CN109766989A - 一种聚酯纤维生产过程工艺参数的智能配置方法 - Google Patents
一种聚酯纤维生产过程工艺参数的智能配置方法 Download PDFInfo
- Publication number
- CN109766989A CN109766989A CN201811480466.0A CN201811480466A CN109766989A CN 109766989 A CN109766989 A CN 109766989A CN 201811480466 A CN201811480466 A CN 201811480466A CN 109766989 A CN109766989 A CN 109766989A
- Authority
- CN
- China
- Prior art keywords
- particle
- pso
- polyester fiber
- algorithm
- elm
- 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.)
- Granted
Links
Classifications
-
- 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
- Nonwoven Fabrics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种聚酯纤维生产过程工艺参数的智能配置方法,将期望聚酯纤维的性能指标输入到训练好的改进SA‑PSO‑ELM算法模型由其输出期望聚酯纤维的生产过程工艺参数;改进SA‑PSO‑ELM算法模型是通过以ELM网络输入层与隐含层之间的权值和阈值作为PSO算法的粒子,以均方误差函数作为PSO算法的适应度函数,采用PSO算法优化ELM算法,同时以PSO算法的初始群体粒子的最大和最小适应度的差值为改进SA算法中的初始温度,采用改进SA算法优化PSO算法得到的;训练时以历史聚酯纤维的性能指标和生产过程工艺参数为改进SA‑PSO‑ELM算法模型的输入项和输出项。本发明根据期望纤维性能指标可直接得到其生产过程工艺参数,过程简单,耗时较短,配置结果稳定性好且精度高。
Description
技术领域
本发明属于聚酯纤维生产智能控制技术领域,涉及一种聚酯纤维生产过程工艺参数的智能配置方法。
背景技术
聚酯纤维具有高强度、模量大、伸长小、耐热、耐冲击和耐疲劳等优点,在线绳、锁具、汽车、安全带、灯箱广告布和轮胎橡胶等领域具有非常广泛的应用。由于聚酯纤维的性能优良和成本低廉,与棉纶、钢丝、粘胶强力丝一起成为了四大橡胶骨架材料。近年来,我国汽车工业快速发展,轮胎子午化率逐渐提高,橡胶工业产品不断调整升级,当前聚酯纤维及其产品的需求快速增长。
目前聚酯纤维一般采用溶体纺丝法制得,聚酯纤维生产过程的基本流程为:定量供料→喷丝板组件过滤→喷丝孔挤出→在空气中冷却凝固成初生纤维→上油→连续拉伸→卷绕。其整体流程复杂,生产过程对聚酯纤维性能产生影响的因素很多,其主要包括泵供量、纺丝温度、纺丝速度、吹风温度和吹风速度。聚酯纤维的性能与生产过程中的工艺参数相关,为生产得到需求性能的聚酯纤维,必须合理设定各工艺参数。目前生产企业都是根据生产出产品丝的性能,调整生产过程的工艺参数的。其中不仅对产品丝性能进行测试需要耗费一定的时间与成本,而且往往需要多次调整才能得到需求性能的产品丝的工艺参数,这极大地浪费了时间成本及生产成本。
因此,开发一种配置简单、耗时较短且成本低廉的聚酯纤维生产过程工艺参数的智能配置方法极具现实意义。
发明内容
本发明的目的是克服现有技术调整过程复杂、耗时过长且成本较高的缺陷,提供一种配置简单、耗时较短且成本低廉的聚酯纤维生产过程工艺参数的智能配置方法。
为达到上述目的,本发明采用的技术方案如下:
一种聚酯纤维生产过程工艺参数的智能配置方法,将期望聚酯纤维的性能指标输入到训练好的改进SA-PSO-ELM算法模型由其输出期望聚酯纤维的生产过程工艺参数;
所述改进SA-PSO-ELM算法模型是通过以ELM网络输入层与隐含层之间的权值和阈值作为PSO算法的粒子,以均方误差函数作为PSO算法的适应度函数,采用PSO算法优化ELM算法,同时以PSO算法的初始群体粒子的最大和最小适应度的差值为改进SA算法中的初始退火温度,采用改进SA算法优化PSO算法得到的;
其中,改进SA算法中模拟退火接收新解的概率公式为:
式中,P为模拟退火接收新解的概率,ΔC为粒子新旧位置的适应度之差,T为退火温度;
改进SA算法中降温系数b的计算公式如下:
式中,k为当前迭代次数;
纺丝生产过程是一个非常复杂的流体变化过程,传统模拟退火中的降温系数是一个定值无法满足纺丝的需求,降温系数太高可能导致错过最优解,而太低则影响算法求解速度,本发明采用一种非线性函数的方法来更新降温系数,能够解决算法求解速度低的问题,同时配合本发明的概率公式能够保证算法不会因降温系数b采用非线性函数方法取值而错过最优解;
改进SA算法中降温系数b的计算公式以及改进SA算法中模拟退火接收新解的概率公式相互配合,使得算法能够满足聚酯纤维生产过程的特点,从而对工艺参数进行精准预测;
所述训练是以历史聚酯纤维的性能指标和生产过程工艺参数为改进SA-PSO-ELM算法模型的输入项和输出项,不断调整改进SA-PSO-ELM算法模型的参数,使其输出精度≤0.0001或达到最大迭代次数;
所述期望聚酯纤维是指期望生产得到的聚酯纤维,所述历史聚酯纤维是指已经生产得到的聚酯纤维;
所有的性能指标都为聚酯熔体从喷丝孔挤出后经侧吹风冷却和牵伸机拉伸后卷绕时的温度、取向和直径,所有的工艺参数为泵供量、纺丝温度、纺丝速度、吹风温度和吹风速度,其中直径、取向度和泵供量的单位分别为μm、Δn、和g/min,所有温度的单位都为℃,所有速度的单位都为m/min。
本发明根据聚酯纤维的目标性能指标即可获取生产得到该性能指标的聚酯纤维的生产过程工艺参数,其智能配置过程简单,耗时较短,无需根据生产得到聚酯纤维的性能反复调整工艺参数,成本低廉。目前聚酯纤维生产过程工艺参数均是根据制得纤维的性能调整得到的。随着近年来算法及其应用的不断发展及普及,本领域技术人员在将算法用于聚酯纤维生产过程上做了许多努力,但均未找到合适的算法模型。极限学习机(ELM)算法是一种新型的学习算法,其主要针对单层前馈神经网络(SLFNs),其具有学习能力较强的特性,但由于算法的隐藏层权值和阈值是任意赋值,其稳定性较差,难以适用于聚酯纤维生产过程。粒子群优化极限学习机算法(PSO-ELM)是一种用粒子群算法的全局搜索最优解对极限学习机隐藏层权值和阈值参数进行选取的算法,由于其对极限学习机算法的参数是随机设定,其克服了极限学习机(ELM)算法稳定性差的缺陷,但由于粒子群(PSO)算法易发散,容易陷入局部最优解,这会造成其在对极限学习机算法进行优化时求得的解不是最优解,从而影响计算精度。而本发明通过采用改进模拟退火算法(SA)混合粒子群算法(PSO)对极限学习机(ELM)进行优化,利用改进模拟退火算法(SA)法具有更快更准确的全局收敛性的特点,将改进模拟退火算法应用到粒子群算法中,给定初始温度,伴随温度的逐渐下降,不断产生新的状态,以一定概率接受或舍弃新状态,最终固体内粒子逐渐有序,达到平衡态,由于纺丝生产过程是一个非常复杂的流体变化过程,本发明采用了一种非线性函数的方法来更新降温系数,同时配合模拟退火接收新解的概率公式,保证算法不会错过最优解,同时提升了求解速度和准确度,进而有效地避免搜索陷入局部最优解,大大改善标准算法的搜索性能,从而解决粒子群算法因陷入局部最优解而造成极限学习机精度低的问题。本发明采用历史聚酯纤维的性能指标和生产过程工艺参数对改进SA-PSO-ELM算法模型进行训练,训练好的模型即可用于预测期望聚酯纤维的生产过程工艺参数。
作为优选的技术方案:
如上所述的一种聚酯纤维生产过程工艺参数的智能配置方法,期望聚酯纤维的性能指标输入到训练好的改进SA-PSO-ELM算法模型前还进行归一化处理,训练好的改进SA-PSO-ELM算法模型输出期望聚酯纤维的生产过程工艺参数后还进行反归一化处理;
训练时,改进SA-PSO-ELM算法模型的输入项和输出项为经过归一化处理的历史聚酯纤维的性能指标和生产过程工艺参数。
如上所述的一种聚酯纤维生产过程工艺参数的智能配置方法,所有的归一化处理的公式如下:
式中,x-和x分别为待归一化处理的数据和归一化处理后的数据,xmax和xmin分别代表待归一化处理的数据中的最大值和最小值。对数据进行归一化处理是为了克服由于输入变量的维度不一致导致神经网络学习速度变慢的问题和由于奇异样本数据导致神经网络无法收敛的问题。此处仅列举其中一种归一化处理的公式,其他归一化处理的公式也可适用于本发明,但所有的归一化处理公式应当统一,且其应与反归一化处理公式对应。
如上所述的一种聚酯纤维生产过程工艺参数的智能配置方法,改进SA-PSO-ELM算法模型的训练步骤如下:
(1)采集历史聚酯纤维的性能指标和生产过程工艺参数,划分为训练集和测试集;
(2)对训练集和测试集中的所有数据进行归一化处理;
(3)令当前迭代次数f=1;
(4)采用训练集训练改进SA-PSO-ELM算法模型,得到改进SA-PSO-ELM算法模型的输入层与隐藏层之间的权值和阈值;
(5)采用测试集测试改进SA-PSO-ELM算法模型,得到测试精度;
(6)判断测试精度是否≤0.0001,如果是,则将输入层与隐藏层之间的权值和阈值代入改进SA-PSO-ELM算法模型,结束训练;反之,则进入下一步;
(7)判断迭代次数是否达到最大迭代次数,如果是,则将输入层与隐藏层之间的权值和阈值代入改进SA-PSO-ELM算法模型,结束训练;反之,则令f=f+1后,返回步骤(4)。
如上所述的一种聚酯纤维生产过程工艺参数的智能配置方法,所述训练集和测试集的样本数量之和为1500组,训练集与测试集的样本数量比为4:1。
如上所述的一种聚酯纤维生产过程工艺参数的智能配置方法,SA-PSO-ELM算法的流程如下:
(1)初始化,初始化ELM网络输入层与隐含层之间的权值和阈值,并将其作为粒子群中的粒子,初始化粒子群中粒子的速度和位置;其中:
极限学习机的数学模型为:wi是连接第i个隐藏层节点和输入节点的连接权值向量,bi是第i个隐藏层节点的偏差向量,βi是连接第i个隐藏层节点和输出节点的权值向量,G(wi·x+bi)是第i个节点的输出;
(2)选择合适的参数,包括种群规模粒子规模M、隐藏层节点数目S、最大迭代次数Tmax、迭代误差精度ε、惯性权重w、加速因子c1和c2、粒子维数N、粒子速度的取值区间和粒子位置的取值区间;
(3)确定适应度函数,计算每个粒子的适应度和初始退火温度T0,T0=RMSEmax-RMSEmin,RMSEmax和RMSEmin分别是初始群体粒子的最大和最小适应度,令当前迭代次数k=1;
以均方误差(RMSE)为适应度函数,均方误差值越小,则表明预测值越精确即适应度越高,均方误差函数公式如下:
(4)求出每个粒子的局部个体最优位置pbest和全局最优位置gbest;
(5)将每个粒子的当前适应度与其历史局部个体最优位置pbest对应的适应度进行比较,如果当前适应度更低,则将当前局部个体最优位置pbest更新为局部个体最优位置pbest,进入步骤(9);否则,进入下一步;
(6)将每个粒子的当前适应度与其历史全局最优位置gbest对应的适应度进行比较,如果当前适应度更低,则将当前历史全局最优位置gbest更新为历史全局最优位置gbest,进入步骤(9);否则,进入下一步;
(7)为每个粒子随机产生一个新位置,并计算新旧位置的适应度之差ΔC;
(8)确定模拟退火接收新解的概率公式,计算P,如果P大于r,r是区间[0,1]之间的随机数,则粒子进入新位置,进入(10);否则,保留原位置,进入下一步;
(9)更新粒子的速度和位置,更新公式如下:
式中,i代表一个种群中的第i个粒子,t代表当前迭代次数,代表粒子i在第t次迭代中d维粒子的速度,代表粒子i在第t+1次迭代中d维粒子的速度,r1,r2是两个取值范围在0~1之间的随机数,为第t次迭代个体最优位置,为第t次迭代全局最优位置,代表粒子i在第t次迭代中d维粒子的位置,代表代表粒子i在第t+1次迭代中d维粒子的位置;
(10)进行退温操作,退火温度T=bT0;
(11)判断迭代误差精度ε≤0.0001是否成立,如果是,则保存当前迭代的粒子群即为SA-PSO-ELM的输入层与隐含层之间的权值和阈值,进入步骤(13);否则进入下一步;
(12)判断迭代次数是否达到Tmax,如果是,则保存当前迭代的粒子群即为SA-PSO-ELM的输入层与隐含层之间的权值和阈值,进入步骤(13);否则令k=k+1,返回步骤(4)继续迭代;
(13)计算ELM网络隐藏层输出矩阵H以及隐藏层与输出层之间的权值β;
其中,H是根据极限学习机隐含层激活函数计算得到的,β是根据Hβ=Y*计算得到的,式中Y*是期望输出;
如上所述的一种聚酯纤维生产过程工艺参数的智能配置方法,M、S、Tmax、w、c1、c2和N的取值范围分别为:10~30、20、500、0~1、0~2、0~2和1500,粒子速度的取值区间为[-1,1],粒子位置的取值区间为[-1,1]。本发明的各参数的取值范围并不仅限于此,其可根据实际应用场景进行选择,但其调整幅度不宜过大,否则将影响计算的精度。
如上所述的一种聚酯纤维生产过程工艺参数的智能配置方法,ELM网络的激活函数为sigmoid函数。
发明机理:
本发明通过采用改进模拟退火算法(SA)混合粒子群算法(PSO)对极限学习机(ELM)进行优化,利用改进模拟退火算法(SA)法具有较强的全局收敛性的特点,将改进模拟退火算法应用到粒子群算法中,给定初始温度,伴随温度的逐渐下降,不断产生新的状态,以一定概率接受或舍弃新状态,使得固体内粒子逐渐有序达到平衡态,由于纺丝生产过程是一个非常复杂的流体变化过程,降温系数太高容易导致错过最优解,降温系数太低容易导致算法求解速度过慢,本发明采用了一种非线性函数的方法来更新降温系数,同时配合一种新模拟退火接收新解的概率公式,保证算法不会错过最优解,同时提升了求解速度和准确度,有效的避免搜索陷入局部最优解,大大改善标准算法的搜索性能,从而解决粒子群算法(PSO-ELM)因陷入局部最优解而造成极限学习机精度低的问题,得到了稳定性好、精度高且泛化能力强的SA-PSO-ELM算法,再以历史聚酯纤维的性能指标和生产过程工艺参数为模型的输入和输出对改进SA-PSO-ELM算法模型进行训练,训练得到的模型即为能够反映望聚酯纤维的生产过程工艺参数与其性能指标参数关系的模型,将期望聚酯纤维的性能指标参数输入该模型即可得到期望聚酯纤维的生产过程工艺参数。相比于现有技术的根据制得纤维的性能调整得到生产过程工艺参数的过程,本发明的智能配置过程简单,耗时较短,成本低廉,极具应用前景。本发明的算法模型相比于现有应用于聚酯纤维生产领域的算法,革命性地以聚酯纤维的性能指标和生产过程工艺参数为模型的输入和输出,直接将性能与工艺参数关联起来,实现了根据纤维性能指标直接预测聚酯纤维的生产过程工艺参数的过程,极大地简化了步骤。
有益效果
(1)本发明的一种聚酯纤维生产过程工艺参数的智能配置方法,根据期望纤维性能指标直接能够配置其生产过程工艺参数,智能配置过程简单,耗时较短,成本低廉,极具应用前景;
(2)本发明的一种聚酯纤维生产过程工艺参数的智能配置方法,配置结果稳定性好、精度高且泛化能力强,对实际的聚酯纤维生产过程有着极大的参考意义。
附图说明
图1为本发明得到的改进SA-PSO-ELM算法的流程图;
图2为本发明的改进SA-PSO-ELM算法模型训练过程的网络结构图;
图3为本发明的聚酯纤维生产过程工艺参数的智能配置方法的流程图。
具体实施方法
下面结合具体实施方法,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。
本发明的一种聚酯纤维生产过程工艺参数的智能配置方法,其步骤如下:
(1)改进SA-PSO-ELM算法模型的建立及训练;
(1.1)改进SA-PSO-ELM算法的流程如图1所示,具体为:
(1.1.1)初始化,初始化ELM网络输入层与隐含层之间的权值和阈值,并将其作为粒子群中的粒子,初始化粒子群中粒子的速度和位置,其中ELM网络以sigmoid函数为激活函数;
(1.1.2)选择合适的参数,包括种群规模粒子规模M、隐藏层节点数目S、最大迭代次数Tmax、迭代误差精度ε、惯性权重w、加速因子c1和c2、粒子维数N、粒子速度的取值区间和粒子位置的取值区间,其中M、S、Tmax、w、c1、c2和N的取值范围分别为:10~30、20、500、0~1、0~2、0~2和1500,粒子速度的取值区间为[-1,1],粒子位置的取值区间为[-1,1];
(1.1.3)确定适应度函数,计算每个粒子的适应度和初始退火温度T0,T0=RMSEmax-RMSEmin,RMSEmax和RMSEmin分别是初始群体粒子的最大和最小适应度,令当前迭代次数k=1;
(1.1.4)求出每个粒子的局部个体最优位置pbest和全局最优位置gbest;
(1.1.5)将每个粒子的当前适应度与其历史局部个体最优位置pbest对应的适应度进行比较,如果当前适应度更低,则将当前局部个体最优位置pbest更新为局部个体最优位置pbest,进入步骤(1.1.9);否则,进入下一步;
(1.1.6)将每个粒子的当前适应度与其历史全局最优位置gbest对应的适应度进行比较,如果当前适应度更低,则将当前历史全局最优位置gbest更新为历史全局最优位置gbest,进入步骤(1.1.9);否则,进入下一步;
(1.1.7)为每个粒子随机产生一个新位置,并计算新旧位置的适应度之差ΔC;
(1.1.8)确定模拟退火接收新解的概率公式,计算P,如果P大于r,r是区间[0,1]之间的随机数,则粒子进入新位置,进入(1.1.10);否则,保留原位置,进入下一步;改进SA算法中模拟退火接收新解的概率公式为:
式中,P为模拟退火接收新解的概率,ΔC为粒子新旧位置的适应度之差,T为退火温度;
(1.1.9)更新粒子的速度和位置,更新公式如下:
式中,i代表一个种群中的第i个粒子,t代表当前迭代次数,代表粒子i在第t次迭代中d维粒子的速度,代表粒子i在第t+1次迭代中d维粒子的速度,r1,r2是两个取值范围在0~1之间的随机数,为第t次迭代个体最优位置,为第t次迭代全局最优位置,代表粒子i在第t次迭代中d维粒子的位置,代表代表粒子i在第t+1次迭代中d维粒子的位置;
(1.1.10)进行退温操作,退火温度T=bT0;改进SA算法中降温系数b的计算公式如下:
式中,k为当前迭代次数;
(1.1.11)判断迭代误差精度ε≤0.0001是否成立,如果是,则保存当前迭代的粒子群即为SA-PSO-ELM的输入层与隐含层之间的权值和阈值,进入步骤(1.1.13);否则进入下一步;
(1.1.12)判断迭代次数是否达到最大迭代次数Tmax,如果是,则保存当前迭代的粒子群即为SA-PSO-ELM的输入层与隐含层之间的权值和阈值,进入步骤(1.1.13);否则令k=k+1,返回步骤(1.1.4)继续迭代;
(1.1.13)计算ELM网络隐藏层输出矩阵H以及隐藏层与输出层之间的权值β;
(1.2)改进SA-PSO-ELM算法模型的训练步骤如下;
(1.2.1)采集历史聚酯纤维的性能指标和生产过程工艺参数,划分为训练集和测试集,其中训练集共有1200组样本,测试集共有300组样本,性能指标为聚酯熔体从喷丝孔挤出后经侧吹风冷却和牵伸机拉伸后卷绕时的温度、取向和直径,单位分别为℃、μm和Δn,生产过程工艺参数为泵供量、纺丝温度、纺丝速度、吹风温度和吹风速度,单位分别为g/min、℃、m/min、℃和m/min;
(1.2.2)对训练集和测试集中的所有数据进行归一化处理,采用如下公式进行归一化处理;
式中,x-和x分别为待归一化处理的数据和归一化处理后的数据,xmax和xmin分别代表待归一化处理的数据中的最大值和最小值;
(1.2.3)令当前迭代次数f=1;
(1.2.4)采用训练集训练改进SA-PSO-ELM算法模型,得到改进SA-PSO-ELM算法模型的输入层与隐藏层之间的权值和阈值,改进SA-PSO-ELM算法模型训练过程的网络结构图如图2所示;
(1.2.5)采用测试集测试改进SA-PSO-ELM算法模型,得到测试精度;
(1.2.6)判断测试精度是否≤0.0001,如果是,则将输入层与隐藏层之间的权值和阈值代入改进SA-PSO-ELM算法模型,结束训练;反之,则进入下一步;
(1.2.7)判断迭代次数是否达到最大迭代次数,如果是,则将输入层与隐藏层之间的权值和阈值代入改进SA-PSO-ELM算法模型,结束训练;反之,则令f=f+1后,返回步骤(1.2.4);
(2)对期望聚酯纤维的性能指标进行归一化处理,其具体处理公式与(1.2.2)公式相同,得到模型后的处理步骤如图3所示;
(3)将归一化处理后的期望聚酯纤维的性能指标输入步骤(1)训练得到的改进SA-PSO-ELM算法模型,得到输出结果;
(4)对输出结果进行反归一化处理,最终得到期望聚酯纤维的生产过程工艺参数。
经验证,本发明的聚酯纤维生产过程工艺参数的智能配置方法得到的配置结果稳定性好、精度高且泛化能力强,使用其配置结果进行生产后发现制得产品的性能与期望性能指标差别不大,其对实际的聚酯纤维生产过程有着极大的参考意义,同时,本发明的方法能配置过程简单,耗时较短,成本低廉,极具应用前景。
Claims (8)
1.一种聚酯纤维生产过程工艺参数的智能配置方法,其特征是:将期望聚酯纤维的性能指标输入到训练好的改进SA-PSO-ELM算法模型由其输出期望聚酯纤维的生产过程工艺参数;
所述改进SA-PSO-ELM算法模型是通过以ELM网络输入层与隐含层之间的权值和阈值作为PSO算法的粒子,以均方误差函数作为PSO算法的适应度函数,采用PSO算法优化ELM算法,同时以PSO算法的初始群体粒子的最大和最小适应度的差值为改进SA算法中的初始退火温度,采用改进SA算法优化PSO算法得到的;
其中,改进SA算法中模拟退火接收新解的概率公式为:
式中,P为模拟退火接收新解的概率,ΔC为粒子新旧位置的适应度之差,T为退火温度;
改进SA算法中降温系数b的计算公式如下:
式中,k为当前迭代次数;
所述训练是以历史聚酯纤维的性能指标和生产过程工艺参数为改进SA-PSO-ELM算法模型的输入项和输出项,不断调整改进SA-PSO-ELM算法模型的参数,使其输出精度≤0.0001或达到最大迭代次数;
所述期望聚酯纤维是指期望生产得到的聚酯纤维,所述历史聚酯纤维是指已经生产得到的聚酯纤维;
所有的性能指标都为聚酯熔体从喷丝孔挤出后经侧吹风冷却和牵伸机拉伸后卷绕时的温度、取向和直径,所有的工艺参数为泵供量、纺丝温度、纺丝速度、吹风温度和吹风速度,其中直径、取向度和泵供量的单位分别为μm、Δn、和g/min,所有温度的单位都为℃,所有速度的单位都为m/min。
2.根据权利要求1所述的一种聚酯纤维生产过程工艺参数的智能配置方法,其特征在于,期望聚酯纤维的性能指标输入到训练好的改进SA-PSO-ELM算法模型前还进行归一化处理,训练好的改进SA-PSO-ELM算法模型输出期望聚酯纤维的生产过程工艺参数后还进行反归一化处理;
训练时,改进SA-PSO-ELM算法模型的输入项和输出项为经过归一化处理的历史聚酯纤维的性能指标和生产过程工艺参数。
3.根据权利要求2所述的一种聚酯纤维生产过程工艺参数的智能配置方法,其特征在于,所有的归一化处理的公式如下:
式中,x-和x分别为待归一化处理的数据和归一化处理后的数据,xmax和xmin分别代表待归一化处理的数据中的最大值和最小值。
4.根据权利要求3所述的一种聚酯纤维生产过程工艺参数的智能配置方法,其特征在于,改进SA-PSO-ELM算法模型的训练步骤如下:
(1)采集历史聚酯纤维的性能指标和生产过程工艺参数,划分为训练集和测试集;
(2)对训练集和测试集中的所有数据进行归一化处理;
(3)令当前迭代次数f=1;
(4)采用训练集训练改进SA-PSO-ELM算法模型,得到改进SA-PSO-ELM算法模型的输入层与隐藏层之间的权值和阈值;
(5)采用测试集测试改进SA-PSO-ELM算法模型,得到测试精度;
(6)判断测试精度是否≤0.0001,如果是,则将输入层与隐藏层之间的权值和阈值代入改进SA-PSO-ELM算法模型,结束训练;反之,则进入下一步;
(7)判断迭代次数是否达到最大迭代次数,如果是,则将输入层与隐藏层之间的权值和阈值代入改进SA-PSO-ELM算法模型,结束训练;反之,则令f=f+1后,返回步骤(4)。
5.根据权利要求4所述的一种聚酯纤维生产过程工艺参数的智能配置方法,其特征在于,所述训练集和测试集的样本数量之和为1500组,训练集与测试集的样本数量比为4:1。
6.根据权利要求1所述的一种聚酯纤维生产过程工艺参数的智能配置方法,其特征在于,SA-PSO-ELM算法的流程如下:
(1)初始化,初始化ELM网络输入层与隐含层之间的权值和阈值,并将其作为粒子群中的粒子,初始化粒子群中粒子的速度和位置;
(2)选择合适的参数,包括种群规模粒子规模M、隐藏层节点数目S、最大迭代次数Tmax、迭代误差精度ε、惯性权重w、加速因子c1和c2、粒子维数N、粒子速度的取值区间和粒子位置的取值区间;
(3)确定适应度函数,计算每个粒子的适应度和初始退火温度T0,T0=RMSEmax-RMSEmin,RMSEmax和RMSEmin分别是初始群体粒子的最大和最小适应度,令当前迭代次数k=1;
(4)求出每个粒子的局部个体最优位置pbest和全局最优位置gbest;
(5)将每个粒子的当前适应度与其历史局部个体最优位置pbest对应的适应度进行比较,如果当前适应度更低,则将当前局部个体最优位置pbest更新为局部个体最优位置pbest,进入步骤(9);否则,进入下一步;
(6)将每个粒子的当前适应度与其历史全局最优位置gbest对应的适应度进行比较,如果当前适应度更低,则将当前历史全局最优位置gbest更新为历史全局最优位置gbest,进入步骤(9);否则,进入下一步;
(7)为每个粒子随机产生一个新位置,并计算新旧位置的适应度之差ΔC;
(8)确定模拟退火接收新解的概率公式,计算P,如果P大于r,r是区间[0,1]之间的随机数,则粒子进入新位置,进入(10);否则,保留原位置,进入下一步;
(9)更新粒子的速度和位置,更新公式如下:
式中,i代表一个种群中的第i个粒子,t代表当前迭代次数,代表粒子i在第t次迭代中d维粒子的速度,代表粒子i在第t+1次迭代中d维粒子的速度,r1,r2是两个取值范围在0~1之间的随机数,为第t次迭代个体最优位置,为第t次迭代全局最优位置,代表粒子i在第t次迭代中d维粒子的位置,代表代表粒子i在第t+1次迭代中d维粒子的位置;
(10)进行退温操作,退火温度T=bT0;
(11)判断迭代误差精度ε≤0.0001是否成立,如果是,则保存当前迭代的粒子群即为SA-PSO-ELM的输入层与隐含层之间的权值和阈值,进入步骤(13);否则进入下一步;
(12)判断迭代次数是否达到Tmax,如果是,则保存当前迭代的粒子群即为SA-PSO-ELM的输入层与隐含层之间的权值和阈值,进入步骤(13);否则令k=k+1,返回步骤(4)继续迭代;
(13)计算ELM网络隐藏层输出矩阵H以及隐藏层与输出层之间的权值β。
7.根据权利要求6所述的一种聚酯纤维生产过程工艺参数的智能配置方法,其特征在于,M、S、Tmax、w、c1、c2和N的取值范围分别为:10~30、20、500、0~1、0~2、0~2和1500,粒子速度的取值区间为[-1,1],粒子位置的取值区间为[-1,1]。
8.根据权利要求6所述的一种聚酯纤维生产过程工艺参数的智能配置方法,其特征在于,ELM网络的激活函数为sigmoid函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811480466.0A CN109766989B (zh) | 2018-12-05 | 2018-12-05 | 一种聚酯纤维生产过程工艺参数的智能配置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811480466.0A CN109766989B (zh) | 2018-12-05 | 2018-12-05 | 一种聚酯纤维生产过程工艺参数的智能配置方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109766989A true CN109766989A (zh) | 2019-05-17 |
CN109766989B CN109766989B (zh) | 2020-12-08 |
Family
ID=66451251
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811480466.0A Active CN109766989B (zh) | 2018-12-05 | 2018-12-05 | 一种聚酯纤维生产过程工艺参数的智能配置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109766989B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110263380A (zh) * | 2019-05-23 | 2019-09-20 | 东华大学 | 一种纺丝工序级联建模分段区间参数配置方法 |
CN111104739A (zh) * | 2019-12-16 | 2020-05-05 | 中国工程物理研究院化工材料研究所 | 一种sa优化深度置信网络的含能材料成球质量优化方法 |
CN111352401A (zh) * | 2020-03-17 | 2020-06-30 | 华润电力技术研究院有限公司 | 一种用于集散控制系统的控制方法、装置、设备及介质 |
CN111738482A (zh) * | 2020-04-20 | 2020-10-02 | 东华大学 | 一种聚酯纤维聚合过程中的工艺参数的调节方法 |
CN115113596A (zh) * | 2022-07-13 | 2022-09-27 | 浙江高裕家居科技股份有限公司 | 一种基于质量监测的聚氨酯材料生产参数调节方法及系统 |
CN115671874A (zh) * | 2022-10-28 | 2023-02-03 | 苏州米果环保设备科技有限公司 | 一种多功能过滤材料的生产方法、系统、装置及存储介质 |
CN117519058A (zh) * | 2024-01-08 | 2024-02-06 | 南通纳科达聚氨酯科技有限公司 | 一种叶片保护膜的工艺参数控制方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7769449B2 (en) * | 2005-10-25 | 2010-08-03 | Medtronic, Inc. | System and method of AV interval selection in an implantable medical device |
CN106651012A (zh) * | 2016-12-02 | 2017-05-10 | 东华大学 | 一种基于改进极限学习机的作物蒸腾量预测方法 |
CN106951728A (zh) * | 2017-03-03 | 2017-07-14 | 江苏大学 | 一种基于粒子群优化和打分准则的肿瘤关键基因识别方法 |
CN108665112A (zh) * | 2018-05-16 | 2018-10-16 | 东华大学 | 基于改进粒子群优化Elman网络的光伏故障检测方法 |
-
2018
- 2018-12-05 CN CN201811480466.0A patent/CN109766989B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7769449B2 (en) * | 2005-10-25 | 2010-08-03 | Medtronic, Inc. | System and method of AV interval selection in an implantable medical device |
CN106651012A (zh) * | 2016-12-02 | 2017-05-10 | 东华大学 | 一种基于改进极限学习机的作物蒸腾量预测方法 |
CN106951728A (zh) * | 2017-03-03 | 2017-07-14 | 江苏大学 | 一种基于粒子群优化和打分准则的肿瘤关键基因识别方法 |
CN108665112A (zh) * | 2018-05-16 | 2018-10-16 | 东华大学 | 基于改进粒子群优化Elman网络的光伏故障检测方法 |
Non-Patent Citations (4)
Title |
---|
方一鸣等: ""基于模拟退火-粒子群算法优化支持向量机参数的连铸漏钢预报"", 《中国机械工程》 * |
粱霄: ""碳纤维纺丝过程的协同智能控制系统研究"", 《中国博士学位论文全文数据库 工程科技Ⅰ辑》 * |
胡进宝: ""基于双层分解和核函数极限学习机的城市轨道交通短时客流预测"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
黄晓龙: ""基于散货码头信息平台的全程配送优化研究"", 《中国优秀硕士学位论文全文数据库 信息科技Ⅱ辑》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110263380A (zh) * | 2019-05-23 | 2019-09-20 | 东华大学 | 一种纺丝工序级联建模分段区间参数配置方法 |
CN110263380B (zh) * | 2019-05-23 | 2020-11-24 | 东华大学 | 一种纺丝工序级联建模分段区间参数配置方法 |
CN111104739A (zh) * | 2019-12-16 | 2020-05-05 | 中国工程物理研究院化工材料研究所 | 一种sa优化深度置信网络的含能材料成球质量优化方法 |
CN111352401A (zh) * | 2020-03-17 | 2020-06-30 | 华润电力技术研究院有限公司 | 一种用于集散控制系统的控制方法、装置、设备及介质 |
CN111738482A (zh) * | 2020-04-20 | 2020-10-02 | 东华大学 | 一种聚酯纤维聚合过程中的工艺参数的调节方法 |
CN111738482B (zh) * | 2020-04-20 | 2022-04-29 | 东华大学 | 一种聚酯纤维聚合过程中的工艺参数的调节方法 |
CN115113596A (zh) * | 2022-07-13 | 2022-09-27 | 浙江高裕家居科技股份有限公司 | 一种基于质量监测的聚氨酯材料生产参数调节方法及系统 |
CN115113596B (zh) * | 2022-07-13 | 2023-09-08 | 浙江高裕家居科技股份有限公司 | 一种基于质量监测的聚氨酯材料生产参数调节方法及系统 |
CN115671874A (zh) * | 2022-10-28 | 2023-02-03 | 苏州米果环保设备科技有限公司 | 一种多功能过滤材料的生产方法、系统、装置及存储介质 |
CN115671874B (zh) * | 2022-10-28 | 2023-10-13 | 苏州米果环保设备科技有限公司 | 一种多功能过滤材料的生产方法、系统、装置及存储介质 |
CN117519058A (zh) * | 2024-01-08 | 2024-02-06 | 南通纳科达聚氨酯科技有限公司 | 一种叶片保护膜的工艺参数控制方法及系统 |
CN117519058B (zh) * | 2024-01-08 | 2024-04-19 | 南通纳科达聚氨酯科技有限公司 | 一种叶片保护膜的工艺参数控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109766989B (zh) | 2020-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109766989A (zh) | 一种聚酯纤维生产过程工艺参数的智能配置方法 | |
CN109931678B (zh) | 基于深度学习lstm的空调故障诊断方法 | |
CN112418013A (zh) | 一种小样本下基于元学习的复杂工况轴承故障诊断方法 | |
CN108491874A (zh) | 一种基于生成式对抗网络的图像单分类方法 | |
CN108106844B (zh) | 一种自适应参数调节的自动编码机的轴承故障诊断方法 | |
CN112613536B (zh) | 一种基于smote和深度学习的近红外光谱柴油牌号识别方法 | |
CN107480815A (zh) | 一种电力系统台区负荷预测方法 | |
CN112698568B (zh) | 基于优化bp神经网络的长丝恒张力控制方法 | |
CN108388213B (zh) | 基于局部可塑性回声状态网络的聚酯纺丝工艺控制方法 | |
CN109190270A (zh) | 一种基于apso-bp的双配重盘自动平衡控制方法 | |
CN112651928B (zh) | 基于动态卷积神经网络的涤纶长丝均匀性在线检测系统 | |
CN108985323A (zh) | 一种光伏功率的短期预测方法 | |
CN110659672A (zh) | 一种风电机组出力分步不确定性预测方法及装置 | |
CN110263380B (zh) | 一种纺丝工序级联建模分段区间参数配置方法 | |
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 | |
CN114880806A (zh) | 基于粒子群优化的新能源汽车销量预测模型参数优化方法 | |
CN113762387A (zh) | 一种基于混合模型预测的数据中心站多元负荷预测方法 | |
CN110991689B (zh) | 基于LSTM-Morlet模型的分布式光伏发电系统短期预测方法 | |
CN106599431A (zh) | 一种基于混合高斯权重函数的多模型方法进行优化的fdy涤纶长丝纺丝工艺 | |
CN107557885B (zh) | 一种熔融纺丝工艺优化方法 | |
CN110991743B (zh) | 一种基于聚类分析和优化神经网络的风电功率短期组合预测方法 | |
CN116482491A (zh) | 一种基于贝叶斯神经网络的变压器局部放电故障诊断方法 | |
CN110276476A (zh) | 一种基于pso-rbf神经网络的汽车发动机烟度预测方法 | |
CN111539275B (zh) | 一种基于负载特性可视化的电气负载分类方法和系统 | |
CN114781507A (zh) | 一种基于1dcnn-ds的冷水机组故障诊断方法 |
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 |