本发明提供一种基于预测模型控制拉丝塔自动升速的方法，包括：实时获取拉丝塔的工艺参数，将拉丝塔的工艺参数输入训练好的预测模型中，以得到拉丝塔的预测拉丝速度，判断得到的拉丝塔的预测拉丝速度是否小于等于预设的目标拉丝速度，如果是则判断拉丝塔的预测拉丝速度是否大于等于拉丝塔的当前拉丝速度，如果是则判断得到的拉丝塔的预测拉丝速度与拉丝塔的当前拉丝速度之间的差值是否小于预设拉丝加速度阈值，如果是则将拉丝塔的当前拉丝速度设置为拉丝塔的预测拉丝速度。本发明能够解决现有基于人工操作实现拉丝塔升速的方法由于拉丝塔的升速完全取决于现场操作人员的经验和能力，容易导致光纤生产质量和产量不稳定的技术问题。
1.一种基于预测模型控制拉丝塔自动升速的方法，其特征在于，包括以下步骤：(1)实时获取拉丝塔的工艺参数；
(2)将步骤(1)获取的拉丝塔的工艺参数输入训练好的预测模型中，以得到拉丝塔的预测拉丝速度；预测模型是最小绝对收缩和选择运算符Lasso模型，Lasso模型是通过以下步骤训练得到的：(a1)获取拉丝塔的历史数据构成的数据集；
(a2)对步骤(a1)得到的数据集进行数据清洗操作，以得到数据清洗后的数据集；
(a4)判断cnt1是否已经大于步骤(a2)数据清洗后的数据集中的时间戳总数M，如果是则进入步骤(a7)，否则进入步骤(a5)；
(a5)针对步骤(a2)数据清洗后的数据集中第cnt1个时间戳到第cnt1+P个时间戳而言，获取对应的第i种类型工艺参数的平均值xcnt,i、标准差ycnt,i和偏度zcnt,i，其中i∈[1，N]，P的取值范围是100到200；
(a6)设置计数器cnt1＝cnt+1，并返回步骤(a4)；
(a7)将上述步骤(a4)到(a6)得到的每次迭代过程中对应的每个类型工艺参数的平均值、标准差和偏度获取矩阵X；
(x1,1，y1,1，z1,1)，(x1,2，y1,2，z1,2)，…，(x1,N，y1,N，z1,N)(x2,1，y2,1，z2,1)，(x2,2，y2,2，z2,2)，…，(x2,N，y2,N，z2,N)(x3,1，y3,1，z3,1)，(x3,2，y3,2，z3,2)，…，(x3,N，y3,N，z3,N)…
(xM‑1,1，yM‑1,1，zM‑1,1)，(xM‑1,2，yM‑1,2，zM‑1,2)，…，(xM‑1,N，yM‑1,N，zM‑1,N)(xM,1，yM,1，zM,1)，(xM,2，yM,2，zM,2)，…，(xM,N，yM,N，zM,N)；
在上述矩阵中，xcnt,i表示第cnt次迭代过程中第i种类型的工艺参数的平均值，ycnt,i表示第cnt次迭代过程中第i种类型的工艺参数的标准差，zcnt,i表示第cnt次迭代过程中第i种类型的工艺参数的偏度；
(a8)将步骤(a7)得到的矩阵中的元素按照行数8:2的比例划分为训练集和验证集,并将训练集输入预测模型；
就以上步骤的矩阵X而言，经过本步骤后，训练集构成的矩阵Y为：(x1,1，y1,1，z1,1)，(x1,2，y1,2，z1,2)，…，(x1,N，y1,N，z1,N)(x2,1，y2,1，z2,1)，(x2,2，y2,2，z2,2)，…，(x2,N，y2,N，z2,N)(x3,1，y3,1，z3,1)，(x3,2，y3,2，z3,2)，…，(x3,N，y3,N，z3,N)…
(x4M/5,1，y4M/5,1，z4M/5,1)，(x4M/5,2，y4M/5,2，z4M/5,2)，…，(x4M/5,N，y4M/5,N，z4M/5,N)(a9)使用Lasso回归算法对预测模型中的权重参数和偏置参数进行更新和优化，以得到更新后的预测模型；
(a10)对步骤(a9)更新后的预测模型进行迭代训练，直到该预测模型的损失函数达到最小为止，从而得到初步训练好的预测模型；
(a11)使用步骤(a8)得到的验证集对初步训练好的预测模型进行迭代验证，直到得到的分类精度达到最优为止，从而得到训练好的预测模型；
(3)判断步骤(2)中得到的拉丝塔的预测拉丝速度是否小于等于预设的目标拉丝速度，如果是则进入步骤(4)，否则过程结束；
(4)判断步骤(2)中得到的拉丝塔的预测拉丝速度是否大于等于拉丝塔的当前拉丝速度，如果是则进入步骤(5)，否则控制拉丝塔的牵引电机按照该当前拉丝速度工作，并返回步骤(1)；
(5)判断步骤(2)中得到的拉丝塔的预测拉丝速度与拉丝塔的当前拉丝速度之间的差值是否小于预设拉丝加速度阈值，如果是则将拉丝塔的当前拉丝速度设置为拉丝塔的预测拉丝速度，并控制拉丝塔的牵引电机按照该当前拉丝速度工作，然后返回步骤(1)，否则将拉丝塔的当前拉丝速度设置为拉丝塔的当前拉丝速度+预设拉丝加速度阈值，并控制拉丝塔的牵引电机按照该当前拉丝速度工作，然后返回步骤(1)。
2.根据权利要求1所述的基于预测模型控制拉丝塔自动升速的方法，其特征在于，拉丝塔的工作参数包括拉丝塔的拉丝张力、光纤直径、拉丝炉的工作温度、预制棒的行程、拉丝过程的涂覆压力、拉丝塔的当前拉丝速度、以及拉丝塔的当前拉丝长度。
3.根据权利要求2所述的基于预测模型控制拉丝塔自动升速的方法，其特征在于，预设的目标拉丝速度是1000米/分钟到3000米/分钟之间；
预设拉丝加速度阈值的取值范围是30到100m/s。
4.根据权利要求3所述的基于预测模型控制拉丝塔自动升速的方法，其特征在于，步骤(1)中的数据集是采集的拉丝塔在预订时间间隔内的数据；
每个数据具体包括时间戳，以及每个时间戳所对应的拉丝塔的工艺参数；
工艺参数的类型一共有N种，具体包括拉丝塔的拉丝张力、光纤直径、拉丝炉的工作温度、预制棒的行程、拉丝过程的涂覆压力、拉丝塔的当前拉丝速度、以及拉丝塔的当前拉丝长度等，其中N为自然数。
5.根据权利要求4所述的基于预测模型控制拉丝塔自动升速的方法，其特征在于，针对拉丝塔的拉丝张力而言，数据清洗操作是将为负值的拉丝张力置零；
针对光纤直径而言，数据清洗操作是将小于50μm或者大于136μm的光纤直径均设置为
针对拉丝炉的工作温度而言，数据清洗操作是将低于1000℃的数据均设置为1000℃；
针对预制棒的行程而言，数据清洗操作是将行程小于0的设置为0，大于5000的设置为
针对拉丝过程的涂覆压力、拉丝塔的当前拉丝速度、以及拉丝塔的当前拉丝长度而言，数据清洗操作是将小于0的数据均设置为0。
6.根据权利要求1所述的基于预测模型控制拉丝塔自动升速的方法，其特征在于，损失函数使用的是Lasso回归的损失函数，其具体为：(j) (j)
其中q＝4M/5，x 表示步骤(a8)中训练集构成的矩阵中的第j行，y 表示步骤(a8)中(j)训练集构成的矩阵中的第j列，hθ(x )表示线性函数，λ表示正则化程度，其取值为0.0083，θj表示步骤(a8)中训练集构成的矩阵中某一行中第j个元素输入预测模型时的权重参数，其随着预测模型的训练自行变化。
7.根据权利要求1所述的基于预测模型控制拉丝塔自动升速的方法，其特征在于，步骤(a5)具体为，从第1个时间戳开始，假设P＝150，则本步骤是首先获取第1个时间戳对应的光纤直径、第2个时间戳对应的光纤直径、…、第P+1个时间戳对应的光纤直径的平均值、标准差和偏度，然后获取第1个时间戳对应的拉丝塔的拉丝张力、第2个时间戳对应的拉丝塔的拉丝张力、…、第P+1个时间戳对应的拉丝塔的拉丝张力的平均值、标准差和偏度，…，以此类推。
8.一种基于预测模型控制拉丝塔自动升速的系统，其特征在于，包括：第一模块，用于实时获取拉丝塔的工艺参数；
第二模块，用于将第一模块获取的拉丝塔的工艺参数输入训练好的预测模型中，以得到拉丝塔的预测拉丝速度；预测模型是最小绝对收缩和选择运算符Lasso模型，Lasso模型是通过以下步骤训练得到的：(a1)获取拉丝塔的历史数据构成的数据集；
(a2)对步骤(a1)得到的数据集进行数据清洗操作，以得到数据清洗后的数据集；
(a4)判断cnt1是否已经大于步骤(a2)数据清洗后的数据集中的时间戳总数M，如果是则进入步骤(a7)，否则进入步骤(a5)；
(a5)针对步骤(a2)数据清洗后的数据集中第cnt1个时间戳到第cnt1+P个时间戳而言，获取对应的第i种类型工艺参数的平均值xcnt,i、标准差ycnt,i和偏度zcnt,i，其中i∈[1，N]，P的取值范围是100到200；
(a6)设置计数器cnt1＝cnt+1，并返回步骤(a4)；
(a7)将上述步骤(a4)到(a6)得到的每次迭代过程中对应的每个类型工艺参数的平均值、标准差和偏度获取矩阵X；
(x1,1，y1,1，z1,1)，(x1,2，y1,2，z1,2)，…，(x1,N，y1,N，z1,N)(x2,1，y2,1，z2,1)，(x2,2，y2,2，z2,2)，…，(x2,N，y2,N，z2,N)(x3,1，y3,1，z3,1)，(x3,2，y3,2，z3,2)，…，(x3,N，y3,N，z3,N)…
(xM‑1,1，yM‑1,1，zM‑1,1)，(xM‑1,2，yM‑1,2，zM‑1,2)，…，(xM‑1,N，yM‑1,N，zM‑1,N)(xM,1，yM,1，zM,1)，(xM,2，yM,2，zM,2)，…，(xM,N，yM,N，zM,N)；
在上述矩阵中，xcnt,i表示第cnt次迭代过程中第i种类型的工艺参数的平均值，ycnt,i表示第cnt次迭代过程中第i种类型的工艺参数的标准差，zcnt,i表示第cnt次迭代过程中第i种类型的工艺参数的偏度；
(a8)将步骤(a7)得到的矩阵中的元素按照行数8:2的比例划分为训练集和验证集,并将训练集输入预测模型；
就以上步骤的矩阵X而言，经过本步骤后，训练集构成的矩阵Y为：(x1,1，y1,1，z1,1)，(x1,2，y1,2，z1,2)，…，(x1,N，y1,N，z1,N)(x2,1，y2,1，z2,1)，(x2,2，y2,2，z2,2)，…，(x2,N，y2,N，z2,N)(x3,1，y3,1，z3,1)，(x3,2，y3,2，z3,2)，…，(x3,N，y3,N，z3,N)…
(x4M/5,1，y4M/5,1，z4M/5,1)，(x4M/5,2，y4M/5,2，z4M/5,2)，…，(x4M/5,N，y4M/5,N，z4M/5,N)(a9)使用Lasso回归算法对预测模型中的权重参数和偏置参数进行更新和优化，以得到更新后的预测模型；
(a10)对步骤(a9)更新后的预测模型进行迭代训练，直到该预测模型的损失函数达到最小为止，从而得到初步训练好的预测模型；
(a11)使用步骤(a8)得到的验证集对初步训练好的预测模型进行迭代验证，直到得到的分类精度达到最优为止，从而得到训练好的预测模型；
第三模块，用于判断第二模块中得到的拉丝塔的预测拉丝速度是否小于等于预设的目标拉丝速度，如果是则进入第四模块，否则过程结束；
第四模块，用于判断第二模块得到的拉丝塔的预测拉丝速度是否大于等于拉丝塔的当前拉丝速度，如果是则进入第五模块，否则控制拉丝塔的牵引电机按照该当前拉丝速度工作，并返回第一模块；
第五模块，用于判断第二模块得到的拉丝塔的预测拉丝速度与拉丝塔的当前拉丝速度之间的差值是否小于预设拉丝加速度阈值，如果是则将拉丝塔的当前拉丝速度设置为拉丝塔的预测拉丝速度，并控制拉丝塔的牵引电机按照该当前拉丝速度工作，然后返回第一模块，否则将拉丝塔的当前拉丝速度设置为拉丝塔的当前拉丝速度+预设拉丝加速度阈值，并控制拉丝塔的牵引电机按照该当前拉丝速度工作，然后返回第一模块。
一种基于预测模型控制拉丝塔自动升速的方法和系统
技术领域
[0001] 本发明属于智能制造技术领域，更具体地，涉及一种基于预测模型控制拉丝塔自动升速的方法和系统。
背景技术
[0002] 近年来，随着我国的5G网络的大规模铺设及应用，光纤需求量大增，各大光纤制造厂商纷纷扩充产能。作为光纤生产的主要设备，光纤拉丝塔的生产效率决定着光纤的产量。
[0003] 为了提升光纤的产量，需要不断提升光纤拉丝塔的工作速度(即拉丝速度)。目前，光纤拉丝塔在提升其拉丝速度(以下简称“升速”)的过程中，主要是依靠人工操作方式实现，即现场操作人员根据现场工艺参数(包括光纤直径、拉丝炉的工作温度等)的变化、并基于其自身的经验和熟练程度来调节拉丝速度。
[0004] 然而，以上基于人工操作实现拉丝塔升速的方法存在一些不可忽略的缺陷：第一、由于拉丝塔的升速完全取决于现场操作人员的经验和能力，人为因素的不确定性容易导致光纤生产质量和产量的不稳定；第二、升速过程中，现场操作人员常常无法根据现场工艺参数的变化做出迅速的反应，这会导致升速过程花费更长时间，从而进一步降低了拉丝塔的产量；第三，通常一名操作人员需要同时操作多个拉丝塔，在这些拉丝塔同时处于升速状态时，会增加现场操作人员的工作强度和出错概率。
发明内容
[0005] 针对现有技术的以上缺陷或改进需求，本发明提供了一种基于预测模型控制拉丝塔自动升速的方法和系统，其目的在于，解决现有基于人工操作实现拉丝塔升速的方法由于拉丝塔的升速完全取决于现场操作人员的经验和能力，容易导致光纤生产质量和产量不稳定的技术问题，以及由于升速过程中现场操作人员常常无法根据现场工艺参数的变化做出迅速的反应而导致升速过程花费更长时间、降低拉丝塔产量的技术问题，以及多个拉丝塔同时处于升速状态而导致增加现场操作人员的工作强度和出错概率的技术问题。
[0006] 为实现上述目的，按照本发明的一个方面，提供了一种基于预测模型控制拉丝塔自动升速的方法，包括以下步骤：
[0007] (1)实时获取拉丝塔的工艺参数；
[0008] (2)将步骤(1)获取的拉丝塔的工艺参数输入训练好的预测模型中，以得到拉丝塔的预测拉丝速度；
[0009] (3)判断步骤(2)中得到的拉丝塔的预测拉丝速度是否小于等于预设的目标拉丝速度，如果是则进入步骤(4)，否则过程结束；
[0010] (4)判断步骤(2)中得到的拉丝塔的预测拉丝速度是否大于等于拉丝塔的当前拉丝速度，如果是则进入步骤(5)，否则控制拉丝塔的牵引电机按照该当前拉丝速度工作，并返回步骤(1)。
[0011] (5)判断步骤(2)中得到的拉丝塔的预测拉丝速度与拉丝塔的当前拉丝速度之间的差值是否小于预设拉丝加速度阈值，如果是则将拉丝塔的当前拉丝速度设置为拉丝塔的预测拉丝速度，并控制拉丝塔的牵引电机按照该当前拉丝速度工作，然后返回步骤(1)，否则将拉丝塔的当前拉丝速度设置为(拉丝塔的当前拉丝速度+预设拉丝加速度阈值)，并控制拉丝塔的牵引电机按照该当前拉丝速度工作，然后返回步骤(1)。
[0012] 优选地，拉丝塔的工作参数包括拉丝塔的拉丝张力、光纤直径、拉丝炉的工作温度、预制棒的行程(Preform distance)、拉丝过程的涂覆压力、拉丝塔的当前拉丝速度、以及拉丝塔的当前拉丝长度。
[0013] 优选地，预设的目标拉丝速度是1000米/分钟到3000米/分钟之间，优选为2000米/分钟到3000米/分钟之间；
[0014] 预设拉丝加速度阈值的取值范围是30到100m/s2，优选为50m/s2。
[0015] 优选地，预测模型是最小绝对收缩和选择运算符Lasso模型。
[0016] 优选地，Lasso模型是通过以下步骤训练得到的：
[0017] (a1)获取拉丝塔的历史数据构成的数据集；
[0018] (a2)对步骤(a1)得到的数据集进行数据清洗操作，以得到数据清洗后的数据集；
[0019] (a3)设置计数器cnt1＝1；
[0020] (a4)判断cnt1是否已经大于步骤(a2)数据清洗后的数据集中的时间戳总数M，如果是则进入步骤(a7)，否则进入步骤(a5)；
[0021] (a5)针对步骤(a2)数据清洗后的数据集中第cnt1个时间戳到第cnt1+P个时间戳而言，获取对应的第i种类型工艺参数的平均值xcnt,i、标准差ycnt,i和偏度zcnt,i，其中i∈[1，N]，P的取值范围是100到200；
[0022] (a6)设置计数器cnt1＝cnt+1，并返回步骤(a4)；
[0023] (a7)将上述步骤(a4)到(a6)得到的每次迭代过程中对应的每个类型工艺参数的平均值、标准差和偏度获取矩阵X；
[0024] 具体而言，该矩阵X是表示为：
[0025] (x1,1，y1,1，z1,1)，(x1,2，y1,2，z1,2)，…，(x1,N，y1,N，z1,N)
[0026] (x2,1，y2,1，z2,1)，(x2,2，y2,2，z2,2)，…，(x2,N，y2,N，z2,N)
[0027] (x3,1，y3,1，z3,1)，(x3,2，y3,2，z3,2)，…，(x3,N，y3,N，z3,N)
[0028] …
[0029] (xM‑1,1，yM‑1,1，zM‑1,1)，(xM‑1,2，yM‑1,2，zM‑1,2)，…，(xM‑1,N，yM‑1,N，zM‑1,N)[0030] (xM,1，yM,1，zM,1)，(xM,2，yM,2，zM,2)，…，(xM,N，yM,N，zM,N)
[0031] 在上述矩阵中，xcnt,i表示第cnt次迭代过程中第i种类型的工艺参数的平均值，ycnt,i表示第cnt次迭代过程中第i种类型的工艺参数的标准差，zcnt,i表示第cnt次迭代过程中第i种类型的工艺参数的偏度。
[0032] (a8)将步骤(a7)得到的矩阵中的元素按照行数8:2的比例划分为训练集和验证集,并将训练集输入预测模型；
[0033] 就以上步骤的矩阵X而言，经过本步骤后，训练集构成的矩阵Y为：
[0034] (x1,1，y1,1，z1,1)，(x1,2，y1,2，z1,2)，…，(x1,N，y1,N，z1,N)
[0035] (x2,1，y2,1，z2,1)，(x2,2，y2,2，z2,2)，…，(x2,N，y2,N，z2,N)
[0036] (x3,1，y3,1，z3,1)，(x3,2，y3,2，z3,2)，…，(x3,N，y3,N，z3,N)
[0037] …
[0038] (x4M/5,1，y4M/5,1，z4M/5,1)，(x4M/5,2，y4M/5,2，z4M/5,2)，…，(x4M/5,N，y4M/5,N，z4M/5,N)；
[0039] (a9)使用Lasso回归算法对预测模型中的权重参数和偏置参数进行更新和优化，以得到更新后的预测模型；
[0040] (a10)对步骤(a9)更新后的预测模型进行迭代训练，直到该预测模型的损失函数达到最小为止，从而得到初步训练好的预测模型；
[0041] (a11)使用步骤(a8)得到的验证集对初步训练好的预测模型进行迭代验证，直到得到的分类精度达到最优为止，从而得到训练好的预测模型。
[0042] 优选地，步骤(1)中的数据集是采集的拉丝塔在预订时间间隔内的数据。
[0043] 每个数据具体包括时间戳，以及每个时间戳所对应的拉丝塔的工艺参数；
[0044] 工艺参数的类型一共有N种，具体包括拉丝塔的拉丝张力、光纤直径、拉丝炉的工作温度、预制棒的行程(Preform distance)、拉丝过程的涂覆压力、拉丝塔的当前拉丝速度、以及拉丝塔的当前拉丝长度等，其中N为自然数。
[0045] 优选地，针对拉丝塔的拉丝张力而言，数据清洗操作是将为负值的拉丝张力置零。
[0046] 针对光纤直径而言，数据清洗操作是将小于50μm或者大于136μm的光纤直径均设置为136μm；
[0047] 针对拉丝炉的工作温度而言，数据清洗操作是将低于1000℃的数据均设置为1000℃。
[0048] 针对预制棒的行程而言，数据清洗操作是将行程小于0的设置为0，大于5000的设置为5000；
[0049] 针对拉丝过程的涂覆压力、拉丝塔的当前拉丝速度、以及拉丝塔的当前拉丝长度而言，数据清洗操作是将小于0的数据均设置为0。
[0050] 优选地，损失函数使用的是Lasso回归的损失函数，其具体为：
[0051]
[0052] 其中q＝4M/5，x(j)表示步骤(a8)中训练集构成的矩阵中的第j行，y(j)表示步骤(j)(a8)中训练集构成的矩阵中的第j列，hθ(x )表示线性函数，λ表示正则化程度，其取值为
0.0083，θj表示步骤(a8)中训练集构成的矩阵中某一行中第j个元素输入预测模型时的权重参数，其随着预测模型的训练自行变化。
[0053] 优选地，步骤(a5)具体为，从第1个时间戳开始，假设P＝150，则本步骤是首先获取第1个时间戳对应的光纤直径、第2个时间戳对应的光纤直径、…、第P+1个时间戳对应的光纤直径的平均值、标准差和偏度，然后获取第1个时间戳对应的拉丝塔的拉丝张力、第2个时间戳对应的拉丝塔的拉丝张力、…、第P+1个时间戳对应的拉丝塔的拉丝张力的平均值、标准差和偏度，…，以此类推。
[0054] 按照本发明的另一方面，提供了一种基于预测模型控制拉丝塔自动升速的系统，包括：
[0055] 第一模块，用于实时获取拉丝塔的工艺参数；
[0056] 第二模块，用于将第一模块获取的拉丝塔的工艺参数输入训练好的预测模型中，以得到拉丝塔的预测拉丝速度；
[0057] 第三模块，用于判断第二模块中得到的拉丝塔的预测拉丝速度是否小于等于预设的目标拉丝速度，如果是则进入第四模块，否则过程结束；
[0058] 第四模块，用于判断第二模块得到的拉丝塔的预测拉丝速度是否大于等于拉丝塔的当前拉丝速度，如果是则进入第五模块，否则控制拉丝塔的牵引电机按照该当前拉丝速度工作，并返回第一模块。
[0059] 第五模块，用于判断第二模块得到的拉丝塔的预测拉丝速度与拉丝塔的当前拉丝速度之间的差值是否小于预设拉丝加速度阈值，如果是则将拉丝塔的当前拉丝速度设置为拉丝塔的预测拉丝速度，并控制拉丝塔的牵引电机按照该当前拉丝速度工作，然后返回第一模块，否则将拉丝塔的当前拉丝速度设置为(拉丝塔的当前拉丝速度+预设拉丝加速度阈值)，并控制拉丝塔的牵引电机按照该当前拉丝速度工作，然后返回第一模块。
[0060] 总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
[0061] 第一、本发明由于采用了步骤(4)和(5)，其采用训练好的预测模型自动对拉丝塔的升速过程进行全自动控制，因此能够解决现有基于人工操作实现拉丝塔升速的方法由于完全取决于现场操作人员的经验和能力，容易导致光纤生产质量和产量的不稳定的技术问题；
[0062] 第二、本发明由于采用了步骤(4)和(5)，其采用训练好的预测模型自动对拉丝塔的升速过程进行全自动控制，并通过在预测模型的训练阶段采集大范围、海量类型的拉丝塔工艺参数，其充分考虑到了不同的现场工艺参数的变化情况，因此能够解决现有基于人工操作实现拉丝塔升速的方法由于现场操作人员常常无法根据现场工艺参数的变化做出迅速的反应，导致升速过程花费更长时间、并影响拉丝塔产量的技术问题；
[0063] 第三，本发明由于采用了步骤(4)和(5)，其能够确保拉丝塔处于连续、不间断的工作状态，因此即使在一名操作人员同时操作多个拉丝塔的情况下，也能够精确地控制这些拉丝塔的升速操作；
[0064] 第四、本发明的预测模型能够支持工艺参数的增加、更换、以及大数据分析/模型预测技术、拉丝塔生产工艺的更新，具有良好的适用性。
附图说明
[0065] 图1是本发明基于预测模型控制拉丝塔自动升速的方法的流程图；
[0066] 图2是本发明方法所应用到的光纤拉丝炉的系统示意图；
[0067] 图3是本发明预测模型得到的预测值‑实际值分布曲线。
具体实施方式
[0068] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0069] 如图2所示，光纤拉丝塔(以下简称“拉丝塔”)包括预制棒进棒机构、拉丝炉、光纤冷却系统、涂层涂覆系统、光纤牵引机构、石墨炉、光纤收线机构等设备。其中石墨炉可产生17000‑2000度的高温，使预制棒软化，再由拉丝轮卷绕而拉成细长的光纤。拉丝塔有一个信息反馈系统，用来反馈炉温和拉丝速度等，以通过激光测微计来精确控制光纤直径。为增强光纤强度，在拉丝过程中还要及时为光纤涂上一层很薄的树脂，并及时烘干避免相互黏附。
拉丝完成后，还需要对成品光纤进行测试，内容主要包括：抗拉强度、折射率、光纤结构、衰减、信息承载能力(带宽)、色散、工作温度和湿度范围等。将预制棒放入光纤拉丝塔，进行拉丝。预制棒经拉丝，被拉成125μm粗细的光纤，并涂上二层树脂以保护光纤的强度。
[0070] 如图1所示，本发明公开了一种基于预测模型控制拉丝塔自动升速的方法，其是应用在图2所示的拉丝塔中，且包括以下步骤：
[0071] (1)实时获取拉丝塔的工艺参数；
[0072] 具体而言，本发明中拉丝塔的工作参数包括但不局限于拉丝塔的拉丝张力、光纤直径、拉丝炉的工作温度、预制棒的行程(Preform distance)、拉丝过程的涂覆压力、拉丝塔的当前拉丝速度、拉丝塔的当前拉丝长度；
[0073] (2)将步骤(1)获取的拉丝塔的工艺参数输入训练好的预测模型中，以得到拉丝塔的预测拉丝速度；
[0074] (3)判断步骤(2)中得到的拉丝塔的预测拉丝速度是否小于等于预设的目标拉丝速度，如果是则进入步骤(4)，否则过程结束；
[0075] 在本发明中，预设的目标拉丝速度是1000米/分钟到3000米/分钟之间，优选为2000米/分钟到3000米/分钟之间。
[0076] (4)判断步骤(2)中得到的拉丝塔的预测拉丝速度是否大于等于拉丝塔的当前拉丝速度，如果是则进入步骤(5)，否则控制拉丝塔的牵引电机按照该当前拉丝速度工作，并返回步骤(1)；
[0077] (5)判断步骤(2)中得到的拉丝塔的预测拉丝速度与拉丝塔的当前拉丝速度之间的差值是否小于预设拉丝加速度阈值，如果是则将拉丝塔的当前拉丝速度设置为拉丝塔的预测拉丝速度，并控制拉丝塔的牵引电机按照该当前拉丝速度工作，然后返回步骤(1)，否则将拉丝塔的当前拉丝速度设置为(拉丝塔的当前拉丝速度+预设拉丝加速度阈值)，并控制拉丝塔的牵引电机按照该当前拉丝速度工作，然后返回步骤(1)；
[0078] 具体而言，预设拉丝加速度阈值的取值范围是30到100m/s2，优选为50m/s2。
[0079] 本发明中使用的预测模型是最小绝对收缩和选择运算符(Least absolute shrinkage and selection operator，简称Lasso)模型。
[0080] 本发明中的Lasso模型是通过以下步骤训练得到的：
[0081] (a1)获取拉丝塔的历史数据构成的数据集；
[0082] 具体而言，本步骤中获取的数据集，是采集的拉丝塔在1年到2年时间内的数据；
[0083] 每个数据具体包括时间戳，以及每个时间戳所对应的拉丝塔的工艺参数，工艺参数的类型一共有N(其中N为自然数)种，具体可以是诸如拉丝塔的拉丝张力、光纤直径、拉丝炉的工作温度、预制棒的行程(Preform distance)、拉丝过程的涂覆压力、拉丝塔的当前拉丝速度、以及拉丝塔的当前拉丝长度。
[0084] (a2)对步骤(a1)得到的数据集进行数据清洗操作，以得到数据清洗后的数据集；
[0085] 例如，针对拉丝塔的拉丝张力而言，数据清洗操作是将为负值的拉丝张力置零。
[0086] 针对光纤直径而言，数据清洗操作是将小于50μm或者大于136μm的光纤直径均设置为136μm。
[0087] 针对拉丝炉的工作温度而言，数据清洗操作是将低于1000℃的数据均设置为1000℃。
[0088] 针对预制棒的行程而言，数据清洗操作是将行程小于0的设置为0，大于5000的设置为5000。
[0089] 针对拉丝过程的涂覆压力、拉丝塔的当前拉丝速度、以及拉丝塔的当前拉丝长度而言，数据清洗操作是将小于0的数据均设置为0。
[0090] (a3)设置计数器cnt1＝1；
[0091] (a4)判断cnt1是否已经大于步骤(a2)数据清洗后的数据集中的时间戳总数M，如果是则进入步骤(a7)，否则进入步骤(a5)；
[0092] (a5)针对步骤(a2)数据清洗后的数据集中第cnt1个时间戳到第cnt1+P个时间戳而言(其中P的取值范围是100到200)，获取对应的第i种类型工艺参数的平均值xcnt,i、标准差ycnt,i和偏度zcnt,i，其中i∈[1，N]；
[0093] 具体而言，从第1个时间戳开始，假设P＝150，则本步骤是首先获取第1个时间戳对应的光纤直径、第2个时间戳对应的光纤直径、…、第P+1个时间戳对应的光纤直径的平均值、标准差和偏度，然后获取第1个时间戳对应的拉丝塔的拉丝张力、第2个时间戳对应的拉丝塔的拉丝张力、…、第P+1个时间戳对应的拉丝塔的拉丝张力的平均值、标准差和偏度，…，以此类推。
[0094] (a6)设置计数器cnt1＝cnt+1，并返回步骤(a4)；
[0095] (a7)将上述步骤(a4)到(a6)得到的每次迭代过程中对应的每个类型工艺参数的平均值、标准差和偏度获取矩阵X；
[0096] 具体而言，该矩阵X是表示为：
[0097] (x1,1，y1,1，z1,1)，(x1,2，y1,2，z1,2)，…，(x1,N，y1,N，z1,N)
[0098] (x2,1，y2,1，z2,1)，(x2,2，y2,2，z2,2)，…，(x2,N，y2,N，z2,N)
[0099] (x3,1，y3,1，z3,1)，(x3,2，y3,2，z3,2)，…，(x3,N，y3,N，z3,N)
[0100] …
[0101] (xM‑1,1，yM‑1,1，zM‑1,1)，(xM‑1,2，yM‑1,2，zM‑1,2)，…，(xM‑1,N，yM‑1,N，zM‑1,N)[0102] (xM,1，yM,1，zM,1)，(xM,2，yM,2，zM,2)，…，(xM,N，yM,N，zM,N)
[0103] 在上述矩阵中，xcnt,i表示第cnt次迭代过程中第i种类型的工艺参数的平均值，ycnt,i表示第cnt次迭代过程中第i种类型的工艺参数的标准差，zcnt,i表示第cnt次迭代过程中第i种类型的工艺参数的偏度。
[0104] (a8)将步骤(a7)得到的矩阵中的元素按照行数8:2的比例划分为训练集和验证集,并将训练集输入预测模型；
[0105] 就以上步骤的矩阵X而言，经过本步骤后，训练集构成的矩阵Y为：
[0106] (x1,1，y1,1，z1,1)，(x1,2，y1,2，z1,2)，…，(x1,N，y1,N，z1,N)
[0107] (x2,1，y2,1，z2,1)，(x2,2，y2,2，z2,2)，…，(x2,N，y2,N，z2,N)
[0108] (x3,1，y3,1，z3,1)，(x3,2，y3,2，z3,2)，…，(x3,N，y3,N，z3,N)
[0109] …
[0110] (x4M/5,1，y4M/5,1，z4M/5,1)，(x4M/5,2，y4M/5,2，z4M/5,2)，…，(x4M/5,N，y4M/5,N，z4M/5,N)[0111] (a9)使用Lasso回归算法对预测模型中的权重参数和偏置参数进行更新和优化，以得到更新后的预测模型；
[0112] (a10)对步骤(a9)更新后的预测模型进行迭代训练，直到该预测模型的损失函数达到最小为止，从而得到初步训练好的预测模型；
[0113] 具体而言，本发明中使用的损失函数使用的是Lasso回归的损失函数，其具体为：
[0114]
[0115] 其中q＝4M/5，x(j)表示步骤(a8)中训练集构成的矩阵中的第j行，y(j)表示步骤(j)(a8)中训练集构成的矩阵中的第j列，hθ(x )表示线性函数，λ表示正则化程度，其取值为
0.0083，θj表示步骤(a8)中训练集构成的矩阵中某一行中第j个元素输入预测模型时的权重参数，其随着预测模型的训练自行变化；
[0116] (a11)使用步骤(a8)得到的验证集对初步训练好的预测模型进行迭代验证，直到得到的分类精度达到最优为止，从而得到训练好的预测模型。
[0117] 模型评估
[0118] 如图3所示，其示出了本发明预测模型得到的预测值‑实际值分布曲线。其横坐标是预测值减去实际值，纵坐标是概率。由图中可以看出其分布符合正态分布且期望是0，同时该模型的平均绝对误差(Mean Absolute Error，简称MAE)＝6.100413。该模型平均误差及误差波动均有较好的效果。
[0119] 本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
