本发明涉及一种基于误差补偿的聚酯纤维纺丝工序分段参数配置方法，随机生成多组聚酯纤维纺丝工序分段参数后，预测各组对应的聚酯纤维的性能指标，再根据聚酯纤维的性能指标挑选出一组聚酯纤维纺丝工序分段参数后，按其进行配置。预测前确定多个主体和误差预测段，并确定各预测段对应的训练好的算法模型，整个预测过程为各个预测段顺序预测的过程，各个预测段预测的过程即将其对应的输入项输入到训练好的算法模型由其输出得到输出项的过程，后一预测段的输入项包含前一预测段的输出项，主体预测段对应的算法模型为改进IA‑PSO‑ELM算法模型，误差预测段对应的算法模型为RBF算法模型。本发明的配置方法过程简单、耗时短、无需反复生产试验、成本低廉、可操作性强。
1.一种基于误差补偿的聚酯纤维纺丝工序分段参数配置方法，其特征是：随机生成多组聚酯纤维纺丝工序分段参数后，预测各组对应的聚酯纤维的性能指标，再根据聚酯纤维的性能指标挑选出一组聚酯纤维纺丝工序分段参数后，按其进行配置；
预测前按聚酯纤维纺丝工序将聚酯纤维生产过程分为多个主体预测段A1～Am，在主体预测段Ai与Ai+1之间增设误差预测段Bi，i＝1,2,3...m-1，确定各预测段对应的训练好的算法模型；
整个预测过程为各个预测段顺序预测的过程，各个预测段预测的过程即将其对应的输入项输入到其对应的训练好的算法模型由其输出得到输出项的过程，其中，后一预测段的输入项包含前一预测段的输出项；
i＝1时，主体预测段Ai的输入项为聚酯纤维的生产过程工艺参数；i>1时，主体预测段Ai的输入项为主体预测段Ai-1的输出项与误差预测段Bi-1的输出项的加和以及聚酯纤维的生产过程工艺参数；主体预测段Am的输出项为聚酯纤维的性能指标，主体预测段A1～Am-1的输出项为聚酯纤维的材料结构；误差预测段Bi的输入项为聚酯纤维的生产过程工艺参数和主体预测段Ai的输出项，误差预测段Bi的输出项为聚酯纤维的材料结构误差；
主体预测段对应的算法模型为改进IA-PSO-ELM算法模型，误差预测段对应的算法模型为RBF算法模型；
各预测段对应的算法模型的训练过程即以各预测段的输入项和输出项对应的历史数据作为算法模型的输入项和输出项，不断调整算法模型的参数，直至达到终止条件的过程；
历史数据即在历史生产过程中采集的数据，其中，主体预测段Ai-1的输出项与误差预测段Bi-1的输出项的加和对应的历史数据为主体预测段Ai-1的输出项对应的历史数据，误差预测段Bi的输出项对应的历史数据是通过将主体预测段Ai的输入项对应的历史数据输入到训练好的改进IA-PSO-ELM算法模型由其输出预测数据后，将预测数据与主体预测段Ai的输出项对应的历史数据相减后计算绝对值得到的；
改进IA-PSO-ELM算法为改进的PSO-ELM算法，改进之处在于PSO算法为改进的免疫粒子群算法，改进的免疫粒子群算法的改进之处在于协调系数α的表达式如下：式中，f表示当前迭代次数，Tmax表示最大迭代次数。
2.根据权利要求1所述的一种基于误差补偿的聚酯纤维纺丝工序分段参数配置方法，其特征在于，聚酯纤维的材料结构为张力、取向度、直径和丝条速度，单位分别为cN、Δn、μm和m/min；聚酯纤维的生产过程工艺参数为纺丝温度、纺丝速度、吹风温度和吹风速度，单位分别为℃、m/min、℃和m/min；聚酯纤维的性能指标为断裂强度、伸长能力、倍半伸长率和伸长率不均率，单位分别为cN/detx、％、％和％。
3.根据权利要求1所述的一种基于误差补偿的聚酯纤维纺丝工序分段参数配置方法，其特征在于，预测段分别为无风区主体预测段、无风区误差预测段、吹风区主体预测段、吹风区误差预测段和自然冷却成形主体预测段；
无风区主体预测段的输入项为聚酯纤维的生产过程工艺参数，输出项为吹风区入口处聚酯纤维的材料结构；
无风区误差预测段的输入项为聚酯纤维的生产过程工艺参数和吹风区入口处聚酯纤维的材料结构，输出项为吹风区入口处聚酯纤维的材料结构误差；
吹风区主体预测段的输入项为吹风区入口处聚酯纤维的材料结构与吹风区入口处聚酯纤维的材料结构误差的加和以及聚酯纤维的生产过程工艺参数，输出项为吹风区出口处聚酯纤维的材料结构；
吹风区误差预测段的输入项为聚酯纤维的生产过程工艺参数和吹风区出口处聚酯纤维的材料结构，输出项为吹风区出口处聚酯纤维的材料结构误差；
自然冷却成形主体预测段的输入项为吹风区出口处聚酯纤维的材料结构与吹风区出口处聚酯纤维的材料结构误差的加和以及聚酯纤维的生产过程工艺参数，输出项为聚酯纤维的性能指标。
4.根据权利要求3所述的一种基于误差补偿的聚酯纤维纺丝工序分段参数配置方法，其特征在于，改进IA-PSO-ELM算法模型训练的终止条件为：输出精度≤0.0001或达到最大迭代次数；RBF算法模型训练的终止条件为：聚类中心值不再变化。
5.根据权利要求4所述的一种基于误差补偿的聚酯纤维纺丝工序分段参数配置方法，其特征在于，数据输入到算法模型前进行归一化处理，数据从算法模型输出后进行反归一化处理，归一化处理的公式如下：式中，x-和x分别为待归一化处理的数据和归一化处理后的数据，xmax和xmin分别代表待归一化处理的数据中的最大值和最小值；
式中，x-和x分别为待反归一化处理的数据和反归一化处理后的数据，xmax和xmin分别代表待反归一化处理的数据中的最大值和最小值。
6.根据权利要求5所述的一种基于误差补偿的聚酯纤维纺丝工序分段参数配置方法，其特征在于，改进IA-PSO-ELM算法模型的训练步骤如下：(1)采集历史数据，划分为训练集和测试集，训练集和测试集样本数量之和为2000组，训练集与测试集的样本数量之比为3:2；
(2)对训练集和测试集中的所有数据进行归一化处理；
(4)采用训练集训练改进IA-PSO-ELM算法模型，得到改进IA-PSO-ELM算法模型的输入层与隐藏层之间的权值和阈值；
(5)采用测试集测试改进IA-PSO-ELM算法模型，得到测试精度；
(6)判断测试精度是否≤0.0001，如果是，则将输入层与隐藏层之间的权值和阈值代入改进IA-PSO-ELM算法模型，结束训练；反之，则进入下一步；
(7)判断迭代次数是否达到最大迭代次数，如果是，则将输入层与隐藏层之间的权值和阈值代入改进IA-PSO-ELM算法模型，结束训练；反之，则令f＝f+1后，返回步骤(4)。
7.根据权利要求6所述的一种基于误差补偿的聚酯纤维纺丝工序分段参数配置方法，其特征在于，改进IA-PSO-ELM算法的流程如下：(1)构建粒子群算法的适应度函数，以训练样本的均方差作为适应度值，表达公式如下：其中， 表示所建立神经网络的实际输出， 表示所建立神经网络期望输出；
(2)选择适应度函数，选择合适的参数，包括种群规模粒子规模m、隐藏层节点数目S、最大迭代次数Tmax、迭代误差精度ε、惯性权重w、加速因子c1和c2、粒子维数N、粒子速度的取值区间和粒子位置的取值区间；
(3)初始化粒子种群，初始化ELM网络输入层与隐含层之间的权值和阈值，并将其作为粒子群中的粒子，ELM的数学模型为：其中，S是隐藏层节点个数，o表示S个隐藏层中的第o个隐藏层节点，wo是连接第o个隐藏层节点和输入节点的连接权值向量，bo是第o个隐藏层节点的偏差向量，βo是连接第o个隐藏层节点和输出节点的权值向量，G(wo·x+bo)是第o个节点的输出；
其中，β表示隐含层和输出层的连接权值，H+表示隐含层的广义逆矩阵；Y'表示网络输出的转移矩阵；
(4)根据步骤(3)中训练样本预测值以及所构建的适应度函数计算每个粒子适应度值，并获取每个粒子的个体极值Pq和全局极值Pg，将全局极值Pg也设置为免疫记忆粒子，存入记忆库；
(5)更新粒子的速度和位置，并在群体中随机产生n个新粒子；
式中，q代表一个种群中的第q个粒子，t代表当前迭代次数， 代表粒子q在第t次迭代中d维粒子的速度， 代表粒子q在第t+1次迭代中d维粒子的速度，r1,r2是两个取值范围在
0～1之间的随机数, 为第t次迭代个体最优位置， 为第t次迭代全局最优位置， 代表粒子q在第t次迭代中d维粒子的位置， 代表代表粒子q在第t+1次迭代中d维粒子的位置；
(6)基于浓度和亲和度的综合粒子选择，根据下列公式计算新生成的s+n个粒子的选择概率，选择概率较大的n个粒子组成第k代粒子群Popk；
式中，D(xq)表示粒子xq的浓度，xq和xj表示种群中的第q和第j个粒子，f(xq)和f(xj)分别表示粒子xq和xj的适应度函数，s和n表示种群中粒子的个数；
式中，W(xq)表示粒子xq的亲和度，xq表示种群中第q个粒子，Pgq和Pqq分别表示粒子xq的全局极值和个体极值，ε无实际意义，保持分母项不为零，s和n表示种群中粒子的个数；
式中，Pd(xq)表示基于浓度的粒子xq的选择概率，D(xq)表示粒子xq的浓度，xq和xj表示种群中的第i和第j个粒子，f(xq)和f(xj)分别表示粒子xq和xj的适应度函数，s和n表示种群中粒子的个数；
式中，Pw(xq)表示基于亲和度的粒子xq的选择概率，W(xq)表示粒子xq的亲和度，xq和xj表示种群中的第q和第j个粒子，Pgq和Pqq分别表示粒子xq的全局极值和个体极值，Pjg和Pjq分别表示粒子xj的全局极值和个体极值，s和n表示种群中粒子的个数；
P(x)＝(1-α)Pw(xq)+αPd(xq)；
式中，P(x)为综合选择概率，Pd(xq)表示基于浓度的粒子xq的选择概率，Pw(xq)表示基于亲和度的粒子xq的选择概率，α为协调系数，f表示当前迭代次数，Tmax表示最大迭代次数；
(7)粒子群更新，将记忆库中的免疫记忆粒子Pg替换粒子群Popk中适应值较差的粒子，形成新一代粒子群体Popk+1；
(8)迭代，直到达到最大循环次数，得到最优的权值、阈值以及优化的改进IA-PSO-ELM算法模型，否则转到步骤(4)。
8.根据权利要求7所述的一种基于误差补偿的聚酯纤维纺丝工序分段参数配置方法，其特征在于，ELM网络的激活函数为sigmoid函数，m、n、S、Tmax、w、c1、c2和N的取值范围分别为：10～30、10～30、20、500、0～1、0～2、0～2和1800，粒子速度的取值区间为[-5,5]，粒子位置的取值区间为[-1,1]，spread取值为[0,1]。
9.根据权利要求5所述的一种基于误差补偿的聚酯纤维纺丝工序分段参数配置方法，其特征在于，RBF算法模型的训练步骤如下：(1)采集历史数据，划分为训练集和测试集，训练集和测试集样本数量之和为800组，训练集与测试集的样本数量之比为3:1；
(2)对训练集和测试集中的所有数据进行归一化处理；
(3)采用归一化后的训练集训练RBF算法模型，确定高斯函数为径向基函数；
(4)网络初始化，从所有的训练样本中选取n个训练样本作为聚类中心；
(5)使用最近邻原则将所有训练样本分组，按照||xp-cu||将xp带入到所选样本的聚类集合 中；
(6)计算 中训练样本的均值，代替原来的聚类中心，倘若新的聚类中心值不再变化，则RBF神经网络的最终基函数的第u个聚类中心为cu，否则跳转到(5)，继续求解聚类中心；
(8)计算隐含层与输出层间的权值，得到训练好的RBF算法模型。
10.根据权利要求9所述的一种基于误差补偿的聚酯纤维纺丝工序分段参数配置方法，其特征在于，RBF算法的流程如下：(1)确定隐含层神经元径向基函数为高斯函数，激活函数的表达式如下：式中，R(xp-cu)为神经元的值，xp为第p个训练样本，cu为高斯函数的第u个聚类中心，||xp-cu||为xp至cu的欧式范数，σ为高斯函数的方差；
(2)网络初始化，从所有的训练样本中选取n个训练样本设为聚类中心，则第u个聚类中心为cu；
(3)使用最近邻原则将所有的训练样本分组：按照||xp-cu||将xp带入到所选样本的聚类集合 中；
(4)重新调整聚类中心：计算 中训练样本的均值，代替原来的聚类中心，倘若新的聚类中心值不再变化，则RBF神经网络的最终基函数的第u个聚类中心为cu，否则跳转到(3)，继续求解聚类中心；
式中，cmax是所有中心之间的最大距离，h是隐含层节点数；
(6)求解隐含层与输出层间权值，采用最小二次法求解权值ω，求解公式如下：式中，ωuj为隐含层与输出层间的连接权值；
设，网络的第j个输出节点的期望输出为dj，基函数的方差可以表示为：式中，p为训练样本的总个数。
一种基于误差补偿的聚酯纤维纺丝工序分段参数配置方法
技术领域
[0001] 本发明属于聚酯纤维生产参数配置领域，涉及一种基于误差补偿的聚酯纤维纺丝工序分段参数配置方法。
背景技术
[0002] 聚酯纤维是大分子链通过酯基相连形成的成纤高聚物纺制而成的纤维，简称为PET纤维，一般俗称为“涤纶”，其具有良好的抗皱性和保形性，除此之外，其还有具有较高的强度与弹性恢复能力。聚酯具有优良的物理、化学、机械性能，因而迅速成为合成纤维中产量最大的品种。聚酯工业也成为一个与国计民生息息相关的产业，广泛应用于化学纤维、轻工、电子、建筑等国民经济的各个方面。
[0003] 我国聚酯产业发展迅速，随着自动化生产能力不断提升，聚酯行业一直面临着严重的产能过剩问题，对产品质量以及差异化的要求越来越高，各聚酯企业也面临着差异化生产以及高质量生产的问题，这些问题的解决就需要掌握聚酯纤维生产装置的知识。同时在差异化生产中，需要根据市场的需求选择正确的工艺参数，由于纤维生产线长，应该尽可能通过少量的试验达到预期的性能指标，因此选取合理的方式对生产过程进行建模有利于减少企业生产成本，也有利于提高产品质量以及开发新产品。
[0004] 然而，目前聚酯纤维纺丝工艺参数大多是通过反复生产试验确定的，过程复杂、耗时较长、成本较高、可操作性弱，因而，亟待研究一种不需要反复生产试验、过程简单、耗时短、成本低廉、可操作性强的聚酯纤维纺丝工艺参数的配置方法。
发明内容
[0005] 本发明的目的是克服现有技术的配置方法需要反复生产试验、过程复杂、耗时长、成本较高、可操作性弱的问题，提供一种基于误差补偿的聚酯纤维纺丝工序分段参数配置方法。本发明在聚酯纤维纺丝过程中，采取分段建模并进行误差补偿的方式，可以对生产过程进一步细化，预测中间生产过程中例如取向度、张力、直径等材料结构信息，进一步指导后续生产。用本文中建立好的改进IA-PSO-ELM算法模型，输入值为期望工艺参数，经过建立好的误差补偿模型，最终得到期望的聚酯纤维性能指标，如果得到的期望聚酯纤维性能指标就是拟生产的聚酯纤维性能指标，那么期望工艺参数就是拟投入生产的配置工艺参数。
[0006] 为达到上述目的，本发明采用的方案如下：
[0007] 一种基于误差补偿的聚酯纤维纺丝工序分段参数配置方法，随机生成多组聚酯纤维纺丝工序分段参数后，预测各组对应的聚酯纤维的性能指标，再根据聚酯纤维的性能指标挑选出一组聚酯纤维纺丝工序分段参数后，按其进行配置；
[0008] 预测前按聚酯纤维纺丝工序将聚酯纤维生产过程分为多个主体预测段A1～Am，在主体预测段Ai与Ai+1之间增设误差预测段Bi，i＝1,2,3...m-1，确定各预测段对应的训练好的算法模型；
[0009] 整个预测过程为各个预测段顺序预测的过程，各个预测段预测的过程即将其对应的输入项输入到其对应的训练好的算法模型由其输出得到输出项的过程，其中，后一预测段的输入项包含前一预测段的输出项；
[0010] i＝1时，主体预测段Ai的输入项为聚酯纤维的生产过程工艺参数；i>1时，主体预测段 Ai的输入项为主体预测段Ai-1的输出项与误差预测段Bi-1的输出项的加和以及聚酯纤维的生产过程工艺参数；主体预测段Am的输出项为聚酯纤维的性能指标，主体预测段A1～Am-1的输出项为聚酯纤维的材料结构；误差预测段Bi的输入项为聚酯纤维的生产过程工艺参数和主体预测段Ai的输出项，误差预测段Bi的输出项为聚酯纤维的材料结构误差；
[0011] 主体预测段对应的算法模型为改进IA-PSO-ELM算法模型，误差预测段对应的算法模型为RBF算法模型；
[0012] 各预测段对应的算法模型的训练过程即以各预测段的输入项和输出项对应的历史数据作为算法模型的输入项和输出项，不断调整算法模型的参数，直至达到终止条件的过程；
[0013] 历史数据即在历史生产过程中采集的数据，其中，主体预测段Ai-1的输出项与误差预测段Bi-1的输出项的加和对应的历史数据为主体预测段Ai-1的输出项对应的历史数据，误差预测段Bi的输出项对应的历史数据是通过将主体预测段Ai的输入项对应的历史数据输入到训练好的改进IA-PSO-ELM算法模型由其输出预测数据后，将预测数据与主体预测段Ai的输出项对应的历史数据相减后计算绝对值得到的；
[0014] 改进IA-PSO-ELM算法模型通过以ELM网络输入层与隐含层之间的权值和阈值作为 PSO算法的粒子，以均方误差函数作为PSO算法的适应度函数，采用PSO算法优化ELM算法，同时利用免疫算法基于浓度和亲和度选择机制的多样性保护策略使粒子群中处于各适应值层次的粒子均保持一定的浓度，以防止算法陷入局部最优，改进IA-PSO-ELM算法为改进的PSO-ELM算法，改进之处在于PSO算法为改进的免疫粒子群算法，免疫粒子群算法 (IA-PSO)是将免疫系统的免疫信息处理机制引入粒子群算法(PSO)中，利用其特有的浓度选择机制以及疫苗接种原理，改进了粒子群优化算法的全局寻优能力，提高了收敛速度，改进 IA-PSO-ELM算法相较于PSO-ELM算法多了基于浓度选择机制的多样性保持策略，起到的作用是使粒子群中处于各适应度值层次的粒子均保持一定的浓度，防止粒子群算法陷入局部最优，改进的免疫粒子群算法的改进之处在于协调系数α的表达式如下：
[0015]
[0016] 式中，f表示当前迭代次数，Tmax表示最大迭代次数，目前综合选择概率公式中的协调系数一般为定值，存在求解速度低的问题，本发明中重新定义了协调系数，在迭代后期，随着迭代次数的增加，协调系数也随之增加，加大了低浓度粒子保留的概率，因此可以保证在迭代后期高亲和力低浓度的的粒子有更大的机会被选择保留下来，提高了求解速度。
[0017] 本发明根据聚酯纤维的生产过程工艺参数即可获取吹风区入口处的聚酯纤维材料结构信息、吹风区出口处的聚酯纤维材料结构信息以及最终的聚酯纤维物性指标，其配置过程简单、耗时短、不需要反复生产试验、成本低廉、可操作性强。目前有很多算法运用到了聚酯纤维生产过程中，但是都没有对聚酯纤维生产过程的材料结构进行预测模拟，本发明可以很好地根据工艺参数得到聚酯纤维生产过程的材料结构信息和物性指标，并通过误差补偿模型对预测过程进行误差补偿，提高了预测精度。极限学习机(ELM)算法是一种新型的学习算法，其主要针对单层前馈神经网络(SLFNs)，其具有学习能力较强的特性，但由于算法的隐藏层权值和阈值是任意赋值，其稳定性较差，难以适用于聚酯纤维生产过程。粒子群优化极限学习机算法(改进IA-PSO-ELM)是一种用粒子群算法的全局搜索最优解对极限学习机隐藏层权值和阈值参数进行选取的算法，同时利用免疫算法基于浓度选择机制的多样性保护策略使粒子群中处于各适应值层次的粒子均保持一定的浓度，防止粒子群算法陷入局部最优，由于其对极限学习机算法的参数是随机设定，其克服了极限学习机(ELM)算法稳定性差的缺陷，本发明采用历史聚酯纤维的物性指标、材料结构信息和生产过程工艺参数对改进 IA-PSO-ELM算法模型进行训练，训练好的模型即可用于预测期望聚酯纤维的材料结构信息和物性指标；采用历史聚酯纤维的物性指标、材料结构信息、生产过程工艺参数和个预测段误差对RBF算法模型进行训练，训练好的模型即可用于预测各预测段的误差。
[0018] 作为优选的方案：
[0019] 如上所述的一种基于误差补偿的聚酯纤维纺丝工序分段参数配置方法，聚酯纤维的材料结构为张力、取向度、直径和丝条速度，单位分别为cN、Δn、μm和m/min；聚酯纤维的生产过程工艺参数为纺丝温度、纺丝速度、吹风温度和吹风速度，单位分别为℃、m/min、℃和m/min；聚酯纤维的性能指标为断裂强度、伸长能力、倍半伸长率和伸长率不均率，单位分别为cN/detx、％、％和％。
[0020] 如上所述的一种基于误差补偿的聚酯纤维纺丝工序分段参数配置方法，预测段分别为无风区主体预测段、无风区误差预测段、吹风区主体预测段、吹风区误差预测段和自然冷却成形主体预测段；
[0021] 无风区主体预测段的输入项为聚酯纤维的生产过程工艺参数，输出项为吹风区入口处聚酯纤维的材料结构；
[0022] 无风区误差预测段的输入项为聚酯纤维的生产过程工艺参数和吹风区入口处聚酯纤维的材料结构，输出项为吹风区入口处聚酯纤维的材料结构误差；
[0023] 吹风区主体预测段的输入项为吹风区入口处聚酯纤维的材料结构与吹风区入口处聚酯纤维的材料结构误差的加和以及聚酯纤维的生产过程工艺参数，输出项为吹风区出口处聚酯纤维的材料结构；
[0024] 吹风区误差预测段的输入项为聚酯纤维的生产过程工艺参数和吹风区出口处聚酯纤维的材料结构，输出项为吹风区出口处聚酯纤维的材料结构误差；
[0025] 自然冷却成形主体预测段的输入项为吹风区出口处聚酯纤维的材料结构与吹风区出口处聚酯纤维的材料结构误差的加和以及聚酯纤维的生产过程工艺参数，输出项为聚酯纤维的性能指标。
[0026] 如上所述的一种基于误差补偿的聚酯纤维纺丝工序分段参数配置方法，改进IA-PSO-ELM 算法 模型训练的终止条件为：输出精度≤0.0001或达到最大迭代次数；各主体预测段对应的改进IA-PSO-ELM算法模型的训练过程为：在无风区主体预测段，分别以聚酯纤维的生产过程工艺参数和吹风区入口处聚酯纤维的材料结构对应的历史数据作为改进 IA-PSO-ELM算法模型的输入项和输出项，不断调整改进IA-PSO-ELM算法模型的参数，直至其输出精度≤0.0001或达到最大迭代次数；在吹风区主体预测段，以聚酯纤维的生产过程工艺参数和吹风区入口处聚酯纤维的材料结构对应的历史数据作为改进IA-PSO-ELM算法模型的输入项，以吹风区出口处聚酯纤维的材料结构对应的历史数据作为改进 IA-PSO-ELM 算法 模型的输出项，不断调整改进IA-PSO-ELM算法模型的参数，直至其输出精度≤0.0001或达到最大迭代次数；在自然冷却成形主体预测段，以聚酯纤维的生产过程工艺参数和吹风区出口处聚酯纤维的材料结构对应的历史数据作为改进IA-PSO-ELM算法模型的输入项，以聚酯纤维的性能指标作为改进IA-PSO-ELM算法模型的输出项，不断调整改进IA-PSO-ELM算法模型的参数，直至其输出精度≤0.0001或达到最大迭代次数；
[0027] RBF算法模型训练的终止条件为：聚类中心值不再变化；各误差预测段对应的RBF算法模型的训练过程为：在无风区误差预测段，以聚酯纤维的生产过程工艺参数和吹风区入口处聚酯纤维的材料结构对应的历史数据作为RBF算法模型的输入项，以无风区主体预测段预测得到的吹风区入口处的聚酯纤维的材料结构的预测数据与吹风区入口处聚酯纤维的材料结构对应的历史数据的差值的绝对值作为RBF算法模型的输出项，不断调整RBF算法模型的参数，直到聚类中心值不再变化；在吹风区误差预测段，以聚酯纤维的生产过程工艺参数和吹风区出口处聚酯纤维的材料结构对应的历史数据作为RBF算法模型的输入项，以吹风区主体预测段预测得到的吹风区出口处聚酯纤维的材料结构的预测数据与吹风区出口处聚酯纤维的材料结构对应的历史数据的差值的绝对值作为RBF算法模型的输出项，不断调整RBF算法模型的参数，直到聚类中心值不再变化。
[0028] 如上所述的一种基于误差补偿的聚酯纤维纺丝工序分段参数配置方法，数据输入到算法模型前进行归一化处理，数据从算法模型输出后进行反归一化处理，归一化处理的公式如下：
[0029]
[0030] 式中，x-和x分别为待归一化处理的数据和归一化处理后的数据，xmax和xmin分别代表待归一化处理的数据中的最大值和最小值；
[0031] 反归一化处理的公式如下：
[0032] x＝xmin+(xmax-xmin)x-
[0033] 式中，x-和x分别为待反归一化处理的数据和反归一化处理后的数据，xmax和xmin分别代表待反归一化处理的数据中的最大值和最小值。对数据进行归一化处理是为了克服由于输入变量的维度不一致导致神经网络学习速度变慢的问题和由于奇异样本数据导致神经网络无法收敛的问题。此处仅列举其中一种归一化处理的公式，其他归一化处理的公式也可适用于本发明，但所有的归一化处理公式应当统一，且其应与反归一化处理公式对应。
[0034] 如上所述的一种基于误差补偿的聚酯纤维纺丝工序分段参数配置方法，改进IA-PSO-ELM 算法 模型的训练步骤如下：
[0035] (1)采集历史数据，划分为训练集和测试集，训练集和测试集样本数量之和为2000组，训练集与测试集的样本数量之比为3:2；
[0036] (2)对训练集和测试集中的所有数据进行归一化处理；
[0037] (3)令当前迭代次数f＝1；
[0038] (4)采用训练集训练改进IA-PSO-ELM算法模型，得到改进IA-PSO-ELM算法模型的输入层与隐藏层之间的权值和阈值；
[0039] (5)采用测试集测试改进IA-PSO-ELM算法模型，得到测试精度；
[0040] (6)判断测试精度是否≤0.0001，如果是，则将输入层与隐藏层之间的权值和阈值代入改进IA-PSO-ELM算法模型，结束训练；反之，则进入下一步；
[0041] (7)判断迭代次数是否达到最大迭代次数，如果是，则将输入层与隐藏层之间的权值和阈值代入改进IA-PSO-ELM算法模型，结束训练；反之，则令f＝f+1后，返回步骤(4)。
[0042] 如上所述的一种基于误差补偿的聚酯纤维纺丝工序分段参数配置方法，改进 IA-PSO-ELM 算法 的流程如下：
[0043] (1)构建粒子群算法的适应度函数，以训练样本的均方差作为适应度值，表达公式如下：
[0044]
[0045] 其中， 表示所建立神经网络的实际输出， 表示所建立神经网络期望输出；
[0046] (2)选择适应度函数，选择合适的参数，包括种群规模粒子规模m、隐藏层节点数目S、最大迭代次数Tmax、迭代误差精度ε、惯性权重w、加速因子c1和c2、粒子维数N、粒子速度的取值区间和粒子位置的取值区间；
[0047] (3)初始化粒子种群，初始化ELM网络输入层与隐含层之间的权值和阈值，并将其作为粒子群中的粒子，ELM的数学模型为：
[0048]
[0049] 其中，S是隐藏层节点个数，o表示S个隐藏层中的第o个隐藏层节点，wo是连接第o个隐藏层节点和输入节点的连接权值向量，bo是第o个隐藏层节点的偏差向量，βo是连接第o个隐藏层节点和输出节点的权值向量，G(wo·x+bo)是第o个节点的输出；
[0050] 按照下列公式确定β，并预估训练样本预测值；
[0051] β＝H+Y'
[0052] 其中，β表示隐含层和输出层的连接权值，H+表示隐含层的广义逆矩阵；Y'表示网络输出的转移矩阵；
[0053] (4)根据步骤(3)中训练样本预测值以及所构建的适应度函数计算每个粒子适应度值，并获取每个粒子的个体极值Pq和全局极值Pg，将全局极值Pg也设置为免疫记忆粒子，存入记忆库；
[0054] (5)更新粒子的速度和位置，并在群体中随机产生n个新粒子；
[0055]
[0056]
[0057] 式中，q代表一个种群中的第q个粒子，t代表当前迭代次数， 代表粒子q在第t次迭代中d维粒子的速度， 代表粒子q在第t+1次迭代中d维粒子的速度，r1,r2是两个取值范围在0～1之间的随机数, 为第t次迭代个体最优位置， 为第t次迭代全局最优位置， 代表粒子q在第t次迭代中d维粒子的位置， 代表代表粒子q在第t+1次迭代中d维粒子的位置；
[0058] (6)基于浓度和亲和度的综合粒子选择，根据下列公式计算新生成的s+n个粒子的选择概率，选择概率较大的n个粒子组成第k代粒子群Popk；
[0059] 粒子xi的浓度定义如下：
[0060]
[0061] 式中，D(xq)表示粒子xq的浓度，xq和xj表示种群中的第q和第j个粒子，f(xq)和f(xj) 分别表示粒子xq和xj的适应度函数，s和n表示种群中粒子的个数；
[0062] 粒子xq的亲和度定义如下：
[0063]
[0064] 式中，W(xq)表示粒子xq的亲和度，xq表示种群中第q个粒子，Pgq和Pqq分别表示粒子xq的全局极值和个体极值，ε无实际意义，保持分母项不为零，s和n表示种群中粒子的个数；
[0065] 基于粒子浓度的选择概率公式定义如下：
[0066]
[0067] 式中，Pd(xq)表示基于浓度的粒子xq的选择概率，D(xq)表示粒子xq的浓度，xq和xj表示种群中的第i和第j个粒子，f(xq)和f(xj)分别表示粒子xq和xj的适应度函数，s和n表示种群中粒子的个数；
[0068] 基于粒子亲和度的选择概率公式定义如下：
[0069]
[0070] 式中，Pw(xq)表示基于亲和度的粒子xq的选择概率，W(xq)表示粒子xq的亲和度，xq和 xj表示种群中的第q和第j个粒子，Pgq和Pqq分别表示粒子xq的全局极值和个体极值，Pjg和 Pjq分别表示粒子xj的全局极值和个体极值，s和n表示种群中粒子的个数；
[0071] 综合选择概率为P(x)：
[0072] P(x)＝(1-α)Pw(xq)+αPd(xq)；
[0073]
[0074] 式中，P(x)为综合选择概率，Pd(xq)表示基于浓度的粒子xq的选择概率，Pw(xq)表示基于亲和度的粒子xq的选择概率，α为协调系数，f表示当前迭代次数，Tmax表示最大迭代次数；
[0075] (7)粒子群更新，将记忆库中的免疫记忆粒子Pg替换粒子群Popk中适应值较差的粒子，形成新一代粒子群体Popk+1；
[0076] (8)迭代，直到达到最大循环次数，得到最优的权值、阈值以及优化的改进 IA-PSO-ELM算法模型，否则转到步骤(4)。
[0077] 如上所述的一种基于误差补偿的聚酯纤维纺丝工序分段参数配置方法，ELM网络的激活函数为sigmoid函数，m、n、S、Tmax、w、c1、c2和N的取值范围分别为：10～30、 10～30、20、500、0～1、0～2、0～2和1800，粒子速度的取值区间为[-5,5]，粒子位置的取值区间为[-
1,1]，spread取值为[0,1]，本发明的各参数的取值范围并不仅限于此，其可根据实际应用场景进行选择，但其调整幅度不宜过大，否则将影响计算的精度。
[0078] 如上所述的一种基于误差补偿的聚酯纤维纺丝工序分段参数配置方法，RBF算法模型的训练步骤如下：
[0079] (1)采集历史数据，划分为训练集和测试集，训练集和测试集样本数量之和为800组，训练集与测试集的样本数量之比为3:1；
[0080] (2)对训练集和测试集中的所有数据进行归一化处理；
[0081] (3)采用归一化后的训练集训练RBF算法模型，确定高斯函数为径向基函数；
[0082] (4)网络初始化，从所有的训练样本中选取n个训练样本作为聚类中心；
[0083] (5)使用最近邻原则将所有训练样本分组，按照||xp-cu||将xp带入到所选样本的聚类集合 中；
[0084] (6)计算 中训练样本的均值，代替原来的聚类中心，倘若新的聚类中心值不再变化，则RBF神经网络的最终基函数的第u个聚类中心为cu，否则跳转到(5)，继续求解聚类中心；
[0085] (7)由高斯函数作为径向基函数求解方差；
[0086] (8)计算隐含层与输出层间的权值，得到训练好的RBF算法模型。
[0087] 如上所述的一种基于误差补偿的聚酯纤维纺丝工序分段参数配置方法，RBF算法的流程如下：
[0088] (1)确定隐含层神经元径向基函数为高斯函数，激活函数的表达式如下：
[0089]
[0090] 式中，R(xp-cu)为神经元的值，xp为第p个训练样本，cu为高斯函数的第u个聚类中心，||xp-cu||为xp至cu的欧式范数，σ为高斯函数的方差；
[0091] (2)网络初始化，从所有的训练样本中选取n个训练样本设为聚类中心，则第u个聚类中心为cu；
[0092] (3)使用最近邻原则将所有的训练样本分组：按照||xp-cu||将xp带入到所选样本的聚类集合 中；
[0093] (4)重新调整聚类中心：计算 中训练样本的均值，代替原来的聚类中心，倘若新的聚类中心值不再变化，则RBF神经网络的最终基函数的第u个聚类中心为cu，否则跳转到 (3)，继续求解聚类中心；
[0094] (5)利用高斯函数作为径向基函数，求得方差：
[0095]
[0096] 式中，cmax是所有中心之间的最大距离，h是隐含层节点数；
[0097] (6)求解隐含层与输出层间权值，采用最小二次法求解权值ω，求解公式如下：
[0098]
[0099] 式中，ωuj为隐含层与输出层间的连接权值；
[0100] 设，网络的第j个输出节点的期望输出为dj，基函数的方差可以表示为：
[0101]
[0102] 式中，p为训练样本的总个数。
[0103] 有益效果：
[0104] (1)本发明的一种基于误差补偿的聚酯纤维纺丝工序分段参数配置方法，得到的参数配置方法稳定性好、精度高且泛化能力强，使用其参数配置方法进行生产后发现制得产品的材料结构与实际测量结果相差不大，并且预测的物性指标与实际性能指标差别不大，其对实际的聚酯纤维生产过程有着极大的参考意义；
[0105] (2)本发明的一种基于误差补偿的聚酯纤维纺丝工序分段参数配置方法，使用过程简单、耗时较短、成本低廉、极具应用前景。
附图说明
[0106] 图1为改进IA-PSO-ELM算法的流程图；
[0107] 图2为RBF算法的流程图；
[0108] 图3为本发明的一种基于误差补偿的聚酯纤维纺丝工序分段参数配置方法局部图；
[0109] 图4为改进IA-PSO-ELM算法模型与IA-PSO-ELM算法模型预测得到的吹风区入口处聚酯纤维取向度的对比图；
[0110] 图5为改进IA-PSO-ELM算法模型与IA-PSO-ELM算法模型预测得到的吹风区入口处聚酯纤维速度的对比图；
[0111] 图6为改进IA-PSO-ELM算法模型与IA-PSO-ELM算法模型预测得到的吹风区入口处聚酯纤维丝条半径的对比图；
[0112] 图7为改进IA-PSO-ELM算法模型与IA-PSO-ELM算法模型预测得到的吹风区入口处聚酯纤维张力的对比图；
[0113] 图8为有误差补偿的预测段与无误差补偿的预测段预测得到的吹风区出口处聚酯纤维取向度的对比图；
[0114] 图9为有误差补偿的预测段与无误差补偿的预测段预测得到的吹风区出口处聚酯纤维速度的对比图；
[0115] 图10为有误差补偿的预测段与无误差补偿的预测段预测得到的吹风区出口处聚酯纤维丝条半径的对比图；
[0116] 图11为有误差补偿的预测段与无误差补偿的预测段预测得到的吹风区出口处聚酯纤维张力的对比图。
具体实施方式
[0117] 下面结合具体实施方式，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
[0118] 一种基于误差补偿的聚酯纤维纺丝工序分段参数配置方法，如图3所示，步骤如下：
[0119] (1)按聚酯纤维纺丝工序将聚酯纤维生产过程分为多个主体预测段A1～Am，在主体预测段Ai与Ai+1之间增设误差预测段Bi，i＝1,2,3...m-1；预测段分别为无风区主体预测段(A1)、无风区误差预测段(B1)、吹风区主体预测段(A2)、吹风区误差预测段(B2)和自然冷却成形主体预测段(A3)，无风区主体预测段的输入项为聚酯纤维的生产过程工艺参数，输出项为吹风区入口处聚酯纤维的材料结构，无风区误差预测段的输入项为聚酯纤维的生产过程工艺参数和吹风区入口处聚酯纤维的材料结构，输出项为吹风区入口处聚酯纤维的材料结构误差，吹风区主体预测段的输入项为吹风区入口处聚酯纤维的材料结构与吹风区入口处聚酯纤维的材料结构误差的加和以及聚酯纤维的生产过程工艺参数，输出项为吹风区出口处聚酯纤维的材料结构，吹风区误差预测段的输入项为聚酯纤维的生产过程工艺参数和吹风区出口处聚酯纤维的材料结构，输出项为吹风区出口处聚酯纤维的材料结构误差，自然冷却成形主体预测段的输入项为吹风区出口处聚酯纤维的材料结构与吹风区出口处聚酯纤维的材料结构误差的加和以及聚酯纤维的生产过程工艺参数，输出项为聚酯纤维的性能指标；
[0120] (2)采集历史数据，历史数据即在历史生产过程中采集的数据，其中，主体预测段Ai-1的输出项与误差预测段Bi-1的输出项的加和对应的历史数据为主体预测段Ai-1的输出项对应的历史数据，误差预测段Bi的输出项对应的历史数据是通过将主体预测段Ai的输入项对应的历史数据输入到训练好的改进IA-PSO-ELM算法模型由其输出预测数据后，将预测数据与主体预测段Ai的输出项对应的历史数据相减后计算绝对值得到的；
[0121] (3)建立改进IA-PSO-ELM算法模型；如图1所示，改进IA-PSO-ELM算法的流程如下：
[0122] (3.1)构建粒子群算法的适应度函数，以训练样本的均方差作为适应度值，表达公式如下：
[0123]
[0124] 其中， 表示所建立神经网络的实际输出， 表示所建立神经网络期望输出；
[0125] (3.2)选择适应度函数，选择合适的参数，包括种群规模粒子规模m、隐藏层节点数目S、最大迭代次数Tmax、迭代误差精度ε、惯性权重w、加速因子c1和c2、粒子维数N、粒子速度的取值区间和粒子位置的取值区间，ELM网络的激活函数为sigmoid函数，m、n、 S、Tmax、w、c1、c2和N的取值范围分别为：10～30、10～30、20、500、0～1、0～2、0～2和 1800，粒子速度的取值区间为[-5,5]，粒子位置的取值区间为[-1,1]，spread取值为[0,1]；
[0126] (3.3)初始化粒子种群，初始化ELM网络输入层与隐含层之间的权值和阈值，并将其作为粒子群中的粒子，ELM的数学模型为：
[0127]
[0128] 其中，S是隐藏层节点个数，o表示S个隐藏层中的第o个隐藏层节点，wo是连接第o 个隐藏层节点和输入节点的连接权值向量，bo是第o个隐藏层节点的偏差向量，βo是连接第 o个隐藏层节点和输出节点的权值向量，G(wo·x+bo)是第o个节点的输出；
[0129] 按照下列公式确定β，并预估训练样本预测值；
[0130] β＝H+Y'
[0131] 其中，β表示隐含层和输出层的连接权值，H+表示隐含层的广义逆矩阵；Y'表示网络输出的转移矩阵；
[0132] (3.4)根据步骤(3.3)中训练样本预测值以及所构建的适应度函数计算每个粒子适应度值，并获取每个粒子的个体极值Pq和全局极值Pg，将全局极值Pg也设置为免疫记忆粒子，存入记忆库；
[0133] (3.5)更新粒子的速度和位置，并在群体中随机产生n个新粒子；
[0134]
[0135]
[0136] 式中，q代表一个种群中的第q个粒子，t代表当前迭代次数， 代表粒子q在第t 次迭代中d维粒子的速度， 代表粒子q在第t+1次迭代中d维粒子的速度，r1,r2是两个取值范围在0～1之间的随机数, 为第t次迭代个体最优位置， 为第t次迭代全局最优位置， 代表粒子q在第t次迭代中d维粒子的位置， 代表代表粒子q在第t+1次迭代中d维粒子的位置；
[0137] (3.6)基于浓度和亲和度的综合粒子选择，根据下列公式计算新生成的s+n个粒子的选择概率，选择概率较大的n个粒子组成第k代粒子群Popk；
[0138] 粒子xi的浓度定义如下：
[0139]
[0140] 式中，D(xq)表示粒子xq的浓度，xq和xj表示种群中的第q和第j个粒子，f(xq)和 f(xj)分别表示粒子xq和xj的适应度函数，s和n表示种群中粒子的个数；
[0141] 粒子xq的亲和度定义如下：
[0142]
[0143] 式中，W(xq)表示粒子xq的亲和度，xq表示种群中第q个粒子，Pgq和Pqq分别表示粒子xq的全局极值和个体极值，ε无实际意义，保持分母项不为零，s和n表示种群中粒子的个数；
[0144] 基于粒子浓度的选择概率公式定义如下：
[0145]
[0146] 式中，Pd(xq)表示基于浓度的粒子xq的选择概率，D(xq)表示粒子xq的浓度，xq和xj表示种群中的第i和第j个粒子，f(xq)和f(xj)分别表示粒子xq和xj的适应度函数，s和n 表示种群中粒子的个数；
[0147] 基于粒子亲和度的选择概率公式定义如下：
[0148]
[0149] 式中，Pw(xq)表示基于亲和度的粒子xq的选择概率，W(xq)表示粒子xq的亲和度，xq和xj表示种群中的第q和第j个粒子，Pgq和Pqq分别表示粒子xq的全局极值和个体极值，Pjg和 Pjq分别表示粒子xj的全局极值和个体极值，s和n表示种群中粒子的个数；
[0150] 综合选择概率为P(x)：
[0151] P(x)＝(1-α)Pw(xq)+αPd(xq)；
[0152]
[0153] 式中，P(x)为综合选择概率，Pd(xq)表示基于浓度的粒子xq的选择概率，Pw(xq)表示基于亲和度的粒子xq的选择概率，α为协调系数，f表示当前迭代次数，Tmax表示最大迭代次数；
[0154] (3.7)粒子群更新，将记忆库中的免疫记忆粒子Pg替换粒子群Popk中适应值较差的粒子，形成新一代粒子群体Popk+1；
[0155] (3.8)迭代，直到达到最大循环次数，得到最优的权值、阈值以及优化的改进 IA-PSO-ELM 算法 模型，否则转到步骤(3.4)；
[0156] (4)采用历史数据训练改进IA-PSO-ELM算法模型；
[0157] 各主体预测段对应的改进IA-PSO-ELM算法模型的训练过程为：在无风区主体预测段，分别以聚酯纤维的生产过程工艺参数和吹风区入口处聚酯纤维的材料结构对应的历史数据作为改进IA-PSO-ELM算法模型的输入项和输出项，不断调整改进IA-PSO-ELM算法模型的参数，直至其输出精度≤0.0001或达到最大迭代次数；在吹风区主体预测段，以聚酯纤维的生产过程工艺参数和吹风区入口处聚酯纤维的材料结构对应的历史数据作为改进 IA-PSO-ELM 算法 模型的输入项，以吹风区出口处聚酯纤维的材料结构对应的历史数据作为改进IA-PSO-ELM算法模型的输出项，不断调整改进IA-PSO-ELM算法模型的参数，直至其输出精度≤0.0001或达到最大迭代次数；在自然冷却成形主体预测段，以聚酯纤维的生产过程工艺参数和吹风区出口处聚酯纤维的材料结构对应的历史数据作为改进 IA-PSO-ELM 算法 模型的输入项，以聚酯纤维的性能指标作为改进IA-PSO-ELM算法模型的输出项，不断调整改进IA-PSO-ELM算法模型的参数，直至其输出精度≤0.0001或达到最大迭代次数；
[0158] 数据输入到算法模型前进行归一化处理，数据从算法模型输出后进行反归一化处理，归一化处理的公式如下：
[0159]
[0160] 式中，x-和x分别为待归一化处理的数据和归一化处理后的数据，xmax和xmin分别代表待归一化处理的数据中的最大值和最小值；
[0161] 反归一化处理的公式如下：
[0162] x＝xmin+(xmax-xmin)x-
[0163] 式中，x-和x分别为待反归一化处理的数据和反归一化处理后的数据，xmax和xmin分别代表待反归一化处理的数据中的最大值和最小值；
[0164] 改进IA-PSO-ELM算法模型的训练步骤如下：
[0165] (4.1)采集历史数据，划分为训练集和测试集，训练集和测试集样本数量之和为2000 组，训练集与测试集的样本数量之比为3:2；
[0166] (4.2)对训练集和测试集中的所有数据进行归一化处理；
[0167] (4.3)令当前迭代次数f＝1；
[0168] (4.4)采用训练集训练改进IA-PSO-ELM算法模型，得到改进IA-PSO-ELM算法模型的输入层与隐藏层之间的权值和阈值；
[0169] (4.5)采用测试集测试改进IA-PSO-ELM算法模型，得到测试精度；
[0170] (4.6)判断测试精度是否≤0.0001，如果是，则将输入层与隐藏层之间的权值和阈值代入改进IA-PSO-ELM算法模型，结束训练；反之，则进入下一步；
[0171] (4.7)判断迭代次数是否达到最大迭代次数，如果是，则将输入层与隐藏层之间的权值和阈值代入改进IA-PSO-ELM算法模型，结束训练；反之，则令f＝f+1后，返回步骤(4.4)；
[0172] (5)建立RBF算法模型；如图2所示，RBF算法的流程如下：
[0173] (5.1)确定隐含层神经元径向基函数为高斯函数，激活函数的表达式如下：
[0174]
[0175] 式中，R(xp-cu)为神经元的值，xp为第p个训练样本，cu为高斯函数的第u个聚类中心，||xp-cu||为xp至cu的欧式范数，σ为高斯函数的方差；
[0176] (5.2)网络初始化，从所有的训练样本中选取n个训练样本设为聚类中心，则第u个聚类中心为cu；
[0177] (5.3)使用最近邻原则将所有的训练样本分组：按照||xp-cu||将xp带入到所选样本的聚类集合 中；
[0178] (5.4)重新调整聚类中心：计算 中训练样本的均值，代替原来的聚类中心，倘若新的聚类中心值不再变化，则RBF神经网络的最终基函数的第u个聚类中心为cu，否则跳转到 (5.3)，继续求解聚类中心；
[0179] (5.5)利用高斯函数作为径向基函数，求得方差：
[0180]
[0181] 式中，cmax是所有中心之间的最大距离，h是隐含层节点数；
[0182] (5.6)求解隐含层与输出层间权值，采用最小二次法求解权值ω，求解公式如下：
[0183]
[0184] 式中，ωuj为隐含层与输出层间的连接权值；
[0185] 设，网络的第j个输出节点的期望输出为dj，基函数的方差可以表示为：
[0186]
[0187] 式中，p为训练样本的总个数；
[0188] (6)训练RBF算法模型；
[0189] 各误差预测段对应的RBF算法模型的训练过程为：在无风区误差预测段，以聚酯纤维的生产过程工艺参数和吹风区入口处聚酯纤维的材料结构对应的历史数据作为RBF算法模型的输入项，以无风区主体预测段预测得到的吹风区入口处的聚酯纤维的材料结构的预测数据与吹风区入口处聚酯纤维的材料结构对应的历史数据的差值的绝对值作为RBF算法模型的输出项，不断调整RBF算法模型的参数，直到聚类中心值不再变化；在吹风区误差预测段，以聚酯纤维的生产过程工艺参数和吹风区出口处聚酯纤维的材料结构对应的历史数据作为RBF算法模型的输入项，以吹风区主体预测段预测得到的吹风区出口处聚酯纤维的材料结构的预测数据与吹风区出口处聚酯纤维的材料结构对应的历史数据的差值的绝对值作为RBF算法模型的输出项，不断调整RBF算法模型的参数，直到聚类中心值不再变化；
[0190] 数据输入到算法模型前进行归一化处理，数据从算法模型输出后进行反归一化处理，公式同步骤(4)；
[0191] RBF算法模型的训练步骤如下：
[0192] (6.1)采集历史数据，划分为训练集和测试集，训练集和测试集样本数量之和为800 组，训练集与测试集的样本数量之比为3:1；
[0193] (6.2)对训练集和测试集中的所有数据进行归一化处理；
[0194] (6.3)采用归一化后的训练集训练RBF算法模型，确定高斯函数为径向基函数；
[0195] (6.4)网络初始化，从所有的训练样本中选取n个训练样本作为聚类中心；
[0196] (6.5)使用最近邻原则将所有训练样本分组，按照||xp-cu||将xp带入到所选样本的聚类集合 中；
[0197] (6.6)计算 中训练样本的均值，代替原来的聚类中心，倘若新的聚类中心值不再变化，则RBF神经网络的最终基函数的第u个聚类中心为cu，否则跳转到(6.5)，继续求解聚类中心；
[0198] (6.7)由高斯函数作为径向基函数求解方差；
[0199] (6.8)计算隐含层与输出层间的权值，得到训练好的RBF算法模型；
[0200] (7)随机生成多组聚酯纤维纺丝工序分段参数后，预测各组对应的聚酯纤维的性能指标；
[0201] (8)根据聚酯纤维的性能指标挑选出一组聚酯纤维纺丝工序分段参数后，按其进行配置。
[0202] 经验证，本发明的一种基于误差补偿的聚酯纤维纺丝工序分段预测方法，得到的预测方法稳定性好、精度高且泛化能力强，使用其预测方法进行生产后发现制得产品的材料结构与实际测量结果相差不大，并且预测的物性指标与实际性能指标差别不大，其对实际的聚酯纤维生产过程有着极大的参考意义，同时，本发明的方法能配置过程简单，耗时较短，成本低廉，极具应用前景。
[0203] 下面将结合具体试验数据说明本发明的优点：
[0204] 本发明的无风区主体预测段A1(即从距离喷丝板最近的位置至吹风区入口的区段)预测得到的吹风区入口处聚酯纤维的材料结构(张力、取向度、直径和丝条速度)、对比无风区主体预测段预测得到的吹风区入口处聚酯纤维的材料结构(张力、取向度、直径和丝条速度) 以及吹风区入口处聚酯纤维的材料结构(张力、取向度、直径和丝条速度)的真实值如图4～7 所示，其中，对比无风区主体预测段与本发明的无风区主体预测段基本相同，区别之处在于其对应的算法模型为IA-PSO-ELM算法模型，IA-PSO-ELM算法模型与本发明的改进 IA-PSO-ELM算法模型的区别之处在于其协调系数为与迭代次数相关的一个变化值，迭代的次数越多，协调系数越大，但是始终小于1。
[0205] 实验结果的评价指标选用均方误差和拟合优度。均方误差表示预测值与实际值的误差，均方误差越小表示预测的精度越高；拟合优度表示表示可根据自变量的变异来解释因变量的变异部分，拟合优度越高表明模型的参考价值越大。
[0206] 改进IA-PSO-ELM算法模型和IA-PSO-ELM算法模型预测得到吹风区入口处聚酯纤维取向度的均方误差分别为：4.27e-05、5.09e-05，拟合优度分别为：0.980、0.979；吹风区入口处聚酯纤维速度的均方误差分别为：11.9453、12.435，拟合优度分别为：0.897、0.896；吹风区入口处聚酯纤维丝条半径的均方误差分别为：2.44e-06、3.801e-06，拟合优度分别为： 0.958、0.946；吹风区入口处聚酯纤维张力的均方误差分别为：0.188、0.199；拟合优度分别为：0.994、0.993。
[0207] 从比较结果中可以看出改进IA-PSO-ELM算法模型相较于IA-PSO-ELM算法模型可以减小均方误差提高拟合优度，进一步提高参数配置的准确性。
[0208] 本发明的吹风区主体预测段A2(即从吹风区入口至吹风区出口的区段)预测得到的吹风区出口处聚酯纤维的材料结构(张力、取向度、直径和丝条速度)、对比吹风区主体预测段预测得到的吹风区出口处聚酯纤维的材料结构(张力、取向度、直径和丝条速度)以及吹风区出口处聚酯纤维的材料结构(张力、取向度、直径和丝条速度)的真实值如图8～11所示，其中，对比无风区主体预测段与本发明的无风区主体预测段基本相同，区别之处在于其输入项为聚酯纤维的材料结构和聚酯纤维的生产过程工艺参数，本发明的输入项为吹风区入口处聚酯纤维的材料结构与吹风区入口处聚酯纤维的材料结构误差的加和以及聚酯纤维的生产过程工艺参数。
[0209] 有误差补偿的预测段和无误差补偿的预测段预测得到吹风区出口处聚酯纤维取向度的均方误差分别为：2.47e-10、1.41e-09，拟合优度分别为：0.998、0.988；吹风区出口处聚酯纤维速度的均方误差分别为：10.744、82.20，拟合优度分别为：0.995、0.964；吹风区出口处聚酯纤维丝条半径的均方误差分别为：1.36e-13、2.62e-12，拟合优度分别为：0.999、0.978；吹风区入口处聚酯纤维张力的均方误差分别为：0.02、0.18；拟合优度分别为：0.998、0.984。
[0210] 从比较结果中可以看出本发明的基于误差补偿的参数配置方式相较于无误差补偿的参数配置方式可以减少预测累积误差的产生，进一步提高预测的准确性。
