[发明专利]一种基于卷积去噪自编码器的碳纤维原丝监测数据预处理方法

说明书

本发明公开了一种基于卷积去噪自编码器的碳纤维原丝监测数据预处理方法，包括以下步骤：1)采集碳纤维原丝生产监测数据，并将数据按照时间顺序和工艺顺序整理成数据集；2)选取数据集中无缺失的样本，作为目标数据集；对目标数据集进行随机缺失操作，获得训练数据集；3)建立卷积去噪自编码器模型，并利用步骤2)中保存的训练数据集和目标数据集对模型进行训练；4)利用步骤3)训练好的卷积去噪自编码器模型对待处理的原丝监测数据进行预处理。本发明通过设计一种基于卷积去噪自编码器的碳纤维原丝监测数据预处理方法，解决碳纤维监测数据中存在的缺失和离群点问题，能够快速完成碳纤维监测数据的预处理。

技术领域

本发明涉及碳纤维生产技术，尤其涉及一种基于卷积去噪自编码器的碳纤维原丝监测数据预处理方法。

背景技术

碳纤维是一种含碳量在90％以上的高强度和高模量的新型纤维材料，其质量比铝轻，强度却高于钢铁，具有耐腐蚀、耐疲劳的特性。同时，又兼备纺织纤维的柔软可加工性，在国防军工和民用方面都是重要材料。聚丙烯腈基碳纤维因其工艺简单、成本较低和优良的性能成为了目前市场占有率最高的一种碳纤维。我国碳纤维研究与生产起步较慢，目前国内高性能碳纤维产品由于受到工艺技术的限制，未能实现全面的工业化生产，导致我国80％以上的高性能碳纤维依赖进口。

碳纤维原丝质量是制约碳纤维提高的“瓶颈”。为了提高原丝质量，保证生产的稳定性，对碳纤维原丝生产过程进行实时监测是十分必要的。近年来，碳纤维生产过程的监测问题越来越得到工业界的重视。随着智能制造及大数据的发展，越来越多的监测设备和传感器被部署到碳纤维生产过程中，由此获得得了海量的生产过程监测数据。但是由于网络传输问题、传感器故障及其他人为因素，碳纤维监测数据中往往存在着噪声、缺失等数据质量问题，并且数据体量大，维度高的特点一起给后续的数据分析或建模问题带来了极大的不便。数据缺失是指在时间序列数据中部分时间段的缺失，或者是部分维度的缺失的现象。数据噪声是指数据中存在着错误值，或者是明显偏离期望的离群值。在碳纤维监测数据中，突出的数据质量问题是维度数据的缺失以及不显著离群点。

传统的数据预处理方法，多以统计知识或机器学习的方法来对数据进行预处理。对于缺失数据的处理，简单的统计学方法(如均值填补、中位数填补)等虽然填补速度快，但是填补结果在一定程度上偏离了原始数据的分布；复杂的填补方法(如回归填补、KNNI等)在大规模数据集上的填补效率又比较低；对于监测数据中存在的噪声，目前采用的方法平滑滤波的方法对数据流进行平滑，去除突变数据。随着深度学习的发展和监测数据体量的不断增大，越来越多的深度学习技术被应用到数据预处理领域中。相对于传统的方法，深度学习在处理高维度、体量大的问题上展示出了显著的优势。

碳纤维原丝的生产环境复杂，工序繁多，一个完整的原丝纺丝过程包括原液制备、纺丝、水洗、牵伸、上油、烘干等环节，同时工艺参数间存在着强烈的耦合关系，造成了碳纤维原丝生产监测数据具有高维度、体量大、价值高、时序性、耦合性和混杂性的特点。一方面，某一时刻监测量的是上一时刻该监测量变化情况的延续；另一方面，该监测量又受到同一时刻其他监测量的影响。这种复杂的相关关系给数据预处理和后续的数据挖掘工作都带来一定的困难。而目前已有的数据预处理方法，特别是针对碳纤维监测缺失和噪声干扰的解决方法，缺少对碳纤维监测数据本身特性的关注，普通统计方法的处理效率较低，效果不好。

为了解决碳纤维生产监测数据中所存在的数据质量中包含的缺失和噪声问题，以及数据体量大，维度高的特点所造成的问题，本发明设计了一种基于卷积去噪自编码器的碳纤维原丝监测数据预处理方法。该方法通过卷积去噪自编码器模型同时解决碳纤维监测数据中存在的缺失和噪声问题，在高维度、体量大的碳纤维监测数据上有很大的优势。

发明内容

本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种基于卷积去噪自编码器的碳纤维原丝监测数据预处理方法。

本发明解决其技术问题所采用的技术方案是：一种基于卷积去噪自编码器的碳纤维原丝监测数据预处理方法，包括以下步骤：