基本密度是评估木材制浆造纸性能的重要指标。 采用近红外光谱技术检测造纸木片基本密度, 实时掌握原料材性变化, 能够为制定和优化制浆生产工艺提供基础理论数据。 但在实际生产中, 原料来源的复杂性造成木片水分含量波动较大, 光谱中的水分干扰信息严重影响模型预测效果, 成为制约近红外技术实际应用的主要因素。 以杨木片为研究对象, 通过对木片失水过程的近红外光谱动态监测, 结合主成分分析明确光谱中水分吸收信息的特征响应, 揭示了木片水分中结合水和自由水的变化规律。 分别采用不同水分条件下的木片光谱建立偏最小二乘回归(PLS)模型预测木片基本密度, 通过对比分析模型预测性能, 探究木片水分变化对近红外预测木片密度的影响, 并采用外部参数正交化算法(EPO)消除光谱中水分的干扰, 提高模型对水分变化的抗干扰能力。 研究结果表明, 基于饱水木片光谱的模型具有最好的预测精度, 模型的建立主要依靠近红外光谱对木片纤维结构特征信息的获取。 而光谱中大量的水分吸收信息对建模是冗余无用的, 并且会导致模型对样品水分高度敏感, 当测试集水分含量变化时, 模型预测出现严重偏差。 通过EPO算法对木片失水过程动态光谱的解析, 提取水分校正因子, 能够有效消除水分变化引起的光谱差异。 基于水分校正的基本密度预测模型对不同水分条件下的测试集均表现出稳定的预测性能, 均方根误差、 决定系数和预测相对标准偏差分别为12.23 kg·m-3、 0.883 4和2.93。 该研究将EPO算法引入对木材材性的近红外光谱分析, 构建了抗水分干扰的稳健型基本密度预测模型, 较好地解决了水分含量波动对原料材性快速检测的影响, 为近红外光谱技术在制浆造纸领域的推广应用提供了依据。

近年来， 随着林纸一体化战略的推进， 多使用混合原料制浆。 而混合原料比例及成分含量的快速分析难以实现已成为制约制浆工业发展的瓶颈。 为解决此问题， 以广泛使用的杨木-桉木混合原料为研究对象， 用傅里叶近红外光谱仪采集了131个不同比例的杨木-桉木混合样品和30个单一杨木、 桉木样品的近红外光谱； 用化学法测定其综纤维素、 聚戊糖及Klason木素含量。 因主要化学成分含量的近红外光谱信息集中于7 600～4 000 cm-1区间， 对该区间的光谱数据进行平滑、 标准正态变换和一阶导数的预处理， 运用LASSO算法建立了杨木含量与聚戊糖含量模型； 对该区间数据进行平滑、 标准正态变换和二阶导数预处理后结合LASSO算法建立了综纤维素含量模型； 对该区间数据进行平滑、 多元信号校正和二阶导数预处理后结合LASSO算法建立了Klason木素含量模型。 杨木含量、 综纤维素、 聚戊糖、 Klason 木素含量模型的预测均方根误差分别为1.82%， 0.52%， 0.67%和0.59%； 绝对偏差范围分别为-3.01%～2.94%， -0.91%～0.83%， -0.91%～1.07%， -0.79%～0.92%。 4种模型的性能总体上略优于传统偏最小二乘法所建的模型且满足实际需求， 可以用于工业生产。