基于計算智能的精梳毛紗質量預測.pdf

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

2、輸入原料性能、主要工藝參數、成紗品種等諸多因素與成紗質量相互之間關系的模型用于在紡紗開始前預測紗線的質量，并通過調整原料配比方案和合理設定工藝參數等手段控制最終紗線的質量，從而避免因紗線質量問題而造成后道工序的損失。顯然，這樣的一個預測模型必然是非常復雜的非線性模型，而且這一模型還必須能適應紡紗生產的動態(tài)變化。對這樣一個預測模型的建立，傳統(tǒng)的數學物理和統(tǒng)計回歸建模方法由于存在各自的局限而已無法適應，因此，必須尋求新的現代建模方法。

3、>　　 近二十多年來，通過對生物系統(tǒng)及其行為特征的模擬產生了新興學科計算智能，并已經在不少領域得到了應用，而其中的人工神經網絡(ANN)、遺傳算法(GA)和遺傳規(guī)劃(GP)等計算智能分支也開始應用于紡織領域的檢測與預測等方面。這些建模方法不僅克服了傳統(tǒng)數學物理和統(tǒng)計回歸方法的缺點，而且可以隨著生產技術水平的改進而自適應地調整模型參數從而適應紗線生產和質量的動態(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量和紡紗性能的預測建模中

4、。
　　 本文的主要內容是在總結歸納前人對紗線質量進行數學物理與統(tǒng)計回歸模型預測研究成果的基礎上，提煉出影響成紗質量的因素，并以此作為模型的輸入，再用ANN、GA、GP及其相互組合等計算智能方法進行紗線質量預測模型。全文分為引和七章專題論述，現分別介紹如下：
　　 論文的引言部分對計算智能作了非常簡明的介紹，同時提及了論文的選題背景。
　　 第一章為文獻綜述，重點介紹了人工神經網絡、也列出了遺傳算法和遺傳規(guī)劃等計

5、算智能的分支在紡織質量預測、纖維和織物鑒別、織物疵點檢測、服裝手感和精梳毛紡織物專家系統(tǒng)等方面的應用研究情況，并根據前人研究工作欠缺處，提出了本文的主要研究內容。
　　 第二章回顧了前人在紗線質量和紡紗性能方面應用數學物理和統(tǒng)計回歸模型進行預測的研究成果，在此基礎上提練出紗線不勻、細節(jié)、粗節(jié)、毛粒、紗線強度及其不勻、紗線斷裂伸長及紡紗過程斷頭等紗線質量與紡紗性能指標的影響因子，這些因子將被用作以后幾章所建的預測紗線質量和紡紗性能

6、模型的輸入變量。
　　 第三章介紹了本文設計的具有多輸入、單輸出、一個隱層的多層感知器(MLP)的神經網絡預測模型，用于預測紗線不勻(CV％)、細節(jié)、粗節(jié)、紗線強度及其不勻、斷裂伸長、毛粒和斷頭等紗線質量和紡紗性能指標。神經網絡采用Levenberg-Marquardt(LM)算法進行訓練。預測結果是：紗線不勻和粗、細節(jié)預測精度較好，實測值和預測值之間相關系數的平方(R2)分別為：0.9408，0.9713和0.8930；紗線強

7、度及其不勻和斷裂伸長等指標的預測精度不夠理想，實測值和預測值之間的R2分別為0.7930，0.8082和0.8331；而毛粒和斷頭率指標的預測精度則較低，實測值和預測值之間的R2分別為0.6132和0.6670。研究結果表明，多層感知器的預測模型需要進一步優(yōu)化。
　　 第四章詳細敘述了本文設計的主從式多群體平行遺傳算法并用于改善MLP的預測性能的情況。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的結構，即優(yōu)化

8、輸入變量維數和隱層節(jié)點數；從遺傳算法則主要用于優(yōu)化主遺傳算法中每個MLP結構對應的初始參數，即連接權值和偏置，避免因初始權值和偏置選擇不當而使MLP訓練過程中出現局部最優(yōu)的現象。主從式多群體平行遺傳算法使MLP最優(yōu)結構和參數的搜索空間由領域搜索擴大到幾乎整個解空間搜索，從而使MLP的最終結構和參數達到近乎全局最優(yōu)解或滿意解，不僅使MLP的預測性能顯著提高，而且預測結果非常穩(wěn)定。預測結果顯示紗線不勻及粗細節(jié)的預測精度與MLP模型基本相當，

9、分別為0.9464，0.9766和0.9177。紗線強度及其不勻、斷裂伸長、毛粒和斷頭的預測精度(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。
　　 第五章介紹了應用小波神經網絡對紗線質量和紡紗性能進行預測。本文利用Morlet小波函數替代Sigmoid函數作為MLP隱層的傳遞函數，通過Morlet小波基的線性疊加來按擬合網絡的輸出函數，并由此建立起小波MLP網絡(M

10、LP-Wavelet)，網絡采用梯度下降算法進行訓練。預測結果顯示小波神經網絡的預測精度遠高于MLP模型；紗線不勻、細節(jié)、強度、斷裂伸長等指標略高于MLP-GA模型的預測精度，但毛粒的預測精度不如MLP-GA模型，由于小波神經網絡是局部接收場網絡，加之隱層神經元輸入權值固定，因而與MLP-GA模型相比，小波網絡的學習速度和運行效率較高，但由于MLP的結構和參數未經整體優(yōu)化，最終擬合結果的MLP結構和參數未必是一個全局最優(yōu)解或滿意解，因而

11、，MLP-Wavelet模型的穩(wěn)定性不如MLP-GA模型。
　　 第六章介紹了應用遺傳規(guī)劃建立紗線質量和紡紗性能的預測模型。在簡單敘述了遺傳規(guī)劃(GP)的基本原理和方法后，即利用與前幾章相同的訓練樣本對紗線不勻，粗、細節(jié)等指標進行了全局最優(yōu)或滿意的遺傳程序的搜索，并由此建立了相應的工程經驗公式。再應用與前幾章相同的測試樣本，由工程經驗公式計算紗線不勻CV％、紗線細節(jié)、及紗線粗節(jié)的理論輸出值，計算結果與實測值非常吻合，R2分別高達