基于免疫内分泌算法优化总服务成本的聚酯纤维生产工艺

摘要

本发明涉及一种基于免疫内分泌算法优化总服务成本的聚酯纤维生产工艺，以总服务成本minF为优化目标，构建免疫内分泌算法数据模型，利用构建的数据模型对聚酯纤维生产过程中的具体工艺参数进行调试，将当前传感器数据作为聚酯纤维生产工艺的参数进行生产；目标函数即总服务成本：其中，minF表示构建的总服务成本的目标函数，N表示单位时间内可用的服务个数，M表示单位时间内可用的请求个数，xij表示是否有服务i被指派给请求j，dist(si,rj)表示请求j和服务i之间的传输成本，ec(si,rj)表示请求j和服务i之间的能源消耗成本。本发明可以在较短时间内实现节能降耗、保证产能，生产出较低成本、较高质量的聚酯纤维产品的能力，有助于提高企业经济效益及市场竞争力。

说明书

技术领域

本发明属于化纤制造技术领域，涉及一种基于免疫内分泌算法优化总服务成本的聚酯纤维生产工艺。

背景技术

过去，基于硬件资产规模的制造业优势被认为是一个高门槛，难以复制和超越。然而，传统产业巨头的衰落和新兴“数字本土”企业的崛起，让人们意识到，在工业4.0时代，企业的竞争力正在被重新定义：未来的制造业不仅是制造硬件，而且软件和服务业也将逐渐发挥主导作用。制造业应放弃“硬件思维”，从服务与软件一体化的角度发展制造业。

传统制造业面临的挑战，使得世界主要制造业大国纷纷提出制造业振兴计划。在这些规划中，服务业转型被视为制造业升级转型的重点方向。虽然很多制造业企业已经开始为客户提供服务，提高了服务在企业收入中的比重，但大多是以产品为基础的传统服务，如售后服务、产品租赁服务、客户购买产品的融资服务。这些传统的服务给客户带来的价值有限，往往跟不上客户需求变化的步伐，企业很难实现服务转型。工业物联网的发展为企业向服务转型开辟了新的方向。利用工业物联网产生的数据，企业可以为客户提供动态、个性化的智能服务。这些服务与传统服务的本质区别在于，通过工业物联网收集到的数据，可以更动态、更系统地分析和预测客户需求，并根据分析结果自动优化和调整服务，甚至能自动适应环境，独立决策，为客户带来高度个性化的体验。在服务计划的实施过程中，企业需要一种利用动态信息将能够提供特定服务的服务提供者与需要服务的服务请求者相匹配的方法，以提高制造设备的效率和生产率。更重要的是，借助工业物联网，企业可以不断感知客户需求，创造新的服务模式，促进业务增长，这是工业物联网对企业最大的价值所在。工业物联网的最终目标是提供服务，实现智能制造。如何构建合理的物联网服务模式，成为物联网服务提供过程中的一个关键问题。

文献1(An effective service-oriented networking managementarchitecture for 5G-enabled internet of things.Computer Networks,vol.173,2020.)通过引入服务聚合和缓存(SAaC)机制，提出了一种面向服务的网络体系结构，以降低网络流量负载，简化网络管理。云服务提供商面临的主要挑战是如何选择在物联网应用中进行相同工作但提供更好服务质量(QoS)值的最佳候选服务。文献2(A Hybrid ServiceSelection and Composition Model for Cloud-Edge Computing in the Internet ofThings.IEEE Access,vol.8,pp.85939–85949,2020.)提出了一种基于人工神经网络的粒子群优化(ANN-PSO)算法来提高云边缘计算的QoS因子。Saravana Ram等人提出了一种将可信度评估系统与云计算和边缘计算动态负载平衡实用模式相结合的优化混合计算模型。文献3(Value of Information based Sensor Ranking for Efficient Sensor ServiceAllocation in Service Oriented Wireless Sensor Networks.IEEE Transactions onEmerging Topics in Computing,2019.)针对多请求动态服务问题，提出了最小服务成本优化模型和内分泌调节的自适应免疫算法(AIE)。文献4(Value of Information basedSensor Ranking for Efficient Sensor Service Allocation in Service OrientedWireless Sensor Networks.IEEE Transactions on Emerging Topics in Computing,2019.)提出了一种基于能量感知的传感器服务价值排序机制，该机制将传感器服务的等级建模为信息属性的值，同时考虑其在相应应用中的使用环境。但这些都不适合解决工业物联网在生产过程中的服务问题。因为它们不涉及工业过程中的核心问题，即如何布置传感器、收集有价值的数据和选择最优服务。

为了更好地解决优化问题，文献5(Review:multi-objective optimizationmethods and application in energy saving.Energy,vol.125,pp.681–704,2017.)综述了环境保护领域的多目标优化方法，对节能减排、降低成本等进行了优化。人工免疫系统(AIS)的灵感来源于免疫学，是一种模拟免疫学功能的自适应系统，用来解决优化问题。例如，文献6(An immune system-inspired reconfigurable controller.IEEETransactions on Control Systems Technology,vol.24,no.5,pp.1875-1882,2016.)利用四个单元模拟免疫系统的监视过程、响应过程、记忆机制和自学习过程，建立的免疫可重构控制器(IRC)能够对多输入多输出系统进行执行器故障检测和容错控制。文献7(Mobilesink-based adaptive immune energy-efficient clustering protocol for improvingthe lifetime and stability period of wireless sensor networks.IEEE SensorsJournal,vol.15,no.8,pp.4576–4586,2015.)提出了一种基于免疫启发的、能适应分布式进化机器人(ER)的具体动作进化与选择算法。该算法以分布式的方式为搜索空间的不同部分进化不同的子控制器，就像在抗原空间中为不同抗原进化和启动抗体一样。虽然大多数文献都取得了很好的效果，但很少有文献考虑结合内分泌系统对免疫细胞的作用来设计工业物联网服务选择算法。文献8(An adaptive immune algorithm for service-orientedagricultural Internet of Things.Neurocomputing,vol.344,pp.3–12,2019.)提出了AIE算法，但其是针对农业物联网的，不需要误差补偿，在免疫交叉和变异环节选择内分泌调节，不仅计算时间较长，而且增加了服务成本。

发明内容

本发明的目的是解决现有技术中存在的上述问题，提供一种基于免疫内分泌算法优化总服务成本的聚酯纤维生产工艺。在提供工业物联网服务的过程中，每一批请求属于不同的类型，来自不同的地理位置。每个请求的属性值(例如任务量)也不同。因此，根据每一批请求，可以找到不同的物联网服务组合。服务计算平台以全局优化的方式将所有的服务请求调度并分配给不同的服务设备。针对随机时间的多个请求，采用并行处理的方法，借鉴激素调节的希尔函数，设计了基于免疫内分泌算法(AIE)，根据单服务和协同服务策略，建立了总能耗最小的单目标优化模型，解决了工业物联网服务场景下的全局最优服务选择问题。本发明根据聚酯纤维生产过程的特点，建立了服务成本最小的优化模型。通过比较当前数据样本与整体数据的相似度，得出整个生产过程的服务策略。最后，通过与自适应免疫优化(AI)、粒子群优化(PSO)、遗传算法(GA)和多种群AIE(MAIE)算法的比较，结果表明，基于免疫内分泌算法优化总服务成本的聚酯纤维生产工艺有助于解决聚酯产品的优化组合问题。

为达到上述目的，本发明采用的技术方案如下：

基于免疫内分泌算法优化总服务成本的聚酯纤维生产工艺，以总服务成本为优化目标，构建免疫内分泌算法数据模型，利用构建的数据模型对聚酯纤维生产过程中的具体工艺参数进行调试，将当前传感器数据作为聚酯纤维生产工艺的参数进行生产；

首先将总服务成本minF作为抗原，以聚合运行控制器、熔体输送运行控制器或纺丝运行控制器的服务提供者设定值Da作为抗体，构建所述免疫内分泌算法数据模型；

然后采用基于免疫内分泌算法在记忆库中获得最佳抗体；

最后对最佳抗体进行测试判断是否需要进行误差在线补偿，如果不需要补偿，那么此时的抗原就是最小化的总服务成本；如果需要补偿，那么补偿得到的新抗原才是最小化的总服务成本；

每次进行误差在线补偿后，对抗原进行更新得到新抗原；

目标函数即总服务成本：

minF表示构建的总服务成本的目标函数，N表示单位时间内可用的服务个数，M表示单位时间内可用的请求个数，x

请求j和服务i之间的传输成本定义为：

将聚酯纤维车间假定为一个二维平面，X

请求j和服务i之间的能源消耗成本定义为：

workload

公式(1)～(3)受以下条件约束：

Num

Num

η取决于当前服务的可用性，priority

约束条件为：一个服务提供者只能对应一个生产过程请求。例如，聚合运行控制器只能处理聚合过程的请求数据。所需的服务请求数应小于可用的服务请求总数。否则，某些服务请求必须等待；

在记忆库中测试和更新最佳抗体，当相似度满足S

所述误差在线补偿是利用构建的数据模型对聚酯纤维生产过程中的具体工艺参数进行调试，过程为：先依次调试聚合过程的传感器数据，再依次调试熔体输送过程的传感器数据，最后依次调试纺丝过程的传感器数据；

聚合过程的传感器数据依次为：酯化过程的温度初始数据、压力初始数据、液位初始数据和转速初始数据，预缩聚过程的温度初始数据、压力初始数据、液位初始数据和转速初始数据，终缩聚过程的温度初始数据、压力初始数据、液位初始数据和转速初始数据；

熔体输送过程传感器数据依次为：增压泵过程的温度初始数据、压力初始数据、液位初始数据和转速初始数据，热交换器过程的温度初始数据、压力初始数据、液位初始数据和转速初始数据，长管道过程的温度初始数据、压力初始数据、液位初始数据和转速初始数据，纺丝箱体过程的温度初始数据、压力初始数据、液位初始数据和转速初始数据；

纺丝过程的传感器数据依次为：无风区过程的温度初始数据、压力初始数据、位移初始数据和转速初始数据，吹风区过程的温度初始数据、压力初始数据、位移初始数据和转速初始数据，自然冷却成形区过程的温度初始数据、压力初始数据、位移初始数据和转速初始数据；

聚合过程和熔体输送过程受压力降、停留时间、温升、粘度降的影响数据采取往上调的方式，纺丝过程受纺丝速度、纺丝温度、吹风速度、吹风温度的影响数据采取往下调的方式，聚合过程和熔体输送过程的数据极限：温度最高上调3℃，压力最高上调2MPa，液位最高上调2％，转速最高上调3m/min，纺丝过程的数据温度最低下调3℃，压力最低下调2MPa，位移最低下调0.2m，转速最低下调3m/min；每个数据调整幅度为δ；

在调试过程中，当相似度S

作为优选的技术方案：

如上所述的基于免疫内分泌算法优化总服务成本的聚酯纤维生产工艺，酯化过程的温度初始数据、压力初始数据、液位初始数据和转速初始数据分别为267.5℃、283.8MPa、81％和98.8m/min，预缩聚过程的温度初始数据、压力初始数据、液位初始数据和转速初始数据分别为282.6℃、18.3MPa、43％和2.7m/min，终缩聚过程的温度初始数据、压力初始数据、液位初始数据和转速初始数据分别为284.7℃、1.8MPa、14.8％和21.2m/min；增压泵过程的温度初始数据、压力初始数据、液位初始数据和转速初始数据分别为283.5℃、6.1MPa、11.7％和12.1m/min，热交换器过程的温度初始数据、压力初始数据、液位初始数据和转速初始数据分别为281.9℃、1.0MPa、3.3％和3.2m/min，长管道过程的温度初始数据、压力初始数据、液位初始数据和转速初始数据分别为274.3℃、10.8MPa、6.0％和8.1m/min，纺丝箱体过程的温度初始数据、压力初始数据、液位初始数据和转速初始数据分别为285.5℃、11.9MPa、2.9％和4.5m/min；无风区过程的温度初始数据、压力初始数据、位移初始数据和转速初始数据分别为290℃、17.5MPa、0.45m和0.5m/min，吹风区过程的温度初始数据、压力初始数据、位移初始数据和转速初始数据分别为286℃、17.3MPa、0.66m和0.6m/min，自然冷却成形区过程的温度初始数据、压力初始数据、位移初始数据和转速初始数据分别为285℃、17.2MPa、0.86m和0.6m/min。

如上所述的基于免疫内分泌算法优化总服务成本的聚酯纤维生产工艺，δ的取值为0.1，或者按以下计算得到：

聚酯纤维生产分为按需生产和产品开发两种；

按需生产时，δ的取值为前向误差补偿，用φ

其中，φ

产品开发时，δ的取值为反向误差补偿，用θ

其中，θ

在聚酯纤维的生产过程中，温度、压力等参数的变化会对熔体产生影响，从而影响最后纤维丝的物理性能。因此，可以通过误差在线补偿的方式来优化温度或压力。在调整目标产品的服务提供者参数设定值时，根据不同的选择方案，分别对按需生产(A类)和产品开发(B类)的设定值进行前向误差补偿和反向误差补偿。

如上所述的基于免疫内分泌算法优化总服务成本的聚酯纤维生产工艺，产品开发时，包括如下步骤：

(1)建立二次检索抗原数据库；

将每次所得新抗原对应聚酯纤维生产所得的性能指标，并放入二次检索抗原数据库中；

性能指标：线密度(l

(2)匹配；

当进行产品开发时，按需要的性能指标，在二次检索抗原数据库中寻找匹配的抗原；

(3)确定抗原；

若匹配上，则在二次检索抗原数据库中寻找到的就是抗原；

若没匹配上，则以二次检索抗原数据库中与当前性能指标误差最小的性能指标作为抗原；

(4)抗体

以聚合运行控制器、熔体输送运行控制器或纺丝运行控制器的服务提供者设定值Da作为抗体，采用基于免疫内分泌算法在记忆库中获得最佳抗体；

(5)基于免疫内分泌算法优化总服务成本的聚酯纤维生产工艺得到产品开发的生产工艺。

如上所述的基于免疫内分泌算法优化总服务成本的聚酯纤维生产工艺，基于免疫内分泌算法的训练过程如下：

①抗原识别；

②抗体种群与记忆细胞初始化；

③克隆选择；

选择概率如下：

其中，Clonal(k)表示第k个抗体的选择概率，m

④变异记忆细胞；

记忆细胞突变概率如下：

其中，

记忆细胞突变概率P

⑤更新抗体种群；

⑥在记忆库中找到最优抗体；

⑦利用测试集中的任意一个数据集对记忆库中更新后的抗体进行测试，当相似度满足S

如上所述的基于免疫内分泌算法优化总服务成本的聚酯纤维生产工艺，相似度S

S

其中，α、β和γ表示权重系数，S

P1、P2和P3分别代表酯化过程数据、预缩聚过程数据和终缩聚过程数据；M1、M2、M3和M4分别代表增压泵数据、热交换器数据、长管道数据和纺丝箱体数据；S1、S2和S3分别代表无风区数据、吹风区数据和自然冷却成形区数据。

如上所述的基于免疫内分泌算法优化总服务成本的聚酯纤维生产工艺，α＝0.5,β＝0.1,γ＝0.4；这些值是在反复试验法中获取的最佳值。

本发明以纤维工业为研究背景，采用基于免疫内分泌算法优化总服务成本的聚酯纤维生产工艺来解决聚酯产品的优化组合问题。假设在完全竞争和生产规模报酬不变的条件下，化纤市场将按照服务成本最小化的原则进行生产，这里的服务成本最小是指传输成本和能源消耗成本之和最小。按照聚酯纤维全流程的生产特点将其分为：按需生产和产品开发。前者为不同批次聚酯纤维生产经营提供数据支持，为主模型数据库的运行提供数据支持。后者根据抗原数据库设定纤维产品的最低服务成本，然后利用数据模型对聚酯纤维全流程的数据进行调试。从生产出发，对每批聚酯纤维的服务成本函数进行建模和分析。不同的制造商和消费者有不同的生产或需求函数。作为工业互联网平台，COSMOPlat形成了以用户需求为主导的“大规模定制”生产模式，实现了用户在交互、定制、设计、采购、生产、物流、服务等各个环节的全流程参与。在整个过程中，用户既是消费者，又是设计者和生产者，实现了真正的“产消一体化”。

作为工业物联网的一种服务，本发明将其整体布局视为一个服务系统。面向服务的网络化协同设备资源优化是一个非常复杂的问题，属于典型的NP难组合优化问题。本发明研究如何降低系统资源的能耗，以及如何在大量候选服务中选择最佳服务来满足上述目标。这构成了一个具有挑战性的优化问题。虽然大多数文献在求解优化问题上取得了很好的效果，但很少有文献考虑结合内分泌系统对免疫细胞的作用来设计工业物联网服务选择算法。计算机对不同任务的响应能力通常是不同的。任务完成后，总能耗也不同。因此，在不考虑能耗因素的情况下，不匹配的调度模式将导致更高的能耗。根据任务的到达时间和任务类型，合理安排计算机的时间和任务的执行情况，从而在满足必要性能的前提下，降低云计算系统运行过程中的空闲和执行能耗。本发明中聚合工艺参数、熔体输送工艺参数和纺丝工艺参数的数据流信息被视为一个服务请求者，包含请求的标识、类型、工作量、优先级和位置。聚合操作控制器，熔体输送操作控制器和纺丝操作控制器被视为服务提供者，它们包含服务的标识、类型、工作负载、优先级和位置。当sink节点整合来自传感器的各种数据时，会产生多个服务请求。服务计算平台以全局优化的方式将所有的服务请求调度并分配给不同的服务设备。针对随机时间的多个请求，采用并行处理的方法，借鉴激素调节的希尔函数，设计了基于免疫内分泌算法(AIE)，根据单服务和协同服务策略，建立了总能耗最小的单目标优化模型，解决了工业物联网服务场景下的全局最优服务选择问题。

聚酯纤维生产的基本流程是：聚合过程→熔体输送过程→纺丝过程，如图3所示。在聚合过程中，P1、P2和P3分别代表酯化过程数据、预缩聚过程数据和终缩聚过程数据。在熔体输送过程中，M1、M2、M3和M4分别代表增压泵数据、热交换器数据、长管道数据和纺丝箱体数据。在纺丝过程中，S1、S2和S3分别是无风区数据、吹风区数据和自然冷却成形区数据。聚酯纤维的生产过程是一个复杂的过程，影响聚酯纤维性能的因素很多，如纺丝温度、纺丝速度、吹风温度、吹风速度等。聚酯纤维的性能与生产过程中的工艺参数有关。为了生产出符合性能要求的聚酯纤维，必须合理设置各阶段的工艺参数。文献(Data-Driven ModelingBased on Two-StreamλGated Recurrent Unit Network With Soft SensorApplication.IEEE Transactions on Industrial Electronics,vol.67,pp.7034–7043,2020.)提出了一种基于双流λ门控循环单元(ts-λGRU)网络的软测量建模方法。在实际聚合工业过程熔体粘度指数估计中的应用表明，提出的ts-λGRU软测量建模方法比现有的其它方法更为精确和有前景。刘等人提出了一种集成深度核学习(EDKL)模型。在无监督学习阶段，采用深层信念(deep-brief)网络从现有数据中提取有用信息。工业思想系统(MI)预测结果表明，与仅使用有限标记数据的传统监督软传感器(如偏最小二乘法和支持向量回归)相比，所开发的EDKL模型具有优势。但这些模型只是分段模型，不能实时监控整个生产过程的运行状态。

有益效果：

(1)本发明的基于免疫内分泌算法优化总服务成本的聚酯纤维生产工艺，可以快速响应纤维生产制造，在企业需求多样化、竞争差异化的前提下，可以在较短时间内实现节能降耗，生产出较低成本、较高质量的聚酯纤维产品的能力，有助于提高企业经济效益及市场竞争力；

(2)本发明的基于免疫内分泌算法优化总服务成本的聚酯纤维生产工艺，可以在线添加装置和修改工艺参数，满足客户定制化、加工高效柔性化，同时实现产品、信息的深度融合，提升聚酯工厂的管理水平，为工业4.0打下坚实基础。

附图说明

图1为工业互联网的服务框架；

图2为本发明的聚酯纤维整体工艺优化系统；

图3为基于免疫内分泌算法训练过程；

图4为AIE和AI算法的总服务成本比较；

图5为不同请求到达率下的优化时间。

具体实施方式

下面结合具体实施方式，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

本发明十个地方布置了各类传感器，即：P1、P2、P3、M1、M2、M3、M4、S1、S2、S3。

聚酯纤维生产的基本流程是：聚合过程→熔体输送过程→纺丝过程。

聚合过程中，P1、P2、P3分别代表酯化过程数据、预缩聚过程数据、终缩聚过程数据。在熔体输送过程中，M1、M2、M3和M4分别表示增压泵数据、热交换器数据、长管数据和纺丝箱体数据。在纺丝过程中，S1、S2、S3分别为无风区数据、吹风区数据和自然冷却成形区数据。本发明在对应的P1、P2、P3、M1、M2、M3、M4、S1、S2、S3处得到了温度传感器，压力传感器、液位传感器和速度传感器的数据。例如，在聚合过程中，P11表示酯化过程的温度，P12表示酯化过程的压力，P13表示酯化过程的液位，P14表示酯化过程的速度，P21表示了预缩聚过程的温度，P31表示了终缩聚过程的温度。这些传感器用于测量聚酯纤维生产过程中的相关物理参数，如图1所示。

一种基于免疫内分泌算法优化总服务成本的聚酯纤维生产工艺，步骤具体如下：

(1)将总服务成本minF作为抗原，以聚合运行控制器、熔体输送运行控制器或纺丝运行控制器的服务提供者设定值Da作为抗体，构建免疫内分泌算法数据模型；

目标函数即总服务成本：

minF表示构建的总服务成本的目标函数，N表示单位时间内可用的服务个数，M表示单位时间内可用的请求个数，x

请求j和服务i之间的传输成本定义为：

将聚酯纤维车间假定为一个二维平面，X

请求j和服务i之间的能源消耗成本定义为：

workload

公式(1)～(3)受以下条件约束：

Num

Num

η取决于当前服务的可用性，priority

(2)采用基于免疫内分泌算法在记忆库中获得最佳抗体；

基于免疫内分泌算法的训练过程如下：

①抗原识别；

②抗体种群与记忆细胞初始化；

③克隆选择；

选择概率如下：

其中，Clonal(k)表示第k个抗体的选择概率，m

④变异记忆细胞；

记忆细胞突变概率如下：

其中，

⑤更新抗体种群；

⑥在记忆库中找到最优抗体；

⑦利用测试集中的任意一个数据集对记忆库中更新后的抗体进行测试，当相似度满足S

(3)对最佳抗体进行测试判断是否需要进行误差补偿，如果不需要补偿，那么此时的抗原就是最小化的总服务成本；如果需要补偿，那么补偿得到的新抗原才是最小化的总服务成本；

每次进行误差在线补偿后，对抗原进行更新得到新抗原；

误差在线补偿是利用构建的数据模型对聚酯纤维生产过程中的具体工艺参数进行调试，过程为：先依次调试聚合过程的传感器数据，再依次调试熔体输送过程的传感器数据，最后依次调试纺丝过程的传感器数据；

聚合过程的传感器数据依次为：酯化过程的温度初始数据、压力初始数据、液位初始数据和转速初始数据，预缩聚过程的温度初始数据、压力初始数据、液位初始数据和转速初始数据，终缩聚过程的温度初始数据、压力初始数据、液位初始数据和转速初始数据；

酯化过程的温度初始数据、压力初始数据、液位初始数据和转速初始数据分别为267.5℃、283.8MPa、81％和98.8m/min，预缩聚过程的温度初始数据、压力初始数据、液位初始数据和转速初始数据分别为282.6℃、18.3MPa、43％和2.7m/min，终缩聚过程的温度初始数据、压力初始数据、液位初始数据和转速初始数据分别为284.7℃、1.8MPa、14.8％和21.2m/min；

熔体输送过程传感器数据依次为：增压泵过程的温度初始数据、压力初始数据、液位初始数据和转速初始数据，热交换器过程的温度初始数据、压力初始数据、液位初始数据和转速初始数据，长管道过程的温度初始数据、压力初始数据、液位初始数据和转速初始数据，纺丝箱体过程的温度初始数据、压力初始数据、液位初始数据和转速初始数据；

增压泵过程的温度初始数据、压力初始数据、液位初始数据和转速初始数据分别为283.5℃、6.1MPa、11.7％和12.1m/min，热交换器过程的温度初始数据、压力初始数据、液位初始数据和转速初始数据分别为281.9℃、1.0MPa、3.3％和3.2m/min，长管道过程的温度初始数据、压力初始数据、液位初始数据和转速初始数据分别为274.3℃、10.8MPa、6.0％和8.1m/min，纺丝箱体过程的温度初始数据、压力初始数据、液位初始数据和转速初始数据分别为285.5℃、11.9MPa、2.9％和4.5m/min；

纺丝过程的传感器数据依次为：无风区过程的温度初始数据、压力初始数据、位移初始数据和转速初始数据，吹风区过程的温度初始数据、压力初始数据、位移初始数据和转速初始数据，自然冷却成形区过程的温度初始数据、压力初始数据、位移初始数据和转速初始数据；

无风区过程的温度初始数据、压力初始数据、位移初始数据和转速初始数据分别为290℃、17.5MPa、0.45m和0.5m/min，吹风区过程的温度初始数据、压力初始数据、位移初始数据和转速初始数据分别为286℃、17.3MPa、0.66m和0.6m/min，自然冷却成形区过程的温度初始数据、压力初始数据、位移初始数据和转速初始数据分别为285℃、17.2MPa、0.86m和0.6m/min；

聚合过程和熔体输送过程受压力降、停留时间、温升、粘度降的影响数据采取往上调的方式，纺丝过程受纺丝速度、纺丝温度、吹风速度、吹风温度的影响数据采取往下调的方式，聚合过程和熔体输送过程的数据极限：温度最高上调3℃，压力最高上调2MPa，液位最高上调2％，转速最高上调3m/min，纺丝过程的数据温度最低下调3℃，压力最低下调2MPa，位移最低下调0.2m，转速最低下调3m/min；每个数据调整幅度为δ；

聚酯纤维生产分为按需生产和产品开发两种；

按需生产时，δ的取值为前向误差补偿，用φ

其中，φ

产品开发时，δ的取值为反向误差补偿，用θ

其中，θ

在调试过程中，当相似度S

相似度S

S

其中，α、β和γ表示权重系数，α＝0.5,β＝0.1,γ＝0.4；S

P1、P2和P3分别代表酯化过程数据、预缩聚过程数据和终缩聚过程数据；M1、M2、M3和M4分别代表增压泵数据、热交换器数据、长管道数据和纺丝箱体数据；S1、S2和S3分别代表无风区数据、吹风区数据和自然冷却成形区数据；

先按需生产，才有产品开发。产品开发是对可能出现的按需生产情况进行数据分析，找到最好的结果，然后再进行生产，具体如下：

①建立二次检索抗原数据库；

将每次所得新抗原对应聚酯纤维生产所得的性能指标，并放入二次检索抗原数据库中；

性能指标：线密度、断裂强度、断裂伸长率、应力和条干不匀率；

②匹配；

当进行产品开发时，按需要的性能指标，在二次检索抗原数据库中寻找匹配的抗原；

③确定抗原；

若匹配上，则在二次检索抗原数据库中寻找到的就是抗原；

若没匹配上，则以二次检索抗原数据库中与当前性能指标误差最小的性能指标作为抗原；

④抗体

以聚合运行控制器、熔体输送运行控制器或纺丝运行控制器的服务提供者设定值Da作为抗体，采用基于免疫内分泌算法在记忆库中获得最佳抗体；

⑤基于免疫内分泌算法优化总服务成本的聚酯纤维生产工艺得到产品开发的生产工艺。

下面结合具体实例将免疫内分泌算法AIE与其他算法进行比较：

(1)实验参数设置

从传感器传来的感知数据需要根据丝条成形后的线密度、断裂强度、断裂伸长率、应力、条干不匀率五项性能指标进行分析和处理。在服务请求发出以后，服务计算平台基于当前的请求类型和工作量，计算并选择出最优的服务设备，然后打开和控制运行控制器。参数值的设定如表1、表2所示。在表2中，λ表示单位时间内到达系统的请求的平均数量。每一个λ值下，实验了十个批次的请求任务，每一批次的请求数量是基于当前λ值下生成的随机数。传感器节点的数量设置为100，以保证在不同的实验环境下有足够的请求数量。设备节点的数量设置为50，原因如下：考虑到实际过程中出现纤维飘丝的情况时，由纺丝运行控制器直接处理；如果请求与服务之间的距离大于某设定的阈值，所求得的服务方案是没有意义的。因此，本发明给出的最优服务调度方案均是基于设备的实施范围之内的。表3显示了各种算法的参数值设置，以期望在不同的搜索区间内找到更可行的解，从而得到更好的目标函数值。

表1.工业物联网区域设置

表2.泊松分布参数设置

表3.不同算法的参数设置

(2)AIE与其他算法的比较

当请求到达系统时，它们首先按服务类型分类。将相同类型的请求划分在一起，然后搜索相同类型的最佳服务提供者。表4表示聚合过程中执行单个服务任务时不同段的性能参数。这里的单个服务任务意味着只有一个服务提供者完成它。P1,P2,P3分别表示酯化过程数据，预缩聚过程数据，终缩聚过程数据。

表4.聚合过程中性能参数的变化

从表4很容易发现，当λ＝30时，各个阶段的压强、温度、流量比λ＝10和λ＝20大，这是因为随着单位时间内到达系统的请求数量增加，传输成本增大，导致总服务成本增大，但却有助于得到最优匹配，所得到的过程参数与理想的过程参数误差最小。

表5表示熔体输送过程中执行单个服务任务时不同段的性能参数。在熔体输送过程中，M1,M2,M3,M4分别代表增压泵数据，热交换器数据，长管道数据和纺丝箱体数据。

表5.熔体输送过程中性能参数的变化

从表5很容易发现，当λ＝30时，M2-M4阶段的压力降、停留时间、温升、粘度降相较λ＝10和λ＝20偏大，这是因为随着单位时间内到达系统的请求数量增加，传输成本增大，导致总服务成本增大。但在M1阶段时，λ＝30压力降比λ＝10和λ＝20小，这是因为聚合过程在终缩聚阶段的压强变化不大，然后就到了熔体输送过程的增压泵阶段，为防止一开始能源消耗成本过大，增加了这部分的停留时间，导致压力降一开始减小。

根据聚酯纤维纺丝过程的生产工艺，将纺丝过程分为无风区、吹风区和自然冷却成型区。无风区包括纺丝组件和无风部分，吹风区包括环吹风部分，自然冷却成型区包括自然冷却部分、注油组件、上下导丝线圈和卷绕成型部分。表6显示了在执行单个服务任务时，不同截面下纺丝工艺性能参数的变化情况。

表6.纺丝过程中性能参数的变化

从表6很容易发现，当λ＝30时，S1-S3阶段的纺丝速度、纺丝温度、吹风速度、吹风温度比λ＝10和λ＝20小，这是因为此时是丝条成形阶段，为防止单位时间内到达系统的请求数量增加导致负荷过大出现断丝现象。

按需生产时，根据历史数据中已有的批次和生产规格生成当前的生产计划任务。由于生产批量未知，根据生产规格参数，从机理模型中得到物性指标。

在λ＝30时，得到了1500组工艺参数和每组参数对应的产品质量指标值。工艺参数的范围是有限的。采用1500组随机排列的训练集对自适应免疫优化(AI)和基于内分泌调节的自适应免疫优化(AIE)进行前向和反向训练。通过AIE前向误差补偿值与真值的比较，表明在给定的生产参数、产品质量指标下，根据实际情况得到的AIE误差结果小于AI，如表7所示。

表7.基于免疫内分泌算法(AIE)和传统自适应免疫算法(AI)的性能指标误差分析

基于相同的实验数据，在λ＝30时，由AIE和AI算法计算的最小总服务成本如图4所示。

从图4可以看出，在大多数批次中，AIE的总服务成本小于AI的总服务成本。但在第六批次和第八批次中，AIE的总服务成本大于AI。这是因为这两个批次的数据正处于聚合阶段和熔体输送阶段的交界处，熔体输送阶段和纺丝阶段的交界处。受压力传感器和温度传感器的影响，总服务成本增加。

在个性化定制和产品开发过程中，需要根据抗原数据库二次检索的性能指标对聚合过程、熔体输送过程和纺丝过程的数据进行重新生产。表8比较了不同算法中各性能指标的误差结果。比较误差为请求批次λ＝10，λ＝20和λ＝30时的平均误差。l

表8.不同算法下五种性能指标的误差分析

从表8可以看出，无论针对哪个性能指标，AIE算法和MAIE算法都更接近实际值。然而，在不同的批次计算过程中，AIE算法的性能优于MAIE算法。这是因为AIE算法比MAIE算法具有更短的交叉和变异时间，它能够更快地响应成形丝后的数据，降低传输成本，从而产生更小的总服务成本。

为了准确反映这五种算法的执行速度，本发明比较了它们的优化时间。图5给出了不同请求到达率下各种算法的优化时间。从图5可以看出:GA