精毛紡織品虛擬加工中的預(yù)報(bào)與反演模型研究.pdf

1、現(xiàn)代科學(xué)技術(shù)在制造工程領(lǐng)域中的應(yīng)用，使制造技術(shù)從面對(duì)少品種、大批量生產(chǎn)的自動(dòng)化、機(jī)械化方式，向適應(yīng)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(jìn)制造技術(shù)之一就是敏捷制造和虛擬加工，這己在機(jī)械、汽車、航空等領(lǐng)域得到廣泛關(guān)注。然而，對(duì)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(yīng)用和研究遠(yuǎn)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(shì)已不復(fù)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(diǎn)。這正是該工業(yè)體系采用先進(jìn)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(jī)，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(shí)際應(yīng)用基礎(chǔ)上，實(shí)施對(duì)精毛紡織品整個(gè)生產(chǎn)流程的分析，結(jié)合國內(nèi)典型企業(yè)實(shí)際加工特點(diǎn)，直接采用企業(yè)生產(chǎn)數(shù)據(jù)，運(yùn)用粗糙集理論(Rough set，RS)進(jìn)行分析，結(jié)合基于案例推理技術(shù)(Case-basedreasoning，CBR)，實(shí)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(duì)人工神經(jīng)網(wǎng)絡(luò)(Artifical neural network，ANN)預(yù)報(bào)和反演模型的權(quán)重和閾值進(jìn)行優(yōu)化，建立了精毛紡織品虛擬加工系統(tǒng)，以實(shí)現(xiàn)對(duì)其動(dòng)態(tài)加工生產(chǎn)過程中的質(zhì)量預(yù)測(cè)和控制、參數(shù)工藝調(diào)節(jié)、新產(chǎn)品工藝開發(fā)設(shè)計(jì)乃至生產(chǎn)計(jì)劃調(diào)度的快速?zèng)Q策。并在對(duì)相關(guān)人工智能方法的討論和實(shí)際數(shù)據(jù)的分析預(yù)報(bào)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(zhǔn)確的數(shù)據(jù)和科學(xué)決策依據(jù)。本

4、文的主要成果在以下四個(gè)方面。
　　 1.基于案例和規(guī)則推理相混合的粗預(yù)報(bào)
　　 針對(duì)紡織品工藝設(shè)計(jì)主要依據(jù)經(jīng)驗(yàn)進(jìn)行，并且具有方案不單一、評(píng)價(jià)指標(biāo)多樣化的特點(diǎn)，將產(chǎn)品設(shè)計(jì)的主要特征參數(shù)作為CBR從企業(yè)歷史工藝案例庫中進(jìn)行檢索的依據(jù)。根據(jù)檢索得到的與所設(shè)計(jì)產(chǎn)品質(zhì)量指標(biāo)最相似案例的工藝作為新產(chǎn)品設(shè)計(jì)的參考方案。根據(jù)粗糙集理論，對(duì)采集到的歷史數(shù)據(jù)進(jìn)行粗糙集數(shù)據(jù)分析(Rough set data analysis，RSDA)，對(duì)屬

5、性約簡(jiǎn)，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(shí)現(xiàn)案例庫中冗余屬性的簡(jiǎn)化，還可以根據(jù)不同問題形成案例的索引，實(shí)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(fù)雜計(jì)算。并且實(shí)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(shí)際加工，實(shí)現(xiàn)混合推理粗預(yù)報(bào)。
　　 2.基于案例和規(guī)則混合推理技術(shù)與ANN模型結(jié)合實(shí)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(shí)現(xiàn)對(duì)加工過程的粗預(yù)報(bào)。同時(shí)，利用優(yōu)化的ANN預(yù)報(bào)模型，對(duì)最相似案例的工藝參數(shù)進(jìn)行虛擬加工檢驗(yàn)，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(jìn)行投產(chǎn);否則，根據(jù)所預(yù)報(bào)提示，調(diào)整敏感參數(shù)使產(chǎn)品質(zhì)量達(dá)標(biāo)，而得最終優(yōu)化新工藝方案，以此實(shí)現(xiàn)產(chǎn)品工藝的快速設(shè)計(jì)和質(zhì)量的保障。
　　 此外，根據(jù)產(chǎn)品設(shè)計(jì)中的逆流程現(xiàn)象，即目標(biāo)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(yù)測(cè)模型，以便為實(shí)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(biāo)對(duì)細(xì)紗工序的主要工藝參數(shù)進(jìn)行反演，所得細(xì)紗牽伸倍數(shù)、鋼絲圈號(hào)數(shù)和細(xì)紗機(jī)車速的平均預(yù)報(bào)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(biāo)，所得纖維平均直徑、直徑離散系數(shù)、平均長(zhǎng)度、長(zhǎng)度離散系數(shù)以及短毛率的平均預(yù)報(bào)精度均高于95％。依據(jù)織物品質(zhì)、風(fēng)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(yù)報(bào)精度分別為90.33％、95.90％和80.35％。
　　 3.運(yùn)用主成分和主因子分析法

8、對(duì)網(wǎng)絡(luò)輸入?yún)?shù)篩選
　　 根據(jù)對(duì)主成分特征值和方差貢獻(xiàn)率的分析結(jié)果，對(duì)與ANN模型輸出指標(biāo)相關(guān)的輸入?yún)?shù)進(jìn)行篩選，并以此作為網(wǎng)絡(luò)參數(shù)輸入的標(biāo)準(zhǔn)，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(yàn)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(shí)隱層節(jié)點(diǎn)數(shù)也相應(yīng)減少，網(wǎng)絡(luò)結(jié)構(gòu)得以簡(jiǎn)化，提高了網(wǎng)絡(luò)的學(xué)習(xí)速率，網(wǎng)絡(luò)預(yù)報(bào)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(duì)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(duì)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(zhǎng)度（x5）、長(zhǎng)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(xì)紗工序中，對(duì)細(xì)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(xì)紗牽伸倍數(shù)(x14)、鋼絲圈號(hào)數(shù)(x15)和經(jīng)紗設(shè)計(jì)支數(shù)（x18）和紗線設(shè)計(jì)捻度（x17）;織造工序中，對(duì)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(jī)的托梁高度(x29)和車速(x20））;后整理工序中，對(duì)織物物理服用性能指標(biāo)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(diǎn)長(zhǎng)(X23)和坯布經(jīng)密度（x33））和織物經(jīng)緯紗捻度(經(jīng)紗設(shè)計(jì)

11、捻度(x17)和緯紗設(shè)計(jì)捻度（a1））。
　　 4.應(yīng)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(diǎn)，本論文提出一種混合訓(xùn)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(gè)較好的搜索空間，代替一般初始權(quán)重值的隨機(jī)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(yīng)用動(dòng)量因子的BP算法在這個(gè)解空間里對(duì)網(wǎng)絡(luò)進(jìn)行二次訓(xùn)練。其中在對(duì)相關(guān)權(quán)重和閾值和優(yōu)化時(shí)，對(duì)染色體編碼及適應(yīng)度函數(shù)進(jìn)行了設(shè)計(jì)，對(duì)三

12、大遺傳操作選擇、交叉和變異的算法進(jìn)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(jìn)行再次訓(xùn)練，網(wǎng)絡(luò)收斂速度加快，誤差平方和進(jìn)一步縮小。對(duì)訓(xùn)練好的模型用驗(yàn)證數(shù)據(jù)進(jìn)行預(yù)報(bào)，平均預(yù)報(bào)精度都有一定程度提高。
　　 對(duì)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(shí)預(yù)報(bào)精度已經(jīng)相當(dāng)高(＞97％);對(duì)細(xì)紗工序而言，八個(gè)指標(biāo)預(yù)報(bào)精度提高范圍不等，提高最少的為細(xì)紗CV(Y

13、1)(未優(yōu)化時(shí)精度超過97％)，為0.11％。提高最多的為紗線細(xì)節(jié)(Y3)，精度由之前的88.18％提高到92.72％，提高了5.15％;對(duì)織造工序而言，織造效率（W1）和三小工分?jǐn)?shù)疵點(diǎn)(W2)預(yù)報(bào)精度分別提高1.96％和3.63％;對(duì)后整理工序而言，八個(gè)指標(biāo)預(yù)報(bào)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(yù)報(bào)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