不完备数据下的聚酯熔体特性黏度预测方法

• Published in: 上海交通大学学报 Vol. 58; no. 4; pp. 534 - 544
• Main Authors: 毕金茂, 张朋, 张洁, 赵春财, 崔利
• Format: Journal Article
• Language: Chinese
• Published: 东华大学机械工程学院,上海 201620%东华大学人工智能研究院,上海 201620%新凤鸣集团湖州中石科技有限公司,浙江湖州 313000 01.04.2024
• Subjects: 特性黏度预测; 生成对抗网络; 循环神经网络; intrinsic viscosity prediction; generative adversarial networks(GAN); recur-rent neural networks(RNN); 不完备数据; incomplete data
• ISSN: 1006-2467
• DOI: 10.16183/j.cnki.jsjtu.2023.011

TP183; 特性黏度是衡量聚酯熔体质量的关键指标,对其进行精准预测有利于提前发现聚酯熔体潜在的质量问题,及时调整工艺参数,减少企业损失.考虑到聚酯熔体生产过程的数据不完备性、数据时序性以及高维冗余性,提出了不完备数据下聚酯熔体的特性黏度预测方法.针对聚酯熔体极端生产环境造成的数据不完备问题,设计了以卷积神经网络判别器和注意力长短期记忆神经网络生成器为架构的缺失数据生成对抗网络(MDGAN),通过对抗生成机制实现了缺失数据的填充.针对聚酯熔体生产过程中高维冗余和时序双向因果特性,设计了基于极端梯度提升双向门控循环单元(XGBoost-BiGRU)的特性黏度预测模型,通过极端梯度提升算法进行特征筛选,获取预测模型输入变量,再利用双向门控循环单元捕捉数据的时序双向因果关系,实现特性黏度的精准预测.浙江某聚酯纤维生产企业的实际数据测试结果表明,MDGAN算法在不同缺失率数据集下的填充精度均优于KNN、RF、MICE、GAIN数据填充算法,XGBoost-BiGRU特性黏度预测方法较STL-GPR、CAGRU、BiGRU算法优势显著,结合MDGAN的特性黏度预测方法能有效解决数据不完备下的聚酯熔体特性黏度预测问题.