聚酯纤维作为最大的合成纤维品种,应用越来越广泛,对其品质的要求也随之增高。聚酯纤维的生产过程分为三个环节:聚合环节、熔体输送环节和纺丝环节,其中熔体输送环节承上启下,主要是把聚合环节的产物安全、稳定、均匀地运送到纺丝环节进行纺丝生产,所运送的熔体品质好坏直接决定了最终纺丝产品的质量。为了保证熔体输送环节运输熔体的品质,本文针对这一环节做了工艺模拟,并对熔体的性能指标运用相关模型进行预测,可以提前预知生产过程中熔体的品质从而及时做好各种预防。在智能制造这一工业背景下,本着应用自动化的智能控制与优化技术到聚酯纤维的生产过程中去,本文主要完成以下工作:(1)建立熔体输送环节的生产线工艺模拟,保证熔体相关指标的数据流能够正常运行。主要按照熔体输送环节各个元器件的连接节点进行分段,并且对每一段都建立相应的机理模型,按照实际生产过程中元器件连接顺序将所建立的机理模型有序的连接起来,实现分段预测,然后用Python语言编写程序,将所有分段的预测结果可视化地展示出来,对整个熔体输送环节进行工艺模拟及预测。(2)在第一部分建立的熔体输送分段模型中,由于熔体输送环节的复杂性,每个模型不可避免地会有误差存在,而多个模型之间的串联方式会造成模型之间误差的累积传递,使得最终预测结果不准确。为了避免这种情况的发生,提出了两种解决方案,其一是更改多模型连接方式,在合适的地方设置断点,并引入一个时间序列预测模型,将其输出结果作为后续模型的输入,从而阻绝了误差的继续传递;第二种方案的大致思想是在累计误差可以被忽略的临界点插入一个误差纠正模型,这个模型可以将带误差的数据进行纠正,使其没有误差或者是误差很小,这种方案在预测精度上可能没有第一种方案高,但其操作简单,也不会中断数据流的连续性。最终选用第二种解决方案对整个熔体输送环节的串联模型系统进行了误差纠正。(3)针对熔体输送环节中机理模型预测精度不高的问题,提出了一种混合集成模型。此模型是将机理模型和数据驱动模型相结合,用数据驱动模型来补偿机理模型的误差,使整个模型的预测精度得以提高。与常规混合模型不同的是,本文提出的混合集成模型中的数据驱动模型部分采用GRU算法和SVR算法相结合,结合的方式是通过一组权重向量使两者加权平均,以此来增加整个模型的容错率。最后,本文对所有的工作内容进行了一个梳理总结,并针对相关内容以及目前的成果分析了其存在的不足,这些不足也为以后的研究指明了方向。