CN112379594B - 一种数据驱动的碳纤维原液温度控制参数优化方法 - Google Patents
一种数据驱动的碳纤维原液温度控制参数优化方法 Download PDFInfo
- Publication number
- CN112379594B CN112379594B CN202011236619.4A CN202011236619A CN112379594B CN 112379594 B CN112379594 B CN 112379594B CN 202011236619 A CN202011236619 A CN 202011236619A CN 112379594 B CN112379594 B CN 112379594B
- Authority
- CN
- China
- Prior art keywords
- stock solution
- solution temperature
- spinning nozzles
- group
- linear regression
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Spinning Methods And Devices For Manufacturing Artificial Fibers (AREA)
Abstract
本发明公开了一种数据驱动的碳纤维原液温度控制参数优化方法，所述包括以下步骤：(1)从碳纤维生产线获取相关工艺参数进行处理，并对喷丝头进行分组；(2)使用处理后的工艺参数数据建立多个多元线性回归预测模型，用于对每组喷丝头的原液温度平均值进行预测；(3)将相关控制参数作为决策变量，设置每组喷丝头原液温度最优值，将每个多元线性回归模型预测值与相应原液温度最优值之差的绝对值作为目标函数，利用NSGA‑II算法进行多目标优化，得到使喷丝头原液温度最优的工艺参数。本发明解决了传统方法难以对碳纤维原液温度的工艺参数进行优化设置的难题，避免了机理模型构建困难且计算复杂等问题，能够快速准确的完成工艺参数的优化调整。
Description
技术领域
本发明属于碳纤维生产技术领域，尤其属于一种数据驱动的碳纤维原液温度控制参数优化方法。
背景技术
原丝的凝固成形是碳纤维生产中最重要的工序之一。而原液温度会在很大程度上影响喷丝时生成原丝的质量。原液温度过低时会出现吐丝困难，断丝增多的问题，导致可纺性降低；原液温度过高则容易发生毛细破坏。只有在适当的温度条件下，才可能进行连续纺丝而获得性能优良的纤维。若该阶段形成的原丝存在一定的缺陷，结构的遗传性会使得最终的碳纤维结构不完善、性能降低。
传统的原液温度控制参数主要依靠操作人员的经验来设置，具有很大的不确定性，有时参数设置不合理会影响原液形成的原丝质量，不利于企业降低生产成本及提高生产效率。若通过一些方法对原液维温度进行控制，避免人为经验设置造成的不确定性，则能够很好的提高企业生产效率，降低生产风险。
文献[1]中提出一种碳纤维纺前原液温度控制装置及方法，对纺丝前的管道原液温度通过装置进行控制，但是此方法仅实现了对管道原液温度的精确控制，无法用于确定使多个喷丝头原液温度最优的工艺参数。文献[2]在铝电解方面提出了一种数据驱动的工艺参数预测方法，通过数据驱动避免了机理模型的构建，在保证准确性的前提下降低了计算的复杂性。但此方法仅对工艺参数间的输入输出关系构建数据模型进行了预测，没有涉及工艺参数的优化。文献[3]在注塑工艺参数方面提出了一种优化方法，先通过BP神经网络建立数据驱动的模型，再结合模型通过遗传算法进行极值寻优，解决了优化过程中目标函数表达式难以获得的问题，但此方法仅是对单目标的优化。
因此，有必要提供一种数据驱动的碳纤维原液温度控制参数优化方法来解决目前存在的问题。
上述提到的相关文献：
[1]王斐.一种碳纤维原丝纺前原液温度控制的装置及其方法:中国,201710490839.1[P].2017-10-24.
[2]张振兵,曾北平.基于数据驱动的氧化铝浓度预测[J].世界有色金属.2020(11):224-226.
[3]刘强,廖嘉华,梅端.基于正交试验和BPNN-GA混合算法的注塑工艺参数优化[J].南开大学学报(自然科学版).2020(04):57-62.
发明内容
本发明的目的是提供一种为碳纤维原液温度的调整提供最优的控制参数，使喷丝头原液在最适宜的温度下形成原丝的数据驱动的碳纤维原液温度控制参数优化方法，以克服现有技术的不足。
为实现上述目的，本发明所采用的技术方案是：
一种数据驱动的碳纤维原液温度控制参数优化方法，包括以下步骤：
(1)从碳纤维生产线获取相关工艺参数进行处理，并对喷丝头进行分组；
(2)使用处理后的工艺参数数据建立多个多元线性回归预测模型，用于对每组喷丝头的原液温度平均值进行预测；
(3)将相关控制参数作为决策变量，设置每组喷丝头原液温度最优值，将每个多元线性回归模型预测值与相应原液温度最优值之差的绝对值作为目标函数，利用NSGA-II算法进行多目标优化，得到使喷丝头原液温度最优的工艺参数。
优选的，获取及处理工艺参数包括以下步骤：
(1.1)从碳纤维生产线获取主管道原液温度、保温水温度、计量泵开度，多个喷丝头的原液温度；
(1.2)给定各个工艺参数的调整范围；
(1.3)根据参数调整范围对数据进行筛选，过滤掉异常数据及错误数据；
(1.4)将喷丝头按照相邻的几个喷丝头为一组进行分组，并计算每组喷丝头的原液温度平均值。
优选的，建立多个多元线性回归预测模型包括以下步骤：
(2.1)将获取到的主管道原液温度t1、保温水温度t2、计量泵开度s，第一组喷丝头的原液温度平均值avet1作为样本数据；
(2.2)多次划分训练集和测试集，并进行训练，得到预测该组喷丝头原液
温度平均值的多个多元线性回归模型；
(2.3)进行模型评估，得到预测该组喷丝头原液温度平均值的最终多元线
性回归模型；
(2.4)将第一组喷丝头的原液温度平均值更换为其他组喷丝头的原液温度平均值，重复上述步骤(2.1)到(2.3)，使每一组喷丝头均有一个与之对应的喷丝头原液温度平均值预测模型。
优选的，通过NSGA-II算法得到最优工艺参数包括以下步骤：
(3.1)将主管道原液温度、保温水温度、计量泵开度作为决策变量，并分别为决策变量设置约束条件；
(3.2)设置每组喷丝头的原液温度最优值，将每个多元线性回归模型预测值与相应原液温度最优值之差的绝对值作为一个目标函数，得到多个目标函数；
(3.3)设置种群数量，交叉概率，变异概率以及最大迭代次数，并根据步骤(3.1)中设置的决策变量的约束条件，随机生成初始种群；
(3.4)将初始种群中的个体作为每个多元线性回归模型的输入，得到相应的目标函数值；
(3.5)根据约束支配原则对初始种群进行快速非支配排序，进行选择、交叉、变异，得到第一代子代种群；
(3.6)将父代种群和子代种群合并，并将合并种群中的个体作为每个多元线性回归模型的输入，得到相应的目标函数值；
(3.7)对合并种群进行快速非支配排序并对每个非支配层中的个体进行拥挤度计算，根据拥挤度及精英保留策略选出新的父代种群，再进行选择、交叉、变异产生新的子代种群；
(3.8)判断是否达到最大迭代次数，如果没有，则重复执行步骤(3.6)和(3.7)，如果达到最大迭代次数，则算法终止，得到Pareto最优解集。
本发明的有益效果是：为碳纤维原液温度的调整提供了一种数据驱动的碳纤维原液温度控制参数优化方法，通过建立多元线性回归预测模型构建了控制参数与喷丝头原液温度的映射关系，并依据该映射关系通过NSGA-II算法对喷丝头原液温度的控制参数进行优化，解决了传统方法难以对碳纤维原液温度的控制参数进行优化设置的难题，避免了机理模型构建困难且计算复杂的问题，降低了生产风险以及生产原料的损耗，提高了生产效率。
附图说明
图1为本发明的获取及处理工艺参数流程图；
图2为本发明的每组喷丝头的原液温度平均值预测模型建模流程图；
图3为本发明的NSGA-II算法执行流程图；
图4为本发明的多元线性回归模型残差个案次序图；
图5为本发明的NSGA-II算法迭代过程中每一代的目标函数均值图；
图6为本发明的Pareto解集平行坐标图；
图7为本发明的Pareto解集对应目标函数值的平行坐标图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
本实施例的一种数据驱动的碳纤维原液温度控制参数优化方法，包括以下步骤：
(1)从碳纤维生产线获取相关工艺参数进行处理，并对喷丝头进行分组；
(2)使用处理后的工艺参数数据建立多个多元线性回归预测模型，用于对每组喷丝头的原液温度平均值进行预测；
(3)将相关控制参数作为决策变量，设置每组喷丝头原液温度最优值，将每个多元线性回归模型预测值与相应原液温度最优值之差的绝对值作为目标函数，利用NSGA-II算法进行多目标优化，得到使喷丝头原液温度最优的工艺参数。
优选的，如图1所示，获取及处理工艺参数包括以下步骤：
(1.1)从碳纤维生产线获取主管道原液温度、保温水温度、计量泵开度，多个喷丝头的原液温度；
(1.2)给定各个工艺参数的调整范围，见表1。表中t1表示主管道原液温度，t2表示保温水温度，s表示计量泵开度；
表1工艺参数调整范围
(1.3)根据参数调整范围对数据进行筛选，过滤掉异常数据及错误数据；
(1.4)将喷丝头按照相邻的几个喷丝头为一组进行分组，并计算每组喷丝头的原液温度平均值，本实施例共分为4组，计算每组喷丝头的原液温度平均值表示为avet1、avet2、avet3、avet4。得到包含主管道原液温度t1、保温水温度t2、计量泵开度s、原液温度平均值avet1、avet2、avet3、avet4的原始数据，见表2。
表2处理后原始数据
| t1 | t2 | s | avet1 | avet2 | avet3 | avet4 | |
| 1 | 41.39 | 16.21 | 47 | 21.13 | 21.58 | 22.06 | 22.31 |
| 2 | 43.24 | 18.92 | 51 | 23.65 | 23.93 | 24.29 | 24.56 |
| 3 | 44.16 | 19.65 | 53 | 24.23 | 24.62 | 24.98 | 25.31 |
| 4 | 40.26 | 15.67 | 45 | 20.36 | 20.68 | 21.13 | 21.42 |
| 5 | 43.83 | 18.61 | 52 | 23.76 | 24.04 | 24.49 | 24.75 |
| 6 | 41.68 | 16.52 | 48 | 21.42 | 21.87 | 22.45 | 22.71 |
| 7 | 42.68 | 17.36 | 50 | 22.37 | 22.72 | 23.21 | 23.56 |
| 8 | 44.51 | 19.87 | 53 | 24.68 | 24.96 | 25.31 | 25.63 |
| 9 | 40.82 | 15.93 | 46 | 20.74 | 21.16 | 21.53 | 21.81 |
| 10 | 42.53 | 17.64 | 49 | 22.68 | 22.95 | 23.31 | 23.58 |
| 11 | 43.26 | 18.28 | 51 | 23.16 | 23.52 | 23.97 | 24.29 |
| 12 | 41.56 | 16.83 | 48 | 21.73 | 21.98 | 22.46 | 22.74 |
| 13 | 42.16 | 17.25 | 49 | 22.04 | 22.52 | 22.87 | 23.16 |
| 14 | 40.53 | 15.84 | 45 | 20.62 | 20.93 | 21.35 | 21.83 |
| 15 | 44.37 | 19.26 | 54 | 24.18 | 24.43 | 24.91 | 25.18 |
优选的，如图2所示，建立多个多元线性回归预测模型包括以下步骤：
(2.1)将处理后的主管道原液温度t1、保温水温度t2、计量泵开度s，第一组喷丝头的原液温度平均值avet1作为样本数据；
(2.2)多次划分训练集和测试集，并进行训练，得到预测该组喷丝头原液温度平均值的多个多元线性回归模型，本实施例中训练集与测试集的划分采用留出法，将样本数据的3/4作为训练集，1/4作为测试集，随机进行3次训练集与测试集的划分，得到3个初始的多元线性回归模型；
(2.3)进行模型评估，得到预测该组喷丝头原液温度平均值的最终多元线性回归模型，本实施例使用的评估参数有均方根误差、决定系数和准确率；
(2.4)将第一组喷丝头的原液温度平均值更换为其他组喷丝头的原液温度平均值，重复上述步骤(2.1)到(2.3)，使每一组喷丝头均有一个与之对应的喷丝头原液温度平均值预测模型，本实施例得到的4个最终的多元线性回归模型的参数见表3，每个多元线性回归模型的残差个案次序图见图4。
表3多元线性回归模型参数
| 第一组模型 | 第二组模型 | 第三组模型 | 第四组模型 | |
| 截距b0 | -9.46 | -9.79 | -9.51 | -9.75 |
| 回归系数b1 | 0.62 | 0.66 | 0.63 | 0.68 |
| 回归系数b2 | 0.59 | 0.52 | 0.39 | 0.42 |
| 回归系数b3 | -0.10 | -0.09 | -0.02 | -0.06 |
| 决定系数R<sup>2</sup> | 0.079 | 0.050 | 0.059 | 0.056 |
| 均方根误差RMES | 0.996 | 0.998 | 0.998 | 0.998 |
优选的，如图3所示，通过NSGA-II算法得到最优工艺参数包括以下步骤：
(3.1)将主管道原液温度、保温水温度、计量泵开度作为决策变量，并分别为决策变量设置约束条件；
(3.2)设置每组喷丝头的原液温度最优值，将每个多元线性回归模型预测值与相应原液温度最优值之差的绝对值作为一个目标函数，得到多个目标函数，本实施例将喷丝头分为4组，因此包含4个目标函数；
(3.3)设置种群数量，交叉概率，变异概率以及最大迭代次数，并根据步骤(3.1)中设置的决策变量的约束条件，随机生成初始种群，本实施例中具体参数设置如下：
表4NSGA-II算法参数设置表
| 参数名称 | 参数值 |
| 种群大小 | 20 |
| 最大迭代次数 | 100 |
| SBX交叉概率 | 0.9 |
| 多项式变异概率 | 0.1 |
(3.4)将初始种群中的个体作为每个多元线性回归模型的输入，得到相应的目标函数值；
(3.5)根据约束支配原则对初始种群进行快速非支配排序，进行选择、交叉、变异，得到第一代子代种群；
(3.6)将父代种群和子代种群合并，并将合并种群中的个体作为每个多元线性回归模型的输入，得到相应的目标函数值；
(3.7)对合并种群进行快速非支配排序并对每个非支配层中的个体进行拥挤度计算，根据拥挤度及精英保留策略选出新的父代种群，再进行选择、交叉、变异产生新的子代种群；
(3.8)判断是否达到最大迭代次数，如果没有，则重复执行步骤(3.6)和(3.7)，如果达到最大迭代次数，则算法终止，得到Pareto最优解集，迭代过程的各个目标函数均值见图5，经过100次迭代后得到的Pareto解集见表5，Pareto解集的平行坐标图见图6，Pareto解集对应目标函数值的平行坐标图见图7。
表5最终得到的Pareto解集
上述实施例为本发明成功实施方式之一，但发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理所作的改变、修饰、替代、组合、简化，均应该为等效的置换方式，都包含在本发明的保护范围内。
本说明书中未做详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (1)
1.一种数据驱动的碳纤维原液温度控制参数优化方法，其特征在于：所述方法包括以下步骤：
(1)从碳纤维生产线获取相关工艺参数进行处理，并对喷丝头进行分组；
所述获取相关工艺参数进行处理包括以下步骤：
(1.1)从碳纤维生产线获取主管道原液温度、保温水温度、计量泵开度，多个喷丝头的原液温度；
(1.2)给定各个工艺参数的调整范围；
(1.3)根据参数调整范围对数据进行筛选，过滤掉异常数据及错误数据；
(1.4)将喷丝头按照相邻的几个喷丝头为一组进行分组，并计算每组喷丝头的原液温度平均值；
(2)使用处理后的工艺参数数据建立多个多元线性回归预测模型，对每组喷丝头的原液温度平均值进行预测；
所述建立多个多元线性回归预测模型包括以下步骤：
(2.1)将获取到的主管道原液温度t1、保温水温度t2、计量泵开度s，第一组喷丝头的原液温度平均值avet1作为样本数据；
(2.2)多次划分训练集和测试集，并进行训练，得到预测该组喷丝头原液温度平均值的多个多元线性回归模型；
(2.3)进行模型评估，得到预测该组喷丝头原液温度平均值的最终多元线性回归模型；
(2.4)将第一组喷丝头的原液温度平均值更换为其他组喷丝头的原液温度平均值，重复上述步骤(2.1)到(2.3)，使每一组喷丝头均有一个与之对应的喷丝头原液温度平均值预测模型；
(3)将相关控制参数作为决策变量，设置每组喷丝头原液温度最优值，将每个多元线性回归模型预测值与相应原液温度最优值之差的绝对值作为目标函数，利用NSGA-II算法进行多目标优化，得到使喷丝头原液温度最优的工艺参数；
所述利用NSGA-II算法进行多目标优化包括以下步骤：
(3.1)将主管道原液温度、保温水温度、计量泵开度作为决策变量，并分别为决策变量设置约束条件；
(3.2)设置每组喷丝头的原液温度最优值，将每个多元线性回归模型预测值与相应原液温度最优值之差的绝对值作为一个目标函数，得到多个目标函数；
(3.3)设置种群数量，交叉概率，变异概率以及最大迭代次数，并根据步骤(3.1)中设置的决策变量的约束条件，随机生成初始种群；
(3.4)将初始种群中的个体作为每个多元线性回归模型的输入，得到相应的目标函数值；
(3.5)根据约束支配原则对初始种群进行快速非支配排序，进行选择、交叉、变异，得到第一代子代种群；
(3.6)将父代种群和子代种群合并，并将合并种群中的个体作为每个多元线性回归模型的输入，得到相应的目标函数值；
(3.7)对合并种群进行快速非支配排序并对每个非支配层中的个体进行拥挤度计算，根据拥挤度及精英保留策略选出新的父代种群，再进行选择、交叉、变异产生新的子代种群；
(3.8)判断是否达到最大迭代次数，如果没有，则重复执行步骤(3.6)和(3.7)，如果达到最大迭代次数，则算法终止，得到Pareto最优解集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011236619.4A CN112379594B (zh) | 2020-11-09 | 2020-11-09 | 一种数据驱动的碳纤维原液温度控制参数优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011236619.4A CN112379594B (zh) | 2020-11-09 | 2020-11-09 | 一种数据驱动的碳纤维原液温度控制参数优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112379594A CN112379594A (zh) | 2021-02-19 |
| CN112379594B true CN112379594B (zh) | 2022-04-29 |
Family
ID=74578534
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011236619.4A Active CN112379594B (zh) | 2020-11-09 | 2020-11-09 | 一种数据驱动的碳纤维原液温度控制参数优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112379594B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113325896B (zh) * | 2021-05-31 | 2022-03-01 | 浙江工业大学 | 一种智能零售机的多目标温度优化控制方法 |
| CN115204064B (zh) * | 2022-09-19 | 2022-12-02 | 中国石油大学(华东) | 一种页岩油开采中注气吞吐参数优化方法及系统 |
| 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 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103399490B (zh) * | 2013-08-01 | 2016-05-18 | 东华大学 | 一种基于免疫记忆学习控制的碳纤维原丝湿法凝固浴温度控制工艺 |
| CN104062903B (zh) * | 2014-06-16 | 2017-07-04 | 东华大学 | 一种基于免疫机制的碳纤维凝固浴重构控制器 |
| CN106447065B (zh) * | 2016-05-12 | 2021-08-06 | 东华大学 | 碳纤维原丝生产过程中凝固浴环节性能指标的预测方法 |
| CN108345219B (zh) * | 2018-03-01 | 2020-01-17 | 东华大学 | 基于类脑记忆gru的聚酰胺纤维生产工艺 |
| CN109709926B (zh) * | 2019-01-25 | 2020-11-24 | 东华大学 | 纤维生产过程中熔体品质的调整方法 |
| 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 |
| CN211149293U (zh) * | 2019-12-30 | 2020-07-31 | 中复神鹰碳纤维有限责任公司 | 一种干喷湿纺碳纤维原丝生产线凝固浴温度智能控制装置 |
| CN111324973B (zh) * | 2020-03-23 | 2023-02-21 | 西安工程大学 | 一种涤纶低弹丝工艺优化方法 |
| 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 |
| CN111723456A (zh) * | 2020-05-08 | 2020-09-29 | 华南理工大学 | 一种基于nsga-ⅱ算法的中央空调系统能效优化方法 |
-
2020
- 2020-11-09 CN CN202011236619.4A patent/CN112379594B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN112379594A (zh) | 2021-02-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112379594B (zh) | 一种数据驱动的碳纤维原液温度控制参数优化方法 | |
| CN109946965B (zh) | 一种基于改进的多目标Jaya算法的离散制造车间排产方法 | |
| CN112488315B (zh) | 一种基于深度强化学习和遗传算法的分批调度优化方法 | |
| CN109861206B (zh) | 一种基于支持向量机的暂态功角稳定故障筛选系统及方法 | |
| CN110309199B (zh) | 一种面向非正态分布水质观测数据的幂变换分析方法 | |
| CN113469241A (zh) | 基于工艺网络模型与机器学习算法的产品质量控制方法 | |
| 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 | |
| WO2023115760A1 (zh) | 基于局部代理模型的电机多目标鲁棒性优化方法 | |
| CN116187507A (zh) | 一种基于人工智能的中药生产调优系统 | |
| CN107807518A (zh) | 一种化工生产原料蒸馏过程的多目标优化调度方法 | |
| CN113689066A (zh) | 一种基于nsga-ii算法的物联网车间调度方法 | |
| CN111325487A (zh) | 一种流水生产车间智能调度优化方法及系统 | |
| CN111709181A (zh) | 基于主成分分析的涤纶长丝工业生产流程故障预测方法 | |
| CN111833970A (zh) | 一种水泥熟料质量表征参数预测模型构建方法及其应用 | |
| CN117908496A (zh) | 一种管制玻璃瓶的自动化生产调控方法及系统 | |
| CN112861433A (zh) | 一种基于多层级集成框架的产品低碳设计的方法 | |
| CN117057070A (zh) | 一种基于改进kriging插值模型的螺旋拉刀结构参数预测方法 | |
| CN111598475A (zh) | 一种基于改进型灰色马尔可夫模型的电网风险预测方法 | |
| CN110705844A (zh) | 基于非强制空闲时间的作业车间调度方案鲁棒优化方法 | |
| CN113707228B (zh) | 一种基于LightGBM算法的湿法烟气脱硫优化方法 | |
| CN115755624A (zh) | 一种基于进化算法的燃煤锅炉多目标优化方法 | |
| CN115034070A (zh) | 一种基于多目标优化和vikor方法的复杂机械产品的选择装配优化和决策方法 | |
| CN109491345A (zh) | 一种基于关键工序质量控制的研究方法 | |
| CN112420132A (zh) | 一种汽油催化裂化过程产品质量优化控制方法 | |
| CN115356999A (zh) | 一种碳纤维预氧化炉参数优化方法、系统及存储介质 |
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 |