类脑分层记忆机制下纤维拉伸环节的智能化控制方法

摘要

本发明涉及一种类脑分层记忆机制下纤维拉伸环节的智能化控制方法，先存储在纤维历史拉伸环节中采集的、用于驱动生产控制系统控制拉伸装置的历史生产数据样本并对其进行初始化后建立按信息痕迹量大小存储到不同层中形成的分层记忆库；再采集与历史生产数据样本种类相同的实时生产数据样本并对其进行相同方式的初始化后输入到分层记忆库，在分层记忆库中快速检索出与其欧式距离为0的初始化后的历史生产数据样本；最后调用该初始化后的历史生产数据样本对应的历史生产数据样本反馈到生产控制系统。本发明调节手段多样、抗干扰性强、生产系统鲁棒性及产品性能好，本发明方法简单，经济效益高，极具应用前景。

说明书

技术领域

本发明属于智能优化制造领域，涉及一种类脑分层记忆机制下纤维拉伸环节 的智能化控制方法。

背景技术

聚酯纤维主要用于棉纺行业，单独纺纱或与棉、粘胶纤维、麻、毛、维纶等 混纺，所得纱线用于服装织布为主，还可用于家装面料、包装用布、充填料和保 暖材料。生产聚酯短纤维时，多根线条集合在一起，经给湿上油后落入盛丝桶， 再经集束、拉伸、卷曲、热定形及切断等工序得到成品。纤维拉伸环节在纤维生 产后加工过程中扮演着极其重要的作用，直接决定着纤维最终的性能。

在当前工业大数据环境下，生产过程自动化程度不断提高，对实时生产数据 的依赖性也越来越强，其不仅能够直接反应系统运行状况，实现在线监测，而且 能够对生产环节实现实时、准确以及高效的控制。目前针对纤维拉伸环节采用的 方法是分别对拉伸环节过程中的各受变量利用PID控制器形成若干个独立的闭 环回路进行控制，虽然该方法能够对纤维拉伸环节进行控制，在一定程度上提高 了纤维的性能，但该方法没有考虑变量之间的相互影响对综合控制效果的影响， 调节手段单一，局限性较强，纤维产品的性能不高。

为了克服现有方法局限性较强的缺陷，研究人员采用数据驱动控制方法对聚 酯纤维拉伸过程进行控制。数据驱动控制是一种利用受控系统的在线和离线I/O 数据以及经过数据处理而得到的知识来设计控制器的一种控制方法，有收敛性、 稳定性保障和鲁棒性结论。虽然该方法稳定性较好，但是用于支持决策的实时数 据流的不确定因素对生产控制系统具有较大的影响，而且传感器扰动、环境干扰 以及数据自身发生的变化可能造成热棍之间的拉伸速度出现偏差，速度过大造成 丝束崩断或者速度过小而无法达到规定的生产要求，降低了产品的生产质量，其 实时生产数据在无干扰或不同类型干扰下的示意图如图1所示，其中图1(a) 为无异常干扰下单个数据属性的实时生产数据曲线图，可以看出在成熟化的生产 环境下，同一数据属性的数值较为平稳，偏差幅值在可接受范围内；图1(b) 为缺失干扰下的实时生产数据曲线图，数据缺失可能来自传感器异常或者网络传 输时发生数据丢包现象，该干扰下缺失数据属性将被设为0，如图中虚线部分所 示；图1(c)为噪声干扰下的实时生产数据曲线图，工业环境下的电磁干扰及 其常见，图中以高斯噪声模拟电磁干扰，如虚线部分所示；图1(d)为异常值 干扰下的实时生产数据曲线图，异常值的干扰源往往来自于传感器采集数据时发 生错误，其数值远远高出或者低于正常数据值，如图中虚线所示。当前针对这几 类异常问题的处理方法都是从数据本身出发，采用填补、插值、替换、删除等等 多种方法，但是均未考虑采用系统中已有的特征最相似的历史生产数据进行替换 问题。传统的方法在异常数据处理上往往要耗费大量的时间，不能满足实时生产 的需求，尤其是在实时数据驱动的环境下。

近年来随着人工智能领域研究与应用的持续火热，与脑科学相关的研究也越 来越多的得到学术界和工业界的关注。具有记忆功能的大脑可以记住感兴趣的信 息丰富大脑的信息量，并且可以遗忘无关紧要的信息来减少大脑被繁杂琐事所困 扰而影响工作效率的弊端；人类的大脑可以深刻的记住对自身影响极其重大的事 件，即便很多年以后依旧记忆如新，这样的功能被称作永久记忆，例如我们会永 远记住一生中影响最为深刻的一次交谈、会面或者面试等等；然而，大部分时间 中存储在大脑中的信息会发生遗忘的现象，存在大脑中的信息痕迹量的多少以及 该类信息被使用的频次决定了信息在大脑中的存在时间，因而，可以进一步划分 为长时记忆、短时记忆以及瞬时记忆。

类脑的分层记忆机制是依赖于大脑中针对不同事件或者信息产生的不同记 忆功能，同一事件或者信息经过多次重复会逐渐增加其在大脑中的存在，进而划 分出不同的记忆层次；对系统影响程度最大的信息可以存储在永久性记忆层中， 其次存储于长时、短时和瞬时记忆层；信息检索的过程是从按照大脑中的信息痕 迹量对上述四层进行依次检索，因此保证了最重要的信息能够在最快的事件中被 检索到。

目前基于记忆机制的智能化应用比较广泛，一系列智能化设备和系统的核心 单元都朝着类脑智能方向发展，如基于记忆的智能聊天机器人、可穿戴设备以及 智能化的物联网系统等；当前工业大数据在我国迅猛发展，企业注重采集并存储 相关生产数据。然而工业现场的数据过程往往存在多种类型的干扰，使得基于数 据驱动的生产过程受到很大的困扰，如何在超大容量的生产数据存储服务器中快 速检索到匹配的有效数据是一个十分值得关注的问题。

因此，开发一种将类脑分层记忆机制应用于纤维拉伸环节的智能化控制方法 极具现实意义。

发明内容

本发明的目的是为了克服上述现有技术中存在调节手段单一、局限性强及抗 干扰性弱的问题，提供了一种调节手段多样且抗干扰性较强的类脑分层记忆机制 下纤维拉伸环节的智能化控制方法。

本发明基于纤维拉伸环节的大数据，针对其数据流中包含的不确定因素，如 数据缺失、噪声干扰、数据异常、数据冗余等，设计一种类脑分层记忆机制下纤 维拉伸环节的智能化控制方法，并用于实现生产过程的智能化控制。本发明借鉴 类脑短时、长时以及永久性记忆机制对各类不确定数据特征样本进行分层处理， 在此基础上，记忆与回忆系统运行过程中的异常特征，便于即时反馈，同时遗忘 存储价值低的特征数据样本以节省空间成本。本发明能够充分利用系统运行历史 经验，对特征数据样本进行快速存储、高效检索并及时反馈到实时生产控制执行 环节，实现稳定的控制精度，提升系统鲁棒性，降低了断丝概率，提升了产品性 能，其具体方法为：采集纤维拉伸环节的实时生产数据样本输入到分层记忆库， 在分层记忆库中快速检索出与其匹配的历史生产数据样本，调用该历史生产数据 样本的数据处理模型处理实时生产数据样本得到控制数据，采用控制数据控制拉 伸环节；所述的数据处理模型存储于各记忆层中，其用来处理实时生产数据样本 中存在的不确定因素，并且其与历史生产数据样本具有相同的ID，通过该ID可 以实现数据处理模型的快速提取。

为了达到上述目的，本发明采用的技术方案为：

类脑分层记忆机制下纤维拉伸环节的智能化控制方法，首先存储历史生产数 据样本并对其进行初始化后建立分层记忆库，分层记忆库为初始化后的历史生产 数据样本按信息痕迹量大小存储到不同层中形成的记忆库；

然后采集实时生产数据样本并对其进行初始化后输入到分层记忆库，在分层 记忆库中快速检索出与其欧式距离为0的初始化后的历史生产数据样本，实时生 产数据样本的初始化方式与分层记忆库中存储的初始化后的历史生产数据样本 的初始化方式相同；

最后调用该初始化后的历史生产数据样本对应的历史生产数据样本反馈到 生产控制系统；

所述历史生产数据样本为在纤维历史拉伸环节中采集的、用于驱动生产控制 系统控制拉伸装置的数据样本，所述实时生产数据样本为在纤维实时拉伸环节中 采集的与历史生产数据样本种类相同的数据样本。

本发明包括离线和在线两个阶段，利用历史生产数据在离线环境下训练并构 建分层记忆库，在线环境下直接应用该分层记忆库，检索出最匹配的历史生产数 据并实时反馈到生产控制系统；本发明对纤维拉伸环节的历史生产数据进行存储 并通过离线训练形成分层记忆库，该记忆库中的数据样本是历史生产数据通过初 始化后的简化，数据样本与历史生产数据存在一一对应的关系；当新采集的在线 数据样本到达系统时，经过同样的初始化操作，使得该数据样本与记忆库中的数 据样本具有同样的维度，进而，在记忆库中快速检索与之最匹配的数据样本，后 利用与历史生产数据样本集的一一对应关系，得到实际用于数据驱动控制器或者 数据驱动控制系统的实时生产数据，并快速反馈到实时生产控制环节，完成稳定 且优质的纤维拉伸。

作为优选的技术方案：

如上所述的类脑分层记忆机制下纤维拉伸环节的智能化控制方法，具体步骤 如下：

(1)存储历史生产数据样本；采集历史生产数据样本，将其划分为基本样 本集和训练样本集，存储基本样本集中的历史生产数据样本；

(2)建立分层记忆库；分别对基本样本集和训练样本集进行初始化，利用 初始化后的训练样本集训练初始化后的基本样本集将其数据样本划分到短时记 忆层、长时记忆层和永久记忆层，形成包含三个记忆层的分层记忆库；

(3)快速检索；采集实时生产数据样本并对其进行初始化后输入到分层记 忆库，先后在永久记忆层、长时记忆层和短时记忆层中检索与其欧式距离为0 的初始化后的历史生产数据样本；

(4)反馈控制；调用快速检索出的初始化后的历史生产数据样本对应的历 史生产数据样本反馈到生产控制系统，生产控制系统对拉伸装置进行控制。

如上所述的类脑分层记忆机制下纤维拉伸环节的智能化控制方法，所述历史 生产数据样本或实时生产数据样本为吹风速度、吹风温度、纺丝温度和纺丝速度； 所述生产控制系统对拉伸装置进行控制是指生产控制系统对热辊的拉伸速度进 行控制，所述生产控制系统包括数据驱动控制系统或者数据驱动控制器；所述历 史生产数据样本与初始化后的历史生产数据样本通过数据样本间的唯一ID进行 一一对应。

如上所述的类脑分层记忆机制下纤维拉伸环节的智能化控制方法，所述历史 生产数据样本或实时生产数据样本的格式如下：

其中：

IP地址：采用IPV4；

传输协议：TCP、UDP或ICMP；

连接持续时间：以秒为单位，连续类型，范围是[0,58329]；

连接状态：连接正常或错误的状态；

字节数：从源主机到目标主机的数据的字节数，连续类型，范围是 [0,1379963888]；

位置信息为拉伸过程中各热辊的具体位置，采用编号的方式进行处理，即 1,2,3...N，N＝1～10；

指令信息：系统对各热辊下达的操作指令，采用数据匹配的方式进行，采用 数字1～6分别对应表示六个自由度：X、Y、Z的移动自由度及绕X、Y、Z的转 动自由度。

如上所述的类脑分层记忆机制下纤维拉伸环节的智能化控制方法，所述基本 样本集中样本数为N_Base条，N_Base＝1～10000，所述训练样本集中样本数 为N_Test条，N_Test＝1～20000。

如上所述的类脑分层记忆机制下纤维拉伸环节的智能化控制方法，所述分层 记忆库的具体建立步骤如下：

(2.1)初始化；分别对基本样本集和训练样本集中的数据样本进行特征提 取、标准化和正规化，所述基本样本集中的数据样本在正规化后还进行K-means 聚类，并增加属性{m_i,re_i,τ_i,z_i(t),type}；所述属性中各参数的定义及其初始化如>

m_i表示第i个基本样本集中数据样本特征的被记忆次数，初始化：m_i←1；

re_i表示第i个基本样本集中数据样本特征的被回忆系数，初始化：re_i←1；

τ_i表示第i个基本样本集中数据样本特征最近一次被回忆起的时间，采用当>i←now；

z_i(t)表示第i个基本样本集中数据样本特征在记忆库中的信息痕迹量，t表>i(t)←0；

type表示第i个基本样本集中数据样本特征在记忆库中的所属记忆层类型， 定义短时记忆层类别标号为1，长时记忆层类别标号为2，永久记忆层类别标号 为3，初始化：type←1；

(2.2)将初始化后的基本样本集中的数据样本存入短时记忆层；

(2.3)逐条提取初始化后的训练样本集中的数据样本DS，经与基本样本集 聚类中心计算，选择欧式距离最近的作为DS的所属的聚类类别；

(2.4)计算回忆样本率θ，公式如下：

式中，dis(DS,ClusCenter)为DS到聚类中心ClusCenter的欧式距离， dis(DS,DL)为DS到所属的聚类类别样本集DL的欧式距离，max(dis(DS,DL))为 DS到DL欧式距离的最大值；

(2.5)计算需要回忆的样本量num，公式如下：

num←θ*size(DL,1)；

式中，size(DL,1)为DL的样本量；

(2.6)对DL利用欧式距离进行升序排序，计算前num个数据样本的信息痕 迹量z_i(t)，公式如下：

m_i＝m_i+1；

式中，min(dis(DS,DL))为DS到DL欧式距离的最小值；

(2.7)将前num个数据样本分别在短时记忆层和长时记忆层中按z_i(t)进行>i(t)最高的前10％、长时记>i(t)最低的前10％和长时记忆层中信息痕迹量z_i(t)最高的1％>

如上所述的类脑分层记忆机制下纤维拉伸环节的智能化控制方法，所述基本 样本集或训练样本集S的表达式如下：

其中，S_i表示第i个数据样本，i＝1,2,3,…,N_s，N_s为单次时间到达的数据>ij表示第i个数据样本的第j维属性，j＝1,2,3,…,d，d为数据样本>

如上所述的类脑分层记忆机制下纤维拉伸环节的智能化控制方法，所述特征 提取的步骤如下：

(2.1.1)计算S的每一维属性的平均值，公式如下：

式中，μj表示第j维属性的平均值；

(2.1.2)计算S的协方差矩阵∑＝(ε_ab)_d×d，公式如下：

式中，μ_a为基本样本集或训练样本集S中第a维属性的平均值；μ_b为基本>ab为协方差矩阵中的元素，>ia,S_ib分别表示在S中第a维和第b维的全部属性数据中的第i个数据，a和b的>

S_a为基本样本集或训练样本集S中第a维的全部属性，即S中的第a列；

S_b为基本样本集或训练样本集S中第b维的全部属性，即S中的第b维；

(2.1.3)计算协方差矩阵∑的特征值λ_e与特征向量ξ_e，公式如下：

|∑-λE|＝0；

式中，E为单位矩阵，λ表示待计算的特征值，计算得到的特征值λ_e和特征>e中e＝1,2,3,…,d；

(2.1.4)对特征值λ_e进行降序排序，依次计算每个主成分贡献率和累 积贡献率式中，θ为累积贡献率达到0.99的特征值个数，θ<d；

(2.1.5)取前θ个累积贡献率达到0.99的特征值所对应的特征向量，构成转 换矩阵A，即：

其中，为第θ个特征向量的转置；

(2.1.6)计算得到特征提取后的样本集T，公式如下：

如上所述的类脑分层记忆机制下纤维拉伸环节的智能化控制方法，所述标准 化的公式如下：

式中，T_ij为第i个数据样本经过特征提取后的第j维属性，其中>s，j＝1,2,3,...,θ，μ_j表示第j维的平均值，s_j表示第j维的方差，>ij为针对样本集中每一维属性进行正规化处理后的数据样本；

正规化处理的目的是防止某一维或者某几维对数据影响过大，同时加快程序 运行的收敛速度；所述正规化的公式如下：

T_ij←T″_ij；

式中，和分别为每一维数据特征的数值最大值与最小值，正 规化后的数据样本T″_ij赋值给T_ij；

所述K-means聚类是指在正规化后的数据样本增加一维聚类属性c_n：

TF_i＝(T_i1,T_i2,......,T_iθ,c_n)；

其中，TF_i是对数据样本S_i的特征表示，c_n表示第i个数据样本的特征所属>

K-means聚类能降低算法的计算时间复杂度以加快算法的收敛速度。

如上所述的类脑分层记忆机制下纤维拉伸环节的智能化控制方法，所述快速 检索的具体过程如下：

(3.1)对实时生产数据样本进行初始化得到数据样本DSS，所述初始化的 过程为特征提取、标准化、正规化和聚类类别划分；

(3.2)DSS进入永久记忆层，判断DSS是否存在于永久记忆层中，判断公 式为：max(dis(DSS,ClusCenter))>2*max(dis(DSS,Perpetual_DL))，其中， ClusCenter为聚类中心，Perpetual_DL为永久记忆层中存储的数据样本库， dis(DSS,ClusCenter)为DSS到ClusCenter的欧式距离，dis(DSS,Perpetual_DL)为 DSS到Perpetual_DL的欧式距离，max(dis(DSS,ClusCenter))为DSS到ClusCenter 欧式距离的最大值，max(dis(DSS,Perpetual_DL))为DSS到Perpetual_DL欧式 距离的最大值，如果公式不成立即DSS不存在于永久记忆层中，则表明系统可 能出现比较严重的故障或者干扰，需要对生产过程发出警报，同时将DSS存入 永久记忆层，以便后续相同的事件发生时系统可以快速做出报警反应，反之，则 进入下一步；

(3.3)判断dis(DSS,Perpetual_DL)＝0是否成立，如果成立，则提取被匹配 的Perpetual_DL中的数据样本对应的历史生产数据样本反馈到生产控制系统， 反之，则进入下一步；

(3.4)进入长时记忆层，判断dis(DSS,LongTerm_DL)＝0是否成立， LongTerm_DL为长时记忆层中存储的数据样本库，dis(DSS,LongTerm_DL)为DSS到LongTerm_DL的欧式距离，如果成立，则提取被匹配的LongTerm_DL中 的数据样本对应的历史生产数据样本反馈到生产控制系统，反之，则进入下一步；

(3.5)进入短时记忆层，判断dis(DSS,ShortTerm_DL)＝0是否成立， shortTerm_DL为短时记忆层中存储的数据样本库，dis(DSS,ShortTerm_DL)为 DSS到ShortTerm_DL的欧式距离，如果成立，则提取被匹配的shortTerm_DL中 的数据样本对应的历史生产数据样本反馈到生产控制系统，反之，则判定系统出 现较为严重的故障导致实时生产数据样本出现极大偏差，发出警报。

有益效果：

(1)本发明的类脑分层记忆机制下纤维拉伸环节的智能化控制方法，调节 手段多样，能实时处理生产数据中的不确定因素，抗干扰能力强，提升了生产系 统鲁棒性和产品性能；

(2)本发明的类脑分层记忆机制下纤维拉伸环节的智能化控制方法，方法 简单，经济效益好，极具应用前景。

附图说明

图1为本发明所涉及的工业实时生产数据在无干扰或不同类型干扰下的示 意图；

其中，图1(a)为不存在干扰下较平稳的数据示意图，图1(b)为存在缺 失数据下的示意图，图1(c)为存在噪声干扰下的数据示意图，图1(d)为存 在异常值干扰下数据示意图；

图2为本发明类脑分层记忆机制下纤维拉伸环节的智能化控制方法流程图；

图3为本发明的构建分层记忆库的流程图；

图4为本发明的快速检索过程的流程图。

具体实施方式

下面结合具体实施方式，进一步阐述本发明。应理解，这些实施例仅用于说 明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容 之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于 本申请所附权利要求书所限定的范围。

本发明的类脑分层记忆机制下纤维拉伸环节的智能化控制方法，流程图如图 2所示，具体步骤如下：

(1)存储历史生产数据样本；采集历史生产数据样本，将其划分为基本样 本集BaseDataSet和训练样本集TestDataSet，存储基本样本集中的历史生产数据 样本。其中基本样本集中样本数为N_Base条，N_Base＝1～10000，训练样本 集中样本数为N_Test条，N_Test＝1～20000，历史生产数据样本为吹风速度、 吹风温度、纺丝温度和纺丝速度，其格式如下：

其中：

IP地址：采用IPV4；

传输协议：TCP、UDP或ICMP；

连接持续时间：以秒为单位，连续类型，范围是[0,58329]；

连接状态：连接正常或错误的状态；

字节数：从源主机到目标主机的数据的字节数，连续类型，范围是 [0,1379963888]；

位置信息为拉伸过程中各热辊的具体位置，采用编号的方式进行处理，即 1,2,3...N，N＝1～10；

指令信息：系统对各热辊下达的操作指令，采用数据匹配的方式进行，采用 数字1～6分别对应表示六个自由度：X、Y、Z的移动自由度及绕X、Y、Z的转 动自由度；

(2)建立分层记忆库；分别对基本样本集和训练样本集进行初始化，利用 初始化后的训练样本集训练初始化后的基本样本集将其数据样本划分到短时记 忆层、长时记忆层和永久记忆层，形成包含三个记忆层的分层记忆库，其中历史 生产数据样本与初始化后的历史生产数据样本通过数据样本间的唯一ID进行一 一对应，构建分层记忆库的流程图如图3所示，分层记忆库的具体建立步骤如下：

(2.1)初始化；分别对基本样本集和训练样本集中的数据样本进行特征 提取、标准化和正规化，基本样本集中的数据样本在正规化后还进行K-means 聚类，并增加属性{m_i,re_i,τ_i,z_i(t),type}；

基本样本集或训练样本集S的表达式如下：

其中，S_i表示第i个数据样本，i＝1,2,3,…,N_s，N_s为单次时间到达的>ij表示第i个数据样本的第j维属性，j＝1,2,3,…,d，d为数据>

特征提取的步骤如下：

(2.1.1)计算S的每一维属性的平均值，公式如下：

式中，μ_j表示第j维属性的平均值；

(2.1.2)计算S的协方差矩阵∑＝(ε_ab)_d×d，公式如下：

式中，μ_a为基本样本集或训练样本集S中第a维属性的平均值；μ_b为>ab为协方差矩阵中的元素，>ia,S_ib分别表示在S中第a维和第b维的全部属性数据中的第i个数据，a和b的>

S_a为基本样本集或训练样本集S中第a维的全部属性，即S中的第a列；

S_b为基本样本集或训练样本集S中第b维的全部属性，即S中的第b维；

(2.1.3)计算协方差矩阵∑的特征值λ_e与特征向量ξ_e，公式如下：

|∑-λE|＝0；

式中，E为单位矩阵，λ表示待计算的特征值，计算得到的特征值λ_e和>e中e＝1,2,3,…,d；

(2.1.4)对特征值λ_e进行降序排序，依次计算每个主成分贡献率和累积贡献率式中，θ为累积贡献率达到0.99的特征值个数，θ<d；

(2.1.5)取前θ个累积贡献率达到0.99的特征值所对应的特征向量，构 成转换矩阵A，即：

其中，为第θ个特征向量的转置；

(2.1.6)计算得到特征提取后的样本集T，公式如下：

在完成特征提取后对样本集T进行标准化和正规化处理：

标准化的公式如下：

式中，T_ij为第i个数据样本经过特征提取后的第j维属性，其中>s，j＝1,2,3,...,θ，μ_j表示第j维的平均值，s_j表示第j维的方差，>ij为针对样本集中每一维属性进行正规化处理后的数据样本；

正规化的公式如下：

T_ij←T″_ij；

式中，和分别为每一维数据特征的数值最大值与最小 值，正规化后的数据样本T″_ij赋值给T_ij；

在正规化后进行K-means聚类，K-means聚类是指在正规化后的数据样

本增加一维聚类属性c_n最终得到初始化后的数据样本：

TF_i＝(T_i1,T_i2,......,T_iθ,c_n)；

其中，TF_i是对数据样本S_i的特征表示，c_n表示第i个数据样本的特征>

属性中各参数的定义及其初始化如下：

m_i表示第i个基本样本集中数据样本特征的被记忆次数，初始化：>i←1；

re_i表示第i个基本样本集中数据样本特征的被回忆系数，初始化：>i←1；

τ_i表示第i个基本样本集中数据样本特征最近一次被回忆起的时间，采>i←now；

z_i(t)表示第i个基本样本集中数据样本特征在记忆库中的信息痕迹量，>i(t)←0；

type表示第i个基本样本集中数据样本特征在记忆库中的所属记忆层类 型，定义短时记忆层类别标号为1，长时记忆层类别标号为2，永久记忆层类别 标号为3，初始化：type←1；

(2.2)将初始化后的基本样本集中的数据样本存入短时记忆层；

(2.3)逐条提取初始化后的训练样本集中的数据样本DS，经与基本样本 集聚类中心计算，选择欧式距离最近的作为DS的所属的聚类类别；

(2.4)计算回忆样本率θ，公式如下：

式中，dis(DS,ClusCenter)为DS到聚类中心ClusCenter的欧式距离， dis(DS,DL)为DS到所属的聚类类别样本集DL的欧式距离，max(dis(DS,DL))为 DS到DL欧式距离的最大值；

(2.5)计算需要回忆的样本量num，公式如下：

num←θ*size(DL,1)；

式中，size(DL,1)为DL的样本量；

(2.6)对DL利用欧式距离进行升序排序，计算前num个数据样本的信息 痕迹量z_i(t)，公式如下：

m_i＝m_i+1；

式中，min(dis(DS,DL))为DS到DL欧式距离的最小值；

(2.7)将前num个数据样本分别在短时记忆层和长时记忆层中按z_i(t)进>i(t)最高的前10％、长时>i(t)最低的前10％和长时记忆层中信息痕迹量z_i(t)最高的>

(3)快速检索；采集实时生产数据样本并对其进行初始化后输入到分层记 忆库，先后在永久记忆层、长时记忆层和短时记忆层中检索与其欧式距离为0 的初始化后的历史生产数据样本；实时生产数据样本为在纤维实时拉伸环节中采 集的与历史生产数据样本种类相同的数据样本；实时生产数据样本与历史生产数 据样本一样为吹风速度、吹风温度、纺丝温度和纺丝速度，其格式与历史生产数 据样本一样，快速检索的流程图如图4所示，具体过程如下：

(3.1)对实时生产数据样本进行如步骤(2.1)所示的初始化得到数据样 本DSS，初始化的过程为特征提取、标准化、正规化和聚类类别划分；

(3.2)DSS进入永久记忆层，判断DSS是否存在于永久记忆层中，判断 公式为：max(dis(DSS,ClusCenter))>2*max(dis(DSS,Perpetual_DL))，其中， ClusCenter为聚类中心，Perpetual_DL为永久记忆层中存储的数据样本库， dis(DSS,ClusCenter)为DSS到ClusCenter的欧式距离，dis(DSS,Perpetual_DL)为 DSS到Perpetual_DL的欧式距离，max(dis(DSS,ClusCenter))为DSS到ClusCenter 欧式距离的最大值，max(dis(DSS,Perpetual_DL))为DSS到Perpetual_DL欧式 距离的最大值，如果公式不成立即DSS不存在于永久记忆层中，则表明系统可 能出现比较严重的故障或者干扰，需要对生产过程发出警报，同时将DSS存入 永久记忆层，反之，则进入下一步；

(3.3)判断dis(DSS,Perpetual_DL)＝0是否成立，如果成立，则提取被匹 配的Perpetual_DL中的数据样本对应的历史生产数据样本反馈到生产控制系 统，反之，则进入下一步；

(3.4)进入长时记忆层，判断dis(DSS,LongTerm_DL)＝0是否成立， LongTerm_DL为长时记忆层中存储的数据样本库，dis(DSS,LongTerm_DL)为 DSS到LongTerm_DL的欧式距离，如果成立，则提取被匹配的LongTerm_DL中 的数据样本对应的历史生产数据样本反馈到生产控制系统，反之，则进入下一步；

(3.5)进入短时记忆层，判断dis(DSS,ShortTerm_DL)＝0是否成立， shortTerm_DL为短时记忆层中存储的数据样本库，dis(DSS,ShortTerm_DL)为 DSS到ShortTerm_DL的欧式距离，如果成立，则提取被匹配的shortTerm_DL中 的数据样本对应的历史生产数据样本反馈到生产控制系统，反之，则判定系统出 现较为严重的故障导致实时生产数据样本出现极大偏差，发出警报；

(4)反馈控制；调用快速检索出的初始化后的历史生产数据样本对应的历 史生产数据样本反馈到生产控制系统，生产控制系统对热辊的拉伸速度进行控 制。

本发明通过上述步骤对纤维拉伸环节进行智能化控制，调节手段多样，能实 时处理生产数据中的不确定因素，抗干扰能力强，提升了生产系统鲁棒性和产品 性能，应用前景十分可观。