[發(fā)明專利]基于遷移學(xué)習(xí)的ELM-AE的聚酯纖維原絲生產(chǎn)性能預(yù)測方法

有效

• 申請?zhí)枺?/td>: 202010141610.9
• 申請日: 2020-03-03
• 公開（公告）號: CN111415032B
• 公開（公告）日: 2022-04-29
• 發(fā)明（設(shè)計(jì)）人: 郝礦榮;張金喜;陳磊;蔡欣;唐雪嵩;王彤;任立紅
• 申請（專利權(quán)）人: 東華大學(xué)
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/04
• 代理公司: 上海統(tǒng)攝知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 31303
• 代理人: 杜亞

本發(fā)明涉及一種基于遷移學(xué)習(xí)的ELM?AE的聚酯纖維原絲生產(chǎn)性能預(yù)測方法。由于ELM網(wǎng)絡(luò)結(jié)構(gòu)僅有一個隱含層，且輸入數(shù)據(jù)的權(quán)重及隱含層的偏置是隨機(jī)生成的，淺層網(wǎng)絡(luò)對數(shù)據(jù)特征提取具有一定的偏差，因此加深ELM網(wǎng)絡(luò)結(jié)構(gòu)用于提取數(shù)據(jù)的特征，多層隱含層采用自編碼(Autoencoder:AE)進(jìn)行訓(xùn)練提高模型的訓(xùn)練精度。在工業(yè)過程中，同一生產(chǎn)規(guī)格產(chǎn)品的生產(chǎn)數(shù)據(jù)具有難采集，采集成本造價(jià)高，采集樣本數(shù)量少等特點(diǎn)，數(shù)據(jù)難以用來進(jìn)行工業(yè)過程建模。遷移學(xué)習(xí)(Transfer Learning:TL)是在一種環(huán)境中學(xué)到的知識被用在另一個領(lǐng)域中來提高它的泛化性能。不同規(guī)格的產(chǎn)品的生產(chǎn)數(shù)據(jù)有相似之處，且具有一定的相關(guān)性，建立遷移學(xué)習(xí)ELM?AE(TL?ELM?AE)模型，提高模型的泛化能力。

技術(shù)領(lǐng)域

本發(fā)明屬于機(jī)器學(xué)習(xí)領(lǐng)域，特別是涉及基于遷移學(xué)習(xí)的ELM-AE的聚酯纖維原絲生產(chǎn)性能的預(yù)測。

背景技術(shù)

極限學(xué)習(xí)機(jī)(Extreme Learning Machine:ELM)是一個單隱含層的前向神經(jīng)網(wǎng)絡(luò)。ELM神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)有三層，第一層是輸入層，中間層是隱含層，最后一層是輸出層。三層神經(jīng)網(wǎng)絡(luò)是任何一個函數(shù)的逼近器，ELM神將網(wǎng)絡(luò)是一個較優(yōu)逼近器，模型具有易于實(shí)現(xiàn)，訓(xùn)練速度快，泛化能力強(qiáng)的優(yōu)點(diǎn)。ELM的訓(xùn)練速度快的優(yōu)勢在于模型的輸入權(quán)重(輸入層到隱含層的連接權(quán)重)及隱含層的偏置是隨機(jī)生成的，ELM模型只需計(jì)算輸出權(quán)重(隱含層到輸出層的鏈接權(quán)重)即可。由于ELM的網(wǎng)絡(luò)結(jié)構(gòu)是一個淺層的神經(jīng)網(wǎng)絡(luò)，即使增加隱含層節(jié)點(diǎn)的數(shù)量，數(shù)據(jù)特征的提取沒有顯著效果，因此加深ELM網(wǎng)絡(luò)結(jié)構(gòu)具有重要意義。

自編碼器(Autoencoder:AE)是只有一層隱含層且輸入和輸出神經(jīng)元具有相同節(jié)點(diǎn)數(shù)的神經(jīng)網(wǎng)絡(luò)。自編碼器由兩部分組成，一部分是編碼部分，即輸入層到隱含層，用于提取輸入數(shù)據(jù)的特征；另一部分是解碼部分，即隱含層到輸出層，用于重構(gòu)數(shù)據(jù)。自編碼器學(xué)習(xí)是一種無監(jiān)督學(xué)習(xí)過程，利用反向傳播算法使得輸出的值等于輸入的值，其作用是數(shù)據(jù)進(jìn)行降噪及為可視化而降維，提取有效的數(shù)據(jù)特征。

遷移學(xué)習(xí)(Transfer learning:TL)是一種環(huán)境中學(xué)習(xí)到的知識被用在另一個領(lǐng)域中來提高它的泛化性能。傳統(tǒng)的機(jī)器學(xué)習(xí)問題方法假設(shè)數(shù)據(jù)服從相同分布，然而在實(shí)際情況中，由于數(shù)據(jù)難采集，采集成本高，采集樣本數(shù)量少等特點(diǎn)，遷移學(xué)習(xí)將具有相關(guān)性的不用領(lǐng)域的數(shù)據(jù)用于模型學(xué)習(xí)，提高模型的泛化性能。遷移學(xué)習(xí)的目的是利用大量源域(source domain)數(shù)據(jù)來解決相關(guān)但不同的目標(biāo)域(target domain)問題，加快目標(biāo)域的學(xué)習(xí)速率。

聚酯纖維是聚合物經(jīng)直紡或再熔融紡絲制取的合成纖維，簡稱為PET纖維。聚酯纖維因其具有良好的性能，例如，斷裂強(qiáng)度高，彈性好，耐熱、耐磨、耐光性好，織物的尺寸穩(wěn)定等特點(diǎn)，因此，聚酯纖維廣泛應(yīng)用在工業(yè)、農(nóng)業(yè)，服裝，家居等領(lǐng)域。我國聚酯纖維生產(chǎn)產(chǎn)量位居世界第二，是聚酯纖維產(chǎn)量大國。因此，提高聚酯纖維原絲生產(chǎn)的質(zhì)量受到學(xué)者們的廣泛關(guān)注。聚酯纖維原絲生產(chǎn)過程主要分為3個過程，聚合物聚合過程，熔體輸送過程，紡絲過程。聚合物聚合過程是將原材料在高溫高壓下進(jìn)行化合物化合，形成熔融狀態(tài)的聚合物。熔體輸送部分是將熔融狀態(tài)的聚合物傳送到紡絲過程進(jìn)行，防止聚合物發(fā)生物理變化。紡絲過程是將熔融狀態(tài)的聚合物經(jīng)過紡絲組件擠出形成絲狀纖維的過程。聚酯纖維熔融紡絲過程是整個生產(chǎn)過程中最為關(guān)鍵的一個環(huán)節(jié)，決定著初生纖維的質(zhì)量。紡絲過程是將熔融狀態(tài)的聚合物用計(jì)量泵從噴絲板的毛細(xì)孔中擠出而成液態(tài)細(xì)流，再在空氣中經(jīng)過冷氣吹風(fēng)固化成絲條的過程。不同規(guī)格品種的聚酯纖維具有不同的生產(chǎn)線，每條生產(chǎn)線的紡位數(shù)量，每個紡位中噴絲板的數(shù)量及噴絲板的規(guī)格都因其產(chǎn)品性質(zhì)的不同而設(shè)置的不同。紡絲過程的出初生纖維的質(zhì)量纖細(xì)，傳感器設(shè)計(jì)布局較為復(fù)雜且成本較高，采集數(shù)據(jù)過程中容易出現(xiàn)斷絲飄絲的現(xiàn)象。目前，由于聚酯纖維紡絲過程的數(shù)據(jù)較難采集，采集成本高，采集樣本數(shù)量少等情況，難以建立較優(yōu)的聚酯纖維紡絲環(huán)節(jié)生產(chǎn)過程模型。因此，針對不同規(guī)格生產(chǎn)線的聚酯纖維紡絲過程建立通用模型的研究具有重要意義。

發(fā)明內(nèi)容