一种数据驱动的碳纤维原液温度控制参数优化方法技术

本发明专利技术公开了一种数据驱动的碳纤维原液温度控制参数优化方法，所述包括以下步骤：(1)从碳纤维生产线获取相关工艺参数进行处理，并对喷丝头进行分组；(2)使用处理后的工艺参数数据建立多个多元线性回归预测模型，用于对每组喷丝头的原液温度平均值进行预测；(3)将相关控制参数作为决策变量，设置每组喷丝头原液温度最优值，将每个多元线性回归模型预测值与相应原液温度最优值之差的绝对值作为目标函数，利用NSGA

【技术实现步骤摘要】
一种数据驱动的碳纤维原液温度控制参数优化方法


[0001]本专利技术属于碳纤维生产
，尤其属于一种数据驱动的碳纤维原液温度控制参数优化方法。

技术介绍

[0002]原丝的凝固成形是碳纤维生产中最重要的工序之一。而原液温度会在很大程度上影响喷丝时生成原丝的质量。原液温度过低时会出现吐丝困难，断丝增多的问题，导致可纺性降低；原液温度过高则容易发生毛细破坏。只有在适当的温度条件下，才可能进行连续纺丝而获得性能优良的纤维。若该阶段形成的原丝存在一定的缺陷，结构的遗传性会使得最终的碳纤维结构不完善、性能降低。
[0003]传统的原液温度控制参数主要依靠操作人员的经验来设置，具有很大的不确定性，有时参数设置不合理会影响原液形成的原丝质量，不利于企业降低生产成本及提高生产效率。若通过一些方法对原液维温度进行控制，避免人为经验设置造成的不确定性，则能够很好的提高企业生产效率，降低生产风险。
[0004]文献[1]中提出一种碳纤维纺前原液温度控制装置及方法，对纺丝前的管道原液温度通过装置进行控制，但是此方法仅实现了对管道原液温度的精确控制，无法用于确定使多个喷丝头原液温度最优的工艺参数。文献[2]在铝电解方面提出了一种数据驱动的工艺参数预测方法，通过数据驱动避免了机理模型的构建，在保证准确性的前提下降低了计算的复杂性。但此方法仅对工艺参数间的输入输出关系构建数据模型进行了预测，没有涉及工艺参数的优化。文献[3]在注塑工艺参数方面提出了一种优化方法，先通过BP神经网络建立数据驱动的模型，再结合模型通过遗传算法进行极值寻优，解决了优化过程中目标函数表达式难以获得的问题，但此方法仅是对单目标的优化。
[0005]因此，有必要提供一种数据驱动的碳纤维原液温度控制参数优化方法来解决目前存在的问题。
[0006]上述提到的相关文献：
[0007][1]王斐.一种碳纤维原丝纺前原液温度控制的装置及其方法:中国,201710490839.1[P].2017-10-24.
[0008][2]张振兵,曾北平.基于数据驱动的氧化铝浓度预测[J].世界有色金属.2020(11):224-226.
[0009][3]刘强,廖嘉华,梅端.基于正交试验和BPNN-GA混合算法的注塑工艺参数优化[J].南开大学学报(自然科学版).2020(04):57-62.

技术实现思路

[0010]本专利技术的目的是提供一种为碳纤维原液温度的调整提供最优的控制参数，使喷丝头原液在最适宜的温度下形成原丝的数据驱动的碳纤维原液温度控制参数优化方法，以克服现有技术的不足。
[0011]为实现上述目的，本专利技术所采用的技术方案是：
[0012]一种数据驱动的碳纤维原液温度控制参数优化方法，包括以下步骤：
[0013](1)从碳纤维生产线获取相关工艺参数进行处理，并对喷丝头进行分组；
[0014](2)使用处理后的工艺参数数据建立多个多元线性回归预测模型，用于对每组喷丝头的原液温度平均值进行预测；
[0015](3)将相关控制参数作为决策变量，设置每组喷丝头原液温度最优值，将每个多元线性回归模型预测值与相应原液温度最优值之差的绝对值作为目标函数，利用NSGA-II算法进行多目标优化，得到使喷丝头原液温度最优的工艺参数。
[0016]优选的，获取及处理工艺参数包括以下步骤：
[0017](1.1)从碳纤维生产线获取主管道原液温度、保温水温度、计量泵开度，多个喷丝头的原液温度；
[0018](1.2)给定各个工艺参数的调整范围；
[0019](1.3)根据参数调整范围对数据进行筛选，过滤掉异常数据及错误数据；
[0020](1.4)将喷丝头按照相邻的几个喷丝头为一组进行分组，并计算每组喷丝头的原液温度平均值。
[0021]优选的，建立多个多元线性回归预测模型包括以下步骤：
[0022](2.1)将获取到的主管道原液温度t1、保温水温度t2、计量泵开度s，第一组喷丝头的原液温度平均值avet1作为样本数据；
[0023](2.2)多次划分训练集和测试集，并进行训练，得到预测该组喷丝头原液温度平均值的多个多元线性回归模型；
[0024](2.3)进行模型评估，得到预测该组喷丝头原液温度平均值的最终多元线性回归模型；
[0025](2.4)将第一组喷丝头的原液温度平均值更换为其他组喷丝头的原液温度平均值，重复上述步骤(2.1)到(2.3)，使每一组喷丝头均有一个与之对应的喷丝头原液温度平均值预测模型。
[0026]优选的，通过NSGA-II算法得到最优工艺参数包括以下步骤：
[0027](3.1)将主管道原液温度、保温水温度、计量泵开度作为决策变量，并分别为决策变量设置约束条件；
[0028](3.2)设置每组喷丝头的原液温度最优值，将每个多元线性回归模型预测值与相应原液温度最优值之差的绝对值作为一个目标函数，得到多个目标函数；
[0029](3.3)设置种群数量，交叉概率，变异概率以及最大迭代次数，并根据步骤(3.1)中设置的决策变量的约束条件，随机生成初始种群；
[0030](3.4)将初始种群中的个体作为每个多元线性回归模型的输入，得到相应的目标函数值；
[0031](3.5)根据约束支配原则对初始种群进行快速非支配排序，进行选择、交叉、变异，得到第一代子代种群；
[0032](3.6)将父代种群和子代种群合并，并将合并种群中的个体作为每个多元线性回归模型的输入，得到相应的目标函数值；
[0033](3.7)对合并种群进行快速非支配排序并对每个非支配层中的个体进行拥挤度计
算，根据拥挤度及精英保留策略选出新的父代种群，再进行选择、交叉、变异产生新的子代种群；
[0034](3.8)判断是否达到最大迭代次数，如果没有，则重复执行步骤(3.6)和(3.7)，如果达到最大迭代次数，则算法终止，得到Pareto最优解集。
[0035]本专利技术的有益效果是：为碳纤维原液温度的调整提供了一种数据驱动的碳纤维原液温度控制参数优化方法，通过建立多元线性回归预测模型构建了控制参数与喷丝头原液温度的映射关系，并依据该映射关系通过NSGA-II算法对喷丝头原液温度的控制参数进行优化，解决了传统方法难以对碳纤维原液温度的控制参数进行优化设置的难题，避免了机理模型构建困难且计算复杂的问题，降低了生产风险以及生产原料的损耗，提高了生产效率。
附图说明
[0036]图1为本专利技术的获取及处理工艺参数流程图；
[0037]图2为本专利技术的每组喷丝头的原液温度平均值预测模型建模流程图；
[0038]图3为本专利技术的NSGA-II算法执行流程图；
[0039]图4为本专利技术的多元线性回归模型残差个案次序图；
[0040]图5为本专利技术的NSGA-II算法迭代过程中每一代的目标函数均值图；
[0041]图6为本专利技术的Pareto解集平行坐标图；<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据驱动的碳纤维原液温度控制参数优化方法，其特征在于：所述方法包括以下步骤：(1)从碳纤维生产线获取相关工艺参数进行处理，并对喷丝头进行分组；(2)使用处理后的工艺参数数据建立多个多元线性回归预测模型，对每组喷丝头的原液温度平均值进行预测；(3)将相关控制参数作为决策变量，设置每组喷丝头原液温度最优值，将每个多元线性回归模型预测值与相应原液温度最优值之差的绝对值作为目标函数，利用NSGA-II算法进行多目标优化，得到使喷丝头原液温度最优的工艺参数。2.根据权利要求1所述一种数据驱动的碳纤维原液温度控制参数优化方法，其特征在于：步骤(1)中所述获取及处理工艺参数包括以下步骤：(1.1)从碳纤维生产线获取主管道原液温度、保温水温度、计量泵开度，多个喷丝头的原液温度；(1.2)给定各个工艺参数的调整范围；(1.3)根据参数调整范围对数据进行筛选，过滤掉异常数据及错误数据；(1.4)将喷丝头按照相邻的几个喷丝头为一组进行分组，并计算每组喷丝头的原液温度平均值。3.根据权利要求1所述一种数据驱动的碳纤维原液温度控制参数优化方法，其特征在于：步骤(2)中所述建立多个多元线性回归预测模型包括以下步骤：(2.1)将获取到的主管道原液温度t1、保温水温度t2、计量泵开度s，第一组喷丝头的原液温度平均值avet1作为样本数据；(2.2)多次划分训练集和测试集，并进行训练，得到预测该组喷丝头原液温度平均值的多个多元线性回归模型；(2.3)进行模型评估，得到预测该组喷丝头原液温度平均值的最终多元线性回归模...

【专利技术属性】
技术研发人员：方艺霖，荆兆雷，金亮，姚碧涛，刘泉，刘浩杰，张鑫，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：