CN108197738B - 一种涤纶长丝熔体输送过程的工艺参数优化方法 - Google Patents
一种涤纶长丝熔体输送过程的工艺参数优化方法 Download PDFInfo
- Publication number
- CN108197738B CN108197738B CN201711472090.4A CN201711472090A CN108197738B CN 108197738 B CN108197738 B CN 108197738B CN 201711472090 A CN201711472090 A CN 201711472090A CN 108197738 B CN108197738 B CN 108197738B
- Authority
- CN
- China
- Prior art keywords
- melt
- values
- individuals
- population
- process parameters
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 143
- 230000008569 process Effects 0.000 title claims abstract description 110
- 229920000728 polyester Polymers 0.000 title claims abstract description 52
- 238000005457 optimization Methods 0.000 title claims abstract description 46
- 230000007246 mechanism Effects 0.000 claims abstract description 35
- 239000000155 melt Substances 0.000 claims abstract description 35
- 239000013598 vector Substances 0.000 claims description 31
- 239000000835 fiber Substances 0.000 claims description 19
- 238000006116 polymerization reaction Methods 0.000 claims description 10
- 238000010438 heat treatment Methods 0.000 claims description 7
- 230000014759 maintenance of location Effects 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 6
- 238000009987 spinning Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000009776 industrial production Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 7
- 229920000642 polymer Polymers 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 6
- 238000011160 research Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000035772 mutation Effects 0.000 description 2
- 238000013386 optimize process Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007380 fibre production Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Polyesters Or Polycarbonates (AREA)
Abstract
本发明涉及一种涤纶长丝熔体输送过程的工艺参数优化方法,建立输入和输出分别为决策变量和优化目标的目标函数后,以一组决策变量值及其对应的目标函数值作为个体,采用改进的自适应角度惩罚距离选择机制在包含多个个体的种群中进行选择后确定一个最优个体进而得到最优工艺参数,其中改进的自适应角度惩罚距离选择机制是指对RVEA的角度惩罚进行改进的根据当前种群多样性自适应调整的角度惩罚选择机制。本发明提出的一种涤纶长丝熔体输送过程的工艺参数优化方法,能够对多个工艺参数进行优化,使熔体聚合物的性能优化更加全面,算法更加迅速高效,对实际生产有一定指导作用。
Description
技术领域
本发明属于涤纶长丝聚酯纤维生产智能优化技术领域,涉及一种涤纶长丝熔体输送过程的工艺参数优化方法。
背景技术
涤纶长丝是一种重要的工业产品,其被广泛应用于各种服装产品及工业领域中。在涤纶长丝的生产制备过程中,熔体输送过程是其中的关键环节,所谓熔体输送过程是指从聚合车间的输送泵输出的熔体经聚合物输送管道而进入纺丝箱体的过程,包括聚合物输送管道、热媒循环加热和调节系统。
熔体输送的基本要求是在输送过程中能够保证聚合物质量均一且稳定,因为聚合物的质量会直接影响产品的最终性能。一般来说,熔体聚合物的性能指标主要是特性黏度降、压力降、温升以及停留时间。由于熔体输送过程是一个极其复杂的工业过程,从初始输入条件到最终熔体形成需要经历近10个反应器,其中有几十个参数会对产品的最终性能产生影响,而且这些性能的相互关系非常复杂,存在耦合和相互制约的关系,因此,熔体输送过程的工艺参数的优化是一个复杂的多目标优化问题。
目前对熔体输送过程进行优化的方法大多采用是传统的NSGA-II算法对2~3个性能指标进行优化,因为传统的优化算法可以在2~3维的目标优化上取得很好的效果,但是当目标维数高于3维的时候,传统优化算法采用的Pareto排序机制在高维多目标上难以保持解集的多样性和收敛性。但熔体输送过程是一个复杂的工业过程,其性能指标远远不止三个,对其进行2~3个目标的优化无法使得输送流程整体优化,因此,对熔体输送过程进行高维多目标的优化是非常必要的。近几年随着分解进化思想的发展,高维多目标问题得到了一定程度上的解决,其中,基于参考向量对目标空间进行分解的算法RVEA在高维多目标测试集上取得了很好的效果。
目前,关于将高维多目标优化算法应用到涤纶长丝生产过程的相关研究极少,尤其是将RVEA算法进行改进并应用到聚酯纤维熔体输送过程的研究,大多数采用实验调整、混合高斯模型和传统低维多目标优化算法对聚酯纤维纺丝过程和熔体输送过程进行优化。例如专利CN102817088A提出一种改进NSGA-Ⅱ的多目标优化算法对聚酯纤维熔体输送过程的工艺参数进行优化,解决的是一个三维工艺指标的优化问题,该算法对高维多目标优化问题无法保持解集的收敛性和多样性。
因此,研究一种能够对多个工艺参数进行优化的高维多目标涤纶长丝熔体输送过程的工艺参数优化方法具有十分重要的意义。
发明内容
本发明的目的是为了克服在现有技术的工艺参数智能优化方法在高维目标问题上优化效果不好,往往无法对整个熔体输送过程中的多个工艺参数进行全面优化的情况,提供一种能够对多个工艺参数进行优化的高维多目标涤纶长丝熔体输送过程的工艺参数优化方法。
为了达到上述目的,本发明采用的技术方案为:
一种涤纶长丝熔体输送过程的工艺参数优化方法,建立输入和输出分别为决策变量和优化目标的目标函数后,以一组决策变量值及其对应的目标函数值作为个体,采用改进的自适应角度惩罚距离选择机制在包含多个个体的种群中进行选择后确定一个最优个体进而得到最优工艺参数;
所述决策变量和优化目标分别为涤纶长丝熔体输送过程中的多个可调工艺参数和多个工艺指标;
所述目标函数的建立基于整体聚酯纤维熔体输送机理模型与理想性能指标值的结合,所述理想性能指标值为工业现场稳态运行时各个工艺指标的实际值;
科学研究和工程实践中的许多优化问题都含有多个相互矛盾的优化目标,这类问题被称为多目标优化问题,目标维数M≥4的多目标优化问题称为高维多目标优化问题,随着目标维数增多,求解高维多目标优化问题的效率会急剧下降。其中主要原因就是传统多目标优化算法采用的非支配选择策略在高维多目标问题上选择压力不足,种群无法收敛到全局最优,RVEA算法摒弃了传统的非支配选择策略,提出一种角度惩罚距离选择机制来对个体进行选择,RVEA算法的角度惩罚距离选择机制,其特点是在算法搜索前期,侧重算法收敛性,在算法搜索后期,侧重算法多样性,RVEA算法在测试函数上取得了不错的效果,但是在有些测试函数上出现了后期选择的个体收敛性不足的现象,因此需要对其进行改进,改进的自适应角度惩罚距离选择机制是指对RVEA的角度惩罚进行改进的根据当前种群多样性自适应调整的角度惩罚选择机制,改进后的角度惩罚记为P(θi,i,j),表达式如下:
式中,M为目标个数,t为进化代数,tmax为最大进化代数,α为P(θi,i,j)的变化速率,i表示第i个个体的目标向量,j表示第j个参考向量,θt,i,j表示当前代中第i个个体的目标向量与参考向量j的角度,表示的是当前代中所有参考向量之间的最小夹角,nt为当前代参考向量集中的空参考向量个数,nt-1为当前代的上一代参考向量集中的空参考向量个数,δ为阈值;
上述改进的主要思路是在现有技术的基础上加入一个种群多样性检测算子,保存一个固定参考向量集,根据个体到参考向量的角度为种群中的每个个体找到一个关联参考向量,上述表达式中,若nt-nt-1<δ,则认为种群多样性保持较好,进化方向以收敛性为主,若nt-nt-1>δ,则认为此时种群多样性不足,进化方向以多样性为主,采用这种分段式的角度惩罚,进化方向可以根据种群当前的多样性和收敛性自适应选择,相比于现有技术中RVEA算法的角度惩罚距离选择机制先收敛后多样的进化方向,改进后的算法的进化的方向更灵活,进化后的种群理论上具有更好的收敛性和多样性;
所述最优个体为个体包含的优化目标值与对应的理想性能指标值的均方标准差最小的个体,所述最优工艺参数为最优个体包含的决策变量值。
作为优选的技术方案:
如上所述的一种涤纶长丝熔体输送过程的工艺参数优化方法,所述整体聚酯纤维熔体输送机理模型由管道模型、增压泵模型、计量泵模型和纺丝组件模型串联组成。
如上所述的一种涤纶长丝熔体输送过程的工艺参数优化方法,所述决策变量为6个可调工艺参数,具体为:初始特性黏度、熔体初始温度、熔体初始压强、熔体流量、大循环热媒温度和小循环热媒温度,单位分别为:dl·g-1、℃、MPa、t·d-1、℃和℃;
所述优化目标为5个工艺指标,具体为:特性黏度降、系统温升、系统压强降、计量泵入口压力和熔体总停留时间,单位分别为:dl·g-1、℃、MPa、MPa和min。
如上所述的一种涤纶长丝熔体输送过程的工艺参数优化方法,所述目标函数的建立方法为:将所述6个可调工艺参数和5个不可调工艺参数的数值输入到整体聚酯纤维熔体输送机理模型中,由整体聚酯纤维熔体输送机理模型输出所述5个工艺指标的数值后,将工艺指标的数值与理想性能指标值结合构建目标函数;目标函数的表达式如下:
式中,yΔIV、yΔT、yΔP、和ytime分别为整体聚酯纤维熔体输送机理模型输出的特性黏度降、系统温升、系统压强降、计量泵入口压力和熔体总停留时间的数值,ΔIV、ΔT、ΔP和Pb分别为工业现场稳态运行时特性黏度降、系统温升、系统压强降和计量泵入口压力的实际值;
所述5个不可调工艺参数具体为:管道内径、管道长度、聚合黏度、聚合压强和聚合温度,单位分别为:mm、m、dl·g-1、MPa和℃;所述5个不可调工艺参数采用工厂实际数据作为系统固定参数。
如上所述的一种涤纶长丝熔体输送过程的工艺参数优化方法,所述最优个体的确定步骤如下:
(1)将一组决策变量值输入目标函数得到一组优化目标值,以一组决策变量值及其对应的优化目标值作为个体;
(2)根据决策变量的约束条件,采用拉丁超立方抽样方法对个体进行初始化得到一个包含N个个体的初始种群;
(3)令当前种群代数P=1;
(4)对种群中的个体进行交叉和变异;
(5)随机选择变异交叉前的N/2个个体和变异交叉后的N/2个个体合成为一个种群;
(6)采用改进的自适应角度惩罚距离选择机制对种群中的个体进行选择,选择出的个体组成新的种群,令P=P+1;
(7)判断P是否小于设定代数,如果是,则返回步骤(4);反之,则进入下一步;
(8)将经过选择进化后的种群保留下来,计算种群中所有个体包含的优化目标值与对应的理想性能指标值的均方标准差err,选择err值最小的个体作为最优个体。
如上所述的一种涤纶长丝熔体输送过程的工艺参数优化方法,所述决策变量的约束条件如下:
式中,x1、x2、x3、x4、x5和x6分别为初始特性黏度、熔体初始温度、熔体初始压强、熔体流量、大循环热媒温度和小循环热媒温度的约束条件,IV0、T0、P0、G0、和分别为从工业生产现场过程中取出的一条线的初始特性黏度、熔体初始温度、熔体初始压强、熔体流量、大循环热媒温度和小循环热媒温度实际数据。
如上所述的一种涤纶长丝熔体输送过程的工艺参数优化方法,N的取值范围为130~150,设定代数为100代。
如上所述的一种涤纶长丝熔体输送过程的工艺参数优化方法,所述均方标准差err的计算公式如下:
有益效果:
(1)本发明的一种涤纶长丝熔体输送过程的工艺参数优化方法,改进的自适应角度惩罚距离选择机制,能够在进化过程中通过检测种群当前的多样性自适应调整当前的进化方向,进化得到的解集相比于现有技术中的RVEA算法具有更好的收敛性和多样性;
(2)本发明的一种涤纶长丝熔体输送过程的工艺参数优化方法,整体聚酯纤维熔体输送机理模型相较于传统的三维多目标优化模型的优化的性能指标更多,对熔体聚合物的性能优化得更加全面;
(3)本发明的一种涤纶长丝熔体输送过程的工艺参数优化方法,可以同时对熔体输送过程的五维指标进行优化,采用的改进后的算法也更加迅速高效,对实际生产有一定指导作用。
附图说明
图1是本发明优化算法获得的Pareto解集即优化后的工艺参数集;
图2是本发明经过均方标准差选择的最优工艺参数效果。
具体实施方式
下面结合具体实施方式,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,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
一种涤纶长丝熔体输送过程的工艺参数优化方法,步骤如下:
(1)建立目标函数;
(1.1)将决策变量和5个不可调工艺参数的数值输入到整体聚酯纤维熔体输送机理模型中,其中决策变量为6个可调工艺参数,具体为:初始特性黏度、熔体初始温度、熔体初始压强、熔体流量、大循环热媒温度和小循环热媒温度,单位分别为:dl·g-1、℃、MPa、t·d-1、℃和℃,5个不可调工艺参数具体为:管道内径、管道长度、聚合黏度、聚合压强和聚合温度,单位分别为:mm、m、dl·g-1、MPa和℃,5个不可调工艺参数采用工厂实际数据作为系统固定参数,整体聚酯纤维熔体输送机理模型由管道模型、增压泵模型、计量泵模型和纺丝组件模型串联组成;
(1.2)整体聚酯纤维熔体输送机理模型输出优化目标,优化目标为5个工艺指标5个工艺指标,具体为:特性黏度降、系统温升、系统压强降、计量泵入口压力和熔体总停留时间,单位分别为:dl·g-1、℃、MPa、MPa和min,将工艺指标的数值与理想性能指标值结合构建目标函数,其中理想性能指标值为工业现场稳态运行时各个工艺指标的实际值,目标函数的表达式如下:
式中,yΔIV、yΔT、yΔP、和ytime分别为整体聚酯纤维熔体输送机理模型输出的特性黏度降、系统温升、系统压强降、计量泵入口压力和熔体总停留时间的数值,ΔIV、ΔT、ΔP和Pb分别为工业现场稳态运行时特性黏度降、系统温升、系统压强降和计量泵入口压力的实际值;
(2)选择确定最优个体;
(2.1)将一组决策变量值输入目标函数得到一组优化目标值,以一组决策变量值及其对应的优化目标值作为个体;
(2.2)根据决策变量的约束条件,采用拉丁超立方抽样方法对个体进行初始化得到一个包含N个个体的初始种群,N的取值范围为130~150,决策变量的约束条件如下:
式中,x1、x2、x3、x4、x5和x6分别为初始特性黏度、熔体初始温度、熔体初始压强、熔体流量、大循环热媒温度和小循环热媒温度的约束条件,IV0、T0、P0、G0、和分别为从工业生产现场过程中取出的一条线的初始特性黏度、熔体初始温度、熔体初始压强、熔体流量、大循环热媒温度和小循环热媒温度实际数据;
(2.3)令当前种群代数P=1;
(2.4)对种群中的个体进行交叉和变异;
(2.5)随机选择变异交叉前的N/2个个体和变异交叉后的N/2个个体合成为一个种群;
(2.6)采用改进的自适应角度惩罚距离选择机制对种群中的个体进行选择,选择出的个体组成新的种群,令P=P+1,其中改进的自适应角度惩罚距离选择机制是指对RVEA的角度惩罚进行改进的根据当前种群多样性自适应调整的角度惩罚选择机制,改进后的角度惩罚记为P(θi,i,j),表达式如下:
式中,M为目标个数,t为进化代数,tmax为最大进化代数,α为P(θi,i,j)的变化速率,i表示第i个个体的目标向量,j表示第j个参考向量,θt,i,j表示当前代中第i个个体的目标向量与参考向量j的角度,表示的是当前代中所有参考向量之间的最小夹角,nt为当前代参考向量集中的空参考向量个数,nt-1为当前代的上一代参考向量集中的空参考向量个数,δ为阈值;
(2.7)判断P是否小于100代,如果是,则返回步骤(2.4);反之,则进入下一步;
(2.8)将经过选择进化后的种群保留下来,计算种群中所有个体包含的优化目标值与对应的理想性能指标值的均方标准差err,选择err值最小的个体作为最优个体,其中均方标准差err的计算公式如下:
(3)最优个体包含的决策变量值即为得到的最优工艺参数。
实施例1
一种涤纶长丝熔体输送过程的工艺参数优化方法,按照前述步骤操作:
步骤(1.2)的5个工艺指标分别为:特性黏度降ΔIV为0.05dl·g-1、系统温升ΔT为1.2℃、系统压强降ΔP为1.7MPa、计量泵入口压力Pb为3.0MPa和熔体总停留时间为18.3min,因此目标函数的表达式具体如下:
步骤(2.1)输入的一组决策变量值分别为:初始特性黏度为0.63dl·g-1,熔体初始温度为289℃、熔体初始压强为5.0MPa、熔体流量为123.3t·d-1,大循环热媒温度为285℃,小循环热媒温度为275℃;
步骤(2.2)决策变量的约束条件具体如下:
设定参数α=0.2、δ=M=5,遗传的交叉率1.0,变异率0.1,N的取值为145,经过100代进化计算,运行结果如图1和图2所示,由图中可以看出,系统压强降、计量泵入口压力、系统温升和特性黏度降都能够有效地收敛到原点,而且熔体总停留时间相比较于实际生产缩短了1.5min,说明依据经验设定的输入参数仍然有一定的优化空间,采用改进的自适应角度惩罚距离选择机制对熔体输送的工艺参数进行优化具有一定实际意义。
Claims (7)
1.一种涤纶长丝熔体输送过程的工艺参数优化方法,其特征是:建立输入和输出分别为决策变量和优化目标的目标函数后,以一组决策变量值及其对应的目标函数值作为个体,采用改进的自适应角度惩罚距离选择机制在包含多个个体的种群中进行选择后确定一个最优个体进而得到最优工艺参数;
所述决策变量和优化目标分别为涤纶长丝熔体输送过程中的多个可调工艺参数和多个工艺指标;
所述目标函数的建立基于整体聚酯纤维熔体输送机理模型与理想性能指标值的结合,所述理想性能指标值为工业现场稳态运行时各个工艺指标的实际值;
所述改进的自适应角度惩罚距离选择机制是指对RVEA的角度惩罚进行改进的根据当前种群多样性自适应调整的角度惩罚选择机制,改进后的角度惩罚记为P(θi,i,j),表达式如下:
式中,M为目标个数,t为进化代数,tmax为最大进化代数,α为P(θi,i,j)的变化速率,i表示第i个个体的目标向量,j表示第j个参考向量,θt,i,j表示当前代中第i个个体的目标向量与参考向量j的角度,表示的是当前代中所有参考向量之间的最小夹角,nt为当前代参考向量集中的空参考向量个数,nt-1为当前代的上一代参考向量集中的空参考向量个数,δ为阈值;
所述最优个体为个体包含的优化目标值与对应的理想性能指标值的均方标准差最小的个体,所述最优工艺参数为最优个体包含的决策变量值。
2.根据权利要求1所述的一种涤纶长丝熔体输送过程的工艺参数优化方法,其特征在于,所述整体聚酯纤维熔体输送机理模型由管道模型、增压泵模型、计量泵模型和纺丝组件模型串联组成。
3.根据权利要求2所述的一种涤纶长丝熔体输送过程的工艺参数优化方法,其特征在于,所述决策变量为6个可调工艺参数,具体为:初始特性黏度、熔体初始温度、熔体初始压强、熔体流量、大循环热媒温度和小循环热媒温度,单位分别为:dl·g-1、℃、MPa、t·d-1、℃和℃;
所述优化目标为5个工艺指标,具体为:特性黏度降、系统温升、系统压强降、计量泵入口压力和熔体总停留时间,单位分别为:dl·g-1、℃、MPa、MPa和min。
4.根据权利要求3所述的一种涤纶长丝熔体输送过程的工艺参数优化方法,其特征在于,所述目标函数的建立方法为:将所述6个可调工艺参数和5个不可调工艺参数的数值输入到整体聚酯纤维熔体输送机理模型中,由整体聚酯纤维熔体输送机理模型输出所述5个工艺指标的数值后,将工艺指标的数值与理想性能指标值结合构建目标函数,所述5个工艺指标具体为:特性黏度降、系统温升、系统压强降、计量泵入口压力和熔体总停留时间,单位分别为:dl·g-1、℃、MPa、MPa和min;目标函数的表达式如下:
式中,yΔIV、yΔT、yΔP、和ytime分别为整体聚酯纤维熔体输送机理模型输出的特性黏度降、系统温升、系统压强降、计量泵入口压力和熔体总停留时间的数值,ΔIV、ΔT、ΔP和Pb分别为工业现场稳态运行时特性黏度降、系统温升、系统压强降和计量泵入口压力的实际值;
所述5个不可调工艺参数具体为:管道内径、管道长度、聚合黏度、聚合压强和聚合温度,单位分别为:mm、m、dl·g-1、MPa和℃;所述5个不可调工艺参数采用工厂实际数据作为系统固定参数。
5.根据权利要求4所述的一种涤纶长丝熔体输送过程的工艺参数优化方法,其特征在于,所述最优个体的确定步骤如下:
(1)将一组决策变量值输入目标函数得到一组优化目标值,以一组决策变量值及其对应的优化目标值作为个体;
(2)根据决策变量的约束条件,采用拉丁超立方抽样方法对个体进行初始化得到一个包含N个个体的初始种群;
所述决策变量的约束条件如下:
式中,x1、x2、x3、x4、x5和x6分别为初始特性黏度、熔体初始温度、熔体初始压强、熔体流量、大循环热媒温度和小循环热媒温度的约束条件,IV0、T0、P0、G0、和分别为从工业生产现场过程中取出的一条线的初始特性黏度、熔体初始温度、熔体初始压强、熔体流量、大循环热媒温度和小循环热媒温度实际数据;
(3)令当前种群代数P=1;
(4)对种群中的个体进行交叉和变异;
(5)随机选择变异交叉前的N/2个个体和变异交叉后的N/2个个体合成为一个种群;
(6)采用改进的自适应角度惩罚距离选择机制对种群中的个体进行选择,选择出的个体组成新的种群,令P=P+1;
(7)判断P是否小于设定代数,如果是,则返回步骤(4);反之,则进入下一步;
(8)将经过选择进化后的种群保留下来,计算种群中所有个体包含的优化目标值与对应的理想性能指标值的均方标准差err,选择err值最小的个体作为最优个体。
6.根据权利要求5所述的一种涤纶长丝熔体输送过程的工艺参数优化方法,其特征在于,N的取值范围为130~150,设定代数为100代。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711472090.4A CN108197738B (zh) | 2017-12-29 | 2017-12-29 | 一种涤纶长丝熔体输送过程的工艺参数优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711472090.4A CN108197738B (zh) | 2017-12-29 | 2017-12-29 | 一种涤纶长丝熔体输送过程的工艺参数优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108197738A CN108197738A (zh) | 2018-06-22 |
CN108197738B true CN108197738B (zh) | 2020-09-15 |
Family
ID=62586329
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711472090.4A Expired - Fee Related CN108197738B (zh) | 2017-12-29 | 2017-12-29 | 一种涤纶长丝熔体输送过程的工艺参数优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108197738B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059846B (zh) * | 2019-02-26 | 2021-04-06 | 东华大学 | 聚酯纤维聚合酯化过程的工艺参数高维多目标优化方法 |
CN112182978A (zh) * | 2020-10-13 | 2021-01-05 | 桂林电子科技大学 | 基于自适应角度约束进化算法的多目标水泵调度方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2169007B1 (en) * | 2008-09-30 | 2012-07-11 | SABIC Innovative Plastics IP B.V. | Method for preparing a poly(arylene ether) composition with improved melt flow |
CN103336869A (zh) * | 2013-07-05 | 2013-10-02 | 广西大学 | 一种基于高斯过程联立mimo模型的多目标优化方法 |
CN106647242A (zh) * | 2016-12-15 | 2017-05-10 | 东华大学 | 一种多变量pid控制器参数整定方法 |
-
2017
- 2017-12-29 CN CN201711472090.4A patent/CN108197738B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2169007B1 (en) * | 2008-09-30 | 2012-07-11 | SABIC Innovative Plastics IP B.V. | Method for preparing a poly(arylene ether) composition with improved melt flow |
CN103336869A (zh) * | 2013-07-05 | 2013-10-02 | 广西大学 | 一种基于高斯过程联立mimo模型的多目标优化方法 |
CN106647242A (zh) * | 2016-12-15 | 2017-05-10 | 东华大学 | 一种多变量pid控制器参数整定方法 |
Non-Patent Citations (1)
Title |
---|
Ran Cheng等.A Reference Vector Guided Evolutionary Algorithm.《IEEE Trans Evol Comput》.2016,第20卷(第5期), * |
Also Published As
Publication number | Publication date |
---|---|
CN108197738A (zh) | 2018-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200026264A1 (en) | Flexible job-shop scheduling method based on limited stable matching strategy | |
CN108197738B (zh) | 一种涤纶长丝熔体输送过程的工艺参数优化方法 | |
CN107275801B (zh) | 一种l型阵列天线的基于获得性遗传的阵元排布方法 | |
CN107807518B (zh) | 一种化工生产原料蒸馏过程的多目标优化调度方法 | |
CN116560313A (zh) | 一种多目标柔性作业车间问题的遗传算法优化调度方法 | |
Jiang et al. | Melt index prediction using optimized least squares support vector machines based on hybrid particle swarm optimization algorithm | |
CN110147590B (zh) | 一种基于自适应演化优化算法的螺旋式天线设计方法 | |
Nejad et al. | A novel intelligent-based method to control the output voltage of Proton Exchange Membrane Fuel Cell | |
CN108376302A (zh) | 基于ap聚类的elm复杂石化行业生产能力的预测模型 | |
CN104527009A (zh) | 基于高斯预测的注塑成型工艺参数优化调控方法 | |
CN104318008B (zh) | 一种基于松弛约束遗传单纯形算法的冷凝器优化设计方法 | |
CN102346438A (zh) | 非线性mimo pid控制器参数多目标优化方法 | |
CN113378343A (zh) | 一种基于离散Jaya算法的电缆生产调度方法 | |
CN110059846B (zh) | 聚酯纤维聚合酯化过程的工艺参数高维多目标优化方法 | |
Zuo | Liquid level control of water tank system based on improved polyclonal selection algorithm and RBF network | |
CN114217580B (zh) | 基于改进型差分进化算法的功能性纤维生产排产方法 | |
CN112861315B (zh) | 一种电力系统非凸单目标最优潮流全局解的一维下降搜索法 | |
CN103164554B (zh) | 一种确定超材料单元结构的方法 | |
CN113554216A (zh) | 一种Kfold-LSTM混合变异寻优高分子混合制造多目标优化方法 | |
Kwon et al. | Critical heat flux function approximation using genetic algorithms | |
Mokeddem et al. | Optimal feeding profile for a fuzzy logic controller in a bioreactors using genetic algorithm | |
CN112531728A (zh) | 一种基于改进naga-ii算法的配电网无功优化方法 | |
Gao et al. | Modified differential evolution for the integer programming problems | |
HuChunAn et al. | A differential evolution SAF-DE algorithm which jumps out of local optimal | |
Wang | A weighted K-means algorithm based on differential evolution |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200915 |