论文部分内容阅读
随着工业化进程的不断推进,全球塑料行业的生产规模迅速扩大,塑料制品被广泛应用在建筑、交通、家电以及农业等各个行业,极大的方便了人们的生产和生活。然而,塑料产品的使用周期比较短,全球已累积大量废塑料,为改善环境和节约资源,对废塑料的回收再利用研究是当今社会的迫切需求。废塑料进行识别分类是塑料循环利用过程中的首要步骤,是保证塑料再生产品质量的关键。因此,本文以废塑料为研究对象,将近红外光谱技术与模式识别相结合,针对塑料回收过程中的识别分类技术开展研究,主要研究内容如下:(1)塑料样本近红外光谱预处理和特征波长的提取。采用蒙特卡洛交叉验证法剔除异常样本;采用移动平均平滑(MAS)和Savitzky-Golay(S-G)卷积平滑法对光谱进行平滑处理,并以留1交叉验证准确率为平滑窗口大小的选择依据;采用标准正态变换(SNV)和多元散射校正法(MSC)对光谱进行光程校正,采用导数法进行光谱的基线校正。采用主成分分析法(PCA)、连续投影算法(SFA)、竞争性自适应重加权算法(CARS)和无信息变量消除法(UVE)对原始光谱以及预处理后的光谱进行特征波长的提取,去除塑料光谱数据中的冗余信息,提高建模速度。(2)模式识别分类模型的建立。采用BP神经网络、支撑向量机(SVM)和偏最小二乘辨别分析(PLS-DA)分别建立模式识别分类模型,并用遗传算法(GA)对BP神经网络进行权值和阈值的寻优,用网格搜索法(GSM)和粒子群算法(PSO)对SVM算法的惩罚因子和核函数参数进行寻优。结合建模方法的原理,将分类准确度作为模型的评价指标,基于BP神经网络所建最佳模型为S-G卷积平滑+SNV+CARS+GA-BP,训练集准确率为99.212%,预测集准确率为96.364%;基于SVM所建最佳模型为S-G卷积平滑+MSC+PCA+PSO+SVM,训练集准确率为99.213%,预测集准确率为95.152%;基于PLS-DA算法所建最佳模型为S-G卷积平滑+PCA+PLS-DA,训练集准确率为85.827%,预测集准确率为82.424%。(3)对塑料分选机的整体结构进行设计。主要设计了塑料分选机中的的喂料装置、传送装置、识别装置以及喷吹分离装置,用Solidworks软件对4种装置进行三维建模;同时,对传动装置进行改进,将带传动改为滚珠传动,有助于减少塑料样本重叠,提高分类准确率。