基于遗传神经网络算法的纺织生产过程参数反演

杨建国，熊经纬，徐　兰，项　前

(东华大学 机械工程学院， 上海 201620)

基于遗传神经网络算法的纺织生产过程参数反演

杨建国，熊经纬，徐兰，项前

(东华大学 机械工程学院， 上海 201620)

摘要：针对纺织工艺中部分参数不易获得却又对加工工艺产生重要影响的情况,基于BP(back propagation)神经网络算法建立纺织工艺参数正演模型,用遗传算法优化了网络的初始阈值和权值,使得网络预测精度大大提高,在此基础上,通过改进的遗传算法对反演参数进行求解.以实例验证了该算法的可行性和有效性,对纺织企业提高工艺开发的针对性、降低生产成本有一定的借鉴作用.关键词： 纺织生产参数反演； 工艺设计； 遗传神经网络算法

纺织品加工是一种典型的复杂非平稳加工过程,常见的纺织品原料初加工、前纺、后纺、织造及染整等几大工序中,纺织品加工处于内外环境的扰动中,不但包括材料位移过程和流体动力学过程,而且包括复杂的热交换与化学反应.为了实现对纺织品加工质量的准确预测与控制,国内外不少专家、学者开展了研究与实践,并取得了较多的成果[1-4].生产质量预测是在确定的输入即原料和设备工艺参数条件下,预先判别计算与求解加工系统并得到产品质量的关键参数,用以预防产品质量可能出现的问题并且缩短生产周期.而反演问题则是指在保证产品质量的前提下,通过反演模型得到可以作为原料及主要工艺参数进行选择和设计的依据,以提高产品工艺开发的针对性,在保证产品质量要求前提下尽可能降低生产成本.

纺织生产过程的正演模拟可表达为模型参数的非线性函数,因而其反演也可归为非线性最优化问题.在所有非线性反演中,彻底搜索法(或称穷举法)是最简单、最直接的方法[5],但在面对海量的数据时,该方法完成彻底的搜索几乎是不可能的,即使是计算机也难以完成,因此需要寻找一种有效的算法来进行反演.近几年,以GA(genetic algorithm)、BP(back propagation)人工神经网络等为代表的全局优化算法成为了国内外反演领域的研究热点[6-10].文献[11]对编织机的工艺性能参数(直径和隔距)预报采用了基于径向基神经网络的神经模糊推理系统,直径和隔距的平均预报精度分别达到97.74%和99.59%,回归模型的结果则分别为97.73%和99.46%.在原始数据含有噪声(即测量误差含有异常值)的情况下,文献[12]运用Huber范数作为反演的目标函数,并采用L-BFGS拟牛顿法对其进行求解,反演结果具有良好的稳定性.但是拟牛顿类算法的一个主要缺点是需要花费大量的内存去存储海森矩阵或与海森矩阵特性相似的矩阵,这也是反演算法中经常遇到的一个问题.为了求解鲁棒性的反演问题,文献[13]提出了一种修改的非线性共梯度算法,该方法主要利用IRLS(iterative reweighted least square)算法的加权思想来改变搜索方向从而增加稳定性.文献[14]采用直接逼近法来反演棉花模型所需的初始数据及参数,将遥感信息和棉花模型相结合,建立遥感-棉花的反演模型,试验验证了该模型是可行的.文献[15]通过建立遗传神经网络模型代替堆石坝的有限元计算程序以提高反演计算效率,同时利用遗传优化的算法全局搜索功能寻找使遗传神经网络模拟值和实测值之间误差最小的最优参数组,并通过Matlab实现基于遗传算法和遗传神经网络算法的堆石料参数反演分析,反演结果表明该算法能够很好地提高反演分析效率及准确性.

针对传统参数反演算法存在收敛性和稳定性不理想、反演精度较低、计算速度较缓慢等问题[16-19],本文利用遗传算法优化BP(back propagation)神经网络的权值和阈值来建立遗传神经网络正演模型,根据毛纱CV值来反演生产过程工艺的输入参数，研究结果对纺织工艺参数调节提供可靠的理论依据.

1纺织品工艺参数反演问题描述

对于毛纺精梳细纱生产而言,制约产品质量的两大要素包括原料的性能参数与加工工艺参数，其中细纱牵伸倍数、毛条含油率、纤维长度、纤维直径、毛条回潮率、细纱钢丝圈号、细纱车速及细纱牵伸倍数等,都是影响各工序加工效率和产品质量的关键因素.当工艺过程中的输出目标参数一旦确定,在其中一个或几个输入参数可变的情况下,通过反演模型得到不同的输入参数组合,再根据加工效率、生产成本等条件对可选组合进行筛选,最终得到最优的输入参数组合,从而实现更加合理的工艺设计,因此,对某些参数进行有效反演具有重要意义.本文要解决的纺织工艺参数反演问题:已知部分输入工艺参数和输出目标参数,通过构造反演模型,反演出能满足相同输出目标的大量可选输入参数组合,为进一步的最优工艺参数调节奠定基础.

2数学模型

纺织工艺参数反演是通过已获得的工艺参数建立反演函数,可归结为数学中的组合优化问题.纺织加工中有些参数易于获得,而有些参数不易获得或通过常规方法获得往往会产生很大的误差,但这些参数往往又对生产效率产生很大影响,因此,为纺织参数反演寻求一种有效求解方法是非常必要的.

将纺织品工艺参数反演抽象为数学模型时可用如下描述：

(1) 设O={o1,o2,…,on}是某纺织加工工序中n(n>1) 个加工参数的集合,其中参数on与o1,o2，…，on-1有关,即on可由前n-1个参数预测得出；

(2) 假设op和oq是纺织加工中不易获得且对工艺影响重大的参数,实际生产中该参数只有少部分数据,为了反演获得更多的参数op和oq,通过构建神经网络,将一组o1,o2,…,on-1数据作为网络训练输入,on作为网络输出,将训练好的网络封装成一个函数f(o1,o2,…,on-1),即任意给定一组o1,o2,…，op,…,oq,…,on-1可通过该神经网络封装函数计算得到on；

(3) 构建遗传算法,将op和oq编码成染色体,令g(o1,o2,…,on-1)=f(o1,o2,…,on-1)-(on)真实值,则目标函数可表示为:min(abs(g(o1,o2,…,op,…,oq,…,on-1)))，从而得到反演参数op和oq.

3反演算法设计

3.1反演算法基本步骤

(1) 基于部分已知精纺毛纱样本的线密度离散(离散系数)、毛条含油量、粗纱捻系数、毛条回潮率、纤维长度(豪特长度LH)、细纱车速、细纱牵伸倍数、纤维直径(平均直径)、细纱钢丝圈号、纤维质量不匀率等条件.结合神经网络算法建立针对初始细纱CV值的预测模型.

(2) 根据已建立的初始精纺毛纱CV值预测模型得到预测数据,计算实际数据与预测数据的均方根误差是否满足设定的精度要求,若达到精度要求则迭代终止,否则继续迭代直至精度符合要求.

(3) 基于当前正演模型,通过遗传算法构造其反演模型,达到反演问题的迭代计算.

(4) 以CV值实测数据与预测数据的差作为目标函数,在新模型的基础上反演出所需要的参数.

(5) 对所有符合条件的反演数据,根据正演模型计算出CV值预测数据,从而得到目标函数值,再挑选出最佳反演参数.

反演算法的流程如图1所示.

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

3.2BP神经网络结构参数设定

本文建立3层BP神经网络的预测模型,其结构示意图如图2所示.其中m为输入层节点个数,k为输出层神经元个数,n为隐含层节点数,f1为隐含层传递函数,f2为输出层传递函数，a1为隐含层输出值，a2为输出层输出值，B1为输入层-隐含层阈值矩阵，B2为隐含层-输出层阈值矩阵,W1为输入层-隐含层神经元权值矩阵；W2为隐含层-输出层神经元权值矩阵.

图2　3层BP神经网络结构Fig.2　The three layer BP neural network structure

任意m维到k维的映射可以通过3层BP神经网络来完成,选择隐含层节点数n的经验公式为

(1)

3.3GA优化神经网络权值和阈值

(1) 种群初始化.染色体采用十进制编码方法,其每个数码由4位二进制数码表示.染色体个体包括了神经网络全部权值和阀值,在网络结构已知的情况下,就可以构成一个结构、权值及阀值确定的神经网络.

对BP神经网络的权值和阈值进行编码：

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

初始的权值与阈值通常是随机赋值的,范围一般限定在[-0.5,0.5].本文染色体初始值采用随机法取值,染色体长度L=m×n+n×1+n×k+k×1，然后从[-0.5,0.5]中随机抽取N×L个均匀分布的数据作为初始种群,N为初始种群中的个体数目.

(2) 适应度函数的确定.对于给定的训练数据与实际数据,将实际数据与预测数据的平均绝对误差定义为适应度函数f，如式(2)所示.

(2)

式中:S为网络输出的节点个数；yi为网络第i个节点的实际数据(即期望输出)；oi为第i个节点输出的预测数据.

(3) 选择算子.设种群有N个个体组成,且个体x对应的适应度值为f(x)，则选中x的概率为

(3)

根据px的大小,选择操作采用轮盘赌法.

(4)

(5)

其中：μ为(0,1)之间产生的随机数.根据式(4)和(5)的交叉运算可以保证产生的两个个体的搜索空间限制在两个父代所在的区域之间.

(5) 确定变异算子.变异操作是指从种群中任选一个个体,选择染色体的一点进行变异以产生更优秀的个体.对第i个个体的第j个基因aij进行变异操作：

(6)

式中：amin和amax为基因aij的最大与最小值,即上下界；f(g)=r2(1-g/Gmax)2,r2为随机数,g为当前的迭代次数,Gmax为最大迭代次数；r为[0,1]之间的随机数.

3.4GA算法反演

3.4.1基因编码

对于纺织工艺参数反演问题,单纯的实数编码无法将离散编码序列和连续的微粒位置对应起来.为了便于参数反演的描述和遗传操作,本文提出采用二进制数与实数相结合的方式来对粒子进行编码,要点如下.

(1) 粒子的编码由两部分组成(如图3所示),左边部分a，b，…由(0,n)之间的实数组成,其个数等于反演参数的总数n,其数值表示反演参数的位置.

(2) 右边部分采用格雷方式编码,A，B，…由0或1的随机数组成,每一个反演参数由八位的二进制编码表示,设M=[A,B,…],则length(M)=8×m.

图3粒子编码结构
Fig.3Particle coding structure

3.4.2初始种群的产生

在种群初始化过程中,基因左边部分由实际所需反演的参数来决定,如产生a=2,b=5,则表示需要对毛条回潮率和纤维长度进行反演,一旦确定后种群中a,b的值在迭代过程中就不发生变化；右边部分随反演参数个数不同而变化,若反演参数个数为2,则在一定范围内随机产生1行16列的0和1数值矩阵来初始化种群.

3.4.3选择

3.4.4交叉变异

交叉及变异都是形成新个体的有效方法,交叉变异算法的优点是能够避免部分信息的丢失,最大限度地保证了遗传算法的有效性.

本文采用的交叉变异算法：(1)根据反演参数的总数I随机产生I个0或1的数T1,T2,…,TI,如I=2,T1=0,T2=1；(2)将T1,T2,…,TI插入染色体二进制编码片段中,每隔8个插入一个TI；(3)判断TI的值,若TI=0,则对该段基因不作任何更改,若TI=1,将两个相互配对的个体在两个随机设置的交叉点之间的部分染色体进行交换.

设X1和X2分别为需要进行交叉操作的2个父代个体,Y为交叉后产生的子代个体,交叉过程如图4所示.

图4　交叉示意图Fig.4　The cross diagram

个体的变异采用均匀变异的方法,即依次选取个体编码串中的每个基因作为变异点,对于每一个变异点以变异概率从基因的取值范围内取一个随机数来代替原有的基因值,如图5所示.

图5　变异示意图Fig.5　The mutation diagram

4应用实例

以某公司的精纺毛纱生产过程中毛条含油量和细纱牵伸倍数的反演为例说明本文算法的实现过程.首先建立毛纱CV值的正演模型,其中输入参数为纤维直径离散(离散系数)、毛条含油量、纤维质量不匀率、粗纱捻系数、毛条回潮率、纤维长度(豪特长度LH)、细纱车速、细纱牵伸倍数、细纱钢丝圈号、纤维直径(平均直径),输出参数为毛纱CV值,已知某公司精纺毛纱的生产数据如表1所示,选取样本编号1～69作为训练数据集,样本编号70～74作为模型测试数据集.

(续　表)

(续　表)

运用Matlab软件编写相关程序,神经网络预测模型算法参数设定：输入神经元个数m=10,输出神经元个数k=1,隐含层节点数n根据式(1)设为7,训练函数trained,隐含层函数tansig,输出层函数purelin,种群大小为30.毛纱CV值预测模型的进化过程如图6所示.

图6　毛纱CV值预测模型适应度值变化图Fig.6　　　　The change process of forecasting model 　　　on worsted yarn’s CV values

从图6可以看出,当进化代数达到68代以后,测试集预测结果的适应度函数值(即平均绝对误差)逐渐趋于稳定,大约为1.7%,此时平均适应度值与最佳适应度值接近,表明每个个体都在最优解附近.

神经网络预测模型训练好以后,现给定一组新数据,如表1中的样本编号75,通过建立的反演模型反演毛条含油量和细纱牵伸倍数两个参数.经多次实验,进行最优参数选择,反演模型的参数设定为：种群大小为30,最大迭代次数为100,交叉概率为0.8,变异概率为0.05.遗传神经网络算法反演迭代结果如图7所示.由图7可知，该算法迭代不到10次就已经收敛,最优的5次参数反演输出结果如表2所示. 由表2可知,经遗传算法优化的神经网络在反演精度上可达95%以上.

图7　遗传神经网络算法反演迭代结果Fig.7　　　　Genetic neural network algorithm 　　　iteration inversion results

参数12345真实值平均相对误差毛条含油量/%1.151.071.051.161.181.104.73%细纱牵伸倍数/倍21.2221.4520.4222.9023.2022.805.11%

5结语

针对传统参数反演算法存在收敛性与稳定性不理想、反演精度较低以及计算缓慢等问题,本文利用遗传算法优化BP神经网络的权值和阈值来建立遗传神经网络正演模型,再根据毛纱CV值来反演生产过程工艺输入参数,最后以实例验证了算法的可行性和有效性,反演精度达到95%以上.根据本文的反演结果可调节其动态加工生产过程中的敏感参数,使产品质量达标且工艺组合得到优化,同时对企业新产品工艺开发设计的快速决策也具有很好的借鉴作用.

参考文献

[1] 李翔,彭志勤,金凤英,等.基于神经网络的精纺毛纱性能预测模型比较[J].纺织学报,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] 刘彬，项前，杨建国，等.基于遗传神经网络的纱线质量预测[J].东华大学学报(自然科学版)，2013,39(4)：504-508.

[5] 王家映. 地球物理资料非线性反演方法讲座(二):蒙特卡洛法[J]. 工程地球物理学报,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] 刘斌,李术才,李树忱,等. 基于不等式约束的最小二乘法三维电阻率反演及其算法优化[J]. 地球物理学报,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,杜阳,杜今阳,等. 微波遥感地表参数反演进展[J]. 中国科学(地球科学),2012,42(6):814-842.

[10] 田明俊,周晶. 岩土工程参数反演的一种新方法[J]. 岩石力学与工程学报,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] 赵艳霞,秦军,周秀骥. 遥感信息与棉花模型结合反演模型初始值和参数的方法研究[J]. 棉花学报,2005,17(5):280-284.

[15] 吕松召,张墩,付志昆,等. 基于遗传算法和遗传神经网络算法的堆石料参数反演分析研究[J]. 中国农村水利水电,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

文章编号：1671-0444(2016)02-0234-08

收稿日期：2015-04-02

基金项目：国家自然科学基金资助项目(51175077)

作者简介：杨建国(1951—)，男，上海人，教授，博士，研究方向为光机电一体化和智能机器人、现代集成制造系统技术、智能检测与控制、CAD/CAPP/CAM.E-mail:jgyangm@dhu.edu.cn

中图分类号：TH 16.2

文献标志码：A