论文部分内容阅读
聚酯纤维又名涤纶,因其具有优良的纺织性能,在日常生活中被广泛应用。但是聚酯纤维生产过程机理复杂,化学反应众多且具有多个不同的生产阶段,所以聚酯纤维产品的质量容易受到多方面因素的影响。因此,近年来,如何高效的生产聚酯纤维,提高聚酯纤维产品质量成为众多学者关注的焦点。聚合过程是聚酯纤维生产过程的首要阶段,对聚酯纤维产品的质量有着非常重要的影响。本论文借助软测量建模、多目标优化等智能计算思想,紧紧围绕聚酯纤维聚合过程,针对机理建模、数据驱动建模、混合建模和工艺优化等开展了一系列深入的研究,旨在基于聚酯纤维聚合过程的机理和集散控制系统采集到的海量数据,充分了解聚酯纤维聚合过程的生产状况,建立聚酯纤维聚合过程的动态机理、数据驱动和混合模型,实时预测聚合过程重要性能指标特性粘度、二甘醇含量百分比、聚合度、平均分子量和酯化率的值。同时基于所建立的聚合过程模型,设计合理、优化的工艺方案,从而帮助提高聚酯纤维的产品性能,实现差别化高效生产聚酯纤维。本论文的主要贡献如下:（1）针对聚酯纤维聚合过程静态机理建模不能实时反映聚合过程各个反应物浓度变化的问题,本论文深入研究了聚酯纤维聚合过程的机理,在聚酯纤维聚合过程静态机理的基础上增加了时间维度,建立了聚合过程动态机理模型。该模型既能反映稳态的生产工艺与纤维性能的关系,也能反映纤维性能在工艺变化时的状态切换。同时,考虑到模型的高度复杂性无法采用常规方法直接求解,设计了能够有效地求解该动态模型的数值计算方法。最后通过对比验证,证明了所建立模型及其求解算法的正确性,并分析了算法的精度。（2）针对集散控制系统（Distributed control system,DCS）采集到的海量数据具有冗余性、动态非线性等问题,提出加权双向转换时空网络（Weighted bidirectional converted gates long short term memory self-attention network,WBi CG-LSTM-SEA）的聚合过程软测量模型,该模型将极端梯度提升决策树（Extreme gradient boosting,Xgboost）和双向转换门长短时记忆自注意力网络（Bidirectional converted gates long short term memory self-attention,Bi CG-LSTM-SEA）相结合。首先利用Xgboost根据输入与输出相关性对输入变量进行排序,并选择与输出变量相关性较大的输入变量作为软测量建模的输入。然后,Xgboost充当编码器,根据输入变量的相关性评分对选定的输入变量进行加权。紧接着,对编码后的输入变量进行归一化处理,并送到Bi CG-LSTM-SEA网络提取过程数据的动态非线性特征。最后,将所提出的WBi CG-LSTM-SEA软测量框架应用于聚酯纤维聚合过程性能指标特性粘度的预测,实验结果验证了其有效性。（3）针对聚酯纤维聚合过程的数据具有非线性、动态性和空间相关性等特点及软测量模型预测具有不稳定性等问题,提出了并行交互时空约束变分自编码（Parallel interaction spatio-temporal constraint variational autoencoder,PIST-CVAE）软测量模型。在该模型中,首先提出了约束变分自编码（Constrained variational autoencoder,CVAE）算法。其次提出了并行交互机制,该机制能够有效的从输入样本中提取时空特征。最后利用得到的低维非线性特征构建软测量模型。CVAE和PIST-CVAE的有效性在聚酯纤维聚合过程得到了验证。结果表明,CVAE能够以更高的精度重构输入,提出的基于PIST-CVAE的软测量方法能够更准确地估计聚合过程中的特性粘度质量指标。（4）针对聚合过程具有多个重要的性能指标,且它们之间相互关联等问题,提出了时空自注意力网络辅助的典型相关性分析的多输出软测量混合模型,用于同时估计工业聚合过程多个重要的质量指标。该算法分为三个模块,分别为非线性特征提取模块、正则化模块和回归模块。因为大多数基于典型相关性分析的方法都假定了测量信号的高斯性和变量之间的线性关系。然而,在实际工业过程中,过程数据通常经过复杂的非线性映射得到质量指标的值。受此启发,卷积神经网络和长短时记忆网络共同构成非线性特征提取模块。然后,自注意力机制被选择构成正则化模块预防模型过拟合。最后,将提取的加权的非线性特征送入典型相关性分析层完成回归预测。该算法不仅通过实际聚酯装置的工艺数据进行了测试,而且与现有的多输出方法进行比较、统计分析和灵敏度分析。结果表明,所提出的软测量方法具有良好的泛化性能。（5）针对聚酯纤维聚合过程包含四个相互冲突的质量指标,然而,现有大多数文献只考虑其中两个性能指标,不能全面反映聚酯纤维聚合过程的真实状况的问题,提出基于投影距离的自适应高维多目标优化算法（Projection adaptive reference vector evolutionary algorithm,PARVEA）,建立聚合过程的四目标优化模型。该算法在原有角惩罚距离的基础上增加了投影距离,加速了优化解的收敛。同时,基于上下代优化解的分布自适应更新参考向量,增加了优化解的多样性。最后,该算法与多种先进的多目标优化算法在DTLZ1-DTLZ7测试问题和聚合过程的四目标优化问题上进行对比实验。结果证明,PARVEA算法相比其他优化算法,不仅有较快的收敛速度,还有更好的解的多样性。