CN107400935B - 基于改进elm的熔融纺丝工艺的调节方法 - Google Patents
基于改进elm的熔融纺丝工艺的调节方法 Download PDFInfo
- Publication number
- CN107400935B CN107400935B CN201710728466.7A CN201710728466A CN107400935B CN 107400935 B CN107400935 B CN 107400935B CN 201710728466 A CN201710728466 A CN 201710728466A CN 107400935 B CN107400935 B CN 107400935B
- Authority
- CN
- China
- Prior art keywords
- elm
- antibody
- performance indicator
- technological parameter
- group
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- D—TEXTILES; PAPER
- D01—NATURAL OR MAN-MADE THREADS OR FIBRES; SPINNING
- D01D—MECHANICAL METHODS OR APPARATUS IN THE MANUFACTURE OF ARTIFICIAL FILAMENTS, THREADS, FIBRES, BRISTLES OR RIBBONS
- D01D5/00—Formation of filaments, threads, or the like
- D01D5/08—Melt spinning methods
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Textile Engineering (AREA)
- Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)
- Artificial Filaments (AREA)
Abstract
本发明涉及基于改进ELM的熔融纺丝工艺的调节方法。首先采集并归一化处理已知纤维的工艺参数和性能指标数据,并以工艺参数数据为输入样本,性能指标数据为输出样本,采用免疫优化算法优化ELM的输入层权值和隐含层阈值得到改进ELM;然后基于改进ELM建立工艺参数与性能指标的数据库;最后从数据库中查找预得到的性能指标对应的工艺参数,并按此工艺参数进行熔融纺丝。其中免疫优化算法的抗体为ELM的输入层权值和隐含层阈值,抗原为ELM的输出值与真实值的绝对误差函数Fv。本发明使用免疫优化算法对ELM输入层权值及隐含层阈值进行优化,降低了倍半伸长率的均方误差和均方根误差,提高了工艺调节精度。
Description
技术领域
本发明属于智能优化领域,涉及基于改进ELM的熔融纺丝工艺的调节方法,特别涉及基于免疫优化算法优化改进ELM的熔融纺丝工艺的调节方法。
背景技术
聚酯纤维因其具有良好的性能,在现今纺织产品、工业、农业等领域具有广泛应用。聚酯纤维熔融纺丝过程是整个生产过程中最为关键的一个环节,决定着初生纤维的质量。目前在聚酯纤维生产的生产线上,熔融纺丝环节主要影响因素与产品性能指标之间的对应关系往往凭借生产经验,性能指标的预测往往通过人工采样测量或在实验室采用仪器设备进行分析,不足以满足智能生产的需求,相关的理论指导较少,在线调试需要生产线停产并进行多次生产模拟,会带来较大的经济损失。因此迫切需要一种快速的预测方法,无需在线调试,即可根据设定的生产参数条件预测出产品的性能指标,对其实际生产具有一定的指导作用。
目前,相关的理论研究有基于幂律法则改进的粒子群优化算法优化的最小二乘支持向量机的碳纤维原丝生产过程中凝固浴环节性能指标的预测,其建模方法相对复杂,运行需要一定的时间。
ELM是从单隐含层的神经网络发展而来的,是一个三层的神经网络模型。三层神经网络是任意一个函数逼近器,易于实现、速度快、泛化能力强。极限学习机的优势在于,训练时,当输入层权重和隐含层阈值随机生成之后,可以直接计算输出权重而不需要进行权重的调整。但是随机生成输入层权重和隐含层阈值容易出现模型过拟合现象,因此,需要选择一种优化方法优化输入层权重和隐含层阈值,提高模型的预测精度。
目前ELM算法在理论上仍存在着很多局限。主要有以下几点:(1)隐含层神经元的个数对的选取往往通过实验进行选择,选择结果最好的个数,没有理论进行说明。(2)ELM模型中隐含层激活函数的选择也是通过实验选择的。因此,需要进一步对ELM模型的理论和实践方面进行探索。
免疫优化算法是基于免疫机理提出的高效的学习和优化算法,其优点在于:(1)免疫算法是建立在编码上随机优化算法。各种优化问题的解首先改成相应的可编码码串,然后对码串进行处理;(2)免疫算法是并行优化算法,其操作的对象均是一个种群;(3)免疫算法是一个反复的进化过程,通过随机搜索不断强化优化个体,完成群体进化,最终获得最优个体。用免疫优化算法优化ELM的输入层权重和隐含层阈值,能够增强模型的预测精度,提高模型的预测速度,但免疫算法往往没有充分利用研究对象的先验知识,在数据处理中,人工免疫系统一般只能浓缩数据样本(获取样本空间中的特征点),而不能对样本空间的构成进行优化(合理减少样本空间的维数)。
因此,开发一种基于免疫优化算法优化改进ELM的熔融纺丝工艺的调节方法极具现实意义。
发明内容
本发明的目的是克服现有技术上述缺陷,提供了一种基于免疫优化算法优化改进ELM的熔融纺丝工艺的调节方法,使用免疫优化算法对ELM输入层权值及隐含层阈值进行优化,提高了工艺调节精度,为实际生产提供了技术支持。
为了达到上述目的,本发明采用如下技术方案:
基于改进ELM的熔融纺丝工艺的调节方法,首先根据已知纤维的工艺参数和性能指标的数据优化ELM得到改进ELM,然后基于改进ELM建立工艺参数与性能指标的数据库,即向改进ELM中输入多组归一化处理后的工艺参数数据,由改进ELM输出对应的性能指标,将工艺参数与对应的性能指标存储形成数据库,最后从数据库中查找预得到的性能指标对应的工艺参数,并按此工艺参数进行熔融纺丝;
所述优化ELM的具体操作为:采集并归一化处理已知纤维的工艺参数和性能指标的数据,并以工艺参数数据为输入样本,性能指标数据为输出样本,采用免疫优化算法优化ELM的输入层权值和隐含层阈值得到改进ELM;
所述免疫优化算法的抗体为ELM的输入层权值和隐含层阈值,抗原为ELM的输出值与真实值的绝对误差函数Fv,Fv公式如下:
式中,n为性能指标的组数,s为每组中性能指标的个数,为ELM输出的第j组性能指标中的第h个性能指标的数值,yh,j为采集的第j组性能指标中的第h个性能指标的真实值,H为抗体种群中抗体的个数。
作为优选的技术方案:
如上所述的基于改进ELM的熔融纺丝工艺的调节方法,所述工艺参数包括纺丝速度、纺丝温度、吹风速度和吹风温度,单位分别为米每分钟、摄氏度、米每分钟和摄氏度;所述性能指标包括倍半伸长率、伸长不均率、断裂强度和伸长能力,单位分别为百分率、百分率、cN/dtex和百分率,这里的倍半伸长率、伸长不均率及伸长能力的计算表示的都是所占的比率。
如上所述的基于改进ELM的熔融纺丝工艺的调节方法,采集已知纤维的工艺参数后得到工艺参数数据集矩阵X,归一化处理后得到矩阵X′;
工艺参数数据集矩阵X的形式如下:
其中,xi,z为第z组工艺参数中的第i个工艺参数,i=1,2......m,z=1,2......r,m为每组中工艺参数的个数,m的取值范围为1~8,r为工艺参数的组数,r的取值范围为200~1000;
工艺参数数据集矩阵X进行归一化处理的公式为:
xi,z′=(kmax-kmin)*(xi,z-ximin)/(ximax-ximin)+kmin;
式中,xi,z′为归一化处理后的xi,z,kmax和kmin为默认归一化区间[-1,1]的最大值和最小值,ximin和ximax分别为r组工艺参数中第i个工艺参数的最大值和最小值;
归一化处理后的矩阵X′形式如下:
如上所述的基于改进ELM的熔融纺丝工艺的调节方法,采集已知纤维的性能指标后得到性能指标数据集矩阵Y,归一化处理后得到矩阵Y′;
性能指标数据集矩阵Y形式如下:
其中,yh,j为第j组性能指标中的第h个性能指标,h=1,2......s,j=1,2......n,s的取值范围为1~6,n的取值范围为200~1000;
性能指标数据集矩阵Y进行归一化处理的公式为:
yh,j′=(kmax-kmin)*(yh,j-yhmin)/(yhmax-yhmin)+kmin;
式中,yh,j′为归一化处理后的yh,j,kmax和kmin为默认归一化区间[-1,1]的最大值和最小值,yhmin和yhmax分别为n组性能指标中第h个性能指标的最大值和最小值;
归一化处理后的矩阵Y′形式如下:
如上所述的基于改进ELM的熔融纺丝工艺的调节方法,ELM处理矩阵X′的过程如下:
(1)根据激活函数g(x)将矩阵X′映射到隐含层得到隐含层输出矩阵G,g(x)和G的表达式如下:
g(x)=sin(x);
G=[g1,g2,…,gL]T;
gq=g(ωqxz'+bq);
式中,x为自变量,gq为自变量x=ωqxz'+bq时g(x)的函数值,q=1,2......L,L为隐含层节点数,ωq表示输入层到第q个隐含层节点的权值,xz'表示矩阵X′中的第z列数据,bq表示第q个隐含层节点的阈值;
(2)计算ELM的输出权值矩阵β,计算公式如下:
β=G+Y′;
式中,G+为隐含层输出矩阵G的Moore-Penrose广义逆;
(3)将隐含层输出矩阵G映射到输出层。
如上所述的基于改进ELM的熔融纺丝工艺的调节方法,采用免疫优化算法优化ELM的输入层权值和隐含层阈值的步骤如下:
1)确定免疫优化算法的抗原与抗体,将ELM的预测值与真实值的绝对误差函数Fv视为抗原,将ELM的输入层权值和隐含层阈值视为抗体;
2)生成初始抗体群,随机产生K个抗体并从记忆库中提取t个抗体构成初始种群,每个抗体携带M个编码,M=L*(ε+1),ε为输入层神经元的个数;
3)令迭代次数f=1;
4)计算初始抗体群中各个抗体的期望繁殖概率P,公式如下:
Av=Fv,v=1,2,…,H;
其中,α为多样性评价参数,一般为常数,Av为抗体与抗原亲和力,Cv为抗体浓度,Sv,d表示抗体v和抗体d的亲和力,kv,d为抗体v和抗体d中相同的位数,T为给定阈值,可根据需求自由设定,本发明给定阈值为0.7;
5)形成父代群体,将初始抗体群按期望繁殖概率P进行降序排列,并取前K个抗体构成父代群体,同时取前t个抗体存入记忆库中;
6)新群体的产生,对父代群体进行选择、交叉、变异操作得到新的群体,再从记忆库中取出记忆的抗体,共同构成新一代群体;其中选择是通过轮盘赌选择机制进行操作,个体被选择的概率即为计算出的期望繁殖概率;交叉选用单点交叉的方式,随机选择两个抗体及交叉位置,是否进行交叉依据预先设定的交叉概率进行选择;变异时随机选择两个抗体及变异位置,是否进行变异依据预先设定的变异概率进行选择;
7)判断是否到达最大迭代次数,如果是则结束;反之,进入下一步;
8)令f=f+1,返回步骤4)。
如上所述的基于改进ELM的熔融纺丝工艺的调节方法,所述记忆库的容量不超过抗体容量的10%。
如上所述的基于改进ELM的熔融纺丝工艺的调节方法,所述最大迭代次数为100。
如上所述的基于改进ELM的熔融纺丝工艺的调节方法,倍半伸长率的均方误差为0.4,均方根误差为0.65。
有益效果:
本发明的基于改进ELM的熔融纺丝工艺的调节方法,使用免疫优化算法对ELM输入层权值及隐含层阈值进行优化,降低了倍半伸长率的均方误差和均方根误差,提高了工艺的调节精度,为纤维生产提供技术支持。
附图说明
图1是本发明基于改进ELM的熔融纺丝工艺的调节方法的流程图;
图2是本发明采用免疫优化算法优化ELM的流程图。
具体实施方式
下面结合具体实时方式,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明的内容之后,本领域技术人员可以对本发明做各种修改或改动,这些等价形式同样落于本申请权利要求书所限定的范围。
实施例1
一种基于改进ELM的熔融纺丝工艺的调节方法,如图1所示,步骤如下:
(1)采集并归一化处理已知纤维的纺丝速度、纺丝温度、吹风速度和吹风温度工艺参数和倍半伸长率、伸长不均率、断裂强度和伸长能力性能指标的数据,得到归一化工艺参数数据集矩阵X′和归一化性能指标数据集矩阵Y′,其具体步骤如下:
1)采集已知纤维的工艺参数后得到工艺参数数据集矩阵X,归一化处理后得到矩阵X′;
工艺参数数据集矩阵X的形式如下:
其中,xi,z为第z组工艺参数中的第i个工艺参数,i=1,2......m,z=1,2......r,m为每组中工艺参数的个数,为4,r为工艺参数的组数,为1000;
工艺参数数据集矩阵X进行归一化处理的公式为:
xi,z′=(kmax-kmin)*(xi,z-ximin)/(ximax-ximin)+kmin;
式中,xi,z′为归一化处理后的xi,z,kmax和kmin为默认归一化区间[-1,1]的最大值和最小值,ximin和ximax分别为r组工艺参数中第i个工艺参数的最大值和最小值;
归一化处理后的矩阵X′形式如下:
2)采集已知纤维的性能指标后得到性能指标数据集矩阵Y,归一化处理后得到矩阵Y′;
性能指标数据集矩阵Y形式如下:
其中,yh,j为第j组性能指标中的第h个性能指标,h=1,2......s,j=1,2......n,s为4,n为1000;
性能指标数据集矩阵Y进行归一化处理的公式为:
yh,j′=(kmax-kmin)*(yh,j-yhmin)/(yhmax-yhmin)+kmin;
式中,yh,j′为归一化处理后的yh,j,kmax和kmin为默认归一化区间[-1,1]的最大值和最小值,yhmin和yhmax分别为n组性能指标中第h个性能指标的最大值和最小值;
归一化处理后的矩阵Y′形式如下:
(2)以工艺参数数据为输入样本,性能指标数据为输出样本,将输入样本输入到ELM中,ELM对输入样本的处理过程如下:
1)根据激活函数g(x)将矩阵X′映射到隐含层得到隐含层输出矩阵G,g(x)和G的表达式如下:
g(x)=sin(x);
G=[g1,g2,…,gL]T;
gq=g(ωqxz'+bq);
式中,x为自变量,gq为自变量x=ωqxz'+bq时g(x)的函数值,q=1,2......L,L为隐含层节点数,ωq表示输入层到第q个隐含层节点的权值,xz'表示矩阵X′中的第z列数据,bq表示第q个隐含层节点的阈值;
2)计算ELM的输出权值矩阵β,计算公式如下:
β=G+Y′;
式中,G+为隐含层输出矩阵G的Moore-Penrose广义逆;
3)将隐含层输出矩阵G映射到输出层;
(3)采用免疫优化算法优化ELM的输入层权值和隐含层阈值得到改进ELM,其处理步骤如图2所示:
1)确定免疫优化算法的抗原与抗体,将ELM的预测值与真实值的绝对误差函数Fv视为抗原,将ELM的输入层权值和隐含层阈值视为抗体;
2)生成初始抗体群,随机产生K个抗体并从记忆库中提取t个抗体构成初始种群,每个抗体携带M个编码,M=L*(ε+1),ε为输入层神经元的个数,其中记忆库容量为抗体容量的百分之十;
3)令迭代次数f=1;
4)计算初始抗体群中各个抗体的期望繁殖概率P,公式如下:
Av=Fv,v=1,2,…,H;
其中,α为多样性评价参数,一般为常数,Av为抗体与抗原亲和力,Cv为抗体浓度,Sv,d表示抗体v和抗体d的亲和力,kv,d为抗体v和抗体d中相同的位数,T为给定阈值,为0.7;
5)形成父代群体,将初始抗体群按期望繁殖概率P进行降序排列,并取前K个抗体构成父代群体,同时取前t个抗体存入记忆库中;
6)新群体的产生,对父代群体进行选择、交叉、变异操作得到新的群体,再从记忆库中取出记忆的抗体,共同构成新一代群体;其中选择是通过轮盘赌选择机制进行操作,个体被选择的概率即为计算出的期望繁殖概率;交叉选用单点交叉的方式,随机选择两个抗体及交叉位置,是否进行交叉依据预先设定的交叉概率进行选择;变异时随机选择两个抗体及变异位置,是否进行变异依据预先设定的变异概率进行选择;
7)判断是否到达最大迭代次数100,如果是则结束;反之,进入下一步;
8)令f=f+1,返回步骤4);
(4)基于改进ELM建立工艺参数与性能指标的数据库;
(5)从数据库中查找预得到的性能指标对应的工艺参数,并按此工艺参数进行熔融纺丝。
最终比较设定性能指标与实际产品性能指标发现,倍半伸长率的均方误差为0.4,均方根误差为0.65。
对比例1
基于ELM的熔融纺丝工艺的调节方法,其基本步骤与实施例1相同,不同之处在于缺少了步骤(3)即采用免疫优化算法优化ELM的输入层权值和隐含层阈值得到改进ELM,最终比较设定性能指标与实际产品性能指标发现,倍半伸长率的均方误差为1.0,均方根误差为1.0,通过与实施例1的对比发现,本发明的基于改进ELM的熔融纺丝工艺的调节方法明显提高了调节精度。
Claims (9)
1.基于改进ELM的熔融纺丝工艺的调节方法,其特征是:首先根据已知纤维的工艺参数和性能指标的数据优化ELM得到改进ELM,然后基于改进ELM建立工艺参数与性能指标的数据库,最后从数据库中查找预得到的性能指标对应的工艺参数,并按此工艺参数进行熔融纺丝;
所述优化ELM的具体操作为:采集并归一化处理已知纤维的工艺参数和性能指标的数据,并以工艺参数数据为输入样本,性能指标数据为输出样本,采用免疫优化算法优化ELM的输入层权值和隐含层阈值得到改进ELM;
所述免疫优化算法的抗体为ELM的输入层权值和隐含层阈值,抗原为ELM的输出值与真实值的绝对误差函数Fv,Fv公式如下:
式中,n为性能指标的组数,s为每组中性能指标的个数,为ELM输出的第j组性能指标中的第h个性能指标的数值,yh,j为采集的第j组性能指标中的第h个性能指标的真实值,H为抗体种群中抗体的个数。
2.根据权利要求1所述的基于改进ELM的熔融纺丝工艺的调节方法,其特征在于,所述工艺参数包括纺丝速度、纺丝温度、吹风速度和吹风温度,单位分别为米/分钟、摄氏度、米/分钟和摄氏度;所述性能指标包括倍半伸长率、伸长不均率、断裂强度和伸长能力,单位分别为百分率、百分率、cN/dtex和百分率。
3.根据权利要求1所述的基于改进ELM的熔融纺丝工艺的调节方法,其特征在于,采集已知纤维的工艺参数后得到工艺参数数据集矩阵X,归一化处理后得到矩阵X′;
工艺参数数据集矩阵X的形式如下:
其中,xi,z为第z组工艺参数中的第i个工艺参数,i=1,2......m,z=1,2......r,m为每组中工艺参数的个数,m的取值范围为1~8,r为工艺参数的组数,r的取值范围为200~1000;
工艺参数数据集矩阵X进行归一化处理的公式为:
xi,z′=(kmax-kmin)*(xi,z-ximin)/(ximax-ximin)+kmin;
式中,xi,z′为归一化处理后的xi,z,kmax和kmin为默认归一化区间[-1,1]的最大值和最小值,ximin和ximax分别为r组工艺参数中第i个工艺参数的最大值和最小值;
归一化处理后的矩阵X′形式如下:
4.根据权利要求3所述的基于改进ELM的熔融纺丝工艺的调节方法,其特征在于,采集已知纤维的性能指标后得到性能指标数据集矩阵Y,归一化处理后得到矩阵Y′;
性能指标数据集矩阵Y形式如下:
其中,yh,j为第j组性能指标中的第h个性能指标,h=1,2......s,j=1,2......n,s的取值范围为1~6,n的取值范围为200~1000;
性能指标数据集矩阵Y进行归一化处理的公式为:
yh,j′=(kmax-kmin)*(yh,j-yhmin)/(yhmax-yhmin)+kmin;
式中,yh,j′为归一化处理后的yh,j,kmax和kmin为默认归一化区间[-1,1]的最大值和最小值,yhmin和yhmax分别为n组性能指标中第h个性能指标的最大值和最小值;
归一化处理后的矩阵Y′形式如下:
5.根据权利要求4所述的基于改进ELM的熔融纺丝工艺的调节方法,其特征在于,ELM处理矩阵X′的过程如下:
(1)根据激活函数g(x)将矩阵X′映射到隐含层得到隐含层输出矩阵G,g(x)和G的表达式如下:
g(x)=sin(x);
G=[g1,g2,L,gL]T;
gq=g(ωqxz'+bq);
式中,x为自变量,gq为自变量x=ωqxz'+bq时g(x)的函数值,q=1,2......L,L为隐含层节点数,ωq表示输入层到第q个隐含层节点的权值,xz'表示矩阵X′中的第z列数据,bq表示第q个隐含层节点的阈值;
(2)计算ELM的输出权值矩阵β,计算公式如下:
β=G+Y′;
式中,G+为隐含层输出矩阵G的Moore-Penrose广义逆;
(3)将隐含层输出矩阵G映射到输出层。
6.根据权利要求5所述的基于改进ELM的熔融纺丝工艺的调节方法,其特征在于,采用免疫优化算法优化ELM的输入层权值和隐含层阈值的步骤如下:
1)确定免疫优化算法的抗原与抗体,将ELM的输出值与真实值的绝对误差函数Fv视为抗原,将ELM的输入层权值和隐含层阈值视为抗体;
2)生成初始抗体群,随机产生K个抗体并从记忆库中提取t个抗体构成初始种群,每个抗体携带M个编码,M=L*(ε+1),ε为输入层神经元的个数;
3)令迭代次数f=1;
4)计算初始抗体群中各个抗体的期望繁殖概率P,公式如下:
Av=Fv,v=1,2,…,H;
其中,α为多样性评价参数,一般为常数,Av为抗体与抗原亲和力,Cv为抗体浓度,Sv,d表示抗体v和抗体d的亲和力,kv,d为抗体v和抗体d中相同的位数,T为给定阈值,为0.7;
5)形成父代群体,将初始抗体群按期望繁殖概率P进行降序排列,并取前K个抗体构成父代群体,同时取前t个抗体存入记忆库中;
6)新群体的产生,对父代群体进行选择、交叉、变异操作得到新的群体,再从记忆库中取出记忆的抗体,共同构成新一代群体;其中选择是通过轮盘赌选择机制进行操作,个体被选择的概率即为计算出的期望繁殖概率;交叉选用单点交叉的方式,随机选择两个抗体及交叉位置,是否进行交叉依据预先设定的交叉概率进行选择;变异时随机选择两个抗体及变异位置,是否进行变异依据预先设定的变异概率进行选择;
7)判断是否到达最大迭代次数,如果是则结束;反之,进入下一步;
8)令f=f+1,返回步骤4)。
7.根据权利要求6所述的基于改进ELM的熔融纺丝工艺的调节方法,其特征在于,所述记忆库的容量不超过抗体容量的10%。
8.根据权利要求6所述的基于改进ELM的熔融纺丝工艺的调节方法,其特征在于,所述最大迭代次数为100。
9.根据权利要求2所述的基于改进ELM的熔融纺丝工艺的调节方法,其特征在于,倍半伸长率的均方误差为0.4,均方根误差为0.65。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710728466.7A CN107400935B (zh) | 2017-08-23 | 2017-08-23 | 基于改进elm的熔融纺丝工艺的调节方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710728466.7A CN107400935B (zh) | 2017-08-23 | 2017-08-23 | 基于改进elm的熔融纺丝工艺的调节方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107400935A CN107400935A (zh) | 2017-11-28 |
CN107400935B true CN107400935B (zh) | 2019-10-18 |
Family
ID=60397587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710728466.7A Active CN107400935B (zh) | 2017-08-23 | 2017-08-23 | 基于改进elm的熔融纺丝工艺的调节方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107400935B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108388213B (zh) * | 2018-02-05 | 2019-11-08 | 浙江天悟智能技术有限公司 | 基于局部可塑性回声状态网络的聚酯纺丝工艺控制方法 |
CN108977897B (zh) * | 2018-06-07 | 2021-11-19 | 浙江天悟智能技术有限公司 | 基于局部内在可塑性回声状态网络的熔纺工艺控制方法 |
CN109472397B (zh) * | 2018-10-19 | 2021-12-14 | 东华大学 | 基于粘度变化的聚合工艺参数调节方法 |
CN110032069B (zh) * | 2019-04-02 | 2020-09-15 | 东华大学 | 一种基于误差补偿的聚酯纤维纺丝工序分段参数配置方法 |
CN112760727B (zh) * | 2020-12-15 | 2021-12-21 | 东华大学 | 基于免疫内分泌算法优化总服务成本的聚酯纤维生产工艺 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101782771B (zh) * | 2010-03-17 | 2011-12-14 | 东华大学 | 基于免疫神经网络的纺丝工艺智能优化设计方法 |
CN103560531B (zh) * | 2013-11-18 | 2016-09-28 | 国家电网公司 | 基于免疫遗传算法的多smes协调控制系统及方法 |
CN106096770A (zh) * | 2016-06-07 | 2016-11-09 | 东华大学 | 一种基于迟滞极速学习机的短期风速预测方法 |
CN106325076B (zh) * | 2016-11-22 | 2019-05-07 | 东华大学 | 一种聚酯短纤维生产过程中拉伸环节的免疫优化去伪控制方法 |
CN106779372B (zh) * | 2016-12-05 | 2019-12-24 | 东华大学 | 基于改进免疫禁忌算法的农机调度方法 |
-
2017
- 2017-08-23 CN CN201710728466.7A patent/CN107400935B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107400935A (zh) | 2017-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107400935B (zh) | 基于改进elm的熔融纺丝工艺的调节方法 | |
Guo et al. | Breaking the curse of space explosion: Towards efficient nas with curriculum search | |
Liu et al. | Mathematical modeling and a hybrid evolutionary algorithm for process planning | |
CN109932903A (zh) | 多父代优化网络和遗传算法的风机控制多目标优化方法 | |
CN107169565A (zh) | 基于烟花算法改进bp神经网络的纺纱质量预测方法 | |
CN108694502A (zh) | 一种基于XGBoost算法的机器人制造单元自适应调度方法 | |
Rahmat et al. | Temperature control of a continuous stirred tank reactor by means of two different intelligent strategies | |
CN103729694B (zh) | 基于多色集合层次结构的改进ga求解柔性车间调度的方法 | |
CN105930916A (zh) | 一种基于并行模块化神经网络的副产煤气实时预测方法 | |
CN108279647B (zh) | 一种两阶段装配流水车间调度方法 | |
Yan | Research on green suppliers' evaluation based on AHP & genetic algorithm | |
Shang et al. | Production scheduling optimization method based on hybrid particle swarm optimization algorithm | |
Gu et al. | A discrete particle swarm optimization algorithm with adaptive inertia weight for solving multiobjective flexible job-shop scheduling problem | |
Zhang | Design and implementation of industrial design and transformation system based on artificial intelligence technology | |
Bekker | Applying the cross-entropy method in multi-objective optimisation of dynamic stochastic systems | |
CN110032069B (zh) | 一种基于误差补偿的聚酯纤维纺丝工序分段参数配置方法 | |
CN106446315A (zh) | 涤纶纤维纺丝过程中性能指标的预测方法 | |
Zhou et al. | A Pareto-based discrete particle swarm optimization for parallel casting workshop scheduling problem with fuzzy processing time | |
CN111652413B (zh) | 基于多Agent分布式海量数据处理的工业电力负荷预测方法 | |
CN113935556B (zh) | 一种基于dna遗传算法的温度传感器优化布置方法 | |
Zhang et al. | A Decomposition-Based Evolutionary Algorithm With Clustering and Hierarchical Estimation for Multi-Objective Fuzzy Flexible Jobshop Scheduling | |
CN107358295A (zh) | 基于遗传算法和支持向量机的配网运行维护费预测方法 | |
CN106447065A (zh) | 碳纤维原丝生产过程中凝固浴环节性能指标的预测方法 | |
CN106446495B (zh) | 碳纤维原丝生产过程中牵伸环节性能指标的预测方法 | |
CN111639797A (zh) | 基于Gumbel-softmax技术的组合优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |