精毛纺织品虚拟加工中的预报与反演模型研究
现代科学技术在制造工程领域中的应用，使制造技术从面对少品种、大批量生产的自动化、机械化方式，向适应多品种、小批量的柔性化、系统化的智能化方式转变，其最有里程碑意义的现代先进制造技术之一就是敏捷制造和虚拟加工，这己在机械、汽车、航空等领域得到广泛关注。然而，对传统纺织制造业来说，这一以信息技术为基础的加工方式的应用和研究远不如其他行业。我国加入WTO八年多了，纺织工业原有的原材料和人力成本优势已不复存在，而多品种、少批量、快节奏已成为纺织加工业的主要特点。这正是该工业体系采用先进制造技术和信息技术，提高纺织企业信息化水平、自主创新能力的契机，也是我国纺织业必须直面的重要课题。
本课题基于上述现状，在已有研究理论和实际应用基础上，实施对精毛纺织品整个生产流程的分析，结合国内典型企业实际加工特点，直接采用企业生产数据，运用粗糙集理论(Rough set，RS)进行分析，结合基于案例推理技术(Case-basedreasoning，CBR)，实现基于规则和案例的混合推理，并利用遗传算法(Geneticalgorithm，GA)对人工神经网络(Artifical neural network，ANN)预报和反演模型的权重和阈值进行优化，建立了精毛纺织品虚拟加工系统，以实现对其动态加工生产过程中的质量预测和控制、参数工艺调节、新产品工艺开发设计乃至生产计划调度的快速决策。并在对相关人工智能方法的讨论和实际数据的分析预报基础上，为我国纺织行业信息化和智能化水平的提升，提供准确的数据和科学决策依据。本文的主要成果在以下四个方面。
1.基于案例和规则推理相混合的粗预报
针对纺织品工艺设计主要依据经验进行，并且具有方案不单一、评价指标多样化的特点，将产品设计的主要特征参数作为CBR从企业历史工艺案例库中进行检索的依据。根据检索得到的与所设计产品质量指标最相似案例的工艺作为新产品设计的参考方案。根据粗糙集理论，对采集到的历史数据进行粗糙集数据分析(Rough set data analysis，RSDA)，对属性约简，从各加工工序中提取出规则，并根据规则来建立案例库，实现案例库中冗余属性的简化，还可以根据不同问题形成案例的索引，实现基于规则的推理技术(Rule-based reasoning，RBR)，避免了CBR中案例相似度的复杂计算。并且实现了CBR与RBR的混合推理，快速搜索案例，提取最相似的加工案例用于实际加工，实现混合推理粗预报。
2.基于案例和规则混合推理技术与ANN模型结合实现质量控制
利用前面提到的基于案例和规则相结合的混合推理技术，实现对加工过程的粗预报。同时，利用优化的ANN预报模型，对最相似案例的工艺参数进行虚拟加工检验，若产品加工过程和质量符合要求，则直接调用该工艺进行投产;否则，根据所预报提示，调整敏感参数使产品质量达标，而得最终优化新工艺方案，以此实现产品工艺的快速设计和质量的保障。
此外，根据产品设计中的逆流程现象，即目标清楚而确定工艺参数。本文利用ANN建立各主要工序的反演预测模型，以便为实现企业生产资源的优化组合提供参考。利用纱线质量指标对细纱工序的主要工艺参数进行反演，所得细纱牵伸倍数、钢丝圈号数和细纱机车速的平均预报精度均高于97％;反演纱线加工所需毛条纤维的主要品质指标，所得纤维平均直径、直径离散系数、平均长度、长度离散系数以及短毛率的平均预报精度均高于95％。依据织物品质、风格要求反演的洗呢工艺、煮呢工艺和蒸呢工艺参数，平均预报精度分别为90.33％、95.90％和80.35％。
3.运用主成分和主因子分析法对网络输入参数筛选
根据对主成分特征值和方差贡献率的分析结果，对与ANN模型输出指标相关的输入参数进行筛选，并以此作为网络参数输入的标准，即最重要的参数组或参数首先输入，只到所选择的主因子全部输入。通过与主观经验全选方法(Subjective experience，SE)和多元逐步回归分析(Multiple stepwise regression，MSR)方法所建立模型的精度和稳定性比较，表明通过主因子分析法，神经网络模型输入参数减少，同时隐层节点数也相应减少，网络结构得以简化，提高了网络的学习速率，网络预报性能有一定程度提高。
主因子分析法，不但可优化网络输入参数，还可判别对加工过程和产品质量影响显著的敏感参数。前纺工序中，对粗纱质量影响较为敏感的参数组为纤维特性（纤维平均直径（x3）、直径离散系数（x4）、纤维平均长度（x5）、长度离散系数（x6））和毛条的牵伸状态（毛条含油率（x1）、前纺总牵伸倍数（x12））;细纱工序中，对细纱纺纱性能和产品质量影响较为敏感的参数组为纺纱工艺参数(细纱牵伸倍数(x14)、钢丝圈号数(x15)和经纱设计支数（x18）和纱线设计捻度（x17）;织造工序中，对织造效率和布面质量影响最为敏感的参数组是织造的工艺参数（综框高度(x27)、开口大小(x28)、织机的托梁高度(x29)和车速(x20））;后整理工序中，对织物物理服用性能指标影响最为敏感的参数组是织物结构特征参数(浮点长(X23)和坯布经密度（x33））和织物经纬纱捻度(经纱设计捻度(x17)和纬纱设计捻度（a1））。
4.应用遗传算法优化神经网络模型初始权重和阈值
鉴于GA和BP算法的特点，本论文提出一种混合训练方案:由GA优化确定BP神经网络的初始权重和阀值，确定一个较好的搜索空间，代替一般初始权重值的随机选取。将此优化后的网络权重和阈值矩阵代入网络中，应用动量因子的BP算法在这个解空间里对网络进行二次训练。其中在对相关权重和阈值和优化时，对染色体编码及适应度函数进行了设计，对三大遗传操作选择、交叉和变异的算法进行了选择。经过GA优化后的网络权重和阈值代入神经网络中作为初始权重和阈值进行再次训练，网络收敛速度加快，误差平方和进一步缩小。对训练好的模型用验证数据进行预报，平均预报精度都有一定程度提高。
对粗纱工序而言粗纱CV(R1)和单重(R2)分别提高0.03％和0.43％，这是由于未经GA优化时预报精度已经相当高(＞97％);对细纱工序而言，八个指标预报精度提高范围不等，提高最少的为细纱CV(Y1)(未优化时精度超过97％)，为0.11％。提高最多的为纱线细节(Y3)，精度由之前的88.18％提高到92.72％，提高了5.15％;对织造工序而言，织造效率（W1）和三小工分数疵点(W2)预报精度分别提高1.96％和3.63％;对后整理工序而言，八个指标预报精度提高范围不等，提高最少的为纬向脱缝(F6)(未经GA优化预报精度为90.21％)，为0.07％。提高最多的为纬向气蒸收缩率(F4)，精度由之前的72.63％提高到82.40％，提高了13.45％。
综上所述，本文将CBR和RS相结合提出了基于案例和规则相结合的混合推理技术，实现对毛纺加工过程粗预报。运用主因子分析法(Factor ananlysis，FA)和与ANN预报模型结合，实现了对精毛纺织品全过程的虚拟加工建模，并使用GA对模型进一步优化。同时将CBR&RBR混合推理粗预报与优化后的虚拟加工模型相结合组成完整的虚拟加工系统流程，使产品工艺的快速设计和质量控制成为可能。
精毛纺织品;虚拟加工;预报系统;反演模型;智能控制
东华大学
博士
纺织材料与纺织品设计
于伟东
2010
中文
TS134.2;TP391.9
223
2012-11-30（万方平台首次上网日期，不代表论文的发表时间）