CN110263380A - 一种纺丝工序级联建模分段区间参数配置方法 - Google Patents
一种纺丝工序级联建模分段区间参数配置方法 Download PDFInfo
- Publication number
- CN110263380A CN110263380A CN201910434512.1A CN201910434512A CN110263380A CN 110263380 A CN110263380 A CN 110263380A CN 201910434512 A CN201910434512 A CN 201910434512A CN 110263380 A CN110263380 A CN 110263380A
- Authority
- CN
- China
- Prior art keywords
- value
- interval
- polyester fiber
- prediction section
- weight
- 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
- 238000000034 method Methods 0.000 title claims abstract description 108
- 238000009987 spinning Methods 0.000 title claims abstract description 54
- 229920000728 polyester Polymers 0.000 claims abstract description 178
- 239000000835 fiber Substances 0.000 claims abstract description 157
- 230000008569 process Effects 0.000 claims abstract description 53
- 238000012360 testing method Methods 0.000 claims abstract description 32
- 238000007380 fibre production Methods 0.000 claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims abstract description 6
- 239000002245 particle Substances 0.000 claims description 136
- 238000007664 blowing Methods 0.000 claims description 115
- 238000012549 training Methods 0.000 claims description 90
- 239000000463 material Substances 0.000 claims description 70
- 238000004519 manufacturing process Methods 0.000 claims description 58
- 230000006870 function Effects 0.000 claims description 28
- 238000010606 normalization Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000001816 cooling Methods 0.000 claims description 8
- 230000006054 immunological memory Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000015654 memory Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 239000002657 fibrous material Substances 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 230000006872 improvement Effects 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000007812 deficiency Effects 0.000 abstract 1
- 208000012886 Vertigo Diseases 0.000 description 4
- 230000000704 physical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 239000005020 polyethylene terephthalate Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 229920004933 Terylene® Polymers 0.000 description 1
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 125000004185 ester group Chemical group 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229920000139 polyethylene terephthalate Polymers 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000012209 synthetic fiber Substances 0.000 description 1
- 229920002994 synthetic fiber Polymers 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Geometry (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Computer Hardware Design (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种纺丝工序级联建模分段区间参数配置方法，随机生成多组聚酯纤维纺丝工序分段参数取值区间后，预测各组对应的聚酯纤维的性能指标取值区间，再根据聚酯纤维的性能指标取值区间挑选出一组聚酯纤维纺丝工序分段参数取值区间后，按其进行配置。预测前按聚酯纤维纺丝工序将聚酯纤维生产过程分为多个主体预测段A1～Am，在主体预测段Ai与Ai+1之间增设误差预测段Bi，整个预测过程为各个预测段顺序预测的过程，主体预测段对应的算法模型为改进IRBFNN算法模型，误差预测段对应的算法模型为IPSO‑ELM算法模型。本发明的配置方法过程简单、耗时短、无需反复试验、成本低廉、可操作性强，能够解决聚酯纤维纺丝工序建立点值模型的不足，实用性强。
Description
技术领域
本发明属于聚酯纤维生产参数配置技术领域，涉及一种纺丝工序级联建模分段区间参数配置方法。
背景技术
聚酯纤维是大分子链通过酯基相连形成的成纤高聚物纺制而成的纤维，简称为PET纤维，一般俗称为“涤纶”，其具有良好的抗皱性和保形性，除此之外，其还有具有较高的强度与弹性恢复能力。聚酯具有优良的物理、化学、机械性能，因而迅速成为合成纤维中产量最大的品种。聚酯工业也成为一个与国计民生息息相关的产业，广泛应用于化学纤维、轻工、电子、建筑等国民经济的各个方面。
我国聚酯产业发展迅速，随着自动化生产能力不断提升，聚酯行业一直面临着严重的产能过剩问题，对产品质量以及差异化的要求越来越高，各聚酯企业也面临着差异化生产以及高质量生产的问题，这些问题的解决就需要掌握聚酯纤维生产装置的知识。同时在差异化生产中，需要根据市场的需求选择正确的工艺参数，由于纤维生产线长，应该尽可能通过少量的试验达到预期的性能指标，因此选取合理的方式对生产过程进行建模有利于减少企业生产成本，也有利于提高产品质量以及开发新产品。
然而，目前聚酯纤维纺丝工艺参数大多是通过反复生产试验确定的，过程复杂、耗时较长、成本较高、可操作性弱。为克服上述问题，在实际工业过程中已提出了一些方式来对生产过程进行建模，但现有技术中的建模过程中给出的设定参数通常是一个范围，受到环境的影响或者是传感器精度的原因，实际的生产参数与设定的生产参数有些许出入，利用点值来进行建模会造成模型不够合理，输入和输出的对应关系不够精确，利用点值来代替区间数据产生建立的模型在可靠性和实用性方面仍然存在一些问题。
因此，亟待研究一种不需要反复生产试验、过程简单、耗时短、成本低廉、可操作性强的聚酯纤维纺丝工艺参数的配置方法。
发明内容
本发明的目的是克服现有技术的配置方法需要反复生产试验、过程复杂、耗时长、成本较高、可操作性弱以及利用点值来进行建模会造成模型不够合理的问题，提供一种纺丝工序级联建模分段区间参数配置方法。本发明在聚酯纤维纺丝过程中，采取分段建模并进行误差补偿的方式，可以对生产过程进一步细化，预测中间生产过程中例如取向度、张力、直径等材料结构区间数值信息，进一步指导后续生产。用本文中建立好的改进IRBFNN算法模型，输入值为期望工艺参数区间数值，经过建立好的误差补偿模型，最终得到期望的聚酯纤维性能指标取值区间，如果得到的期望聚酯纤维性能指标就是拟生产的聚酯纤维性能指标取值区间，那么期望工艺参数就是拟投入生产的配置工艺参数取值区间。
为达到上述目的，本发明采用的方案如下：
一种纺丝工序级联建模分段区间参数配置方法，随机生成多组聚酯纤维纺丝工序分段参数取值区间后，预测各组对应的聚酯纤维的性能指标取值区间，再根据聚酯纤维的性能指标取值区间挑选出一组聚酯纤维纺丝工序分段参数取值区间后，按其进行配置；
预测前按聚酯纤维纺丝工序将聚酯纤维生产过程分为多个主体预测段A1～Am，在主体预测段Ai与Ai+1之间增设误差预测段Bi，i＝1,2,3...m-1，确定各预测段对应的训练好的算法模型；
整个预测过程为各个预测段顺序预测的过程，各个预测段预测的过程即将其对应的输入项输入到其对应的训练好的算法模型由其输出得到输出项的过程，其中，后一预测段的输入项包含前一预测段的输出项；
i＝1时，主体预测段Ai的输入项为聚酯纤维的生产过程工艺参数取值区间；i>1时，主体预测段Ai的输入项为加和取值区间以及聚酯纤维的生产过程工艺参数取值区间；主体预测段Am的输出项为聚酯纤维的性能指标取值区间，主体预测段A1～Am-1的输出项为聚酯纤维的材料结构取值区间；误差预测段Bi的输入项为聚酯纤维的生产过程工艺参数取值区间和主体预测段Ai的输出项，误差预测段Bi的输出项为聚酯纤维的材料结构误差取值区间，加和取值区间的下界值和上界值分别为主体预测段Ai-1的输出项与误差预测段Bi-1的输出项下界值的加和和上界值的加和；
主体预测段对应的算法模型为改进IRBFNN算法模型，误差预测段对应的算法模型为IPSO-ELM算法模型；
各预测段对应的算法模型的训练过程即以各预测段的输入项和输出项对应的历史取值区间作为算法模型的输入项和输出项，不断调整算法模型的参数，直至达到终止条件的过程；
历史取值区间即在历史生产过程中采集的取值区间，其中，加和取值区间对应的历史取值区间为主体预测段Ai-1的输出项对应的历史取值区间，误差预测段Bi的输出项对应的历史取值区间为相减取值区间，相减取值区间的下界值和上界值分别为预测取值区间与主体预测段Ai的输出项对应的历史取值区间下界值差的绝对值和上界值差的绝对值，预测取值区间为将主体预测段Ai的输入项对应的历史取值区间输入到训练好的改进IRBFNN算法模型由其输出的取值区间；
改进IRBFNN算法为改进的IRBFNN算法，改进之处在于IRBFNN算法中将梯度动量因子引入到IRBFNN的权重上下界更新中，改进IRBFNN算法的权重下界更新公式为：
权重下界更新公式为：
权重上界更新公式为：
式中，和分别表示权重上界和权重下界的梯度动量项，bU(α)和bL(α)分别表示权重上界和权重下界的梯度动量因子， 分别表示t时下界的权重、α时上界的权重、α-1时下界的权重、α-1时上界的权重、α-2时下界的权重、α-2时上界的权重，和分别表示权重下界和权重上界的修正式，和分别为输出层第k个节点的第p个样本对应的权重下界期望输出和权重上界期望输出，和分别为输出层第k个节点的第p个样本对应的权重下界网络输出和权重上界网络输出，gj(X)是隐含层第j节点输出，λ为正常数，用于调整梯度动量因子的大小，使得梯度动量因子在区间[0,1]内取值，η为正常数，用于更新权重，取值区间为(0,1)；
在IRBFNN中，更新权值和阈值采用的方法为梯度下降法，在梯度下降法中，权重和阈值是从误差的负梯度方向更新而来，且数值上只与前一次的数据值和当前时间输出的误差有关，忽略了循环更新中积累的经验，从而导致学习过程收敛缓慢，容易陷入局部极小值，为了解决这个问题，将梯度动量因子引入到IRBFNN的上下界权重更新中，考虑到每次迭代的系统误差，因此在迭代早期动量因子数值较大加快了系统收敛，迭代后期动量因子数值较小会改善系统性能，引入梯度动量项后，在迭代初期，权重会有较大幅度的更新，梯度动量项较大，权重修正量相应增加，从而大幅提升系统的收敛速度；在迭代后期，权重修正量减少，避免系统整体振荡或者陷入局部最小值；
本发明根据聚酯纤维的生产过程工艺参数取值区间即可获取吹风区入口处的聚酯纤维材料结构取值区间、吹风区出口处的聚酯纤维材料结构取值区间以及最终的聚酯纤维物性指标取值区间，其配置过程简单、耗时短、不需要反复生产试验、成本低廉、可操作性强。目前有很多算法运用到了聚酯纤维生产过程中，但是都没有对聚酯纤维生产过程的材料结构和性能指标的取值区间进行预测模拟，本发明可以很好地根据工艺参数取值区间得到聚酯纤维生产过程的材料结构取值区间和物性指标取值区间，并通过误差补偿模型对预测过程进行误差补偿，提高了预测精度。区间径向基神经网络(IRBFNN)算法是区间分析理论与神经网络相结合的产物，改进后的IRBFNN大幅提升系统的收敛速度同时避免系统整体振荡或者陷入局部最小值。本发明采用历史聚酯纤维的物性指标、材料结构信息和生产过程工艺参数区间数值对改进IRBFNN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材料结构信息和物性指标区间数值；采用历史聚酯纤维的物性指标、材料结构信息、生产过程工艺参数取值区间和个预测段误差对IPSO-ELM算法模型进行训练，训练好的模型即可用于预测各预测段的误差。
作为优选的方案：
如上所述的一种纺丝工序级联建模分段区间参数配置方法，聚酯纤维的材料结构为张力、取向度、直径和丝条速度，单位分别为cN、Δn、μm和m/min；聚酯纤维的生产过程工艺参数为纺丝温度、纺丝速度、吹风温度和吹风速度，单位分别为℃、m/min、℃和m/min；聚酯纤维的性能指标为断裂强度、伸长能力、倍半伸长率和伸长率不均率，单位分别为cN/detx、％、％和％。
如上所述的一种纺丝工序级联建模分段区间参数配置方法，预测段分别为无风区主体预测段、无风区误差预测段、吹风区主体预测段、吹风区误差预测段和自然冷却成形主体预测段；
无风区主体预测段的输入项为聚酯纤维的生产过程工艺参数取值区间，输出项为吹风区入口处聚酯纤维的材料结构取值区间；
无风区误差预测段的输入项为聚酯纤维的生产过程工艺参数取值区间和吹风区入口处聚酯纤维的材料结构取值区间，输出项为吹风区入口处聚酯纤维的材料结构误差取值区间；
吹风区主体预测段的输入项为吹风区入口加和取值区间以及聚酯纤维的生产过程工艺参数取值区间，输出项为吹风区出口处聚酯纤维的材料结构取值区间，吹风区入口加和取值区间的下界值和上界值分别为吹风区入口处聚酯纤维的材料结构取值区间与吹风区入口处聚酯纤维的材料结构误差取值区间下界值的加和和上界值的加和；
吹风区误差预测段的输入项为聚酯纤维的生产过程工艺参数取值区间和吹风区出口处聚酯纤维的材料结构取值区间，输出项为吹风区出口处聚酯纤维的材料结构误差取值区间；
自然冷却成形主体预测段的输入项为吹风区出口加和取值区间以及聚酯纤维的生产过程工艺参数取值区间，输出项为聚酯纤维的性能指标取值区间，吹风区出口加和取值区间的下界值和上界值分别为吹风区出口处聚酯纤维的材料结构取值区间与吹风区出口处聚酯纤维的材料结构误差取值区间下界值的加和和上界值的加和。
如上所述的一种纺丝工序级联建模分段区间参数配置方法，改进IRBFNN算法模型训练的终止条件为：训练误差精度≤0.001；各主体预测段对应的改进IRBFNN算法模型的训练过程为：在无风区主体预测段，分别以聚酯纤维的生产过程工艺参数取值区间和吹风区入口处聚酯纤维的材料结构取值区间对应的历史取值区间作为改进IRBFNN算法模型的输入项和输出项，不断调整改进IRBFNN算法模型的参数，直至其训练误差精度≤0.001；在吹风区主体预测段，以聚酯纤维的生产过程工艺参数取值区间和吹风区入口处聚酯纤维的材料结构取值区间对应的历史取值区间作为改进IRBFNN算法模型的输入项，以吹风区出口处聚酯纤维的材料结构取值区间对应的历史取值区间作为改进IRBFNN算法模型的输出项，不断调整改进IRBFNN算法模型的参数，直至其训练误差精度≤0.001；在自然冷却成形主体预测段，以聚酯纤维的生产过程工艺参数取值区间和吹风区出口处聚酯纤维的材料结构取值区间对应的历史取值区间作为改进IRBFNN算法模型的输入项，以聚酯纤维的性能指标取值区间作为改进IRBFNN算法模型的输出项，不断调整改进IRBFNN算法模型的参数，直至其训练误差精度≤0.001；
IPSO-ELM算法模型训练的终止条件为：训练误差精度≤0.0001或达到最大迭代次数,各误差预测段对应的IPSO-ELM算法模型的训练过程为：在无风区误差预测段，以聚酯纤维的生产过程工艺参数取值区间和吹风区入口处聚酯纤维的材料结构取值区间对应的历史取值区间作为IPSO-ELM算法模型的输入项，以无风区主体预测段预测得到的吹风区入口处的聚酯纤维的材料结构的预测数据与吹风区入口处聚酯纤维的材料结构取值区间对应的历史取值区间的差值的绝对值作为IPSO-ELM算法模型的输出项，不断调整IPSO-ELM算法模型的参数，直到训练误差精度≤0.0001或达到最大迭代次数；在吹风区误差预测段，以聚酯纤维的生产过程工艺参数取值区间和吹风区出口处聚酯纤维的材料结构取值区间对应的历史取值区间作为IPSO-ELM算法模型的输入项，以吹风区主体预测段预测得到的吹风区出口处聚酯纤维的材料结构取值区间的预测数据与吹风区出口处聚酯纤维的材料结构取值区间对应的历史取值区间的差值的绝对值作为IPSO-ELM算法模型的输出项，不断调整IPSO-ELM算法模型的参数，直到训练误差精度≤0.0001或达到最大迭代次数。
如上所述的一种纺丝工序级联建模分段区间参数配置方法，取值区间输入到算法模型前进行归一化处理，即对其上下界值进行归一化处理，取值区间从算法模型输出后进行反归一化处理，即对其上下界值进行反归一化处理，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界值和归一化处理后的界值，xmax和xmin分别代表待归一化处理的界值中的最大值和最小值；
反归一化处理的公式如下：
x＝xmin+(xmax-xmin)x-；
式中，x-和x分别为待反归一化处理的界值和反归一化处理后的界值，xmax和xmin分别代表待反归一化处理的界值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。
如上所述的一种纺丝工序级联建模分段区间参数配置方法，改进IRBFNN算法模型的训练步骤如下：
(1)采集历史取值区间，划分为训练集和测试集，训练集和测试集样本数量之和为80组，训练集与测试集的样本数量之比为3:1；
(2)对训练集和测试集中的所有历史取值区间进行归一化处理；
(3)采用归一化后的训练集训练改进IRBFNN算法模型，确定高斯函数为径向基函数；
(4)令x＝1；
(5)计算每个历史取值区间的密度值表，选择其中具有最高密度指标Dcx的历史取值区间Xcx作为聚类中心；
(6)确定第x个聚类中心，对每个历史取值区间的密度指标进行更新，寻找更新后的最高密度指标Dmax；
(7)将Dmax带入终止判据 的取值区间为(0,0.1)，对终止判据进行分析可知，当前最髙的密度值和初始的最高密度值之比很小时，也即当前聚类中心包含的区间数据较少时，则可忽略给聚类中心，并结束聚类，如果终止判据成立，拒绝具有最高密度指标的历史取值区间为聚类中心，进入步骤(8)；否则，接受具有最高密度指标的历史取值区间为第x个聚类中心，且令x＝x+1，返回步骤(6)；
(8)聚类结束，确定x-1个聚类中心，分别是K,
(9)计算并判断是否满足终止条件，满足则进入步骤(11)；反之，则进入步骤(10)；
(10)更新权重上下界，返回步骤(9)；
(11)得到训练好的改进IRBFNN算法模型。
如上所述的一种纺丝工序级联建模分段区间参数配置方法，改进IRBFNN算法的流程如下：
(1)利用聚类算法得到径向基函数的中心、宽度以及聚类个数；
(2)将聚类个数作为隐含层节点个数，构造网络模型结构；
(3)初始化隐含层到输出层偏置；
(4)计算网络输出以及误差；
(5)判断是否满足训练误差精度≤0.001，如果是，则进入步骤(6)；反之，则利用梯度下降法进行权值更新，进入步骤(4)；
(6)结束算法。
如上所述的一种纺丝工序级联建模分段区间参数配置方法，其特征在于，IPSO-ELM算法模型的训练步骤如下：
(1)采集历史取值区间，划分为训练集和测试集，训练集和测试集样本数量之和为2000组，训练集与测试集的样本数量之比为3:2；
(2)对训练集和测试集中的所有历史取值区间进行归一化处理；
(3)令当前迭代次数f＝1；
(4)采用训练集训练IPSO-ELM算法模型，得到IPSO-ELM算法模型的输入层与隐藏层之间的权值和阈值；
(5)计算训练误差精度；
(6)判断训练误差精度是否≤0.0001，如果是，则将输入层与隐藏层之间的权值和阈值代入IPSO-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IPSO-ELM算法模型，结束训练；反之，则令f＝f+1后，返回步骤(4)。
如上所述的一种纺丝工序级联建模分段区间参数配置方法，其特征在于，IPSO-ELM算法的流程如下：
(1)构建粒子群算法的适应度函数，以训练样本的均方差作为适应度值，表达公式如下：
其中，表示所建立神经网络的实际输出，表示所建立神经网络期望输出；
(2)选择适应度函数，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)初始化粒子种群，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，ELM的数学模型为：
其中，wo是连接第o个隐藏层节点和输入节点的连接权值向量，bo是第o个隐藏层节点的偏差向量，βo是连接第o个隐藏层节点和输出节点的权值向量，G(wo·x+bo)是第o个节点的输出；
按照下列公式确定β，并预估训练样本预测值；
β＝H+Y'；
其中，β表示隐含层和输出层的连接权值，H+表示隐含层的广义逆矩阵，Y'表示网络输出的转移矩阵；
(4)根据步骤(3)中训练样本预测值以及所构建的适应度函数计算每个粒子适应度值，并获取每个粒子的个体极值Pq和全局极值Pg，将全局极值Pg也设置为免疫记忆粒子，存入记忆库；
(5)更新粒子的速度和位置，并在群体中随机产生n个新粒子；
式中，q代表一个种群中的第q个粒子，t代表当前迭代次数，w为惯性权重系数，取值区间为[0.1,0.9]，代表粒子q在第t次迭代中d维粒子的速度，代表粒子q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q在第t次迭代中d维粒子的位置，代表代表粒子q在第t+1次迭代中d维粒子的位置；
(6)基于浓度和亲和度的综合粒子选择，根据下列公式计算新生成的s+n个粒子的选择概率，选择概率较大的n个粒子组成第k代粒子群Popk；
粒子xq的浓度定义如下：
式中，D(xq)表示粒子xq的浓度，xq和xj表示种群中的第q和第j个粒子，f(xq)和f(xj)分别表示粒子xq和xj的适应度函数，s和n表示种群中粒子的个数；
基于粒子浓度的选择概率公式定义如下：
式中，Pd(xq)表示基于浓度的粒子xq的选择概率，D(xq)表示粒子xq的浓度，xq和xj表示种群中的第q和第j个粒子，f(xq)和f(xj)分别表示粒子xq和xj的适应度函数，s和n表示种群中粒子的个数；
(7)粒子群更新，将记忆库中的免疫记忆粒子Pg替换粒子群Popk中适应值最低的粒子，形成新一代粒子群体Popk+1；
(8)迭代，判断循环次数是否达到500次，如果是，则进入步骤(9)；反之，则进入步骤(4)；
(9)计算最优的权值、阈值，得到优化后的IPSO-ELM算法模型。
如上所述的一种纺丝工序级联建模分段区间参数配置方法，改进IRBFNN核函数为高斯函数，ELM网络的激活函数为sigmoid函数，m、n、S、Tmax、w、c1、c2、N、η、λ的取值范围分别为：10～30、10～30、20、500、0～1、0～2、0～2、1800、0.6、0.8，粒子速度的取值区间为[-5,5]，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。
有益效果：
(1)本发明的一种纺丝工序级联建模分段区间参数配置方法，得到的参数配置方法稳定性好、精度高且泛化能力强，使用其参数配置方法进行生产后制得产品的材料结构与实际测量结果相差不大，并且预测的物性指标与实际性能指标差别不大，其对实际的聚酯纤维生产过程有着极大的参考意义；
(2)本发明的一种纺丝工序级联建模分段区间参数配置方法，在纺丝阶段利用各参数的区间数据形式，建立的模型更符合实际情况，更具有实用性；
(3)本发明的一种纺丝工序级联建模分段区间参数配置方法，使用过程简单、耗时较短、成本低廉、极具应用前景。
附图说明
图1为改进IRBFNN算法的流程图；
图2为IPSO-ELM算法的流程图；
图3为本发明的一种纺丝工序级联建模分段区间参数配置方法局部图；
图4为改进IRBFNN算法模型与IRBFNN算法模型预测得到的吹风区入口处聚酯纤维取向度的对比图；
图5为改进IRBFNN算法模型与IRBFNN算法模型预测得到的吹风区入口处聚酯纤维张力的对比图；
图6为改进IRBFNN算法模型与IRBFNN算法模型预测得到的吹风区入口处聚酯纤维丝条半径的对比图；
图7为改进IRBFNN算法模型与IRBFNN算法模型预测得到的吹风区入口处聚酯纤维丝条速度的对比图；
图8为有误差补偿的预测段与无误差补偿的预测段预测得到的吹风区出口处聚酯纤维取向度的对比图；
图9为有误差补偿的预测段与无误差补偿的预测段预测得到的吹风区出口处聚酯纤维张力的对比图；
图10为有误差补偿的预测段与无误差补偿的预测段预测得到的吹风区出口处聚酯纤维丝条半径的对比图；
图11为有误差补偿的预测段与无误差补偿的预测段预测得到的吹风区出口处聚酯纤维丝条速度的对比图。
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。
一种纺丝工序级联建模分段区间参数配置方法，如图3所示，步骤如下：
(1)按聚酯纤维纺丝工序将聚酯纤维生产过程分为多个主体预测段A1～Am，在主体预测段Ai与Ai+1之间增设误差预测段Bi，i＝1,2,3...m-1；预测段分别为无风区主体预测段(A1)、无风区误差预测段(B1)、吹风区主体预测段(A2)、吹风区误差预测段(B2)和自然冷却成形主体预测段(A3)，无风区主体预测段的输入项为聚酯纤维的生产过程工艺参数取值区间，输出项为吹风区入口处聚酯纤维的材料结构取值区间，无风区误差预测段的输入项为聚酯纤维的生产过程工艺参数取值区间和吹风区入口处聚酯纤维的材料结构取值区间，输出项为吹风区入口处聚酯纤维的材料结构误差取值区间，吹风区主体预测段的输入项为吹风区入口加和取值区间以及聚酯纤维的生产过程工艺参数取值区间，吹风区入口加和取值区间的下界值和上界值分别为吹风区入口处聚酯纤维的材料结构取值区间与吹风区入口处聚酯纤维的材料结构误差取值区间下界值的加和和上界值的加和，输出项为吹风区出口处聚酯纤维的材料结构取值区间，吹风区误差预测段的输入项为聚酯纤维的生产过程工艺参数取值区间和吹风区出口处聚酯纤维的材料结构取值区间，输出项为吹风区出口处聚酯纤维的材料结构误差取值区间，自然冷却成形主体预测段的输入项为吹风区出口加和取值区间以及聚酯纤维的生产过程工艺参数取值区间，吹风区出口加和取值区间的下界值和上界值分别为吹风区出口处聚酯纤维的材料结构取值区间与吹风区出口处聚酯纤维的材料结构误差取值区间下界值的加和和上界值的加和，输出项为聚酯纤维的性能指标取值区间；
(2)采集历史取值区间，历史取值区间即在历史生产过程中采集的取值区间，其中，加和取值区间对应的历史取值区间为主体预测段Ai-1的输出项对应的历史取值区间，误差预测段Bi的输出项对应的历史取值区间为相减取值区间，相减取值区间的下界值和上界值分别为预测取值区间与主体预测段Ai的输出项对应的历史取值区间下界值差的绝对值和上界值差的绝对值，预测取值区间为将主体预测段Ai的输入项对应的历史取值区间输入到训练好的改进IRBFNN算法模型由其输出的取值区间；
(3)建立改进IRBFNN算法模型；
改进IRBFNN算法为改进的IRBFNN算法，改进之处在于IRBFNN算法中将梯度动量因子引入到IRBFNN的权重上下界更新中；
改进IRBFNN算法的权重下界更新公式为：
权重上界更新公式为：
式中，和分别表示权重上界和权重下界的梯度动量项，bU(α)和bL(α)分别表示权重上界和权重下界的梯度动量因子， 分别表示t时下界的权重、α时上界的权重、α-1时下界的权重、α-1时上界的权重、α-2时下界的权重、α-2时上界的权重，和分别表示权重下界和权重上界的修正式，和分别为输出层第k个节点的第p个样本对应的权重下界期望输出和权重上界期望输出，和分别为输出层第k个节点的第p个样本对应的权重下界网络输出和权重上界网络输出，gj(X)是隐含层第j节点输出，λ为正常数，用于调整梯度动量因子的大小，使得梯度动量因子在区间[0,1]内取值，η为正常数，用于更新权重，取值区间为(0,1)；
如图1所示，改进IRBFNN算法的流程如下：
(3.1)利用聚类算法得到径向基函数的中心、宽度以及聚类个数；
(3.2)将聚类个数作为隐含层节点个数，构造网络模型结构；
(3.3)初始化隐含层到输出层偏置；
(3.4)计算网络输出以及误差；
(3.5)判断是否满足训练误差精度≤0.001，如果是，则进入步骤(3.6)；反之，则利用梯度下降法进行权值更新，进入步骤(3.4)；
(3.6)结束算法；
(4)训练改进IRBFNN算法模型；
各主体预测段对应的改进IRBFNN算法模型的训练过程为：在无风区主体预测段，分别以聚酯纤维的生产过程工艺参数取值区间和吹风区入口处聚酯纤维的材料结构取值区间对应的历史区间数据作为改进IRBFNN算法模型的输入项和输出项，不断调整改进改进IRBFNN算法模型的参数，直至其训练误差精度≤0.001；在吹风区主体预测段，以聚酯纤维的生产过程工艺参数取值区间和吹风区入口处聚酯纤维的材料结构取值区间对应的历史区间数据作为改进IRBFNN算法模型的输入项，以吹风区出口处聚酯纤维的材料结构取值区间对应的历史区间数据作为改进IRBFNN算法模型的输出项，不断调整改进改进IRBFNN算法模型的参数，直至其训练误差精度≤0.001；在自然冷却成形主体预测段，以聚酯纤维的生产过程工艺参数取值区间和吹风区出口处聚酯纤维的材料结构取值区间对应的历史区间数据作为改进IRBFNN算法模型的输入项，以聚酯纤维的性能指标取值区间作为改进改进IRBFNN算法模型的输出项，不断调整改进IRBFNN算法模型的参数，直至其训练误差精度≤0.001；
取值区间输入到算法模型前进行归一化处理，即对其上下界值进行归一化处理，取值区间从算法模型输出后进行反归一化处理，即对其上下界值进行反归一化处理，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界值和归一化处理后的界值，xmax和xmin分别代表待归一化处理的界值中的最大值和最小值；
反归一化处理的公式如下：
x＝xmin+(xmax-xmin)x-
式中，x-和x分别为待反归一化处理的界值和反归一化处理后的界值，xmax和xmin分别代表待反归一化处理的界值中的最大值和最小值；
具体步骤如下：
(4.1)采集历史取值区间，划分为训练集和测试集，训练集和测试集样本数量之和为80组，训练集与测试集的样本数量之比为3:1；
(4.2)对训练集和测试集中的所有历史取值区间进行归一化处理；
(4.3)采用归一化后的训练集训练改进IRBFNN算法模型，确定高斯函数为径向基函数；
(4.4)令x＝1；
(4.5)计算每个历史取值区间的密度值表，选择其中具有最高密度指标Dcx的历史取值区间Xcx作为聚类中心；
(4.6)确定第x个聚类中心，对每个历史取值区间的密度指标进行更新，寻找更新后的最高密度指标Dmax；
(4.7)将Dmax带入终止判据 的取值区间为(0,0.1)，如果终止判据成立，拒绝具有最高密度指标的历史取值区间为聚类中心，进入步骤(4.8)；否则，接受具有最高密度指标的历史取值区间为第x个聚类中心，且令x＝x+1，返回步骤(4.6)；
(4.8)聚类结束，确定x-1个聚类中心，分别是K,
(4.9)计算并判断是否满足终止条件，满足则进入步骤(4.11)；反之，则进入步骤(4.10)；
(4.10)更新权重上下界，返回步骤(4.9)；
(4.11)得到训练好的改进IRBFNN算法模型；
(5)建立IPSO-ELM算法模型；如图2所示，IPSO-ELM算法的流程如下：
(5.1)构建粒子群算法的适应度函数，以训练样本的均方差作为适应度值，表达公式如下：
其中，表示所建立神经网络的实际输出，表示所建立神经网络期望输出；
(5.2)选择适应度函数，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，ELM网络的激活函数为sigmoid函数，m、n、S、Tmax、w、c1、c2和N的取值范围分别为：10～30、10～30、20、500、0～1、0～2、0～2和1800，粒子速度的取值区间为[-5,5]，粒子位置的取值区间为[-1,1]，spread取值为[0,1]；
(5.3)初始化粒子种群，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，ELM的数学模型为：
其中，wo是连接第o个隐藏层节点和输入节点的连接权值向量，bo是第o个隐藏层节点的偏差向量，βo是连接第o个隐藏层节点和输出节点的权值向量，G(wo·x+bo)是第o个节点的输出；
按照下列公式确定β，并预估训练样本预测值；
β＝H+Y'
其中，β表示隐含层和输出层的连接权值，H+表示隐含层的广义逆矩阵，Y'表示网络输出的转移矩阵；
(5.4)根据步骤(5.3)中训练样本预测值以及所构建的适应度函数计算每个粒子适应度值，并获取每个粒子的个体极值Pq和全局极值Pg，将全局极值Pg也设置为免疫记忆粒子，存入记忆库；
(5.5)更新粒子的速度和位置，并在群体中随机产生n个新粒子；
式中，q代表一个种群中的第q个粒子，t代表当前迭代次数，w为惯性权重、代表粒子q在第t次迭代中d维粒子的速度，代表粒子q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q在第t次迭代中d维粒子的位置，代表代表粒子q在第t+1次迭代中d维粒子的位置；
(5.6)基于浓度的综合粒子选择，根据下列公式计算新生成的s+n个粒子的选择概率，选择概率较大的n个粒子组成第k代粒子群Popk；
粒子xi的浓度定义如下：
式中，D(xq)表示粒子xq的浓度，xq和xj表示种群中的第q和第j个粒子，f(xq)和f(xj)分别表示粒子xq和xj的适应度函数，s和n表示种群中粒子的个数；
基于粒子浓度的选择概率公式定义如下：
式中，Pd(xq)表示基于浓度的粒子xq的选择概率，D(xq)表示粒子xq的浓度，xq和xj表示种群中的第i和第j个粒子，f(xq)和f(xj)分别表示粒子xq和xj的适应度函数，s和n表示种群中粒子的个数；
(5.7)粒子群更新，将记忆库中的免疫记忆粒子Pg替换粒子群Popk中适应值较差的粒子，形成新一代粒子群体Popk+1；
(5.8)迭代，判断循环次数是否达到500次，如果是，则进入步骤(5.9)；反之，则进入步骤(5.4)；
(5.9)计算最优的权值、阈值，得到优化后的IPSO-ELM算法模型。
(6)训练IPSO-ELM算法模型；
各误差预测段对应的IPSO-ELM算法模型的训练过程为：在无风区误差预测段，以聚酯纤维的生产过程工艺参数取值区间和吹风区入口处聚酯纤维的材料结构上下界对应的历史取值区间作为IPSO-ELM算法模型的输入项，以无风区主体预测段预测得到的吹风区入口处的聚酯纤维的材料结构上下界的预测数据与吹风区入口处聚酯纤维的材料结构上下界对应的历史取值区间的差值的绝对值作为IPSO-ELM算法模型的输出项，不断调整IPSO-ELM算法模型的参数，直至其训练误差精度≤0.0001或达到最大迭代次数；在吹风区误差预测段，以聚酯纤维的生产过程工艺参数上下界和吹风区出口处聚酯纤维的材料结构上下界对应的历史取值区间作为IPSO-ELM算法模型的输入项，以吹风区主体预测段预测得到的吹风区出口处聚酯纤维的材料结构上下界的预测数据与吹风区出口处聚酯纤维的材料结构上下界对应的历史取值区间的差值的绝对值作为IPSO-ELM算法模型的输出项，不断调整IPSO-ELM算法模型的参数，直至其训练误差精度≤0.0001或达到最大迭代次数数据输入到算法模型前进行归一化处理，数据从算法模型输出后进行反归一化处理，公式同上；
具体步骤如下：
(6.1)采集历史取值区间，划分为训练集和测试集，训练集和测试集样本数量之和为2000组，训练集与测试集的样本数量之比为3:2；
(6.2)对训练集和测试集中的所有历史取值区间进行归一化处理；
(6.3)令当前迭代次数f＝1；
(6.4)采用训练集训练IPSO-ELM算法模型，得到IPSO-ELM算法模型的输入层与隐藏层之间的权值和阈值；
(6.5)计算训练误差精度；
(6.6)判断训练误差精度是否≤0.0001，如果是，则将输入层与隐藏层之间的权值和阈值代入IPSO-ELM算法模型，结束训练；反之，则进入下一步；
(6.7)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IPSO-ELM算法模型，结束训练；反之，则令f＝f+1后，返回步骤(6.4)；
(7)随机生成多组聚酯纤维纺丝工序分段参数后，预测各组对应的聚酯纤维的性能指标；
(8)根据聚酯纤维的性能指标挑选出一组聚酯纤维纺丝工序分段参数后，按其进行配置。
经验证，本发明的一种纺丝工序级联建模分段区间参数配置方法，得到的预测方法稳定性好、精度高且泛化能力强，使用其预测方法进行生产后发现制得产品的材料结构与实际测量结果相差不大，并且预测的物性指标与实际性能指标差别不大，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。
下面将结合具体试验数据说明本发明的优点：
本发明的无风区主体预测段A1(即从距离喷丝板最近的位置至吹风区入口的区段)预测得到的吹风区入口处聚酯纤维的材料结构(张力、取向度、直径和丝条速度)取值区间、对比无风区主体预测段预测得到的吹风区入口处聚酯纤维的材料结构(张力、取向度、直径和丝条速度)取值区间以及吹风区入口处聚酯纤维的材料结构(张力、取向度、直径和丝条速度)取值区间的真实值如图4～7所示，其中，对比无风区主体预测段与本发明的无风区主体预测段基本相同，区别之处在于其对应的算法模型为IRBFNN算法模型，IRBFNN算法模型与本发明的改进IRBFNN算法模型的区别之处在于其将梯度动量因子引入到IRBFNN的上下界权重更新中。考虑到每次迭代的系统误差，因此在迭代早期动量因子数值较大加快了系统收敛，迭代后期动量因子数值较小会改善系统性能。
实验结果的评价指标选用上界均方根误差(RMSEU)、下界均方根误差(RMSEL)、上界平均绝对误差(MAEU)、下界平均绝对误差(MAEL)等用于评价误差的指标函数来对本文用到的改进IRBFNN算法和基于误差补偿的分段预测模型的精准性进行分析：
其中，改进IRBFNN算法模型和IRBFNN算法模型预测得到吹风区入口处聚酯纤维取向度的上界均方根误差分别为：5.61e-05、5.85e-05，下界均方根误差分别为：5.44e-05、5.60e-05，上界平均绝对误差分别为：4.22e-05、4.35e-05，下界平均绝对误差分别为：4.65e-05、4.89e-05；
吹风区入口处聚酯纤维速度的上界均方根误差分别为：7.1768、7.3897，下界均方根误差分别为：7.7852、7.8384，上界平均绝对误差分别为：6.9343、7.1732，下界平均绝对误差分别为：7.4531、7.6554；
吹风区入口处聚酯纤维丝条半径的上界均方根误差分别为：4.81e-06、5.20e-06，下界均方根误差分别为：6.82e-06、6.50e-06，上界平均绝对误差分别为：4.53e-06、4.76e-06，下界平均绝对误差分别为：6.16e-06、6.07e-06；
吹风区入口处聚酯纤维张力的上界均方根误差分别为：0.4653、0.4812，下界均方根误差分别为：0.6537、0.6709，上界平均绝对误差分别为：0.4227、0.4463，下界平均绝对误差分别为：0.5848、0.6134。
从比较结果中可以看出改进IRBFNN算法模型相较于IRBFNN算法模型可以减小均方误差提高拟合优度，进一步提高参数配置的准确性。
本发明的吹风区主体预测段A2(即从吹风区入口至吹风区出口的区段)预测得到的吹风区出口处聚酯纤维的材料结构(张力、取向度、直径和丝条速度)取值区间、对比吹风区主体预测段预测得到的吹风区出口处聚酯纤维的材料结构(张力、取向度、直径和丝条速度)取值区间以及吹风区出口处聚酯纤维的材料结构(张力、取向度、直径和丝条速度)的真实取值区间如图8～11所示，其中，对比无风区主体预测段与本发明的无风区主体预测段基本相同，区别之处在于其输入项为聚酯纤维的材料结构取值区间和聚酯纤维的生产过程工艺参数取值区间，本发明的输入项为吹风区入口处聚酯纤维的材料结构上下界值与吹风区入口处聚酯纤维的材料结构上下界误差的加和组成的取值区间以及聚酯纤维的生产过程工艺参数取值区间；
其中，有误差补偿的预测段和无误差补偿的预测段预测得到吹风区出口处聚酯纤维取向度的上界均方根误差分别为：5.842e-05、6.512e-05，下界均方根误差分别为：6.635e-05、7.284e-05，上界平均绝对误差分别为：5.859e-05、6.439e-05，下界平均绝对误差分别为：6.953e-05、7.538e-05；
有误差补偿的预测段和无误差补偿的预测段预测得到吹风区出口处聚酯纤维速度的上界均方根误差分别为：12.629、14.137，下界均方根误差分别为：7.824、9.320，上界平均绝对误差分别为：13.247、14.610，下界平均绝对误差分别为：7.012、9.113；
有误差补偿的预测段和无误差补偿的预测段预测得到吹风区出口处聚酯纤维丝条半径的上界均方根误差分别为：4.169e-06、4.501e-06，下界均方根误差分别为：1.288e-06、1.475e-06，上界平均绝对误差分别为：3.472e-06、4.001e-06，下界平均绝对误差分别为：1.071e-06、1.442e-06；
有误差补偿的预测段和无误差补偿的预测段预测得到吹风区入口处聚酯纤维张力的上界均方根误差分别为：0.523、0.643，下界均方根误差分别为：0.245、0.328，上界平均绝对误差分别为：0.584、0.673，下界平均绝对误差分别为：0.323、0.386。
从比较结果中可以看出本发明的基于误差补偿的参数配置方式相较于无误差补偿的参数配置方式可以减少预测累积误差的产生，进一步提高预测的准确性。
Claims (10)
1.一种纺丝工序级联建模分段区间参数配置方法，其特征是：随机生成多组聚酯纤维纺丝工序分段参数取值区间后，预测各组对应的聚酯纤维的性能指标取值区间，再根据聚酯纤维的性能指标取值区间挑选出一组聚酯纤维纺丝工序分段参数取值区间后，按其进行配置；
预测前按聚酯纤维纺丝工序将聚酯纤维生产过程分为多个主体预测段A1～Am，在主体预测段Ai与Ai+1之间增设误差预测段Bi，i＝1,2,3...m-1，确定各预测段对应的训练好的算法模型；
整个预测过程为各个预测段顺序预测的过程，各个预测段预测的过程即将其对应的输入项输入到其对应的训练好的算法模型由其输出得到输出项的过程，其中，后一预测段的输入项包含前一预测段的输出项；
i＝1时，主体预测段Ai的输入项为聚酯纤维的生产过程工艺参数取值区间；i>1时，主体预测段Ai的输入项为加和取值区间以及聚酯纤维的生产过程工艺参数取值区间；主体预测段Am的输出项为聚酯纤维的性能指标取值区间，主体预测段A1～Am-1的输出项为聚酯纤维的材料结构取值区间；误差预测段Bi的输入项为聚酯纤维的生产过程工艺参数取值区间和主体预测段Ai的输出项，误差预测段Bi的输出项为聚酯纤维的材料结构误差取值区间，加和取值区间的下界值和上界值分别为主体预测段Ai-1的输出项与误差预测段Bi-1的输出项下界值的加和和上界值的加和；
主体预测段对应的算法模型为改进IRBFNN算法模型，误差预测段对应的算法模型为IPSO-ELM算法模型；
各预测段对应的算法模型的训练过程即以各预测段的输入项和输出项对应的历史取值区间作为算法模型的输入项和输出项，不断调整算法模型的参数，直至达到终止条件的过程；
历史取值区间即在历史生产过程中采集的取值区间，其中，加和取值区间对应的历史取值区间为主体预测段Ai-1的输出项对应的历史取值区间，误差预测段Bi的输出项对应的历史取值区间为相减取值区间，相减取值区间的下界值和上界值分别为预测取值区间与主体预测段Ai的输出项对应的历史取值区间下界值差的绝对值和上界值差的绝对值，预测取值区间为将主体预测段Ai的输入项对应的历史取值区间输入到训练好的改进IRBFNN算法模型由其输出的取值区间；
改进IRBFNN算法为改进的IRBFNN算法，改进之处在于IRBFNN算法中将梯度动量因子引入到IRBFNN的权重上下界更新中，改进IRBFNN算法的权重下界更新公式为：
权重上界更新公式为：
式中，和分别表示权重上界和权重下界的梯度动量项，bU(α)和bL(α)分别表示权重上界和权重下界的梯度动量因子， 分别表示t时下界的权重、α时上界的权重、α-1时下界的权重、α-1时上界的权重、α-2时下界的权重、α-2时上界的权重，和分别表示权重下界和权重上界的修正式，和分别为输出层第k个节点的第p个样本对应的权重下界期望输出和权重上界期望输出，和分别为输出层第k个节点的第p个样本对应的权重下界网络输出和权重上界网络输出，gj(X)是隐含层第j节点输出，λ为正常数，用于调整梯度动量因子的大小，使得梯度动量因子在区间[0,1]内取值，η为正常数，用于更新权重，取值区间为(0,1)。
2.根据权利要求1所述的一种纺丝工序级联建模分段区间参数配置方法，其特征在于，聚酯纤维的材料结构为张力、取向度、直径和丝条速度，单位分别为cN、Δn、μm和m/min；聚酯纤维的生产过程工艺参数为纺丝温度、纺丝速度、吹风温度和吹风速度，单位分别为℃、m/min、℃和m/min；聚酯纤维的性能指标为断裂强度、伸长能力、倍半伸长率和伸长率不均率，单位分别为cN/detx、％、％和％。
3.根据权利要求1所述的一种纺丝工序级联建模分段区间参数配置方法，其特征在于，预测段分别为无风区主体预测段、无风区误差预测段、吹风区主体预测段、吹风区误差预测段和自然冷却成形主体预测段；
无风区主体预测段的输入项为聚酯纤维的生产过程工艺参数取值区间，输出项为吹风区入口处聚酯纤维的材料结构取值区间；
无风区误差预测段的输入项为聚酯纤维的生产过程工艺参数取值区间和吹风区入口处聚酯纤维的材料结构取值区间，输出项为吹风区入口处聚酯纤维的材料结构误差取值区间；
吹风区主体预测段的输入项为吹风区入口加和取值区间以及聚酯纤维的生产过程工艺参数取值区间，输出项为吹风区出口处聚酯纤维的材料结构取值区间，吹风区入口加和取值区间的下界值和上界值分别为吹风区入口处聚酯纤维的材料结构取值区间与吹风区入口处聚酯纤维的材料结构误差取值区间下界值的加和和上界值的加和；
吹风区误差预测段的输入项为聚酯纤维的生产过程工艺参数取值区间和吹风区出口处聚酯纤维的材料结构取值区间，输出项为吹风区出口处聚酯纤维的材料结构误差取值区间；
自然冷却成形主体预测段的输入项为吹风区出口加和取值区间以及聚酯纤维的生产过程工艺参数取值区间，输出项为聚酯纤维的性能指标取值区间，吹风区出口加和取值区间的下界值和上界值分别为吹风区出口处聚酯纤维的材料结构取值区间与吹风区出口处聚酯纤维的材料结构误差取值区间下界值的加和和上界值的加和。
4.根据权利要求3所述的一种纺丝工序级联建模分段区间参数配置方法，其特征在于，改进IRBFNN算法模型训练的终止条件为：训练误差精度≤0.001；IPSO-ELM算法模型训练的终止条件为：训练误差精度≤0.0001或达到最大迭代次数。
5.根据权利要求4所述的一种纺丝工序级联建模分段区间参数配置方法，其特征在于，取值区间输入到算法模型前进行归一化处理，即对其上下界值进行归一化处理，取值区间从算法模型输出后进行反归一化处理，即对其上下界值进行反归一化处理，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界值和归一化处理后的界值，xmax和xmin分别代表待归一化处理的界值中的最大值和最小值；
反归一化处理的公式如下：
x＝xmin+(xmax-xmin)x-；
6.
式中，x-和x分别为待反归一化处理的界值和反归一化处理后的界值，xmax和xmin分别代表待反归一化处理的界值中的最大值和最小值。
6.根据权利要求5所述的一种纺丝工序级联建模分段区间参数配置方法，其特征在于，改进IRBFNN算法模型的训练步骤如下：
(1)采集历史取值区间，划分为训练集和测试集，训练集和测试集样本数量之和为80组，训练集与测试集的样本数量之比为3:1；
(2)对训练集和测试集中的所有历史取值区间进行归一化处理；
(3)采用归一化后的训练集训练改进IRBFNN算法模型，确定高斯函数为径向基函数；
(4)令x＝1；
(5)计算每个历史取值区间的密度值表，选择其中具有最高密度指标Dcx的历史取值区间Xcx作为聚类中心；
(6)确定第x个聚类中心，对每个历史取值区间的密度指标进行更新，寻找更新后的最高密度指标Dmax；
(7)将Dmax带入终止判据θ的取值区间为(0,0.1)，如果终止判据成立，拒绝具有最高密度指标的历史取值区间为聚类中心，进入步骤(8)；否则，接受具有最高密度指标的历史取值区间为第x个聚类中心，且令x＝x+1，返回步骤(6)；
(8)聚类结束，确定x-1个聚类中心，分别是
(9)计算并判断是否满足终止条件，满足则进入步骤(11)；反之，则进入步骤(10)；
(10)更新权重上下界，返回步骤(9)；
(11)得到训练好的改进IRBFNN算法模型。
7.根据权利要求6所述的一种纺丝工序级联建模分段区间参数配置方法，其特征在于，改进IRBFNN算法的流程如下：
(1)利用聚类算法得到径向基函数的中心、宽度以及聚类个数；
(2)将聚类个数作为隐含层节点个数，构造网络模型结构；
(3)初始化隐含层到输出层偏置；
(4)计算网络输出以及误差；
(5)判断是否满足训练误差精度≤0.001，如果是，则进入步骤(6)；反之，则利用梯度下降法进行权值更新，进入步骤(4)；
(6)结束算法。
8.根据权利要求5所述的一种纺丝工序级联建模分段区间参数配置方法，其特征在于，IPSO-ELM算法模型的训练步骤如下：
(1)采集历史取值区间，划分为训练集和测试集，训练集和测试集样本数量之和为2000组，训练集与测试集的样本数量之比为3:2；
(2)对训练集和测试集中的所有历史取值区间进行归一化处理；
(3)令当前迭代次数f＝1；
(4)采用训练集训练IPSO-ELM算法模型，得到IPSO-ELM算法模型的输入层与隐藏层之间的权值和阈值；
(5)计算训练误差精度；
(6)判断训练误差精度是否≤0.0001，如果是，则将输入层与隐藏层之间的权值和阈值代入IPSO-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IPSO-ELM算法模型，结束训练；反之，则令f＝f+1后，返回步骤(4)。
9.根据权利要求8所述的一种纺丝工序级联建模分段区间参数配置方法，其特征在于，IPSO-ELM算法的流程如下：
(1)构建粒子群算法的适应度函数，以训练样本的均方差作为适应度值，表达公式如下：
其中，表示所建立神经网络的实际输出，表示所建立神经网络期望输出；
(2)选择适应度函数，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)初始化粒子种群，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，ELM的数学模型为：
其中，wo是连接第o个隐藏层节点和输入节点的连接权值向量，bo是第o个隐藏层节点的偏差向量，βo是连接第o个隐藏层节点和输出节点的权值向量，G(wo·x+bo)是第o个节点的输出；
按照下列公式确定β，并预估训练样本预测值；
β＝H+Y'；
其中，β表示隐含层和输出层的连接权值，H+表示隐含层的广义逆矩阵，Y'表示网络输出的转移矩阵；
(4)根据步骤(3)中训练样本预测值以及所构建的适应度函数计算每个粒子适应度值，并获取每个粒子的个体极值Pq和全局极值Pg，将全局极值Pg也设置为免疫记忆粒子，存入记忆库；
(5)更新粒子的速度和位置，并在群体中随机产生n个新粒子；
式中，q代表一个种群中的第q个粒子，t代表当前迭代次数，w为惯性权重系数，取值区间为[0.1,0.9]，代表粒子q在第t次迭代中d维粒子的速度，代表粒子q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q在第t次迭代中d维粒子的位置，代表代表粒子q在第t+1次迭代中d维粒子的位置；
(6)基于浓度和亲和度的综合粒子选择，根据下列公式计算新生成的s+n个粒子的选择概率，选择概率较大的n个粒子组成第k代粒子群Popk；
粒子xq的浓度定义如下：
式中，D(xq)表示粒子xq的浓度，xq和xj表示种群中的第q和第j个粒子，f(xq)和f(xj)分别表示粒子xq和xj的适应度函数，s和n表示种群中粒子的个数；
基于粒子浓度的选择概率公式定义如下：
式中，Pd(xq)表示基于浓度的粒子xq的选择概率，D(xq)表示粒子xq的浓度，xq和xj表示种群中的第q和第j个粒子，f(xq)和f(xj)分别表示粒子xq和xj的适应度函数，s和n表示种群中粒子的个数；
(7)粒子群更新，将记忆库中的免疫记忆粒子Pg替换粒子群Popk中适应值最低的粒子，形成新一代粒子群体Popk+1；
(8)迭代，判断循环次数是否达到500次，如果是，则进入步骤(9)；反之，则进入步骤(4)；
(9)计算最优的权值、阈值，得到优化后的IPSO-ELM算法模型。
10.根据权利要求9所述的一种纺丝工序级联建模分段区间参数配置方法，其特征在于，ELM网络的激活函数为sigmoid函数，ε、m、n、S、s、Tmax、w、c1、c2和N的取值范围分别为：0.0001、10～30、10～30、20、10～30、500、0～1、0～2、0～2和1800，粒子速度的取值区间为[-5,5]，粒子位置的取值区间为[-1,1]。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910434512.1A CN110263380B (zh) | 2019-05-23 | 2019-05-23 | 一种纺丝工序级联建模分段区间参数配置方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910434512.1A CN110263380B (zh) | 2019-05-23 | 2019-05-23 | 一种纺丝工序级联建模分段区间参数配置方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110263380A true CN110263380A (zh) | 2019-09-20 |
| CN110263380B CN110263380B (zh) | 2020-11-24 |
Family
ID=67915180
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910434512.1A Expired - Fee Related CN110263380B (zh) | 2019-05-23 | 2019-05-23 | 一种纺丝工序级联建模分段区间参数配置方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110263380B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112270484A (zh) * | 2020-11-03 | 2021-01-26 | 成金梅 | 基于化妆品生产过程的业务数据处理方法及人工智能中心 |
| WO2023020257A1 (zh) * | 2021-08-17 | 2023-02-23 | 北京沃东天骏信息技术有限公司 | 数据预测方法、装置及存储介质 |
| CN117763977A (zh) * | 2024-02-22 | 2024-03-26 | 江苏嘉通能源有限公司 | 一种基于主成分分析的涤纶长丝生产故障预测方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080222067A1 (en) * | 2007-03-07 | 2008-09-11 | National Taiwan University Of Science And Technology | Prediction method of near field photolithography line fabrication using by the combination of taguchi method and neural network |
| US20150112649A1 (en) * | 2013-10-18 | 2015-04-23 | International Business Machines Corporation | Clustering Lithographic Hotspots Based on Frequency Domain Encoding |
| CN105241665A (zh) * | 2015-09-06 | 2016-01-13 | 南京航空航天大学 | 一种基于IRBFNN-AdaBoost分类器的滚动轴承故障诊断方法 |
| CN106338283A (zh) * | 2016-09-27 | 2017-01-18 | 哈尔滨工程大学 | 一种高精度干涉式光纤陀螺仪温漂误差模型优化方法 |
| CN107563518A (zh) * | 2017-09-12 | 2018-01-09 | 太原理工大学 | 一种基于社会力模型群优化算法的极限学习机的学习方法 |
| US20180130355A1 (en) * | 2016-11-08 | 2018-05-10 | Nec Laboratories America, Inc. | Advanced driver-assistance system with landmark localization on objects in images using convolutional neural networks |
| CN108345219A (zh) * | 2018-03-01 | 2018-07-31 | 东华大学 | 基于类脑记忆gru的聚酰胺纤维生产工艺 |
| 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 |
| CN109740856A (zh) * | 2018-12-07 | 2019-05-10 | 浙江恒逸集团有限公司 | 一种基于单锭数据流的聚酯纤维生产管理系统的建模方法 |
| CN109766989A (zh) * | 2018-12-05 | 2019-05-17 | 东华大学 | 一种聚酯纤维生产过程工艺参数的智能配置方法 |
-
2019
- 2019-05-23 CN CN201910434512.1A patent/CN110263380B/zh not_active Expired - Fee Related
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080222067A1 (en) * | 2007-03-07 | 2008-09-11 | National Taiwan University Of Science And Technology | Prediction method of near field photolithography line fabrication using by the combination of taguchi method and neural network |
| US20150112649A1 (en) * | 2013-10-18 | 2015-04-23 | International Business Machines Corporation | Clustering Lithographic Hotspots Based on Frequency Domain Encoding |
| CN105241665A (zh) * | 2015-09-06 | 2016-01-13 | 南京航空航天大学 | 一种基于IRBFNN-AdaBoost分类器的滚动轴承故障诊断方法 |
| CN106338283A (zh) * | 2016-09-27 | 2017-01-18 | 哈尔滨工程大学 | 一种高精度干涉式光纤陀螺仪温漂误差模型优化方法 |
| US20180130355A1 (en) * | 2016-11-08 | 2018-05-10 | Nec Laboratories America, Inc. | Advanced driver-assistance system with landmark localization on objects in images using convolutional neural networks |
| CN107563518A (zh) * | 2017-09-12 | 2018-01-09 | 太原理工大学 | 一种基于社会力模型群优化算法的极限学习机的学习方法 |
| CN108345219A (zh) * | 2018-03-01 | 2018-07-31 | 东华大学 | 基于类脑记忆gru的聚酰胺纤维生产工艺 |
| 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 |
| CN109766989A (zh) * | 2018-12-05 | 2019-05-17 | 东华大学 | 一种聚酯纤维生产过程工艺参数的智能配置方法 |
| CN109740856A (zh) * | 2018-12-07 | 2019-05-10 | 浙江恒逸集团有限公司 | 一种基于单锭数据流的聚酯纤维生产管理系统的建模方法 |
Non-Patent Citations (3)
| Title |
|---|
| DAIVA ZELENIAKIENE 等: "Analytical model of laminar composites having fibre reinforced polyester faces and a polypropylene honeycomb core;experimental testing of the model", 《PROCEEDINGS OF THE ESTONIA ACADEMY OF SCIENCE》 * |
| 周明: "聚酯纤维纺丝过程的数据驱动控制与智能优化", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
| 江拂菠 等: "《基于神经网络的混合非线性电阻率反演成像》", 31 October 2015, 中南大学出版社 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112270484A (zh) * | 2020-11-03 | 2021-01-26 | 成金梅 | 基于化妆品生产过程的业务数据处理方法及人工智能中心 |
| CN112270484B (zh) * | 2020-11-03 | 2022-01-18 | 成金梅 | 基于化妆品生产过程的业务数据处理方法及人工智能中心 |
| WO2023020257A1 (zh) * | 2021-08-17 | 2023-02-23 | 北京沃东天骏信息技术有限公司 | 数据预测方法、装置及存储介质 |
| CN117763977A (zh) * | 2024-02-22 | 2024-03-26 | 江苏嘉通能源有限公司 | 一种基于主成分分析的涤纶长丝生产故障预测方法及系统 |
| CN117763977B (zh) * | 2024-02-22 | 2024-05-10 | 江苏嘉通能源有限公司 | 一种基于主成分分析的涤纶长丝生产故障预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110263380B (zh) | 2020-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108764517B (zh) | 一种高炉铁水硅含量变化趋势预测方法、设备和存储介质 | |
| CN110263380B (zh) | 一种纺丝工序级联建模分段区间参数配置方法 | |
| CN108829763B (zh) | 一种基于深度神经网络的影评网站用户的属性预测方法 | |
| CN106355192B (zh) | 一种基于混沌灰狼优化的支持向量机方法 | |
| CN109190665A (zh) | 一种基于半监督生成对抗网络的通用图像分类方法和装置 | |
| CN109766989B (zh) | 一种聚酯纤维生产过程工艺参数的智能配置方法 | |
| 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 | |
| CN108182500A (zh) | 基于加速寿命试验的弹药贮存可靠性预测方法 | |
| CN108734220A (zh) | 基于k线聚类和强化学习的自适应金融时间序列预测方法 | |
| CN109472088A (zh) | 一种页岩气调产井生产压力动态预测方法 | |
| CN114239400A (zh) | 基于局部双加权概率隐变量回归模型的多工况过程自适应软测量建模方法 | |
| CN109102002A (zh) | 结合卷积神经网络和概念机递归神经网络的图像分类方法 | |
| CN116542382A (zh) | 基于混合优化算法的污水处理溶解氧浓度预测方法 | |
| CN103226728B (zh) | 高密度聚乙烯串级聚合反应过程智能检测与收率优化方法 | |
| CN114239397A (zh) | 基于动态特征提取与局部加权深度学习的软测量建模方法 | |
| CN110458616A (zh) | 一种基于GAMxNN模型的理财产品推荐方法 | |
| CN112149884A (zh) | 一种面向大规模学员的学业预警监测方法 | |
| CN113128124A (zh) | 基于改进神经网络的多牌号C-Mn钢力学性能预测方法 | |
| CN111191823A (zh) | 一种基于深度学习的生产物流预测方法 | |
| Cui et al. | Intelligent fault quantitative identification via the improved deep deterministic policy gradient (DDPG) algorithm accompanied with imbalanced sample | |
| CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
| Sari et al. | Optimization of weight backpropagation with particle swarm optimization for student dropout prediction | |
| CN117350146A (zh) | 一种基于ga-bp神经网络的排水管网健康性评价方法 | |
| CN115374859B (zh) | 一种针对非平衡、多类别的复杂工业数据的分类方法 | |
| CN113836818B (zh) | 一种基于bp神经网络预测模型的洋流运动预测算法 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201124 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |