基于集成智能的差別化紡絲性能雙向預(yù)測(cè)方法.pdf

1、本文以差別化紡絲的生產(chǎn)工藝及其優(yōu)化過(guò)程為研究對(duì)象，通過(guò)對(duì)于各種纖維的紡絲工藝的研究，以及對(duì)其關(guān)鍵生產(chǎn)參數(shù)與性能參數(shù)的選擇與數(shù)據(jù)收集，力求探究它們之間的關(guān)系，并應(yīng)用智能算法黑箱模擬此種關(guān)系，同時(shí)，以此為基礎(chǔ)實(shí)現(xiàn)基于差別化紡絲生產(chǎn)參數(shù)與性能參數(shù)的雙向預(yù)測(cè)，從而對(duì)其生產(chǎn)參數(shù)與性能參數(shù)進(jìn)行相互優(yōu)化，簡(jiǎn)化了建模難度，降低了生產(chǎn)成本，提高了纖維的最終性能。另外，該方法也為差別化紡絲生產(chǎn)過(guò)程的工藝優(yōu)化提出了一種新思路。
　　差別化紡絲性能的雙向

2、預(yù)測(cè)算法分為兩個(gè)部分，即應(yīng)用性能參數(shù)實(shí)現(xiàn)生產(chǎn)參數(shù)的優(yōu)化的反向推理過(guò)程，以及應(yīng)用生產(chǎn)參數(shù)實(shí)現(xiàn)性能參數(shù)的正向預(yù)測(cè)過(guò)程。首先，由于纖維的生產(chǎn)依賴于生產(chǎn)參數(shù)的設(shè)定，而生產(chǎn)參數(shù)的設(shè)定取決于給定的性能參數(shù)要求，所以生產(chǎn)參數(shù)的預(yù)測(cè)對(duì)于生產(chǎn)過(guò)程的優(yōu)化十分重要。傳統(tǒng)的方法是應(yīng)用經(jīng)驗(yàn)來(lái)控制與調(diào)試各個(gè)生產(chǎn)參數(shù)，使其終端性能滿足要求。由于各個(gè)生產(chǎn)參數(shù)之間相互作用并影響最終性能，因此必然存在多組可能的生產(chǎn)參數(shù)能夠滿足所給定的性能參數(shù)要求，即生產(chǎn)參數(shù)的設(shè)定是一個(gè)多

3、解問(wèn)題，以至于生產(chǎn)參數(shù)的設(shè)定十分困難。為了優(yōu)化生產(chǎn)參數(shù)的設(shè)定過(guò)程同時(shí)滿足生產(chǎn)參數(shù)解的多樣性，本文使用多目標(biāo)進(jìn)化算法以及基于實(shí)際生產(chǎn)參數(shù)正交實(shí)驗(yàn)結(jié)果構(gòu)成的神經(jīng)網(wǎng)絡(luò)對(duì)給定性能參數(shù)進(jìn)行生產(chǎn)參數(shù)的反向推理。同時(shí)，應(yīng)用粒子群算法對(duì)此多目標(biāo)進(jìn)化算法進(jìn)行設(shè)計(jì)與改進(jìn)，使其粒子的進(jìn)化過(guò)程能夠分別根據(jù)粒子進(jìn)化軌跡中的局部最后進(jìn)行進(jìn)化，以及根據(jù)所有粒子的各個(gè)目標(biāo)的全局最優(yōu)按照該粒子的最差目標(biāo)進(jìn)行進(jìn)化，從而保證了預(yù)測(cè)結(jié)果的多樣性，預(yù)測(cè)速度的高效性，以及預(yù)測(cè)結(jié)果

4、的準(zhǔn)確性。最后使用碳纖維原絲的正交生產(chǎn)數(shù)據(jù)對(duì)其進(jìn)行驗(yàn)證，結(jié)果證明，本文所提出的基于多目標(biāo)進(jìn)化算法的反向推理過(guò)程取得了很好的預(yù)測(cè)結(jié)果。
　　接著，由于在實(shí)際生產(chǎn)過(guò)程中，所得到的的經(jīng)驗(yàn)數(shù)據(jù)并非是通過(guò)正交實(shí)驗(yàn)所得到的的，所以所得到的的經(jīng)驗(yàn)數(shù)據(jù)是不規(guī)則的大范圍分散數(shù)據(jù)，為了將上述算法更好的應(yīng)用到差別化紡絲工藝的優(yōu)化之中，本文對(duì)其基于生產(chǎn)數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)，即正向預(yù)測(cè)算法進(jìn)行改進(jìn)。首先，對(duì)真實(shí)的生產(chǎn)數(shù)據(jù)進(jìn)行聚類得到各個(gè)輸入輸出中心，并應(yīng)用K均值

5、算法、粒子群進(jìn)化算子以及遺傳算子對(duì)此聚類算法進(jìn)行改進(jìn)，提高了聚類結(jié)果的準(zhǔn)確性，也為之后的正向預(yù)測(cè)過(guò)程打下基礎(chǔ)。接著，應(yīng)用改進(jìn)的徑向基神經(jīng)網(wǎng)絡(luò)與各個(gè)輸入輸出中心實(shí)現(xiàn)其正向預(yù)測(cè)過(guò)程，提高了預(yù)測(cè)結(jié)果的準(zhǔn)確性，也保證了反向推理過(guò)程中各個(gè)目標(biāo)函數(shù)的準(zhǔn)確性。最后使用大量的滌綸生產(chǎn)數(shù)據(jù)對(duì)上述聚類算法與正向預(yù)測(cè)算法進(jìn)行驗(yàn)證，并將此結(jié)果應(yīng)用到反向推理過(guò)程之中，結(jié)果證明基于此正向預(yù)測(cè)過(guò)程的反向推理過(guò)程取得了很好的預(yù)測(cè)結(jié)果。最后，應(yīng)用C＃語(yǔ)言，在基于.NET