使用结合多变量校准的光谱方法进行木板的性能预测

本发明涉及用于定生和定量地确定反映颗粒板(particleboard)和其它木基板的各种参数的方法，尤其涉及一种对进入工厂的原木进行的结合多变量校准的光谱方法，包括为生产木基板所进行的处理，尤其是对干的表面和中心颗粒进行处理，以便瞬时地并连续地分析反映木基板的质量的各个参数，并利用有关知识选择地确定处理变量。

本发明尤其涉及使用结合多变量校准的NIR(near-infrared)技术作为工具，用于预测颗粒板和其它木基板的性能。

本发明还涉及一种借助于结合多变量的光谱方法通过分析木基板本身从而确定木基板性能的方法。

颗粒板可由干的细的木材颗粒搀入黏合剂并使其形成板状，然后在高温和高压下压制成致密板来进行生产。

可以使用几乎所有种类的原木。然而，最终木板的性能，例如密度，胶黏度等取决于原木的性能。

锯末，刨花，来自圆木的木片和木屑在本说明书和权利要求中被成为“颗粒”，它们被用作木原料。圆木的刨片在鼓形刨片机中生产，而木屑在刀形刨片机中生产。

在破碎之后，所有木料被放在大容量干燥器中被干燥到2-4％的湿度。干燥处理之后，木颗粒被筛选为最佳的大小。排除的材料通过粉碎机，然后返回筛选系统。

碎片/锯末的形状及其尺寸分布对板的性能是重要的。

对于颗粒板和中密度纤维板(MDF)最通用的黏合剂是脲甲醛树脂(UF)，不过在某种程度上也使用密胺尿素树脂(MUF)，酚树脂(PF)和异氰酸盐树脂(MDI)，尤其是用于生产耐气候板。

树脂，水，硬化剂和蜡乳胶被自动地按重量配料。根据干的物质占干木料的百分数计算化学物质的剂量。加入的黏合剂的数量随树脂类型和所需的板的质量而不同。UF树脂的剂量一般在7-10％之间，MUF树脂的剂量一般在11-13％之间，MDI树脂的剂量一般在2-5％之间，PF树脂的剂量一般在6-8％之间。比较低的PF和MDI树脂的剂量说明这些树脂具有良好的粘结力。

一般的颗粒板包括6％的湿度，9％的黏合剂和其它化学物质，以及85％的木料，在颗粒板工业中的研究与发展直到80年代中期几乎全部集中在黏合剂上，而对木料的作用一直被忽视。

在制浆和造纸工业中，众所周知在生成浆之前必须把木料存放一段时间，以避免质量和工艺问题。在存放期间，木料的化学成分发生重要变化。例如一些易挥发的成分消失，自由的和结合的酸增加，非饱和黏合剂氧化，脂的水解发生，等等。

然而，颗粒板工业一直未对这些事实给予注意，而断定工艺和质量问题是由黏合剂的质量变化产生的。

至今为止，还不可能建立在木料的分析结果和木板的性能之间的有效的校正，虽然似乎发现在酸的含量和木料的可处理性之间有某些联系。

本发明的有关目的在于提供一种联机的在线的或实时的送入工厂的原木的测量，给出在其进入生产线之前，选出不合适的木料的可能性。

按照本发明的利用分析技术进行的原木颗粒的研究现在已经令人信服地表明在木料的测量分析值和板的性能之间具有相当高的相关性，例如板的游离甲醛的含量现在被认为是极其重要的，和坚固性与抗水性一样，是严格的环境条件。

关于颗粒板及其制造工艺的资料可以在Thomas M.Maloney的“现代颗粒板和干处理纤维板的制造”(1993)中得到(尤其参见第4和5章)，在此全文引为参考。

NIR光谱仪的原理见Wissiams，P.；Norris，K.(1987)：“应用于农业和食品工业的新红外技术”，AACC，St.Paul/Min.和Sterk，E.；Luchter，K.(1986)：“近红外分析(NIRA)：用于定量和定性分析的技术”，(Applied Spectroscopy Revues 22：4.)，在此引为参考。

在多分量系统的表征中多变量数据分析的使用目前是严格研究领域。一般应用于化学领域的这些统计方法也叫作化学统计学方法。化学统计学技术在S.D.Brown，“Chemometrics”，Anal.Chem.62，84R-101R(1990)中说明了，在此全文引为参考。

用于本说明书和权利要求书中的术语“板”包括：颗粒板、中密度纤维板(MDF)，压片板，定向纤维板(OSB)，硬板和聚合木。

影响板的质量的过程变量是例如木原料即木的种类，成熟的程度，颗粒的成分以及大小和湿度含量；颗粒产生例如Hombak/Mayer颗粒；干燥器，其入口和出口温度，干燥的颗粒的湿度；筛选参数，例如表面和核心颗粒，粉尘含量，碎片，湿度含量，颗粒温度，黏合剂搅拌器变量，例如表面和核心颗粒，比例设置，颗粒温度，黏合剂数量，蜡的数量，湿度含量，冷却水；成形状态变量，例如体积重量，厚度等；预压力变量例如加压时间和温度；热压力变量，例如加压时间，压力，温度；冷却变量例如温度；沙磨变量，例如表面细度。

在科技杂志的文章“用作原材料的木材，50(1992)p25-28”(Niemz等)提到板的质量被固态树脂的成分和相关的硬木/软木影响。Niemz等使用NIR光谱仪用于在木片中为脲甲醛树脂定量并确定硬木对软木的混合比。试验的目的是确定工艺是否合适，以表明在锯末上加入黏合剂并获得混合比硬木/软木。

在所述的文章中还提到，NIR技术可以和线性多重回归结合，以便联机和脱机控制木的湿度并分析化学成分和农产品。此外，还提到Norris 1962用数学统计方法(化学统计学)结合NIR定量分析粮食和饲料，该方法后来用于经典化学内的定量分析。

在同一杂志的p73-78，Kniest的另一篇文章中由NIR光谱仪结合线性多重回归表征锯末黏合剂化合物。然而，在p77项3第二节提到不可能测量未加黏合剂的试样，这是由于对于每个板的处理模型要求的数据分配。

由所述参考文献可见，本领域的技术人员认为不可能从未加有黏合剂的颗粒预测板的性能，也不可能以不破坏的方式由成品板确定这种性能，并且在处理开始时为了确定表征板的参数而寻求高效率的联机、在线或实时方法的问题尚未解决。

决定板的性能的相关参数是例如密度和密度分布，内部粘结度，厚度膨胀(thickness swelling)，吸收性，渗透性，穿孔器的值，弹性模量(MOR)，有关易挥发有机化合物的参数(VOC)和放射室的值。

在这里，密度和体积重量一样，一般由称量已知体积的木板，用质量除以体积求得，以kg/m³表示。

内部粘结度(IB)是给定木板承受垂直于板面的拉力的性能。其结果取决于树脂含量和板的密度；在两种情况下，几乎是线性函数。

厚度膨胀通过把一定尺寸的试样放在温度为20或30℃的水中2-24小时进行测量。在试验前后测量板的厚度。厚度之差除以板的原始厚度，用百分数表示。厚度膨胀是板的承受例如雨或水基漆的能力的量度。

吸收值一般用进行厚度膨胀试验的同一块板进行测量。在试验前后称量试样的重量，重量之差除以板的原始重量，并用百分数表示。吸收值可用于预测在恶劣条件下板的性能。

渗透性的值通过经试样吸入空气(板的边缘被用蜡密封)，在空气流过试样的同时测量板的两面的压力差而测得。板表面的渗透性的值取决于板的密度，但一般情况下在平均渗透性和甲醛发射值之间具有好的相关性。渗透性测量甲醛从板中放射时的阻力。其值用cm/分表示。

穿孔器的值表示在某个湿度含量下(6.5％)板的甲醛含量。甲醛通过在甲苯中蒸馏板而获得。释放的甲醛被在水中吸收并用光学方法确定。因为希望穿孔器的值和从板中放出的甲醛有联系，因此在许多国家中穿孔器方法是一个被批准的方法。其值用mgHCHO/100g烘干板表示。

放射室方法现在已被全世界所接受，用于作为确定从木基板或其它材料中释放出的甲醛的最精确的方法。室中的条件被设置为模拟一般家庭的条件。室的大小在不同国家中不同，一般在1m³到40m³之间。温度范围为23-25℃，负载范围为0.3m²/m³到1.0m²/m³，相对湿度范围为45至50％，空气交换速率的范围为0.5到1.0/小时。板的试样在室内放在支架上，沿垂直方向保持一定距离。取空气试样直到达到稳态，这一般需要3到10天。其值以ppm HCHO表示或以HCHO/m³表示。

密度分布是板(mat)形成功能的量度，并且是压力的函数也是木颗粒的几何形状和混合的量度。现在使用利用X射线的装置测量分布，其能够测量表面到表面每0.1mm的密度。对于颗粒板，一般密度分布表明在下面为1100kg/m³’，在中心为600kg/m³。

因而在过去作了许多工作，这些年期间力图找到所述问题的解决办法但是直到作出本发明之前一直没有方便的方法可以利用。

本发明旨在提供一种方法，用于定量和定性地确定反应板和其它木基板的质量的各种参数和根据所述参数导出确定即控制生产过程的变量。本发明尤其涉及在原木料上尤其是对干的表面和中心颗粒或对木基板本身进行的光谱测定方法，用于瞬时地和连续地分析反应板的质量的各个参数。

本发明已经表明，板的性能可以预测，并选择地通过关于板的处理变量的参数进行所述预测，所述变量由同时应用NIR光谱仪和对进入工厂的原木料，尤其是干的表面和中心颗粒进行多变量校准而确定。

按照本发明，对湿度含量10％以下的原木料通过光谱测定方法进行分析，从而给出光谱数据，所述光谱数据和从具有10％以下的湿度含量的参考原木料中利用所述光谱测定方法获得的参考光谱数据比较，所述参考光谱数据已被根据已知的由所述参考原木料生产的木基板的参数借助于多变量分析进行校准。

木基板的性能也可以通过按照相同的发明构思的方法确定，包括以下步骤：通过光谱测定方法分析湿度含量在10％以下的木基板本身，从而产生光谱数据，所述光谱数据和从具有10％以下的湿度含量的参考原木料中利用所述光谱测定方法获得的参考光谱数据比较，所述参考光谱数据已借助于多变量分析与由所述参考原木料生产的木基板的已知参数进行校准。

按照一个实施例，原木料或木基板通过光谱测定方法分析，从而给出光谱数据，然后，将所述光谱数据和一个或几个过程变量形成一个组合，所述组合和参考组合比较，所述参考组合是通过联合利用所述光谱测定方法从参考原木料或具有参考过程变量的参考木基板中而获得的参考光谱数据而获得的，它已利用多变量分析与由所述参考原木料生产的木基板的已知参数或所述参考木基板的已知参数进行校准。在本文中，“联合成组合”指的是表示光谱数据的数学函数和一个或几个过程变量的组合，因而后者代表函数的独立变量；这意味着当非独立变量即“组合”要被确定时，所述独立变量通常要被插入某个数学公式中。

本发明按照其一个实施例涉及NIR光谱仪应用于板的干的表面或中心颗粒或应用于两者，和对获得的光谱的多变量分析。

按照本发明，已经表明，通过检测具有10％以下的湿度的板的原料的光谱，并利用多变量校准技术把所述光谱转换成所述参数，可以直接地连续地确定板的和其它木基板的各种参数，尤其是密度，和密度分布，内部粘结度，厚度膨胀，吸收性，渗透性，穿孔器的值，和放射室的值。可以使用该方法确定即控制板的制造工艺的过程变量。使用的光谱测定方法可以是吸收，反射，放射或发送光谱，并且最好应用于所谓的近红外(NIR)波长范围内。

尤其已经表明，可以直接而连续地检测形成板基的干的表面和中心的木颗粒的吸收或发射光谱，并使用这些光谱的所述离散波长的值计算板的各个参数。

本发明的目的通过在生产线上利用光谱测定方法分析具有10％以下的湿度含量的木基板或其原材料，尤其是干的表面或这些颗粒，来实现，特别是在波长范围180-2500nm内，合适地在400-2500nm内，尤其是1000-2500nm内，并利用光谱的化学统计计算。该方法允许瞬时地并连续地分析反映板或其它木基板的质量的各个参数，并由此可以确定引导生产过程的变量。

该方法最好应用于原料和由这种原料制成的已在干燥器中干燥过的木基板，适用于板生产厂内；最好木基板或原料，尤其是表面和中心颗粒在本领域人员已知的环境中干燥，其湿度在8％以下，最好在4％以下。

本发明的优点在于，例如，低的湿度含量有利于再现测量结果；否则湿度将阻断或掩盖光谱测定的信息。此外，在原料或板中的天然的或合成有机物的易挥发性成分随着湿度的减少也从原料或板中放出，否则它们也会阻断或掩盖光谱测定的信息。这样，通过在相当低的湿度下进行分析，便可利用更多的光谱测定的信息，从而确保更精确的可再现的测量结果。关于原料，当然在接近其实际使用状态下即在相当干燥时进行分析也是有利的。

木基板最好呈板状，尤其是颗粒板。

按照本发明的进行的多变量分析可以是主分量分析(PAC)，部分最小二乘回归(PLS)，主分量回归(PCR)，多元线性回归分析(MLR)，或判别式分析，最好是部分最小二乘回归。

按照本发明的的方法也可以应用于控制影响由进入木基板生产过程的原木料生产的木基板的参数的过程变量的方法中；在这种情况下，本发明的方法也可以用于确定板的参数，然后把其信息反馈回控制生产的系统。也可以设计一种控制系统，其中获得的光谱在减少噪声和基线漂移之后被直接输入系统，用于设置过程变量而不用把光谱转换成板参数；这可以通过建立合适的校准模型来实现，其中过程变量用板参数的函数表示，然后把模型用于由原料获得光谱数据的实际生产中，即前馈控制，或应用于生产的板中，即反馈控制，并和所需的板参数联系，从而给出所需的过程变量。

按照一个实施例，对湿度含量10％以下的原木料通过光谱测定方法进行分析，从而给出光谱数据，所述光谱数据和参考光谱数据比较，所述参考光谱数据是利用所述光谱测定方法从在已知过程变量下的生产过程中生产的参考原木基板中获得的，所述参考板具有10％以下的湿度含量，所述参考木基板的参数是已知的，所述参考光谱数据已被根据已知的所述过程变量借助于多变量分析进行校准。

按照本发明的另一个实施例，对湿度含量10％以下的原木料或木基板同样通过光谱测定方法进行分析，从而给出光谱数据，所述光谱数据和参考光谱数据比较，所述参考光谱数据是利用所述光谱测定方法从在参考过程中使用的参考原木料或从在参考过程中由所述参考原木料生产的参考木基板中获得的，所述参考过程用于生产具有10％以下的湿度含量木基板，所述参考光谱数据已被根据在所述参考过程中应用的过程变量借助于多变量分析进行校准。

在本发明的另一个实施例中，对湿度含量10％以下的原木料或木基板同样通过光谱测定方法进行分析，从而给出光谱数据，获得的光谱数据和至少一个所需的参数联合成为组合，所述组合和参考组合进行比较，所述参考组合是由联系参考光谱数据和参考原木料或参考木基板的已知参数而获得的，所述参考组合已被根据已知的过程变量借助于多变量分析进行校准。

从技术上说，光谱仪分析可以联机，在线或实时地通过光纤探针进行。在两种情况下，通过使用每个特定光谱的几个离散波长对光谱进一步进行数据处理。应该理解，在光谱测定方法中使用的照射直接地照到原料或木基板上。

光谱信息反应各种性能。根据感兴趣的参数使相关的选择的信息和特定参数相关。

这种技术的一个例子是使用一种装置，将其置于离开处理物一定距离处，其含有光源，检测器，电子元件和其它所需的部件，用于通过光纤向试样发送信号，其中光透过试样，或在试样上反射，或局部地透过试样。所得信号被送到光纤探针中的检测器，并进行记录。

在光谱仪中，光被转换成电信号，然后，信号被送到计算机，在其中预先存储的参考扫描的光谱可以和试样光谱相关，例如从中减去参考光谱，并计算参考校正的光谱。

另一个例子是通过手动或自动在相关的时间间隔取样，并把试样送到含有光源，检测器，电子元件和其它所需的部件的分析仪器分析。然后，对吸收或透射光谱使用来自每个特定光谱的几个离散波长进行进一步的数据处理。

检测器的测量间隔可以选择最大10nm，较好为2nm，最好为1nm或更小。在180-2500nm的波长范围内进行检测。

这可以使用扫描仪，二极管阵列仪，富氏变换仪，或本领域人员熟知的其它类似设备进行检测。

包含吸收或透射的波长的估算提供关于分析的特征。通过对获得的光谱应用化学统计方法，则可以忽略不包含信息的供化学分析的波长，尽管测量中包括来自整个波长范围的信息。

通过使用光谱仪测量确定和控制板的参数包括两个主要步骤，第一个是建立校准模型，其中包括建立学习组，数据处理，以及通过使用具有已知参数值的表面和中心颗粒数据分析的子步骤。第二个主要步骤是具有未知参数值的试样的光谱测量分析，光谱数据处理，接着选择地进行数据分析；把在第一主要步骤中建立的校准模型应用于这样获得的数据。

本发明的一个实施例分析波长范围为400-2500nm，尤其是1000-2500nm的干燥的表面和中心颗粒的近红外光谱，并对光谱应用化学统计估算，从而计算颗粒的参数，例如密度和密度分布，内部粘结度，厚度膨胀，吸收性，渗透性，穿孔器的值，和放射室的值。

板的变量和通过NIR测量干燥表面和中心颗粒获得的结果之间的相关性从对照图1-图6所示的结果的表中可以清楚地看到。

按照最佳实施例，本发明的方法包括以下步骤：

(I)建立校准模型

(I.a)利用光谱测定方法记录参考原木料或参考木基板的参考试样的参考光谱原始数据；

(I.b)处理参考光谱原始数据，以便减少噪声调整漂移和漫射的光散射；

(I.c)通过进行包括多变量分析的数据分析用参考试样的已知参数校准处理的参考光谱数据；以及

 (II)利用光谱测定方法记录具有未知参数的原木料或木基板的试样的光谱原始数据；处理所获得的光谱原始数据，以便减少噪声调整漂移和漫射的光散射；并对处理的光谱数据应用建立的校准模型，以便确定未知参数。在子步骤(I.c)中的多变量分析最好包括把处理的光谱数据转换成隐含变量；在子步骤(II)中的处理的光谱数据最好按照(I.c)被转换成隐含变量，并把建立的校准模型应用于隐含变量，以便确定未知参数。通过PCA方法转换成隐含变量。该实施例更详细地讨论如下：

(I)建立校准模型

对于若干试样以传统方法测量板的参数。然后使用测量的值建立校准模型，其中对记录的所述试样的吸收，反射和发射光谱应用下述的三个子步骤。

(I.a)建立学习组

模型学习组包括来自具有最好应该代表生产线的已知值的试样的大量的吸收或发射光谱。学习组被用于化学统计算法计算最终的模型参数。

(I.b)数据处理

为了减少噪声和调整基线漂移，应该对光谱的原始数据进行处理。这种处理也可以揭示隐含的信息，例如外表不同的光谱的相似性，或外表相似的光谱的不相同性。此外，导致Beer定律(即对于给定的吸收系数和吸收介质中的光路长度，吸收的光的总量正比于试样的摩尔浓度)的假设在由试样组成的复杂的系统中并不总是被满足的。这是由于在工业和实验室中经常存在的若干因素。另外应该复杂因素是和试样中的颗粒有关的光的散射变化。已经提出了各种理论解决这一问题，其中最常用的是：Kubelka-Munk变换(P.Kubelka，F.Munk，Z.Tech.Physik 12，593(1931)，在此列为参考)，其中论述吸收和散射；以及多重散射校正(P.Geladi，D.Macdougall，H.Martens，Appl.Spect.39，491-500(1985)，在此列为参考)，其中每个光谱在漂移和倾斜时通过将其和‘理想’的光谱(平均光谱)比较对其进行‘校正’。另一种使光谱数据线性化的方法也是使用导数，例如高达4阶导数(A.Savitzky，M.J.E.Golay，Anal.Chem.36，1627-1639(1964)，在此列为参考)。光谱的导数产生变换的光谱，其中只包括相邻波长之间的相对变化，并且已经表明得到的光谱的峰值强度对于浓度更接近于线性(T.C.O′Haver，T.Begley，Anal.Chem.53，1876(1981)，在此列为参考)。线性化也可以使用富氏变换完成，或使用标准正交变量变换完成，如R.J.Barnes，M.S.Dhanoa和S.J.Lister，Appl.Spectrosc.，Vol.43.NO.5，pp.772-777(1989)中所述，在此列为参考。

(I.c)数据分析

使用化学统计技术进行数据分析可以建立校准模型。有几种可用的化学统计技术，例如主分量分析法(Principal Component Analysis(PCA))，部分最小二乘回归法(Partial Least Squares Regression(PLS))，主分量回归法(Principal Component Regression(PCR))，多元线性回归分析法(Multilinear Regression Analysis(MLR))，和判别式分析(Discriminant Analysis)，按照本发明，最好的化学统计技术是PLS方法。

(I.c.1)主分量分析法(PCA)

按照PCA，一组相关变量被压缩成较小的一组非相关变量。这种变换包括坐标系统的旋转，使得在少数轴上的信息比原来系统中的容易校正。从而使彼此高度相关的变量作为有关整体处理。通过使用PCA，可用获得一小组非相关变量，它们仍然表示在原来的变量组中的大多数信息，而在模型中使用却容易得多。一般地说，2-15个主要分量将代表总变量的85％-98％。

(I.c.2)部分最小二乘回归法(PLS)

PLS是一种模拟与计算方法，用于建立变量块例如一系列试样的描述信息数据块(光谱)和对这些试样测量的响应数据块之间的定量关系。利用块之间的定量关系，便可以输入新的试样的光谱数据到描述信息块中，并较小预期响应的预测。该方法的有关大的优点是可以通过不同的曲线用图解方法计算结果。在大多数情况下，曲线的可见的解释对于理解变量之间的不同关系是足够的。该方法根据投影，和PCA类似。PLS方法在CarlssonR.，“有机合成中的设计和优化”，B.G.M.Vandeginste，O.M.Kvalheim，Eds.，“科技领域中的数据处理”，(Elsevier，1992)，vol.8中详细说明了，在此列为参考。

(I.c.3)主分量回归法(PCR)

PCR和PCA与PLS紧密相关。如在PCA中，在描述信息块中的每个对象被投影在较低维的空间，从而产生分数(score)和负载(loading)。然后，分数对于响应块按照最小平方程序回归，从而产生可用于预测未知试样的回归模型。和在PLS和PCA中相同的模型样本函数可用于确认模型。为了更好地理解PCA，PLS和PCR，可参见P.Geladi等“部分最小二乘回归法指南”，Anal.Chim.Acta，185，1-32(1986)，在此全文列为参考。

(I.c.4)多元线性回归分析法(MLR)

利用MLR确定作为光谱的函数的对于板参数的最好的配合平面，其中使用最小平方技术确定平面的每个边界。然后，使用这个平面对未知的板的参数识别并分配一个预测的值。这一技术一般局限于相当“干净”的系统，其中没有大的矩阵干扰，和PLS相比，它要求的对象比变量多。

(I.c.5)判别式分析法

这种方法利用光谱数据把已知的板的参数值分成由直线确定的边界隔开的不同的组。然后，从试样的光谱中，未知的板的参数值的的试样可以和一组匹配，并且板的参数值可被分配给一个值例如组的平均值。这对于质量筛选是非常有用的技术，但是需要非常大的数据库以便获得在统计上有效的结果。

(II)通过应用校准模型进行确定

一旦建立起校准模型，便可以通过记录的吸收或发射光谱按照(I.a)进行未知值的确定。按照(I.b)处理这样获得的光谱的原始数据；按照(I.c)选择地进行处理的光谱数据的数据分析；并对获得的数据应用建立的校准模型。

现在举例说明本发明。

在实验室中制备5块试验板，它们具有不同的颗粒成分而相同的黏合剂配方。使用3种不同年龄(老的，3个月的和新鲜的)的原料颗粒。它们在实验室中被干燥并筛选为表面和中心颗粒。每个年龄代表一个试验板，第四个试验板其它三个的混合。第五个试验板是参考试样，具有来自民用产品的表面和中心颗粒。板的颗粒混合物如下表1所示。每个试样的湿度含量已经用标准方法分析。在瑞典的Nacka的AKZO NOBEL分析中心进行了每种颗粒的NIR测量。使用的仪器是具有漂移电池的FT-NIRinstrument Bomem 160。颗粒被放在烧杯中，并且试样被扫描16次/光谱为1000-2500nm之间。除去按照已知技术对整个板进行测量外，还用干燥器盖进行发射测量(EXS方法，如下报告的)并且还采用一种方法，其中把板放在箱子内，并测量通过板吸入的空气(BOX方法，如下报告的)。其结果显示在监视器上，，对仪器进行中间扫描，以便测量甲醛。对冷却的原料板进行最接近工厂的联机方法的测量，其中干燥器盖中的空气的温度为30℃，并且应该给出关于甲醛的联机测量是否和室内的值密切相关的信息。所述测量的结果示于下面的表II中。使用用于多变量数据的Sirius程序进一步从标准的NIR光谱中提取信息。建立具有6个PLS分量的颗粒变量和板的变量的响应模型。响应模型可以表示为Y＝KX+M，即在常规的X-Y坐标系中描述直线的方程，其中Y是预测的参数，X是实际测量的参数，K是响应模型的相关系数(表示直线的斜率)，M是直线和Y轴的截距，即假定模型中的X为0时Y的值。对于理想的响应模型，K为1，M为0。对于不同的测量K和M的值如表III所示，，其中还示出了模型和实际值的相关性。其对于理想的模型为1，还示出了平均预测误差。对于表面和直线颗粒进行多波长的光谱仪测量，接着进行光谱数据的线性化，并使用多变量数据计算(PLS算法)确定板的参数值。在表中报告了由总共10个不同的因而具有不同的参数的原试样构成的参考试样。试样已被干燥为湿度含量在0.9到2.3％之间，并扫描表面和直中心颗粒。

表面颗粒粒径：(0.5-2mm)

中心颗粒粒径：(2-8mm)

以相同的方法对每种成分进行了包括2×4个三层板的一个试验，试验是利用等量的三种成分的混合物进行的。用表面和中心颗粒进行了一个试验。在所有试验中使用了来自Casco Products AB的脲甲醛树脂UF1155。4个板组合成一个室板。用干燥器盖并在箱内使板吸入空气进行了发射测量。在室测试之后进行了每个测试的完整的板试验。

在表中使用如下的缩写：Dens. 密度IB  内部粘合度TSW 24h  厚度膨胀ABS 24h吸收PB渗透性，cm/minPV穿孔器值，mg HCHO/100gREM快速发射方法mg HCHO/升Em.kam放射室  mg HCHO/m³EXS 30℃干燥器盖0.82dm²’，具有隔开板的带，通过板每分钟吸入3升空气。新压缩的原料板。温度30℃EXS 23℃干燥器盖0.82dm²’，具有隔开板的带，通过板每分钟吸入3升空气。新压缩的原料板。温度23℃EXS 1d干燥器盖0.82dm²’，具有隔开板的带，通过板每分钟吸入3升空气。磨损的板，1天。Box 4d通过板吸入空气4.8dm²，5.1/min.磨损的板，带包边缘，4天Box 12d通过板吸入空气4.8dm²，5.1/min.磨损的板，带包边缘，12天Box 27d通过板吸入空气4.8dm²，5.1/min.磨损的板，带包边缘，27天Box k-sk通过板吸入空气4.8dm²，5.1/min.磨损的板，带包边缘，对在室中试验过的板进行测量。

表1：用于施加压力的颗粒混合物

从表III可以看出，斜率K和相关性都非常接近于理想值1。最大截距M非常接近于0，密度参数除外；不过，在这种情况下，应该注意，测量板的实际值的范围为745-760，这表明相对于实际值的发散性很小，这也由在这种情况下的小的平均预测误差反应出来。