基于实时数据的纺纱质量异常因素预测方法

张卫东，马创涛

(1.西安工程大学人事处，西安 710048；2.西安工程大学管理学院，西安 710048)

基于实时数据的纺纱质量异常因素预测方法

张卫东1，马创涛2

(1.西安工程大学人事处，西安 710048；2.西安工程大学管理学院，西安 710048)

为探究纺纱过程中质量波动的规律，以及引起质量波动的因素的产生机理，首先对纺纱质量特征值波动的成因、规律，以及影响质量特征值的各类不确定因素的产生机理进行了分析；利用纺纱过程的实时数据，从纺纱质量波动规律表达、人—机—环境脆性模型构建，以及TARCH(1,1)模型对影响因素异常行为辨识3个方面对纺纱质量特征值波动的内在机理进行了建模与设计，进而提出了基于实时数据的纺纱质量波动预测方法。通过实验仿真与对比分析，表明：预测方法实现了纺纱质量特征值波动过程的可视化，做到了影响因素异常行为的事前预警以及成纱质量的实时在线检测。

波动机理；纺纱质量；异常因素；预测

纺纱过程工艺路线复杂、加工时间长、参与工序和涉及指标多，使得从市场需求到生产供应的全过程中充满可变因素[1]和不确定因素[2]，特别是纺纱过程中原材料的多变性、加工路线的多环节性、工艺参数的不精确性、工艺知识的不完备性等因素，致使纺纱质量充满不确定性。

在国外，对于纺纱质量预测理论与方法的研究开始于20世纪70年代初[3]。早期的研究设计比较简单，往往是检验两个或三个变量之间的相关关系。如Selvanayaki等[4]研究的基于支持向量机的纱线强力预测方法，Fattahi等[5]提出的一种基于模糊最小二乘回归的棉纱生产过程控制方法，Mokhtar等[6]提出的织物织造过程不确定性因素的检验方法等。随着理论的发展和研究的深入，涉及的变量和需要检验的关系越来越多，研究设计也越来越复杂[7]。比如Mohamed等[8]利用回归模型对棉纤维混合属性进行了预测，Mwasiagi等[9]利用混合算法(Hybrid Algorithms)构建了一种改善纱线参数性能的预测模型，以及Mardani等[10]利用有限元和多变量对影响纺纱张力的不确定性因素进行了分析。到目前为止，国外学者在这一领域的研究已经进行了40多年，发表了大量的学术论文，搞清了一些问题，得到了一些结论，但总是试图通过获取完整、正确、及时和具有针对性的工艺参数、质量特征值来保证纺纱过程质量预测的时效性、准确性和科学性。

许多中国纺织学者从不同的角度研究了这些现象[11]，提出了一些质量预测理论与方法，如杨建国等借助统计学理论而提出的基于支持向量机的纱线质量预测模型[12]，董奎勇、于伟东利用BP神经网络而研究的纺纱质量预报模型，吕志军等利用遗传算法的搜索寻优技术，对支持向量机的纱线质量预测模型的参数进行了优化[13]，并探讨了参数对支持向量机模型泛化性能的影响[14]，李蓓智等针对支持向量机(SVM)在参数选择方面的费时问题，充分利用遗传算法的全局搜索能力，提出了一种基于遗传算法的SVM参数选取方法[15]。还有人从理论上分析了质量波动的关键因素，探讨了相关的预测方法与技术[16-17]，如赵博等通过神经网络与回归分析法来预测纱线质量[18]。除此之外，还有人讨论了纺纱质量的评估和质量管理问题[19]。

为了给我国纺织企业提供深入探究产品质量波动规律，以及预测产生系统误差的不确定性因素的理论依据，选择纺纱过程质量波动预测方法为切入点，紧密联系纺纱过程中产生系统误差的实际问题。

1 问题的提出

在纺纱过程中，影响质量波动的因素有很多，加之因素间相互交织、关系复杂，致使因素难以界定，更难用数学关系式进行精确表达，使得影响纺纱过程中断或异常的原因不能及时判断，从而引起质量特征值波动的因素不能确定，即存在众多的不确定性因素。文献[11]提出质量与原材料成正相关，文献[12]提出质量特征值与工艺参数成正相关，文献[13]提出纱线质量与胶辊的低硬度呈正相关关系，同时文献[14]提出影响纱线质量的主要因素为纤维特性、纱线规格和纺纱工艺参数。那么，各类不确定因素对纺纱质量究竟有怎样的影响行为？

2 预测方法设计与建模

2.1 纺纱质量特征值波动机理分析

通过文献回顾[12-15]，纺纱质量特征值的波动与原料属性变量之间存在着非线性关系，更重要的是与工艺参数之间存在着非线性的函数关系，而且这种关系更难以用数学关系式进行表达。为深入分析引起纺纱质量特征值波动的原因，需进一步探究这种非线性关系，以及关系之间隐含的引起系统误差的根本原因。为此，从纺纱质量的输出特征值，以及工艺参数组合方式入手，构建如图1所示的函数关系图。

图1 工艺参数与质量输出特征值之间关系

以x表示工艺参数的不同组合，y表示纺纱质量的某种输出特性，则x与y间的函数关系如图1(a)所示。可见，当x=x1是，其对应的质量输出特性是y1，表示当x=x1时，x的波动误差为Δx1，则相应地输出特征值的波动误差为Δy1。当工艺参数的组合为x=x2时，x的波动误差为Δx2，质量输出特性是y2，输出特征值的波动误差为Δy2。那么当Δx1=Δx2时，由图1(a)可见：Δy1>Δy2，两者间并非呈线性关系。说明：虽然工艺参数组合在x=x2点上很大程度上降低了质量输出特征值的波动，在一定程度上有效防止了纺纱质量的波动，但从图1(a)还可见，引发了一个新问题，即质量输出特征值的标准值M也增加了。

为此，通过纺纱工艺参数的组合方式，从中获取一个元素k，使元素k与质量输出特征值y之间呈线性关系。其中，元素k与质量输出特征值的线性关系如图1(b)所示，具体的线性关系表示为：

y=f(k)=ak+b

2.2 质量特征值与影响因素间作用机制研究

根据人机系统工程学理论，从人、设备、材料、方法、测量和环境因素入手，将各类不确定因素划分为六大因素集合，并记为U1、U2、U3、U4、U5、U6，将其构成一个不确定因素集U={U1，U2，U3，U4，U5、U6}。当然，集合U可根据因果分析图法并对其进行多次划分，使其形成多个子层。这样，通过各因素间的相关关系，可构建如图2所示的面向纺纱过程质量的人—机—环境脆性模型。

图2 人—机—环境脆性模型

依托人机环境系统工程学理论，令si表示加工过程中产生的异常事件，xi表示不确定因素，且i=1,2,…,n，则纺纱质量的形成过程Qp表示为：

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为人为影响因素集合，P=(s1,s2,s3,…,sm)表示存在m个与人为因素相关的异常事件，例如挡车工、维修工等；M为设备因素集合，M=(sm+1,sm+2,sm+3,…,sr)表示存在r-m+1个与设备相关的影响因素，如机台转速、电机功率等；E为环境因素集合，E=(sr+1,sr+2,sr+3,…,sk)表示存在k-r+1个与环境相关的影响因素，如温度、湿度、强电干扰等，k为影响质量波动的不确定性因素总数，且存在1≤m

现若以X表示影响纺纱过程质量波动的人—机—环境因素，则X=(x1,x2,x3,…,xk)，k为影响纺纱过程质量波动的不确定因素总数，相应地(x1,x2,…,xs)表示人为因素，(xs+1,xs+2,…,xu)表示设备因素，(xu+1,xu+2,…,xk)表示环境因素，且1≤s

2.3 影响因素行为特征辨识

当整个纺纱质量形成过程处于稳态时，通过纺纱质量形成过程关系式Qp⟹P∩M∩E可知，P、M、E对应的不确定因素对纺纱质量特征值的影响遵循一定的分布规律。故在实时纺纱过程中，若自相关过程满足平稳序列的条件，则可认为影响纺纱质量波动的不确定因素的行为具备了稳态的统计性质，可以分析引起纺纱质量波动的因素之间，以及同品种不同数据之间的数据依赖关系。而时间序列模型TARCH(p,q)为不确定因素的行为特征辨识提供了基本方法。具体过程如下。

在自回归条件异方差模型(ARCH)[20]的基础上，将其进行变换形成TARCH(p,q)模型，即：

(2)

其中，αi表示质量特征值波动前期关键因素对本次波动的影响程度，βj表示特征值波动前期次要因素对本次波动的影响程度，p、q分别表示TARCH项的滞后阶数。

由式(2)表明：在自相关稳态下，由不确定因素的异常行为而引起的纺纱质量波动，明显大于数据采集值在独立情况下的质量波动，而这些波动造成的质量损失是由纺纱过程自相关所造成的。为合理界定不确定因素的行为特征，当纺纱过程质量特征值的均值不发生变化时，将p、q值置为1，利用如式(3)、式(4)所示的TARCH(1,1)模型对应的均值与条件方差进行控制变量的输入，对自相关平稳过程进行调整。

et=α0+α1x1t+…+αkxkt+εt

(3)

(4)

3 实验验证

实验方案：在相同条件下，测试系统、人、设备、环境等不确定因素对纺纱质量的影响程度。设定室温为20℃，相对湿度为65%。

方案一：从设备传感器直接测试数据(简称“测试数据”)。用Uster Tester III测试纱线的线密度和变异系数(CV)，用Sirolan-tensor测试纤维束强，用Tensorapid测试纱线强度和伸长。

方案二：从监控系统中统计纺纱数据(简称“监测数据”)。主要通过VS2008+SQL Server2005开发纺织过程集成监控系统，该系统对各纺纱子系统的实时数据进行集成。

在相同班次、设备、机型条件下，两个实验方案同时进行。根据纺纱机工艺计算公式[21]，当罗拉直径为25mm时，其前罗拉转速通常为240r/min，则时间间隔Δt=4s，即产生两个脉冲周期。对方案一的每个测试结果重复5次，将数据结果按照成纱“品种”分类并手工输入纺织过程监控系统的一张临时数据表(TestData)。在相同的实验条件下同时进行，数据采集结果同样以成纱“品种”为主键在自动存入系统数据库历史数据表(HistoryData)的同时在终端界面实时显示。

按照成纱“品种”类别，取时间间隔Δt=4s，并从两数据表(TestData与HistoryData)中统计出纺纱质量的主要特征值(细度不匀(%)、细节(个/km)、粗节(个/km)、强度(cN/tex)、断裂伸长(%))，对比分析相应的质量特征值，并计算出两者的误差，结果如表1所示。

表1 测试与监测数据误差对照表

由表1可见，在时间间隔Δt=4s内，相同工艺、相同规格的纱线质量特征值的误差不同，而且误差间的变化趋势并不遵循一定的规律(如正态分布)，误差数据与质量输出特征值之间很难建立一种线性关系。具体过程如下。

a)在时间间隔Δt=4s内，在每个数据采集点上，通过Δx与Δy之间的数值关系，对两种数据采集方式所形成的质量误差进行仿真，其结果如图3所示。可见，通过设备传感器直接测试和监控系统统计得到的质量特征值之间存在误差，而且误差主要分布在理论平衡点(<5%)之下，这充分说明由现场监控系统采集、处理、统计、分析出的纺纱质量特征值波动较大。为此，在时间间隔内，等间距增加数据采样点，使采样时间间隔Δt=0.25s，通过求导计算得到a=0.8140，b=2.0351，构成如图4(a)所示的线性关系图，通从中获取最优k值，以修正y，最终形成如图4(b)所示的工艺参数组合与质量输出特征值。

图3 数据误差仿真结果

图4 改进的工艺参数与质量输出特征值关系

从图4可见，经函数y=0.8140k+2.0351对质量输出特征值y进行修正后，其Δy随着斜率减小而降低，相应地M值也减小，从设备传感器直接获取质量数据，其数据计算结果精度明显高于上位机监测器所采集的数据，并且函数y=f(x)的斜率降低，对应的函数曲线趋于直线。

b)在a)的基础上，为进一步探索影响Qp形成过程中纺纱质量特征值波动的规律性，结合表1的波动误差，形成如图5所示的误差源判别图，从两个实验方案中判断纺纱质量特征值波动特征的异同，并从中界定影响Qp形成过程的主要根源。

图5 质量数据误差源判别

从图5可见，由监测系统采集处理的监测数据误差曲线基本位于测试数据误差曲线之上，说明监测系统采集的纺纱质量数据产生的数据误差相对较大，故引起纺纱质量特征值波动的主要源泉在于监测系统。但是，这种数据误差的变化趋势将随着纺纱过程的不断推进，曲线趋于平稳下降趋势，且总体小于3%，能满足纺织企业既定误差(<5%)要求。

c)在确定了质量数据误差源后，结合表1中的数据，构建如图6所示的不确定因素间的关系图Q=K∪(K∪O)，并令原料、人、方法、设备、测量和环境因素分别对应的元素为x1、x2、x3、x4、x5、x6，这样因素集K的样本数为6，O为因素交集，故图中横坐标表示因素交集数，纵坐标表示因素关系边集R=(K∪O)，且R∈[0,1]，由此从中探究影响质量波动的关键因素。

图6 不确定因素间关系

由图6可见，在这个已给定的多因素影响集中，因素集x1∩x2≠φ，x3∩x4∩x6≠φ，且具有高相关度，而因素集x2∩x3∩x4∩x5∩x6≠φ，但具有低相关度。而且，因素集x1∩(x2∪x3∪x4∪x5∪x6)=φ，相互间相关度为零。但是，x1表现出的直接影响关系可直接影响纺纱质量，而x2、x3、x4、x5、x6因素表现出的间接影响关系除对纺纱质量形成过程产生影响外，各因素之间也相互影响，其中因素集x3、x4、x5、x6之间具有高相关度，而其与x2具有低相关度。

d)在时间间隔Δt=0.25s，计算出纺纱质量波动率的基本统计特征值，即：质量波动率均值为-1.008、标准差为3.2152，说明当Δt=0.25s时，纺纱质量波动率呈下降趋势。偏度值为-0.0254，体现出纺纱质量特征值的波动具有左倾斜性，并且峰度值达到7.1692(>3)，雅克贝拉检验值(JB值)为835.42，结果表明纺纱质量特征值的波动过程并不服从正态分布。同时，有显著性差异P<0.05，说明整个纺纱质量特征值波动过程具有自相关性。

为进一步辨识在自相关稳态下不确定因素的影响行为，通过分析同品种不同数据之间的数据依赖关系，采用低阶的且变量参数较少的TARCH(1,1)模型进行估计质量特征值波动过程的自相关性，形成的TARCH(1,1)估计的拟合结果中，赤池信息量准则AIC=-6.423，Q统计量=0.546，结果表明TARCH(1,1)模型对纺纱质量特征值波动过程的自相关性具有良好的估计，并且AIC值越小则估计结果越好。而且，拉格朗日乘数检验统计量LM=0.755，说明TARCH(1,1)模型在自相关稳态下对不确定因素异常行为的辨识和对纺纱质量损失的补偿具有较好的有效性。由此，形成的TARCH(1,1)模型的估计结果如下。

均值方程为：et=-0.0014-0.0186et-1+εt

(-1.48) (0.39)

条件方差为：

(32.88) (14.56) (-4.327)

综上所述，结合图6和TARCH(1,1)模型，当时间间隔Δt=0.25s时，纺纱质量形成过程中各影响因素实时在线爆发时的概率分布图如图7所示。

图7 不确定因素异常概率

可见，在同一时间间隔Δt=0.25s内，随着纺纱过程纺纱质量的不断成长，x3(方法)、x1(原料)、x4(设备)三因素的爆发概率较大，概率均值依次接近46%、29%、13%，可视为影响纺纱质量波动的关键因素，而且x3(方法)的脆性最易爆发且概率最高，视为引起纺纱质量波动的最关键因素。

4 结 论

从纺纱质量特征值波动问题角度出发，依托人机环境系统工程学理论，从4个方面探索了纺纱质量特征值波动的内在机理，构建了纺纱质量特征值波动预测“四步法”。而且，结合现场的实时在线数据，通过两种实验方案的仿真和对比分析，实现了纺纱过程中从质量特征值的波动成因、规律到影响因素的产生机理及与纺纱质量特征值之间相关关系表达，再到影响因素异常行为辨识的全方位分析。由此，对纺纱过程质量特征值波动内在机理的研究，不但有利于整个纺纱质量的事前预测和可视化管理，而且有利于实现基于实时数据的纺纱质量在线检测，从而保证企业、乃至车间整个制造过程的连续性，并为纺织企业解决制造过程的“异常事件”而提供理论依据。

[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,王进富,马晓红,等.一种影响织造过程的不确定性预测理论模型[J].纺织器材,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] 吕志军,杨建国,项前.基于遗传算法参数优化的纱线质量预测技术[J].东华大学学报:自然科学版,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,李利强,杨建国,等.基于GA-SVM的质量预测系统设计和实现[J].计算机工程,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.

(责任编辑：许惠儿)

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

陕西省科技计划项目(2013KRM07)；陕西省社科基金项目(13D026)；陕西省社科界重大理论与现实问题研究项目(2014Z039)；中国纺织工业协会指导性计划项目(2014076，2013068，2011081)；陕西省教育科学“十二五”规划课题(SGH140649)；陕西省教育厅科研计划项目(2013JK0742，11JK1055)

张卫东(1979-)，男，陕西西安人，工程师，硕士，主要从事纺织生产过程管理。

马创涛,E-mail:shawnxpu@163.com

TS103.2

A

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