一种聚酯纤维聚合过程中的工艺参数的调节方法

    公开(公告)号:CN111738482B

    公开(公告)日:2022-04-29

    申请号:CN202010311105.4

    申请日:2020-04-20

    申请人: 东华大学

    摘要: 本发明涉及一种聚酯纤维聚合过程中的工艺参数的调节方法,获取聚酯纤维性能指标的预测值后,将其与设定值进行比较,根据比较结果调整聚酯纤维聚合过程中的工艺参数;预测值的获取过程为:首先从传感器采集到的所有特征数据中收集m个特征数据;然后基于网格搜索的极限梯度提升树算法对m个特征数据进行特征相关性排序;对排序好的m个特征数据选取特征相关性较大的前n个特征数据;接着对n个特征数据的所有样本进行归一化处理;最后运用加权的双流双向长短时记忆注意力网络处理归一化后的n个特征数据,分别输出4种所述聚酯纤维性能指标的预测值。本发明可高精度地获取聚酯纤维性能指标的预测值,进而能更好地指导工业生产。

    基于粘度变化的聚合工艺参数调节方法

    公开(公告)号:CN109472397B

    公开(公告)日:2021-12-14

    申请号:CN201811221084.6

    申请日:2018-10-19

    申请人: 东华大学

    IPC分类号: G06Q10/04 G06Q10/06 G06N3/00

    摘要: 本发明涉及一种基于粘度变化的聚合工艺参数调节方法,将过去连续时间段Ta内的熔体粘度数据转化为时间序列I后对其进行模糊信息粒化处理得到三个特征向量Low、R和Up,再将三个特征向量输入到改进的ELM中由其输出与未来连续时间段Tb内的熔体粘度数据的波动范围相关的数值,将波动范围与参考范围进行比较后根据比较结果调节聚合工艺参数,改进的ELM是采用粒子群算法优化输入层权值和隐含层阈值后的ELM,粒子群算法的适应度函数为训练样本的均方误差。本发明将模糊信息粒化、极限学习机及粒子群算法有机结合,样本维数少,实时性好,预测精度高;同时预测结果可对工艺参数进行调节。

    一种聚酯纤维生产制造全流程的多级优化控制方法

    公开(公告)号:CN110531727B

    公开(公告)日:2020-12-18

    申请号:CN201910968160.8

    申请日:2019-10-12

    申请人: 东华大学

    摘要: 本发明涉及一种聚酯纤维生产制造全流程的多级优化控制方法,根据目标产品的性能指标确定目标产品的工艺参数Da的设定值后,按设定值设置工艺参数Da进行生产,在生产过程中,实时采集目标产品的工艺参数Da的真实值,并用其对设定值进行调整,其中对设定值进行调整是指当工艺参数Da中的某个工艺参数j的真实值与设定值的绝对误差占设定值的百分比大于5%时,对工艺参数j的设定值进行误差补偿,用误差补偿后的设定值替代原设定值;反之,则不进行误差补偿。本发明方法可快速响应纤维生产制造,在企业需求多样化和竞争差异化的前提下,能在较短时间内实现节能降耗,可生产出较低成本、较高质量的不同品种聚酯纤维产品,有助于提高企业经济效益及市场竞争力。

    一种基于小样本下压缩感知的DCNN纹理疵点识别方法

    公开(公告)号:CN107633272B

    公开(公告)日:2020-10-30

    申请号:CN201710927851.4

    申请日:2017-10-09

    申请人: 东华大学

    IPC分类号: G06K9/62

    摘要: 本发明涉及一种基于小样本下压缩感知的DCNN纹理疵点识别方法,采集待识别的织物图像,经预处理得到待识别的疵点图像,输入到训练好的DCNN中,由训练好的DCNN输出编码,查找与编码匹配的标签,根据标签确定疵点类别;标签是通过将疵点类别已知的疵点图像输入到DCNN中,然后处理DCNN输出的编码后得到的,每种疵点类别都有对应的标签且各不相同;训练好的DCNN是指通过将小样本同压缩观测后得到的新样本输入到DCNN中调整DCNN神经元之间的连接权值得到的识别准确率高于设定值的DCNN。本发明所需样本量小,识别准确率高,结果具有很好的泛化能力,对工业织物生产具有重要的现实意义。

    基于遗传算法的堆叠式集成学习的聚酯特性粘度控制方法

    公开(公告)号:CN111553117A

    公开(公告)日:2020-08-18

    申请号:CN202010321509.1

    申请日:2020-04-22

    申请人: 东华大学

    摘要: 本发明涉及一种基于遗传算法的堆叠式集成学习的聚酯特性粘度控制方法,将采集的聚合过程参数及其对应的特性粘度先采用堆叠式集成学习的框架进行处理,利用遗传算法对框架中的初级学习器的组合和次级学习器进行选择,然后搜索最优的堆叠式集成学习算法结构并进行训练,生成基于遗传算法的堆叠式集成学习的聚酯纤维特性粘度控制模型;将当前过程参数作为输入变量输入到所述模型中得到聚酯纤维特性粘度的预测值;最后将预测值与理想值进行比较,依据比较结果对输入变量进行调整,由此得到一组理想的聚合过程参数。本发明的控制方法具有预测精度高、鲁棒性好、泛化能力强、可拓展性高的特点,能够有效对聚酯生产过程进行质量控制。

    基于即时-通用特征提取网络的纽扣瑕疵检测方法

    公开(公告)号:CN111028207B

    公开(公告)日:2023-06-09

    申请号:CN201911152308.7

    申请日:2019-11-22

    申请人: 东华大学

    摘要: 本发明涉及一种基于即时‑通用特征提取网络的纽扣瑕疵检测方法,将实时获得的纽扣图像数据输入到训练好的即时‑通用特征提取网络模型中,由其输出分类结果,即有瑕疵纽扣或无瑕疵纽扣的代码,根据分类结果确定当前纽扣是否属于有瑕疵纽扣;即时‑通用特征提取网络模型的训练过程即以历史获得的纽扣图像数据作为输入,以其对应的分类结果作为理论输出,不断更新即时‑通用特征提取网络模型的参数,直至网络收敛,精度不再增加的过程。本发明的方法省去了复杂的特征工程操作,不仅能检测纽扣的轮廓形状瑕疵,还可检测纽扣的花纹等瑕疵,且适用于多种纽扣的瑕疵检测,普适性高,检测速度快,检测准确率高。

    基于动态卷积神经网络的涤纶长丝均匀性在线检测系统

    公开(公告)号:CN112651928B

    公开(公告)日:2022-08-23

    申请号:CN202011423865.0

    申请日:2020-12-08

    申请人: 东华大学

    摘要: 本发明涉及一种基于动态卷积神经网络的涤纶长丝均匀性在线检测系统,包括如下步骤:S1数据采集:采集涤纶长丝纺丝时的电信号数据和视频数据;S2数据转换:将电信号数据转换成频域图和时域图,将视频数据进行切割得到视频帧图;S3模型构建:以频域图、时域图和视频帧图构成的数据作为训练集,将门控循环单元网络及卷积神经网络相结合,构建基于动态卷积神经网络算法的条干均匀性检测模型;S4在线检测:将实时采集的待测样本的视频数据输入基于动态卷积神经网络算法的条干均匀性检测模型,输出检测结果。本发明的方法利用动态卷积神经网络来提取不匀曲线图、波谱图及视频帧图中的条干不匀特征使得模型判断条干均匀性的精确率更高且实现在线检测。