基于群體智能優(yōu)化神經(jīng)網(wǎng)絡(luò)棉紗質(zhì)量預(yù)報系統(tǒng)的研究.pdf

1、我國紡織企業(yè)一直以來對生產(chǎn)過程及產(chǎn)品質(zhì)量的控制都以經(jīng)驗為主，以原始積累的人工技術(shù)為主，面對市場對小批量多品種棉紗產(chǎn)品越來越多的需求，企業(yè)需要花費更多的人力、物力以及時間來應(yīng)對，新購入的原棉也需要進(jìn)行試紡才能確定原棉的可紡性能以及適紡紗支，這種情況很大阻礙了國內(nèi)企業(yè)競爭力的提高。同時，企業(yè)內(nèi)部多年來形成的龐大紡紗生產(chǎn)數(shù)據(jù)不能發(fā)揮應(yīng)有作用，無法利用已有的企業(yè)寶貴資源，從中挖掘出更多更有價值的信息,造成間接浪費。因此，相關(guān)領(lǐng)域人員紛紛開始著手

2、于棉紗虛擬加工系統(tǒng)的研究，以期解決這問題。
　　國內(nèi)外關(guān)于棉紗虛擬加工系統(tǒng)的研究始于20世紀(jì)30年代，在60年代以前基本上采用的都是經(jīng)驗方法，通過研究成紗質(zhì)量指標(biāo)的影響因素來實現(xiàn)棉紗質(zhì)量預(yù)報的目的。然而棉紗生產(chǎn)過程本身是一個多元化的加工系統(tǒng)，成紗質(zhì)量指標(biāo)涉及眾多的影響因素，這些指標(biāo)之間又存在著復(fù)雜的非線性關(guān)系，用傳統(tǒng)的統(tǒng)計、回歸分析方法很難整理出有效、顯著的關(guān)系，無法進(jìn)行科學(xué)的分析與評價。實踐表明，面對瞬息萬變的市場經(jīng)驗方法難以真

3、正提高企業(yè)的快速反應(yīng)能力。
　　近30年來，隨著各個領(lǐng)域的發(fā)展進(jìn)步，人們從不同角度對生物系統(tǒng)及其行為特征進(jìn)行了模擬，產(chǎn)生了一些對現(xiàn)代科技發(fā)展有重大影響的新理論、新學(xué)科，并且已經(jīng)在很多領(lǐng)域得到應(yīng)用。其中人工神經(jīng)網(wǎng)絡(luò)以及遺傳算法、群體智能算法等計算智能分支也開始在紡織領(lǐng)域的檢測與預(yù)測應(yīng)用中出現(xiàn)。這些方法不僅克服了傳統(tǒng)數(shù)理、統(tǒng)計回歸方法的缺陷，還能自適應(yīng)調(diào)整改進(jìn)自身性能來迎合實際紡紗生產(chǎn)中的需要，給紡織企業(yè)慣有的研發(fā)模式帶來新的變革。<

4、br>　　基于上述現(xiàn)狀，在已有理論研究和實際應(yīng)用的基礎(chǔ)上，本文研究內(nèi)容圍繞最大程度提高棉紗質(zhì)量預(yù)報精度這一最終目標(biāo)展開。分別從五個角度出發(fā)，考慮到可能影響成紗預(yù)報精度的各方面因素。一方面，最大程度利用現(xiàn)有資源實現(xiàn)通過神經(jīng)網(wǎng)絡(luò)這一基本方法建立的成紗質(zhì)量預(yù)報模型具備高精度預(yù)報水平。另一方面，部分解決了神經(jīng)網(wǎng)絡(luò)自身泛化能力較差這一難題，達(dá)到不同工廠間神經(jīng)網(wǎng)絡(luò)模型預(yù)報精度穩(wěn)定提升的目的。根據(jù)國內(nèi)棉紡企業(yè)生產(chǎn)數(shù)據(jù)的特點，采用基于結(jié)構(gòu)方程模型（St

5、ructure equation modeling, SEM）的路徑分析方法（Path analysis, PA）對成紗指標(biāo)的影響因素進(jìn)行分析，提取模型輸入因子，結(jié)合多種方法針對不同情況數(shù)據(jù)集進(jìn)行異常值檢測和數(shù)據(jù)降維等方面的預(yù)處理工作，為模型預(yù)報精度的改善提供服務(wù)；同時提出了可以代表廠間技術(shù)水平和設(shè)備水平差異的泛化因子，并利用遺傳算法（Genetic algorithm, GA）和粒子群算法（Particle swarm optimiz

6、ation, PSO）對BP神經(jīng)網(wǎng)絡(luò)（Back propagation neural network, BPNN）預(yù)報模型進(jìn)行優(yōu)化，建立棉紗的虛擬加工系統(tǒng),實現(xiàn)了本課題的既定目標(biāo)。本文主要研究成果體現(xiàn)在以下五個方面。
　　1.成紗質(zhì)量指標(biāo)影響因素的路徑分析
　　首先根據(jù)來自傳統(tǒng)經(jīng)驗以及前人研究成果，總結(jié)出包括斷裂強度在內(nèi)8個成紗關(guān)鍵質(zhì)量指標(biāo)的基本影響因素。其次，在此基礎(chǔ)上采用基于結(jié)構(gòu)方程模型的路徑分析方法對影響因素進(jìn)行綜合、

7、全面的定量分析，將纖維性能對成紗質(zhì)量指標(biāo)的影響分解為直接影響、間接影響和整體影響，更細(xì)致地挖掘其中隱藏的信息。根據(jù)直接影響情況得出結(jié)論，在本實驗數(shù)據(jù)設(shè)定范圍內(nèi)，影響成紗斷裂強度的主要因素分別為紗線線密度、基數(shù)、捻度、馬克隆值、短絨率、纖維細(xì)度、纖維斷裂強度、主體長度；影響成紗強力不勻的主要因素為基數(shù)、勻度、捻度、馬克隆值、含雜率、纖維斷裂強度、短絨率、紗線線密度；影響成紗斷裂伸長率的主要因素為纖維平均長度、勻度、短絨率、主體長度、捻度、

8、品質(zhì)長度、基數(shù)、線密度、馬克隆值；影響成紗條干不勻指標(biāo)的因素主要為勻度、線密度、基數(shù)、捻度、短絨率、平均長度、品質(zhì)長度、纖維斷裂強度；影響成紗粗節(jié)的因素為捻度、馬克隆值、線密度、基數(shù)、纖維斷裂強度、平均長度、短絨率；細(xì)節(jié)的影響因素與粗節(jié)一致，只是影響程度大小不同，排序為線密度、馬克隆值、基數(shù)、捻度、纖維斷裂強度、平均長度、短絨率；影響棉結(jié)多少的因素包括基數(shù)、捻度、勻度、線密度、纖維斷裂強度、馬克隆值、短絨率、回潮率；毛羽的影響因素包含平

9、均長度、勻度、馬克隆值、纖維細(xì)度、捻度、品質(zhì)長度、線密度、纖維斷裂強度、基數(shù)。這些結(jié)論可以對配棉工藝起到一定的指導(dǎo)作用。本章最后將前人總結(jié)的成紗質(zhì)量指標(biāo)經(jīng)驗影響因素以及通過路徑分析方法總結(jié)的影響因素用作第四、五章中預(yù)報模型的輸入因子。
　　2.數(shù)據(jù)的異常值檢測及其對成紗質(zhì)量預(yù)報精度的影響
　　采用k最近鄰密度估計聚類法（k-nearest neighbor density estimation）對單紗支、小樣本數(shù)據(jù)進(jìn)行檢測；

10、采用基于密度聚類（Density-based spatial clustering of applications with noise, DBSCAN）、局部離群因子指數(shù)（Local outlier factor, LOF）和多元回歸分析（Multiple regression analysis, MRA）三種方法相結(jié)合的方式對多紗支、大樣本數(shù)據(jù)進(jìn)行異常值檢測，效果比較顯著。以成紗斷裂強力為例，通過BP神經(jīng)網(wǎng)絡(luò)模型驗證了異常值給預(yù)報精

11、度帶來負(fù)面影響的程度。在樣本存在異常值的情況下，相對誤差E（％）隨著異常值情況的變化會由1.43逐步升至24.49，均方誤差MSE（%）也會從26.33增加到2980，給預(yù)報精度帶來惡劣影響。因此，異常值的檢測對成紗質(zhì)量預(yù)報來講非常關(guān)鍵。
　　3.輸入因子的降維及其對成紗質(zhì)量預(yù)報精度的影響
　　變量降維工作可以減少預(yù)報模型輸入因子，降低網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜度從而提升成紗質(zhì)量的預(yù)報精度。將成紗質(zhì)量指標(biāo)影響因素中具有高度相關(guān)的指標(biāo)利用主

12、成分分析方法(Principal component analysis，PCA)進(jìn)行降維處理。以成紗斷裂強度為例，通過BP神經(jīng)網(wǎng)絡(luò)以及GA-BP神經(jīng)網(wǎng)絡(luò)對第三章中總結(jié)的經(jīng)驗影響因素、基于SEM路徑分析方法得到的影響因素以及通過 PCA方法降維獲取的影響因素作為模型輸入因子分別進(jìn)行驗證，發(fā)現(xiàn) PCA降維的預(yù)報精度比初始經(jīng)驗影響因素的預(yù)報精度高，GA-BP模型的預(yù)報精度比BP模型的高。以此類推，采用同樣方法對其他7個成紗指標(biāo)進(jìn)行驗證，發(fā)現(xiàn)，

13、PCA降維的效果并不是很穩(wěn)定，需要在研究中根據(jù)實際情況取舍。
　　4.進(jìn)行數(shù)據(jù)挖掘得到廠間差異的泛化因子
　　由于國內(nèi)紡織企業(yè)數(shù)量眾多，彼此之間又不不具備統(tǒng)一規(guī)范，技術(shù)水平、設(shè)備情況以及工藝水平參差不齊，神經(jīng)網(wǎng)絡(luò)在實現(xiàn)廠間成紗質(zhì)量預(yù)報方面具有相當(dāng)大的難度。針對這一問題，對從工廠采集到的大量數(shù)據(jù)進(jìn)行深入挖掘，提出代表工廠之間差異的泛化因子，如成紗條干不勻平均值（mxcv）和標(biāo)準(zhǔn)差（stdxcv）以及管間不勻平均值（mxcvb）

14、和標(biāo)準(zhǔn)差(stdxcvb)。四個因子皆來自工廠兩年中多次配棉采集到的成紗質(zhì)量指標(biāo)樣本，其增加了模型輸入因子對成紗質(zhì)量指標(biāo)的方差解釋能力，在一定程度上改善了神經(jīng)網(wǎng)絡(luò)模型的泛化能力，廠間預(yù)報精度得到穩(wěn)定提高。
　　5.采用粒子群優(yōu)化算優(yōu)化BP神經(jīng)網(wǎng)絡(luò)
　　通過新的群體智能優(yōu)化算法-粒子群算法，對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，彌補了神經(jīng)網(wǎng)絡(luò)初始權(quán)值與閾值隨機選取的缺陷，得到PSO-BP神經(jīng)網(wǎng)絡(luò)。與泛化因子相結(jié)合，同時提高預(yù)報模型本身性能以

15、及模型輸入因子的信息量。通過兩個不同工廠的數(shù)據(jù)樣本，對棉紗關(guān)鍵指標(biāo)進(jìn)行質(zhì)量預(yù)報；成紗斷裂強度預(yù)測值與實際值的相對誤差Emax（%）從5.82改善至4.37，均方誤差MSE從10.22降至7.08；強力不勻的相對誤差Emax（%）從13.87改善至9.57，均方誤差MSE從47.37降至19.89；斷裂伸長率的相對誤差Emax（%）從12.73改善至8.04，均方誤差MSE從50.59降至27.78；條干不勻的相對誤差Emax（%）從3.