基于多種組合神經(jīng)網(wǎng)絡(luò)的棉紡成紗品質(zhì)預(yù)報(bào).pdf

1、我國大多數(shù)棉紡企業(yè)，目前基本上靠經(jīng)驗(yàn)進(jìn)行工藝設(shè)計(jì)、靠試加工進(jìn)行加工參數(shù)優(yōu)化、靠人工被動(dòng)滯后的檢驗(yàn)進(jìn)行質(zhì)量控制。這會(huì)造成生產(chǎn)讓步處理的盲目性、產(chǎn)品生產(chǎn)效率的波動(dòng)和低下。
　　以東華大學(xué)的于偉東和楊建國等為代表的團(tuán)隊(duì)都對(duì)虛擬智能加工技術(shù)進(jìn)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(shè)計(jì)平臺(tái)”、“棉紡紗線質(zhì)量預(yù)報(bào)與控制系統(tǒng)”、“紡織品智能工藝設(shè)計(jì)與質(zhì)量預(yù)報(bào)系統(tǒng)”、“紡織品智能化工藝輔助設(shè)計(jì)系統(tǒng)WebPQC”等。這些虛擬智能

2、加工系統(tǒng)應(yīng)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(jìn)一步研究和分析算法模型的特征和高精準(zhǔn)建模，主要成果在以下五個(gè)方面：
　　(1)CBR案例庫的建立與其算法的改進(jìn)
　　基于案例推理(Case Based Reasoning，CBR)的紡織工藝設(shè)計(jì)需要解決工藝實(shí)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(qiáng)度(cN/tex)，將每種紗線以該特征向量建立案例庫。基于案例推理的檢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(jìn)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(yàn)證主成分分析(PCA)對(duì)提高BP神經(jīng)網(wǎng)絡(luò)精度的作用
　　主成分分析(principal component analysis，簡(jiǎn)稱PCA)利用降維的思想，把多指標(biāo)轉(zhuǎn)化為少數(shù)幾個(gè)

4、不相關(guān)的綜合指標(biāo)的一種多元統(tǒng)計(jì)分析方法。本文利用主成分分析將13個(gè)原棉指標(biāo)(分別是馬克隆值(x1)、公制支數(shù)(x2)、斷裂強(qiáng)度(x3)、成熟度指數(shù)(x4)、主體長(zhǎng)度(x5)、品質(zhì)長(zhǎng)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(gè)綜合指標(biāo)，即長(zhǎng)度均勻度、細(xì)度、力學(xué)與長(zhǎng)度、含雜含水和軋花加工，并給出其線性組合方式。
　　很多文獻(xiàn)都指出，主成分分

5、析能夠降維，減小BP神經(jīng)網(wǎng)絡(luò)輸入端的維度，可以提高BP神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)精度。本文通過單一BP神經(jīng)網(wǎng)絡(luò)(模型1)和PCA與BP神經(jīng)網(wǎng)絡(luò)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(duì)精度提高幫助不大。另外通過MEP分析的3個(gè)模型對(duì)比，說明主成分分析是可以降維，但在隱層節(jié)點(diǎn)數(shù)上增長(zhǎng)，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(luò)的訓(xùn)練參數(shù)
　　單一的神經(jīng)網(wǎng)絡(luò)在進(jìn)

6、行預(yù)報(bào)時(shí)由于參數(shù)的設(shè)置很難達(dá)到理想的預(yù)報(bào)結(jié)果，因此很多學(xué)者采用遺傳算法(GA)對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行優(yōu)化，而筆者應(yīng)用Matlab2014a在人工智能計(jì)算方面的優(yōu)勢(shì)和神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)的特點(diǎn)，分析了影響B(tài)P神經(jīng)網(wǎng)絡(luò)精度的因素，包括數(shù)據(jù)分配、隱層節(jié)點(diǎn)數(shù)以及訓(xùn)練參數(shù)trainlm的設(shè)置，并將這些影響因素作為GA優(yōu)化的對(duì)象。
　　PCA與GA優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)結(jié)合(模型P-3)的斷裂強(qiáng)度(Y2)的預(yù)報(bào)精度相對(duì)主成分分析加神經(jīng)網(wǎng)絡(luò)(模

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

8、2)，這些都證明引入遺傳算法(GA)的重要性。在進(jìn)行神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)時(shí)，對(duì)預(yù)報(bào)結(jié)果產(chǎn)生影響的因素進(jìn)行遺傳算法優(yōu)化而得到最佳組合，比使用固定參數(shù)設(shè)置的神經(jīng)網(wǎng)絡(luò)的預(yù)報(bào)結(jié)果要理想的多。
　　(4)組合神經(jīng)網(wǎng)絡(luò)時(shí)以FBS為輸入端的優(yōu)越性
　　組合神經(jīng)網(wǎng)絡(luò)時(shí)，若對(duì)網(wǎng)絡(luò)的輸入端進(jìn)行降維時(shí)，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(duì)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(dú)立的影響因子權(quán)重系數(shù)最大的幾個(gè)因子。
　　(5)采用Matlab GUI進(jìn)行操作界面開發(fā)
　　首次采用Matlab GUI工具箱對(duì)棉紡成紗質(zhì)量預(yù)報(bào)系統(tǒng)進(jìn)行開發(fā)，對(duì)系統(tǒng)開發(fā)的方式進(jìn)行了探索，能夠充分發(fā)揮Matlab在數(shù)值計(jì)算方面的優(yōu)勢(shì)。本文基于采集數(shù)據(jù)和實(shí)現(xiàn)預(yù)報(bào)功能的特點(diǎn)，分為用戶管理、數(shù)據(jù)管理和預(yù)報(bào)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(shí)現(xiàn)管理功能，使得用戶能