人工智能技术驱动的纺纱质量预测研究进展

赵薇玲 章军辉 陈明亮 李庆 陈大鹏

摘要： 本文探讨了人工智能技术在纺纱质量预测领域的应用、创新与不足，介绍了Hadoop技术为纺纱质量预测建模提供可靠高效的数据处理与运算平台，重点阐述了智能建模方法在纺纱质量预测领域的研究进展。通过分析得出基于数据与知识融合驱动的人工智能技术，构建出多工序关联的混合智能模型，用以准确描述纱线质量与纤维特性、工艺参数、环境参数等之间的非线性映射关系，可为试纺、过程参数设计、态势预测等环节提供指导，具有重要的理論研究意义。

关键词： 纺纱质量预测;人工智能;Hadoop技术;混合智能模型;目标优化;发展趋势

中图分类号： TS104.7

文献标志码： A

文章编号： 1001-7003（2023）04-0061-10

引用页码：

041109

DOI： 10.3969/j.issn.1001-7003.2023.04.009（篇序）

纺纱是纺织产业链中的首道工序，根据纺织技术的不同，可以分为环锭纺、转杯纺、喷气纺及其他新型纺纱，不管什么类型的纱线都会受原料质量、工艺参数等因素的影响，进而影响到织造、印染等后道工序的品质。科学合理的纺纱质量预测不仅能够减少原料浪费、提升纱线质量，还可以协调成本与质量的相互关系。高效准确的底层数据支撑、合理的特征因素及有效的预测模型都决定了纺纱质量预测的有效性，甚至关系到试纺、工艺优化等任务的进一步开展［1］。毛羽、强度、条干不匀率、断裂伸长率等纱线质量指标是纺纱工序中的重要预测目标。决定成纱质量的两个关键因素是原料性能和纺纱工艺相关参数，因此预测模型的输入特征通常是纤维长度、纤维强度、马克隆值、断裂伸长率、长度不匀率等棉纤维属性，纤维长度、纤维线密度、短毛率、离散系数等毛纤维属性及其他纤维属性，捻度、混纺比等纺纱参数，锭子、罗拉等环锭纺设备参数，转杯类型、转杯直径等转杯纺设备参数，以及其他机器部件的速度、某些设备之间的距离等［2］。人工智能方法和统计方法是建立纺纱质量预测模型的两种主要方法，人工智能方法的预测比统计方法更加准确，因此研究人员在人工智能方法应用于纺纱制造过程建模研究中取得了许多研究成果［3］。

人工智能技术在纺纱行业有多种应用，尤其是检测和预测纱线的质量参数方面。通过适当模拟不同纱线类型的生产过程，智能建模可以改善纱线性能评估和整体质量控制［4］。探讨人工智能技术在纺纱质量预测领域中的应用，在理论上可以深化对纱线工艺制造的认识，在实际应用中对于发展新的预测模型及优化方向也具有重要指导意义［5］。

本文介绍了Hadoop技术在整个纺纱质量预测建模流程中，作为数据处理与运算平台的优势，重点阐述了人工智能技术在纺纱质量预测领域的研究现状，最后对纺纱质量预测研究的共性问题及发展趋势进行了总结与展望。

1 纺纱工业大数据处理

1.1 数据获取

针对纺纱车间设备互联困难、不同系统间“信息孤岛”等问题，一直以来没有广泛认可的一体化解决方案，随着网络技术和新兴技术的发展，多种网络连接技术和通信技术为设备间的互联及数据交互的低时延、高可靠性提供了基础设施保障和技术支撑。现有的典型技术有现场总线、工业以太网、工业无线、5G等;新兴技术有边缘计算、软件定义网络（SDN）、时间敏感网络（TSN）等［6］。现场总线结合

工业以太网完成纺纱设备物理层和链路层的数据传输，利用PLC、RFID、智能化设备接口和人工辅助等多种数据采集方式，通过PLC扩展模块、网关、总线桥、工业交换机和以太网模块等设备完成现场总线组网，总线网络向上集成工业以太网，以TCP/IP作为公共协议，采用“多对一”方式实现多协议的集成，是未来纺纱工业互联互通的主要实施路径［7］。

1.2 数据预处理

1.2.1 数据集成

由于纺纱生产制造工序较长，生产数据种类繁多，分布分散，数据量大，超越了传统的存储方式和数据库管理工具的功能范围，从而导致企业面临数据存储能力不足、数据处理繁琐复杂等困境。随着大数据技术的成熟和发展，依托大数据存储与处理技术可以实现海量纺织数据的可靠存储和高效运算。Hadoop已经成为大数据技术领域中成熟的代表，它具有分布式存储和计算的优势，是一个弹性可扩展式的开源软件框架，用户根据应用需求在其基础上构建模块，共同组成Hadoop生态系统。Hadoop包含Hadoop分布式文件系统和MapReduce计算引擎两个主要组件，其他常用组件有Hbase分布式数据库、Hive数据仓库工具等［8］。

先进的纺纱企业或相关研究机构已经开始应用Hadoop技术构建自己的纺纱大数据平台，依托大数据架构实现纺织制造执行系统的改造升级［9］。邵景峰等［10］基于Hadoop技术构建集成管理平台，融合集成全流程纺纱生产数据，利用智能建模技术挖掘影响纺纱质量的关键因素，分析车间运行的潜在规律，为在线质量检测提供技术支撑。

传统数据库对于大规模数据存储有限、处理缓慢，在一些开展数字化转型的纺纱企业所构建的制造执行架构模型中，以分布式数据库作为底层服务，集中管理、传递和存储数据［11］。冯立增等［12］提出HBase与MySQL双数据库存储方式来改进现有纺织信息系统的传统数据存储方式，其数据集成与处理平台设计如图1所示。先将采集到的各工序生产数据存入HBase中，便于系统快速更新，基于并行计算模式经过质量智能分析后，再将数据存入MySQL数据库中进行基础操作。HBase能够对与纱线质量相关联的各工序参数快速扫描并获取相关数据，为质量预测等数据分析操作提供高效、准确的数据支持，支撑顶层的多维分析与生产应用。

图2是基于Hadoop大数据平台的纺纱质量预测系统总体框架，整体框架一般为三层：数据存储层、数据处理层和数据应用层。数据存储层主要是存储纺纱生产环境中产生的数据，将全流程数据进行融合，过滤处理后进行分布式存储;数据处理层经过数据预处理后利用先进的智能方法建立纺纱质量预测模型，进行快速分析;数据应用层是根据预测结果为企业生产提供决策支持。

根据前述有关纺织行业的解决方案可以看出，基于Hadoop技术的大数据驱动框架，建立纺纱质量预测模型的数据处理与分析平台具有重要意义。以大数据平台为载体，依赖于并行计算方式，同时构建适应于海量数据的纺纱质量预测算法与模型，挖掘出纺纱数据之间潜在的关系和价值，从而根据结果进行纺织行业的预测与研判［13-16］。

1.2.2 数据清洗

根据业务和场景应用的需求，通过Hive数据仓库工具将SQL语句转换为MapReduce任务，对数据集中存在的重复和极值进行剔除，对缺失值采取删除或填充操作，填充方法包括全局变量等通用方式和专家推理预测方法［17］。最后，根据清洗需求进行合理的数据转换，如图3所示。

1.2.3 特征优化

纺纱生产过程中与纱线质量相关联的因素众多，数据量大，如何在海量纺纱数据中获取高质量数据以减少计算资源是研究者们关注的问题之一。在预测建模前，多数研究会对相关特征变量的重要性进行评估，评估结果影响建模分析效率和模型预测精度。主成分分析（Principal component analysis，PCA）与方差分析（Analysis of variance，ANOVA）是纺纱智能建模前进行特征变量选择的重要方法［18-21］。从处理方式来看，PCA侧重于数据量压缩和降低计算成本，ANOVA更注重特征与预测目标之间的关联性［22］。其他特征优化方法还包括：灰色关联分析［23-25］、敏感性分析［26］、逐步回归分析［27］及专家经验结合皮尔森系数［17］等方法。利用这些方式进行特征优化后，不仅加快了预测模型的运行速度，还提高了模型预测精确度。

针对维度高、数据类型复杂的情形，聚类分析也有利于快速提取有效数据［28-29］。为了提升聚类算法面向大规模纺纱数据的全局寻优能力，邵景峰等［30］提出了分布式聚类算法，在面向分布式环境下该算法与传统K-means聚类算法相比，体现出全局寻优能力更强、收敛平稳和速度快的优势。

1.2.4 数据变换

max-min标准化和z-score变换是消除不同量纲对模型影响的常用方法。纺纱理论研究通常采用max-min方法进行数据变换，如下式所示：

x*=x-xminxmax-xmin（1）

式中：x*为纺纱生产数据规范化后的值;x为纺纱生产数据原始值;xmin为纺纱生产数据最小值;xmax为纺纱生产数据最大值。

2 人工智能预测方法

2.1 基于数据驱动的方法

支持向量机（Support vector machines，SVM）实施结构风险最小化原则，具有良好的模型泛化能力，适用于小样本建模。在基于SVM的紡纱质量预测研究中，Ghosh等［31］以纤维参数预测棉纱的强度、断裂伸长率、不均匀度和毛羽，SVM模型训练和测试预测精度都高于ANN模型，并且在噪声数据下SVM比ANN更能保持预测稳定性。项前等［32］和谷有众等［33］同样基于小样本验证了SVM的泛化能力。此外，针对SVM模型核函数和参数确定的问题，对于多数纱线特性，径向基核函数略占优势，更为常用［34］。传统的参数优化方法如经验法、试错法和网格搜索法等费时且容易陷入局部最优，吕志军等［35］给出了遗传算法（Genetic algorithm，GA）优化参数的策略，优化后的纱线强度预测模型的预测精度有所提高，支持向量机个数减少，增强了模型泛化性能，但是模型仅以纤维性能指标预测纱线强度，模型输入和输出类型单一。宋楚平等［36］指出这一问题，添加了设计参数如捻度，设备上机参数如牵伸倍数等作为模型输入，利用案例推理与GA优化的SVM预测模型建立生产工艺优化方案。在后续研究中，模型输入输出多样性逐渐增强，相关研究考虑的影响因素和纱线质量指标越来越多，预测模型也更加复杂。

大量研究开发了ANN模型与统计模型同时预测纱线质量特性，普遍得出了ANN模型结果更加可靠精确的结论，主要归因于ANN模型具有很强的非线性拟合能力［37-43］。BP网络（Back propagation networks，BP）及其变化形式是主流的ANN模型，相关研究验证了其应用于纱线质量预测的可行性和有效性［4，44］。为了克服BP网络训练效率低、易陷入局部最优等不足，纺织学者们还将径向基神经网络（Radial basis function neural network，RBF）应用于纱线质量预测。RBF网络有极佳的逼近特性，收敛性好、训练速度快且不存在局部最小问题，模型结构具有适应性，相比BP网络呈

现出较好的预测精确度和收敛能力［45-46］。然而李翔等［47］在精纺毛纱的条干不匀率和断裂强度预测研究中曾指出，在精度要求相同前提下，BP网络对于异常样本的容错能力更强。

ANN模型结构或重要参数的优化也在相关文献中被广泛讨论。例如，比较各类训练算法如LM算法［22，48-50］、贝叶斯正则化算法［51］等对于模型预测结果的影响，通过试错法或经验法判断最佳隐层数量和隐层神经元个数［52-53］。Ghorbani等［54］研究了不同隐层数量、隐层神经元个数、训练算法和激活函数下的ANN模型，隐层数量和神经元个数以预测精度为评判标准，后几项主要看训练速度和消耗内存。结果表明，具有两个隐层，每个隐层有8个神经元，使用LM算法的网络预测纱线毛羽最准确。

与SVM模型类似，ANN模型结合群智算法能够实现模型参数调优，使得模型更加快速准确地收敛，如基于遗传算法优化的BP网络可以提高纱线质量预测模型的预测精度和稳定性，其性能优于单一BP网络［55］。在GA算法优化ANN模型的研究中，研究人员还对GA算法的编码方式、适应度函数的设计、遗传算子机理等方面进行改进，如思维进化算法（Mind evolutionary algorithm，MEA）［56］、免疫遗传算法（Immune genetic algorithm，IGA）［57-58］与遗传模拟退火算法（Genetic simulation annealing algorithm，GSAA）［59］等。这些研究主要解决GA迭代冗余、后期无法成熟收敛的问题，也验证了基于混合优化算法的纱线质量预测模型比基于GA的模型预测精度和泛化性能更好。

除了模型参数的搜索寻优，群体智能算法还被用于反演纱线原料性能等参数，即通过重要质量特性等目标建立反演模型，推导出最佳纤维、工艺等参数组合［60］。由于纱线质量指标多且可能相互冲突，需要转化为多目标优化问题获取最优解集。Barzoki等［61-62］建立了两个有关纱线强度和纤维质量的优化目标，旨在利用非支配排序遗传算法（Non-dominated sorting genetic algorithm Ⅱ，NSGA-Ⅱ）制定纱线质量较好且成本较低的配棉方案。在此工作基础上，Chakraborty等［63］采用包含NSGA-Ⅱ在内的四种群智算法对纱线质量特性进行多目标优化，粒子群算法的优化性能优于其他算法。这些研究注重优化目标的建立和优化算法的选取，获得最优解集之后，涉及为企业提供指导的决策问题较少被提到。

相关研究尝试了一些新型优化算法，如灰狼算法和帝王蝶算法等。Hadavandi等［64-65］将灰狼算法作为赛洛纺纱线强度预测模型的权值优化器，与其他三种基于传统群智算法的模型相比具有更高的预测精度，并且根据类似研究得出帝王蝶算法同样有效。目前新型优化算法在纺纱理论研究中应用相对较少，其适用性和通用性尚有待深入。

目前深度学习模型在纺纱质量相关研究中应用相对较少，其主要原因在于样本数据规模、类型有限。胡臻龙等［66-67］基于卷积神经网络（Convolutional neural networks，CNN）建立深度神经网络预测模型，将纤维、设备和工艺参数等多个特征参数作为模型输入，其预测误差相比浅层ANN和MLR均控制在1%以内。在后续研究中，考虑到纺纱生产前纺工序对于纱线最终质量的影响，又基于长短期记忆网络（Long short-term memory，LSTM）建立了考虑纺纱时序性的深度预测模型，如图4所示，所考虑的时序性体现每个LSTM单元对应纺纱生产不同工序的设备参数，前纺工序与后纺之间存在的关联及对最终纱线质量的影响。其结果表明，LSTM模型在动态工序数据集上的预测精度比不考虑时序性的人工智能模型高。

大量纺纱理论研究集中在多个特征参数与纱线质量之间的非线性逼近，没有根据工业数据的动态时序性特点考虑有关质量的态势预测问题。在同一批原料的前提下，纺纱加工过程产生的数据随时间变化，如机器部件的速度等特征参数，而这些数据的实时性可能映射出更加准确的纱线质量，使得生产模拟更加真实。利用流行的时序分析方法，如LSTM、门控循环单元网络（Gated recurrent unit，GRU）等建立多工序关联的人工智能模型，学习工序之间、时序之间的相关性，预测未来的质量态势，还可延伸至工艺优化、质量异常追踪和在线质量检测等领域。

目前的纺纱质量预测研究主要应用于试纺和工艺优化两方面。在基于数据驱动的智能建模技术体系中，结合群体智

能算法建立的混合智能模型比单一模型具有更大的灵活性，是目前提高预测性能的普遍做法［27］。

2.2 基于知识驱动的方法

模糊方法建立在模糊规则之上，模糊推理通过制定模糊逻辑将给定输入映射为输出，相对于人工神经网络来说适用于不精确、模糊的或不完备的数据建模，不需要大量示例数据来训练模型。最常用的两种模糊推理算法为Mamdani型和Sugeno型［68］。

研究人员将模糊方法应用到纺纱质量预测领域，通过模糊规则提取和模糊系统结构优化等方面，主要解决如何提高模型精度、保持算法效率，同时兼顾完备性和鲁棒性及提高可解释性等问题。

在针对模糊规则优化和模糊系统结构参数优化方面，主要通过群智算法和神经网络这两种优化技术以混合方式实现。如遗传算法可以从数值数据中自动生成模糊规则［27］，還可以进行隶属函数参数调优［69］，提高模糊系统预测精度。神经网络结合模糊系统同时具有易于表达和自适应学习的能力，其中自适应模糊神经推理系统（Adaptive neuro fuzzy inference system，ANFIS）在与SVM、ANN的对比中体现出了学习能力强和预测精度高的优点［70-72］。

前述解决问题的总体思想是利用数据驱动方式强大的寻优能力实现知识驱动方法中结构或参数的优化，即数据调优的知识驱动方法，旨在减少依靠专家制定的知识规则。知识驱动方法与数据驱动方法的协同驱动可以体现为数据调优的知识驱动，知识增强的数据驱动及并联或串联的互补结合［73］。在纺纱质量预测研究中，神经模糊系统是知识与数据的互补并联结合。除此之外，Ghanmi等［74-75］利用了一种级联模式下的神经模糊混合模型来预测全局质量指标，根据乌斯特统计数据建立几种纱线特性与整体质量指数的规则，将ANN预测的多种纱线质量特性作为第二阶段模糊专家系统的输入，预测输出综合质量指标。这个两阶段预测方法也体现了知识与数据的串联互补结合思想。

研究人员利用各种数据驱动方式致力于降低专家经验的依赖性，但并不能完全由数据策略代替现有规则。知识驱动方法可解释性强、执行效率高，但存在难以自学习、获取知识困难等缺点;数据驱动方法通用性强、可持续学习，但需要具备高质量数据、强大算力等基本条件。可见知识驱动方法与数据驱动方法各有优势和不足，将数据驱动方法与知识驱动方法相结合，如利用数据驱动方法的预测分析，结合知识驱动方法的智能决策等，有望为纺纱领域研究提供更多思路。综上所述，近年来相关研究中典型人工智能预测方法的对比如表1所示。

2.3 模型评估

预测模型评估指标主要包括：

1） 预测精度。通过比较实测值与预测值的一致性或近似误差来评估模型的预测精度［55］，常用的统计学指标有相关系数（R）、决定系数（R2）、平均绝对误差、均方误差、均方根误差等。

2） 泛化能力（稳定性）。利用交叉验证或适当分配数据集方式多次测试，以检验模型的泛化能力。

3） 收敛速度。一般以算法整体响应时间为主。

3 共性问题及发展趋势

如何建立一个合理有效的纺纱质量预测模型一直是纺织领域的一个热点、难点问题。基于海量纺纱数据集成处理、现有模型适用性较低及各加工工序之间的强相关性无法被有效表达等视角，本文对纺纱质量预测的共性问题及发展趋势进行了总结与展望。

1） 由于对分散的纺纱生产数据缺乏集成管理，纺纱质量预测缺少高效高可用的底层数据支撑，同时预测算法和模型也不具备面向海量数据的分析能力。建立基于Hadoop技术的纺纱质量预测系统，融合集成全流程纺纱生产数据，利用大数据关联分析技术挖掘影响纺纱质量的关键因素，同时提出适应海量数据的纺纱质量预测模型，提高模型在海量数据环境下的稳定性和精确度。

2） 以往研究方法聚焦于多种特征参数与多个纱线质量特性的非线性逼近问题，没有考虑利用具有时序性的生产过程数据进行未来的态势预测。基于LSTM、GRU等时序分析方法建立多工序关联的人工智能模型，提前发现质量异常，及时调整方案，维护生产过程。

3） 从企业角度出发，人工智能方法应用在纺纱质量预测领域不能只关注制造过程建模，更重要的是智能决策。基于纺纱制造工艺的领域知识与预测结果，综合成本、质量、资源等各种优化目标，利用群智算法、模糊方法及先进的深度强化学习等决策技术，为企业提供决策支持，实现制造过程模拟、优化和决策的生产闭环。

4） 数据驱动方法与知识驱动方法各有优势和不足，任何一方都不能被完全替代，知识与数据的融合驱动才是未来人工智能方法在纺织领域走向实体化的关键。利用知识与数据驱动方法的互补结合方式，或是其他先进的协同算法，以知识引导数据模型的产生，再基于数据模型生成新知识，形成知识与数据的交替迭代。

4 结 语

本文以纺纱质量预测建模流程为导向，对人工智能技术在纺纱质量预测领域中的发展现状进行了研究，分析了Hadoop技术作为纺纱质量预测建模分析平台的优势，重点分析对比了智能建模方法在纺纱质量预测领域的应用，最后基于平台、算法和模型角度总结了纺纱质量预测研究的共性问题及发展趋势。

参考文献：

［1］董奎勇， 于伟东. 基于BP神经网络的纺纱质量预报模型［J］. 东华大学学报（自然科学版）， 2005（2）： 88-92.

DONG Kuiyong， YU Weidong. Yarn property prediction models based on BP neural network［J］. Journal of Donghua University （Natural Science）， 2005（2）： 88-92.

［2］HE Z L， XU J， TRAN K P， et al. Modeling of textile manufacturing processes using intelligent techniques： A review［J］. International Journal of Advanced Manufacturing Technology， 2021， 116（1/2）： 39-67.

［3］GURUPRASAD R， BEHERA B K. Soft computing in textiles［J］. Indian Journal of Fibre & Textile Research， 2010， 35（1）： 75-84.

［4］EL-GEIHEINI A， ELKATEB S， ABD-ELHAMIED M R. Yarn tensile properties modeling using artificial intelligence［J］. Alexandria Engineering Journal， 2020， 59（6）： 4435-4440.

［5］宇宏達， 吴丽莉， 陈廷. 群体智能算法在纺织领域的应用［J］. 纺织导报， 2021（1）： 93-96.

YU Hongda， WU Lili， CHEN Ting. Applications of swarm intelligence algorithm in textiles［J］. China Textile Leader， 2021（1）： 93-96.

［6］《工业物联网互联互通白皮书》在无锡发布［J］. 模具工业， 2018， 44（10）： 10-11.

Industrial Internet of Things Connectivity White Paper was released in Wuxi［J］. Die & Mould Industry， 2018， 44（10）： 10-11.

［7］汪松松， 彭来湖， 戴宁， 等. 基于工业互联网的针织机械互联互通结构研究［J］. 纺织学报， 2020， 41（1）： 165-173.

WANG Songsong， PENG Laihu， DAI Ning， et al. Research on knitting machinery interconnection and interoperability structure based on industrial internet［J］. Journal of Textile Research， 2020， 41（1）： 165-173.

［8］NAIDU D， THAKUR A. A systematic literature review of big data and the hadoop frameworks［J］. International Journal of Early Childhood Special Education， 2022， 14（2）： 2969-2973.

［9］程隆棣， 張洁， 张红霞， 等. 棉纺智能化纺纱关键技术刍议［J］. 纺织导报， 2021（6）： 50-53.

CHENG Longdi， ZHANG Jie， ZHANG Hongxia， et al. Discussion on the key technology of intelligent cotton spinning［J］. China Textile Leader， 2021（6）： 50-53.

［10］邵景峰， 贺兴时， 王进富， 等. 大数据环境下的纺织制造执行系统设计［J］. 机械工程学报， 2015， 51（5）： 160-170.

SHAO Jingfeng， HE Xingshi， WANG Jinfu， et al. Design of textile manufacturing execution system based on big data［J］. Journal of Mechanical Engineering， 2015， 51（5）： 160-170.

［11］葛陈鹏， 季承， 糜娜， 等. 基于制造执行系统的纺纱企业智能化转型探讨［J］. 棉纺织技术， 2021， 49（10）： 42-46.

GE Chenpeng， JI Cheng， MI Na， et al. Intelligent transformation discussion of spinning enterprise based on manufacturing execution system［J］. Cotton Textile Technology， 2021， 49（10）： 42-46.

［12］冯立增， 宋久祥， 魏敬典， 等. 基于HBase的双数据库在纺织信息化平台的改造与实现［J］. 工业仪表与自动化装置， 2020（2）： 123-127.

FENG Lizeng， SONG Jiuxiang， WEI Jingdian， et al. Transformation and implementation of double database based on HBase in textile information platform［J］. Industrial Instrumentation & Automation， 2020（2）： 123-127.

［13］刘佩全. 纺织行业数据处理过程中大数据技术的选择与应用［J］. 纺织导报， 2017（3）： 90-91.

LIU Peiquan. Application of big data technology in textile industry for data processing［J］. China Textile Leader， 2017（3）： 90-91.

［14］郑健. 基于大数据的棉纺织设备数据管理系统开发［J］. 上海纺织科技， 2015， 43（6）： 77-80.

ZHENG Jian. Study on cotton textile equipment data management system development based on big data［J］. Shanghai Textile Science & Technology， 2015， 43（6）： 77-80.

［15］张洁， 吕佑龙， 汪俊亮， 等. 大数据驱动的纺织智能制造平台架构［J］. 纺织学报， 2017， 38（10）： 159-165.

ZHANG Jie， L Youlong， WANG Junliang， et al. Big-data-driven framework for intelligent textile manufacturing［J］. Journal of Textile Research， 2017， 38（10）： 159-165.

［16］SASAKI Y. A survey on IoT big data analytic systems： Current and future［J］. IEEE Internet of Things Journal， 2022， 9（2）： 1024-1036.

［17］JIANG H， SONG J X， ZHANG B W， et al. Prediction of yarn unevenness based on BMNN［J］. Journal of Engineered Fibers and Fabrics， 2021， 16： 15589250211037978.

［18］DORAN E C， SAHIN C. The prediction of quality characteristics of cotton/elastane core yarn using artificial neural networks and support vector machines［J］. Textile Research Journal， 2020， 90（13/14）： 1558-1580.

［19］FAULKNER W B， HEQUET E F， WANJURA J， et al. Relationships of cotton fiber properties to ring-spun yarn quality on selected High Plains cottons［J］. Textile Research Journal， 2012， 82（4）： 400-414.

［20］MOGHASSEM A R， FALLAHPOUR A R. Processing parameters optimization of draw frame for Rotor spun yarn strength using gene expression programming （GEP）［J］. Fibers and Polymers， 2011， 12（7）： 970-975.

［21］DEMIRYUREK O， KOC E. The mechanism and/or prediction of the breaking elongation of polyester/viscose blended open-end rotor spun yarns［J］. Fibers and Polymers， 2009， 10（5）： 694-702.

［22］SU T L， KUO C F J， WEI H J. Prediction system of open-end rotor spinning process based on LM-neural network for bamboo charcoal fibers［J］. Fibers and Polymers， 2011， 12（5）： 657-663.

［23］曹繼鹏， 张志丹， 张明光， 等. 生条中短纤维含量与成纱指标的相关性分析［J］. 纺织学报， 2018， 39（12）： 30-36.

CAO Jipeng， ZHANG Zhidan， ZHANG Mingguang， et al. Correlation analysis on relationship between short fiber content of card sliver and yarn parameters［J］. Journal of Textile Research， 2018， 39（12）： 30-36.

［24］YIN X G， YU W D. The virtual manufacturing model of the worsted yarn based on artificial neural networks and grey theory［J］. Applied Mathematics and Computation， 2007， 185（1）： 322-332.

［25］张羽彤， 沈卓尔， 代利花， 等. 小规模样本精梳毛纺纱线质量预测［J］. 毛纺科技， 2020， 48（12）： 1-5.

ZHANG Yutong， SHEN Zuoer， DAI Lihua， et al. Prediction of worsted yarn quality with small-scale samples［J］. Wool Textile Journal， 2020， 48（12）： 1-5.

［26］KHAN Z， LIM A E K， WANG L J， et al. An artificial neural network-based hairiness prediction model for worsted wool yarns［J］. Textile Research Journal， 2009， 79（8）： 714-720.

［27］SHAHRABI J， HADAVANDI E， SOLTANI P. Developing an intelligent fiber migration simulator in spun yarns using a genetic fuzzy system［J］. Fibers and Polymers， 2013， 14（5）： 844-853.

［28］YILDIRIM P， BIRANT D， ALPYILDIZ T. Data mining and machine learning in textile industry［J］. WIREs Data Mining and Knowledge Discovery， 2018， 8（1）： e1228.

［29］MOZAFARY V， PAYVANDY P. Application of data mining technique in predicting worsted spun yarn quality［J］. Journal of the Textile Institute， 2014， 105（1）： 100-108.

［30］邵景峰， 贺兴时， 王进富， 等. 基于海量数据的纺纱质量异常因素识别方法［J］. 计算机集成制造系统， 2015， 21（10）： 2644-2652.

SHAO Jingfeng， HE Xingshi， WANG Jinfu， et al. Identification method for abnormal factors of spinning quality based on massive data［J］. Computer Integrated Manufacturing Systems， 2015， 21（10）： 2644-2652.

［31］GHOSH A， CHATTERJEE P. Prediction of cotton yarn properties using support vector machine［J］. Fibers and Polymers， 2010， 11（1）： 84-88.

［32］项前， 杨建国， 程隆棣. 基于支持向量机的纱线质量预测［J］. 纺织学报， 2008（4）： 43-46.

XIANG Qian， YANG Jianguo， CHENG Longdi. Yarn quality prediction by support vector machine method［J］. Journal of Textile Research， 2008（4）： 43-46.

［33］谷有眾， 高卫东， 卢雨正， 等. 应用遗传算法优化支持向量回归机的喷气涡流纺纱线质量预测［J］. 纺织学报， 2016， 37（7）： 142-148.

GU Youzhong， GAO Weidong， LU Yuzheng， et al. Prediction of vortex yarn properties based on hybrid genetic algorithm and support vector regression［J］. Journal of Textile Research， 2016， 37（7）： 142-148.

［34］ABAKAR K A A， YU C W. Performance of SVM based on PUK kernel in comparison to SVM based on RBF kernel in prediction of yarn tenacity［J］. Indian Journal of Fibre and Textile Research， 2014， 39（1）： 55-59.

［35］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.

L Zhijun， YANG Jianguo， XIANG Qian. GA based parameters optimization on prediction method of yarn quality［J］. Journal of Donghua University （Natural Science）， 2012， 38（5）： 519-523.

［36］宋楚平， 蔡彬彬， 李少芹. 基于SVM的纱线生产工艺智能优化研究［J］. 毛纺科技， 2015， 43（7）： 13-17.

SONG Chuping， CAI Binbin， LI Shaoqin. Intelligent optimization study of yarn production processes based on SVM［J］. Wool Textile Journal， 2015， 43（7）： 13-17.

［37］AZIMI B， TEHRAN M A， MOJTAHEDI M R M. Prediction of false twist textured yarn properties by artificial neural network methodology［J］. Journal of Engineered Fibers and Fabrics， 2013， 8（3）： 97-101.

［38］GHAREHAGHAJI A A， SHANBEH M， PALHANG M. Analysis of two modeling methodologies for predicting the tensile properties of cotton-covered nylon core yarns［J］. Textile Research Journal， 2007， 77（8）： 565-571.

［39］HAGHIGHAT E， JOHARI M S， ETRATI S M， et al. Study of the hairiness of polyester-viscose blended yarns. Part III： Predicting yarn hairiness using an artificial neural network［J］. Fibres and Textiles in Eastern Europe， 2012， 20（1）： 33-38.

［40］ALMETWALLY A A， IDREES H M F， HEBEISH A A. Predicting the tensile properties of cotton/spandex core-spun yarns using artificial neural network and linear regression models［J］. Journal of the Textile Institute， 2014， 105（11）： 1221-1229.

［41］OZKANZKAN I， KUVVETLI Y， BAYKAL P D， et al. Comparison of the neural network model and linear regression model for predicting the intermingled yarn breaking strength and elongation［J］. Journal of the Textile Institute， 2014， 105（11）： 1203-1211.

［42］DEMIRYUREK O， KOC E. Predicting the unevenness of polyester/viscose blended open-end rotor spun yarns using artificial neural network and statistical models［J］. Fibers and Polymers， 2009， 10（2）： 237-245.

［43］ABD-ELLATIF S A M. Optimizing sliver quality using Artificial Neural Networks in ring spinning［J］. Alexandria Engineering Journal， 2013， 52（4）： 637-642.

［44］王雯， 费树岷， 郑波， 等. 基于BP网络的成纱质量预测的数据挖掘［J］. 上海纺织科技， 2006（12）： 8-10.

WANG Wen， FEI Shumin， ZHENG Bo， et al. Data mining of yarn quality based on BP neural network［J］. Shanghai Textile Science & Technology， 2006（12）： 8-10.

［45］袁利华. 基于HVI指标与RBF神经网络的纱线质量预测［J］. 丝绸， 2014， 51（11）： 17-21.

YUAN Lihua. Yarn quality prediction based on HVI indicator and RBF neural network［J］. Journal of Silk， 2014， 51（11）： 17-21.

［46］TURHAN Y， TOPRAKCI O. Comparison of high-volume instrument and advanced fiber information systems based on prediction performance of yarn properties using a radial basis function neural network［J］. Textile Research Journal， 2013， 83（2）： 130-147.

［47］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.

LI Xiang， PENG Zhiqin， JIN Fengying， et al. Comparing prediction models for worsted yarn performances based on neutral networks［J］. Journal of Textile Research， 2011， 32（3）： 51-56.

［48］ERBIL Y， BABAARSLAN O， ILHAN I. A comparative prediction for tensile properties of ternary blended open-end rotor yarns using regression and neural network models［J］. Journal of the Textile Institute， 2018， 109（4）： 560-568.

［49］AHMAD G G. Using artificial neural networks with graphical user interface to predict the strength of carded cotton yarns［J］. Journal of the Textile Institute， 2016， 107（3）： 386-394.

［50］FAROOQ A， CHERIF C. Development of prediction system using artificial neural networks for the optimization of spinning process［J］. Fibers and Polymers， 2012， 13（2）： 253-257.

［51］MALIK S A， FAROOQ A， GEREKE T， et al. Prediction of blended yarn evenness and tensile properties by using Artificial Neural Network and multiple linear regression［J］. Autex Research Journal， 2016， 16（2）： 43-50.

［52］查劉根， 谢春萍. 应用四层BP神经网络的棉纱成纱质量预测［J］. 纺织学报， 2019， 40（1）： 52-56.

ZHA Liugen， XIE Chunping. Prediction of cotton yarn quality based on four-layer BP neural network［J］. Journal of Textile Research， 2019， 40（1）： 52-56.

［53］李惠军， 朱磊. 基于BP人工神经网络的纱线毛羽预测研究［J］. 棉纺织技术， 2011， 39（1）： 32-34.

LI Huijun， ZHU Lei. Research of yarn hairiness forecast based on BP Artificial Neural Network［J］. Cotton Textile Technology， 2011， 39（1）： 32-34.

［54］GHORBANI V， VADOOD M， JOHARI M S. Prediction of polyester/cotton blended rotor-spun yams hairiness based on the machine parameters［J］. Indian Journal of Fibre & Textile Research， 2016， 41（1）： 19-25.

［55］劉彬， 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.

LIU Bin， XIANG Qian， YANG Jianguo， et al. Combining the genetic algorithm with Artificial Neural Networks for yarn quality forecasting［J］. Journal of Donghua University （Natural Science）， 2013， 39（4）： 504-508.

［56］吴志刚， 方璐， 郁崇文. 基于思维进化神经网络的细纱断裂强度预测［J］. 棉纺织技术， 2020， 48（2）： 6-9.

WU Zhigang， FANG Lu， YU Chongwen. Prediction of spun yarn breaking tenacity based on mind evolutionary neural network［J］. Cotton Textile Technology， 2020， 48（2）： 6-9.

［57］查刘根， 谢春萍. 免疫遗传神经网络算法的纱线原料性能反演［J］. 棉纺织技术， 2019， 47（2）： 18-23.

ZHA Liugen， XIE Chunping. Property inversion of yarn raw material for immune genetic neural network algorithm［J］. Cotton Textile Technology， 2019， 47（2）： 18-23.

［58］查刘根， 谢春萍. 基于免疫遗传算法的BP神经网络在纱线条干预测上的应用［J］. 丝绸， 2019， 56（2）： 19-26.

ZHA Liugen， XIE Chunping. Application of BP neural network in yarn evenness prediction based on immune genetic algorithm［J］. Journal of Silk， 2019， 56（2）： 19-26.

［59］谷有众， 刘建立， 高卫东. 基于遗传模拟退火神经网络的纱线强力预测［J］. 上海纺织科技， 2016， 44（1）： 45-49.

GU Youzhong， LIU Jianli， GAO Weidong. Prediction of yarn strength based on genetic simulated annealing BP neural network［J］. Shanghai Textile Science & Technology， 2016， 44（1）： 45-49.

［60］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.

［61］BARZOKI P K， VADOOD M， JOHARI M S. Multi-objective optimization of rotorcraft compact spinning core-spun yarn properties［J］. Journal of Textiles and Polymers， 2018， 6（1）： 47-53.

［62］GHOSH A， DAS S， BANERJEE D. Multi objective optimization of yarn quality and fibre quality using evolutionary algorithm［J］. Journal of The Institution of Engineers （India）： Series E， 2013， 94（1）： 15-21.

［63］CHAKRABORTY S， DIYALEY S. Multi-objective optimization of yarn characteristics using evolutionary algorithms： A comparative study［J］. Journal of The Institution of Engineers （India）： Series E， 2018， 99（2）： 129-140.

［64］HADAVANDI E， MOSTAFAYI S， SOLTANI P. A Grey Wolf Optimizer-based neural network coupled with response surface method for modeling the strength of siro-spun yarn in spinning mills［J］. Applied Soft Computing， 2018， 72： 1-13.

［65］SOLTANI P， HADAVANDI E. A monarch butterfly optimization-based neural network simulator for prediction of siro-spun yarn tenacity［J］. Soft Computing， 2019， 23（20）： 10521-10535.

［66］HU Z L， ZHAO Q， WANG J. The prediction model of cotton yarn intensity based on the CNN-BP neural network［J］. Wireless Personal Communications， 2018， 102（2）： 1905-1916.

［67］HU Z L， ZHAO Q， WANG J. The prediction model of worsted yarn quality based on CNN-GRNN neural network［J］. Neural Computing and Applications， 2019， 31（9）： 4551-4562.

［68］HAGHIGHAT E， JOHARI M S， ETRATI S M， et al. Study of the hairiness of polyester-viscose blended yarns. Part IV： Predicting yarn hairiness using fuzzy logic［J］. Fibres & Textiles in Eastern Europe， 2012， 20（3）： 39-42.

［69］VADOOD M， BARZOKI P K， JOHARI M S. Multi objective optimization of rotorcraft compact spinning system using fuzzy-genetic model［J］. Journal of the Textile Institute， 2017， 108（12）： 2166-2172.

［70］NURWAHA D， WANG X H. Prediction of rotor spun yarn strength using support vector machines method［J］. Fibers and Polymers， 2011， 12（4）： 546-549.

［71］ADMUTHE L S， APTE S. Adaptive neuro-fuzzy inference system with subtractive clustering： A model to predict fiber and yarn relationship［J］. Textile Research Journal， 2010， 80（9）： 841-846.

［72］MAJUMDAR A， CIOCOIU M， BLAGA M. Modelling of ring yarn unevenness by soft computing approach［J］. Fibers and Polymers， 2008， 9（2）： 210-216.

［73］蒲志強， 易建强， 刘振， 等. 知识和数据协同驱动的群体智能决策方法研究综述［J］. 自动化学报， 2022， 48（3）： 627-643.

PU Zhiqiang， YI Jianqiang， LIU Zhen， et al. Knowledge-based and data-driven integrating methodologies for collective intelligence decision making： A survey［J］. Acta Automatica Sinica， 2022， 48（3）： 627-643.

［74］GHANMI H， GHITH A， BENAMEUR T. Prediction of rotor-spun yarn quality using hybrid artificial neural network-fuzzy expert system model［J］. Indian Journal of Fibre & Textile Research， 2019， 44（1）： 31-38.

［75］GHANMI H， GHITH A， BENAMEUR T. Ring spun yarn quality prediction using hybrid neural networks［J］. Journal of the Textile Institute， 2023， 114（1）： 66-74.

Research progress on yarn quality prediction based on artificial intelligence technology

ZHAO Weiling1，3，4， ZHANG Junhui2，3，4， CHEN Mingliang1，3，4， LI Qing1，3， CHEN Dapeng1，3

（1.School of Integrated Circuits， University of Chinese Academy of Sciences， Beijing 100049， China; 2.School of Electrical and AutomaticEngineering， Changshu Institute of Technology， Suzhou 215500， China; 3.Wuxi IoT Innovation Center Co.， Ltd.，Wuxi 214135， China; 4.Institute of Microelectronic Technology of Kunshan， Suzhou 215347， China）

Abstract：

The yarn production process is a complex multi-step process， and the yarn quality is affected by raw material properties， process parameters and equipment parameters. The spinning mills attempt to predict and control the yarn quality in advance through the spinning data， so they can adjust the production process parameters in time according to the individual needs of customers， and achieve the goal of reducing raw material waste， improving yarn quality and even reducing costs. With the development of artificial intelligence technologies such as big data and intelligent modeling， artificial intelligence technology has been gradually applied in the spinning industry. Aiming at the problem of yarn quality prediction， researchers have conducted a lot of research on platform framework， algorithms and models， accelerating the application of artificial intelligence technology in the spinning industry.

Most of the statistical correlation methods such as simple mathematical models and multiple linear regression have certain idealized assumptions， which are strongly dependent on production experience and involve obvious subjective factors. At present， researchers are committed to the application of artificial intelligence methods in the field of spinning， and propose a variety of spinning quality prediction models based on neural networks. Compared with the traditional method， the self-learning and adaptive ability of neural networks can quickly learn the nonlinear relationship between fiber parameters， process and equipment parameters and yarn quality indicators. The model has high prediction accuracy and generalization ability. Aiming at the parameter optimization problem of neural networks， the related research combines the improved swarm intelligence algorithm to realize model parameter tuning， accelerate model convergence and improve prediction accuracy. Aiming at the problem of spinning small sample modeling， related research uses support vector machine combined with swarm intelligence algorithm to propose a small sample modeling method with strong adaptability. Related research also applies the swarm intelligence algorithm to the inversion of yarn raw material parameters， and obtains the optimal solution set by converting it into a multi-objective optimization problem. There are also some researches devoted to the design of computing platform framework for yarn quality prediction modeling， which mainly uses Hadoop technology to provide reliable and efficient underlying technical support for yarn quality prediction process. In addition， the fuzzy method is another important method in the research of yarn quality prediction. The related research has gone through simple fuzzy logic to the combination of swarm intelligence algorithm， neural network and fuzzy system， which preliminarily reflects the fusion idea of the knowledge-driven method and the data-driven method， and provides more ideas for the research of the spinning field.

At present， although artificial intelligence technology has accumulated a lot of achievements in the field of yarn quality prediction， there are still some common problems in the existing research， which are mainly reflected in the fact that the model does not have the ability to adapt to massive data， and that the research lacks sequential situation prediction problems and intelligent decision-making. Therefore， researchers still need to carry out in-depth research on these problems and continue to tap the application potential of artificial intelligence technology in the field of yarn quality prediction.

Key words：

yarn quality prediction; artificial intelligence; Hadoop technology; hybrid intelligent model; objective optimization; development trend

收稿日期：

2022-07-15;

修回日期：

2023-03-03

基金項目：

江苏省博士后科研资助计划项目（2020Z411）

作者简介：

赵薇玲（1998），女，硕士研究生，研究方向为人工智能、工业大数据建模。通信作者：章军辉，博士，zhangjunhui@ime.ac.cn。