学位论文 > 优秀研究生学位论文题录展示

基于计算智能的精梳毛纱质量预测

作　者: 王侃枫
导　师: 黄秀宝
学　校: 东华大学
专　业: 纺织工程
关键词: 纱线质量预测纺纱过程建模多层感知器人工神经网络遗传算法遗传规划
分类号: TS131
类　型: 博士论文
年　份: 2009年
下　载: 150次
引　用: 1次
阅　读: 论文下载

内容摘要

在纺织生产过程中,纱线作为半成品,其质量对后续织造工序的效率及最终织物的质量都有很大的影响。因此,纱线的质量控制,尤其是当原料变动、品种翻改时,如何保持成纱质量稳定更是至关重要。传统的纱线质量控制方法大都是事后控制,即当纱线纺制成后再通过抽样测试才获得有关纱线质量信息。一旦发现纱线质量不合格,则已不能对这批纱线的质量提出任何控制方案了。所以,如何能在纺纱开始前预测纱线质量就成了纺纱工厂当前关心的一个问题。这一问题的实质就是建立一个能反映输入原料性能、主要工艺参数、成纱品种等诸多因素与成纱质量相互之间关系的模型用于在纺纱开始前预测纱线的质量,并通过调整原料配比方案和合理设定工艺参数等手段控制最终纱线的质量,从而避免因纱线质量问题而造成后道工序的损失。显然,这样的一个预测模型必然是非常复杂的非线性模型,而且这一模型还必须能适应纺纱生产的动态变化。对这样一个预测模型的建立,传统的数学物理和统计回归建模方法由于存在各自的局限而已无法适应,因此,必须寻求新的现代建模方法。近二十多年来,通过对生物系统及其行为特征的模拟产生了新兴学科计算智能,并已经在不少领域得到了应用,而其中的人工神经网络(ANN)、遗传算法(GA)和遗传规划(GP)等计算智能分支也开始应用于纺织领域的检测与预测等方面。这些建模方法不仅克服了传统数学物理和统计回归方法的缺点,而且可以随着生产技术水平的改进而自适应地调整模型参数从而适应纱线生产和质量的动态变化。因此,本文尝试着将这些建模方法引入到精梳毛纱质量和纺纱性能的预测建模中。本文的主要内容是在总结归纳前人对纱线质量进行数学物理与统计回归模型预测研究成果的基础上,提炼出影响成纱质量的因素,并以此作为模型的输入,再用ANN、GA、GP及其相互组合等计算智能方法进行纱线质量预测模型。全文分为引言和七章专题论述,现分别介绍如下:论文的引言部分对计算智能作了非常简明的介绍,同时提及了论文的选题背景。第一章为文献综述,重点介绍了人工神经网络、也列出了遗传算法和遗传规划等计算智能的分支在纺织质量预测、纤维和织物鉴别、织物疵点检测、服装手感和精梳毛纺织物专家系统等方面的应用研究情况,并根据前人研究工作欠缺处,提出了本文的主要研究内容。第二章回顾了前人在纱线质量和纺纱性能方面应用数学物理和统计回归模型进行预测的研究成果,在此基础上提练出纱线不匀、细节、粗节、毛粒、纱线强度及其不匀、纱线断裂伸长及纺纱过程断头等纱线质量与纺纱性能指标的影响因子,这些因子将被用作以后几章所建的预测纱线质量和纺纱性能模型的输入变量。第三章介绍了本文设计的具有多输入、单输出、一个隐层的多层感知器(MLP)的神经网络预测模型,用于预测纱线不匀(CV%)、细节、粗节、纱线强度及其不匀、断裂伸长、毛粒和断头等纱线质量和纺纱性能指标。神经网络采用Levenberg-Marquardt(LM)算法进行训练。预测结果是:纱线不匀和粗、细节预测精度较好,实测值和预测值之间相关系数的平方(R~2)分别为:0.9408,0.9713和0.8930;纱线强度及其不匀和断裂伸长等指标的预测精度不够理想,实测值和预测值之间的R~2分别为0.7930,0.8082和0.8331;而毛粒和断头率指标的预测精度则较低,实测值和预测值之间的R~2分别为0.6132和0.6670。研究结果表明,多层感知器的预测模型需要进一步优化。第四章详细叙述了本文设计的主从式多群体平行遗传算法并用于改善MLP的预测性能的情况。所建立的模型为MLP-GA模型。其中主遗传算法主要用于优化MLP的结构,即优化输入变量维数和隐层节点数;从遗传算法则主要用于优化主遗传算法中每个MLP结构对应的初始参数,即连接权值和偏置,避免因初始权值和偏置选择不当而使MLP训练过程中出现局部最优的现象。主从式多群体平行遗传算法使MLP最优结构和参数的搜索空间由领域搜索扩大到几乎整个解空间搜索,从而使MLP的最终结构和参数达到近乎全局最优解或满意解,不仅使MLP的预测性能显著提高,而且预测结果非常稳定。预测结果显示纱线不匀及粗细节的预测精度与MLP模型基本相当,分别为0.9464,0.9766和0.9177。纱线强度及其不匀、断裂伸长、毛粒和断头的预测精度(R~2)均有较大幅度改善,并分别提高到0.9404,0.9320,0.9412,0.8733和0.8977。第五章介绍了应用小波神经网络对纱线质量和纺纱性能进行预测。本文利用Morlet小波函数替代Sigmoid函数作为MLP隐层的传递函数,通过Morlet小波基的线性叠加来按拟合网络的输出函数,并由此建立起小波MLP网络(MLP-Wavelet),网络采用梯度下降算法进行训练。预测结果显示小波神经网络的预测精度远高于MLP模型;纱线不匀、细节、强度、断裂伸长等指标略高于MLP-GA模型的预测精度,但毛粒的预测精度不如MLP-GA模型,由于小波神经网络是局部接收场网络,加之隐层神经元输入权值固定,因而与MLP-GA模型相比,小波网络的学习速度和运行效率较高,但由于MLP的结构和参数未经整体优化,最终拟合结果的MLP结构和参数未必是一个全局最优解或满意解,因而,MLP-Wavelet模型的稳定性不如MLP-GA模型。第六章介绍了应用遗传规划建立纱线质量和纺纱性能的预测模型。在简单叙述了遗传规划(GP)的基本原理和方法后,即利用与前几章相同的训练样本对纱线不匀,粗、细节等指标进行了全局最优或满意的遗传程序的搜索,并由此建立了相应的工程经验公式。再应用与前几章相同的测试样本,由工程经验公式计算纱线不匀CV%、纱线细节、及纱线粗节的理论输出值,计算结果与实测值非常吻合,R~2分别高达0.9451、0.9885和0.9357。但与MLP、MLP-GA、MLP-Wavelet模型不同的是工程经验公式不仅展示了高精度的预测结果,还清晰地显现了精梳毛纱的条干质量与精梳毛条的纤维性能、纺纱工艺参数和成纱规格之间存在的非常复杂的非线性关系。第七章为总结与展望。对本文的主要贡献和存在问题作了总结,对需要进一步深入研究的问题进行了展望。

全文目录

摘要  5-8
ABSTRACT  8-15
引言  15-19
第一章文献综述  19-31
  1.1 人工神经网络在纺织中的应用  19-25
    1.1.1 纺织过程中的质量预测  19-20
    1.1.2 纤维和织物鉴别的应用  20-22
    1.1.3 织物疵点和分类的应用  22-24
    1.1.4 服装手感的评定  24
    1.1.5 精梳毛纺织物专家系统  24-25
    1.1.6 人工神经网络在纺织其它领域的应用  25
  1.2 遗传算法在纺织中的应用  25
  1.3 遗传规划在纺织中的应用  25-26
  1.4 本文的研究内容  26-28
  参考文献  28-31
第二章纱线质量和纺纱性能指标及影响因素  31-42
  2.1 纱线不匀的影响因素  31-34
    2.1.1 纱线条干不匀  31-33
    2.1.2 纱线的粗细节  33
    2.1.3 毛粒  33-34
  2.2 纱线强力性能  34-36
    2.2.1 纱线断裂强度及其不匀  34-36
    2.2.2 断裂伸长  36
  2.3 断头  36-37
  2.4 本章小结  37-39
  参考文献  39-42
第三章基于 MIP 网络和 LM 算法的精梳毛纱质量和纺纱性能预测  42-66
  3.1 神经元模型及单层网络结构概念  42-46
    3.1.1 生物神经元  43-44
    3.1.2 人工神经元模型  44-45
    3.1.3 网络结构  45-46
  3.2 多层感知器(MLP)简介  46-48
  3.3 用于精梳毛纱质量和纺纱性能预测的多层感知器设计  48-57
    3.3.1 学习问题  48-54
    3.3.2 规模问题  54-56
    3.3.3 推广问题  56-57
  3.4 工厂实验安排及数据采集  57-60
  3.5 预测结果及分析  60-64
    3.5.1 数据预处理  60-61
    3.5.2 预测结果及分析  61-64
  3.6 本章小结  64-65
  参考文献  65-66
第四章基于 MLP 网络和 GALM 算法的精梳毛纱质量和纺纱性能预测  66-108
  4.1 遗传算法简介  66-68
  4.2 主从式多群体并行遗传算法总体设计  68-72
  4.3 M-DGPA 设计  72-78
    4.3.1 网络结构种群个体染色体基因编码  72-74
    4.3.2 网络结构初始种群设定  74
    4.3.3 适应度函数设计  74-75
    4.3.4 遗传算子设计  75-78
    4.3.5 M-DPGA 进化代数设定  78
  4.4 S-DPGA 设计  78-82
    4.4.1 网络参数种群个体染色体基因编码  78-79
    4.4.2 网络参数初始群体设定  79
    4.4.3 适应度函数计算  79
    4.4.4 遗传算子设计  79-82
    4.4.5 S-DPGA 进化代数设定  82
  4.5 预测结果及分析  82-105
    4.5.1 纱线不匀(CV%)  82-86
    4.5.2 纱线细节  86-88
    4.5.3 纱线粗节  88-91
    4.5.4 纱线强度  91-94
    4.5.5 纱线强度不匀  94-97
    4.5.6 纱线断裂伸长  97-99
    4.5.7 毛粒  99-102
    4.5.8 纺纱断头  102-105
  4.6 本章小结  105-106
  参考文献  106-108
第五章基于小波神经网络的精梳毛纺质量和纺纱性能的预测  108-124
  5.1 小波神经网络简介  108-114
    5.1.1 小波网络的产生  109-110
    5.1.2 小波网络的构造  110-113
    5.1.3 小波网络的特点  113-114
  5.2 用于精梳毛纱质量和纺纱性能预测的小波网络设计  114-118
    5.2.1 小波网络的结构和学习算法  114-117
    5.2.2 小波网络参数的初始化  117-118
  5.3 预测结果与分析  118-120
  5.4 本章小结  120-122
  参考文献  122-124
第六章基于遗传规划的精梳毛纱条干质量条干质量预测  124-146
  6.1 遗传规划基本原理与方法  124-135
    6.1.1 初始群体的生成  126-128
    6.1.2 适应值计算  128-129
    6.1.3 选择和交叉  129-131
    6.1.4 变异操作  131-132
    6.1.5 次级操作  132-133
    6.1.6 终止条件  133
    6.1.7 GP 控制参数设定  133-135
  6.2 实验结果与分析  135-143
    6.2.1 纱线不匀(CV%)  135-138
    6.2.2 纱线细节  138-141
    6.2.3 纱线粗节  141-143
  6.3 本章小结  143-145
  参考文献  145-146
第七章总结与展望  146-148
攻读博士学位期间发表的论文  148-149
致谢  149

基于计算智能的精梳毛纱质量预测

内容摘要

全文目录

相似论文