论文部分内容阅读
聚酯纤维具有良好的性能而被广泛用于工业产品制造以及人们日常生活。聚酯纤维纺丝阶段是聚酯纤维全流程的最后环节,决定了聚酯纤维的性能。由于纺丝阶段的生产线较长,极易受到外界干扰,对整体进行数据驱动建模实用性不足,因此对纺丝阶段进行细分,分别建立各子段的数据驱动模型,并通过级联方法获得全局模型,更适用于纺丝过程。由于子模型级联易导致误差的累积传递,在子模型之间建立误差补偿模型可以有效补偿子模型的预测误差,提高级联模型的预测能力。本文对聚酯纤维纺丝工序进行分段,利用机器学习和智能优化算法建立各子段的数据驱动模型和误差补偿模型,并将子模型进行级联,实现利用设定参数来对聚酯纤维生产纺丝工序的中间材料结构、参数以及最终的性能指标进行预测,对聚酯纤维生产具有一定的指导意义。本论文主要研究工作如下:1.通过结合理论分析和现场工程师的经验,将聚酯纤维生产纺丝工序分为三段,分别为无风区段、吹风区段、自然冷却成形区段。无风区段的输入变量是设定的四个生产参数,分别为纺丝速度、纺丝温度、吹风速度、吹风温度,输出变量为吹风区入口处的聚酯纤维取向度、张力、丝条半径、丝条速度。吹风区段的输入变量是设定的四个生产参数、吹风区入口处的聚酯纤维取向度、张力、丝条半径、丝条速度,输出变量为吹风区出口处的聚酯纤维取向度、张力、丝条半径、丝条速度。自然冷却成形区段的输入变量是设定的四个生产参数、吹风区出口处的聚酯纤维取向度、张力、丝条半径、丝条速度,输出变量为评价聚酯纤维性能的四个性能指标,分别为:伸长能力、断裂强度、倍半伸长率、倍半伸长不匀率。2.建立各子段的数据驱动模型,针对粒子群优化算法(PSO)容易陷入早熟收敛的缺点,将免疫算法中的基于浓度选择机制加入到PSO的粒子群更新中,建立免疫粒子群算法(IPSO),将IPSO算法用于极限学习机(ELM)的参数优化。IPSO结合了两种智能优化算法的优点,提高了收敛性和预测精度。由于子模型级联会导致误差的累积传递,需要在子模型之间建立误差补偿模型来对子段数据驱动模型的输出进行补偿。误差补偿模型为径向基神经网络(RBFNN),建立误差补偿后,级联模型的预测能力得到了提高。3.针对点值数据在聚酯纤维纺丝工序建模中的不足,引入区间数据建立生产参数与性能指标的关系模型,以提高数据驱动建模的合理性。将梯度动量项引入到区间径向基神经网络(IRBFNN)的上下界权重更新中,得到基于梯度动量因子的区间径向基神经网络(IRBFNN-GMF),并将IRBFNN-GMF运用到纺丝工序各子段的区间数据驱动建模中。同时在级联的子段数据驱动模型之间建立误差补偿模型,实现对各分段数据驱动模型输出的上下界进行补偿。误差补偿模型为IPSO-ELM算法,建立误差补偿后级联模型的预测性能有所提升。4.设计和建立聚酯纤维生产纺丝工序预测平台,主要包括数据选择、点数据性能指标预测和区间数据性能指标预测三个可视化界面,实现了训练数据选取、点值和区间值的性能指标预测,并支持人机交互,输入拟定设定参数,可以将预测结果进行可视化展示。