[发明专利]一种湿布热定型过程实时温度估算方法

摘要

本发明公开了一种湿布热定型过程实时温度估算方法，包括确定热定型过程建模的输入输出变量，建立一套热定型温度实时监控装置，数据预处理，建立热定型过程织物温度预测的神经网络模型，优化所建立的神经网络的模型以及训练和测试预测模型；能够不依赖于人员的复杂计算，通过本发明直接得出织物的温度输出，降低了对操作人员的有求，同时织物的温度输出为开展节能降耗，提升产品定型质量奠定了模型基础。

主权项

1.一种湿布热定型实时温度估算方法，其特征在于，包括：1)确定热定型过程建模的输入输出变量确立对定型过程有重大影响的变量，分别为：定型烘箱温度，定型时间，定型织物的克重以及织物含水率；2)建立一套热定型温度实时监控装置热定型温度实时监控装置，主要部件包括：恒温烘箱、电子电平、数据采集仪、测温用K型热电偶；监控流程如下：第一步，获取待检测干燥织物克重；选择需要实验的的织物，并将待检测织物按指定尺寸裁切，并有电子电平进行称重，得到干燥织物的克重；第二步，进行浸液处理；即将织物放置在液体内，待织物完全浸润，浸液均匀后取出，再除去多余水分，采取物理挤压或者加热去除水分，加热去除水分必须回复到室温再进行称量，再利用电子电平测量后，达到合适含水率后，准备热定型，这里检测到潮湿织物的重量，并计算出织物的含水率；第三步，热定型；将一定含水率的织物，固定好热电偶测温传感器，快速放入到恒温烘箱，开始热定型，待定型过程完成后取出织物，期间，计算机通过热电偶数据采集模型采集烘箱和织物的实时温度，采样时间间隔为500ms；3)数据预处理实时采集的数据存在噪声、数据长度不一致情况，在预处理过程中，剔除连续数据中突变的个别数据，用相邻两值的平均值加以替代；数据长度统一按最长的数据长度为参考，确定数据长度，再对数据进行归一化处理，所谓归一化，就是将数据映射到[0,1]或[-1,1]区间；4)建立热定型过程织物温度预测的神经网络模型a.确定神经网络的输入输出以及网络结构；其中，输入层包含四个节点，对应：烘箱温度，定型时间，定型织物的克重和含水率，输出层包含一个节点为织物的温度，中间隐含层分别为12,12,6；b.确定损失函数选用均方误差MSE作为损失函数， M S E = 1 n Σ 1 n ( y l a b e l - y p r e d i c t i o n ) 2 ]]>c.激活函数选取激活函数为tanh和log两种激活函数，其中从输入层到隐含层以及隐含层到隐含层选用tanh，隐含层到输出层选用log；5)优化所建立的神经网络的模型a.改进学习效率为改善普通神经网络训练学习效率低，速度慢的不足，采用自适应时刻估计方法，调整公式为: g t = ▿ θ f t ( θ t - 1 ) - - - ( 1 ) ]]>mt＝β1*mt-1+(1-β1)*gt (2) v t = β 2 * v t - 1 + ( 1 - β 2 ) * g t 2 - - - ( 3 ) ]]>mt和vt是梯度的加权平均值和加权平方误差，最初是0向量，当衰减因子β1和β2接近1时，mt和vt趋向于0向量，所以mt和vt偏差校正: m ^ t = m t / ( 1 - β 1 t ) - - - ( 4 ) ]]> v ^ t = v t / ( 1 - β 2 t ) - - - ( 5 ) ]]>最终表示式为: θ t = θ t - 1 - α * m ^ t / ( v ^ t + ∈ ) - - - ( 6 ) ]]>使用的参数,α＝0.001,β1＝0.92,β2＝0.999and∈＝1×10-8；b.交叉验证第一步，将样本分成3个独立的部分，即：训练样本、验证样本和测试样本，其中训练样本用来训练网络，验证样本用来确定网络结构和网络参数，而测试样本则检验最终训练好的网络的性能；第二步，分离后假定有L个样本，将L个样本打乱，然后均匀分成K份，轮流选择其中K‐1份进行训练，剩余的一份做验证，共有K种取法，对于每一轮训练，当验证数据误差总和最小或者迭代次数达到设定值时停止训练；6)训练和测试预测模型。