高性能碳纤维原丝制备工艺人工智能优化技术研究

Faced to the problems of unstability of performances，high production cost and great complexity of the process of high performance carbon fiber precursor, this proposal is expected to optimize the process parameters by constructing a hybrid neural network based simulation system. The main studies of this proposal include refining the key performances of carbon fiber precursor by collecting the experimental data , constructing the artificial neural network simulation system which mapping the key performances to the process parameters, improving the robustness and adaptivity of the processing analysis. The main key techniques include constructing a hybrid artificial neural network for the optimization of process parameters, refining the key parameters of process using piecewise linear optimal floating search algorithm( PLOFS) . The final goal of this proposal is to provide the instructive advice and valuable information to short the time and reducing the high cost of process testing and modification and eventually to lay a deep foundation for making high performance carbon fiber.

本课题主要针对由于碳纤维原丝制备工艺的复杂性、性能不稳定性和高生产成本问题，拟通过构建碳纤维原丝制备工艺的混合人工神经网络仿真系统，对高性能碳纤维工艺参数的优化进行理论和算法进行研究。具体研究内容包括在收集汇总已有的高性能碳纤维原丝制备工艺数据基础上采用人工智能技术提炼影响碳纤维性能的关键原丝指标，建立高性能碳纤维原丝综合关键指标与工艺参数之间的神经网络优化模型，提高原丝制备工艺过程多元参数分析仿真的鲁棒性和自适应。关键技术主要包括：基于分段线性优化搜索特征选择(Optimal Floating Search Algorithm, PLOFS)的构建及优化算法的原丝关键指标提炼，构建混合人工神经网络碳纤维工艺优化模型。最终目标是为生产工艺的实验验证提供科研和生产的指导，降低高成本和缩短时间，为研究开发更高性能碳纤维生产工艺奠定理论基础。

本项目通过收集汇总已有高性能碳纤维原丝制备工艺数据，提炼影响碳纤维性能的关键原丝指标，建立原丝关键指标与工艺参数之间的数学模型；利用误差逆传播算法（Error BackPropagation,简称 BP）对搭建起来的人工智能神经网络进行相关训练，建立高性能碳纤维原丝综合关键指标与工艺参数之间的多级人工智能模型。为了满足复杂工艺的要求，本研究将SVM应用到快速收敛的优化MLP算法中，提出了一个SVM/MLP混合人工神经网络算法，开发了一个SVM-MLP人工神经网络预测系统；优化了输入规格化神经网络（OIN）的OIN/SVM的算法；从而大大提高了人工神经网络优化性能。为了最终实现对实现PAN纤维生产工艺过程多阶段的模拟，采用的是非线性激活函数的三层全连接RBF网络作为研究对象，并用正交最小二乘法(OLS)计算最优输出权值，形成新的OWO-RBF人工神经网络算法；引入了Gaussian-Bernoulli based Convolutional Deep Belief Network深度网络学习技术，实现对每一个阶段的不同控制参数进行融合并提取特征，并且根据工艺过程多阶段的特征，可以实现多级深度学习算法的模拟。为了提高图像识别率，建立了一个基于Marginal Fisher Analyse（MFA）的改进非损耗函数卷积神经网络（MFANet）。同时，为了更好的将前期的研究成果进行测试，研究开发了智能试验现场测试平台，并与车间制造执行系统实现数据集成和分析。基于以上研究，采用相同的纺丝原液，设定不同纺丝工艺条件，制备PAN碳纤维，并对碳纤维样品进行结构与性能的分析，进行了工艺参数的优化；在平台基础上设计开发了碳纤维表面上浆剂，并取得良好的效果。