机器学习方法在聚合物挤出加工在线光谱测量中的应用研究

• 作 者: 朱世超
• 出 处: 华南理工大学
• 发表日期: 2004年期
• 关键词: 近红外光谱 拉曼光谱 在线测量 聚合物挤出 机器学习

在聚合物加工领域,在线光谱测量系统已进入应用于挤出加工中聚合物测量与表征的实验阶段,然而在线光谱受到挤出环境高温高压等因素的影响,信噪比大,数据波动明显,传统的数据处理方法难以对在线光谱数据进行有效处理,无法满足测量表征准确性和稳定性需求,于是本文利用机器学习方法对聚合物在线光谱数据进行分析以实现测量准确性与稳定性的提高,这对未来光谱测量技术应用于实际加工过程的基础奠定以及应用拓宽具有重要意义。本文以通用塑料PP与PS为研究对象,通过自主开发的聚合物在线光谱测量系统,对挤出过程中聚合物熔体的在线光谱数据进行在线测量,以实际生产中的不同牌号PS的聚类分析与分类识别、PP/PS共混物的组分含量准确稳定测量以及PP/PS共混物组分含量离线测量模型的在线迁移此三个场景的应用来验证机器学习方法的应用价值。研究结果表明:1)相较于拉曼光谱,近红外光谱的信号强度大,信噪比高,数据可分性更高,运用人工神经网络和支持向量机对不同牌号PS的近红外光谱进行分类识别,其中最优的人工神经网络模型平均预测正确率为94.7%,支持向量机模型的预测准确率为98.4%,正确率均较高,实现了五种不同牌号PS的在线分类识别;2)对于基于光谱的PP/PS共混物组分含量测量模型,无论是拉曼光谱还是近红外光谱,机器学习模型均优于传统的拟合回归模型,对于机器学习模型,利用数据融合的方法能够进一步提升模型准确率,此外,中级融合还能够提升测量稳定性;3)基于离线采集的PP/PS共混物的近红外光谱数据,利用向光谱数据内添加一定信噪比强度的0均值高斯白噪声的数据增强方法,能够有效扩充数据集规模达到机器学习建模的需求,之后利用Two-stage Tr Ada Boost迁移学习算法随机加入少量在线光谱数据辅助模型训练,相较于未使用迁移学习算法的模型,其测量准确度大幅度提高,达到了实际应用的要求。