【技术实现步骤摘要】
本专利技术属于聚酯纤维的生产，特别是涉及一种基于深度学习的聚酯纤维聚合过程特性粘度计算方法。
技术介绍
1、聚酯纤维是一种广泛应用的合成纤维，在民用范围被广泛应用于服装、家居用品，是市场上最为主要的合成纤维之一，在工业领域，聚酯纤维被广泛应用于建筑材料、汽车产业、航空航天。聚酯纤维作为一种可持续发展的材料，同时兼备着耐磨、柔软、易清洗与高强度、耐热的特点，既适合应用在民用常见的服装家居用品等领域，同样适合在各种高精尖
内。
2、聚酯纤维的制备可以通过“熔融纺丝法”实现，该制备方法包括聚合-熔体输送-纺丝三大过程，其原理是由精对苯二甲酸和乙二醇连续酯化缩聚形成聚对苯二甲酸乙二醇酯(简称聚酯)熔体，后经过熔体输送过程和熔融纺丝过程形成的一种初生纤维(即聚酯纤维)。这种制备方法中，聚合过程作为整个流程的初始环节，对聚酯纤维的品质起到了决定性的作用。因此对聚酯纤维的聚合进行深入研究具有着重大的意义。
3、聚酯纤维的聚合过程主要分为酯化、预缩聚和终缩聚三大阶段，其中生产设备多样，化学机理复杂，影响因素繁多。众多影响因素中，聚酯纤维的特性粘度是极其重要的指标，聚酯纤维的特性粘度决定着产品的分子量，其决定着聚酯的用途。最终产品的品质对这些复杂的参数有着极高的标准。目前理论上聚酯纤维的生产控制与实际达到的生产控制还有着较大差距，对聚酯纤维的生产工艺控制研究还有极大的空间，还有留有许多可以优化的方面可以考虑。
4、近几年来，数据驱动与软测量建模技术(即数据驱动建模技术)在工业过程计算领域得到了广泛的应用，
5、目前，已经有许多相关智能算法用于化工纤维生产领域，从酯化环节开始就引入了大量的网络模型进行优化。对酯化环节建立静态模型，聚合过程酯化环节的质量多目标在线优化。优化反应的原料时，可以通过智能算法对反应的温度，催化剂的浓度等进行决策，利用基于非支配排序的遗传算法对缩聚环节进行多目标优化。但是，在实际生产过程中，势必存在各种干扰，包括投料的变化，机器的损坏等一系列问题。
6、上述这些不可预测的实时、现实问题使得当前基于传统的神经网络计算模型而建立的“熔融纺丝法”还不能快速或者完全对生产过程予以准确的判断和控制，也即这些现实的问题会改变聚酯纤维的特性粘度，从而最终可能会使产品的品质达不到质量标准的要求。
技术实现思路
1、本专利技术的目的在于克服上述在实际生产过程中存在现实干扰，提出一种除了传统的比例积分微分(proportional integral differential,pid)控制技术以外，增加智能算法的新型控制方法。所述方法包括基于专家知识库和实时推理机的聚酯专家系统，对聚合过程产物的粘度进行了有效识别和智能控制。并且通过利用小波变换技术对聚合过程进行参数辨识，实现了基于双向对传模糊神经网络的聚合过程智能控制。如此，相对于传统的神经网络计算模型能够进一步提高计算精度的网络模型，并用于实现对聚酯纤维聚合过程工艺参数的计算，最终通过提高计算的精度和速度，来保证聚酯纤维的特性粘度。
2、为了达到上述目的，本专利技术是这样实现的：
3、一种基于深度学习的聚酯纤维聚合过程特性粘度计算方法，包括
4、步骤1、建模：建立带有增强门的lstm神经网络模型；
5、步骤2、训练：
6、步骤2.1、对数据进行预处理，将所有数据整理成形如[x1,x2,···,xk；y]的样本，每组样本中前k个数表示模型的输入，第k+1个数为模型理想输出，将其称之为样本的标签；
7、步骤2.2、将每组样本都输入到模型中，得到每组样本对应的实际输出yi，yi表示第i组样本输入到模型后，对应的输出；
8、步骤2.3、将每组样本的标签和该样本对应的实际输出yi进行比较，如果标签的输出值与yi之间的均方误差在0.04之内，且决定系数r2达到0.85以上则模型训练结束，否则，调整模型的超参数，再进行上述步骤，直至标签与yi之间的均方误差在0.04之内且决定系数r2达到0.85以上，模型训练结束，得到计算模型；
9、步骤3、校正：将建立好的计算模型投入实际的生产应用中时，定期对所建的神经网络模型进行定期的校正，以适应新的生产工况。
10、本专利技术提出的上述基于深度学习的聚酯纤维聚合过程特性粘度计算方法，基于lstm神经网络计算模型，lstm神经网络计算模型是循环神经网络(rnn)中的一种特殊网络模型，也是它的一种变体，rnn模型是引入了定向循环的神经网络模型，能够解决输入之间前后有关联的问题，主要目的是用来处理序列数据。lstm模型是引入了“gates”的循环神经网络，其主要用于解决rnn的梯度消失和梯度爆炸问题；gru模型是将lstm的三个门“inputgate”、“output gate”和“forget gate”融合成“reset gate”和“update gate”两个门，本专利技术受经典控制理论的比例积分微分控制理论(pid)概念的启发，在初始的lstm中引入了一种新的门，称为“增强门”，改进的细胞层包含过去、现在和未来多方面的信息，建立增强长短时神经网络elstm的神经网络模型，目的是丰富细胞状态的信息，增强细胞单元记忆能力和遗忘能力。
11、进一步，本专利技术在模型训练过程中，对数据进行预处理，由于现场采集不可避免地会受到过程环境的干扰、测量仪器精度的影响以及数据传输过程中的扰动，最终采集到的数据往往会存在噪声和误差。因此，需要对采集到的数据进行降噪处理，并利用诸如均值滤波、中位值滤波、滑动平均值滤波等数字滤波的方式来消除随机微小误差。
12、进一步，还有一些由于人为操作失误或机器故障等原因造成的非随机误差，往往会造成数据出现异常值。对于明显的异常值，可以通过人工经验进行剔除，而对于一些无法直接识别出来的异常值，本专利技术通过3-σ准则和t2检验等异常数据检验方法来进行检测。
13、进一步，本专利技术在校正模型的过程中，将建立好的模型投入实际的生产应用中时，由于实际流程工业过程中常常会出现切换工作点、改变原材料、催化剂活性改变、仪器老化等情况，从而导致所建软测量模型的计算精度降低，即常说的“模型老化”问题。因为利用历史时刻的采样数据建立本文档来自技高网...
【技术保护点】
1.一种基于深度学习的聚酯纤维聚合过程特性粘度计算方法，其特征是：包括
2.根据权利要求1所述的基于深度学习的聚酯纤维聚合过程特性粘度计算方法，其特征是：步骤1中所述LSTM神经网络模型，计算公式包括
3.根据权利要求2所述的基于深度学习的聚酯纤维聚合过程特性粘度计算方法，其特征在于，LSTM神经网络模型包括输入层，LSTM循环层和输出层；其中LSTM循环层包括inputgate层、forget gate层、enhance gate层、output gate层和state层。
4.根据权利要求2或3所述的基于深度学习的聚酯纤维聚合过程特性粘度计算方法，其特征在于，增强门或enhance gate层包含过去、现在和未来三个时间段的细胞层数据信息，丰富了细胞状态的信息，增强了细胞状态的更新能力，让细胞单元的记忆能力，遗忘能力都得到提升，从而加快模型收敛速度，进一步提高预测结果的精度。
5.根据权利要求2所述的基于深度学习的聚酯纤维聚合过程特性粘度计算方法，其特征是：步骤2.3中，包括预测值与目标值的均方误差(MSE)和决定系数(R2)的
6.一种基于权利要求1所述的基于深度学习的聚酯纤维聚合过程特性粘度计算方法，齐特征是：步骤2中，采用两层网络层，网络层中神经元数量(units)均为20个、中间归一化层的动量(momentum)设置为0.6、极小值(epsilon)为0.001；最后全连接层选用“sigmoid”(σ(x))激活函数，模型输入为上述所选数据样本，模型理想输出为上述所选数据标签；模型优化器选择为“适应性矩估计法”(adaptive moment estimation，adam)，损失函数为“均方误差”(mean squared error，mse)，性能指标为“准确率”(accuracy)；训练时每次迭代样本数量(batch_size)为32个，迭代次数(epochs)为100次，并且每次仅保存最佳训练模型；根据工艺要求调整参数，直至满足要求，即为模型训练完成；将训练好的模型用于模型预测，输出即为特性粘度的预测值。
...【技术特征摘要】
1.一种基于深度学习的聚酯纤维聚合过程特性粘度计算方法，其特征是：包括
2.根据权利要求1所述的基于深度学习的聚酯纤维聚合过程特性粘度计算方法，其特征是：步骤1中所述lstm神经网络模型，计算公式包括
3.根据权利要求2所述的基于深度学习的聚酯纤维聚合过程特性粘度计算方法，其特征在于，lstm神经网络模型包括输入层，lstm循环层和输出层；其中lstm循环层包括inputgate层、forget gate层、enhance gate层、output gate层和state层。
4.根据权利要求2或3所述的基于深度学习的聚酯纤维聚合过程特性粘度计算方法，其特征在于，增强门或enhance gate层包含过去、现在和未来三个时间段的细胞层数据信息，丰富了细胞状态的信息，增强了细胞状态的更新能力，让细胞单元的记忆能力，遗忘能力都得到提升，从而加快模型收敛速度，进一步提高预测结果的精度。
5.根据权利要求2所述的基于深度学习的聚酯纤维聚合过程特性粘度计算方法...
【专利技术属性】
技术研发人员：傅子轩，朱秀丽，徐佳鋆，丁德锐，宋燕，雷昌喆，徐皓天，
申请(专利权)人：上海理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。