主权项 |
一种基于混合高斯权重函数的多模型方法进行优化的FDY涤纶长丝纺丝工艺,FDY涤纶长丝纺丝工艺流程为:熔体输送—纺丝箱体—计量泵—组件喷丝—吹风冷却—上油—热辊牵伸―高速卷绕—检验—包装,其特征是,步骤如下:1)首先通过混合高斯权重函数建立FDY涤纶长丝断裂强度与取向度、结晶度和纤维伸长率之间的关系模型,同时建立热辊牵伸环节中GR1和GR2的温度和速度与FDY涤纶长丝取向度和结晶度之间的关系函数;所述关系函数如下:V<sub>1</sub>=6.3*10<sup>4</sup>‑10<sup>5</sup>u1+10<sup>5</sup>u2;T<sub>1</sub>=911‑1639u1+1639u2;V<sub>2</sub><sup>2</sup>=2.4*10<sup>7</sup>‑4.7*10<sup>6</sup>u1‑3.14*10<sup>8</sup>u2;T<sub>2</sub><sup>2</sup>=‑7.25*10<sup>7</sup>+2.5*10<sup>4</sup>u1+3.37*10<sup>8</sup>u2;式中,u1为取向度,u2为结晶度,V<sub>1</sub>为GR1速度,T<sub>1</sub>为GR1温度,V<sub>2</sub>为GR2速度,T<sub>2</sub>为GR2温度,取向度的单位为°,结晶度的单位为%,温度的单位为℃,速度的单位为m/min;2)随机输入一系列FDY涤纶长丝的取向度、结晶度和纤维伸长率,由所述关系模型输出断裂强度,建立FDY涤纶长丝断裂强度、取向度、结晶度和纤维伸长率的数据库;3)选定数据库中的一断裂强度为预期得到的FDY涤纶长丝断裂强度,在数据库中查找该断裂强度对应的取向度和结晶度;4)根据所述关系函数由查找得到的取向度和结晶度计算出GR1和GR2的温度和速度,并据此对FDY涤纶长丝纺丝工艺中的GR1和GR2的温度和速度进行调整;所述关系模型的建立步骤如下:(1)确定局部模型个数,收集FDY涤纶长丝的断裂强度、取向度、结晶度和纤维伸长率数据作为历史数据组成历史数据库,所述FDY涤纶长丝为在相同工艺流程、不同工艺参数条件下制得的纤维,所述不同工艺参数是指GR1和GR2的温度和速度不同,所述历史数据的长度为N,选取输出变量y为纤维断裂强度,输入变量u1为取向度,输入变量u2为结晶度,调度变量w为纤维伸长率,纤维断裂强度的单位为cN/dtex,纤维伸长率的单位为%,选取N个纤维伸长率中纤维伸长达到稳定状态时的纤维伸长率作为工作点T,T={T<sub>1</sub>,T<sub>2</sub>,…,T<sub>M</sub>},工作点T的个数M即为局部模型的个数M,T<sub>i</sub>为第i个局部模型的工作点,i=1,2,…,M,C<sub>obs</sub>为所有观测到的数据集合,即纤维断裂强度、取向度、结晶度、纤维伸长率和工作点,C<sub>obs</sub>={y<sub>1:N</sub>,u1<sub>1:N</sub>,u2<sub>1:N</sub>,w<sub>1:N</sub>,T<sub>1:M</sub>},其中,y<sub>1</sub>,y<sub>2</sub>,…,y<sub>N</sub>简化记为y<sub>1:N</sub>,u1<sub>1</sub>,u1<sub>2</sub>,...,u1<sub>N</sub>简化记为u1<sub>1:N</sub>,u2<sub>1</sub>,u2<sub>2</sub>,...,u2<sub>N</sub>简化记为u2<sub>1:N</sub>,w<sub>1</sub>,w<sub>2</sub>,...,w<sub>N</sub>简化记为w<sub>1:N</sub>,T<sub>1</sub>,T<sub>2</sub>,...,T<sub>M</sub>简化记为T<sub>1:M</sub>;(2)确定局部模型结构,以带外加输入的自回归模型作为局部模型来估计系统的局部动态,具体如下:y<sub>k</sub>=θ<sub>i</sub>x<sub>k</sub>+e<sub>k</sub>;<maths num="0001"><math><![CDATA[<mrow><msub><mi>x</mi><mi>k</mi></msub><mo>=</mo><mo>[</mo><msub><mi>y</mi><mrow><mi>k</mi><mo>-</mo><mn>1</mn></mrow></msub><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>,</mo><msub><mi>y</mi><mrow><mi>k</mi><mo>-</mo><msub><mi>n</mi><mi>a</mi></msub></mrow></msub><mo>,</mo><msub><mrow><mi>u</mi><mn>1</mn></mrow><mrow><mi>k</mi><mo>-</mo><mn>1</mn></mrow></msub><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>,</mo><msub><mrow><mi>u</mi><mn>1</mn></mrow><mrow><mi>k</mi><mo>-</mo><msub><mi>n</mi><mi>b</mi></msub></mrow></msub><mo>,</mo><msub><mrow><mi>u</mi><mn>2</mn></mrow><mrow><mi>k</mi><mo>-</mo><mn>1</mn></mrow></msub><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>,</mo><msub><mrow><mi>u</mi><mn>2</mn></mrow><mrow><mi>k</mi><mo>-</mo><msub><mi>n</mi><mi>b</mi></msub></mrow></msub><mo>]</mo><mo>;</mo></mrow>]]></math><img file="FDA0001172938110000023.GIF" wi="1051" he="63" /></maths>式中,采样时刻k=1,2,…,N,y<sub>k</sub>为采样时刻k对应的纤维断裂强度,x<sub>k</sub>为回归量,u1<sub>k</sub>和u2<sub>k</sub>为采样时刻k对应的取向度和结晶度,n<sub>a</sub>和n<sub>b</sub>分别为输出和输入的阶次,θ<sub>i</sub>为第i个局部模型的参数集合,e<sub>k</sub>为均值为0、方差为σ<sup>2</sup>的高斯白噪声,即e<sub>k</sub>~N(0,σ<sup>2</sup>);局部模型结构中未知的参数为θ<sub>i</sub>和σ,未知的参数的集合即M个局部模型参数集合<img file="FDA0001172938110000021.GIF" wi="329" he="134" />(3)确定混合高斯权重函数,混合高斯权重函数α<sub>k,i</sub>的公式为:<img file="FDA0001172938110000022.GIF" wi="289" he="191" /><img file="FDA0001172938110000031.GIF" wi="630" he="341" />式中,<img file="FDA0001172938110000032.GIF" wi="75" he="55" />为未归一化的混合高斯权重函数,π<sub>i,j</sub>为混合权值,即混合权值矩阵π在第i行第j列的元素,o<sub>i,j</sub>为第i个局部模型的在第j工作点的有效宽度,w<sub>k</sub>为采样时刻k对应的纤维伸长率,T<sub>i</sub>为第i个工作点,i=1,2,…,M,j=1,2,…,M;混合高斯权重函数中未知的参数为π<sub>i,j</sub>和o<sub>i,j</sub>,未知的参数的集合即权重函数中的参数集合<img file="FDA0001172938110000033.GIF" wi="426" he="141" />全局模型的参数集合Θ为局部模型的参数和权重函数的参数集合,即Θ={Θ<sub>m</sub>,Θ<sub>w</sub>};(4)估计局部模型和混合高斯权重函数中未知的参数;(5)根据局部模型个数、局部模型结构、混合高斯权重函数和步骤(4)中估计的参数,得到FDY涤纶长丝断裂强度与取向度、结晶度和纤维伸长率之间的关系模型,具体如下:<maths num="0002"><math><![CDATA[<mrow><msub><mover><mi>y</mi><mo>^</mo></mover><mi>k</mi></msub><mo>=</mo><munderover><mo>Σ</mo><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>M</mi></munderover><msub><mi>α</mi><mrow><mi>k</mi><mo>,</mo><mi>i</mi></mrow></msub><msubsup><mover><mi>y</mi><mo>^</mo></mover><mi>k</mi><mi>i</mi></msubsup><mo>;</mo></mrow>]]></math><img file="FDA0001172938110000034.GIF" wi="294" he="127" /></maths>式中,<img file="FDA0001172938110000035.GIF" wi="47" he="62" />为FDY涤纶长丝断裂强度的预测输出,α<sub>k,i</sub>为混合高斯权重函数,<img file="FDA0001172938110000036.GIF" wi="46" he="62" />为在第i个工作点处的局部模型的预测输出;所述估计局部模型和混合高斯权重函数中未知参数的具体步骤如下:1)选择混合权值π<sub>i,j</sub>,混合权值π<sub>i,j</sub>有3种选择,具体如下:Ⅰ.混合权值π<sub>i,j</sub>为确定值,首先计算χ<sub>i,j</sub>得到混合权值矩阵χ,将χ按行向量归一化得到混合权值矩阵π,由混合权值矩阵π得到混合权值π<sub>i,j</sub>,χ<sub>i,j</sub>的计算公式如下:<maths num="0003"><math><![CDATA[<mrow><msub><mi>χ</mi><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow></msub><mo>=</mo><mfenced open = "{" close = ""><mtable><mtr><mtd><mrow><mn>1</mn><mo>,</mo></mrow></mtd><mtd><mrow><msub><mi>T</mi><mi>i</mi></msub><mo>=</mo><msub><mi>T</mi><mi>j</mi></msub></mrow></mtd></mtr><mtr><mtd><mrow><mfrac><mn>1</mn><msup><mn>2</mn><mrow><msub><mi>T</mi><mi>i</mi></msub><mo>-</mo><msub><mi>T</mi><mi>j</mi></msub></mrow></msup></mfrac><mo>,</mo></mrow></mtd><mtd><mrow><msub><mi>T</mi><mi>i</mi></msub><mo>></mo><msub><mi>T</mi><mi>j</mi></msub></mrow></mtd></mtr><mtr><mtd><mrow><mfrac><mn>1</mn><msup><mn>2</mn><mrow><msub><mi>T</mi><mi>j</mi></msub><mo>-</mo><msub><mi>T</mi><mi>i</mi></msub></mrow></msup></mfrac><mo>,</mo></mrow></mtd><mtd><mrow><msub><mi>T</mi><mi>i</mi></msub><mo><</mo><msub><mi>T</mi><mi>j</mi></msub></mrow></mtd></mtr></mtable></mfenced><mo>;</mo></mrow>]]></math><img file="FDA0001172938110000041.GIF" wi="446" he="398" /></maths>式中,χ<sub>i,j</sub>为混合权值矩阵χ中第i行第j列的元素,T<sub>j</sub>为第j个工作点;Ⅱ.混合权值π<sub>i,j</sub>未知,首先通过估计χ<sub>i,j</sub>得到混合权值矩阵χ,将χ按行向量归一化得到混合权值矩阵π,由混合权值矩阵π得到混合权值π<sub>i,j</sub>,混合权值矩阵χ的表达式为:<img file="FDA0001172938110000042.GIF" wi="597" he="295" />其中,当i=j时,χ<sub>ij</sub>=1,矩阵χ的对角元素为1,即χ<sub>11</sub>=1,χ<sub>22</sub>=1,…,χ<sub>MM</sub>=1;当i≠j时,0<χ<sub>ij</sub><1;当i≤j<l时,χ<sub>ij</sub>>χ<sub>il</sub>,混合权值矩阵χ中共有M×(M‑1)/2个参数需要估计;Ⅲ.混合权值π<sub>i,j</sub>具有高斯分布,混合权值π<sub>i,j</sub>计算公式如下:<maths num="0004"><math><![CDATA[<mrow><msub><mi>π</mi><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow></msub><mo>=</mo><mfrac><mrow><mi>exp</mi><mrow><mo>(</mo><mo>-</mo><mfrac><msup><mrow><mo>(</mo><msub><mi>T</mi><mi>i</mi></msub><mo>-</mo><msub><mi>T</mi><mi>j</mi></msub><mo>)</mo></mrow><mn>2</mn></msup><mrow><mn>2</mn><msup><mrow><mo>(</mo><msub><mi>τ</mi><mi>i</mi></msub><mo>)</mo></mrow><mn>2</mn></msup></mrow></mfrac><mo>)</mo></mrow></mrow><mrow><munderover><mo>Σ</mo><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>M</mi></munderover><mi>exp</mi><mrow><mo>(</mo><mo>-</mo><mfrac><msup><mrow><mo>(</mo><msub><mi>T</mi><mi>i</mi></msub><mo>-</mo><msub><mi>T</mi><mi>j</mi></msub><mo>)</mo></mrow><mn>2</mn></msup><mrow><mn>2</mn><msup><mrow><mo>(</mo><msub><mi>τ</mi><mi>i</mi></msub><mo>)</mo></mrow><mn>2</mn></msup></mrow></mfrac><mo>)</mo></mrow></mrow></mfrac><mo>;</mo></mrow>]]></math><img file="FDA0001172938110000043.GIF" wi="550" he="287" /></maths>式中,τ<sub>i</sub>为待估计的参数;2)设定初始参数Θ',即Θ<sub>m</sub>和Θ<sub>w</sub>的初始值,设定Θ<sub>m</sub>中θ<sub>i</sub>和σ的初始值,设定Θ<sub>w</sub>的初始值时,当混合权值π<sub>i,j</sub>为确定值时,<img file="FDA0001172938110000044.GIF" wi="350" he="133" />此时设定o<sub>i,j</sub>的初始值,当混合权值π<sub>i,j</sub>未知时,<img file="FDA0001172938110000045.GIF" wi="430" he="142" />此时设定π<sub>i,j</sub>和o<sub>i,j</sub>的初始值,当混合权值π<sub>i,j</sub>具有高斯分布时,<img file="FDA0001172938110000051.GIF" wi="398" he="142" />此时设定τ<sub>i</sub>和o<sub>i,j</sub>的初始值;3)计算Q‑函数,根据已知参数Θ',即Θ<sub>m</sub>和Θ<sub>w</sub>的初始值,计算Q‑函数,Q‑函数公式如下:<maths num="0005"><math><![CDATA[<mrow><mtable><mtr><mtd><mrow><mi>Q</mi><mrow><mo>(</mo><mrow><mi>Θ</mi><mo>|</mo><msup><mi>Θ</mi><mo>′</mo></msup></mrow><mo>)</mo></mrow></mrow></mtd></mtr><mtr><mtd><mrow><mo>=</mo><munderover><mi>Σ</mi><mrow><mi>k</mi><mo>=</mo><mn>1</mn></mrow><mi>N</mi></munderover><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>M</mi></munderover><mi>log</mi><mi>p</mi><mrow><mo>(</mo><mrow><msub><mi>y</mi><mi>k</mi></msub><mo>|</mo><msub><mi>x</mi><mi>k</mi></msub><mo>,</mo><msub><mi>Θ</mi><mi>m</mi></msub></mrow><mo>)</mo></mrow><mi>p</mi><mrow><mo>(</mo><mrow><mi>i</mi><mo>|</mo><msub><mi>w</mi><mi>k</mi></msub><mo>,</mo><msub><mi>C</mi><mrow><mi>o</mi><mi>b</mi><mi>s</mi></mrow></msub><mo>,</mo><msup><mi>Θ</mi><mo>′</mo></msup></mrow><mo>)</mo></mrow></mrow></mtd></mtr><mtr><mtd><mrow><mo>+</mo><munderover><mi>Σ</mi><mrow><mi>k</mi><mo>=</mo><mn>1</mn></mrow><mi>N</mi></munderover><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>M</mi></munderover><mi>log</mi><mi>p</mi><mrow><mo>(</mo><mrow><mi>i</mi><mo>|</mo><msub><mi>w</mi><mi>k</mi></msub><mo>,</mo><msub><mi>T</mi><mrow><mn>1</mn><mo>:</mo><mi>M</mi></mrow></msub><mo>,</mo><msub><mi>Θ</mi><mi>w</mi></msub></mrow><mo>)</mo></mrow><mi>p</mi><mrow><mo>(</mo><mrow><mi>i</mi><mo>|</mo><msub><mi>w</mi><mi>k</mi></msub><mo>,</mo><msub><mi>C</mi><mrow><mi>o</mi><mi>b</mi><mi>s</mi></mrow></msub><mo>,</mo><msup><mi>Θ</mi><mo>′</mo></msup></mrow><mo>)</mo></mrow><mo>+</mo><msub><mi>C</mi><mn>2</mn></msub></mrow></mtd></mtr></mtable><mo>;</mo></mrow>]]></math><img file="FDA0001172938110000052.GIF" wi="990" he="359" /></maths>式中,C<sub>2</sub>为与参数无关的常数;4)最大化Q‑函数以获取更新的参数集合Θ,则:<maths num="0006"><math><![CDATA[<mrow><msub><mi>θ</mi><mi>i</mi></msub><mo>=</mo><mfrac><mrow><munderover><mo>Σ</mo><mrow><mi>k</mi><mo>=</mo><mn>1</mn></mrow><mi>N</mi></munderover><mi>p</mi><mrow><mo>(</mo><mi>i</mi><mo>|</mo><msub><mi>w</mi><mi>k</mi></msub><mo>,</mo><msub><mi>C</mi><mrow><mi>o</mi><mi>b</mi><mi>s</mi></mrow></msub><mo>,</mo><msup><mi>Θ</mi><mo>′</mo></msup><mo>)</mo></mrow><msubsup><mi>x</mi><mi>k</mi><mi>T</mi></msubsup><msub><mi>y</mi><mi>k</mi></msub></mrow><mrow><munderover><mo>Σ</mo><mrow><mi>k</mi><mo>=</mo><mn>1</mn></mrow><mi>N</mi></munderover><mi>p</mi><mrow><mo>(</mo><mi>i</mi><mo>|</mo><msub><mi>w</mi><mi>k</mi></msub><mo>,</mo><msub><mi>C</mi><mrow><mi>o</mi><mi>b</mi><mi>s</mi></mrow></msub><mo>,</mo><msup><mi>Θ</mi><mo>′</mo></msup><mo>)</mo></mrow><msubsup><mi>x</mi><mi>k</mi><mi>T</mi></msubsup><msub><mi>x</mi><mi>k</mi></msub></mrow></mfrac><mo>;</mo></mrow>]]></math><img file="FDA0001172938110000053.GIF" wi="605" he="263" /></maths><maths num="0007"><math><![CDATA[<mrow><msup><mi>σ</mi><mn>2</mn></msup><mo>=</mo><mfrac><mrow><munderover><mo>Σ</mo><mrow><mi>k</mi><mo>=</mo><mn>1</mn></mrow><mi>N</mi></munderover><munderover><mo>Σ</mo><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>M</mi></munderover><mi>p</mi><mrow><mo>(</mo><mi>i</mi><mo>|</mo><msub><mi>w</mi><mi>k</mi></msub><mo>,</mo><msub><mi>C</mi><mrow><mi>o</mi><mi>b</mi><mi>s</mi></mrow></msub><mo>,</mo><msup><mi>Θ</mi><mo>′</mo></msup><mo>)</mo></mrow><msup><mrow><mo>(</mo><msub><mi>y</mi><mi>k</mi></msub><mo>-</mo><msup><msub><mi>θ</mi><mi>i</mi></msub><mi>T</mi></msup><msub><mi>x</mi><mi>k</mi></msub><mo>)</mo></mrow><mi>T</mi></msup><mrow><mo>(</mo><msub><mi>y</mi><mi>k</mi></msub><mo>-</mo><msup><msub><mi>θ</mi><mi>i</mi></msub><mi>T</mi></msup><msub><mi>x</mi><mi>k</mi></msub><mo>)</mo></mrow></mrow><mrow><munderover><mo>Σ</mo><mrow><mi>k</mi><mo>=</mo><mn>1</mn></mrow><mi>N</mi></munderover><munderover><mo>Σ</mo><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>M</mi></munderover><mi>p</mi><mrow><mo>(</mo><mi>i</mi><mo>|</mo><msub><mi>w</mi><mi>k</mi></msub><mo>,</mo><msub><mi>C</mi><mrow><mi>o</mi><mi>b</mi><mi>s</mi></mrow></msub><mo>,</mo><msup><mi>Θ</mi><mo>′</mo></msup><mo>)</mo></mrow></mrow></mfrac><mo>;</mo></mrow>]]></math><img file="FDA0001172938110000054.GIF" wi="1070" he="262" /></maths>由θ<sub>i</sub>和σ<sup>2</sup>即可得到最优的Θ<sub>m</sub>;由于混合高斯权重函数的参数Θ<sub>w</sub>难以得到其解析解,采用非线性优化算法求解,其数学表达式如下:<maths num="0008"><math><![CDATA[<mrow><mi>m</mi><mi>a</mi><mi>x</mi><munderover><mo>Σ</mo><mrow><mi>k</mi><mo>=</mo><mn>1</mn></mrow><mi>N</mi></munderover><munderover><mo>Σ</mo><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>M</mi></munderover><mi>log</mi><mi>p</mi><mrow><mo>(</mo><mi>i</mi><mo>|</mo><msub><mi>w</mi><mi>k</mi></msub><mo>,</mo><msub><mi>T</mi><mrow><mn>1</mn><mo>:</mo><mi>M</mi></mrow></msub><mo>,</mo><msub><mi>Θ</mi><mi>w</mi></msub><mo>)</mo></mrow><mi>p</mi><mrow><mo>(</mo><mi>i</mi><mo>|</mo><msub><mi>w</mi><mi>k</mi></msub><mo>,</mo><msub><mi>C</mi><mrow><mi>o</mi><mi>b</mi><mi>s</mi></mrow></msub><mo>,</mo><msup><mi>Θ</mi><mo>′</mo></msup><mo>)</mo></mrow><mo>;</mo></mrow>]]></math><img file="FDA0001172938110000055.GIF" wi="965" he="134" /></maths>最大化上式,以求取最优的Θ<sub>w</sub>;由最优的Θ<sub>m</sub>和最优的Θ<sub>w</sub>即可得到更新的参数集合Θ;5)重复步骤3)和4)直到Θ的变化量小于设定的阈值ε,即重复令步骤4)得到的更新的参数集合Θ=Θ',并将Θ代入Q‑函数,最后一次更新得到的参数集合Θ即估计的局部模型和混合高斯权重函数中未知的参数。 |