Real-time process modeling of particleboard manufacture using variable selection and regression methods ensemble

Abstract

This study focuses on the real-time prediction of mechanical properties such as internal bond strength (IB) and modulus of rupture (MOR) for a wood composite panels manufacturing process. As wood composite panel plants periodically test their products, a real time data fusion application was developed to align laboratory mechanical test results and their corresponding process data. Fused data were employed to build regression models that yield real-time predicted mechanical property values when new process data become available. The modeling algorithm core uses genetic algorithm to preselect a meaningful subset of process variables. Calibration models are then built using several regression methods: multiple linear regression, ridge regression, neural networks, and partial least squares regression (PLS). Four different predicted response values were generated for each new record of real time process variables. On-line validation results showed good performance of the ridge regression method with a 0.89 correlation coefficient between actual and predicted MOR values, a root mean square error (RMSEP) of 1.05 MPa and a mean normalized error of 9 %. IB was best predicted by PLS with a 0.81 correlation coefficient between actual IB and PLS predicted IB values, a RMSEP of 75.1 kPa, and a mean normalized error of 15 %.

Zusammenfassung

Diese Studie beschäftigt sich mit der Echtzeitvorhersage mechanischer Eigenschaften wie der Querzugfestigkeit (IB) und der Biegefestigkeit (MOR) bei der Herstellung von Holzwerkstoffen. Da die Holzwerkstoffindustrie regelmäßig ihre Produkte prüft, wurde ein Verfahren zur Echtzeit-Datenfusion entwickelt, um die Ergebnisse mechanischer Laborprüfungen mit entsprechenden Prozessdaten zusammenzuführen. Diese Datensätze wurden zur Entwicklung von Regressionsmodellen verwendet, welche in Echtzeit vorhergesagte mechanische Kennwerte liefern, wenn neue Prozessdaten verfügbar sind. Der Modellalgorithmus bedient sich eines genetischen Algorithmus zur Vorauswahl einer aussagekräftigen Teilmenge von Prozessvariablen. Anschließend werden anhand verschiedener Regressionsverfahren (multiple lineare Regression, Ridge-Regression, neurale Netzwerke sowie Partial-Least-Square Regression (PLS)) Kalibrierungsmodelle erstellt. Für jeden neuen Satz von Echtzeit-Prozessvariablen wurden vier verschiedene Response-Variablen generiert. Online-Validierungsergebnisse zeigten ein gutes Ergebnis für das Ridge-Regressionsverfahren mit einem Korrelationskoeffizienten von 0,89 zwischen den im Labor bestimmten und den vorhergesagten Festigkeitswerten, einem mittleren vorhergesagten Fehler (RMSEP) von 1,05 MPa und einem mittleren normalisierten Fehler von 9 %. Die Querzugfestigkeit wurde am besten mit PLS vorhergesagt. Der Korrelationskoeffizient zwischen der im Labor bestimmten und der mittels PLS vorhergesagten Querzugfestigkeit betrug 0,81, der mittlere vorhersagbare Fehler 75,1 kPa und der mittlere normalisierte Fehler 15 %.