一种增强型纸浆模塑生产方法与流程

本发明属于纸浆模塑生产技术领域，尤其涉及。

背景技术：

纸浆模塑是一种立体造纸技术。它以废纸、木浆或其它纤维材料为原料，在模塑机上由特殊的模具塑造出一定形状的纸浆制品。它具有四大优势：原料为废纸、木浆或其它纤维材料，包括板纸、废纸箱纸、废白边纸、木浆或竹浆、蔗渣浆等，来源广泛；其制作过程由制浆、吸附成型、干燥定型等工序完成，流程较短，对环境无害；可以回收再生利用；体积比发泡塑料小，可重叠，质量轻，交通运输方便。纸浆模塑产品除用作餐盒、餐具外，也可用作工业包装和缓冲包装，目前发展十分迅速。

然而，现有纸浆模塑生产过程中使用的纸浆纤维强度和韧性差，导致产品强度较差。同时，生产过程中经过过滤后的纸浆纤维水分含量高浓度过高导致流动性差，无法聚集至集浆池，泵送至车间动力消耗大；回收浆液浓度波动大，制浆工段配料不能准确控制投加配比，造成产品质量波动较大，不利于稳定产品质量。

技术实现要素：

针对现有技术存在上述不足，本发明提供了一种新的增强型纸浆模塑生产方法。

本发明采取的技术方案如下：

一种增强型纸浆模塑生产方法，包括如下步骤：

步骤一，确定纸浆模塑设计参数，设定纸浆模塑生产参数；

步骤二，利用三维设计软件设计出纸浆模塑产品的三维模型；三维设计软件进行纸浆模塑产品三维模型设计中，基于大数据构建包含关系型数据库数据、传感器数据和控制器数据的纸浆模塑大数据分析平台，其中关系型数据库由生产工程师输入，传感器数据由安装在生产线上的各类传感器收集，控制器数据由生产车间的集散控制系统(dcs系统)提供；

在mapreduce框架下在纸浆模塑大数据分析平台中进行分析和挖掘，得到纸浆模塑成型影响因素；

结合纸浆模塑成型影响因素，构建神经网络模型bp，产生神经网络模型bp的初始权值；

对神经网络模型bp的权值和阈值进行动态改进，获得动态神经网络模型dbp，产生动态神经网络模型dbp的权值和阈值；获得预测模型aiga-dbp，根据预测模型aiga-dbp计算纸浆模塑成型预测值；

判断纸浆模塑成型预测值与纸浆模塑成型期望值的误差是否满足设定的条件；输出纸浆模塑成型预测值；

步骤三，利用输料设备输送纸浆纤维、水和聚丙烯酰胺树脂溶液；

步骤四，利用搅拌机对输入的原料进行搅拌混合，利用连续式干燥炉内通过不同的温度区，干燥到含水率降为10％～12％；

步骤五，利用热压成型设备根据设计的纸浆模塑产品的三维模型进行热压成型。

进一步，上述的步骤二中，将关系型数据库数据、传感器数据和控制器数据通过sqoop上传至分布式文件系统hdfs，并存储至nosql数据库中；利用mapreduce计算框架对关系型数据库数据、传感器数据和控制器数据进行挖掘分析，将分析好的数据写入nosql数据库，并通过web展示；

在mapreduce框架下在纸浆模塑大数据分析平台中进行分析和挖掘，得到纸浆模塑成型影响因素中，具体包括以下步骤：

使用mapreduce计算模型得到频繁1项集的集合l1,产生候选k项集的集合ck(k≥2)；

在map函数处理阶段，每个map任务计算其所处理的事务数据集中每个事务记录中包含在ck中的项目集的出现次数，对于每个map任务来说，如果候选k项集的某个项集(包含k个项目)出现在一个事务记录中，则map函数产生并输出<某个项集，1>键值对给combiner函数，由combiner函数处理后交给reduce函数；

在reduce函数处理阶段，reduce函数累加ck中的项目集的出现次数，得到所有项目集的支持频度，所有支持频度≥设定的最小支持频度的项目集组成频繁项集lk的集合，如果k＜最大的迭代次数且不为空，则执行k++，否则，结束运行。

进一步，上述的步骤二中，产生神经网络模型bp初始权值的方法为随机地在区间[-1，1]之间选择初始权值；

对神经网络模型bp的权值和阈值进行动态改进，获得动态神经网络模型dbp包括：

调整神经网络模型bp隐含层与输出层之间的权值wkj；

调整wkj的目的是希望输出节点j的新输出o^*pj比当前输出opj更接近目标值tpj，定义：

其中α代表接近度，在每个训练周期保持不变，并随隐含层节点数h的调整而变小，不考虑阈值，则有：

其中wkj和w^*kj分别为更新前后的权值，ypk为隐含层输出，△wkj为wkj的改变量；

根据公式(3)得到△wkj的求解方程：

其中，

根据最小平方和误差原则求解，得到△wkj的近似解：

对每一个连接到输出节点j的隐含层节点k，计算k与j之间的权值变化△wkj，更新权值并计算平方和误差e，然后在k∈[1，h]区间选择一个最优的k，使得e最小；

调整神经网络模型bp输入层与隐含层之间的权值vik；

调整vik的目的是一旦神经网络算法陷入局部极小点，修改权值能够跳出该极小点，判断神经网络算法陷入局部极小点的条件是误差e的变化率△e＝0，且e>0；

不考虑阈值，隐含层节点k的权值的改变通过以下方程求解：

其中δpj＝f^-1(ypk+δypk)-f^-1(ypk)，m为自然数，则隐含层输出ypk求解公式为：

其中△ypk为ypk的改变量，则有：

根据最小平方和误差原则求解构建的矩阵方程，算出：

计算隐含层与输出层之间权值的动态平均改变量

计算输入层与隐含层之间权值的动态平均改变量

公式中m取10～20之间的自然数，获得神经网络模型bp的动态平均权值，根据神经网络模型bp的动态平均权值获得动态神经网络模型dbp。

所述的步骤三中，纸浆纤维、水和聚丙烯酰胺树脂溶液较优重量配比为100:100：1。

所述的步骤三中，纸浆纤维优选采用如下的制备方法得到：

(1)将桉木原料经剥皮、削片后成为木片，送入温度为55±5℃、压力为-10kpa以下的负压混料仓中进行减压排气10～15min；再在负压状态下过量加入蒸煮剂并保持45～50min；然后恢复至常温常压状态，排出多余的蒸煮剂；

(2)将步骤(1)处理过的木片送入蒸煮设备中按常规蒸煮曲线升温95～100min、最高温度145～155℃、保温160～170min进行蒸煮，蒸煮结束后，实施浆料喷放，按常规进行洗、选、筛，得到良浆和黑液，黑液进入碱回收系统。

上述步骤(2)中，所述的蒸煮剂采用本领域常用的蒸煮剂即可，优选采用本发明提供的蒸煮剂。本发明提供的蒸煮剂由下列组分组成：naoh3.5～4.0w％、硫化钠0.5～1.0w％、蒽醌0.05～0.1w％、松香改性阳离子表面活性剂0.08～0.1w％，其余为水。

上述步骤(2)中，所述蒸煮设备为带药液循环的连续或间歇蒸煮器，或者不带药液循环的间歇蒸煮器；当使用带药液循环的连续或间歇蒸煮器时，还需额外加入与木片原料质量相同的同种蒸煮剂参与药液循环；当使用不带药液循环的间歇蒸煮器时，步骤(1)的蒸煮剂中naoh浓度可调整至3.9～4.0w％。

进一步，所述的增强型纸浆模塑生产方法，还包括纸浆纤维的回收，步骤如下：

1)选适合的水力斜筛，并设置过滤参数，造纸废水经水泵送到水力斜筛进行过滤；

2)过滤后的浆液经过滤网式输送带收集至螺旋压榨机进行二次脱水，得到含固率60％以上的干浆料，向干浆料中加入复合微生物菌对其进行发酵；

3)将干浆料在-35～-45℃急冻3～4小时，直到完全冻结为回收浆块；对回收浆块进行真空干燥，真空度控制在15～25pa，得到冻干回收纤维。

进一步，步骤2)中，所述复合微生物菌为巨大芽孢杆菌、灰色链霉菌和热带假丝菌母的任意混合。

本发明的有益效果：

本发明提供的纸浆模塑生产方法，首先构建大数据分析平台，然后运用关联规则算法挖掘出影响因素，并构建神经网络模型bp，对神经网络模型bp的权值和阈值进行动态改进，从而获得动态神经网络模型dbp，再运用自适应免疫遗传aiga算法优化动态神经网络模型dbp获得预测模型aiga-dbp，最后运用预测模型aiga-dbp计算出预测值；本发明中的动态神经网络模型dbp能够适应不同产品规格引起的各种变化。运用大数据分析技术，使得影响因素的挖掘更为高效和准确，考虑更加全面，有效提高预测的准确性。

本发明提供的专门性纸浆纤维制备方法，主要是指通过纸浆中纤维素上的羟基，特别是具有乙二醇结构的羟基的接枝共聚反应，改善纤维物理性质和化学性质，达到提高纤维强度和改善纤维界面与聚合物相容性的目的；将改性后的纸浆纤维与热塑性材料熔融共混后，可以较大幅度地提高其强度和韧性，对于脆性的聚合物的增韧效果尤为明显。

通过冷冻干燥的方式将干浆料制成冻干回收纤维，有效保持纤维结构，保存性好，可在常温下贮存4年，成品重量轻，便于运输；冻干后的回收纤维，便于转运装卸和现场卫生清理；冻干后的回收纤维，能根据生产需要进行准确的配料，控制性、操作性较强。在纸浆塑模前进行干燥处理，有效降低纸浆纤维的含水量。

附图说明

图1是本发明实施例提供的增强型纸浆模塑生产方法流程图。

具体实施方式

下面结合实施例对本发明的具体实施方法作详细举例说明。下述实施例中没有特别说明的技术参数和生产原料及助剂，本领域技术人员可以根据本技术领域的知识进行常规和适应性选择。

如图1所示，本发明实施例提供的增强型纸浆模塑生产方法包括：

s101：确定纸浆模塑设计参数，设定纸浆模塑生产参数。

s102：利用三维设计软件设计出纸浆模塑产品的三维模型。

s103：利用输料设备输送纸浆纤维、水和聚丙烯酰胺树脂溶液。

s104：利用搅拌机对输入的原料进行搅拌混合，利用连续式干燥炉内通过不同的温度区,干燥到含水率降为10％～12％左右。

s105：利用热压成型设备根据设计的纸浆模塑产品的三维模型进行热压成型。

步骤s102中，利用三维设计软件设计出纸浆模塑产品的三维模型；三维设计软件进行纸浆模塑产品三维模型设计中，基于大数据构建包含关系型数据库数据、传感器数据和控制器数据的纸浆模塑大数据分析平台。

在mapreduce框架下在纸浆模塑大数据分析平台中进行分析和挖掘，得到纸浆模塑成型影响因素。

结合纸浆模塑成型影响因素，构建神经网络模型bp，产生神经网络模型bp的初始权值。

对神经网络模型bp的权值和阈值进行动态改进，获得动态神经网络模型dbp，产生动态神经网络模型dbp的权值和阈值；获得预测模型aiga-dbp，根据预测模型aiga-dbp计算纸浆模塑成型预测值。

判断纸浆模塑成型预测值与纸浆模塑成型期望值的误差是否满足设定的条件；输出纸浆模塑成型预测值。

将关系型数据库数据、传感器数据和控制器数据通过sqoop上传至分布式文件系统hdfs，并存储至nosql数据库中；利用mapreduce计算框架对关系型数据库数据、传感器数据和控制器数据进行挖掘分析，将分析好的数据写入nosql数据库，并通过web展示。

在mapreduce框架下在纸浆模塑大数据分析平台中进行分析和挖掘，得到纸浆模塑成型影响因素中，具体包括以下步骤：

使用mapreduce计算模型得到频繁1项集的集合l1,产生候选k项集的集合ck(k≥2)；

在map函数处理阶段，每个map任务计算其所处理的事务数据集中每个事务记录中包含在ck中的项目集的出现次数，对于每个map任务来说，如果候选k项集的某个项集(包含k个项目)出现在一个事务记录中，则map函数产生并输出<某个项集，1>键值对给combiner函数，由combiner函数处理后交给reduce函数。

在reduce函数处理阶段，reduce函数累加ck中的项目集的出现次数，得到所有项目集的支持频度，所有支持频度≥设定的最小支持频度的项目集组成频繁项集lk的集合，如果k＜最大的迭代次数且不为空，则执行k++，否则，结束运行。

产生神经网络模型bp初始权值的方法为随机地在区间[-1，1]之间选择初始权值。

对神经网络模型bp的权值和阈值进行动态改进，获得动态神经网络模型dbp包括：

调整神经网络模型bp隐含层与输出层之间的权值wkj。

调整wkj的目的是希望输出节点j的新输出o^*pj比当前输出opj更接近目标值tpj，定义：

其中α代表接近度，在每个训练周期保持不变，并随隐含层节点数h的调整而变小，不考虑阈值，则有：

其中wkj和w^*kj分别为更新前后的权值，ypk为隐含层输出，△wkj为wkj的改变量；

根据公式(3)得到△wkj的求解方程：

其中，

根据最小平方和误差原则求解，得到△wkj的近似解：

对每一个连接到输出节点j的隐含层节点k，计算k与j之间的权值变化△wkj，更新权值并计算平方和误差e，然后在k∈[1，h]区间选择一个最优的k，使得e最小。

调整神经网络模型bp输入层与隐含层之间的权值vik。

调整vik的目的是一旦神经网络算法陷入局部极小点，修改权值能够跳出该极小点，判断神经网络算法陷入局部极小点的条件是误差e的变化率△e＝0，且e>0。

不考虑阈值，隐含层节点k的权值的改变通过以下方程求解：

其中δpj＝f^-1(ypk+δypk)-f^-1(ypk)，m为自然数，则隐含层输出ypk求解公式为：

其中△ypk为ypk的改变量，则有：

根据最小平方和误差原则求解构建的矩阵方程，算出：

计算隐含层与输出层之间权值的动态平均改变量

计算输入层与隐含层之间权值的动态平均改变量

公式中m取10～20之间的自然数，获得神经网络模型bp的动态平均权值，根据神经网络模型bp的动态平均权值获得动态神经网络模型dbp。

步骤s103中，本发明实施例提供的纸浆纤维、水和聚丙烯酰胺树脂溶液包括为：

纸浆纤维、水、聚丙烯酰胺树脂溶液比例为100:100：1。

步骤s103中，本发明实施例提供的纸浆纤维的制备方法包括：

(1)将桉木原料经剥皮、削片后成为木片，送入温度为55±5℃、压力为-10kpa以下的负压混料仓中进行减压排气10～15min；再在负压状态下过量加入蒸煮剂并保持45～50min；然后恢复至常温常压状态，排出多余的蒸煮剂。

(2)将步骤(1)处理过的木片送入蒸煮设备中按常规蒸煮曲线升温95～100min、最高温度145～155℃、保温160～170min进行蒸煮，蒸煮结束后，实施浆料喷放，按常规进行洗、选、筛，得到良浆和黑液，黑液进入碱回收系统。

步骤(2)中，本发明实施例提供的蒸煮剂包括：naoh浓度3.5～4.0w％、硫化钠浓度0.5～1.0w％、蒽醌浓度0.05～0.1w％、松香改性阳离子表面活性剂浓度0.08～0.1w％，其余为水。

步骤(2)中，本发明实施例提供的蒸煮设备包括：

为带药液循环的连续或间歇蒸煮器，或者不带药液循环的间歇蒸煮器；当使用带药液循环的连续或间歇蒸煮器时，还需额外加入与木片原料质量相同的同种蒸煮剂参与药液循环；当使用不带药液循环的间歇蒸煮器时，步骤(1)的蒸煮剂中naoh浓度可调整至3.9～4.0w％。

本发明实施例提供的增强型纸浆模塑生产方法，还包括纸浆纤维的回收，步骤如下：

1)选适合的水力斜筛，并设置过滤参数，造纸废水经水泵送到水力斜筛进行过滤。

2)过滤后的浆液经过滤网式输送带收集至螺旋压榨机进行二次脱水，得到含固率60％以上的干浆料，在干浆料中加入复合微生物菌对其进行发酵。

3)将干浆料在-35～-45℃急冻3～4小时，直到完全冻结为回收浆块；对回收浆块进行真空干燥，真空度控制在15～25pa，得到冻干回收纤维。

在步骤2)中，本发明实施例提供的复合微生物菌为巨大芽孢杆菌、灰色链霉菌和热带假丝菌母的任意混合。

下面结合具体实施例对本发明作进一步描述。

实施例1：

采用本发明提供的的增强型纸浆模塑生产一次性纸杯，操作流程如下：

确定纸浆模塑设计参数，设定纸浆模塑生产参数。

利用三维设计软件设计出纸浆模塑产品一次性纸杯的三维模型。

利用输料设备输送纸浆纤维、水和聚丙烯酰胺树脂溶液。

利用搅拌机对输入的原料进行搅拌混合，利用连续式干燥炉内通过不同的温度区,干燥到含水率降为10％～12％左右。

利用热压成型设备根据设计的纸浆模塑产品的三维模型进行热压成型操作。

设备显示器可以显示和储存设计的纸浆模塑产品的三维模型。

本发明实施例提供的纸浆纤维制备方法如下：

(1)将桉木原料经剥皮、削片后成为木片，送入温度为55℃、压力为-10kpa的负压混料仓中进行减压排气10min；再在负压状态下过量加入由下列组分组成的蒸煮剂并保持45min：naoh浓度3.8w％、硫化钠浓度1w％、蒽醌浓度0.05w％、松香改性阳离子表面活性剂浓度0.08w％，其余为水；然后恢复至常温常压状态，排出多余的蒸煮剂；

(2)将步骤(1)的木片送入带药液连续循环的连续蒸煮器中按常规蒸煮曲线升温95min、最高温度145℃、保温160min进行蒸煮，蒸煮结束后，实施浆料喷放，按常规进行洗、选、筛，得到良浆和黑液，黑液进入碱回收系统。蒸煮剂同步骤(1)，用量与木片质量相同。

本实施例提供的纸浆纤维的回收方法如下：

1)设置水力斜筛的过滤参数，造纸废水经水泵送到水力斜筛进行过滤；

2)过滤后的浆液经过滤网式输送带收集至螺旋压榨机进行二次脱水，得到含固率60％以上的干浆料；加入巨大芽孢杆菌、灰色链霉菌和热带假丝菌母的复合微生物菌对其进行发酵；

3)将干浆料在-35℃急冻3.5小时，完全冻结为回收浆块；对回收浆块进行真空干燥，真空度控制在15pa，得到冻干回收纤维。

实施例2：

生产步骤同实施例1，纸浆纤维的制备方法不同在于：步骤(1)的蒸煮剂中naoh浓度调整至3.9％。步骤(2)的蒸煮设备为不带药液循环的间歇蒸煮器。

以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。