Machine Learning for the optimization of paper mechanical and dimensional properties

Abstract

The mechanical and dimensional properties of the produced paper should comply with increasing quality constraints to guarantee the satisfaction of costumers. Curl is an important dimensional phenomena that is usually linked to problems experienced by end-users such as printer jams. This potentially problematic phenomena should be controlled and/or mitigated. The aim of this work is to explore existing industrial data to improve our understanding about the sources of variability affecting the production of paper, to extract useful insights on how to optimize the production process of paper making. Several tasks were conducted to explore and analyse the industrial data for selected processing areas: integration and cleaning of process variables, pre-processing and exploratory data analysis (EDA) for the pulp properties and for the infrared (IR) curl measurements, and obtaining preliminary models for the IR curl variables. A principal components analysis (PCA) was performed for the pulp properties, confirming the existence of correlations between variables such as the opacity and light scattering coefficient, and the apparent density with the light scattering coefficient. The effect of the refining degree on the pulp properties was also assessed. Properties such as tensile index, tensile stiffness index and apparent density were shown to increase with the refining degree, as expected. On the other hand, the tear index did not change significantly for higher levels of refining. The IR curl quality variable used in the industry, which combines for each jumbo the measurements for five positions in the orthogonal direction (also known as cross-machine direction, CD) relatively to the production path of the paper machine (machine direction, MD), was analysed thoroughly. The process was shown to be unstable and not operating under statistical control. To better understand these results, the IR curl variable was decomposed in the previously mentioned measurements, by position in CD. A variability component analysis was then performed, indicating that around 92% of the variability was due to the intra-jumbo component (i.e., CD position in the jumbo), with only around 8% being due to the inter-jumbo component. The lack of existing structure between the different CD positions of the jumbo rise important questions. Namely, it could limit the practical application of machine learning approaches to optimize the dimensional stability of the produced paper, due to the noisy structure of the IR curl measurements. With this in mind, future work should confirm the origins of the observed variability for the IR curl variables, including the complete assessment of the repeatability of the used measurement apparatus.

As propriedades mecânicas e dimensionais dos papéis produzidos devem obedecer com as crescentes restrições na qualidade, de modo a garantir a satisfação dos utilizadores. O curl é um fenómeno dimensional que está normalmente relacionado com problemas para os utilizadores finais, tais como os encravamentos das impressoras. Este fenómeno potencialmente problemático deve ser controlado e/ou mitigado. O objetivo deste trabalho é explorar dados industriais para melhorar o entendimento sobre as fontes de variabilidade que afetam a produção de papel, para extrair conhecimento em como otimizar o processo de produção de papel. Várias etapas foram percorridas para explorar e analisar os dados industriais para as áreas de processo selecionadas: integração e limpeza das variáveis do processo, pré-processamento e análise exploratória dos dados (AED) para as propriedades da pasta e para as medições do curl infravermelho (IV) e obter modelos preliminares para as variáveis do curl IV. Uma análise de componentes principais (PCA) foi realizada para as propriedades da pasta, que confirmou a existência de correlações entre variáveis como a opacidade e o coeficiente de dispersão da luz, e a massa específica e o coeficiente de dispersão da luz. O efeito do grau de refinação nas propriedades da pasta também foi avaliado. Propriedades como o índice de tração, índice de resistência à tração e massa específica demonstraram um aumento com o grau de refinação, como esperado. Por outro lado, o índice de rasgamento não se alterou para níveis mais elevados de refinação. A variável da qualidade do curl IV usada pela indústria, que combina para cada jumbo as medições para cinco posições na direção ortogonal (também conhecida como cross-machine direction, CD) com o sentido de produção da máquina de papel (machine direction, MD), foi analisada detalhadamente. O processo demonstrou-se como instável e operando fora de controlo estatístico, não garantindo que o papel produzido obedecesse às especificações. Para compreender melhor estes resultados, a variável do curl IV foi decomposta nas medidas previamente mencionadas por posição em CD. Uma análise de componentes de variabilidade foi realizada, indicando que cerca de 92% da variabilidade era devido à componente intra-jumbo (i.e., posição CD do jumbo), com apenas 8% devido à componente inter-jumbo. A falta de estrutura existente entre as diferentes posições em CD do jumbo levanta questões importantes. Pode impedir a aplicação prática de abordagens de Machine Learning para otimizar a estabilidade dimensional do papel produzido, pela obtenção de modelos inúteis que relacionam as medições do curl IV com as variáveis operacionais. Com isto em mente, trabalho futuro deve confirmar as origens da variabilidade observada para as variáveis do curl IV, incluindo a análise da repetibilidade do aparelho utilizado para a sua medição.