CN116092614A - 一种基于混合神经网络的碳纤维原丝制备仿真方法 - Google Patents

一种基于混合神经网络的碳纤维原丝制备仿真方法 Download PDF

Info

Publication number
CN116092614A
CN116092614A CN202310200360.5A CN202310200360A CN116092614A CN 116092614 A CN116092614 A CN 116092614A CN 202310200360 A CN202310200360 A CN 202310200360A CN 116092614 A CN116092614 A CN 116092614A
Authority
CN
China
Prior art keywords
model
carbon fiber
mlp
data
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.)
Granted
Application number
CN202310200360.5A
Other languages
English (en)
Other versions
CN116092614B (zh
Inventor
蔡珣
杨叶倩
张烨
赵圣尧
史清杰
朱波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Weihai Institute Of Industrial Technology Shandong University
Shandong University
Original Assignee
Weihai Institute Of Industrial Technology Shandong University
Shandong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Weihai Institute Of Industrial Technology Shandong University, Shandong University filed Critical Weihai Institute Of Industrial Technology Shandong University
Priority to CN202310200360.5A priority Critical patent/CN116092614B/zh
Publication of CN116092614A publication Critical patent/CN116092614A/zh
Application granted granted Critical
Publication of CN116092614B publication Critical patent/CN116092614B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Inorganic Fibers (AREA)

Abstract

本发明提供了一种基于混合神经网络的碳纤维原丝制备仿真方法，获取碳纤维原丝的纺丝溶液参数和纺丝工艺参数；构建碳纤维生产的性能预测模型，所述性能预测模型包括：MLP模型和RNN模型；将所述纺丝溶液参数输入至所述MLP模型；将所述MLP模型的输出数据和所述纺丝工艺参数进行合并，将合并后的数据输入至所述RNN模型，获取碳纤维原丝的预测性能参数。本发明能够对碳纤维的原丝性能参数进行精确预测。

Description

一种基于混合神经网络的碳纤维原丝制备仿真方法
技术领域
本发明属于碳纤维原丝制备技术领域，尤其涉及一种基于混合神经网络的碳纤维原丝制备仿真方法。
背景技术
目前，碳纤维因其广泛的实用性，其需求量十分庞大并呈现出日益增长的趋势。碳纤维的质量十分受其原丝质量影响。然而，碳纤维原丝的工业制备流程十分繁琐、复杂，所涉及到的工艺参数很多并且该流程需要巨大的开销。所以，研究人员想要通过优化工艺参数实现制备拥有目标性能的碳纤维，其难度可想而知。
随着计算机技术的发展，机器学习技术的出现解决了这一难题。研究人员可通过使用机器学习技术，对工艺流程进行建模的方式，实现对工艺参数的优化，并对产品性能进行预测。现存的大部分处理该领域的机器学习技术主要包括：支持向量机技术以及人工神经网络技术。支持向量机技术主要是通过核函数将数据从低位特征空间映射至高位特征空间，求得样本点的支持向量的最大距离，从而使得数据能够被线性区分开来。然而，由于支持向量机技术的计算需要用到核函数，其计算量会随着数据量的增大而不断变得复杂。而人工神经网络技术的结构包含输入层、隐含层与输出层，层与层之间相互连接，理论上可以拟合任何形式的函数，并且采用并行计算策略，节省了运算时间。但是，目前现有的人工神经网络技术大多基于单一种类的神经网络模型，如多层感知机，对整个工业流程的仿真并不精细，仿真的精准度不高。
发明内容
为解决上述技术问题，本发明提出了一种基于混合神经网络的碳纤维原丝制备仿真方法，提高仿真的精准度。
为实现上述目的，本发明提供了一种基于混合神经网络的碳纤维原丝制备仿真方法，包括：
获取碳纤维原丝的纺丝溶液参数和纺丝工艺参数；
构建碳纤维生产的性能预测模型，所述性能预测模型包括：MLP模型和RNN模型；
将所述纺丝溶液参数输入至所述MLP模型，获取所述MLP模型的输出数据；
将所述MLP模型的输出数据和所述纺丝工艺参数进行合并，将合并后的数据输入至所述RNN模型，获取碳纤维原丝的预测性能参数，完成所述碳纤维原丝制备仿真。
可选地，构建碳纤维生产的所述性能预测模型后还包括：对所述性能预测模型进行训练。
可选地，对所述性能预测模型进行训练包括：
构建数据集，并对所述数据集进行预处理；
基于预处理后的所述数据集对所述性能预测模型进行训练，获取训练后的所述性能预测模型，训练后的所述性能预测模型用于获取碳纤维原丝的所述预测性能参数。
可选地，所述数据集包括：碳纤维原丝的所述纺丝溶液参数和所述纺丝工艺参数，以及碳纤维原丝的性能参数。
可选地，对所述数据集进行预处理包括：
在所述数据集上添加高斯噪声；
将添加高斯噪声后的所述数据集中小于预设数值的数据进行删除，并对剩余的数据进行标准化处理。
可选地，基于预处理后的所述数据集对所述性能预测模型进行训练包括：
将所述纺丝溶液参数输入至所述MLP模型，将所述纺丝工艺参数作为所述MLP模型的输出数据的第一真实标签数据，基于所述纺丝溶液参数和所述第一真实标签数据对所述MLP模型进行训练；
将所述MLP模型的输出数据和所述纺丝工艺参数进行合并，将合并后的数据输入至所述RNN模型，将所述性能参数作为所述RNN模型的输出数据的第二真实标签数据，基于所述合并后的数据和所述第二真实标签数据对所述RNN模型进行训练。
可选地，对所述MLP模型进行训练还包括：
对所述MLP模型设置激活函数和第一损失函数；
基于Adam优化器与反向传播算法对MLP模型参数进行优化；
所述激活函数为：
其中，ReLU为MLP的激活函数，为MLP的第层隐藏层的输出向量， x为神经网络节点的输入值， X 1为纺丝溶液参数；
所述第一损失函数为：
其中，为MLP的损失函数MSE，为MLP的第i个样本的预测输出，为真实标签，为搭建的MLP模型， n为神经网络输入样本总数。
可选地，对所述RNN模型进行训练还包括：
对所述RNN模型设置所述激活函数和第二损失函数；
基于Adam优化器与反向传播算法对RNN模型参数进行优化；
所述第二损失函数为：
其中，为RNN的损失函数MSE，为RNN的第i个样本的预测输出，为真实标签， X 3为合并的输入数据。
可选地，所述MLP模型的输出数据为：
其中， O为MLP模型的输出数据，为搭建的MLP模型， X 1为纺丝溶液参数，为激活函数ReLU，为MLP的第层隐藏层的输出向量，和均为MLP的模型参数。
可选地，所述预测性能参数为：
其中，为预测的输出值，指搭建的RNN模型，为激活函数ReLU，和是RNN的共享模型参数，为RNN中第t次迭代计算的输入数据，St为第t次迭代时的隐藏状态， W r 为RNN前一时刻状态值的共享参数。
与现有技术相比，本发明具有如下优点和技术效果：
通过本发明能够对碳纤维原丝的时序性工艺制备流程进行精细化仿真模拟，对碳纤维的原丝性能参数进行精确预测，提高碳纤维生产制备工艺的生产效率，同时降低生产错误率，高效地指导工艺生产人员。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明实施例的一种基于混合神经网络的碳纤维原丝制备仿真方法流程示意图；
图2为本发明实施例的4个模型在10个碳纤维原丝性能的预测精确度MSE上的比较示意图；
图3为本发明实施例的4个模型在平均MSE上的比较示意图；
图4为本发明实施例的DeepCPS的框架示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本发明提供了一种基于混合神经网络的碳纤维原丝制备仿真方法，包括：
获取碳纤维原丝的纺丝溶液参数和纺丝工艺参数；
构建碳纤维生产的性能预测模型，所述性能预测模型包括：MLP模型和RNN模型；
将所述纺丝溶液参数输入至所述MLP模型，获取所述MLP模型的输出数据；
将所述MLP模型的输出数据和所述纺丝工艺参数进行合并，将合并后的数据输入至所述RNN模型，获取碳纤维原丝的预测性能参数，完成所述碳纤维原丝制备仿真。
进一步地，构建碳纤维生产的所述性能预测模型后还包括：对所述性能预测模型进行训练。
进一步地，对所述性能预测模型进行训练包括：
构建数据集，并对所述数据集进行预处理；
基于预处理后的所述数据集对所述性能预测模型进行训练，获取训练后的所述性能预测模型，训练后的所述性能预测模型用于获取碳纤维原丝的所述预测性能参数。
进一步地，所述数据集包括：碳纤维原丝的所述纺丝溶液参数和所述纺丝工艺参数，以及碳纤维原丝的性能参数。
进一步地，对所述数据集进行预处理包括：
在所述数据集上添加高斯噪声；
将添加高斯噪声后的所述数据集中小于预设数值的数据进行删除，并对剩余的数据进行标准化处理。
进一步地，基于预处理后的所述数据集对所述性能预测模型进行训练包括：
将所述纺丝溶液参数输入至所述MLP模型，将所述纺丝工艺参数作为所述MLP模型的输出数据的第一真实标签数据，基于所述纺丝溶液参数和所述第一真实标签数据对所述MLP模型进行训练；
将所述MLP模型的输出数据和所述纺丝工艺参数进行合并，将合并后的数据输入至所述RNN模型，将所述性能参数作为所述RNN模型的输出数据的第二真实标签数据，基于所述合并后的数据和所述第二真实标签数据对所述RNN模型进行训练。
实施例
本实施例拟提出一种基于多层感知机（MLP）与循环神经网络（RNN）的融合模型的方法，对碳纤维原丝制备的工艺流程进行仿真模拟。输入数据为添加了高斯噪声的模拟碳纤维原丝的纺丝溶液数据和碳纤维原丝制备的工艺参数数据，输出为碳纤维原丝的性能参数。融合模型中的多层感知机用于初始化所制备碳纤维原丝的纺丝溶液参数，循环神经网络用于对碳纤维原丝的时序性工艺制备流程进行精细化仿真模拟，最终可通过训练融合模型对碳纤维的原丝性能参数进行精确预测。由于人工神经网络自带的并行计算策略，模型的训练过程相较于其他机器学习技术来说，时间较短且拟合度评价指数均方误差较低。
如图1所示，本实施例提供了一种基于混合神经网络的碳纤维原丝制备仿真方法，具体包括以下步骤：
S1：数据收集：从工厂中测得并收集到碳纤维原丝的纺丝溶液参数、纺丝工艺参数以及碳纤维原丝的性能参数。为拓展原有数据集，在原数据集基础上添加高斯噪声。
S2：数据预处理：将得到的数据中包含的小于0的数据删除，并将所有数据集进行标准化得到可使用的碳纤维原丝的纺丝溶液参数数据X1、纺丝工艺参数数据X2以及碳纤维原丝的性能参数数据Y。
S3：构建降维模型MLP，首先设置MLP的输入层大小设为15（与X1的特征数相同），其次设置隐藏层数目为2，输出层大小设为7（与时序数据X2中的每一步的输入特征数相同），激活函数为ReLU，损失函数设为均方误差损失MSE。MLP的输入数据为碳纤维原丝的纺丝溶液参数数据X1，真实标签数据为X2中的第一步的工艺参数数据X2_1。最终通过训练MLP，Adam优化器与反向传播算法对MLP的模型参数进行优化，最终得到MLP的输出O。
S4:合并数据O与纺丝工艺参数数据X2，得到模型RNN的输入数据X3。
S5:构建工艺模拟的时序模型RNN，设置其输入层大小为：[batch_size，time_step，input_size],batch_size为批训练的大小10，time_step为每次迭代要循环处理的节点数，input_size为每个节点的输入数据的特征数。RNN的输入数据为融合了碳纤维原丝的纺丝溶液与纺丝工艺的数据X3，真实标签数据为原丝的性能参数数据Y。使用Adam优化器与反向传播算法对RNN的模型参数进行优化，最终得到预测的原丝参数。
步骤S3中，具体包含以下步骤：
S3-1：将原丝的纺丝溶液参数数据X1输入至MLP中，得到输出O：
其中，公式第一行的指搭建的MLP模型， O为MLP模型的输出数据， X 1为纺丝溶液参数，为激活函数ReLU，为MLP的第层隐藏层的输出向量，和均为MLP的模型参数；公式第二、三四行的指激活函数ReLU，公式如下：
其中，ReLU为MLP的激活函数，为MLP的第层隐藏层的输出向量， x为神经网络节点输入值， X 1为纺丝溶液参数；
通过ReLU激活函数的负数将变为0，正数则没有变化。通过这样的设定来减缓在模型训练中容易出现的过拟合现象。指MLP的第层隐藏层的输出向量，和指的是MLP的模型参数。
S3-3：通过设置损失函数MSE，降低模型训练的拟合误差。MSE的公式如下：
是MLP的损失函数MSE，代表MLP的第i个样本的预测输出，代表真实标签，为搭建的MLP模型， n为输入样本总数；在本实施例中使用碳纤维原丝纺丝的时序性工艺参数的第一个步骤的特征值作为真实标签。
S4-1：按维度相同的方向合并数据O与纺丝工艺参数数据X2，得到模型RNN的输入数据X3：
S5-1：将合并的输入数据X3输入至搭建的RNN模型中，得到最终的预测输出值：
其中，公式第一行的指搭建的RNN模型；公式第二、三行的指激活函数ReLU，公式在1.3，St代表第t次迭代时的隐藏状态，其保存了t-1次的隐藏状态信息，公式如下：
和是RNN的共享模型参数，是第t个步骤的原丝纺丝工艺数据，也是RNN中第t次迭代计算的输入数据。是激活函数ReLU，公式在1.2。
S5-2：通过设置损失函数MSE，降低RNN模型训练的拟合误差。MSE的公式如下：
是RNN的损失函数MSE，代表RNN的第i个样本的预测输出，代表真实标签，在本实施例中使用碳纤维原丝的性能参数数据作为真实标签。
如图2所示，为4个模型在10个碳纤维原丝性能的预测精确度MSE上的比较。DeepCPS为本实施例提出的基于RNN和MLP的融合人工神经网络模型，剩下的三个模型为对比模型：支持向量机模型SVM、多层感知机模型MLP、长短期记忆模型LSTM。
实验结果1：本实施例的模型DeepCPS和LSTM模型在10个性能的预测上相对SVM与MLP效果较好。
结论1：本实施例模型与LSTM同样是基于时序性模型RNN进行的改进，都说明了时序模型能够更好的处理时序数据，比如碳纤维原丝的制备工艺过程。
实验结果2：本实施例的模型DeepCPS结果优于LSTM模型，在10个性能的预测上相对效果较好。
结论2：本实施例模型对碳纤维原丝制备过程分别使用MLP与RNN进行了精细化的建模，而LSTM模型是单一类型的模型，说明了精细化建模对结果预测具有影响且具有很大的意义。
如图3所示：4个模型在平均MSE上的比较。DeepCPS为本实施例提出的基于RNN和MLP的融合人工神经网络模型，剩下的三个模型为对比模型：支持向量机模型SVM、多层感知机模型MLP、长短期记忆模型LSTM。
实验结果3：本实施例的模型DeepCPS在平均MSE上，拟合效果优于其他所有模型。
结论3：本实施例模型对碳纤维原丝制备过程分别使用MLP与RNN进行了精细化的建模，而其余模型都是单一类型的机器学习模型，说明了精细化建模对结果预测具有影响且具有很大的意义。
本实施例所提出的基于MLP和RNN的人工神经网络模型DeepCPS 的框架如图4所示，在图4中，共有4个阶段：预处理数据阶段、数据维度缩减阶段、数据合并阶段和PAN原丝性能预测阶段。输入包含碳纤维PAN的纺丝溶液参数，有15个特征，在经过第一个阶段的数据维度缩减阶段后，特征维度会减至7，与后序时序性生产工艺参数维度大小保持一致以此输入至循环神经网络中；其次还有生产工艺参数，有63个特征尺寸（每个阶段有7个生产工艺参数）。融合后的数据作为输入时序数据一起放入基于9层循环神经网络建模的纺丝工艺过程，最终能够得到碳纤维生产的性能预测结果。
本实施例所提出的方法打破了传统的基于单一机器学习模型对工业流程进行仿真模拟的方法，避免了因单一模型产生的仿真不够精细的问题，具有很强的泛化性与很高的精确度。
以上，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.一种基于混合神经网络的碳纤维原丝制备仿真方法，其特征在于，包括：
获取碳纤维原丝的纺丝溶液参数和纺丝工艺参数；
构建碳纤维生产的性能预测模型，所述性能预测模型包括：MLP模型和RNN模型；
将所述纺丝溶液参数输入至所述MLP模型，获取所述MLP模型的输出数据；
将所述MLP模型的输出数据和所述纺丝工艺参数进行合并，将合并后的数据输入至所述RNN模型，获取碳纤维原丝的预测性能参数，完成所述碳纤维原丝制备仿真。
2.根据权利要求1所述的基于混合神经网络的碳纤维原丝制备仿真方法，其特征在于，构建碳纤维生产的所述性能预测模型后还包括：对所述性能预测模型进行训练。
3.根据权利要求2所述的基于混合神经网络的碳纤维原丝制备仿真方法，其特征在于，对所述性能预测模型进行训练包括：
构建数据集，并对所述数据集进行预处理；
基于预处理后的所述数据集对所述性能预测模型进行训练，获取训练后的所述性能预测模型，训练后的所述性能预测模型用于获取碳纤维原丝的所述预测性能参数。
4.根据权利要求3所述的基于混合神经网络的碳纤维原丝制备仿真方法，其特征在于，所述数据集包括：碳纤维原丝的所述纺丝溶液参数和所述纺丝工艺参数，以及碳纤维原丝的性能参数。
5.根据权利要求3所述的基于混合神经网络的碳纤维原丝制备仿真方法，其特征在于，对所述数据集进行预处理包括：
在所述数据集上添加高斯噪声；
将添加高斯噪声后的所述数据集中小于预设数值的数据进行删除，并对剩余的数据进行标准化处理。
6.根据权利要求4所述的基于混合神经网络的碳纤维原丝制备仿真方法，其特征在于，基于预处理后的所述数据集对所述性能预测模型进行训练包括：
将所述纺丝溶液参数输入至所述MLP模型，将所述纺丝工艺参数作为所述MLP模型的输出数据的第一真实标签数据，基于所述纺丝溶液参数和所述第一真实标签数据对所述MLP模型进行训练；
将所述MLP模型的输出数据和所述纺丝工艺参数进行合并，将合并后的数据输入至所述RNN模型，将所述性能参数作为所述RNN模型的输出数据的第二真实标签数据，基于所述合并后的数据和所述第二真实标签数据对所述RNN模型进行训练。
7.根据权利要求6所述的基于混合神经网络的碳纤维原丝制备仿真方法，其特征在于，对所述MLP模型进行训练还包括：
对所述MLP模型设置激活函数和第一损失函数；
基于Adam优化器与反向传播算法对MLP模型参数进行优化；
所述激活函数为：
其中，ReLU为MLP的激活函数，为MLP的为MLP的第层隐藏层的输出向量，x为神经网络节点输入值，X 1为纺丝溶液参数；
所述第一损失函数为：
其中，为MLP的损失函数MSE，代表MLP的第i个样本的预测输出，为真实标签，为搭建的MLP模型，n为输入样本总数。
8.根据权利要求7所述的基于混合神经网络的碳纤维原丝制备仿真方法，其特征在于，对所述RNN模型进行训练还包括：
对所述RNN模型设置所述激活函数和第二损失函数；
基于Adam优化器与反向传播算法对RNN模型参数进行优化；
所述第二损失函数为：
其中，为RNN的损失函数MSE，为RNN的第i个样本的预测输出，为真实标签，X 3为合并的输入数据。
9.根据权利要求1所述的基于混合神经网络的碳纤维原丝制备仿真方法，其特征在于，所述MLP模型的输出数据为：
其中，O为MLP模型的输出数据，为搭建的MLP模型，X 1为纺丝溶液参数，为激活函数ReLU，为MLP的第层隐藏层的输出向量，和均为MLP的模型参数。
10.根据权利要求1所述的基于混合神经网络的碳纤维原丝制备仿真方法，其特征在于，所述预测性能参数为：
其中，为预测的输出值，指搭建的RNN模型，为激活函数ReLU，和是RNN的共享模型参数，为RNN中第t次迭代计算的输入数据，St为第t次迭代时的隐藏状态，W r 为RNN前一时刻状态值的共享参数。
CN202310200360.5A 2023-03-06 2023-03-06 一种基于混合神经网络的碳纤维原丝制备仿真方法 Active CN116092614B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310200360.5A CN116092614B (zh) 2023-03-06 2023-03-06 一种基于混合神经网络的碳纤维原丝制备仿真方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310200360.5A CN116092614B (zh) 2023-03-06 2023-03-06 一种基于混合神经网络的碳纤维原丝制备仿真方法

Publications (2)

Publication Number Publication Date
CN116092614A true CN116092614A (zh) 2023-05-09
CN116092614B CN116092614B (zh) 2023-07-11

Family

ID=86202671

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310200360.5A Active CN116092614B (zh) 2023-03-06 2023-03-06 一种基于混合神经网络的碳纤维原丝制备仿真方法

Country Status (1)

Country Link
CN (1) CN116092614B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013216997A (ja) * 2012-04-10 2013-10-24 Toho Tenax Co Ltd 炭素繊維チョップドストランド、およびその製造方法
CN106447065A (zh) * 2016-05-12 2017-02-22 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
CN106446495A (zh) * 2016-05-12 2017-02-22 东华大学 碳纤维原丝生产过程中牵伸环节性能指标的预测方法
CN111046080A (zh) * 2019-12-05 2020-04-21 武汉理工大学 一种基于卷积去噪自编码器的碳纤维原丝监测数据预处理方法
US20210287089A1 (en) * 2020-03-14 2021-09-16 DataRobot, Inc. Automated and adaptive design and training of neural networks
WO2022021486A1 (zh) * 2020-07-31 2022-02-03 金发科技股份有限公司 一种pan基碳纤维及其制备方法与由其制成的碳纤维
CN115238587A (zh) * 2022-08-08 2022-10-25 吉林化工学院 一种基于迁移学习的碳纤维纺丝过程性能预测方法
CN115700665A (zh) * 2022-10-27 2023-02-07 浙江理工大学 一种基于Attention-GRU模型的纺纱质量预测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013216997A (ja) * 2012-04-10 2013-10-24 Toho Tenax Co Ltd 炭素繊維チョップドストランド、およびその製造方法
CN106447065A (zh) * 2016-05-12 2017-02-22 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
CN106446495A (zh) * 2016-05-12 2017-02-22 东华大学 碳纤维原丝生产过程中牵伸环节性能指标的预测方法
CN111046080A (zh) * 2019-12-05 2020-04-21 武汉理工大学 一种基于卷积去噪自编码器的碳纤维原丝监测数据预处理方法
US20210287089A1 (en) * 2020-03-14 2021-09-16 DataRobot, Inc. Automated and adaptive design and training of neural networks
WO2022021486A1 (zh) * 2020-07-31 2022-02-03 金发科技股份有限公司 一种pan基碳纤维及其制备方法与由其制成的碳纤维
CN115238587A (zh) * 2022-08-08 2022-10-25 吉林化工学院 一种基于迁移学习的碳纤维纺丝过程性能预测方法
CN115700665A (zh) * 2022-10-27 2023-02-07 浙江理工大学 一种基于Attention-GRU模型的纺纱质量预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
LULU QI等: "Prediction model of optimised process parameters for recycling carbon fibre composites", 《THERMAL SCIENCE AND ENGINEERING PROGRESS》 *
崔国喜: "碳纤维布抗剪能力的神经网络预测方法", 河南科学, no. 04 *
彭公秋;杨永岗;温月芳;刘朗;: "聚丙烯腈碳纤维原丝聚合及凝固成形的研究进展", 合成纤维, no. 02 *
李树刚;马莉;潘少波;石新莉;: "基于循环神经网络的煤矿工作面瓦斯浓度预测模型研究", 煤炭科学技术, no. 01 *

Also Published As

Publication number Publication date
CN116092614B (zh) 2023-07-11

Similar Documents

Publication Publication Date Title
Wang et al. Multi-objective feature selection based on artificial bee colony: An acceleration approach with variable sample size
CN113905391B (zh) 集成学习网络流量预测方法、系统、设备、终端、介质
CN109063939B (zh) 一种基于邻域门长短期记忆网络的风速预测方法及系统
CN111416797B (zh) 改进天牛群算法优化正则化极限学习机的入侵检测方法
US11625614B2 (en) Small-world nets for fast neural network training and execution
CN111861013B (zh) 一种电力负荷预测方法及装置
CN111178486B (zh) 一种基于种群演化的超参数异步并行搜索方法
CN112287990B (zh) 一种基于在线学习的边云协同支持向量机的模型优化方法
CN111127246A (zh) 一种输电线路工程造价的智能预测方法
CN112686383B (zh) 一种通信并行的分布式随机梯度下降的方法、系统及装置
CN114548591A (zh) 一种基于混合深度学习模型和Stacking的时序数据预测方法及系统
CN114118567A (zh) 一种基于双通路融合网络的电力业务带宽预测方法
CN113673242A (zh) 一种基于k邻近结点算法和对比学习的文本分类方法
Zhang et al. Network security situation prediction model based on EMD and ELPSO optimized BiGRU neural network
CN116092614B (zh) 一种基于混合神经网络的碳纤维原丝制备仿真方法
Liu et al. Illustration design model with clustering optimization genetic algorithm
Zhou et al. LightAdam: Towards a fast and accurate adaptive momentum online algorithm
Zhu et al. An Efficient Hybrid Feature Selection Method Using the Artificial Immune Algorithm for High‐Dimensional Data
Ma et al. Temporal pyramid recurrent neural network
CN111930484A (zh) 一种电网信息通信服务器线程池性能优化方法与系统
CN115599918B (zh) 一种基于图增强的互学习文本分类方法及系统
CN112699271B (zh) 一种提升用户视频网站留存时间的推荐方法
CN115034432A (zh) 一种风电场风力发电机组风速预测方法
Feldkamp et al. Explainable AI For Data Farming Output Analysis: A Use Case for Knowledge Generation Through Black-Box Classifiers
CN114912570A (zh) 加速神经网络模型优化的方法、装置、设备及可读介质

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