基于群体智能优化神经网络棉纱质量预报系统的研究

摘要

我国纺织企业一直以来对生产过程及产品质量的控制都以经验为主，以原始积累的人工技术为主，面对市场对小批量多品种棉纱产品越来越多的需求，企业需要花费更多的人力、物力以及时间来应对，新购入的原棉也需要进行试纺才能确定原棉的可纺性能以及适纺纱支，这种情况很大阻碍了国内企业竞争力的提高。同时，企业内部多年来形成的庞大纺纱生产数据不能发挥应有作用，无法利用已有的企业宝贵资源，从中挖掘出更多更有价值的信息,造成间接浪费。因此，相关领域人员纷纷开始着手于棉纱虚拟加工系统的研究，以期解决这问题。
　　国内外关于棉纱虚拟加工系统的研究始于20世纪30年代，在60年代以前基本上采用的都是经验方法，通过研究成纱质量指标的影响因素来实现棉纱质量预报的目的。然而棉纱生产过程本身是一个多元化的加工系统，成纱质量指标涉及众多的影响因素，这些指标之间又存在着复杂的非线性关系，用传统的统计、回归分析方法很难整理出有效、显著的关系，无法进行科学的分析与评价。实践表明，面对瞬息万变的市场经验方法难以真正提高企业的快速反应能力。
　　近30年来，随着各个领域的发展进步，人们从不同角度对生物系统及其行为特征进行了模拟，产生了一些对现代科技发展有重大影响的新理论、新学科，并且已经在很多领域得到应用。其中人工神经网络以及遗传算法、群体智能算法等计算智能分支也开始在纺织领域的检测与预测应用中出现。这些方法不仅克服了传统数理、统计回归方法的缺陷，还能自适应调整改进自身性能来迎合实际纺纱生产中的需要，给纺织企业惯有的研发模式带来新的变革。
　　基于上述现状，在已有理论研究和实际应用的基础上，本文研究内容围绕最大程度提高棉纱质量预报精度这一最终目标展开。分别从五个角度出发，考虑到可能影响成纱预报精度的各方面因素。一方面，最大程度利用现有资源实现通过神经网络这一基本方法建立的成纱质量预报模型具备高精度预报水平。另一方面，部分解决了神经网络自身泛化能力较差这一难题，达到不同工厂间神经网络模型预报精度稳定提升的目的。根据国内棉纺企业生产数据的特点，采用基于结构方程模型（Structure equation modeling, SEM）的路径分析方法（Path analysis, PA）对成纱指标的影响因素进行分析，提取模型输入因子，结合多种方法针对不同情况数据集进行异常值检测和数据降维等方面的预处理工作，为模型预报精度的改善提供服务；同时提出了可以代表厂间技术水平和设备水平差异的泛化因子，并利用遗传算法（Genetic algorithm, GA）和粒子群算法（Particle swarm optimization, PSO）对BP神经网络（Back propagation neural network, BPNN）预报模型进行优化，建立棉纱的虚拟加工系统,实现了本课题的既定目标。本文主要研究成果体现在以下五个方面。
　　1.成纱质量指标影响因素的路径分析
　　首先根据来自传统经验以及前人研究成果，总结出包括断裂强度在内8个成纱关键质量指标的基本影响因素。其次，在此基础上采用基于结构方程模型的路径分析方法对影响因素进行综合、全面的定量分析，将纤维性能对成纱质量指标的影响分解为直接影响、间接影响和整体影响，更细致地挖掘其中隐藏的信息。根据直接影响情况得出结论，在本实验数据设定范围内，影响成纱断裂强度的主要因素分别为纱线线密度、基数、捻度、马克隆值、短绒率、纤维细度、纤维断裂强度、主体长度；影响成纱强力不匀的主要因素为基数、匀度、捻度、马克隆值、含杂率、纤维断裂强度、短绒率、纱线线密度；影响成纱断裂伸长率的主要因素为纤维平均长度、匀度、短绒率、主体长度、捻度、品质长度、基数、线密度、马克隆值；影响成纱条干不匀指标的因素主要为匀度、线密度、基数、捻度、短绒率、平均长度、品质长度、纤维断裂强度；影响成纱粗节的因素为捻度、马克隆值、线密度、基数、纤维断裂强度、平均长度、短绒率；细节的影响因素与粗节一致，只是影响程度大小不同，排序为线密度、马克隆值、基数、捻度、纤维断裂强度、平均长度、短绒率；影响棉结多少的因素包括基数、捻度、匀度、线密度、纤维断裂强度、马克隆值、短绒率、回潮率；毛羽的影响因素包含平均长度、匀度、马克隆值、纤维细度、捻度、品质长度、线密度、纤维断裂强度、基数。这些结论可以对配棉工艺起到一定的指导作用。本章最后将前人总结的成纱质量指标经验影响因素以及通过路径分析方法总结的影响因素用作第四、五章中预报模型的输入因子。
　　2.数据的异常值检测及其对成纱质量预报精度的影响
　　采用k最近邻密度估计聚类法（k-nearest neighbor density estimation）对单纱支、小样本数据进行检测；采用基于密度聚类（Density-based spatial clustering of applications with noise, DBSCAN）、局部离群因子指数（Local outlier factor, LOF）和多元回归分析（Multiple regression analysis, MRA）三种方法相结合的方式对多纱支、大样本数据进行异常值检测，效果比较显著。以成纱断裂强力为例，通过BP神经网络模型验证了异常值给预报精度带来负面影响的程度。在样本存在异常值的情况下，相对误差E（％）随着异常值情况的变化会由1.43逐步升至24.49，均方误差MSE（%）也会从26.33增加到2980，给预报精度带来恶劣影响。因此，异常值的检测对成纱质量预报来讲非常关键。
　　3.输入因子的降维及其对成纱质量预报精度的影响
　　变量降维工作可以减少预报模型输入因子，降低网络结构复杂度从而提升成纱质量的预报精度。将成纱质量指标影响因素中具有高度相关的指标利用主成分分析方法(Principal component analysis，PCA)进行降维处理。以成纱断裂强度为例，通过BP神经网络以及GA-BP神经网络对第三章中总结的经验影响因素、基于SEM路径分析方法得到的影响因素以及通过 PCA方法降维获取的影响因素作为模型输入因子分别进行验证，发现 PCA降维的预报精度比初始经验影响因素的预报精度高，GA-BP模型的预报精度比BP模型的高。以此类推，采用同样方法对其他7个成纱指标进行验证，发现，PCA降维的效果并不是很稳定，需要在研究中根据实际情况取舍。
　　4.进行数据挖掘得到厂间差异的泛化因子
　　由于国内纺织企业数量众多，彼此之间又不不具备统一规范，技术水平、设备情况以及工艺水平参差不齐，神经网络在实现厂间成纱质量预报方面具有相当大的难度。针对这一问题，对从工厂采集到的大量数据进行深入挖掘，提出代表工厂之间差异的泛化因子，如成纱条干不匀平均值（mxcv）和标准差（stdxcv）以及管间不匀平均值（mxcvb）和标准差(stdxcvb)。四个因子皆来自工厂两年中多次配棉采集到的成纱质量指标样本，其增加了模型输入因子对成纱质量指标的方差解释能力，在一定程度上改善了神经网络模型的泛化能力，厂间预报精度得到稳定提高。
　　5.采用粒子群优化算优化BP神经网络
　　通过新的群体智能优化算法-粒子群算法，对BP神经网络进行优化，弥补了神经网络初始权值与阈值随机选取的缺陷，得到PSO-BP神经网络。与泛化因子相结合，同时提高预报模型本身性能以及模型输入因子的信息量。通过两个不同工厂的数据样本，对棉纱关键指标进行质量预报；成纱断裂强度预测值与实际值的相对误差Emax（%）从5.82改善至4.37，均方误差MSE从10.22降至7.08；强力不匀的相对误差Emax（%）从13.87改善至9.57，均方误差MSE从47.37降至19.89；断裂伸长率的相对误差Emax（%）从12.73改善至8.04，均方误差MSE从50.59降至27.78；条干不匀的相对误差Emax（%）从3.75改善至1.75，均方误差MSE从4.21降至1.12，从以上结果可以看出，全部成纱质量指标的预报精度都得到一定程度的提升。
　　综上所述，从以上五个方面出发，做好全面的研究工作，不仅有助于神经网络模型单厂成纱质量预报精度的大幅度增加，也使得预报模型在不同工厂间应用的泛化能力有所提高成为可能。

目录

封面

声明

中文摘要

英文摘要

符号说明

目录

第一章 绪论

1.1 课题研究的背景及意义

1.2 课题研究领域的现状

1.3 本文研究的目标和主要内容

参考文献

第二章 BP神经网络及其优化算法的智能预报技术理论分析

2.1 BP神经网络

2.2 GA-BP神经网络

2.3 PSO-BP神经网络

2.4 本章小结

参考文献

第三章 成纱质量神经网络预报模型输入因子的选取

3.1预报模型输入因子选取方法的研究现状

3.2成纱质量指标影响因素的经验总结

3.3原棉性能对成纱质量指标影响的路径分析

3.4 神经网络预报模型输入因子的初步确定

3.5 本章小结

参考文献

第四章 数据的异常值检测及其对成纱质量预报精度的影响

4.1 异常值检测算法现状

4.2 基于k最近邻密度估计算法的异常值检测

4.3异常值对预报精度影响程度的验证

4.4 基于DBSCAN-LOF-MRA相结合方法的异常值检测

4.5 本章小结

参考文献

第五章 数据降维及其对成纱质量预报精度的影响

5.1影响成纱断裂强度的原棉指标分类

5.2 基于PCA的数据降维

5.3变量降维对成纱质量预报精度的影响

5.4 神经网络预报模型输入因子的确定

5.5 本章小结

参考文献

第六章 工厂间基于神经网络模型的成纱质量预报

6.1神经网络预报模型泛化能力的改进

6.2 基于GA-BP和PSO-BP预报模型的实验准备

6.3 预测结果及分析

6.4 本章小结

参考文献

第七章 总结与展望

7.1 论文的创新点

7.2 论文的主要研究结果

7.3 论文有待完善之处及今后研究方向的建议

附录A：实验数据

附录B：路径分析模型及回归系数显著程度表

附录C：聚类分析图及聚类结果总结表

附录D：泛化因子聚类图

攻读博士学位期间发表论文情况

致谢