡献率(例如98％)时的若干个主成分因子；所述主成分因子是目标化学成分的线性组合。

14、优选地，所述均方根误差的具体计算公式为：

15、

16、其中，rmse表示均方根误差；n表示样品数量；表示第i个样品的测试值；yi表示第i个样品的预测值；

17、所述平均绝对误差的具体计算公式为：

18、

19、其中，mae表示平均绝对误差。

20、在一种可行的实施方式中，所述聚类分析的具体方法包括：

21、将一定数量的样品或指标各自看成一类；根据样品或指标的亲疏程度，将亲疏程度最高的两类进行合并；考虑合并后的类与其他类之间的亲疏程度，再进行合并，直至将所有样品或指标合并为一类。

22、在一种可行的实施方式中，所述关联性分析的具体过程包括：

23、步骤a1、将拉伸强度作为因变量数列，将目标化学成分含量作为自变量数列，组成原始数据矩阵w1，具体表达式可以为：

24、w1＝|x1 x2 … xi-1 y|

25、其中，xi-1表示第i-1个目标化学成分的含量；y表示拉伸强度；

26、对数据进行规格化处理，以便消除数据之间的较大差异，增加可比性，得到规格化矩阵w2，具体表达式可以为：

27、w2＝(wki)；

28、其中，wki表示第k个麻纤维样品的第i个目标化学成分的规格化值，具体表达式可以为：

29、

30、其中，maxxki表示第k个麻纤维样品的第i个目标化学成分的最大特征值；minxki表示第k个麻纤维样品的第i个目标化学成分的最小特征值；

31、步骤a2、计算关联系数；所述关联系数是自变量数列与因变量数列在各个时刻的关联程度值；关联系数越大，自变量在该时刻的影响力就越大；例如，对不同种类的麻纤维样品，可以有多个自变量数列，分别是纤维素含量数列、半纤维素含量数列、木质素含量数列等，而一个因变量数列为拉伸强度数列；各个自变量数列与因变量数列的关联系数的具体计算公式为：

32、

33、其中，ζi(k)表示关联系数；ζ表示分辨系数，且有ζ∈[0,1]，一般取值为0.5；min(δi(min))表示两级最小差；max(δi(max))表示两级最大差，具体计算公式可以为：

34、

35、步骤a3、计算自变量数列对因变量数列的关联度；再计算平均值关联度ri，用于表示自变量数列与因变量数列之间的关联程度，这样便于当关联度较多时，进行整体比较；平均值关联度ri越大，则相应自变量的影响力就越大，具体公式可以为：

36、

37、其中，n表示麻纤维样品数量。

38、在一种可行的实施方式中，所述特征波段，具体包括：

39、1600-2400nm波段数据点，对应于纤维素成分含量预测；

40、1400-2400nm波段数据点，对应于半纤维素成分含量预测；

41、1200-2400nm波段数据点，对应于木质素成分含量预测。

42、在一种可行的实施方式中，所述特征波段的确定方法具体可以是：在近红外光谱数据全波段范围内(800-2400nm)，将预设波段间隔长度(可参考波峰宽度的常见范围100-200nm进行选取，例如200nm)作为公差，以等差数列方式，由短波端向长波端递进选择若干种备选特征波段，通过成分含量预测进行循环测试，计算目标化学成分含量的均方根误差(root mean square error，rmse)和平均绝对误差(mean absolute error，mae)，将均方根误差为最低时的备选特征波段，作为该目标化学成分的特征波段；

43、优选地，还可统计成分含量预测的pcr相关性，检验备选特征波段下，预测值与测试值(例如通过湿化学分析法检测的纤维素含量均值)之间的线性拟合方程斜率及pearson相关系数，进一步验证备选特征波段中波谱数据的内部交叉验证效果。

44、在一种可行的实施方式中，所述特征波段的确定方法具体还可以是：在近红外光谱数据全波段范围内，基于波峰出现的位置对波段进行划分，由短波端向长波端递进选择若干种备选特征波段，通过成分含量预测进行循环测试，计算目标化学成分含量的均方根误差和平均绝对误差，将均方根误差为最低时的备选特征波段，作为该目标化学成分的特征波段；这样可以更快速地得到特征波段。

45、在一种可行的实施方式中，所述特征波段的确定方法具体还可以是：在近红外光谱数据全波段范围内(800-2400nm)，基于初始起步间隔长度lc(例如100nm)作为移动窗口，将扫描设备的预设扫描精度(例如6nm)作为步长，由短波端向长波端等距移动迭代选择备选特征波段(例如800-900nm、806-906nm、……、2300-2400nm)，具体计算公式可以为：

46、lt＝lc+(t-1)*s；

47、其中，lt表示第t代起步间隔长度；t表示迭代次数；

48、直至起步间隔长度等于预设极值(例如2298nm)；

49、将各代所有备选特征波段，通过成分含量预测进行测试，计算目标化学成分含量的均方根误差和平均绝对误差，将均方根误差为最低时的备选特征波段，作为该目标化学成分的特征波段；这样可以得到更精确的特征波段。

50、在一种可行的实施方式中，所述步骤3中的预处理方法主要包括：

51、步骤b1、统计各麻纤维样品所得近红外光谱数据的最低值，再将各个近红外光谱数据统一减去各光谱数据的最低值，得到中间值；从而完成去除基线操作；

52、步骤b2、在所述中间值中，计算相邻两点的斜率后，得到预处理后的近红外光谱数据；从而完成一阶求导，这样可以避免背景噪声及光散射等问题，从而使数据特征更加明显，并大幅消除检测位置、仪器状态、测试环境差异引起的误差，有利于后序建模的预测精准性和稳定度。

53、在一种可行的实施方式中，所述成分含量预测可通过预训练的成分含量预测模型(例如分类模型)实现，具体训练方法包括：

54、步骤c1、采集预设数量(例如35个)的麻纤维样品进行编号；从每个麻纤维样品中选取预设重量(例如1克)的麻纤维，剪碎为预设长度(例如小于1毫米)的纤维粉末，在预设温度(例如105℃)下烘干至恒重后，在干燥器内按照预设时间(例如30分钟)进行冷却；

55、步骤c2、基于分光光度计(例如perkin-elmer uv/vis/nir 750)，对所述纤维粉末，通过漫反射方式，按照预设光谱波段范围，进行近红外光谱收集；

56、优选地，步骤c2具体包括：通过标准白板对分光光度计进行校正；将纤维粉末粉碎至预设粒度(例如60目)后，放置于分光光度计的近红外吸收样品池中，按照预设扫描间隔(例如6nm)，进行多次装样及漫反射扫描(例如重复装样2次，每次装样扫描2次)，取平均光谱值作为每个麻纤维样品的光谱曲线(每个光谱曲线可包含约267个吸光度数据)；

57、步骤c3、对所述光谱曲线进行预处理(可参考前述预处理方法)；

58、步骤c4、对所述麻纤维样品按照编号进行取样，并根据gb/t5889-1986《苎麻化学成分定量分析方法》进行湿法定量分析，得到麻纤维样品中脂蜡质、水溶物、果胶、半纤维素、木质素及纤维素等成分含量的测试值；对每个麻纤维样品，按照编号标记所述测试值；

59、步骤c5、依据所述测试值，将麻纤维样品按预设比例(例如6:1)划分为校正集及预测集；所述校正集的测试值范围大于预测集的测试值范围；所述校正集用于对成分含量预测模型进行训练；所述预测集用于对成分含量预测模型进行验证；这样有利于将预测成分限制在校正范围内，避免受到近红外光谱图峰信息的叠加效应干扰。

60、在一种可行的实施方式中，所述拉伸强度预测的具体方法包括：

61、步骤d1、基于拉伸性能标准试验方法(例如单根纺织纤维拉伸性能的标准试验方法，即astm d3822/d3822m-14standard test method for tensile properties ofsingle textile fibers)，测量麻纤维样品的拉伸强度；将目标化学成分的含量作为输入数据，将所述拉伸强度作为输出数据，构建样品集；

62、步骤d2、将输入数据及输出数据进行归一化处理，具体公式可以为：

63、

64、其中，表示第j个拉伸强度的样品中第i个目标化学成分的归一化值；xij表示第j个拉伸强度的样品中第i个目标化学成分；ximin表示最小拉伸强度的样品中第i个目标化学成分；ximax表示最大拉伸强度的样品中第i个目标化学成分；表示第j个拉伸强度的归一化值；yj表示第j个拉伸强度；ymin表示最小拉伸强度；ymax表示最大拉伸强度；

65、步骤d3、构建支持向量机：输入层为目标化学成分的含量；中间层为通过对样品集的学习，选择核函数；最后一层为构造非线性预测函数。

66、优选地，步骤d3的具体步骤包括：

67、步骤d31、基于样品集以及任意给定的ε＞0，将ε-线性规划问题转化为优化问题，则有：

68、

69、其中，w表示超平面的法向量；n表示麻纤维样品数量；

70、步骤d32、寻找一个核函数k(·，·)，满足条件

71、其中，表示从输入空间到某个特征空间的映射；

72、步骤d33、引入松弛变量ξi，且有i＝1,2,3,...,n，并通过拉格朗日乘数法，建立优化模型：

73、

74、其中，c表示惩罚参数；b表示优化模型常数；

75、根据非线性支持向量机理论，得到所述优化模型的对偶问题，具体公式为：

76、

77、其中，表示第i个目标化学成分的最优解；αi表示第i个目标化学成分的一般解；表示第j个目标化学成分的最优解；αj表示第j个目标化学成分的一般解；

78、再求解得到第i个目标化学成分的支持向量以及第i个目标化学成分的支持向量的共轭向量

79、步骤d34、计算优化模型常数，具体公式可以为：

80、

81、其中，n’表示目标化学成分数量；表示第j个目标化学成分的支持向量；表示的共轭向量；表示优化模型常数的支持向量；

82、步骤d35、构造非线性预测函数，用于预测及模拟，具体公式可以为：

83、

84、其中，xi表示第i个化学成分，且xi∈r6；b表示优化模型常数，且b∈r；r表示实数；

85、这样就构建得到了拉伸强度预测模型，该拉伸强度预测模型与常用的神经网络回归模型相比，具有严格的理论和数学基础，基于结构风险最小化原则，泛化能力更好，算法具有全局最优性，避免了神经网络易于陷入局部最优的问题。

86、第二方面，基于相同的发明构思，本技术还提供了一种麻纤维拉伸强度预测系统，包括数据接收模块、数据处理模块及结果生成模块；

87、所述数据接收模块，用于接收被测麻纤维中目标化学成分的特征波段的近红外光谱数据；

88、所述数据处理模块，包括数据分析单元、成分含量预测单元及拉伸强度预测单元；

89、所述数据分析单元，基于麻纤维的化学成分含量、近红外光谱数据及拉伸强度的原始数据，通过数据分析方法，确定麻纤维的目标化学成分；所述数据分析方法依次包括主成分分析、聚类分析及关联性分析等；

90、所述主成分分析，用于初步确定目标化学成分的范围；

91、所述聚类分析，用于进一步缩小目标化学成分的范围；

92、所述关联性分析，用于确定目标化学成分与拉伸强度的关联程度；

93、所述成分含量预测单元，用于将所述近红外光谱数据进行预处理后，通过成分含量预测，得到被测麻纤维中目标化学成分的成分含量数据；

94、所述拉伸强度预测单元，用于将所述成分含量数据，通过拉伸强度预测，得到被测麻纤维的拉伸强度；

95、所述结果生成模块，用于将目标化学成分及拉伸强度外发。

96、第三方面，基于相同的发明构思，本技术还提供了一种麻纤维拉伸强度预测装置，包括处理器、存储器及总线，所述存储器存储可由处理器读取的指令及数据，所述处理器用于调用所述存储器中的指令及数据，以执行如上所述的麻纤维拉伸强度预测方法，所述总线连接各功能部件之间用于传送信息。

97、采用上述技术方案，本发明具有如下有益效果：

98、本发明提供的一种麻纤维拉伸强度预测方法、系统及装置，能够对麻纤维复杂的化学成分进行数据分析，自动统计得到对麻纤维拉伸强度起主导作用的3种目标化学成分，并基于无损的近红外光谱数据及成分含量预测，快速对这3种目标化学成分含量进行预测，再通过拉伸强度预测，对麻纤维样品的拉伸强度进行可靠预测。本方案不仅预测效率高、预测结论可靠，而且在预测应用中不会接触化学试剂等危害品，不会对人体造成伤害，并可有效减少人为试验操作导致的误差。