基于遺傳神經網絡算法的紡織生產過程參數反演

楊建國，熊經緯，徐　蘭，項　前

(東華大學 機械工程學院， 上海 201620)

基于遺傳神經網絡算法的紡織生產過程參數反演

楊建國，熊經緯，徐蘭，項前

(東華大學 機械工程學院， 上海 201620)

摘要：針對紡織工藝中部分參數不易獲得卻又對加工工藝產生重要影響的情況,基于BP(back propagation)神經網絡算法建立紡織工藝參數正演模型,用遺傳算法優化了網絡的初始閾值和權值,使得網絡預測精度大大提高,在此基礎上,通過改進的遺傳算法對反演參數進行求解.以實例驗證了該算法的可行性和有效性,對紡織企業提高工藝開發的針對性、降低生產成本有一定的借鑒作用.關鍵詞： 紡織生產參數反演； 工藝設計； 遺傳神經網絡算法

紡織品加工是一種典型的復雜非平穩加工過程,常見的紡織品原料初加工、前紡、后紡、織造及染整等幾大工序中,紡織品加工處于內外環境的擾動中,不但包括材料位移過程和流體動力學過程,而且包括復雜的熱交換與化學反應.為了實現對紡織品加工質量的準確預測與控制,國內外不少專家、學者開展了研究與實踐,并取得了較多的成果[1-4].生產質量預測是在確定的輸入即原料和設備工藝參數條件下,預先判別計算與求解加工系統并得到產品質量的關鍵參數,用以預防產品質量可能出現的問題并且縮短生產周期.而反演問題則是指在保證產品質量的前提下,通過反演模型得到可以作為原料及主要工藝參數進行選擇和設計的依據,以提高產品工藝開發的針對性,在保證產品質量要求前提下盡可能降低生產成本.

紡織生產過程的正演模擬可表達為模型參數的非線性函數,因而其反演也可歸為非線性最優化問題.在所有非線性反演中,徹底搜索法(或稱窮舉法)是最簡單、最直接的方法[5],但在面對海量的數據時,該方法完成徹底的搜索幾乎是不可能的,即使是計算機也難以完成,因此需要尋找一種有效的算法來進行反演.近幾年,以GA(genetic algorithm)、BP(back propagation)人工神經網絡等為代表的全局優化算法成為了國內外反演領域的研究熱點[6-10].文獻[11]對編織機的工藝性能參數(直徑和隔距)預報采用了基于徑向基神經網絡的神經模糊推理系統,直徑和隔距的平均預報精度分別達到97.74%和99.59%,回歸模型的結果則分別為97.73%和99.46%.在原始數據含有噪聲(即測量誤差含有異常值)的情況下,文獻[12]運用Huber范數作為反演的目標函數,并采用L-BFGS擬牛頓法對其進行求解,反演結果具有良好的穩定性.但是擬牛頓類算法的一個主要缺點是需要花費大量的內存去存儲海森矩陣或與海森矩陣特性相似的矩陣,這也是反演算法中經常遇到的一個問題.為了求解魯棒性的反演問題,文獻[13]提出了一種修改的非線性共梯度算法,該方法主要利用IRLS(iterative reweighted least square)算法的加權思想來改變搜索方向從而增加穩定性.文獻[14]采用直接逼近法來反演棉花模型所需的初始數據及參數,將遙感信息和棉花模型相結合,建立遙感-棉花的反演模型,試驗驗證了該模型是可行的.文獻[15]通過建立遺傳神經網絡模型代替堆石壩的有限元計算程序以提高反演計算效率,同時利用遺傳優化的算法全局搜索功能尋找使遺傳神經網絡模擬值和實測值之間誤差最小的最優參數組,并通過Matlab實現基于遺傳算法和遺傳神經網絡算法的堆石料參數反演分析,反演結果表明該算法能夠很好地提高反演分析效率及準確性.

針對傳統參數反演算法存在收斂性和穩定性不理想、反演精度較低、計算速度較緩慢等問題[16-19],本文利用遺傳算法優化BP(back propagation)神經網絡的權值和閾值來建立遺傳神經網絡正演模型,根據毛紗CV值來反演生產過程工藝的輸入參數，研究結果對紡織工藝參數調節提供可靠的理論依據.

1紡織品工藝參數反演問題描述

對于毛紡精梳細紗生產而言,制約產品質量的兩大要素包括原料的性能參數與加工工藝參數，其中細紗牽伸倍數、毛條含油率、纖維長度、纖維直徑、毛條回潮率、細紗鋼絲圈號、細紗車速及細紗牽伸倍數等,都是影響各工序加工效率和產品質量的關鍵因素.當工藝過程中的輸出目標參數一旦確定,在其中一個或幾個輸入參數可變的情況下,通過反演模型得到不同的輸入參數組合,再根據加工效率、生產成本等條件對可選組合進行篩選,最終得到最優的輸入參數組合,從而實現更加合理的工藝設計,因此,對某些參數進行有效反演具有重要意義.本文要解決的紡織工藝參數反演問題:已知部分輸入工藝參數和輸出目標參數,通過構造反演模型,反演出能滿足相同輸出目標的大量可選輸入參數組合,為進一步的最優工藝參數調節奠定基礎.

2數學模型

紡織工藝參數反演是通過已獲得的工藝參數建立反演函數,可歸結為數學中的組合優化問題.紡織加工中有些參數易于獲得,而有些參數不易獲得或通過常規方法獲得往往會產生很大的誤差,但這些參數往往又對生產效率產生很大影響,因此,為紡織參數反演尋求一種有效求解方法是非常必要的.

將紡織品工藝參數反演抽象為數學模型時可用如下描述：

(1) 設O={o1,o2,…,on}是某紡織加工工序中n(n>1) 個加工參數的集合,其中參數on與o1,o2，…，on-1有關,即on可由前n-1個參數預測得出；

(2) 假設op和oq是紡織加工中不易獲得且對工藝影響重大的參數,實際生產中該參數只有少部分數據,為了反演獲得更多的參數op和oq,通過構建神經網絡,將一組o1,o2,…,on-1數據作為網絡訓練輸入,on作為網絡輸出,將訓練好的網絡封裝成一個函數f(o1,o2,…,on-1),即任意給定一組o1,o2,…，op,…,oq,…,on-1可通過該神經網絡封裝函數計算得到on；

(3) 構建遺傳算法,將op和oq編碼成染色體,令g(o1,o2,…,on-1)=f(o1,o2,…,on-1)-(on)真實值,則目標函數可表示為:min(abs(g(o1,o2,…,op,…,oq,…,on-1)))，從而得到反演參數op和oq.

3反演算法設計

3.1反演算法基本步驟

(1) 基于部分已知精紡毛紗樣本的線密度離散(離散系數)、毛條含油量、粗紗捻系數、毛條回潮率、纖維長度(豪特長度LH)、細紗車速、細紗牽伸倍數、纖維直徑(平均直徑)、細紗鋼絲圈號、纖維質量不勻率等條件.結合神經網絡算法建立針對初始細紗CV值的預測模型.

(2) 根據已建立的初始精紡毛紗CV值預測模型得到預測數據,計算實際數據與預測數據的均方根誤差是否滿足設定的精度要求,若達到精度要求則迭代終止,否則繼續迭代直至精度符合要求.

(3) 基于當前正演模型,通過遺傳算法構造其反演模型,達到反演問題的迭代計算.

(4) 以CV值實測數據與預測數據的差作為目標函數,在新模型的基礎上反演出所需要的參數.

(5) 對所有符合條件的反演數據,根據正演模型計算出CV值預測數據,從而得到目標函數值,再挑選出最佳反演參數.

反演算法的流程如圖1所示.

圖1　反演算法的流程Fig.1　The flow chart of inversion algorithm

3.2BP神經網絡結構參數設定

本文建立3層BP神經網絡的預測模型,其結構示意圖如圖2所示.其中m為輸入層節點個數,k為輸出層神經元個數,n為隱含層節點數,f1為隱含層傳遞函數,f2為輸出層傳遞函數，a1為隱含層輸出值，a2為輸出層輸出值，B1為輸入層-隱含層閾值矩陣，B2為隱含層-輸出層閾值矩陣,W1為輸入層-隱含層神經元權值矩陣；W2為隱含層-輸出層神經元權值矩陣.

圖2　3層BP神經網絡結構Fig.2　The three layer BP neural network structure

任意m維到k維的映射可以通過3層BP神經網絡來完成,選擇隱含層節點數n的經驗公式為

(1)

3.3GA優化神經網絡權值和閾值

(1) 種群初始化.染色體采用十進制編碼方法,其每個數碼由4位二進制數碼表示.染色體個體包括了神經網絡全部權值和閥值,在網絡結構已知的情況下,就可以構成一個結構、權值及閥值確定的神經網絡.

對BP神經網絡的權值和閾值進行編碼：

[w111,…,w11m,…,w1i1,…,w1im,w1n1,…,w1nm,…,b1n,w211,…,w21n,…,w2j1,…,w2jn,w2k1,…,w2kn,b21,…,b2k].式中：w1ij為W1(m×n維)中的元素；b1i為B1(n×1維)中的元素；w2ij為W2(n×k維)中的元素；b2i為B2(k×1維)中的元素.

初始的權值與閾值通常是隨機賦值的,范圍一般限定在[-0.5,0.5].本文染色體初始值采用隨機法取值,染色體長度L=m×n+n×1+n×k+k×1，然后從[-0.5,0.5]中隨機抽取N×L個均勻分布的數據作為初始種群,N為初始種群中的個體數目.

(2) 適應度函數的確定.對于給定的訓練數據與實際數據,將實際數據與預測數據的平均絕對誤差定義為適應度函數f，如式(2)所示.

(2)

式中:S為網絡輸出的節點個數；yi為網絡第i個節點的實際數據(即期望輸出)；oi為第i個節點輸出的預測數據.

(3) 選擇算子.設種群有N個個體組成,且個體x對應的適應度值為f(x)，則選中x的概率為

(3)

根據px的大小,選擇操作采用輪盤賭法.

(4)

(5)

其中：μ為(0,1)之間產生的隨機數.根據式(4)和(5)的交叉運算可以保證產生的兩個個體的搜索空間限制在兩個父代所在的區域之間.

(5) 確定變異算子.變異操作是指從種群中任選一個個體,選擇染色體的一點進行變異以產生更優秀的個體.對第i個個體的第j個基因aij進行變異操作：

(6)

式中：amin和amax為基因aij的最大與最小值,即上下界；f(g)=r2(1-g/Gmax)2,r2為隨機數,g為當前的迭代次數,Gmax為最大迭代次數；r為[0,1]之間的隨機數.

3.4GA算法反演

3.4.1基因編碼

對于紡織工藝參數反演問題,單純的實數編碼無法將離散編碼序列和連續的微粒位置對應起來.為了便于參數反演的描述和遺傳操作,本文提出采用二進制數與實數相結合的方式來對粒子進行編碼,要點如下.

(1) 粒子的編碼由兩部分組成(如圖3所示),左邊部分a，b，…由(0,n)之間的實數組成,其個數等于反演參數的總數n,其數值表示反演參數的位置.

(2) 右邊部分采用格雷方式編碼,A，B，…由0或1的隨機數組成,每一個反演參數由八位的二進制編碼表示,設M=[A,B,…],則length(M)=8×m.

圖3粒子編碼結構
Fig.3Particle coding structure

3.4.2初始種群的產生

在種群初始化過程中,基因左邊部分由實際所需反演的參數來決定,如產生a=2,b=5,則表示需要對毛條回潮率和纖維長度進行反演,一旦確定后種群中a,b的值在迭代過程中就不發生變化；右邊部分隨反演參數個數不同而變化,若反演參數個數為2,則在一定范圍內隨機產生1行16列的0和1數值矩陣來初始化種群.

3.4.3選擇

3.4.4交叉變異

交叉及變異都是形成新個體的有效方法,交叉變異算法的優點是能夠避免部分信息的丟失,最大限度地保證了遺傳算法的有效性.

本文采用的交叉變異算法：(1)根據反演參數的總數I隨機產生I個0或1的數T1,T2,…,TI,如I=2,T1=0,T2=1；(2)將T1,T2,…,TI插入染色體二進制編碼片段中,每隔8個插入一個TI；(3)判斷TI的值,若TI=0,則對該段基因不作任何更改,若TI=1,將兩個相互配對的個體在兩個隨機設置的交叉點之間的部分染色體進行交換.

設X1和X2分別為需要進行交叉操作的2個父代個體,Y為交叉后產生的子代個體,交叉過程如圖4所示.

圖4　交叉示意圖Fig.4　The cross diagram

個體的變異采用均勻變異的方法,即依次選取個體編碼串中的每個基因作為變異點,對于每一個變異點以變異概率從基因的取值范圍內取一個隨機數來代替原有的基因值,如圖5所示.

圖5　變異示意圖Fig.5　The mutation diagram

4應用實例

以某公司的精紡毛紗生產過程中毛條含油量和細紗牽伸倍數的反演為例說明本文算法的實現過程.首先建立毛紗CV值的正演模型,其中輸入參數為纖維直徑離散(離散系數)、毛條含油量、纖維質量不勻率、粗紗捻系數、毛條回潮率、纖維長度(豪特長度LH)、細紗車速、細紗牽伸倍數、細紗鋼絲圈號、纖維直徑(平均直徑),輸出參數為毛紗CV值,已知某公司精紡毛紗的生產數據如表1所示,選取樣本編號1～69作為訓練數據集,樣本編號70～74作為模型測試數據集.

(續　表)

(續　表)

運用Matlab軟件編寫相關程序,神經網絡預測模型算法參數設定：輸入神經元個數m=10,輸出神經元個數k=1,隱含層節點數n根據式(1)設為7,訓練函數trained,隱含層函數tansig,輸出層函數purelin,種群大小為30.毛紗CV值預測模型的進化過程如圖6所示.

圖6　毛紗CV值預測模型適應度值變化圖Fig.6　　　　The change process of forecasting model 　　　on worsted yarn’s CV values

從圖6可以看出,當進化代數達到68代以后,測試集預測結果的適應度函數值(即平均絕對誤差)逐漸趨于穩定,大約為1.7%,此時平均適應度值與最佳適應度值接近,表明每個個體都在最優解附近.

神經網絡預測模型訓練好以后,現給定一組新數據,如表1中的樣本編號75,通過建立的反演模型反演毛條含油量和細紗牽伸倍數兩個參數.經多次實驗,進行最優參數選擇,反演模型的參數設定為：種群大小為30,最大迭代次數為100,交叉概率為0.8,變異概率為0.05.遺傳神經網絡算法反演迭代結果如圖7所示.由圖7可知，該算法迭代不到10次就已經收斂,最優的5次參數反演輸出結果如表2所示. 由表2可知,經遺傳算法優化的神經網絡在反演精度上可達95%以上.

圖7　遺傳神經網絡算法反演迭代結果Fig.7　　　　Genetic neural network algorithm 　　　iteration inversion results

參數12345真實值平均相對誤差毛條含油量/%1.151.071.051.161.181.104.73%細紗牽伸倍數/倍21.2221.4520.4222.9023.2022.805.11%

5結語

針對傳統參數反演算法存在收斂性與穩定性不理想、反演精度較低以及計算緩慢等問題,本文利用遺傳算法優化BP神經網絡的權值和閾值來建立遺傳神經網絡正演模型,再根據毛紗CV值來反演生產過程工藝輸入參數,最后以實例驗證了算法的可行性和有效性,反演精度達到95%以上.根據本文的反演結果可調節其動態加工生產過程中的敏感參數,使產品質量達標且工藝組合得到優化,同時對企業新產品工藝開發設計的快速決策也具有很好的借鑒作用.

參考文獻

[1] 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.

[2] DAS S, GHOSH A, MAJUMDAR A， et al. Yarn engineering using hybrid artificial neural network-genetic algorithm model [J]. Fibers and Polymers, 2013, 14 (7): 1220-1226.

[3] MWASIAGI J, 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.

[4] 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(自然科學版)，2013,39(4)：504-508.

[5] 王家映. 地球物理資料非線性反演方法講座(二):蒙特卡洛法[J]. 工程地球物理學報,2007,4(2):81-85.

[6] RAMILLIEN G. Genetic algorithms for geophysical parameter inversion from altimeter data[J]. Geophysical Journal International, 2001,147(2):393-402.

[7] 劉斌,李術才,李樹忱,等. 基于不等式約束的最小二乘法三維電阻率反演及其算法優化[J]. 地球物理學報,2012,55(1):260-268.[8] KAO H, JIAN P R. Seismo genic patterns in the Taiwan region: Insights form source parameter inversion of BATS data[J]. Tectonophysics, 2001,333:179-198.

[9] 施建成,杜陽,杜今陽,等. 微波遙感地表參數反演進展[J]. 中國科學(地球科學),2012,42(6):814-842.

[10] 田明俊,周晶. 巖土工程參數反演的一種新方法[J]. 巖石力學與工程學報,2005,24(9):1492-1496.

[11] UCAR N, ERTUGRUL S. Predicting circular knitting machine parameters for cotton plain fabrics using conventional and neuron-fuzzy methods[J]. Textile Research Journal, 2002,72(4):361-366.

[12] GUITTON A, SYMES W W. Robust inversion of seismic data using the Huber norm[J]. Geophysics, 2003,68(4):1310-1319.

[13] JI J. CGG method for robust inversion and its application to velocity-stack inversion[J]. Geophysics, 2006,71(4): 59-67.

[14] 趙艷霞,秦軍,周秀驥. 遙感信息與棉花模型結合反演模型初始值和參數的方法研究[J]. 棉花學報,2005,17(5):280-284.

[15] 呂松召,張墩,付志昆,等. 基于遺傳算法和遺傳神經網絡算法的堆石料參數反演分析研究[J]. 中國農村水利水電,2011(6):113-116.

[16] HUANG C, ZHANG S.A topographic parameter inversion method based on laser altimetry[J]. Science China Technological Sciences,2012,55(5): 1273-1280.

[17] LI M, ZHOU B, LIANG S, et al.Optimal parameter inversion of marine water quality model using a BPNN data-driven model: A case study on DIN[R]. Lecture Notes in Electrical Engineering, 2010:885-892.

[18] WANG J, LI S, CUI J, et al. Advances in computer science, intelligent system and environment [M].Berlin: Springer, 2011:417-420.

[19] HUANG H D, ZHANG R W, SHEN G Q, et al.Study of prestack elastic parameter consistency inversion methods[J]. Applied Geophysics, 2011,8(4):311-318.

Parameter Inversion of Textile Production Process Based on Genetic-ANN Algorithm

YANGJian-guo,XIONGJing-wei,XULan,XIANGQian

(College of Mechanical Engineering, Donghua University, Shanghai 201620, China)

Abstract:In view of the circumstances that part parameters of the textile process which have important influence on the processing technology but are not easy to get, textile process parameters forward model is established by BP(back propagation) neural network algorithm, using genetic algorithm to optimize the network’s initial threshold and weights, the prediction accuracy of the network is greatly increased. On this basis, the inversion parameters are solved by the improved genetic algorithm. The feasibility and effectiveness of the algorithm are verified by an example, it has a very good reference for textile enterprises to improve specific technique development and reduce the production cost.

Key words:parameter inversion of textile production; process design; genetic neural network algorithm

文章編號：1671-0444(2016)02-0234-08

收稿日期：2015-04-02

基金項目：國家自然科學基金資助項目(51175077)

作者簡介：楊建國(1951—)，男，上海人，教授，博士，研究方向為光機電一體化和智能機器人、現代集成制造系統技術、智能檢測與控制、CAD/CAPP/CAM.E-mail:jgyangm@dhu.edu.cn

中圖分類號：TH 16.2

文獻標志碼：A