论文部分内容阅读
碳纤维作为一种新型高分子材料,以其高模量,低密度、高比性能,无蠕变等优异的特性广泛应用于军工民用等方面,因此世界各国都在广泛发展碳纤维产品。然而,生产碳纤维的设备繁多,制备工艺复杂,生产环节多样,且产品精度要求高,制备过程要求苛刻。一旦研制新产品,即使是经验丰富的老员工,也需要大量时间不断尝试反复修改,所以急需一种方式揭示碳纤维原丝生产过程中的工艺参数和碳纤维产品性能之间错综复杂的联系。因此,本论文基于机器学习和智能算法建立了碳纤维原丝生产过程中牵伸环节生产工艺和产品性能指标之间的双向智能优化模型解决该问题。本论文的主要贡献如下:（1）通过查阅大量的中英文文献,选定本论文所需的生产工艺参数分别为:空气牵伸比r1,凝固浴牵伸比r2,热水牵伸比r3,沸水牵伸比r4,干热牵伸比r5和蒸汽牵伸比r6,产品性能指标分别为:线密度pL（i）,原丝强度Tg（i）和断裂伸长率EL（ i）。并介绍了数据来源,数据预处理的目的及过程。（2）基于最小二乘支持向量机（LS-SVM）算法建立了正向预测数据模型,并使用粒子群优化（PSO）算法对LS-SVM的两个参数C和σ进行优化。由于PSO算法的优化过程比较耗时,因此提出了依据幂律法则对PSO算法进行优化,在PSO算法产生子代粒子过程中,改进部分子代的产生方式。所提算法加快了优化速度,节省了时间。（3）在正向预测模型的基础上,基于带精英策略的非支配排序遗传算法（NSGA-Ⅱ）建立了逆向优化模型,旨在生产新的碳纤维产品时提供指导型生产参数。由于NSGA-Ⅱ算法变异时具有不确定性,为了得到解的多样性并减小优化目标的误差,因此,选取全局最优算子作为变异引导算子引导变异过程。采用K-means聚类算法和反比例分布选取全局最优算子。并在种群初始化过程中引入平均粒距,间接控制种群的初始化分布。算法不仅提高了解的多样性,降低了解的优化目标误差。（4）针对所设计的正向预测模型和逆向优化模型,基于MATLAB GUI建立了双向优化可视化平台,用户可以根据需要自行选择历史数据、正向预测模型或逆向优化模型,并可输入相应的数值,系统会根据用户所选择的历史数据进行训练学习,再根据用户输入的数值进行预测或优化,实现了人机交互。最后,针对本论文所研究的内容,探讨了研究中的可优化的方面,并就此提出新的研究内容。