碳纤维复合材料是一种力学性能优异的新材料,它具有强度高,模量大,密度小等特点,同时还具有较高的比强度和很高的比模量。由于碳纤维优异的性能与广泛的应用,其纺丝凝固过程也便备受国内外学者的关注。目前国内外对碳纤维凝固过程的研究大多停留在机理建模层面,采用数据建模的相对较少,尤其对凝固过程中的动态变化进行动态数据建模更是少有涉及。近几年,随着统计学习与机器学习的兴起,如何利用数据,建立更加高效的模型成为非常必要的研究课题。本文利用碳纤维凝固过程中多项指标的动态数据,充分结合纤维凝固成形的机理,设计了高效、准确的动态数据模型,进行准确、稳定的凝固过程浓度预测,从而可以实时地帮助提高碳纤维原丝生产的产品性能。本论文的主要贡献如下:(1)分析了碳纤维凝固过程中的各项参数指标的数据特征以及它们之间的相关关系,针对原丝内部溶剂浓度变化的数据特征多样性问题,提出了一种多核支持向量机数据模型(MKSVM)。相比于采用单核的传统支持向量机模型,MKSVM更加适用于具有多样数据特征的纤维内部溶剂浓度变化。仿真对比实验结果进一步证明所建立的模型的准确性和优越性。(2)碳纤维的凝固过程是一个随时间连续变化的动态过程,本论文对凝固过程中的各项动态数据进行聚类分析,利用聚类结果训练出核矩阵切换机(KSM),核矩阵切换机可以在每次窗口滑动时候,根据当前载入到窗口的数据,判断该组数据的类别,然后将核矩阵切换到最佳,这里提到的核矩阵是MKSVM利用类别中心的数据训练而得。接着,引入滑动窗口理论,提出了一种基于滑动窗口多核支持向量机的动态数据模型(SWMKSVM)。实验结果表明,在凝固过程的动态变化中,该模型仍然保持了令人满意的准确性。(3)为了使得动态模型在整个动态过程中的效果达到最优,本论文使用免疫算法优化SWMKSVM的参数,提出了一种免疫滑动优化多核支持向量机模型(ISAMKSVM),利用免疫算法的寻优机制,确保快速而有效地寻找到全局最优解,保证了滑窗在整个滑动过程中的整体最优,而不仅仅是是每次滑动的最优,并且相比采用传统方式优化核权重系数,可以明显提高效率。经实验仿真测试表明,利用ISAMKSVM的动态数据模型时,与传统粒子群优化参数方法的模型相比较,该模型能够快速而有效地寻找到最优参数,而且算法稳定性强,在模型准确率方面有明显的优势。最后,对全论文的研究工作进行了总结,指出了工作中存在的不足,并对有待进一步研究的方向和方法进行了展望。