[發明專利]一種基于雙高斯貝葉斯網絡的特性粘度在線軟測量方法

在審

• 申請號: 202310057256.5
• 申請日: 2023-01-17
• 公開（公告）號: CN116127841A
• 公開（公告）日: 2023-05-16
• 發明（設計）人: 陳磊;施錦濤;董皓言;郝礦榮
• 申請（專利權）人: 東華大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G01N11/00;G06F111/08
• 代理公司: 上海統攝知識產權代理事務所(普通合伙) 31303
• 代理人: 杜亞

1.一種基于雙高斯貝葉斯網絡的特性粘度在線軟測量方法，其特征在于，包括先后進行的預訓練階段和在線軟測量階段；

預訓練階段前，從聚酯纖維聚合過程的傳感器上采集歷史數據，并將其劃分為訓練樣本和測試樣本；

預訓練階段先采用訓練樣本訓練預測模型，再采用訓練樣本訓練校正模型；

預測模型采用高斯貝葉斯網絡I，高斯貝葉斯網絡I的輸入為與特性粘度相關的工藝參數X，高斯貝葉斯網絡I的輸出為特性粘度的初次預測值訓練預測模型的過程即對高斯貝葉斯網絡I的參數進行學習更新的過程；

校正模型采用高斯貝葉斯網絡II，校正模型的工作流程如下：

(i)將輸入到高斯貝葉斯網絡II，由其輸出特性粘度的二次預測值Y'；

(ii)將D'＝{X',Y'}輸入到高斯貝葉斯網絡II，由其輸出偏差變量B的預測值μ^BX'，Y為特性粘度的真實值；

訓練校正模型的過程即對高斯貝葉斯網絡II的參數進行學習更新的過程；

在線軟測量階段利用訓練后的預測模型和訓練后的校正模型獲得待測樣本的特性粘度的最終預測值。

2.根據權利要求1所述的一種基于雙高斯貝葉斯網絡的特性粘度在線軟測量方法，其特征在于，訓練樣本和測試樣本的數量比為2～4:1。

3.根據權利要求1所述的一種基于雙高斯貝葉斯網絡的特性粘度在線軟測量方法，其特征在于，與特性粘度相關的工藝參數為與特性粘度的皮爾遜相關系數高于0.6的工藝參數。

4.根據權利要求3所述的一種基于雙高斯貝葉斯網絡的特性粘度在線軟測量方法，其特征在于，與特性粘度相關的工藝參數為TPA旋轉閥轉速、漿料配置槽電流、在線漿料注射壓力和CAT噴給罐溫度。

5.根據權利要求1所述的一種基于雙高斯貝葉斯網絡的特性粘度在線軟測量方法，其特征在于，所述高斯貝葉斯網絡I的參數為高斯貝葉斯網絡I的均值和方差；所述高斯貝葉斯網絡II的參數為高斯貝葉斯網絡II的均值和方差。

6.根據權利要求1所述的一種基于雙高斯貝葉斯網絡的特性粘度在線軟測量方法，其特征在于，在線軟測量階段的流程如下：

(a)t時刻的待測樣本分別輸入到訓練后的預測模型和訓練后的校正模型中，預測模型輸出特性粘度的初次預測值校正模型輸出偏差變量B的預測值

(b)使用一個窗口監測校正模型的性能，窗口的起止位置為兩個時刻點，假設起始時刻為t1，終止時刻為t2，一開始t1和t2都指向0，窗口長度為0，時刻t從1開始遍歷，如果校正模型不需要進行更新，t1不變，t2加1；如果校正模型需要更新，用t1至t2時間段內的測試樣本更新校正模型，重新預測t時刻的待測樣本，隨后將t1和t2都重置為t，窗口長度為0，窗口長度會根據校正模型性能而動態變化，稱其為動態可變窗口；

判斷t時刻條件均值的變化率Δμ_t是否小于等于統計限SL，為校正模型在步驟(i)階段輸出的特性粘度的二次預測值，表示特性粘度的均值，y_i表示索引為i的訓練樣本的特性粘度的真實值，H表示訓練樣本的個數，SL根據訓練集各個數據點的分布情況確定，使得處于統計限之內的訓練樣本個數比例為θ，θ為0.95；

如果是，則將該待測樣本添加到動態可變窗口中使窗口長度加1，進入下一步；

如果否，則根據下式利用動態可變窗口內的測試樣本對高斯貝葉斯網絡II的均值進行更新，同時將動態可變窗口的窗口長度重置為0；

式中，h表示高斯貝葉斯網絡II的均值的更新的次數，初始值為0，μ_h為更新前高斯貝葉斯網絡II的均值，μ_h+1為更新后高斯貝葉斯網絡II的均值，表示動態可變窗口內堆積的所有測試樣本的均值，β_h和α_h分別表示對應的權重，M_h表示用于第h次更新的測試樣本數，N_h表示第h次更新前所消耗的訓練樣本及測試樣本數之和，H表示訓練樣本數，M_i表示用于第i次更新的測試樣本數；

更新完畢后，重新利用校正模型對t時刻的待測樣本進行預測并跳轉到下一步；

(c)計算t時刻特性粘度的最終預測值當t+1時刻到來時，令t＝t+1，然后返回步驟(a)。