精毛紡織品虛擬加工中的預報與反演模型研究.pdf

1、現(xiàn)代科學技術(shù)在制造工程領(lǐng)域中的應用，使制造技術(shù)從面對少品種、大批量生產(chǎn)的自動化、機械化方式，向適應多品種、小批量的柔性化、系統(tǒng)化的智能化方式轉(zhuǎn)變，其最有里程碑意義的現(xiàn)代先進制造技術(shù)之一就是敏捷制造和虛擬加工，這己在機械、汽車、航空等領(lǐng)域得到廣泛關(guān)注。然而，對傳統(tǒng)紡織制造業(yè)來說，這一以信息技術(shù)為基礎(chǔ)的加工方式的應用和研究遠不如其他行業(yè)。我國加入WTO八年多了，紡織工業(yè)原有的原材料和人力成本優(yōu)勢已不復存在，而多品種、少批量、快節(jié)奏已成為紡織

2、加工業(yè)的主要特點。這正是該工業(yè)體系采用先進制造技術(shù)和信息技術(shù)，提高紡織企業(yè)信息化水平、自主創(chuàng)新能力的契機，也是我國紡織業(yè)必須直面的重要課題。
　　 本課題基于上述現(xiàn)狀，在已有研究理論和實際應用基礎(chǔ)上，實施對精毛紡織品整個生產(chǎn)流程的分析，結(jié)合國內(nèi)典型企業(yè)實際加工特點，直接采用企業(yè)生產(chǎn)數(shù)據(jù)，運用粗糙集理論(Rough set，RS)進行分析，結(jié)合基于案例推理技術(shù)(Case-basedreasoning，CBR)，實現(xiàn)基于規(guī)則和案例的

3、混合推理，并利用遺傳算法(Geneticalgorithm，GA)對人工神經(jīng)網(wǎng)絡(luò)(Artifical neural network，ANN)預報和反演模型的權(quán)重和閾值進行優(yōu)化，建立了精毛紡織品虛擬加工系統(tǒng)，以實現(xiàn)對其動態(tài)加工生產(chǎn)過程中的質(zhì)量預測和控制、參數(shù)工藝調(diào)節(jié)、新產(chǎn)品工藝開發(fā)設(shè)計乃至生產(chǎn)計劃調(diào)度的快速決策。并在對相關(guān)人工智能方法的討論和實際數(shù)據(jù)的分析預報基礎(chǔ)上，為我國紡織行業(yè)信息化和智能化水平的提升，提供準確的數(shù)據(jù)和科學決策依據(jù)。本

4、文的主要成果在以下四個方面。
　　 1.基于案例和規(guī)則推理相混合的粗預報
　　 針對紡織品工藝設(shè)計主要依據(jù)經(jīng)驗進行，并且具有方案不單一、評價指標多樣化的特點，將產(chǎn)品設(shè)計的主要特征參數(shù)作為CBR從企業(yè)歷史工藝案例庫中進行檢索的依據(jù)。根據(jù)檢索得到的與所設(shè)計產(chǎn)品質(zhì)量指標最相似案例的工藝作為新產(chǎn)品設(shè)計的參考方案。根據(jù)粗糙集理論，對采集到的歷史數(shù)據(jù)進行粗糙集數(shù)據(jù)分析(Rough set data analysis，RSDA)，對屬

5、性約簡，從各加工工序中提取出規(guī)則，并根據(jù)規(guī)則來建立案例庫，實現(xiàn)案例庫中冗余屬性的簡化，還可以根據(jù)不同問題形成案例的索引，實現(xiàn)基于規(guī)則的推理技術(shù)(Rule-based reasoning，RBR)，避免了CBR中案例相似度的復雜計算。并且實現(xiàn)了CBR與RBR的混合推理，快速搜索案例，提取最相似的加工案例用于實際加工，實現(xiàn)混合推理粗預報。
　　 2.基于案例和規(guī)則混合推理技術(shù)與ANN模型結(jié)合實現(xiàn)質(zhì)量控制
　　 利用前面提到的

6、基于案例和規(guī)則相結(jié)合的混合推理技術(shù)，實現(xiàn)對加工過程的粗預報。同時，利用優(yōu)化的ANN預報模型，對最相似案例的工藝參數(shù)進行虛擬加工檢驗，若產(chǎn)品加工過程和質(zhì)量符合要求，則直接調(diào)用該工藝進行投產(chǎn);否則，根據(jù)所預報提示，調(diào)整敏感參數(shù)使產(chǎn)品質(zhì)量達標，而得最終優(yōu)化新工藝方案，以此實現(xiàn)產(chǎn)品工藝的快速設(shè)計和質(zhì)量的保障。
　　 此外，根據(jù)產(chǎn)品設(shè)計中的逆流程現(xiàn)象，即目標清楚而確定工藝參數(shù)。本文利用ANN建立各主要工序的反演預測模型，以便為實現(xiàn)企業(yè)生產(chǎn)

7、資源的優(yōu)化組合提供參考。利用紗線質(zhì)量指標對細紗工序的主要工藝參數(shù)進行反演，所得細紗牽伸倍數(shù)、鋼絲圈號數(shù)和細紗機車速的平均預報精度均高于97％;反演紗線加工所需毛條纖維的主要品質(zhì)指標，所得纖維平均直徑、直徑離散系數(shù)、平均長度、長度離散系數(shù)以及短毛率的平均預報精度均高于95％。依據(jù)織物品質(zhì)、風格要求反演的洗呢工藝、煮呢工藝和蒸呢工藝參數(shù)，平均預報精度分別為90.33％、95.90％和80.35％。
　　 3.運用主成分和主因子分析法

8、對網(wǎng)絡(luò)輸入?yún)?shù)篩選
　　 根據(jù)對主成分特征值和方差貢獻率的分析結(jié)果，對與ANN模型輸出指標相關(guān)的輸入?yún)?shù)進行篩選，并以此作為網(wǎng)絡(luò)參數(shù)輸入的標準，即最重要的參數(shù)組或參數(shù)首先輸入，只到所選擇的主因子全部輸入。通過與主觀經(jīng)驗全選方法(Subjective experience，SE)和多元逐步回歸分析(Multiple stepwise regression，MSR)方法所建立模型的精度和穩(wěn)定性比較，表明通過主因子分析法，神經(jīng)網(wǎng)絡(luò)模型

9、輸入?yún)?shù)減少，同時隱層節(jié)點數(shù)也相應減少，網(wǎng)絡(luò)結(jié)構(gòu)得以簡化，提高了網(wǎng)絡(luò)的學習速率，網(wǎng)絡(luò)預報性能有一定程度提高。
　　 主因子分析法，不但可優(yōu)化網(wǎng)絡(luò)輸入?yún)?shù)，還可判別對加工過程和產(chǎn)品質(zhì)量影響顯著的敏感參數(shù)。前紡工序中，對粗紗質(zhì)量影響較為敏感的參數(shù)組為纖維特性（纖維平均直徑（x3）、直徑離散系數(shù)（x4）、纖維平均長度（x5）、長度離散系數(shù)（x6））和毛條的牽伸狀態(tài)（毛條含油率（x1）、前紡總牽伸倍數(shù)（x12））;細紗工序中，對細紗紡紗

10、性能和產(chǎn)品質(zhì)量影響較為敏感的參數(shù)組為紡紗工藝參數(shù)(細紗牽伸倍數(shù)(x14)、鋼絲圈號數(shù)(x15)和經(jīng)紗設(shè)計支數(shù)（x18）和紗線設(shè)計捻度（x17）;織造工序中，對織造效率和布面質(zhì)量影響最為敏感的參數(shù)組是織造的工藝參數(shù)（綜框高度(x27)、開口大小(x28)、織機的托梁高度(x29)和車速(x20））;后整理工序中，對織物物理服用性能指標影響最為敏感的參數(shù)組是織物結(jié)構(gòu)特征參數(shù)(浮點長(X23)和坯布經(jīng)密度（x33））和織物經(jīng)緯紗捻度(經(jīng)紗設(shè)計

11、捻度(x17)和緯紗設(shè)計捻度（a1））。
　　 4.應用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)模型初始權(quán)重和閾值
　　 鑒于GA和BP算法的特點，本論文提出一種混合訓練方案:由GA優(yōu)化確定BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)重和閥值，確定一個較好的搜索空間，代替一般初始權(quán)重值的隨機選取。將此優(yōu)化后的網(wǎng)絡(luò)權(quán)重和閾值矩陣代入網(wǎng)絡(luò)中，應用動量因子的BP算法在這個解空間里對網(wǎng)絡(luò)進行二次訓練。其中在對相關(guān)權(quán)重和閾值和優(yōu)化時，對染色體編碼及適應度函數(shù)進行了設(shè)計，對三

12、大遺傳操作選擇、交叉和變異的算法進行了選擇。經(jīng)過GA優(yōu)化后的網(wǎng)絡(luò)權(quán)重和閾值代入神經(jīng)網(wǎng)絡(luò)中作為初始權(quán)重和閾值進行再次訓練，網(wǎng)絡(luò)收斂速度加快，誤差平方和進一步縮小。對訓練好的模型用驗證數(shù)據(jù)進行預報，平均預報精度都有一定程度提高。
　　 對粗紗工序而言粗紗CV(R1)和單重(R2)分別提高0.03％和0.43％，這是由于未經(jīng)GA優(yōu)化時預報精度已經(jīng)相當高(＞97％);對細紗工序而言，八個指標預報精度提高范圍不等，提高最少的為細紗CV(Y

13、1)(未優(yōu)化時精度超過97％)，為0.11％。提高最多的為紗線細節(jié)(Y3)，精度由之前的88.18％提高到92.72％，提高了5.15％;對織造工序而言，織造效率（W1）和三小工分數(shù)疵點(W2)預報精度分別提高1.96％和3.63％;對后整理工序而言，八個指標預報精度提高范圍不等，提高最少的為緯向脫縫(F6)(未經(jīng)GA優(yōu)化預報精度為90.21％)，為0.07％。提高最多的為緯向氣蒸收縮率(F4)，精度由之前的72.63％提高到82.40