基于LS-SVM的织物烘干含水率模型的应用

赵迪, 金福江, 叶斌

(华侨大学信息科学与工程学院,福建厦门361021)

基于LS-SVM的织物烘干含水率模型的应用

赵迪, 金福江*, 叶斌

(华侨大学信息科学与工程学院,福建厦门361021)

针对织物烘干过程中工艺参数设定把握不准,导致织物过烘或未烘透造成能源浪费或织物质量下降的问题,分别采用多元非线性回归、扩展的GM(1,1)、最小二乘支持向量机建立织物干燥过程中的含水率预测模型,并通过实验验证方法的有效性。实验结果表明,相对于其他两种模型,基于最小二乘支持向量机的含水率预测模型可以准确学习织物干燥过程中的非线性关系,预测值平均误差低至1.8%。因此,该模型是准确的,可以为烘干环节生产工艺的选取提供依据。

织物烘干;含水率;预测;建模;最小二乘支持向量机

作为印染过程的重要一环,织物烘干的目的是使高温固色织物的湿度低于纤维临界含水率[1]。传统印染企业通常依靠经验对织物烘燥过程工艺参数进行人为设定,但这样往往造成织物过度烘燥或者未烘透,容易导致浪费能源或对织物手感、悬垂性产生影响。因此,研究烘干工艺参数与织物下机含水率之间关系的数学模型,并建立含水率变化的预测模型以及工艺参数优化模型,成为印染企业亟待解决的问题。

在干燥模型方面,诸爱士[2]、刘显茜等[3]及高波等[4]分别研究了热风干燥时茭白、胡萝卜、红枣等的水分比随时间变化的关系模型,但都只针对温度固定时含水率随时间变化的情形,并未考虑烘干温度、初始含水率及生产实践中超喂率对烘干过程的影响。为此,文中将初始含水率、温度、超喂率及烘干时间作为系统输入,将最终含水率作为系统输出,利用多元非线性回归、扩展的GM(1,1)灰色预测、最小二乘支持向量机(LS-SVM)建立织物烘干过程中多种工况下的含水率预测模型,利用不同模型间对比以及同模型不同优化参数的对比给出最优模型,并通过实验验证模型的有效性。

1 织物烘干过程简述

烘干过程中,将织物通过轧车、拉幅架等机械装置平铺于网带上,由传动装置带动织物进入烘燥机并在循环热风上下交错的喷吹下无张力波曲状前进,最终达到烘干的目的。可见,影响织物干燥状态的主要因素为循环热风的温度、喷风速度[5-6]以及网带的行进速度(等价干燥时间)。由于喷风速度受限于烘干机,故不予考虑。另外,为保证织物经纬向充分收缩以降低缩水率,一般会使织物以一定超喂进入烘燥机,超喂影响水分转移速度以及表面水分汽化速度。因此,选取

输入特征向量 X=(x1,x2,x3,x4),

输出特征向量 Y=(y)。

其中,x1,x2,x3分别为实验条件中的初始干基含水率、温度、超喂率;x4为采样时间;y为下机含水率。织物烘干的工作原理如图1所示。

图1 织物烘干的工作原理示意Fig.1 W orking princip le of fabric drying

2 织物含水率预测模型建立

在Rapid烘干定型机上,以纯棉双面布为实验对象,以初始干基含水率0.6～1.5,烘干温度80～160℃,超喂率-0.2～0.6为实验条件,通过控制变量法共设计27大组实验,实验条件取值的空间分布如图2所示。根据GB/T9995—1997含水率测定法取20 s(织物失重为最终失重98%时所需时间的20%,实验条件不同应取间隔不同,为统一选择各个条件下应取的最短间隔20 s)为时间间隔,当相邻两次烘干质量变化小于0.1%时,停止烘干。将测得的含水率作为输出,每测一次作为一组数据,共计得290组数据。所有数据中选200组用于模型的拟合或者训练,其余90组用于模型测试。

图2 实验条件取值的空间分布Fig.2 Distribution of the experim ental condition in the space

2.1 多元非线性模型建立

首先建立输出与各输入的单元非线性回归模型,再依次选择合适的多元非线性回归模型(Multiple Non-linear Regression,MNLR),模型如下:

2.2 GM(1,1)预测模型

由于GM(1,1)为输出关于时间的1阶单变量模型,因此对于多变量系统需要扩展后使用,将扩展后的GM(1,1)模型称为EGM(Extending Grey Model)。

2.3 基于LS-SVM的预测模型

建立LS-SVM模型,首先对原始数据进行预处理,消除不同变量取值范围间的巨大悬殊;构建数据样本,选择合适的核函数,将学习样本输入支持向量机训练;采用交叉验证法优化参数,获得输入输出的精确映射关系;最后输入测试样本获取模型误差[7-10]。具体建模流程如图3所示。

图3 LS-SVM建模流程Fig.3 Flow chart of the LS-SVM m odeling

最终确立模型如下:

3 模型有效性分析及验证

3.1 3种模型预测效果对比

将290组数据全部纳入考查范围,以拟合优度R2和均方根误差RMSE(Root Mean Square Error)为评价指标,对比多元非线性模型、GM(1,1)预测模型和基于LS-SVM的预测模型的整体拟合效果。3种不同模型的性能对比见表1。其中

表1 3种模型性能对比Tab.1 Com parison o f them odels’p roperty

由表1可以看出,基于LS-SVM的预测模型的拟合优度最接近1,且均方根误差最接近0。由此可见, LS-SVM模型的回归效果明显好于其他两种,MNLR次之,EGM预测模型整体效果最差。为更具体对比3种模型预测效果,随机选择一种实验条件,以初始含水率x1=1.027,温度x2=80℃,超喂率x3=0.6为例,观察随着烘干过程的进行3种模型的跟踪效果,并利用下式计算相对误差。

3种模型的跟踪效果如图4所示。

图4 3种模型跟踪效果对比Fig.4 Com parison of threemodels’tracking effects

由图4可见,LS-SVM预测模型表现出良好的预测效果,相对误差一直稳定于0附近;而扩展的GM(1,1)模型在烘干开始之初表现良好,但随着烘干过程的推进,预测值逐渐漂移,越来越偏离真值。这与EGM模型本身的建模方法有关,因它是根据几个初始时间序列预测后续时间序列取值,故当预测点与已知的建模数据时间点靠近时预测较精准,后续时间点预测误差很大;而多元分线性模型的预测误差表现出较强的随机性,无规律可言。

3.2 不同核函数的LS-SVM性能对比

为选择合适的LS-SVM核函数,分别采用高斯径向基(RBF)、多项式、线性函数为核函数,输入模型进行训练,并采用交叉验证法优化模型参数,将得到的测试样本的预测值分别与实验值比较,得到图5所示的对比图。

由图5可以看出,采用RBF和多项式核函数的LS-SVM模型获得良好的预测效果,线性核函数的实验模型出现明显偏差。为进一步对比3种模型整体的拟合效果,给出模型拟合优度和均方误差,具体见表2。

由表2可见,在参数选择合适的前提下,采用RBF核函数和多项式核函数可以达到相似的拟合效果;采用RBF核函数模型性能略好;以线性函数为核函数的模型泛化能力较差。对于文中含水率预测模型系统内存在的复杂的非线性关系,采用线性函数的LS-SVM模型明显不适用。

3.3 参数优化前后模型性能对比

采用交叉验证法为模型选择合适的优化参数,以均方根误差RMSE、拟合优度R2、平均误差为指标对比参数优化前后模型的预测效果(见表3所示)。其中,平均误差按下式计算。

图5 3个不同核函数的LS-SVM模型预测值与实验值对比Fig.5 Com parison between predictive values and experimental ones of three LS-SVM models for different kernel functions

表2 3个不同核函数的LS-SVM模型性能对比Tab.2 Com parison of the LS-SVM m odel perform ance for d ifferent kernel functions

表3 LS-SVM模型参数优化前后效果对比Tab.3 Com parison of the model parameters optim ization effect

由表3可见,平均预测误差减少4.9%,优化效果明显,也彰显参数(C,σ2)取值对于模型回归效果的重要作用。

4 结 语

通过MNLR,EGM,LS-SVM 3种模型的性能对比以及LS-SVM不同核函数、参数的模型性能对比,可得出以下结论:

1)相比MNLR和EGM,LS-SVM方法有较强的非线性关系学习能力和良好的泛化能力;

2)在LS-SVM模型核函数的选择上,只要参数优化得当,采用RBF和多项式核函数模型可以达到相似的性能;

3)对于文中的含水率预测模型,以RBF为核函数的LS-SVM预测模型为最佳选择;

4)基于LS-SVM的含水率预测模型,拟合优度99.95%,平均预测误差1.8%,可以用于生产实践中的含水率预测,并为烘干过程中的工艺参数设计提供有效参考。

另外,文中仍有诸多欠缺之处,如未能给出SVM正则化参数和核参数的选定方法,只能是逐点搜索寻找最优;只是给出织物含水率的预测模型,未继续探究如何根据含水率变化情况逆向求解烘干过程工艺参数。对以上问题的弥补可成为今后的努力方向。

[1]陈立秋.连续轧染设备的技术进步[J].印染,2004(10):35-38.

CHEN Liqiu.Progresses in continuous pad dyeing equipment[J].Dyeing and Finishing,2004(10):35-38.(in Chinese)

[2]诸爱士.茭白片热风对流干燥模型与传质性能[J].高校化学工程学报,2012,26(3):541-546.

ZHU Aishi.Themodel and mass transfer performance of convective hot air drying of water-oat slices[J].Journal of Chemical Engineering of Chinese Universities,2012,26(3):541-546.(in Chinese)

[3]刘显茜,陈君若,刘美红,等.胡萝卜对流干燥过程理论分析——临界水分质量比[J].化学工程,2012,40(9):34-37,47.

LIU Xianxi,CHEN Junruo,LIU Meihong,et al.Theoretical analysis of convective drying process of carrot-critical:moisturemass ratio[J].Chemical Engineering,2012,40(9):34-37,47.(in Chinese)

[4]高波,吴文福,杨永海.一种薄层干燥新模型的建立[J].农业机械学报,2003,34(3):55-57.

GAO Bo,WUWenfu,YANG Yonghai.Development of a new thin-layer drying model[J].Transactions of the Chinese Society of Agricultural Machinery,2003,34(3):55-57.(in Chinese)

[5]朱冬林,王磊.合成纤维织物和棉织物热风干燥特性的实验研究[J].东华大学学报:自然科学版,2003,29(1):81-84.

ZHU Donglin,WANG Lei.Experimental research on convection drying characteristics of synthetic fibre and cotton fabrics[J]. Journal of Donghua University:Natural Science,2003,29(1):81-84.(in Chinese)

[6]凌群民,谭磊.织物干燥机理及干燥速率的探讨[J].纺织学报,2006,27(8):22-24.

LING Qunmin,TAN Lei.Investigation on the principle and the rate of fabric drying[J].Journal of Textile Research,2006,27 (8):22-24.(in Chinese)

[7]钟丽莹,金福江.基于LS-SVM的棉/氨弹力布热定型效率[J].武汉理工大学学报:信息与管理工程版,2010,32(1)88-90,95.

ZHONG Liying,JIN Fujiang.Heat-setting efficiencymodel of cotton-spandex knitgoods based on LS-SVM[J].Journal ofWuhan University of Technology:Information and Management Engineering,2010,32(1)88-90,95.(in Chinese)

[8]叶蔚,王时龙,雷松.支持向量机刀具磨损预测模型及Matlab仿真[J].工具技术,2009,43(10):42-45.

YEWei,WANG Shilong,LEI Song.Predicting model of cutting tool wear based on least squares support vector machine and Matlab simulation[J].Tool Engineering,2009,43(10):42-45.(in Chinese)

[9]孙涵,杨普容,成金华.基于Matlab支持向量回归机的能源需求预测模型[J].系统工程理论与实践,2011,31(10): 2001-2007.

SUN Han,YANG Purong,CHENG Jinhua.Forecastingmodel of energy demand based on Matlab support vector regression[J]. Systems Engineering Theory and Practice,2011,31(10):2001-2007.(in Chinese)

[10]阎威武,邵惠鹤.支持向量机和最小二乘支持向量机的比较及应用研究[J].控制与决策,2003,18(3):358-360.

YANWeiwu,SHAO Huihe.Application of support vector machines and least squares support vector machines to heart disease diagnoses[J].Control and Decision,2003,18(3):358-360.(in Chinese)

(责任编辑:邢宝妹)

Research and App lication of Fabric M oisture Content M odel Based on LS-SVM

ZHAO Di, JIN Fujiang*, YE Bin
(College of Information Science and Engineering,Huaqiao University,Xiamen 361021,China)

It is hard to grasp the parameter setting in the fabric drying process,which will cause over-drying or under-drying,and lead to energy waste or the decreasing of the quality.To solve this problem,this paper,uses the multivariate non-linear regression,extended GM(1,1)and the least squares support vector machines(LS-SVM)to establish the prediction model of moisture content(dry base)during the drying process,then draws the conclusion through experiments that compared with other twomodels,the least squares based support vectormachinemodel could effectively learn the non-linear relationship in the drying process for predicting moisture content,and the average prediction accuracy is as low as 1.8%.As a result,LS-SVM could effectively predictmoisture content and provide theoretical basis for the selection of production parameters in the actual drying process.

fabric drying,moisture content,prediction,modeling,LS-SVM

TP 18;TS 115.1

A

1671-7147(2015)01-0006-05

2014-08-01;

2014-09-16。

国家自然科学基金项目(61143005);福建省产学研重大专项项目(2011H5019);福建省泉州市科技计划重点项目(2011G8)。

赵迪(1991—),女,河南商丘人,电气工程专业硕士研究生。

*通信作者:金福江(1965—),男,新疆乌鲁木齐人,教授,博士生导师。主要从事复杂系统建模、优化与控制等研究。

Email:jinfujiang@163.com