CN114354675B - 一种涤纶fdy纤维收缩率试验方法 - Google Patents
一种涤纶fdy纤维收缩率试验方法 Download PDFInfo
- Publication number
- CN114354675B CN114354675B CN202111662587.9A CN202111662587A CN114354675B CN 114354675 B CN114354675 B CN 114354675B CN 202111662587 A CN202111662587 A CN 202111662587A CN 114354675 B CN114354675 B CN 114354675B
- Authority
- CN
- China
- Prior art keywords
- value
- neural network
- shrinkage
- data
- network model
- 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
-
- 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
- Treatment Of Fiber Materials (AREA)
Abstract
本发明公开了一种涤纶FDY纤维收缩率试验方法,本发明基于传统方法无法自动调节实验参数,导致收缩率检测存在误差的技术问题,利用了深度强化学习模型进行自动调整,用来调节实验过程中的各种参数,以保证在不同涤纶纤维样品中能达到最佳的实验数据,从而提高收缩率检测的准确性,整个调整过程不需要人工干预,自动化完成,使得通用性更强,快速高效。
Description
技术领域
本发明涉及涤纶收缩率实验技术领域,特别涉及一种涤纶FDY纤维收缩率试验方法。
背景技术
收缩率是涤纶的一个重要指标,通常需要对生产后的涤纶进行收缩率检测,以确定其性能,但目前的涤纶在生产过程中有各种不确定的因素,导致检测时容易产生误差。因此,在实际操作的过程中,对实验的条件需要进行微调,以保证收缩率实验的准确性,但目前仍然未有调整的方法和系统,导致收缩率检测存在一定的瑕疵。
发明内容
为了解决上述问题,本发明提供了一种涤纶FDY纤维收缩率试验方法。
本发明的技术方案如下:
一种涤纶FDY纤维收缩率试验方法,包括以下步骤:
S1:记录涤纶纤维样品的生产工艺数据,并用已知方法进行收缩率检测,得到收缩率值,将该值与实际值比较(相减)得到误差值,根据误差值(该误差值和下文中策略指令的误差值是同一个)得到评价值q值,采用q强化学习模型形成对实验数据调整的策略,并将最终的结果发送至神经网络模型中;
S2:采用bp神经网络模型将涤纶的生产工艺数据作为输入值,最终调整后的数据作为输出值,训练神经网络模型,得到深度强化学习模型;
S3:将当前待检测的涤纶纤维样品的生产工艺数据输入至训练后的深度强化学习模型中,得到最佳的实验数据;
所述最佳的实验数据包括:实验时的起始温度数据、升温速率、时间以及预设张力;
S4:将涤纶纤维样品在S3所得预设张力条件下测量其长度,然后将其置于沸水之中,按照S3所得起始温度数据、升温速率、时间来调节实验数值,再于S3所得预设张力条件下测量其收缩的长度;
S5:与收缩前的长度进行对比,计算出涤纶纤维的沸水收缩率;
沸水收缩率=(L0-L1)/L0*100%;L0表示试验前丝的原长度,L1表示经沸水处理后丝的长度)。
进一步:
S1中,涤纶的生产工艺数据包括:涤纶生产时的吹风量和温度、喷头拉伸倍数以及挤出喷丝孔的剪切速率;
S1中,强化学习的评价值q的算法如下:
其中,q为第d个周期时的策略指令的评价值,表示在第d个周期时路径上的策略指令的误差值(即S1中所得误差值);
q学习算法的计算公式为
s表示当前的状态,a表示当前的动作,表示下一个状态,/>表示下一个动作,γ为贪婪因子,0<γ<1,一般设置为0.8;Q表示的是,在状态s下采取动作a能够获得的期望最大收益,R是立即获得的收益,而未来一期的收益则取决于下一阶段的动作;
S2中,建立神经网络模型的梯度平行样本实验数据不少于5个,神经网络模型选择bp神经网络模型,所述bp神经网络模型的训练过程:
A1:初始化神经网络,对每个神经元的w和b赋予随机值;
A2:输入分类模块(3)发送的数据信息作为训练数据,对于每个训练数据,将输入给到神经网络的输入层,进行一次正向传播得到输出层各个神经元的输出值;
A3:求出输出层的误差,再通过反向传播算法,向后求出每一层的每个神经元的误差;
A4:通过误差可以得出每个神经元的再乘上负的学习率-η,就得到了Δw、Δb,将每个神经元的w和b更新为w+Δw、b+Δb,从而完成对bp神经网络模型的训练;
的函数公式为:
式中,yk表示神经元输出层第k个节点的输出值,Tk为预期输出值,M为输出层的节点个数;
Δw和Δb的计算公式为:
本发明中,深度学习网络由卷积神经网络组成,卷积神经网络均由卷积到批标准化到激活Relu函数的卷积单元形式的网络结构组成。
与现有技术相比,本发明的有益效果在于:
本发明基于传统方法无法自动调节实验参数,导致收缩率检测存在误差的技术问题,利用了深度强化学习模型进行自动调整,用来调节实验过程中的各种参数,以保证在不同涤纶纤维样品中能达到最佳的实验数据,从而提高收缩率检测的准确性,整个调整过程不需要人工干预,自动化完成,使得通用性更强,快速高效。
附图说明
图1为本发明的方法流程图。
具体实施方式
以下对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
此外,如果已知技术的详细描述对于示出本发明的特征是不必要的,则将其省略。
实施例1
一种涤纶FDY纤维收缩率试验方法,包括以下步骤:
S1:记录涤纶纤维样品的生产工艺数据,并选择基础的实验数据,得到收缩率值,并将该值与实际值比较得到误差值,根据误差值得到评价值q值,采用q强化学习模型形成对实验数据调整的策略,并将最终的结果发送至神经网络模型中;
S2:采用神经网络模型将涤纶的生产工艺数据作为输入值,最终调整后的数据作为输出值,训练神经网络模型,得到深度强化学习模型;
S3:将当前待检测的涤纶纤维样品的生产工艺数据输入至训练后的深度强化学习模型中,得到最佳的实验数据;所述实验数据包括实验时的起始温度数据、升温速率、时间以及预设张力;
S4:将涤纶纤维样品根据最佳的预设张力条件下测量其长度,然后将其置于沸水之中,按照实验时的起始温度数据、升温速率、时间来调节沸水的实验数值,再利用最佳的预设张力条件下测量其收缩的长度;
S5:与收缩前的长度进行对比,以计算出涤纶纤维的沸水收缩率。
步骤S1中,涤纶的生产工艺数据包括涤纶生产时的吹风量和温度、喷头拉伸倍数以及挤出喷丝孔的剪切速率。
深度学习模型采用q强化学习和深度神经网络结合的学习模型,其中,强化学习的评价值q的算法如下:
其中,q为第d个周期时的策略指令的评价值,表示在第d个周期时路径上的策略指令的误差值。
步骤S2中,建立神经网络模型的梯度平行样本实验数据不少于5个,神经网络模型选择BP神经网络模型,bp神经网络模型的训练过程:
A1:初始化神经网络,对每个神经元的w和b赋予随机值;
A2:输入分类模块(3)发送的数据信息作为训练数据,对于每个训练数据,将输入给到神经网络的输入层,进行一次正向传播得到输出层各个神经元的输出值;
A3:求出输出层的误差,再通过反向传播算法,向后求出每一层的每个神经元的误差;
A4:通过误差可以得出每个神经元的再乘上负的学习率-η,就得到了Δw、Δb,将每个神经元的w和b更新为w+Δw、b+Δb,从而完成对bp神经网络模型的训练。
的函数公式为:
式中,yk表示神经元输出层第k个节点的输出值,Tk为预期输出值,M为输出层的节点个数;
Δw和Δb的计算公式为:
深度学习网络由卷积神经网络组成,所述卷积神经网络均由卷积到批标准化到激活Relu函数的卷积单元形式的网络结构组成。
对比例1选取FDY样品75cm,采用国家标准GB/T6505-2001的测试方法对纤维样品进行检测6次。单次沸水收缩率分别为:1.26%、1.31%、1.25%、1.41%、1.50%、1.34%,平均沸水收缩率为1.345%。
实施例1选取FDY样品75cm,采用本申请的方式进行检测6次。单次沸水收缩率分别为:1.34%、1.35%、1.37%、1.37%、1.33%、1.35%,平均沸水收缩率为1.350%。
从对比例1来看,采用国家标准GB/T6505-2001的测试方法对常规FDY样品进行检测,其平均沸水收缩率和本发明的检测方法得到的沸水收缩率接近,但其各次测试结果偏差要高于采用本发明的检测方法,可见本发明的检测方法的重复性、可靠性优于国家标准GB/T6505-2001的测试方法。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种涤纶FDY纤维收缩率试验方法,其特征在于,所述方法包括以下步骤:
S1:记录涤纶纤维样品的生产工艺数据,并用已知方法进行收缩率检测,得到收缩率值,将该值与实际值比较得到误差值,根据误差值得到评价值q值,采用q强化学习模型形成对实验数据调整的策略,并将最终的结果发送至神经网络模型中;
S2:采用bp神经网络模型将涤纶的生产工艺数据作为输入值,最终调整后的数据作为输出值,训练神经网络模型,得到深度强化学习模型;
S3:将当前待检测的涤纶纤维样品的生产工艺数据输入至训练后的深度强化学习模型中,得到最佳的实验数据;
所述最佳的实验数据包括:实验时的起始温度数据、升温速率、时间以及预设张力;
S4:将涤纶纤维样品在S3所得预设张力条件下测量其长度,然后将其置于沸水之中,按照S3所得起始温度数据、升温速率、时间来调节实验数值,再于S3所得预设张力条件下测量其收缩的长度;
S5:与收缩前的长度进行对比,计算出涤纶纤维的沸水收缩率。
2.如权利要求1所述涤纶FDY纤维收缩率试验方法,其特征在于,S1中,涤纶的生产工艺数据包括:涤纶生产时的吹风量和温度、喷头拉伸倍数以及挤出喷丝孔的剪切速率。
3.如权利要求1所述涤纶FDY纤维收缩率试验方法,其特征在于,S1中,强化学习的评价值q的算法如下:
其中,q为第d个周期时的策略指令的评价值,表示在第d个周期时路径上的策略指令的误差值;
q学习算法的计算公式为
s表示当前的状态,a表示当前的动作,表示下一个状态,/>表示下一个动作,γ为贪婪因子,0<γ<1,一般设置为0.8;Q表示的是,在状态s下采取动作a能够获得的期望最大收益,R是立即获得的收益,而未来一期的收益则取决于下一阶段的动作。
4.如权利要求1所述涤纶FDY纤维收缩率试验方法,其特征在于,S2中,建立神经网络模型的梯度平行样本实验数据不少于5个,神经网络模型选择bp神经网络模型,所述bp神经网络模型的训练过程:
A1:初始化神经网络,对每个神经元的w和b赋予随机值;
A2:输入分类模块(3)发送的数据信息作为训练数据,对于每个训练数据,将输入给到神经网络的输入层,进行一次正向传播得到输出层各个神经元的输出值;
A3:求出输出层的误差,再通过反向传播算法,向后求出每一层的每个神经元的误差;
A4:通过误差可以得出每个神经元的再乘上负的学习率-η,就得到了Δw、Δb,将每个神经元的w和b更新为w+Δw、b+Δb,从而完成对bp神经网络模型的训练;
的函数公式为:
式中,yk表示神经元输出层第k个节点的输出值,Tk为预期输出值,M为输出层的节点个数;
Δw和Δb的计算公式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111662587.9A CN114354675B (zh) | 2021-12-31 | 2021-12-31 | 一种涤纶fdy纤维收缩率试验方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111662587.9A CN114354675B (zh) | 2021-12-31 | 2021-12-31 | 一种涤纶fdy纤维收缩率试验方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114354675A CN114354675A (zh) | 2022-04-15 |
CN114354675B true CN114354675B (zh) | 2023-08-22 |
Family
ID=81105851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111662587.9A Active CN114354675B (zh) | 2021-12-31 | 2021-12-31 | 一种涤纶fdy纤维收缩率试验方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114354675B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102914476A (zh) * | 2012-09-04 | 2013-02-06 | 福建鑫华股份有限公司 | 一种涤纶短纤维沸水收缩率在线检测方法 |
CN105095962A (zh) * | 2015-07-27 | 2015-11-25 | 中国汽车工程研究院股份有限公司 | 一种基于bp人工神经网络的材料动态力学性能预测方法 |
JP2019181801A (ja) * | 2018-04-10 | 2019-10-24 | 株式会社豊田中央研究所 | 収縮率予測装置、収縮率予測モデル学習装置、及びプログラム |
KR20200094808A (ko) * | 2018-12-28 | 2020-08-10 | 김홍균 | 태양광인버터 mppt제어를 위한 뉴럴네트워크 알고리즘 |
CN111563347A (zh) * | 2020-04-03 | 2020-08-21 | 江苏师范大学 | 一种纤维增强复合材料的注塑工艺参数优化方法 |
-
2021
- 2021-12-31 CN CN202111662587.9A patent/CN114354675B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102914476A (zh) * | 2012-09-04 | 2013-02-06 | 福建鑫华股份有限公司 | 一种涤纶短纤维沸水收缩率在线检测方法 |
CN105095962A (zh) * | 2015-07-27 | 2015-11-25 | 中国汽车工程研究院股份有限公司 | 一种基于bp人工神经网络的材料动态力学性能预测方法 |
JP2019181801A (ja) * | 2018-04-10 | 2019-10-24 | 株式会社豊田中央研究所 | 収縮率予測装置、収縮率予測モデル学習装置、及びプログラム |
KR20200094808A (ko) * | 2018-12-28 | 2020-08-10 | 김홍균 | 태양광인버터 mppt제어를 위한 뉴럴네트워크 알고리즘 |
CN111563347A (zh) * | 2020-04-03 | 2020-08-21 | 江苏师范大学 | 一种纤维增强复合材料的注塑工艺参数优化方法 |
Non-Patent Citations (1)
Title |
---|
BP神经网络在织物性能预测中的应用与研究;肖继海;崔晓红;戴晋明;;电脑与信息技术(06);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114354675A (zh) | 2022-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109407654B (zh) | 一种基于稀疏深度神经网络的工业数据非线性因果分析方法 | |
CN104331635B (zh) | 电力光纤通信光功率预测的方法 | |
CN109067773A (zh) | 一种基于神经网络的车载can网络入侵检测方法及系统 | |
CN109117380A (zh) | 一种软件质量评价方法、装置、设备及可读存储介质 | |
CN111753101A (zh) | 一种融合实体描述及类型的知识图谱表示学习方法 | |
CN110968512B (zh) | 软件质量评估方法、装置、设备及计算机可读存储介质 | |
CN115983721B (zh) | 一种基于物联网大数据的电缆生产质量数据管理系统 | |
CN105471647B (zh) | 一种电力通信网故障定位方法 | |
CN108875788A (zh) | 一种基于改进的粒子群算法的svm分类器参数优化方法 | |
Nugroho et al. | Hyper-parameter tuning based on random search for densenet optimization | |
CN113779873A (zh) | 一种tdecq测量模型的构建方法及应用 | |
CN114354675B (zh) | 一种涤纶fdy纤维收缩率试验方法 | |
CN116976747A (zh) | 一种液晶显示器的密封剂生产管理方法及系统 | |
CN115310650A (zh) | 一种低复杂度高精度的时序多步预测方法及系统 | |
CN106156107A (zh) | 一种新闻热点的发现方法 | |
CN108376266A (zh) | 基于样本边缘点内部点的单类支持向量机核参数优化方法 | |
CN117216713A (zh) | 故障定界方法、装置、电子设备和存储介质 | |
CN111985598A (zh) | 一种分布式电源的配置方法 | |
CN113610350B (zh) | 复杂工况故障诊断方法、设备、存储介质及装置 | |
CN115116616A (zh) | 基于组内组间优化的多重插补的乳腺癌缺失数据插补模型 | |
CN115062759A (zh) | 一种基于改进型长短记忆神经网络的故障诊断方法 | |
CN114565051A (zh) | 基于神经元影响程度的产品分类模型的测试方法 | |
CN112348318B (zh) | 一种供应链风险预测模型的训练和应用方法及装置 | |
CN115345343A (zh) | 一种供水管网浊度的预测方法及预测装置 | |
JPH06215163A (ja) | ニューラルネット構築支援方法及び装置、ニューラルネットテスト装置、薬注制御システム |
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 |