基于多種組合神經(jīng)網(wǎng)絡的棉紡成紗品質(zhì)預報.pdf

1、我國大多數(shù)棉紡企業(yè)，目前基本上靠經(jīng)驗進行工藝設計、靠試加工進行加工參數(shù)優(yōu)化、靠人工被動滯后的檢驗進行質(zhì)量控制。這會造成生產(chǎn)讓步處理的盲目性、產(chǎn)品生產(chǎn)效率的波動和低下。
　　以東華大學的于偉東和楊建國等為代表的團隊都對虛擬智能加工技術(shù)進行了研究，出現(xiàn)“毛精紡織造虛擬加工系統(tǒng)”、“棉紡織智能工藝設計平臺”、“棉紡紗線質(zhì)量預報與控制系統(tǒng)”、“紡織品智能工藝設計與質(zhì)量預報系統(tǒng)”、“紡織品智能化工藝輔助設計系統(tǒng)WebPQC”等。這些虛擬智能

2、加工系統(tǒng)應用了多種智能算法，在一定程度上解決了上述問題。本文將在上述研究的基礎(chǔ)上，進一步研究和分析算法模型的特征和高精準建模，主要成果在以下五個方面：
　　(1)CBR案例庫的建立與其算法的改進
　　基于案例推理(Case Based Reasoning，CBR)的紡織工藝設計需要解決工藝實例結(jié)構(gòu)表示，工藝特征的提取，工藝相似性搜索算法等關(guān)鍵問題。本文基于采集數(shù)據(jù)提取紗線特征：紗線規(guī)格(Nm)、回潮率(％)、捻度(捻/m)、

3、捻系數(shù)與斷裂強度(cN/tex)，將每種紗線以該特征向量建立案例庫?；诎咐评淼臋z索方式目的是找出新案例與案例庫中最相似的案例，重要的是其算法，本文在原有算法基礎(chǔ)上，提出其改進算法，使算法中不含有跟案例特征無關(guān)的變量，使算法具有適用性。
　　(2)驗證主成分分析(PCA)對提高BP神經(jīng)網(wǎng)絡精度的作用
　　主成分分析(principal component analysis，簡稱PCA)利用降維的思想，把多指標轉(zhuǎn)化為少數(shù)幾個

4、不相關(guān)的綜合指標的一種多元統(tǒng)計分析方法。本文利用主成分分析將13個原棉指標(分別是馬克隆值(x1)、公制支數(shù)(x2)、斷裂強度(x3)、成熟度指數(shù)(x4)、主體長度(x5)、品質(zhì)長度(x6)、基數(shù)(x7)、均勻度(x8)、短絨率(x9)、回潮率(x10)、含雜率(x11)、帶纖籽屑(x12)和破籽(x13))減少到5個綜合指標，即長度均勻度、細度、力學與長度、含雜含水和軋花加工，并給出其線性組合方式。
　　很多文獻都指出，主成分分

5、析能夠降維，減小BP神經(jīng)網(wǎng)絡輸入端的維度，可以提高BP神經(jīng)網(wǎng)絡預報精度。本文通過單一BP神經(jīng)網(wǎng)絡(模型1)和PCA與BP神經(jīng)網(wǎng)絡結(jié)合(模型2)的性能曲線、誤差分布以及MEP分析可知，主成分分析只是降維但對精度提高幫助不大。另外通過MEP分析的3個模型對比，說明主成分分析是可以降維，但在隱層節(jié)點數(shù)上增長，本質(zhì)上依然在考察主成分本身所涉及的各變量的作用。
　　(3)用遺傳算法(GA)優(yōu)化神經(jīng)網(wǎng)絡的訓練參數(shù)
　　單一的神經(jīng)網(wǎng)絡在進

6、行預報時由于參數(shù)的設置很難達到理想的預報結(jié)果，因此很多學者采用遺傳算法(GA)對神經(jīng)網(wǎng)絡的權(quán)值和閾值進行優(yōu)化，而筆者應用Matlab2014a在人工智能計算方面的優(yōu)勢和神經(jīng)網(wǎng)絡工具箱函數(shù)的特點，分析了影響B(tài)P神經(jīng)網(wǎng)絡精度的因素，包括數(shù)據(jù)分配、隱層節(jié)點數(shù)以及訓練參數(shù)trainlm的設置，并將這些影響因素作為GA優(yōu)化的對象。
　　PCA與GA優(yōu)化后的BP神經(jīng)網(wǎng)絡結(jié)合(模型P-3)的斷裂強度(Y2)的預報精度相對主成分分析加神經(jīng)網(wǎng)絡(模

7、型P-2)改善最為明顯，MEP達1.21%，提高率為61.09%，捻度CV值(Y3)的MEP達2.2%，提高率為48.19%(對模型1)和50.65%(對模型P-2)；FBS與GA優(yōu)化后的BP神經(jīng)網(wǎng)絡結(jié)合(模型F-3)條干CV值(Y1)的預報精度相對多元逐步回歸加神經(jīng)網(wǎng)絡(模型F-2)改善最為明顯，MEP達0.85%，提高率為61.71%，捻度CV值(Y3)的MEP達1.86%，提高率為57.92%(對模型1)和58.39%(對模型F-

8、2)，這些都證明引入遺傳算法(GA)的重要性。在進行神經(jīng)網(wǎng)絡預報時，對預報結(jié)果產(chǎn)生影響的因素進行遺傳算法優(yōu)化而得到最佳組合，比使用固定參數(shù)設置的神經(jīng)網(wǎng)絡的預報結(jié)果要理想的多。
　　(4)組合神經(jīng)網(wǎng)絡時以FBS為輸入端的優(yōu)越性
　　組合神經(jīng)網(wǎng)絡時，若對網(wǎng)絡的輸入端進行降維時，采用的主成分分析(PCA)得到主成分和多元逐步回歸(FBS)得到變量組合兩種輸入端方式，經(jīng)過這兩種模型的MEP對比分析，采用多元逐步回歸(FBS)得到變量

9、組合的方式更能提高精度，其原因在于FBS得到的是相互獨立的影響因子權(quán)重系數(shù)最大的幾個因子。
　　(5)采用Matlab GUI進行操作界面開發(fā)
　　首次采用Matlab GUI工具箱對棉紡成紗質(zhì)量預報系統(tǒng)進行開發(fā)，對系統(tǒng)開發(fā)的方式進行了探索，能夠充分發(fā)揮Matlab在數(shù)值計算方面的優(yōu)勢。本文基于采集數(shù)據(jù)和實現(xiàn)預報功能的特點，分為用戶管理、數(shù)據(jù)管理和預報模型三大板塊，其中用戶管理和數(shù)據(jù)管理板塊能夠很好地實現(xiàn)管理功能，使得用戶能