本發(fā)明屬于碳纖維生產(chǎn)，具體涉及一種基于兩階段魯棒優(yōu)化算法的碳纖維碳化參數(shù)優(yōu)化方法。

背景技術(shù)：

1、碳纖維制備的復(fù)合材料因具有優(yōu)異的力學(xué)性能，能夠產(chǎn)生顯著的增強(qiáng)減重效果，已經(jīng)在諸多領(lǐng)域獲得了極為廣泛的應(yīng)用，如風(fēng)電葉片、高壓儲(chǔ)罐等新能源產(chǎn)業(yè)，形成了不可替代的價(jià)值貢獻(xiàn)。以pan基碳纖維為例，pan原絲經(jīng)過紡絲、預(yù)氧化、碳化和石墨化四個(gè)階段形成pan基碳纖維，其中，碳化過程的工藝條件對(duì)最終碳纖維的力學(xué)性能有直接影響，而且頗為敏感。較慢的碳化速度有助于形成更大的石墨微晶和高模量，但也引入更多微晶缺陷和孔隙，導(dǎo)致強(qiáng)度降低。相反，較快的碳化速度可提高強(qiáng)度，但會(huì)犧牲部分模量。此外，碳化過程是一個(gè)逐步升溫的過程，每個(gè)溫度階段的物理、化學(xué)和結(jié)構(gòu)變化均不同。在不同溫度階段，施加不同的張力，對(duì)纖維結(jié)構(gòu)優(yōu)化、性能提高是非常有益的。因此，為碳化過程中碳化速度、低溫和高溫碳化張力設(shè)定合理的參數(shù)，對(duì)于提高碳纖維的力學(xué)性能具有重要意義。

2、目前，大多數(shù)碳纖維的工藝優(yōu)化的研究都是關(guān)于牽伸、凝固、預(yù)氧化過程的，關(guān)于碳化過程的參數(shù)優(yōu)化涉及較少。并且，對(duì)于碳化過程工藝參數(shù)優(yōu)化的研究大都沒有考慮不確定性的影響，在實(shí)際應(yīng)用中具有一定的局限性。此外，大多數(shù)的魯棒優(yōu)化算法從初始探索決策空間時(shí)就考慮解的魯棒性，但是在一些適應(yīng)度差區(qū)域并不存在魯棒解。對(duì)這些區(qū)域中的解度量魯棒性會(huì)浪費(fèi)了大量的計(jì)算資源。

3、碳纖維生產(chǎn)成本極高，耗時(shí)極長(zhǎng)，因此業(yè)界通常會(huì)在數(shù)據(jù)收集過程中盡量減少工藝運(yùn)行次數(shù)。有限的實(shí)驗(yàn)數(shù)據(jù)和高度的不確定性限制了建模方法的使用。雖然非線性多元回歸和神經(jīng)網(wǎng)絡(luò)算法等方法已被用于優(yōu)化碳纖維的模量，但它們并沒有考慮到機(jī)械性能的可變性。而gp建模能有效處理噪聲和自相關(guān)性，不需要在輸入和輸出之間預(yù)設(shè)關(guān)系，并能為每個(gè)預(yù)測(cè)點(diǎn)提供單獨(dú)的擬合誤差。這使得gp成為碳纖維生產(chǎn)中復(fù)雜數(shù)據(jù)建模和優(yōu)化的穩(wěn)健而精確的工具。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是提供一種對(duì)纖維力學(xué)性能綜合優(yōu)化目的的基于兩階段魯棒優(yōu)化算法的碳纖維碳化過程參數(shù)優(yōu)化方法。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明采用了如下技術(shù)方案：

3、一種基于兩階段魯棒優(yōu)化算法的碳纖維碳化參數(shù)優(yōu)化方法，包括如下步驟：

4、步驟1：基于碳纖維碳化過程中的碳化速度、低溫碳化張力和高溫碳化張力作為決策變量，拉伸強(qiáng)度和楊氏模量為目標(biāo)，構(gòu)建碳纖維碳化過程的魯棒多目標(biāo)gp模型；

5、步驟2：基于兩階段的魯棒多目標(biāo)進(jìn)化算法，對(duì)所述魯棒多目標(biāo)gp模型進(jìn)行求解，從而獲得碳化過程工藝參數(shù)，并從中選取機(jī)械性能最優(yōu)值。

6、優(yōu)選地，所述步驟1中的所述魯棒多目標(biāo)gp模型的構(gòu)建方法如下：

7、步驟1.1：數(shù)據(jù)收集和預(yù)處理，收集與碳纖維碳化過程相關(guān)的實(shí)驗(yàn)數(shù)據(jù)，包括碳化速度、低溫碳化張力和高溫碳化張力工藝參數(shù)，以及對(duì)應(yīng)的碳纖維的拉伸強(qiáng)度和楊氏模量性能指標(biāo)；對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，去除異常值并進(jìn)行歸一化處理；

8、步驟1.2：選擇合適的核函數(shù)；

9、步驟1.3：使用最大化對(duì)數(shù)邊際似然函數(shù)的方法來優(yōu)化模型的超參數(shù)；

10、步驟1.4：根據(jù)處理后的數(shù)據(jù)，采用gp模型對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練和驗(yàn)證；

11、步驟1.5：反歸一化預(yù)測(cè)結(jié)果，計(jì)算誤差和性能指標(biāo)；

12、步驟1.6：計(jì)算置信區(qū)間；

13、步驟1.7：分析殘差，并評(píng)估模型的性能和可靠性。

14、優(yōu)選地，所述步驟1.2中選擇合適的核函數(shù)中采用的碳纖維碳化過程高斯過程模型由常數(shù)均值函數(shù)和平方指數(shù)(se)協(xié)方差函數(shù)組成，其定義為：

15、m(x)＝c

16、

17、優(yōu)選地，所述步驟1中所述碳化速度、低溫碳化張力和高溫碳化張力的決策變量，對(duì)應(yīng)模型的過程邊界如下：

18、所述碳化速度的區(qū)間為：2≤x1(m/h)≤40；

19、所述低溫碳化階段的張力區(qū)間為：80≤x2(cn)≤350；

20、所述高溫碳化階段的張力區(qū)間為：180≤x3(cn)≤500。

21、優(yōu)選地，所述步驟s2中將所述魯棒多目標(biāo)gp模型當(dāng)作優(yōu)化目標(biāo)函數(shù)，應(yīng)用基于兩階段的魯棒多目標(biāo)進(jìn)化算法(trmea)對(duì)模型進(jìn)行求解，其步驟如下：

22、階段一：區(qū)域檢測(cè)階段

23、步驟2.1：初始化子種群，確定決策變量個(gè)數(shù)、上下限；

24、步驟2.2：更新子種群信息，包括：子種群個(gè)數(shù)、大小、分組序號(hào)這些信息；

25、步驟2.3：對(duì)每個(gè)子種群內(nèi)的個(gè)體進(jìn)行非支配排序；

26、步驟2.4：子種群優(yōu)化包括子種群獨(dú)立進(jìn)化和子種群合作進(jìn)化，用于更新局部最優(yōu)和全局最優(yōu)解；

27、步驟2.5：周期性地更新特征權(quán)重向量；

28、步驟2.6：滿足重組條件，對(duì)子種群進(jìn)行重組；

29、步驟2.7：重復(fù)步驟2.2至步驟2.6直至滿足切換條件，滿足切換條件，則進(jìn)入第二階段；

30、階段二：魯棒優(yōu)化階段

31、步驟2.8：劃分子種群，進(jìn)一步劃分出高魯棒性存檔和低魯棒性存檔；

32、步驟2.9：對(duì)兩個(gè)存檔內(nèi)的個(gè)體進(jìn)行非支配排序；

33、步驟2.10：兩存檔進(jìn)化，高魯棒性存檔不考慮擾動(dòng)，只關(guān)注最優(yōu)性，低魯棒性存檔考慮擾動(dòng)，進(jìn)行魯棒優(yōu)化；

34、步驟2.11：重復(fù)步驟2.9至2.10直至達(dá)到最大迭代次數(shù)，輸出存檔內(nèi)的所有個(gè)體。

35、優(yōu)選地，所述步驟2.4中的所述子種群進(jìn)化利用一個(gè)隨機(jī)數(shù)q的大小，來確定子種群進(jìn)化的方法；

36、當(dāng)隨機(jī)數(shù)q大于設(shè)定值時(shí)，執(zhí)行組內(nèi)交叉，從各自的子種群中利用二元競(jìng)標(biāo)賽來選擇父代；

37、當(dāng)隨機(jī)數(shù)q小于等于設(shè)定值時(shí)，執(zhí)行組間交叉，既利用二元競(jìng)標(biāo)賽從各自的子種群中選擇父代，也從其余子種群中隨機(jī)選擇父代。

38、優(yōu)選地，所述步驟2.5中周期性地更新特征權(quán)重向量具體步驟如下：

39、首先將所有解當(dāng)作特征，計(jì)算每個(gè)子種群中個(gè)體的平均特征fmean；然后對(duì)每個(gè)子種群平均特征fmean進(jìn)行k-means聚類，獲得子種群聚類的索引idx；之后進(jìn)一步獲得每個(gè)特征(即每個(gè)解)的聚類序號(hào)fid；其次計(jì)算種群特征f和特征聚類序號(hào)fid之間的斯皮爾曼秩相關(guān)系數(shù)ρ；最后對(duì)ρ進(jìn)行處理得到特征權(quán)重向量w。

40、所述w的值在0到1范圍變化，通過特征權(quán)重可以控制每一維決策變量的交叉概率；所述w在交叉操作中充當(dāng)交叉概率的作用；

41、所述w的值表示了該維特征與聚類序列號(hào)之間的相關(guān)性，越接近1表示相關(guān)性越弱，該維特征用于區(qū)分不同組的個(gè)體，則讓其進(jìn)行相互交叉學(xué)習(xí)的概率變??；越接近0表示相關(guān)性越強(qiáng)，該維特征需要進(jìn)行相互的交叉學(xué)習(xí)，則其交叉概率較大。

42、優(yōu)選地，所述步驟2.6中的重組子種群的重組方法包括兩種：一種是對(duì)個(gè)體的非支配等級(jí)都最差的子種群進(jìn)行重新分配；另一種是周期性地對(duì)組間距離最近的兩個(gè)子種群進(jìn)行強(qiáng)制性的合并。

43、優(yōu)選地，所述步驟2.7中的切換條件是通過判斷當(dāng)前種群是否找到不同最優(yōu)解的特征并呈現(xiàn)出收斂趨勢(shì)來實(shí)現(xiàn)的；

44、所述最優(yōu)解的特征包括區(qū)別不同ps段的特征，其具體步驟如下：

45、首先計(jì)算當(dāng)代種群中四分之一個(gè)體的決策變量的標(biāo)準(zhǔn)差；當(dāng)某一維決策變量的標(biāo)準(zhǔn)差值小于或等于閾值時(shí)，這一維的決策變量被確認(rèn)為收斂較好，此時(shí)優(yōu)化問題的多個(gè)最優(yōu)解也被找到，當(dāng)代種群進(jìn)入魯棒優(yōu)化階段。

46、優(yōu)選地，所述步驟2.8中存檔的劃分是根據(jù)子種群內(nèi)的解整體上對(duì)擾動(dòng)的敏感性來劃分的；

47、當(dāng)子種群內(nèi)的解整體上對(duì)變量上的擾動(dòng)不敏感或高度敏感時(shí)，則子種群被劃為高魯棒性或低魯棒性存檔。

48、優(yōu)選地，所述步驟2.10中兩個(gè)存檔的進(jìn)化都包括二元錦標(biāo)賽選擇、交叉變異以及用非支配排序和擁擠距離的環(huán)境選擇；

49、所述高魯棒性存檔的優(yōu)化不考慮擾動(dòng)，只考慮自身存檔內(nèi)對(duì)原始目標(biāo)函數(shù)的最優(yōu)性進(jìn)化；所述低魯棒性存檔首先會(huì)向高魯棒性存檔學(xué)習(xí)，通過構(gòu)建包含高魯棒性存檔中個(gè)體的交配池來實(shí)現(xiàn)；

50、其次，擾動(dòng)對(duì)解的影響需要被考慮，在非支配排序過程中排序新的目標(biāo)函數(shù)值而不是原始目標(biāo)函數(shù)值；

51、將新的目標(biāo)函數(shù)值作為原始目標(biāo)值加上擾動(dòng)解和原解在目標(biāo)空間中相對(duì)于原點(diǎn)的距離差值的標(biāo)準(zhǔn)差。

52、與現(xiàn)有技術(shù)相比，本發(fā)明具備以下有益效果：

53、1、本發(fā)明構(gòu)建了一個(gè)gp模型來預(yù)測(cè)碳纖維生產(chǎn)中碳化過程的機(jī)械性能，避免了機(jī)理模型構(gòu)建難度大且計(jì)算復(fù)雜、實(shí)驗(yàn)數(shù)據(jù)有限以及生產(chǎn)過程存在不確定性的問題，更符合碳纖維生產(chǎn)過程建模的實(shí)際需要。

54、2、本發(fā)明通過在前期不考慮擾動(dòng)的情況下追求最優(yōu)，然后在后期增加擾動(dòng)以優(yōu)化魯棒性，有效地平衡了解決方案的最優(yōu)性和魯棒性，并減少了不必要的計(jì)算資源的浪費(fèi)，為碳化過程工藝的穩(wěn)定高效生產(chǎn)提供保障，有利于提升碳纖維的力學(xué)性能和質(zhì)量。