碳纤维原丝生产过程中凝固浴环节性能指标的预测方法技术

本发明专利技术涉及一种碳纤维原丝生产过程中凝固浴环节性能指标的预测方法，尤其是一种基于幂律法则改进的粒子群优化算法(PSO)优化的最小二乘支持向量机(LS‑SVM)的碳纤维原丝生产过程中凝固浴环节性能指标的预测方法，发明专利技术包括以下步骤：选择碳纤维原丝生产过程中凝固浴环节的纤维初始半径、凝固浴有效长度、初始速度和牵出速度作为特征信息，进行线性函数归一化后建立输入样本数据集；确定影响碳纤维质量的主要性能指标，即纤维最终半径、凝固层厚度，进行对数函数归一化后建立输出样本数据集；根据输入—输出样本数据集建立LS‑SVM模型，采用高斯径向基函数(RBF)作为LS‑SVM的核函数，并使用PSO优化选取最佳惩罚因子C和核函数参数σ；根据幂律法则对PSO寻优过程进行改进，可以大大提升寻优速度，并实现精准预测。

【技术实现步骤摘要】

本专利技术属碳纤维智能生产预测
，涉及一种碳纤维原丝生产过程中凝固浴环节性能指标的预测方法，具体地说是基于幂律法则改进的PSO优化LS-SVM的碳纤维原丝生产过程中凝固浴环节预测方法。
技术介绍
碳纤维是一种含碳量在95％以上的高强度、高模量纤维的新型纤维材料。因其密度低，比性能高，无蠕变，非氧化环境下耐超高温，耐疲劳性好，热膨胀系数小，耐腐蚀性好，导电导热性能好、电磁屏蔽性好，广泛应用于国防军工和民用方面。碳纤维原丝生产过程主要包括聚合、脱泡、计量、纺丝、牵引、水洗、上油、烘干、收丝等工序。纺丝过程，又叫凝固成形过程，是整个生产过程中最为关键的一个环节。纺丝过程是将聚合物原液用纺丝泵(或称计量泵)从喷丝头或喷丝板的毛细孔中挤出而成液态细流，再在凝固浴中固化成丝条的过程。由此可见，纺丝过程的主体是一个含有化学液体的水槽，称为凝固浴或纺丝浴。目前在碳纤维原丝生产的生产线上，凝固浴环节各主要影响因素与产品性能指标之间的对应关系往往凭借生产经验，缺乏相关的理论指导，不足以满足智能生产的需求。因此迫切需要一种预测方法，勿需在线调试，即可根据设定的生产参数条件预测出产品的性能指标，对其实际生产具有一定的指导作用。
技术实现思路
本专利技术所要解决的技术问题是针对目前碳纤维原丝生产过程中，凝固浴环节主要工艺参数与产品性能指标之间的对应关系往往凭借生产经验，缺乏相关的理论指导，在线调试需要生产线停产并进行多次生产模拟，会带来较大的经济损失等情况，提出一种碳纤维原丝生产过程中凝固浴环节性能指标的预测方法，具体地说是基于幂律法则改进的PSO优化LS-SVM的碳纤维原丝生产过程中凝固浴环节预测方法。本专利技术的碳纤维原丝生产过程中凝固浴环节性能指标的预测方法，为基于幂律法则改进的PSO优化的LS-SVM的碳纤维原丝生产过程中凝固浴环节预测方法，包括以下步骤：(1)将碳纤维原丝生产过程中凝固浴环节的主要影响因素作为特征信息，建立输入样本数据集，并对特征信息进行线性函数归一化处理，完成特征信息的预处理，并组成特征向量矩阵R’；(2)建立影响碳纤维质量的主要性能指标的输出样本数据集，并对性能指标进行对数函数归一化处理，完成对性能指标的预处理，并建立输出样本数据集矩阵Y’；(3)将所述特征向量和所述输出样本数据集矩阵使用基于幂律法则改进的PSO优化LS-SVM建立模型并实现预测功能；所述基于幂律法则改进的PSO优化是指：根据LS-SVM建立输入特征向量和输出样本数据集矩阵之间的预测模型时，需要依据训练集采用PSO对LS-SVM的惩罚因子C和RBF核函数的参数σ进行优化，在PSO寻优过程中，将全部粒子按适应度值的大小进行排序，将适应度差的粒子直接淘汰，在适应度好的20％的粒子所围成的区域中随机生成粒子，作为淘汰粒子的替换粒子；从而可以加快PSO优化惩罚因子C和RBF核函数的参数σ的值的速度，进而建立预测模型。作为优选的技术方案：如上所述的碳纤维原丝生产过程中凝固浴环节性能指标的预测方法，所述建立输入样本数据集矩阵具体为：一组输入样本数据包括凝固浴环节的主要工艺参数，将其构成一组输入数据样本为[r1r2…rm]，因此n组输入构成的输入样本数据集矩阵R为：将输入样本数据集矩阵R进行线性函数归一化，所述线性函数归一化处理的转换公式为：rij'＝(rij-rjmin)/(rjmax-rjmin)；其中，i＝1,2,…,n，j＝1,2,…,m，n为输入样本组数量，m为主要影响因素数量；rij为输入样本数据集的原始主要工艺参数；rjmin和rjmax分别为r1j，r2j，…，rnj中的最小值和最大值；rij’为归一化后的主要工艺参数；对线性函数归一化后的输入样本数据集矩阵即为特征向量R'：如上所述的碳纤维原丝生产过程中凝固浴环节性能指标的预测方法，其特征在于，建立与输入样本数据集一一对应的输出样本数据集，一一对应是指有一组输入，就要有对应这组输入的一组输出；所述建立输出样本数据集矩阵具体为：一组输出样本数据包括与凝固浴环节相关的碳纤维原丝的性能指标y；将其构成一组输出数据样本为[y1y2…yk]，因此n组输入构成的输出样本数据集矩阵Y为：将输出样本数据集矩阵Y进行对数函数归一化，所述对数函数归一化处理的转换公式为：yij'＝lg(yij)；其中，i＝1,2,…,n，j＝1,2,…,k，n为输出样本组数量；k为不同的性能指标数量；yij’为归一化后的性能指标；yij为输出样本数据集的性能指标；输出样本数据集矩阵Y’为：如上所述的碳纤维原丝生产过程中凝固浴环节性能指标的预测方法，所述步骤(3)使用LS-SVM建立模型的具体步骤为：将所述特征向量矩阵R’作为LS-SVM的输入样本矩阵，将所述输出样本数据集矩阵Y’作为LS-SVM的输出样本矩阵，使用LS-SVM建立模型；采用基于幂律法则改进的PSO计算惩罚因子C和RBF核函数的参数σ的值，建立模型；基于幂律法则改进PSO具体为：PSO中的粒子在指定的2维空间中搜索，第1维代表参数C，第2维代表参数σ，寻找最佳的C和σ参数组合；PSO每次寻优过程中，更新粒子的速度与位置，依据位置信息计算各粒子的适应度值并根据适应度的大小进行排序，在下一次寻优过程中，全部粒子向着适应度最好的粒子的位置移动；算法适应度函数代表预测值与真值间绝对误差的总和，粒子适应度值f的计算公式为：其中，n为输出样本组数量，yi为第n组性能指标的真实值，为第n组性能指标的预测值；适应度值越低表示粒子适应度越好；在单次搜索过程中，粒子适应度好并不能代表搜寻到的C和σ为全局最优解，但适应度差的粒子一定不是最优解；根据达尔文提出的优胜劣汰学说，可以将适应度差的粒子直接淘汰，并另外生成粒子作为淘汰粒子的替换粒子。因此，可以将全部粒子按适应度值从小到大进行排序，将适应度差的粒子直接淘汰，并另外生成粒子予以补全；依据幂律法则，适应度最好的20％的粒子所围成的区域产生优秀粒子的可能性远远大于其他地方的粒子；所述基于幂律法则改进的PSO是指将全部粒子按适应度值的大小进行排序，将适应度差的粒子直接淘汰，在适应度好的20％的粒子所围成的区域中随机生成粒子，作为淘汰粒子的替换粒子。如上所述的碳纤维原丝生产过程中凝固浴环节性能指标的预测方法，其特征在于，所述输入样本组数量n为300～1000。如上所述的碳纤维原丝生产过程中凝固浴环节性能指标的预测方法，其特征在于，凝固浴环节的输入影响因素数量m为1～8个。如上所述的碳纤维原丝生产过程中凝固浴环节性能指标的预测方法，其特征在于，凝固浴环节的4个主要影响因素，分别为纤维初始半径、凝固浴有效长度、初始速度和牵出速度。如上所述的碳纤维原丝生产过程中凝固浴环节性能指标的预测方法，其特征在于，影响碳纤维质量的不同的性能指标数量k为1～5个。如上所述的碳纤维原丝生产过程中凝固浴环节性能指标的预测方法，其特征在于，影响碳纤维质量的性能指标为纤维最终半径和凝固层厚度。如上所述的碳纤维原丝生产过程中凝固浴环节性能指标的预测方法，其特征在于，为保证粒子多样化，不陷入局部最优解，将适应度差的粒子直接淘汰是指淘汰全部粒子总数的20～50％。本专利技术以LS-SVM回归预测为手段，采用PSO对LS-SVM参数进行优化，在传统的PSO优本文档来自技高网...

【技术保护点】
碳纤维原丝生产过程中凝固浴环节性能指标的预测方法，其特征是：所述预测方法为基于幂律法则改进的粒子群优化算法PSO优化的最小二乘支持向量机LS‑SVM的碳纤维原丝生产过程中凝固浴环节预测方法，包括以下步骤：(1)将碳纤维原丝生产过程中凝固浴环节的主要工艺参数作为特征信息，建立输入样本数据集，并对特征信息进行线性函数归一化处理，完成特征信息的预处理，并组成特征向量矩阵R’；(2)建立影响碳纤维质量的主要性能指标的输出样本数据集，并对性能指标进行对数函数归一化处理，完成对性能指标的预处理，并建立输出样本数据集矩阵Y’；(3)将所述特征向量和所述输出样本数据集矩阵使用基于幂律法则改进的PSO优化LS‑SVM建立模型并实现预测功能；所述基于幂律法则改进的PSO优化是指：根据LS‑SVM建立输入特征向量和输出样本数据集矩阵之间的预测模型时，需要依据训练集采用PSO对LS‑SVM的惩罚因子C和RBF核函数的参数σ进行优化，在PSO寻优过程中，将全部粒子按适应度值的大小进行排序，将适应度差的粒子直接淘汰，在适应度好的20％的粒子所围成的区域中随机生成粒子，作为淘汰粒子的替换粒子；从而可以加快PSO优化惩罚因子C和RBF核函数的参数σ的值的速度，进而建立预测模型。...

【技术特征摘要】
1.碳纤维原丝生产过程中凝固浴环节性能指标的预测方法，其特征是：所述预测方法为基于幂律法则改进的粒子群优化算法PSO优化的最小二乘支持向量机LS-SVM的碳纤维原丝生产过程中凝固浴环节预测方法，包括以下步骤：(1)将碳纤维原丝生产过程中凝固浴环节的主要工艺参数作为特征信息，建立输入样本数据集，并对特征信息进行线性函数归一化处理，完成特征信息的预处理，并组成特征向量矩阵R’；(2)建立影响碳纤维质量的主要性能指标的输出样本数据集，并对性能指标进行对数函数归一化处理，完成对性能指标的预处理，并建立输出样本数据集矩阵Y’；(3)将所述特征向量和所述输出样本数据集矩阵使用基于幂律法则改进的PSO优化LS-SVM建立模型并实现预测功能；所述基于幂律法则改进的PSO优化是指：根据LS-SVM建立输入特征向量和输出样本数据集矩阵之间的预测模型时，需要依据训练集采用PSO对LS-SVM的惩罚因子C和RBF核函数的参数σ进行优化，在PSO寻优过程中，将全部粒子按适应度值的大小进行排序，将适应度差的粒子直接淘汰，在适应度好的20％的粒子所围成的区域中随机生成粒子，作为淘汰粒子的替换粒子；从而可以加快PSO优化惩罚因子C和RBF核函数的参数σ的值的速度，进而建立预测模型。2.根据权利要求1所述的碳纤维原丝生产过程中凝固浴环节性能指标的预测方法，其特征在于，所述建立输入样本数据集矩阵具体为：一组输入样本数据包括凝固浴环节的主要工艺参数，将其构成一组输入数据样本为[r1r2…rm]，因此n组输入构成的输入样本数据集矩阵R为：将输入样本数据集矩阵R进行线性函数归一化，所述线性函数归一化处理的转换公式为：rij'＝(rij-rjmin)/(rjmax-rjmin)；其中，i＝1,2,…,n，j＝1,2,…,m，n为输入样本组数量，m为主要影响因素数量；rij为输入样本数据集的原始主要工艺参数；rjmin和rjmax分别为r1j，r2j，…，rnj中的最小值和最大值；rij’为归一化后的主要工艺参数；对线性函数归一化后的输入样本数据集矩阵即为特征向量矩阵R'：3.根据权利要求1所述的碳纤维原丝生产过程中凝固浴环节性能指标的预测方法，其特征在于，建立与输入样本数据集一一对应的输出样本数据集，一一对应是指有一组输入，就要有对应这组输入的一组输出；所述建立输出样本数据集矩阵具体为：一组输出样本数据包括与凝固浴环节相关的碳纤维原丝的性能指标y；将其构成一组输出数据样本为[y1y2…yk]，因此n组输入构成的输出样本数据集矩阵Y为：将输出样本数据集矩阵Y进行对数函数归一化，所述对数函数归一化处理的转换公式为：yij'＝lg(yij)；其中，i＝1,2,…,n，j＝1,2,…,k，n为输出样本组数量；k为不同的性能指标数量；yij’为归一化后的性能指标；yij为输出样本数据集的性能指标；输出样本数据集矩阵...

【专利技术属性】
技术研发人员：任立红，赵润喆，丁永生，徐楠，陈磊，郝矿荣，
申请(专利权)人：东华大学，
类型：发明
国别省市：上海;31