[发明专利]基于改进ELM的熔融纺丝工艺的调节方法

说明书

本发明涉及基于改进ELM的熔融纺丝工艺的调节方法。首先采集并归一化处理已知纤维的工艺参数和性能指标数据，并以工艺参数数据为输入样本，性能指标数据为输出样本，采用免疫优化算法优化ELM的输入层权值和隐含层阈值得到改进ELM；然后基于改进ELM建立工艺参数与性能指标的数据库；最后从数据库中查找预得到的性能指标对应的工艺参数，并按此工艺参数进行熔融纺丝。其中免疫优化算法的抗体为ELM的输入层权值和隐含层阈值，抗原为ELM的输出值与真实值的绝对误差函数F_v。本发明使用免疫优化算法对ELM输入层权值及隐含层阈值进行优化，降低了倍半伸长率的均方误差和均方根误差，提高了工艺调节精度。

技术领域

本发明属于智能优化领域，涉及基于改进ELM的熔融纺丝工艺的调节方法，特别涉及基于免疫优化算法优化改进ELM的熔融纺丝工艺的调节方法。

背景技术

聚酯纤维因其具有良好的性能，在现今纺织产品、工业、农业等领域具有广泛应用。聚酯纤维熔融纺丝过程是整个生产过程中最为关键的一个环节，决定着初生纤维的质量。目前在聚酯纤维生产的生产线上，熔融纺丝环节主要影响因素与产品性能指标之间的对应关系往往凭借生产经验，性能指标的预测往往通过人工采样测量或在实验室采用仪器设备进行分析，不足以满足智能生产的需求，相关的理论指导较少，在线调试需要生产线停产并进行多次生产模拟，会带来较大的经济损失。因此迫切需要一种快速的预测方法，无需在线调试，即可根据设定的生产参数条件预测出产品的性能指标，对其实际生产具有一定的指导作用。

目前，相关的理论研究有基于幂律法则改进的粒子群优化算法优化的最小二乘支持向量机的碳纤维原丝生产过程中凝固浴环节性能指标的预测，其建模方法相对复杂，运行需要一定的时间。

ELM是从单隐含层的神经网络发展而来的，是一个三层的神经网络模型。三层神经网络是任意一个函数逼近器，易于实现、速度快、泛化能力强。极限学习机的优势在于，训练时，当输入层权重和隐含层阈值随机生成之后，可以直接计算输出权重而不需要进行权重的调整。但是随机生成输入层权重和隐含层阈值容易出现模型过拟合现象，因此，需要选择一种优化方法优化输入层权重和隐含层阈值，提高模型的预测精度。

目前ELM算法在理论上仍存在着很多局限。主要有以下几点：(1)隐含层神经元的个数对的选取往往通过实验进行选择，选择结果最好的个数，没有理论进行说明。(2)ELM模型中隐含层激活函数的选择也是通过实验选择的。因此，需要进一步对ELM模型的理论和实践方面进行探索。

免疫优化算法是基于免疫机理提出的高效的学习和优化算法，其优点在于：(1)免疫算法是建立在编码上随机优化算法。各种优化问题的解首先改成相应的可编码码串，然后对码串进行处理；(2)免疫算法是并行优化算法，其操作的对象均是一个种群；(3)免疫算法是一个反复的进化过程，通过随机搜索不断强化优化个体，完成群体进化，最终获得最优个体。用免疫优化算法优化ELM的输入层权重和隐含层阈值，能够增强模型的预测精度，提高模型的预测速度，但免疫算法往往没有充分利用研究对象的先验知识，在数据处理中，人工免疫系统一般只能浓缩数据样本(获取样本空间中的特征点)，而不能对样本空间的构成进行优化(合理减少样本空间的维数)。

因此，开发一种基于免疫优化算法优化改进ELM的熔融纺丝工艺的调节方法极具现实意义。

发明内容

本发明的目的是克服现有技术上述缺陷，提供了一种基于免疫优化算法优化改进ELM的熔融纺丝工艺的调节方法，使用免疫优化算法对ELM输入层权值及隐含层阈值进行优化，提高了工艺调节精度，为实际生产提供了技术支持。

为了达到上述目的，本发明采用如下技术方案：