.png){kind=icon}
返回
LightRAG empowered multi-objective optimization framework for process parameter control in polyester fiber polymerization
.png){kind=icon}
PRE
AI
DOI：10.1007/s10845-026-02966-5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
聚酯纤维聚合过程中的质量控制是一个受非线性参数-质量耦合和异常工况知识有限复用复杂化的多目标过程参数优化问题。现有的代理辅助优化方法通常在固定工程边界内搜索，且缺乏将非结构化过程知识转化为可计算约束的机制。为解决此限制，本研究开发了PLMC（一种基于LightRAG赋能的多目标优化框架），该框架整合了知识到约束的转换、基于代理的目标评估和知识约束的双种群协同进化。利用聚酯聚合过程知识图谱，PLMC检索机理原因和控制措施。随后，一个领域适配的大型语言模型利用此信息生成特定工况的先验知识约束。这些约束被嵌入到PLMC-DP（知识约束的双种群协同进化模块）中。全局种群探索工程可行空间，而知识引导种群则在先验约束区域内搜索。候选解通过代理误差补偿增强的科尔莫戈罗夫-阿尔诺德网络（SEC-KAN）进行评估。SEC-KAN预测关键过程参数对特性粘度、二甘醇含量和端羧基浓度的影响，同时利用历史残差校正局部代理偏差。在测试设置下，工业生产线数据的实验表明，完整的PLMC框架在Pareto集质量和收敛稳定性方面优于基线算法。获得的超体积（HV）和反转世代距离（IGD）分别为0.8387和0.0473。在完全拉伸丝（FDY）、部分取向丝（POY）和拉伸变形丝（DTY）产品场景中稳定的工艺控制性能表明PLMC适用于多样化的聚酯产品。
Keyword:
Polyester fiber polymerization
Large language model
Retrieval-augmented generation
Multi-objective optimization
期刊
IF:
7.4
论文数:
3.5K
被引数:
1.1W
机构
引用论文
Padding interpolation, median imputation, RobustScalar, and particle swarm optimization with heterogeneous classifiers: A robust combination for effective heart disease diagnosis填充插值、中位数插补、RobustScaler以及与异构分类器结合的粒子群优化：一种用于有效心脏病诊断的鲁棒组合.png)
IF0
PREAI
分享收藏Perspectives on the integration between first-principles and data-driven modeling关于第一性原理与数据驱动建模之间集成的观点
OAAI
OAAI分享收藏Process expert knowledge is essential in creating value from data-driven industrial soft sensorsOAAI
OAAI分享收藏分享收藏分享收藏GRAG-ProSafe QAS: Graph retrieval-augmented generation for process production safety intelligent question and answer systemGRAG-ProSafe QAS：用于流程生产安全智能问答系统的图检索增强生成
PREAI
分享收藏Community inspired edge specific message graph convolution network for predictive monitoring of large-scale polymerization processes社区启发的边缘特定消息图卷积网络，用于预测监视大规模聚合过程
PREAI
分享收藏A simulation study on continuous direct esterification process for poly(ethylene terephthalate) synthesis关于聚对苯二甲酸乙二醇酯合成连续直接酯化过程的模拟研究
IF0
PREAI
分享收藏
查看更多内容