一种聚酯纤维聚合过程特性粘度预测方法技术

本发明专利技术涉及一种聚酯纤维聚合过程特性粘度预测方法，包括：获取聚酯纤维聚合车间生产过程数据，并对生产过程数据进行预处理。根据特征选择方法和人工经验选取出对聚酯纤维聚合过程特性粘度具有较大影响的变量，形成特征子集。建立聚酯纤维聚合过程特性粘度预测的深度学习模型。以特征子集为输入，对聚酯纤维聚合过程特性粘度预测的模型进行训练，利用梯度下降法对神经网络模型进行参数优化，训练得到聚酯纤维聚合过程特性粘度预测的最佳模型。将所得的聚酯纤维聚合过程特性粘度预测的模型部署于聚酯车间，根据车间的实时生产数据进行预测。本申请通过深度学习算法实现聚酯纤维聚合过程特性粘度的预测，使得车间工作人员可以实时调整工艺参数。实时调整工艺参数。实时调整工艺参数。

【技术实现步骤摘要】
一种聚酯纤维聚合过程特性粘度预测方法


[0001]本专利技术涉及一种聚酯纤维聚合过程特性粘度预测方法，尤其涉及一种基于 Attention机制的TCN
‑
GRU的聚酯纤维聚合过程特性粘度预测方法，属于聚酯纤维智能生产预测


技术介绍

[0002]纺织行业是我国支柱产业之一，发展早、规模大。聚酯纤维是纺织行业的重要原材料之一，其生产主要流程包括聚酯纤维熔体生产、运输、纺丝和织布加工四部分，其中溶体聚合过程是聚酯纤维生产的首要环节。聚酯纤维聚合过程特性粘度是衡量聚酯纤维质量的重要参数，其稳定性是衡量生产质量的重要指标。
[0003]在聚酯纤维生产过程中，现场工程师一般根据工作经验来对个别关键指标进行监控、调整，该方法往往凭借生产经验，缺乏相关的理论指导，不能满足智能生产的需求。因此，迫切需要一种预测方法，不用在线调试，即可根据设定的生产参数要求预测出聚酯纤维聚合过程特性粘度，对其生产具有指导作用。

技术实现思路

[0004]本专利技术要解决的技术问题是：目前聚酯纤维聚合过程中，工程师一般根据工作经验来对特性粘度指标进行监控、调整，缺乏相关理论指导，不能满足智能生产的需求；其次，在线调试过程可能会造成聚酯纤维熔体特性粘度变化较大，不能满足后续生产工艺要求，以至于造成较大的经济损失。
[0005]为了解决上述技术问题，本专利技术的技术方案是提供了一种聚酯纤维聚合过程特性粘度预测方法，其特征在于，为基于注意力机制的时间卷积网络TCN—门控神经网络GRU的聚酯纤维聚合过程特性粘度预测方法，包括以下步骤：
[0006]S1获取聚酯纤维聚合生产车间过程数据，生产过程数据为各生产过程参数数据，每个生产过程参数为一个变量；对所获取的生产过程数据进行预处理，预处理方式包括：对生产过程数据异常值进行处理；对生产过程数据噪声进行处理；对生产过程数据量纲不一致进行处理；
[0007]S2基于步骤S1获得的生产过程数据，根据特征选择方法和人工经验从所有变量中选取出对聚酯纤维聚合过程特性粘度具有较大影响的变量，被选出的所有变量构成特征子集，将特征子集中的每个变量定义为特征；
[0008]S3建立聚酯纤维聚合过程特性粘度预测的深度学习模型，该深度学习模型包括输入层、TCN残差网络、GRU单元层、Attention层和输出层；
[0009]经过输入层输入的数据在TCN残差网络中，首先进行一维扩张卷积操作，如下式所示：
[0010][0011]式中，x
s
‑
di
为输入序列，x表示第s个卷积对象，di表示第i个卷积核的扩张系数，x
‑
di确保只能对过去的输入做卷积操作；f(i)表示第i个卷积核的过滤器； k表示卷积核大小；
[0012]数据经过一维扩张卷积操作后对权重进行归一化操作，使用ReLU函数作为激活函数，最后采用Dropout操作，随机丢弃神经元；
[0013]TCN残差网络用语提取数据的时序特征后输入到GRU单元层，GRU单元层由更新门和重置门组成，如下式所示：
[0014]r
t
＝σ(W
r
[h
t
‑1,u
t
])
[0015]z
t
＝σ(W
z
[h
t
‑1,u
t
])
[0016][0017][0018]式中：u
t
表示当前时刻的输入信息；h
t
‑1表示第t
‑
1时刻的隐藏层状态；h
t
表示第t时刻的隐藏层状态；r
t
代表重置门数值，用来控制第t时刻信息遗忘的程度； z
t
代表更新门数值，表示第t
‑
1时刻隐藏层信息与第t时刻输入信息的更新数值；代表备选状态；σ代表sigmoid激活函数；tanh表示双曲线正切函数；W
r
为重置门权重矩阵；W
z
为更新门权重矩阵；W
h
为备选状态权重矩阵。
[0019]Attention层的输入为经过GRU单元层处理过的特征向量，Attention层通过对特征向量中的特征赋予不同的权重，突出更为关键的影响因素，帮助模型提高预测精度；
[0020]Attention层的权值系数计算公式为：
[0021]v
t
＝∑a
t
h
t
[0022]式中，v
t
表示Attention层在t时刻的输出；e
t
＝utanh(wh
t
+b)， e
t
表示为t时刻GRU单元层输出的特征向量h
t
所决定的注意力概率分布值；u、w 是权重系数，b为偏置系数；
[0023]最后，输出层将Attention层的输出经由全连接层进行计算得到预测结果；
[0024]S4以特征子集为输入，对步骤S3建立的聚聚酯纤维聚合过程特性粘度预测的深度学习模型进行训练，利用梯度下降法对深度学习模型进行参数优化，训练得到聚酯纤维聚合过程特性粘度预测的最佳预测模型，其中，将特征子集中的特征数据导入深度学习模型的输入层，输入特征通过TCN残差网络进行时序特征提取，输出特征向量，然后将TCN残差网络输出的特征向量输入GRU单元层和 Attention层，从特征向量中学习聚合过程变化规律，实现模型预测，最后通过输出层得到预测结果；
[0025]S5将所得的最佳预测模型部署于聚酯车间，根据车间的实时生产数据进行预测。
[0026]优选地，对生产过程数据异常值进行处理时，使用箱型图法计算特征数据的下四分位数Q1、中位数Q2以及上四分位数Q3，计算四分位距离IQR＝Q3
‑
Q1；设置当前特征的上限值为Q3+1.5IQR、下限值为Q1
‑
1.5IQR，则将超过上限值以及低于下限值的特征数据判定为
异常值。
[0027]优选地，步骤S1中，使用滑动平均法对生产过程数据噪声进行处理。
[0028]优选地，步骤S2中，特征选择方法为基于最大信息系数的特征排序方法，其中，变量X和变量Y之间的最大信息系数MIC[x:y]的计算公式如下式所示：
[0029][0030]式中，为变量X和变量Y之间的互信息，p(X,Y)为变量X和变量Y之间的联合概率，P(X)、P(Y)分别为变量X和变量Y的分布概率；|X|、 |Y|分别表示变量X和变量Y值域在网格上划分的个数，B表示网格划分|X|*|Y|的上限值。
[0031]优选地，步骤S3中，TCN残差网络单位数为3，GRU单元层数为2。
[0032]优选地，步骤S4中，深度学习模型的评价标准为均方根误差RMSE以及拟合优度R2，如下式所示：
[0033][0034][0035]式中，n表示预测结果的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种聚酯纤维聚合过程特性粘度预测方法，其特征在于，为基于注意力机制的时间卷积网络TCN—门控神经网络GRU的聚酯纤维聚合过程特性粘度预测方法，包括以下步骤：S1获取聚酯纤维聚合生产车间过程数据，生产过程数据为各生产过程参数数据，每个生产过程参数为一个变量；对所获取的生产过程数据进行预处理，预处理方式包括：对生产过程数据异常值进行处理；对生产过程数据噪声进行处理；对生产过程数据量纲不一致进行处理；S2基于步骤S1获得的生产过程数据，根据特征选择方法和人工经验从所有变量中选取出对聚酯纤维聚合过程特性粘度具有较大影响的变量，被选出的所有变量构成特征子集，将特征子集中的每个变量定义为特征；S3建立聚酯纤维聚合过程特性粘度预测的深度学习模型，该深度学习模型包括输入层、TCN残差网络、GRU单元层、Attention层和输出层；经过输入层输入的数据在TCN残差网络中，首先进行一维扩张卷积操作，如下式所示：式中，x
s
‑
di
为输入序列，s表示第s个卷积对象，di表示第i个卷积核的扩张系数，s
‑
di确保只能对过去的输入做卷积操作；f(i)表示第i个卷积核的过滤器；k表示卷积核大小；数据经过一维扩张卷积操作后对权重进行归一化操作，使用ReLU函数作为激活函数，最后采用Dropout操作，随机丢弃神经元；TCN残差网络用语提取数据的时序特征后输入到GRU单元层，GRU单元层由更新门和重置门组成，如下式所示：r
t
＝σ(W
r
[h
t
‑1,u
t
])z
t
＝σ(W
z
[h
t
‑1,u
t
])])式中：u
t
表示当前时刻的输入信息；h
t
‑1表示第t
‑
1时刻的隐藏层状态；h
t
表示第t时刻的隐藏层状态；r
t
代表重置门数值，用来控制第t时刻信息遗忘的程度；z
t
代表更新门数值，表示第t
‑
1时刻隐藏层信息与第t时刻输入信息的更新数值；代表备选状态；σ代表sigmoid激活函数；tanh表示双曲线正切函数；W
r
为重置门权重矩阵；W
z
为更新门权重矩阵；W
h
为备选状态权重矩阵；Attention层的输入为经过GRU单元层处理过的特征向量，Attention层通过对特征向量中的特征赋予不同的权重，突出更为关键的影响因素，帮助模型提高预测精度；Attention层的权值系数计算公式为：v

【专利技术属性】
技术研发人员：张朋，毕佳俊，张洁，赵春财，崔利，毕金茂，
申请(专利权)人：新凤鸣集团湖州中石科技有限公司，
类型：发明
国别省市：