基于計(jì)算智能的精梳毛紗質(zhì)量預(yù)測(cè).pdf

1、在紡織生產(chǎn)過(guò)程中，紗線作為半成品，其質(zhì)量對(duì)后續(xù)織造工序的效率及最終織物的質(zhì)量都有很大的影響。因此，紗線的質(zhì)量控制，尤其是當(dāng)原料變動(dòng)、品種翻改時(shí)，如何保持成紗質(zhì)量穩(wěn)定更是至關(guān)重要。傳統(tǒng)的紗線質(zhì)量控制方法大都是事后控制，即當(dāng)紗線紡制成后再通過(guò)抽樣測(cè)試才獲得有關(guān)紗線質(zhì)量信息。一旦發(fā)現(xiàn)紗線質(zhì)量不合格，則已不能對(duì)這批紗線的質(zhì)量提出任何控制方案了。所以，如何能在紡紗開始前預(yù)測(cè)紗線質(zhì)量就成了紡紗工廠當(dāng)前關(guān)心的一個(gè)問題。這一問題的實(shí)質(zhì)就是建立一個(gè)能反映

2、輸入原料性能、主要工藝參數(shù)、成紗品種等諸多因素與成紗質(zhì)量相互之間關(guān)系的模型用于在紡紗開始前預(yù)測(cè)紗線的質(zhì)量，并通過(guò)調(diào)整原料配比方案和合理設(shè)定工藝參數(shù)等手段控制最終紗線的質(zhì)量，從而避免因紗線質(zhì)量問題而造成后道工序的損失。顯然，這樣的一個(gè)預(yù)測(cè)模型必然是非常復(fù)雜的非線性模型，而且這一模型還必須能適應(yīng)紡紗生產(chǎn)的動(dòng)態(tài)變化。對(duì)這樣一個(gè)預(yù)測(cè)模型的建立，傳統(tǒng)的數(shù)學(xué)物理和統(tǒng)計(jì)回歸建模方法由于存在各自的局限而已無(wú)法適應(yīng)，因此，必須尋求新的現(xiàn)代建模方法。

3、>　　 近二十多年來(lái)，通過(guò)對(duì)生物系統(tǒng)及其行為特征的模擬產(chǎn)生了新興學(xué)科計(jì)算智能，并已經(jīng)在不少領(lǐng)域得到了應(yīng)用，而其中的人工神經(jīng)網(wǎng)絡(luò)(ANN)、遺傳算法(GA)和遺傳規(guī)劃(GP)等計(jì)算智能分支也開始應(yīng)用于紡織領(lǐng)域的檢測(cè)與預(yù)測(cè)等方面。這些建模方法不僅克服了傳統(tǒng)數(shù)學(xué)物理和統(tǒng)計(jì)回歸方法的缺點(diǎn)，而且可以隨著生產(chǎn)技術(shù)水平的改進(jìn)而自適應(yīng)地調(diào)整模型參數(shù)從而適應(yīng)紗線生產(chǎn)和質(zhì)量的動(dòng)態(tài)變化。因此，本文嘗試著將這些建模方法引入到精梳毛紗質(zhì)量和紡紗性能的預(yù)測(cè)建模中

4、。
　　 本文的主要內(nèi)容是在總結(jié)歸納前人對(duì)紗線質(zhì)量進(jìn)行數(shù)學(xué)物理與統(tǒng)計(jì)回歸模型預(yù)測(cè)研究成果的基礎(chǔ)上，提煉出影響成紗質(zhì)量的因素，并以此作為模型的輸入，再用ANN、GA、GP及其相互組合等計(jì)算智能方法進(jìn)行紗線質(zhì)量預(yù)測(cè)模型。全文分為引和七章專題論述，現(xiàn)分別介紹如下：
　　 論文的引言部分對(duì)計(jì)算智能作了非常簡(jiǎn)明的介紹，同時(shí)提及了論文的選題背景。
　　 第一章為文獻(xiàn)綜述，重點(diǎn)介紹了人工神經(jīng)網(wǎng)絡(luò)、也列出了遺傳算法和遺傳規(guī)劃等計(jì)

5、算智能的分支在紡織質(zhì)量預(yù)測(cè)、纖維和織物鑒別、織物疵點(diǎn)檢測(cè)、服裝手感和精梳毛紡織物專家系統(tǒng)等方面的應(yīng)用研究情況，并根據(jù)前人研究工作欠缺處，提出了本文的主要研究?jī)?nèi)容。
　　 第二章回顧了前人在紗線質(zhì)量和紡紗性能方面應(yīng)用數(shù)學(xué)物理和統(tǒng)計(jì)回歸模型進(jìn)行預(yù)測(cè)的研究成果，在此基礎(chǔ)上提練出紗線不勻、細(xì)節(jié)、粗節(jié)、毛粒、紗線強(qiáng)度及其不勻、紗線斷裂伸長(zhǎng)及紡紗過(guò)程斷頭等紗線質(zhì)量與紡紗性能指標(biāo)的影響因子，這些因子將被用作以后幾章所建的預(yù)測(cè)紗線質(zhì)量和紡紗性能

6、模型的輸入變量。
　　 第三章介紹了本文設(shè)計(jì)的具有多輸入、單輸出、一個(gè)隱層的多層感知器(MLP)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，用于預(yù)測(cè)紗線不勻(CV％)、細(xì)節(jié)、粗節(jié)、紗線強(qiáng)度及其不勻、斷裂伸長(zhǎng)、毛粒和斷頭等紗線質(zhì)量和紡紗性能指標(biāo)。神經(jīng)網(wǎng)絡(luò)采用Levenberg-Marquardt(LM)算法進(jìn)行訓(xùn)練。預(yù)測(cè)結(jié)果是：紗線不勻和粗、細(xì)節(jié)預(yù)測(cè)精度較好，實(shí)測(cè)值和預(yù)測(cè)值之間相關(guān)系數(shù)的平方(R2)分別為：0.9408，0.9713和0.8930；紗線強(qiáng)

7、度及其不勻和斷裂伸長(zhǎng)等指標(biāo)的預(yù)測(cè)精度不夠理想，實(shí)測(cè)值和預(yù)測(cè)值之間的R2分別為0.7930，0.8082和0.8331；而毛粒和斷頭率指標(biāo)的預(yù)測(cè)精度則較低，實(shí)測(cè)值和預(yù)測(cè)值之間的R2分別為0.6132和0.6670。研究結(jié)果表明，多層感知器的預(yù)測(cè)模型需要進(jìn)一步優(yōu)化。
　　 第四章詳細(xì)敘述了本文設(shè)計(jì)的主從式多群體平行遺傳算法并用于改善MLP的預(yù)測(cè)性能的情況。所建立的模型為MLP-GA模型。其中主遺傳算法主要用于優(yōu)化MLP的結(jié)構(gòu)，即優(yōu)化

8、輸入變量維數(shù)和隱層節(jié)點(diǎn)數(shù)；從遺傳算法則主要用于優(yōu)化主遺傳算法中每個(gè)MLP結(jié)構(gòu)對(duì)應(yīng)的初始參數(shù)，即連接權(quán)值和偏置，避免因初始權(quán)值和偏置選擇不當(dāng)而使MLP訓(xùn)練過(guò)程中出現(xiàn)局部最優(yōu)的現(xiàn)象。主從式多群體平行遺傳算法使MLP最優(yōu)結(jié)構(gòu)和參數(shù)的搜索空間由領(lǐng)域搜索擴(kuò)大到幾乎整個(gè)解空間搜索，從而使MLP的最終結(jié)構(gòu)和參數(shù)達(dá)到近乎全局最優(yōu)解或滿意解，不僅使MLP的預(yù)測(cè)性能顯著提高，而且預(yù)測(cè)結(jié)果非常穩(wěn)定。預(yù)測(cè)結(jié)果顯示紗線不勻及粗細(xì)節(jié)的預(yù)測(cè)精度與MLP模型基本相當(dāng)，

9、分別為0.9464，0.9766和0.9177。紗線強(qiáng)度及其不勻、斷裂伸長(zhǎng)、毛粒和斷頭的預(yù)測(cè)精度(R2)均有較大幅度改善，并分別提高到0.9404，0.9320，0.9412，0.8733和0.8977。
　　 第五章介紹了應(yīng)用小波神經(jīng)網(wǎng)絡(luò)對(duì)紗線質(zhì)量和紡紗性能進(jìn)行預(yù)測(cè)。本文利用Morlet小波函數(shù)替代Sigmoid函數(shù)作為MLP隱層的傳遞函數(shù)，通過(guò)Morlet小波基的線性疊加來(lái)按擬合網(wǎng)絡(luò)的輸出函數(shù)，并由此建立起小波MLP網(wǎng)絡(luò)(M

10、LP-Wavelet)，網(wǎng)絡(luò)采用梯度下降算法進(jìn)行訓(xùn)練。預(yù)測(cè)結(jié)果顯示小波神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度遠(yuǎn)高于MLP模型；紗線不勻、細(xì)節(jié)、強(qiáng)度、斷裂伸長(zhǎng)等指標(biāo)略高于MLP-GA模型的預(yù)測(cè)精度，但毛粒的預(yù)測(cè)精度不如MLP-GA模型，由于小波神經(jīng)網(wǎng)絡(luò)是局部接收?qǐng)鼍W(wǎng)絡(luò)，加之隱層神經(jīng)元輸入權(quán)值固定，因而與MLP-GA模型相比，小波網(wǎng)絡(luò)的學(xué)習(xí)速度和運(yùn)行效率較高，但由于MLP的結(jié)構(gòu)和參數(shù)未經(jīng)整體優(yōu)化，最終擬合結(jié)果的MLP結(jié)構(gòu)和參數(shù)未必是一個(gè)全局最優(yōu)解或滿意解，因而

11、，MLP-Wavelet模型的穩(wěn)定性不如MLP-GA模型。
　　 第六章介紹了應(yīng)用遺傳規(guī)劃建立紗線質(zhì)量和紡紗性能的預(yù)測(cè)模型。在簡(jiǎn)單敘述了遺傳規(guī)劃(GP)的基本原理和方法后，即利用與前幾章相同的訓(xùn)練樣本對(duì)紗線不勻，粗、細(xì)節(jié)等指標(biāo)進(jìn)行了全局最優(yōu)或滿意的遺傳程序的搜索，并由此建立了相應(yīng)的工程經(jīng)驗(yàn)公式。再應(yīng)用與前幾章相同的測(cè)試樣本，由工程經(jīng)驗(yàn)公式計(jì)算紗線不勻CV％、紗線細(xì)節(jié)、及紗線粗節(jié)的理論輸出值，計(jì)算結(jié)果與實(shí)測(cè)值非常吻合，R2分別高達(dá)