基于實時數據的紡紗質量異常因素預測方法

張衛東，馬創濤

(1.西安工程大學人事處，西安 710048；2.西安工程大學管理學院，西安 710048)

基于實時數據的紡紗質量異常因素預測方法

張衛東1，馬創濤2

(1.西安工程大學人事處，西安 710048；2.西安工程大學管理學院，西安 710048)

為探究紡紗過程中質量波動的規律，以及引起質量波動的因素的產生機理，首先對紡紗質量特征值波動的成因、規律，以及影響質量特征值的各類不確定因素的產生機理進行了分析；利用紡紗過程的實時數據，從紡紗質量波動規律表達、人—機—環境脆性模型構建，以及TARCH(1,1)模型對影響因素異常行為辨識3個方面對紡紗質量特征值波動的內在機理進行了建模與設計，進而提出了基于實時數據的紡紗質量波動預測方法。通過實驗仿真與對比分析，表明：預測方法實現了紡紗質量特征值波動過程的可視化，做到了影響因素異常行為的事前預警以及成紗質量的實時在線檢測。

波動機理；紡紗質量；異常因素；預測

紡紗過程工藝路線復雜、加工時間長、參與工序和涉及指標多，使得從市場需求到生產供應的全過程中充滿可變因素[1]和不確定因素[2]，特別是紡紗過程中原材料的多變性、加工路線的多環節性、工藝參數的不精確性、工藝知識的不完備性等因素，致使紡紗質量充滿不確定性。

在國外，對于紡紗質量預測理論與方法的研究開始于20世紀70年代初[3]。早期的研究設計比較簡單，往往是檢驗兩個或三個變量之間的相關關系。如Selvanayaki等[4]研究的基于支持向量機的紗線強力預測方法，Fattahi等[5]提出的一種基于模糊最小二乘回歸的棉紗生產過程控制方法，Mokhtar等[6]提出的織物織造過程不確定性因素的檢驗方法等。隨著理論的發展和研究的深入，涉及的變量和需要檢驗的關系越來越多，研究設計也越來越復雜[7]。比如Mohamed等[8]利用回歸模型對棉纖維混合屬性進行了預測，Mwasiagi等[9]利用混合算法(Hybrid Algorithms)構建了一種改善紗線參數性能的預測模型，以及Mardani等[10]利用有限元和多變量對影響紡紗張力的不確定性因素進行了分析。到目前為止，國外學者在這一領域的研究已經進行了40多年，發表了大量的學術論文，搞清了一些問題，得到了一些結論，但總是試圖通過獲取完整、正確、及時和具有針對性的工藝參數、質量特征值來保證紡紗過程質量預測的時效性、準確性和科學性。

許多中國紡織學者從不同的角度研究了這些現象[11]，提出了一些質量預測理論與方法，如楊建國等借助統計學理論而提出的基于支持向量機的紗線質量預測模型[12]，董奎勇、于偉東利用BP神經網絡而研究的紡紗質量預報模型，呂志軍等利用遺傳算法的搜索尋優技術，對支持向量機的紗線質量預測模型的參數進行了優化[13]，并探討了參數對支持向量機模型泛化性能的影響[14]，李蓓智等針對支持向量機(SVM)在參數選擇方面的費時問題，充分利用遺傳算法的全局搜索能力，提出了一種基于遺傳算法的SVM參數選取方法[15]。還有人從理論上分析了質量波動的關鍵因素，探討了相關的預測方法與技術[16-17]，如趙博等通過神經網絡與回歸分析法來預測紗線質量[18]。除此之外，還有人討論了紡紗質量的評估和質量管理問題[19]。

為了給我國紡織企業提供深入探究產品質量波動規律，以及預測產生系統誤差的不確定性因素的理論依據，選擇紡紗過程質量波動預測方法為切入點，緊密聯系紡紗過程中產生系統誤差的實際問題。

1 問題的提出

在紡紗過程中，影響質量波動的因素有很多，加之因素間相互交織、關系復雜，致使因素難以界定，更難用數學關系式進行精確表達，使得影響紡紗過程中斷或異常的原因不能及時判斷，從而引起質量特征值波動的因素不能確定，即存在眾多的不確定性因素。文獻[11]提出質量與原材料成正相關，文獻[12]提出質量特征值與工藝參數成正相關，文獻[13]提出紗線質量與膠輥的低硬度呈正相關關系，同時文獻[14]提出影響紗線質量的主要因素為纖維特性、紗線規格和紡紗工藝參數。那么，各類不確定因素對紡紗質量究竟有怎樣的影響行為？

2 預測方法設計與建模

2.1 紡紗質量特征值波動機理分析

通過文獻回顧[12-15]，紡紗質量特征值的波動與原料屬性變量之間存在著非線性關系，更重要的是與工藝參數之間存在著非線性的函數關系，而且這種關系更難以用數學關系式進行表達。為深入分析引起紡紗質量特征值波動的原因，需進一步探究這種非線性關系，以及關系之間隱含的引起系統誤差的根本原因。為此，從紡紗質量的輸出特征值，以及工藝參數組合方式入手，構建如圖1所示的函數關系圖。

圖1 工藝參數與質量輸出特征值之間關系

以x表示工藝參數的不同組合，y表示紡紗質量的某種輸出特性，則x與y間的函數關系如圖1(a)所示?？梢姡攛=x1是，其對應的質量輸出特性是y1，表示當x=x1時，x的波動誤差為Δx1，則相應地輸出特征值的波動誤差為Δy1。當工藝參數的組合為x=x2時，x的波動誤差為Δx2，質量輸出特性是y2，輸出特征值的波動誤差為Δy2。那么當Δx1=Δx2時，由圖1(a)可見：Δy1>Δy2，兩者間并非呈線性關系。說明：雖然工藝參數組合在x=x2點上很大程度上降低了質量輸出特征值的波動，在一定程度上有效防止了紡紗質量的波動，但從圖1(a)還可見，引發了一個新問題，即質量輸出特征值的標準值M也增加了。

為此，通過紡紗工藝參數的組合方式，從中獲取一個元素k，使元素k與質量輸出特征值y之間呈線性關系。其中，元素k與質量輸出特征值的線性關系如圖1(b)所示，具體的線性關系表示為：

y=f(k)=ak+b

2.2 質量特征值與影響因素間作用機制研究

根據人機系統工程學理論，從人、設備、材料、方法、測量和環境因素入手，將各類不確定因素劃分為六大因素集合，并記為U1、U2、U3、U4、U5、U6，將其構成一個不確定因素集U={U1，U2，U3，U4，U5、U6}。當然，集合U可根據因果分析圖法并對其進行多次劃分，使其形成多個子層。這樣，通過各因素間的相關關系，可構建如圖2所示的面向紡紗過程質量的人—機—環境脆性模型。

圖2 人—機—環境脆性模型

依托人機環境系統工程學理論，令si表示加工過程中產生的異常事件，xi表示不確定因素，且i=1,2,…,n，則紡紗質量的形成過程Qp表示為：

Qp?P∩M∩E?(s1,s2,s3,…,sm)∩(sm+1,sm+2,sm+3,…,sr) ∩(sr+1,sr+2,sr+3,…,sk)

?(x1,x2,…,xv)∩(xv+1,xv+2,…,xu) ∩(xu+1,xu+2,…,xw)

其中：P為人為影響因素集合，P=(s1,s2,s3,…,sm)表示存在m個與人為因素相關的異常事件，例如擋車工、維修工等；M為設備因素集合，M=(sm+1,sm+2,sm+3,…,sr)表示存在r-m+1個與設備相關的影響因素，如機臺轉速、電機功率等；E為環境因素集合，E=(sr+1,sr+2,sr+3,…,sk)表示存在k-r+1個與環境相關的影響因素，如溫度、濕度、強電干擾等，k為影響質量波動的不確定性因素總數，且存在1≤m

現若以X表示影響紡紗過程質量波動的人—機—環境因素，則X=(x1,x2,x3,…,xk)，k為影響紡紗過程質量波動的不確定因素總數，相應地(x1,x2,…,xs)表示人為因素，(xs+1,xs+2,…,xu)表示設備因素，(xu+1,xu+2,…,xk)表示環境因素，且1≤s

2.3 影響因素行為特征辨識

當整個紡紗質量形成過程處于穩態時，通過紡紗質量形成過程關系式Qp?P∩M∩E可知，P、M、E對應的不確定因素對紡紗質量特征值的影響遵循一定的分布規律。故在實時紡紗過程中，若自相關過程滿足平穩序列的條件，則可認為影響紡紗質量波動的不確定因素的行為具備了穩態的統計性質，可以分析引起紡紗質量波動的因素之間，以及同品種不同數據之間的數據依賴關系。而時間序列模型TARCH(p,q)為不確定因素的行為特征辨識提供了基本方法。具體過程如下。

在自回歸條件異方差模型(ARCH)[20]的基礎上，將其進行變換形成TARCH(p,q)模型，即：

(2)

其中，αi表示質量特征值波動前期關鍵因素對本次波動的影響程度，βj表示特征值波動前期次要因素對本次波動的影響程度，p、q分別表示TARCH項的滯后階數。

由式(2)表明：在自相關穩態下，由不確定因素的異常行為而引起的紡紗質量波動，明顯大于數據采集值在獨立情況下的質量波動，而這些波動造成的質量損失是由紡紗過程自相關所造成的。為合理界定不確定因素的行為特征，當紡紗過程質量特征值的均值不發生變化時，將p、q值置為1，利用如式(3)、式(4)所示的TARCH(1,1)模型對應的均值與條件方差進行控制變量的輸入，對自相關平穩過程進行調整。

et=α0+α1x1t+…+αkxkt+εt

(3)

(4)

3 實驗驗證

實驗方案：在相同條件下，測試系統、人、設備、環境等不確定因素對紡紗質量的影響程度。設定室溫為20℃，相對濕度為65%。

方案一：從設備傳感器直接測試數據(簡稱“測試數據”)。用Uster Tester III測試紗線的線密度和變異系數(CV)，用Sirolan-tensor測試纖維束強，用Tensorapid測試紗線強度和伸長。

方案二：從監控系統中統計紡紗數據(簡稱“監測數據”)。主要通過VS2008+SQL Server2005開發紡織過程集成監控系統，該系統對各紡紗子系統的實時數據進行集成。

在相同班次、設備、機型條件下，兩個實驗方案同時進行。根據紡紗機工藝計算公式[21]，當羅拉直徑為25mm時，其前羅拉轉速通常為240r/min，則時間間隔Δt=4s，即產生兩個脈沖周期。對方案一的每個測試結果重復5次，將數據結果按照成紗“品種”分類并手工輸入紡織過程監控系統的一張臨時數據表(TestData)。在相同的實驗條件下同時進行，數據采集結果同樣以成紗“品種”為主鍵在自動存入系統數據庫歷史數據表(HistoryData)的同時在終端界面實時顯示。

按照成紗“品種”類別，取時間間隔Δt=4s，并從兩數據表(TestData與HistoryData)中統計出紡紗質量的主要特征值(細度不勻(%)、細節(個/km)、粗節(個/km)、強度(cN/tex)、斷裂伸長(%))，對比分析相應的質量特征值，并計算出兩者的誤差，結果如表1所示。

表1 測試與監測數據誤差對照表

由表1可見，在時間間隔Δt=4s內，相同工藝、相同規格的紗線質量特征值的誤差不同，而且誤差間的變化趨勢并不遵循一定的規律(如正態分布)，誤差數據與質量輸出特征值之間很難建立一種線性關系。具體過程如下。

a)在時間間隔Δt=4s內，在每個數據采集點上，通過Δx與Δy之間的數值關系，對兩種數據采集方式所形成的質量誤差進行仿真，其結果如圖3所示?？梢姡ㄟ^設備傳感器直接測試和監控系統統計得到的質量特征值之間存在誤差，而且誤差主要分布在理論平衡點(<5%)之下，這充分說明由現場監控系統采集、處理、統計、分析出的紡紗質量特征值波動較大。為此，在時間間隔內，等間距增加數據采樣點，使采樣時間間隔Δt=0.25s，通過求導計算得到a=0.8140，b=2.0351，構成如圖4(a)所示的線性關系圖，通從中獲取最優k值，以修正y，最終形成如圖4(b)所示的工藝參數組合與質量輸出特征值。

圖3 數據誤差仿真結果

圖4 改進的工藝參數與質量輸出特征值關系

從圖4可見，經函數y=0.8140k+2.0351對質量輸出特征值y進行修正后，其Δy隨著斜率減小而降低，相應地M值也減小，從設備傳感器直接獲取質量數據，其數據計算結果精度明顯高于上位機監測器所采集的數據，并且函數y=f(x)的斜率降低，對應的函數曲線趨于直線。

b)在a)的基礎上，為進一步探索影響Qp形成過程中紡紗質量特征值波動的規律性，結合表1的波動誤差，形成如圖5所示的誤差源判別圖，從兩個實驗方案中判斷紡紗質量特征值波動特征的異同，并從中界定影響Qp形成過程的主要根源。

圖5 質量數據誤差源判別

從圖5可見，由監測系統采集處理的監測數據誤差曲線基本位于測試數據誤差曲線之上，說明監測系統采集的紡紗質量數據產生的數據誤差相對較大，故引起紡紗質量特征值波動的主要源泉在于監測系統。但是，這種數據誤差的變化趨勢將隨著紡紗過程的不斷推進，曲線趨于平穩下降趨勢，且總體小于3%，能滿足紡織企業既定誤差(<5%)要求。

c)在確定了質量數據誤差源后，結合表1中的數據，構建如圖6所示的不確定因素間的關系圖Q=K∪(K∪O)，并令原料、人、方法、設備、測量和環境因素分別對應的元素為x1、x2、x3、x4、x5、x6，這樣因素集K的樣本數為6，O為因素交集，故圖中橫坐標表示因素交集數，縱坐標表示因素關系邊集R=(K∪O)，且R∈[0,1]，由此從中探究影響質量波動的關鍵因素。

圖6 不確定因素間關系

由圖6可見，在這個已給定的多因素影響集中，因素集x1∩x2≠φ，x3∩x4∩x6≠φ，且具有高相關度，而因素集x2∩x3∩x4∩x5∩x6≠φ，但具有低相關度。而且，因素集x1∩(x2∪x3∪x4∪x5∪x6)=φ，相互間相關度為零。但是，x1表現出的直接影響關系可直接影響紡紗質量，而x2、x3、x4、x5、x6因素表現出的間接影響關系除對紡紗質量形成過程產生影響外，各因素之間也相互影響，其中因素集x3、x4、x5、x6之間具有高相關度，而其與x2具有低相關度。

d)在時間間隔Δt=0.25s，計算出紡紗質量波動率的基本統計特征值，即：質量波動率均值為-1.008、標準差為3.2152，說明當Δt=0.25s時，紡紗質量波動率呈下降趨勢。偏度值為-0.0254，體現出紡紗質量特征值的波動具有左傾斜性，并且峰度值達到7.1692(>3)，雅克貝拉檢驗值(JB值)為835.42，結果表明紡紗質量特征值的波動過程并不服從正態分布。同時，有顯著性差異P<0.05，說明整個紡紗質量特征值波動過程具有自相關性。

為進一步辨識在自相關穩態下不確定因素的影響行為，通過分析同品種不同數據之間的數據依賴關系，采用低階的且變量參數較少的TARCH(1,1)模型進行估計質量特征值波動過程的自相關性，形成的TARCH(1,1)估計的擬合結果中，赤池信息量準則AIC=-6.423，Q統計量=0.546，結果表明TARCH(1,1)模型對紡紗質量特征值波動過程的自相關性具有良好的估計，并且AIC值越小則估計結果越好。而且，拉格朗日乘數檢驗統計量LM=0.755，說明TARCH(1,1)模型在自相關穩態下對不確定因素異常行為的辨識和對紡紗質量損失的補償具有較好的有效性。由此，形成的TARCH(1,1)模型的估計結果如下。

均值方程為：et=-0.0014-0.0186et-1+εt

(-1.48) (0.39)

條件方差為：

(32.88) (14.56) (-4.327)

綜上所述，結合圖6和TARCH(1,1)模型，當時間間隔Δt=0.25s時，紡紗質量形成過程中各影響因素實時在線爆發時的概率分布圖如圖7所示。

圖7 不確定因素異常概率

可見，在同一時間間隔Δt=0.25s內，隨著紡紗過程紡紗質量的不斷成長，x3(方法)、x1(原料)、x4(設備)三因素的爆發概率較大，概率均值依次接近46%、29%、13%，可視為影響紡紗質量波動的關鍵因素，而且x3(方法)的脆性最易爆發且概率最高，視為引起紡紗質量波動的最關鍵因素。

4 結 論

從紡紗質量特征值波動問題角度出發，依托人機環境系統工程學理論，從4個方面探索了紡紗質量特征值波動的內在機理，構建了紡紗質量特征值波動預測“四步法”。而且，結合現場的實時在線數據，通過兩種實驗方案的仿真和對比分析，實現了紡紗過程中從質量特征值的波動成因、規律到影響因素的產生機理及與紡紗質量特征值之間相關關系表達，再到影響因素異常行為辨識的全方位分析。由此，對紡紗過程質量特征值波動內在機理的研究，不但有利于整個紡紗質量的事前預測和可視化管理，而且有利于實現基于實時數據的紡紗質量在線檢測，從而保證企業、乃至車間整個制造過程的連續性，并為紡織企業解決制造過程的“異常事件”而提供理論依據。

[1] Fattahi, S R, Seyed A H, Taheri S M. Two-way prediction of cotton yarn properties and fiber properties using multivariate multiple regression[J]. Journal of the Textile Institute,2011,102(10):849-856.

[2] Malik S A, Tanwari A, Syed U, et al. Blended yarn analysis: part I-influence of blend ratio and break draft on mass variation, hairiness, and physical properties of 15 tex PES/CO blended ring-spun yarn[J].Journal of Natural Fibers,2012,9(3):197-206.

[3] Mattes A, Pusch T, Cherif C. Numerical simulation of yarn tensile force for dynamic yarn supply systems of textile machines[J]. Journal of the Textile Institute,2012,103(1):70-79.

[4] Selvanayaki M, Vijava M S, Jamuna K S, et al. An interactive tool for yarn strength prediction using support vector regression[C]// Proceedings of the 2nd International Conference on Machine Learning and Computing(ICMLC 2010),2010:335-339.

[5] Fattahi S, Taheri S M, Ravandi H. Cotton yarn engineering via fuzzy least squares regression[J].Fibers and Polymers,2012,13(3):390-396.

[6] Mokhtar S, Ben A S, Sakli F. Optimization of textile parameters of plain woven vascular prostheses[J].Journal of the Textile Institute,2010,101(12):1095-1105.

[7] Fallahpour A R, Moghassem A R. Spinning preparation parameters selection for rotor spun knitted fabric using VIKOR method of multicriteria decision-making[J].Journal of the Textile Institute, 2013,104(1):7-17.

[8] Mohamed N, Samar A E. Prediction of some cotton fiber blends properties using regression models[J]. Alexandria Engineering Journal,2008,47(2):147-153.

[9] Mwasiag J I, Huang X B, Wang X H. The use of hybrid algorithms to improve the performance of yarn parameters prediction models[J].Fibers and Polymers,2012,13(9):1201-1208.

[10] Mardani M N, Safar J M, Aghdam M M. Finite-element and multivariate analyses of tension distribution and spinning parameter effects on a ring-spinning balloon[C]Proceedings of the Institution of Mechanical Engineers, Part C: Journal of Mechanical Engineering Science, 2010,224(2):253-258.

[11] 邵景峰,王進富,馬曉紅,等.一種影響織造過程的不確定性預測理論模型[J].紡織器材,2012,39(6):57-62.

[12] Yang J G, Lv Z J, Li B Z. Quality prediction in complex industrial process with support vector machine and genetic algorithm optimization: A case study[J].Applied Mechanics and Materials,2012,232:603-608.

[13] 呂志軍,楊建國,項前.基于遺傳算法參數優化的紗線質量預測技術[J].東華大學學報:自然科學版,2012,38(5):519-523.

[14] Lv Z J, Xiang Q, Yang J G. A novel data mining method on quality control within spinning process[J].Applied Mechanics and Materials,2012,224:87-92.

[15] 李蓓智,李利強,楊建國,等.基于GA-SVM的質量預測系統設計和實現[J].計算機工程,2011,37(1):167-169.

[16] Pei Z G, Chen G, Liu C, et al. Experimental study on the fiber motion in the nozzle of vortex spinning via high-speed photography[J].Journal of Natural Fibers,2012,9(2):117-135.

[17] Lv J, Cao C H. Prediction of yarn quality based on differential evolutionary BP neural network[C]// Proceedings of the 4th International Conference on Computational and Information Sciences(ICCIS 2012),2012:1232-1235.

[18] Zhao B. Prediction of thin place of polyester/cotton ring yarn properties from process parameters by using neural network and regression analysis[C]//Proceedings of the 7th International Conference on System of Systems Engineering(SoSE 2012),2012:18-20.

[19] Liu H, Zhang Y, Chen L, et al. Development and characterization of flexible heating fabric based on conductive filaments[J]. Journal of the International Measurement Confederation,2012,45(7):1855-1865.

[20] Mohammadi T, Taghavi M, Bandidarian A.The effect of exchange rate uncertainty on import: TARCH approach[J].International Journal of Management Business Research,2011,1(4):211-220.

[21] Salvinija P, Petrulisa D. Influence of twisting on linen fancy yarn structure[J].Journal of Natural Fibers,2014,11(1):74-86.

(責任編輯：許惠兒)

Prediction Method for Abnormal Factors of Spinning Quality Based on Real-time Data

ZHANGWeidong1,MAChuangtao2

(1.Department of Human Resource, Xi’an Polytechnic University, Xi’an 710048, China;2.School of Management, Xi’an Polytechnic University, Xi’an 710048, China)

To study quality fluctuation law in spinning process and the generation mechanism of quality fluctuation factors, firstly, the law and reasons for spining quality fluctuation as well as generation mechanism of uncertain factors influencing quality characteristic values were analyzed. Then, on the basis of real-time data generated from the spinning process, the inherent mechanism of characteristic value fluctuation of spinning quality was modeled and designed from three aspects, including the expression of spinning quality fluctuation law, the construction of man-machine-environment brittleness model, and identification of abnormal behavior of factors by TARCH (1,1) model. Finally, a prediction method for spinning quality fluctuation based on real-time data was proposed. The results of experiment, simulation and comparison show that the method we proposed can realize the visualization of characteristic value fluctuation process of spinning quality, warn abnormal behavior of uncertainty factors in advance and detect yarn quality online in real time.

fluctuation mechanism; spinning quality; abnormal factors; prediction

2015-02-28

陜西省科技計劃項目(2013KRM07)；陜西省社科基金項目(13D026)；陜西省社科界重大理論與現實問題研究項目(2014Z039)；中國紡織工業協會指導性計劃項目(2014076，2013068，2011081)；陜西省教育科學“十二五”規劃課題(SGH140649)；陜西省教育廳科研計劃項目(2013JK0742，11JK1055)

張衛東(1979-)，男，陜西西安人，工程師，碩士，主要從事紡織生產過程管理。

馬創濤,E-mail:shawnxpu@163.com

TS103.2

A

1009-265X(2015)05-0008-07