一种基于双高斯贝叶斯网络的特性粘度在线软测量方法技术

本发明专利技术提出了一种基于双高斯贝叶斯网络的特性粘度在线软测量方法，包括先后进行的预训练阶段和在线软测量阶段；预训练阶段前，从聚酯纤维聚合过程的传感器上采集历史数据，并将其划分为训练样本和测试样本；预训练阶段先采用训练样本训练预测模型，再采用训练样本训练校正模型；在线软测量阶段利用训练后的预测模型和训练后的校正模型获得待测样本的特性粘度的最终预测值。本发明专利技术的方法克服了传统离线建模方法自适应性差、模型性能下滑的缺点，提高了聚合物的质量及成品纤维性能。提高了聚合物的质量及成品纤维性能。提高了聚合物的质量及成品纤维性能。

【技术实现步骤摘要】
一种基于双高斯贝叶斯网络的特性粘度在线软测量方法


[0001]本专利技术属于化纤生产工艺
，涉及一种基于双高斯贝叶斯网络的特性粘度在线软测量方法

技术介绍

[0002]聚酯纤维(PET)是生产合成纤维、薄膜、长丝和塑料制品的基本原料，具有高强度、不易皱、吸水性小等优点。在各种服用纤维中，聚酯纤维以其优良的弹性恢复能力、化学稳定性以及资源可开发性，获得了比其它合成纤维更广泛的应用。聚酯纤维的直纺生产工艺主要包含四个环节：由有机二元酸和二元醇发生缩聚反应得到具备一定粘度的聚合物，再将聚合物输送到纺丝车间经纺丝及后加工后得到聚酯纤维成品。
[0003]随着计算机、传感器、数据存储等技术的发展，聚酯纤维行业产生了大量的工业数据，这些数据对于聚酯纤维生产过程的建模具有较高价值。聚酯纤维聚合过程建模方法可分为数据驱动建模法和机理建模法，机理建模方法需要全面准确的理论支撑，且基于较多简化和假设之上，因而在复杂工业过程中的应用存在较大阻力；数据驱动建模方法只涉及过程的输入输出变量，不必详细分析其内部机理，因此更适用于具有非线性和不确定性的聚酯纤维聚合过程建模。数据驱动建模方法对于工业大数据依赖较大，通过机器学习和深度学习方法训练模型，分析输入输出变量之间的非线性映射关系即可建立软测量模型，常用于工业过程的软测量建模中。由于聚酯纤维聚合过程数据中往往存在着较为严重的数据共线性，主元回归和偏最小二乘回归方法能够有效地消除变量之间的相关性，以较少的变量来描述对象的特性。随着机器学习、深度学习、人工智能等技术的不断发展，高斯过程回归、支持向量机、深度神经网络等算法已在数据驱动建模中得到了广泛的应用。
[0004]聚合过程是聚酯纤维生产全流程的第一步，其得到的聚合物质量直接影响最终成品的质量。聚合物的质量是通过特性粘度这个指标来衡量的，而特性粘度的测量存在诸多困难：传统传感器很难用于特性粘度的直接测量；粘度计的测量结果易受环境影响，测量精度较低；实验室分析又需要耗费大量时间，具有较高的成本和时滞性。因此，对于聚合物的特性粘度进行及时、准确的软测量，从而能够实时地获取特性粘度的变化情况，便于工人针对原料、催化剂、压力和温度等操作条件做出相应的调整，这对于保障整个生产过程的顺利进行起着重大的作用。
[0005]目前已有学者采用不同方法对聚酯纤维的特性粘度进行软测量，建立了相应的机理模型和数据驱动模型并取得了一定的成效，但这些模型还存在一些问题亟待解决。由于聚酯纤维聚合过程本身所具有的多变量、强干扰、大滞后、强耦合等特点，这些模型一旦在线应用时间过长，便会出现数据漂移的现象，如果不对其进行校正势必会影响模型的软测量精度。此外，聚酯纤维聚合过程的数据具有较大的时变性以及非线性，常规的离线模型训练完毕之后其结构或参数便已固定，无法针对生产工况的变化对模型做出相应的调整。

技术实现思路

[0006]本专利技术的目的是针对现有离线模适应性差、在线性能下降的不足，提供一种可以根据实际生产工况对离线预测值进行在线校正、同时保证足够运行效率的特性粘度在线软测量方法。本专利技术采用双模型的思想对离线模型的输出值进行在线校正以弥补单模型的性能缺陷，通过动态可变窗口监测模型性能，当性能下滑时采用增量学习的方式调整模型参数，提高模型更新效率，达到优化生产工艺，提高聚酯纤维生产质量的目的。
[0007]为了达到上述目的，本专利技术采用的技术方案如下：
[0008]一种基于双高斯贝叶斯网络的特性粘度在线软测量方法，包括先后进行的预训练阶段和在线软测量阶段；
[0009]预训练阶段前，从聚酯纤维聚合过程的传感器上采集历史数据，并将其划分为训练样本和测试样本；
[0010]预训练阶段先采用训练样本训练预测模型，再采用训练样本训练校正模型；
[0011]预测模型采用高斯贝叶斯网络I，高斯贝叶斯网络I的输入为与特性粘度相关的工艺参数X，高斯贝叶斯网络I的输出为特性粘度的初次预测值训练预测模型的过程即对高斯贝叶斯网络I的参数进行学习更新的过程，除了训练样本外，具体训练过程同文献(Zhu M,Liu S,Jiang J.A novel divergence for sensitivity analysis in Gaussian Bayesian networks[J].International Journal ofApproximate Reasoning,2017,90:37
‑
55.)；预测模型的网络结构采用多输入单输出的方式，即每个输入变量都是输出变量的直接父节点，且输入变量之间遵循条件独立的假设；
[0012]校正模型采用高斯贝叶斯网络II，校正模型的工作流程如下：
[0013](i)将输入到高斯贝叶斯网络II，由其输出特性粘度的二次预测值Y'；将预测模型的输出作为校正模型的输入之一，是为了更加充分利用预测模型的有效信息；
[0014](ii)将D'＝{X',Y'}输入到高斯贝叶斯网络II，由其输出偏差变量B的预测值μ
BX
'，Y为特性粘度的真实值；
[0015]训练校正模型的过程即对高斯贝叶斯网络II的参数进行学习更新的过程，除了训练样本外，具体训练过程同文献(Zhu M,Liu S,Jiang J.A novel divergence for sensitivity analysis in Gaussian Bayesian networks[J].International Journal of Approximate Reasoning,2017,90:37
‑
55.)；
[0016]现有技术中高斯贝叶斯网络的训练分为网络结构训练和网络参数训练，网络结构的训练是通过一个评分函数寻找一个最优的网络结构，终止条件一般为评分函数值不再变化或变化幅度小于一个阈值，本专利技术的网络结构是根据条件独性假设及专家经验确定的，因此不需要去训练网络结构，只需要训练网络参数；
[0017]本专利技术能够使用校正模型对预测模型的输出进行校正，克服了传统单模型建模的性能缺陷，且充分利用高斯贝叶斯网络强大的不确定性推理能力，适用于时变性强、耦合性高的复杂流程工业建模；
[0018]在线软测量阶段利用训练后的预测模型和训练后的校正模型获得待测样本的特性粘度的最终预测值。
[0019]作为优选的技术方案：
[0020]如上所述的一种基于双高斯贝叶斯网络的特性粘度在线软测量方法，训练样本和测试样本的数量比为2～4:1。
[0021]如上所述的一种基于双高斯贝叶斯网络的特性粘度在线软测量方法，与特性粘度相关的工艺参数为与特性粘度的皮尔逊相关系数高于0.6的工艺参数，本专利技术利用皮尔逊相关系数进行特征选择的时候发现大多数特征与特性粘度的相关性都很低(相关系数小于0.3)，只有几个特征与特性粘度的相关系数维持在0.6～0.7左右，考虑到本专利技术的重点并不在特征选择上，因此阈值就简单设置为0.6。
[0022]如上所述的一种基于双高斯贝叶斯本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双高斯贝叶斯网络的特性粘度在线软测量方法，其特征在于，包括先后进行的预训练阶段和在线软测量阶段；预训练阶段前，从聚酯纤维聚合过程的传感器上采集历史数据，并将其划分为训练样本和测试样本；预训练阶段先采用训练样本训练预测模型，再采用训练样本训练校正模型；预测模型采用高斯贝叶斯网络I，高斯贝叶斯网络I的输入为与特性粘度相关的工艺参数X，高斯贝叶斯网络I的输出为特性粘度的初次预测值训练预测模型的过程即对高斯贝叶斯网络I的参数进行学习更新的过程；校正模型采用高斯贝叶斯网络II，校正模型的工作流程如下：(i)将输入到高斯贝叶斯网络II，由其输出特性粘度的二次预测值Y'；(ii)将D'＝{X',Y'}输入到高斯贝叶斯网络II，由其输出偏差变量B的预测值μ
BX
'，Y为特性粘度的真实值；训练校正模型的过程即对高斯贝叶斯网络II的参数进行学习更新的过程；在线软测量阶段利用训练后的预测模型和训练后的校正模型获得待测样本的特性粘度的最终预测值。2.根据权利要求1所述的一种基于双高斯贝叶斯网络的特性粘度在线软测量方法，其特征在于，训练样本和测试样本的数量比为2～4:1。3.根据权利要求1所述的一种基于双高斯贝叶斯网络的特性粘度在线软测量方法，其特征在于，与特性粘度相关的工艺参数为与特性粘度的皮尔逊相关系数高于0.6的工艺参数。4.根据权利要求3所述的一种基于双高斯贝叶斯网络的特性粘度在线软测量方法，其特征在于，与特性粘度相关的工艺参数为TPA旋转阀转速、浆料配置槽电流、在线浆料注射压力和CAT喷给罐温度。5.根据权利要求1所述的一种基于双高斯贝叶斯网络的特性粘度在线软测量方法，其特征在于，所述高斯贝叶斯网络I的参数为高斯贝叶斯网络I的均值和方差；所述高斯贝叶斯网络II的参数为高斯贝叶斯网络II的均值和方差。6.根据权利要求1所述的一种基于双高斯贝叶斯网络的特性粘度在线软测量方法，其特征在于，在线软测量阶段的流程如下：(a)t时刻的待测样本分别输入到训练后的预测模型和训练后的校正模型中，预测模型输出特性粘度的初次预测值校正模型输出偏差变量B的预测值(b)使用一个窗口监测校正模型的性能，窗口的...

【专利技术属性】
技术研发人员：陈磊，施锦涛，董皓言，郝矿荣，
申请(专利权)人：东华大学，
类型：发明
国别省市：