CN101819408A - 一种基于数据驱动的差别化纤维纺丝工艺交互式设计方法 - Google Patents

Abstract

本发明提供了一种基于数据驱动的差别化纤维纺丝工艺交互式设计方法，其步骤为：首先初始化产生抗体种群及抗原，随后通过随机的方式或工艺设计师的初步设计方案生成初始种群；再通过免疫进化算子对抗体种群进化以实现对抗原最大可能的匹配，并在此过程中通过方案评价模块由工艺设计专家对于每一个设计方案给出性能优劣的评价值，或在给出评价值的同时针对方案中的不足之处提出改进建议；最后根据工艺设计专家对备选方案的评价意见，结合专家系统中存储的优秀历史方案与当前备选方案的近似程度，判断进化是否结束，若是则退出，否则重新进行本发明所述优化方法的各步骤。本发明的优点是：1、建立纺丝工艺的交互式智能优化模型，为生产参数的设定提供依据。2、采用纺丝工艺专家系统对结果集进行分析和评价，并用于指导生产；所述专家系统的知识库、规则集可以不断地添加和改进，使系统具有自学习的功能。

Description

一种基于数据驱动的差别化纤维纺丝工艺交互式设计方法

技术领域

本发明属于纤维生产领域，特别是涉及一种针对差别化纤维的基于数据驱动的纺丝工艺交互式智能优化设计方法。

背景技术

纤维生产(包括天然纤维、聚合物纤维等)是一个具有多生产环节和复杂生产条件的大规模生产系统，其生产过程监测与控制的实现，需要结合对生产设备和生产技术的认识与建模，以及对生产线控制系统的设计与优化来进行。对纤维生产模拟技术而言，其核心是对成形机理、设备状况以及工程状况的准确描述与计算。在纤维成形机理方面，从20世纪60年代开始，Ziabicki、Gagon & Denn、Geoge等人对纺丝加工过程做了大量的基础理论研究工作，确立了纺丝的基本过程和基本模型。如Kase & Matsuo定量分析了熔纺过程，得出了一些重要的参量表达式，如传热系数h、比热C_p、拉伸粘度η_e等。Hamana、Yasuda、Shimizu和Kikutani等人拓展了上述研究，将纺丝数学模型应用到中空纤维和高速纺丝过程中，并研究了其中存在的应力一致性关系。还有文献采用有限元方法研究了中空纤维的纺丝过程，得到了纺丝过程中空度的变化规律，并研究了工艺条件对中空度的影响。Kikutani等则研究了扁平、中空及皮芯复合纺丝的数学模型，运用熔融纺丝理论对其纺丝过程进行了初步模拟。然而上述内容仅是对纺丝过程进行的理论研究，没有将研究成果与实际工程推广相结合。

从数值与建模的角度看，当把纺丝生产线上的各工艺环节作为一个系统考虑时，纺丝过程的工艺优化就可以看作求解一个函数的最优解，可以采用数值计算或智能算法进行求解。传统上，对一个需要进行优化计算的实际问题，可将其进行抽象后得到一个求约束下最优解的数学问题，可采用数值优化或遗传算法(GA)等方法进行求解。在许多设计问题中，GA的适应度函数是根据目标问题的模型，并参考用户的意见而确定的。由于目标问题模型未必都能显式得到，因此人们又提出了交互式遗传算法(InteractiveGenetic Algorithm，IGA)，并已成功地应用于优化领域。IGA相对于GA的差别是适应度评价函数不同，能够根据用户对模型效果的不断反馈动态地调整适应度函数。在某些情况下，用户的主观评价甚至成为确定适应度函数的唯一依据。但IGA的局限性限制了其应用与推广，其不足之处：一是收敛速度过慢，二是需要专家的过多参与。

当前针对纤维纺丝成形的工艺设计，一方面局限于生产线局部的工艺、设备改进和依经验进行的生产参数微调，若期望明确地得到某个性能指标的较优值，相应的工艺参数设计是一个难题。另一方面，对于纺丝工艺设计应用效果的评价，通常依赖于生产组织者和设备操作者的主观意见。正是由于这些因素所带来的模糊性和随机性，使得对特定的纤维进行优化的生产工艺设计，同时确定优化的生产指标和工艺参数成为非常困难的任务。但是，经验丰富的工艺设计师或工程师，可以针对特定纤维的生产过程提供优良的设计方案，并能达到预期的性能指标。因此，如何综合利用工艺专家的经验知识，结合数值优化和智能优化的可行方法，在生产实践以及相应生产运行数据支持的基础上进行特定纤维纺丝工艺设计及优化，实现差别化纤维的设计，是一个具有挑战性的课题。

发明内容

本发明的目的是提供一种智能化、集成化、具有交互性的方法，来解决差别化纤维纺丝生产工艺的优化设计问题。

为了达到上述目的，本发明的技术方案是提供了一种基于数据驱动的差别化纤维纺丝工艺交互式设计方法，该方法是在对生产线运行过程和产品质量的学习和总结的基础上，在利用数据驱动的思想而建立的工艺优化模型的基础上实现的，其具体过程为：

步骤1、初始化：对生产过程的约束条件进行分析，得到生产工艺设计方案所处的问题域，该问题域是一个多维空间，多维空间的维数与约束条件的规模相关，在该问题域中通过随机的方式或工艺设计师的初步设计方案生成至少5个的备选工艺设计方案，每个备选工艺设计方案相当于多维空间中的一个向量，即一个抗体，所有抗体的集合形成抗体种群A，而所期望的纤维性能指标作为抗原；

步骤2、通过免疫进化算子对抗体种群A进化以实现对抗原最大可能的匹配，并在此过程中通过方案评价模块由工艺设计专家对于每一个设计方案给出性能优劣的评价值，或在给出评价值的同时针对方案中的不足之处提出改进建议；

步骤3、根据步骤2中工艺设计专家对备选方案的评价意见，结合专家系统中存储的优秀历史方案与当前备选方案的近似程度，判断进化是否结束，若是则退出，否则重新进行步骤2。

本发明所针对的是纺丝工艺优化设计。该纺丝工艺优化设计是指基于特定的纤维生产线(过程)，根据需要优化的纤维主要质量指标，经过本发明所提出的智能工艺优化方法的调整，得到达到上述质量指标所需要的生产过程诸环节的最优生产参数。其中，纤维生产的主要质量指标指能够体现所生产纤维某一个或多个方面性能的一项或一项以上的性能指标。

本发明利用所要优化的纤维主要质量指标及生产线上对其具有影响的诸因素的监测数据，基于数据驱动的思想，引入交互式免疫协同进化机制，掌握上述主要质量指标和影响因素之间的隐含关系，形成交互式免疫协同进化模型框架。所述的数据驱动方法，指对纤维生产线的实时运行数据(包括但不限于生产环境条件、生产设备机械及电气参数、产品性能指标等)进行收集、整理和学习，得到能够反映产品性能指标与相应的生产条件之间关系的智能模型，并以之为依据，根据要求的性能指标，指导生产线诸参数的合理配置。同时，不断更新的生产线实时运行数据还可以对上述智能模型进行持续修正与改进，以达到模型在运行过程中不断逼近实际生产系统，精度逐步提高的效果。本发明为了充分发挥IGA的优点，同时避免其不足，在IGA的基础上融入了人工免疫机制和协同进化机制，能够有效地克服IGA的缺点，形成了一种基于数据驱动和交互式免疫协同进化算法(Interactive Immune Cooperative Evolutionary Algorithm，IICEA)的差别化纤维纺丝工艺智能优化设计方法。同时，建立针对差别化纤维纺丝过程的专家系统，将上述IICEA模型嵌入专家系统中，形成基于IICEA的专家系统，利用IICEA的学习能力和专家系统的知识储备和推理能力，为达到上述主要质量指标的设定值，对生产过程中的影响因素进行统一调节和配置。

同时，将上述专家系统与纤维生产线进行实时连接，利用生产线的实时运行数据，动态调整所述交互式免疫协同进化模型，并动态更新专家系统的知识储备，以更好地对生产过程进行优化。

由于采用了上述的技术方案，本发明的方法与现有技术相比，具有以下的优点和积极效果：

1、基于真实的差别化纤维生产线运行数据进行学习和总结，将主要质量指标作为优化基准，相应的生产各环节参数作为优化目标，基于数据驱动的思想，利用所述具有进化特征的交互式免疫协同算子，建立纺丝工艺的交互式智能优化模型，为生产参数的设定提供依据。

2、采用纺丝工艺专家系统对结果集进行分析和评价，并用于指导生产；所述专家系统的知识库、规则集可以不断地添加和改进，使系统具有自学习的功能。

附图说明

图1为本发明的流程图；

图2为抗体种群规模变化图。

具体实施方式

以下结合实施例来具体说明本发明。

实施例

如图1所示，为本发明提供的一种基于数据驱动的差别化纤维纺丝工艺交互式设计方法，其具体操作包括如下1～5五个步骤：

1.初始化

首先对生产过程的约束条件(如各工艺环节参数的取值范围、各种容器管道等的容限、检测和变送设备的量程等)进行分析，得到生产工艺设计方案所处的问题域。该问题域是一个多维空间，其维数与约束条件的规模相关。接着，在该问题域中生成一定数量的备选工艺设计方案(相当于这个多维空间中的一系列向量)，每一个备选工艺设计方案作为一个抗体，所有抗体的集合作为初始抗体种群A，而所期望的纤维性能指标则是抗原。各种算子的目标就是通过对抗体种群的进化实现对抗原最大可能的匹配。对于给定的性能指标，可根据经验公式确定各工艺参数等约束条件的上下限范围。

初始抗体种群A可通过随机的方式生成，也可以通过工艺设计师的初步设计方案组成。

2.进入免疫进化模块，在免疫进化过程中通过方案评价模块由工艺设计专家对于每一个设计方案给出性能优劣的评价值，或在给出评价值的同时针对方案中的不足之处提出改进建议，其具体操作包括如下(1)～(3)三个步骤：

(1)对种群进行克隆扩增

克隆扩增决定种群中选择哪些抗体进行扩增。在传统的进化算法中，适应度值是进行选择的唯一标准。免疫进化算法提出了一些指导选择的新的准则。在本发明中，基于Aff_Ab～Ag和Aff_Ab～Ab进行克隆扩增。Aff_Ab～Ag为表示个体之间相对评价值的抗体与抗原之间的亲和度，Aff_Ab～Ab为表示个体之间相似性的抗体之间的亲和度。记为

${\mathrm{Aff}}_{\mathrm{Ab}~\mathrm{Ag}}\left(x\right)=\frac{\mathrm{Evaluation}\left(x\right)}{{\mathrm{\Σ}}_{y\∈A}\mathrm{Evaluation}\left(y\right)}---\left(1\right)$

其中Evaluation(x)是专家针对第x个抗体的评价值，∑_y∈AEvaluation(y)是指对本代种群的所有抗体的专家评价值进行求和；计算抗体之间的亲和度Aff_Ab～Ab，计算公式为

${\mathrm{Aff}}_{\mathrm{Ab}~\mathrm{Ab}}\left(x\right)=\frac{{\min }_{y\∈(A-\{x\left\}\right)}\left(\right||x-y|\left|\right)}{{\max }_{y,z\∈A}\left(\right||y-z|\left|\right)+1}---\left(2\right)$

其中‖x-y‖表示第x个抗体与第y个抗体之间的欧氏距离，min_y∈(A-(x))(‖x-y‖)表示种群中除去抗体x外的所有抗体两两之间欧氏距离的最小值，‖y-z‖表示第y个抗体与第z个抗体之间的欧式距离，max_y，z∈A(‖y-z‖)+1表示种群中的所有抗体两两之间欧氏距离的最大值。通过这两个亲和度，个体的质量与个体的分布都能得到较好的表示。

对于抗体种群A中的每一个抗体x，都可能被选择克隆CLONALS(x)个副本，记为

CLONALS(x)＝int[m_rclonal·Aff_Ab～Ag(x)·Aff_Ab～Ab(x)]           (3)

其中m_rclonal是一个参考的克隆扩增系数，一般大于1。在CLONALS(x)的定义中，两个亲和度同时起作用。因此，进化过程在收敛性和多样性之间均衡。这样的策略对于克服早熟和提高全局搜索能力都有帮助。克隆扩增后的初始抗体种群A变为抗体种群B。

(2)超频突变

根据克隆选择理论，克隆扩增后必定紧跟着超频突变以保证多样性。一般变异率P_mut是由多样性亲和度决定。Aff_Ab～Ab意味着个体在其领域内的拥挤程度。个体x的超频变异率定义为

p_mut＝1/(Aff_Ab～Ab(x)+1)                        (4)

放弃不满足约束的不在可行解空间内的个体，保证满足约束。因此，超频变异是通过亲和度生成多样性的。然而，与交互式改进的方式相比，超频变异是随机的，没有明显的方向性。超频突变后，抗体种群B变为抗体种群C。

(3)协同进化

协作与竞争是种群内两种常见的协同进化方式。本发明中的协同进化是通过两种方式实现的：基于协作的交叉算子和通过个体之间的竞争耐受弱势个体。在第一种算子中，为了减少生成的抗体的数量，减少交互式评价的压力，仅仅选择克隆扩增过程中生成的个体进行交叉。个体参与交叉的可能性为

p_crossover(x)＝Aff_Ab～Ag(x)·[Aff_Ab～Ab(x)+1]          (5)。

第二种算子是通过融合领域知识实现对弱势个体的耐受。从工艺设计角度看，如果一种方案“包含”另一种，则较小的一种方案就被抛弃，因为这样的方案通过另一个可以很容易地生成。如果一种方案相对于另一种，仅仅在极少的几个工艺参数上不同，可以选择抛弃。设计方案本身并不被抛弃，而是将其评价值设为0。就对抗体种群规模的影响而言，第一种算子扩大种群，而第二种则减小它。就对抗体种群中不同性质个体的处理方法而言，第一种算子强化强者，第二种则弱化弱者，它们都可以加速进化过程。经过上述方法处理后，抗体种群C变为抗体种群D。

3.进入方案评价模块。

对于工艺设计方案，并不一定存在事先拟定的、精确的评价函数。因此，本发明所述的智能优化方法通过交互式方式与工艺设计专家进行交流，由工艺设计专家给出评价值。对于每一个设计方案，由工艺设计专家给出性能优劣的评价，并可以针对方案中的不足之处提出改进建议。该模块又可以分为专家评价模块和交互式修订模块，专家评价模块的具体操作包括如下1)～4)四个步骤。

1)交互式评价

由工艺设计专家对设计方案进行评价打分。根据用户所关心的纤维性能指标，在Delphi方法和模糊综合评价的基础上，建立一个2级层级，每个层级有至少一个指标，共m个指标的综合评价模型，其中每个指标都有一个评价等级，依据该模型制作咨询表以涤纶短纤维纺丝工艺优化问题为例，我们集中选用用户比较关心的系统性能和推理结果两方面指标，在Delphi方法和模糊综合评价的基础上，建立了如表1所示的一个多指标、二级层级的综合评价模型。

表1评估指标等级隶属度

记表1中的一级指标为

U＝{u₁，u₂}                                    (6)

其中u₁、u₂又含有二级指标，分别记为

u₁＝{u₁₁，u₁₂，u₁₃，u₁₄，u₁₅}                    (7)

u₂＝{u₂₁，u₂₂，u₂₃，u₂₄}

对每个指标，根据其具体属性定义了四个评价等价，记为

V＝{V₂₁，V₂₂.V₂₃，V₂₄}＝{好，一般，不好，很差}   (8)

不同的指标对同一等级所指的具体内涵不同。对于定量目标，我们采用实数区间映射的方法，把每个指标所可能的数量范围划分为四个不相交的区间，每个区间对应于一个定性登记。U中各一级指标的权值分配记为

W＝{W₁，W₂}，满足W_i＞0，∑W_i＝1(i＝1，2)         (9)

各一级指标的二级指标权值分配有相似的记号和定义。

2)为了克服个别专家的偏好造成的评价失真现象，选择专家3～5名，共同研究、制定各个指标各个定性等级的大致标准，标准应尽可能准确。发送咨询表格，让这些人员在充分了解优化系统的具体情况的基础上，以无记名方式填表，表格式样见表2。其中一级指标的权重分配只希望各评价人员给出粗略的比较次序，二级指标的权重分配按归一化原则给出分配值。

表2评价数据咨询表

3)依据咨询表格，统计和计算权值分配向量W和模糊评判矩阵。

权值分配向量W的确定方法如下：

i.根据各个专家给出的W_ij(i为一级指标序号，i＝1，2；j为二级指标序号，j＝1，2，K，9)次序，以每个W_ij的序号总和得出各个一级指标的综合序号，当出现两个指标的序号总和相等时，以其在各评价人员排序的第一序号、第二序号……的数目差来决定它们的相对位置，设得出的综合次序为：

W_i1＞W_i2＞W_i3＞……＞W_i9；

ii.对这种次序进行对称排序，得到序列W_i9，W_i7，W_i5，W_i3，W_i1，W_i2，W_i4，W_i6，W_i8；

iii.再重新编号为W₁，W₂，L，W₉(根据ii中排序W₁＝W_i9，W₂＝W_i7，其他依次类推)，得出

这样有：

$\underset{i=1}{\overset{9}{\mathrm{\Σ}}}{W}_i=\frac{1}{2^{9-1}}\underset{i=1}{\overset{9}{\mathrm{\Σ}}}{C}_{9-1}^{i-1}=\frac{1}{2^{9-1}}\underset{i=1}{\overset{8}{\mathrm{\Σ}}}{C}_{8-1}^i=\frac{2^{9-1}}{2^{9-1}}=1---\left(10\right)$

满足W的归一化要求。每个二级指标的权值为各评价人员给出的分配值总和的平均数。

模糊矩阵的获取方法包括以下i～iii三个步骤：

i.将指标u_i相对于评价等级v_j的隶属度τ_ij，取为该评价等级被选中的评价人员数占总评价人员数的比率，然后各个指标内各等级的隶属度作归一化处理。把统计结果以附表的形式反馈给每个评价人员，如果评价人员没有修正意见(对他原来的填表)则无需再填表，否则重新填表；如果没有修正意见的人数超过80％，则认为统计数据可取，否则重复此步骤。

ii.分别选择单因素突出型和加权平均型两类模糊算子，先由表1中的二级指标向一级指标综合，然后再将一级指标综合，得出两组综合评判向量，按照使用模糊算子的不同分别记为B₁和B₂。对于B₁和B₂的计算，以一级指标的再综合为例，若采用单因素突出型模糊算子，则

B₁＝W·R＝(b_1j)_1×4

R＝(τ_ij)_9×4                          (11)

b_1j＝max(t₁，t₂，K，t₉)

t_i＝W_i·min(τ_i1，τ_i2，K，τ_i4)

若采用加权平均型模糊算子，则

B₂＝W·R＝(b_2j)_1×4

$b_{2j}=\underset{i=1}{\overset{9}{\mathrm{\Σ}}}{W}_i\·{\mathrm{\τ}}_{\mathrm{ij}}---\left(12\right)$

在求出B₁和B₂后，将B₁，B₂分别归一化。

iii.按照最大隶属度原则，根据表2中的四个评价等级，将B₁和B₂分别归入这四个等级中的一个作为最终的评判结果，记为(V_i1，τ_j1)和(V_i2，τ_j2)(i＝1，2，Λ，4为评价等级值，如V₂₁为方案B₁中等级V₂的评价分数；τ_j1为方案B₁中第j个子级指标的隶属度。

评判结果可能有以下三种：

i.如果|i₁-i₂|＞2(i₁，i₂∈{1，2，3，4}，分别为方案B₁和B₂的评价等级值)，即B₁和B₂的评判结果等级差大于2，则表明设计方案需要大幅度加工完善，有时可能要涉及到知识表示模式的重新选择和系统推理策略的重新制定。

ii.如果|i₁-i₂|≤1，则表明所评价的备选工艺方案基本可行。若|τ_j1-τ_i2|＜0.5时，可先对该备选工艺方案的各工艺参数进行微调，然后设计方案可投入实际应用。

iii.其他情况下，设计方案需要针对各单项指标进行i和ii类似的考察。通常，对某些指标需要作相应的设计方面的修改，但问题不会涉及到整个方案的框架结构。

4)除了评价，专家还可以针对备选方案的不足之处给出改进建议，并根据这些改进建议生成新的方案。在本发明中，评价过程主要是给出主观的适应度值；评价过程本身也是一个产生新的个体的过程。通过改进过程，在原来的抗体种群D中加入改进生成的个体，得到新的抗体种群E(E≥D)。

4.免疫清除和免疫记忆。

在克隆扩增和协同进化之后，原抗体种群的规模扩大了，同时，在评价过程也增加了种群的规模。为得到稳定的种群规模，通过免疫清除算子对抗体种群E中质量较差的个体进行清除。个体的质量可以通过Aff_Ab～Ag和Aff_Ab～Ab衡量。免疫清除算子通过清除弱势个体保持种群规模的稳定。经过该步骤后抗体种群E变为抗体种群F。

5.根据步骤2中工艺设计专家对备选方案的评价意见，结合专家系统中存储的优秀历史方案与当前备选方案的近似程度，判断进化是否结束，若是则退出，此时的抗体种群F中保存了由本专利所述方法得到的优化后的工艺设计方案(由之前选取的需要进行优化的工艺参数构成)；否则，记当前的抗体种群F为A，从步骤2开始重新进行本专利所述方法的迭代操作。

如图2所示，为抗体规模变化示意图。抗体种群A通过克隆扩增进化到更大的抗体种群B。超频突变没有改变种群规模。协同进化和交互式改进都产生新的个体。最后，克隆清除算子保持种群规模的稳定。其种群大小关系为

|A|≤|B|＝|C|≤|D|≤|E|＞|F|＝|A|                 (13)

注意，群体初始化后，将立即对种群个体进行评价。

以下结合棉型纤维半敞开式纺丝过程的工艺优化，对本方法作进一步的描述。

在表3中提供了5组半敞开式棉型纤维纺丝过程运行参数实际值。当已知EYS1.5、EYSCV1.5时，可使用本发明所述的IICEA来对工艺参数进行优化设计，该算法嵌入在为实现本发明所述方法而编写的“涤纶短纤维纺丝运行智能优化软件系统”(以下简称“软件”)中。

在具体实施中，含有候选工艺方案的初始种群通过经验公式或工艺设计专家的初步设计方案产生，三位有经验的专业人员作为专家参与交互式评价与改进。初始的种群大小设置为5，克隆扩增的参考比率设置为10，即m_pop＝5和m_rclonal＝10。算法迭代15次，即m_gen＝15。本发明采用以下规则进行评分：1)每个专家对于每个候选设计方案都作出评分；2)每个候选设计方案的总分是对专家组的评分的均值。在条件允许的情况下，可设计更加复杂的评分方案。从表3可以看出，在种群进化的前5代，最高的评分迅速上升，然后上升逐渐趋缓。在第11代之后，曲线基本保持水平，不再有改进。然而直到15代，平均得分依然在上升。说明在第5代之后，接近最佳的设计方案已经产生，但很难再突破，而其他的设计依然在持续改进。因此，即使最优方案的分数上升缓慢，但平均分在依然在上升。

交互式算法的另一个重要的性能评价标准是专家评价的次数。为防止专家因长时间持续评价产生疲劳而影响评价效果，评价的次数应尽量少。本发明的设计初衷之一就是减少评价次数。作为一种新颖的交互式方法，交互式改进应带有建议性，这对于改善设计方案的质量有直接的指导意义。

分别输入表3中所列的EYS1.5、EYSCV1.5值，运行后得到的工艺优化参数值如表4所示，其误差值如表5所示。

表3半敞开式开发运行参数实际值

表4智能系统优化参数值

表5优化后的工艺参数值与实际值的误差

从表4和表5可以看出，经过本发明所述的智能优化方法优化后得出的纺丝温度最大误差不超过3％，纺丝速度最大误差不超过4.5％，吹风温度最大误差不超过5％，吹风速度最大误差不超过4.5％，智能优化效果良好。

本发明的智能优化方法由Visual C#编程实现，在Microsoft Visual Studio中编译生成动态链接库(DLL)供软件的主程序调用。此外，软件还包括纺丝性能预测，丝条各工序点参数显示等辅助程序。

本发明的智能优化模型建立后，下位机采集到的数据直接传入模型纺丝工艺设计，得出结果集后将结果集传入装有专家系统的上位机，专家系统通过自身的知识库和推理机进行分析，给出所得到的纺丝参数的分析和评价，并用来指导生产。

Claims (7)

1.一种基于数据驱动的差别化纤维纺丝工艺交互式设计方法，其特征在于，步骤为：

步骤1、初始化：对生产过程的约束条件进行分析，得到生产工艺设计方案所处的问题域，该问题域是一个多维空间，多维空间的维数与约束条件的规模相关，在该问题域中通过随机的方式或工艺设计师的初步设计方案生成至少5个的备选工艺设计方案，每个备选工艺设计方案相当于多维空间中的一个向量，即一个抗体，所有抗体的集合形成初始抗体种群A，而所期望的纤维性能指标作为抗原；

步骤2、通过免疫进化算子对抗体种群进化以实现对抗原最大可能的匹配，并在此过程中通过方案评价模块由工艺设计专家对于每一个设计方案给出性能优劣的评价值，或在给出评价值的同时针对方案中的不足之处提出改进建议；

步骤3、根据步骤2中工艺设计专家对备选方案的评价意见，结合专家系统中存储的优秀历史方案与当前备选方案的近似程度，判断进化是否结束，若是则退出，此时的抗体种群中保存了由本专利所述方法得到的优化后的工艺设计方案(由之前选取的需要进行优化的工艺参数构成)；否则从步骤2开始重新进行本专利所述方法的迭代操作。

2.如权利要求1所述的一种基于数据驱动的差别化纤维纺丝工艺交互式设计方法，其特征在于，步骤2中所述方案评价模块包括专家评价模块，专家评价模块的评价步骤为：

步骤A2.1、根据用户所关心的纤维性能指标，在Delphi方法和模糊综合评价的基础上，建立一个2级层级，每个层级有至少一个指标，共m个指标的综合评价模型，其中每个指标都有一个评价等级，依据该模型制作咨询表；

步骤A2.2、选择至少3名专家，共同研究、制定各个指标各个定性等级的大致标准；

步骤A2.3、发送咨询表格，让上述专家在充分了解优化系统具体情况的基础上，以无记名方式填表；

步骤A2.4、依据咨询表格，统计和计算权值分配向量W和模糊评判矩阵，并通过模糊算子得到对各备选方案的最终评价结果。

3.如权利要求2所述的一种基于数据驱动的差别化纤维纺丝工艺交互式设计方法，其特征在于，步骤A2.4中所述权值分配向量W的计算步骤为：

步骤2.4.1、根据各个专家给出的W_ij的次序，以每个W_ij的序号总和得出各个一级指标的综合序号，其中i＝1，2为一级指标序号，j＝1，2，......m为二级指标序号，当出现两个指标的序号总和相等时，以其在各评价人员排序的第一序号、第二序号......的数目差来决定它们的相对位置，从而得出综合次序：W_i1＞W_i2＞W_i3...＞W_im；

步骤2.4.2、对上述综合次序进行对称排序，得到对称排序序列W_i(m-1)......W_i2W_i1W_i3......W_im；

步骤2.4.3、对对称排序序列重新编号为W_r1，W_r2，......，W_rm，其中r＝1，2为一级序号，得出：

每个二级指标的权值取为各专家给值的总和的平均。

4.如权利要求2所述的一种基于数据驱动的差别化纤维纺丝工艺交互式设计方法，其特征在于，步骤A2.4中所述模糊评判矩阵的获取方法为：将指标相对于评价等级的隶属度取为该评价等级被选中的专家人数占总专家人数的比率，然后对各个指标内各等级的隶属度作归一化处理。

5.如权利要求1所述的一种基于数据驱动的差别化纤维纺丝工艺交互式设计方法，其特征在于，步骤2中所述免疫进化算子的具体步骤为：

步骤B2.1、计算抗体与抗原之间的亲和度Aff_Ab～Ag以表示个体之间的相对评价值，并计算抗体之间的亲和度Aff_Ab～Ab以表示个体之间的相似性，基于亲和度Aff_Ab～Ag及亲和度Aff_Ab～Ab对抗体种群A进行克隆扩增，对于抗体种群中的每一个x，都可能被选择克隆CLONALS(x)个副本，其中，CLONALS(x)＝int[m_rclonal·Aff_Ab～Ag(x)·Aff_Ab～Ab(x)]，m_rclonal是一个参考的克隆扩增系数，克隆后的抗体种群A变为抗体种群B；

步骤B2.2、对抗体种群B进行超频变异，抗体种群B中每个个体x的超频变异率定义为：p_mut＝1/(Aff_Ab:Ab(x)+1)，超频变异后得到抗体种群C，|B|＜|C|；

步骤B2.3、通过基于协作的交叉算子和通过个体之间的竞争耐受弱势个体对抗体种群B进行协同进化；

步骤B2.4、为得到稳定的种群规模，通过免疫清除算子对质量较差的个体进行清除，个体的质量通过亲和度Aff_Ab～Ag和亲和度Aff_Ab～Ab衡量。

6.如权利要求5所述的一种基于数据驱动的差别化纤维纺丝工艺交互式设计方法，其特征在于，步骤B2。1中所述亲和度

其中，Evaluation(x)是专家针对第x个抗体的评价值，∑_y∈AEvaluation(y)是指对本代种群的所有抗体的专家评价值进行求和；计算抗体之间的亲和度Aff_Ab～Ab，其中，‖x-y‖表示第x个抗体与第y个抗体之间的欧式距离，min_y∈(A-(x))(‖x-y‖)表示种群中除去抗体x外的所有抗体两两之间欧氏距离的最小值，‖y-z‖表示第y个抗体与第z个抗体之间的欧式距离，max_y，z∈A(‖y-z‖)+1表示种群中的所有抗体两两之间欧氏距离的最大值。

7.如权利要求5所述的一种基于数据驱动的差别化纤维纺丝工艺交互式设计方法，其特征在于，在步骤B2.3中所述交叉算子中，仅仅选择克隆扩增过程中生成的个体进行交叉，个体参与交叉的可能性p_crossover(x)＝Aff_Ab～Ag(x)·[Aff_Ab～Ab(x)+1]。

Images