基于联邦学习的聚酯纤维酯化过程温度预测研究OA北大核心
在聚酯纤维生产过程中,酯化温度的精确控制至关重要。然而,由于生产设备和工艺参数的差异,传统预测方法难以满足个性化需求,且数据共享过程中存在隐私泄露和通信压力问题。提出了一种基于联邦学习的个性化自适应酯化温度时间序列预测算法。采用联合预测机制为每个客户端分配私有和共享模型,设置自适应阶段根据客户端数据分布智能调整模型参数,并学习客户端独有的联合预测权重,实现个性化预测输出。采用贝叶斯优化算法解决高维复杂和资源限制问题,快速高效地得到了最佳超参数组合。在三家聚酯纤维生产厂家的真实数据集上的广泛实验结果表明,算法在五种预测模型下均取得了最佳预测性能,有效提高了酯化温度预测的准确性。
王绍吉;郝矿荣;陈磊
东华大学信息科学与技术学院,上海201620 东华大学数字化纺织服装技术教育部工程研究中心,上海201620东华大学信息科学与技术学院,上海201620 东华大学数字化纺织服装技术教育部工程研究中心,上海201620东华大学信息科学与技术学院,上海201620 东华大学数字化纺织服装技术教育部工程研究中心,上海201620
化学工程
时间序列预测安全隐私联邦学习个性化聚合酯化神经网络
《化工学报》 2025 (1)
P.283-295,13
中央高校基本科研业务费专项资金(2232022D-08)上海市扬帆计划项目(22YF1401500)上海市晨光计划项目(22CGA36)。
评论