基于混合智能學習的產品質量預報與診斷

楊建國，徐 蘭，熊經緯，劉 彬

（東華大學 機械工程學院，上海 201620）

0 引言

動態變化市場需求使得個性化制造正在成為未來制造的主導模式。針對產品需求多樣性、原材料多樣性及工藝內容多樣性，如何最大改變減少產品質量的波動，使產品質量穩定可控是制造企業面臨的重大挑戰。以紡紗工藝為列，紡紗生產包括粗加工，前紡，后紡，織布及染整等多道工序，是一個典型的復雜非平穩加工過程。因為加工過程參數與輸出產品質量之間存在著復雜非線性關系，需要建立體現兩者之間關系的模型，來預測與過程參數密切相關的產品質量。

國內外許多專家學者對復雜生產過程質量預測與診斷進行了大量研究。與傳統的回歸統計方法相比，人工神經網絡和支持向量機等技術，在處理復雜非線性問題方面有著極大的優勢[1～9]， Reyen等研究表明，神經網絡在紡織領域具有良好的預測性能[1～4]；Evander等利用神經網絡預測急性肺栓塞的存在[5,6]；Gebraeel等采用神經網絡建立電子產品或設備的剩余壽命預測模型[7,8]；Ribeiro等利用支持向量機對注塑生產過程進行質量診 斷[9]。但神經網絡有兩大明顯缺陷：一是其采用梯度下降法導致的學習速度慢和局部尋優，二是神經網絡的“黑匣子”缺陷。針對第一個缺點，很多學者采用GA算法、PSO算法等優化算法對ANN的結構參數進行尋優，實驗表明，改進過的ANN性能有了顯著提高[10,11]。針對ANN不能顯式地指出過程參數與生產質量之間的非線性關系這一缺點，一些基于機器學習的知識發現算法被陸續提出。相關的研究文獻中，Sette等開發了基于模糊邏輯的分類系統，并應用于纖維到紗線生產過程中工藝規則的生成[12]。

本文考慮到人工神經網絡的兩大缺點，在以上研究的基礎上，通過建立基于粗糙集與知識神經網絡的混合智能預報模型RSKDPM（Rough Set based-Knowledge Discovery Prediction Model），來反映紗線生產過程參數與產品質量之間存在的復雜非線性關系，并進行質量預測。結果表明該模型不但提高了預測性能，而且通過提取的過程知識來描述生產過程參數與產品質量之間的關聯，可以在出現缺陷產品之前發現制造過程中的異常，解決質量波動的診斷與調整問題。

1 基于混合智能學習模型的質量異常診斷與調整

首先，應用基于粗糙集的知識發現算法（RSRule）抽取顯式的規則以描述生產過程參數與產品質量之間的關系，并利用抽取的規則（即領域知識）初始化基于知識的神經網絡（Knowledge-based ANN，KBANN）的網絡結構，最后，運行KBANN進行智能預報與診斷。RSKDPM不但能監控生產過程中出現的異常，而且能夠解釋出現質量波動的原因，以及如何調整參數以實現產品質量穩定受控。

2 基于RS的規則抽取方法

2.1 數據離散

只有當決策表中的值是離散數據時才可以應用粗糙集來處理，因此，對于紡織生產中的連續型屬性值，要先進行離散化處理。所謂離散化就是采取某種方法劃分連續區間，并將劃分好的連續小區間與離散的值對應起來。離散化的關鍵在于決定選擇多少個分割點和確定分割點的位置[13]。綜合考慮技術特征分類標準、數據分布特點以及數據樣本容量等多種信息，本文采用排序和聚類分析等方法處理離散化問題。

2.2 決策表屬性約簡

屬性約簡過程，就是在保持知識庫分類能力不變的情況下，去除決策表中與決策屬性不相關或者對決策屬性不重要的條件屬性，因此，決策表的屬性約簡并不唯一。我們希望得到條件屬性盡可能少的約簡，本文將此問題轉化為多目標優化問題，并利用遺傳算法的全局優化特性，將其用于刪除冗余條件屬性得到簡化后的決策表。

2.3 決策規則約簡

約簡后的決策表中，每一個樣本對應一條決策規則，這實際上就是一個規則集合。對于這一集合中的每條規則，有些屬性值是多余的，因此還需要對決策規則進行約簡，以進一步獲得最小的決策規則集。現采用如下方法進行約簡：

對于規則集合中的每條規則

對于該規則中的某個條件屬性

若去掉該條件屬性

該規則不和規則集中的剩余規則產生矛盾，則從該規則中去掉該屬性值

經過上述方法處理得到的規則集中所有規則都不再包含冗余信息，即獲得了最小的決策規則集合。

3 基于KBANN的智能預報模型

由于基本的KBANN算法支持的輸入特征規則有所限制，Fernando和Bernard采用INSS擴展了KBANN能使用的規則類型，使KBANN能執行如下的實數規則類型：

IF Greater Than（Sensor_S1,1.0）and Less Than（Sensor_S2,0.5）Then Conclusion_C1

上式中，Sensor_S1和Sensor_S2是樣本輸入特征，Conclusion_C1是相應的結論，如此的規則集可通過KBANN映射成神經網絡。

4 實驗驗證

4.1 紡紗工藝決策規則提取：RSrule

1）基本特征

從生產中收集了25組不同的棉花樣本，用大容量快速儀器測定他們的纖維質量，所有樣本通過SDL MDTD/Quickspin系統紡成十支的紗線，并在相對濕度62%±2%和溫度20℃±2℃的條件下保存24小時后測量其紗線質量。

2）數據離散

策屬性數據的離散，需要綜合考慮參考屬性值的統計分布情況、專業分類標準，否則，會影響決策規則的生成效果，現以纖維強度強度為例，借助MATLAB工具，按照數值從小到大排序，并將次序作為橫坐標、纖維強度為縱坐標作圖，觀察數據變化斜率（如圖1所示），考慮將數據分為三類，再使用k-mean聚類方法確定分割點位置（如圖2所示），最終結果如表1和表2所示。

表1 纖維強度聚類結果

表2 各屬性割點值

圖1 纖維強度值升序排列

圖2 纖維強度屬性值

對于組合屬性離散，以黃度與反射率為例，使其組合為色澤屬性，同樣使用k-mean聚類方法，如圖3所示，將色澤屬性值分為三類。

圖3 黃度與反射率組合為色澤屬性聚類

3）決策表屬性約簡

通過屬性約簡去掉冗余條件屬性，約簡后得到的屬性集合為：{纖維強度，伸長率，長度不勻率}。

4）決策規則約簡

依據決策規則的約簡算法，經過約簡與合并后，去除冗余的條件屬性項和屬性值，生成決策如表3所示，其中，每一行代表一條決策規則，確定性因子為1表示生成的規則之間沒有出現相互沖突，決策規則的支持度是指該規則的數據記錄數與記錄總數的比值，反映規則的可信程度。

表3可解釋為如下決策規則：

表3 原料屬性與紗線強力決策規則表

規則一：IF纖維強度＜21.2，THEN紗線強力＜12.5。

規則二：IF紗線強力介于21.2～26.2之間且伸長率＜5.85%且長度不勻率＜43%，THEN紗線強力＜12.5。

規則三：IF纖維強度介于21.2～26.2之間且伸長率＜5.85%且長度不勻率介于43%～49%之間，紗線強力介于12.5～14之間。

規則四：IF纖維強度介于21.2～26.2之間且伸長率＞5.85%，THEN紗線強力＜12.5。

規則五：IF纖維強度＞26.2，THEN紗線強力＞14。

5）結果分析

根據屬性和決策規則約簡過程與結果可見：

（1）紗線強力主要受到纖維強度、伸長率和長度不勻率三個指標的影響。提取出來的工藝規則具有確定性因子以及覆蓋率等評價指標，為提取規則的生產應用提供了科學依據。

（2）利用粗糙集生成決策規則，仍受到數據質量和數量的影響，根據粗糙集理論，數據離散方法使用前提條件是不能改變屬性的分類能力，不同的離散方法可能會產生差別較大的決策規則。

4.2 過程預報模型：KBANN

4.2.1 KBANN的構建

依據表中數據，以輸入原料指標：纖維強度、長度、伸長率、含雜率、長度不勻率、黃度、馬克隆值、反射率為模型輸入量，以紗線強力品質類型為輸出量，基于KBANN建立二者之間的非線性關系，并依據獲取的紡紗工藝規則基礎上構建網絡結構及賦予連接權重，其中Rule-to-Network算法[12]將規則映射成KBANN的輸入層和隱藏層的結構，使用Topwell和Shavlik的方法[10]構建隱藏層到輸出層之間的連接。

規則集有14個條件，所以在輸入層和隱藏層之間建立14個連接，同時，初始化設置權重和偏置值使其滿足所有規則條件。構建產生的網絡拓撲結構有8個輸入神經元（即8個輸入指標），14個隱藏節點，3個輸出神經元。

三個輸出神經元分別對應三種品質類型，采用C1：（1,0,0）、C2：（0,1,0）和C3：（0,0,1）來表示輸出。KBANN的輸出范圍為[0,1]，1表示某個輸入與一個輸出品質類型完全對應。同時可以設定偏離閾值，如果C1，C2，C3大于事先確定的偏離閾值，則可以確定為產品質量發生了波動。

4.2.2 結果分析

構建完成KBANN網絡拓撲結構后，使用反向傳播算法進一步學習訓練集蘊含的知識。同時為了便于KBANN和標準BPN之間學習性能的比較，BPN采用KBANN的拓撲結構以及相關參數，但初始的權值和閾值在[-0.05，0.05]范圍內隨機地生成。如圖4所示，兩者的學習過程曲線表明：KBANN比標準的BPN有更好的訓練結果和更快的擬合速度。

圖4 KBANN和BPN訓練過程的MSE曲線

KBANN比BPN具有更好的訓練性能的原因是：在訓練前KBANN從規則中學習了數據隱含的初始知識，獲得優化的初始化網絡權值，加快了網絡擬合過程，進一步使用反向傳播算法學習知識時，精調初始網絡的權值和閾值，學習那些遺漏的知識。該過程避免了傳統 ANN需要不斷嘗試以獲得一個合適的網絡結構的復雜過程，進一步提高了學習性能。

表4給出了KBANN模型對于部分樣本的預測結果，顯示了KBANN識別紡紗產品質量品質類型的有效性，同時表5給出了兩者對于紡紗質量品質類型的識別準確率，KBANN的識別結果也好于標準的BPN。實驗證明KBANN用于紡紗制造過程的質量品質歸類及預測過程狀態是有效的。

表4 KBANN在測試集上的預測結果

表5 KBANN和BPN的識別正確率（%）

5 結束語

本文提出了一個基于混合智能學習的制造過程質量預報與診斷系統。該模型融合了基于RS的規則提取算法和基于知識的神經網絡KBANN，有效地對復雜制造過程輸入與輸出之間的非線性關聯進行建模。RSrule抽取正確且可以理解的工藝規則，可以輔助操作人員診斷異常和優化地設置過程參數，確保紡紗加工質量的穩定。同時，RSrule提供了KBANN需要的領域知識，進而用于制造過程異常監控，提前發現生產異常，實現提前異常消除。

[1] REYEN M E,RKAN G P. Comparison of artificial neural network and linear regression models for prediction of ring spun yarn properties： I. Prediction of yarn tensile properties[J].Fibers and Polymers,2008,9(1)：87-91.

[2] 殷祥剛,項前,呂志軍,于偉東.基于智能技術的精毛紡織品全程虛擬加工系統[J].西安工程大學學報,2008,22(4)：407-411.

[3] Comparison of Artificial Neural Network and Linear Regression Models for Prediction of Ring Spun Yarn Properties. II. Prediction of yarn hairiness and unevenness[J].Fibers and Polymers.2008,9 (1)：92-96.

[4] 李翔,彭志勤,金鳳英,等.基于神經網絡的精紡毛紗性能預測模型比較[J].紡織學報,2011,32(3)：51-56.

[5] E. Evander, H. Holst,A.Jarund, M. Ohlsson, P. Wollmer, K. Astrom,L. Edenbrandt, Role of ventilation scintigraphy in diagnosis of acute pulmonary embolism： an evaluation using artificial neural networks[J].Eur.J. Nucl. Med. Mol. Imaging. 2003,30(7)：961-965.

[6] J. Eng,Predicting the presence of acute pulmonary embolism： a comparative analysis of the artificial neural network,logistic regression,and threshold models[J].Am. J.Roentgenol.2002,179(4)： 869-874.

[7] Gebraeel, N.,& Lawley, M. A.. A neural network degradation model for computing and updating residual life distributions[J]. IEEE Transactions on Automation Science and Engineering,2008, 5(1)：154-163.

[8] Zhi-gang Tian . An arti cial neural network method for remaining useful life prediction of equipment subject to condition monitoring. Journal of Intelligent Manufacturing[J].2012,23(2)：227-237.

[9] B. Ribeiro, Support vector machines for quality monitoring in a plastic injection molding process[J].IEEE Transactions on Systems, Man and Cybernetics, Part C：Applications and Reviews.2005,35：401-410.

[10] Zhi-jun Lv,Qiang Xiang,Bin Liu,et al. Support vector machine with real code genetic algorithm for yarn quality prediction[J]. Advanced Science Letters,2013,19(8)：2468-2472.

[11] 劉彬,項前,楊建國,等.基于遺傳神經網絡的紗線質量預測[J].東華大學學報,2013,39(4)：504-508.

[12] S.Sette,L.Van Langenhove. An Overview of Soft Computing in Textile[J].Textile Institue.2003,94,103-109.

[13] 張文修,吳偉志,等.粗糙集理論與方法[M].北京：人民郵電出版社,2007.