（纺织材料与纺织品设计专业论文）基于人工神经网络与数据库技术的纱线虚拟加工系统.pdf

论文题目：基于人工神缀网络与数据库技术的纱线廉拟加工系统 作者简介：董奎勇，男，1 9 7 5 年1 0 月生，2 0 0 0 年9 月起师从于于伟东教授，2 0 0 2 年3 月毕业于东华大学纺织材料与纺织品设计专业，并获得工学硕士学位。 论文摘要： 纱线生产是一个多工膨滚程，纱线本身的物理缩 奄 i 较复杂，在纺纱过程中， 缍缝箍震、绞纱工艺参数与纱线覆量指标之阗存农蘩笈杂瓣 线瞧关系，我戮 释赡留豹方法，来表 夔遮藏关系，其有重要静莲论意义。我国已燕入w t o ，谯纺 织品加工体系引入快速反艨机制的前提下，通过纱线虚拟加工，完成对原料赫质 的反演和纱线质量的预测，这样就可避免盲目生产姆致的时间延误和原料浪赞， 有助于实现企业对市场的快速反应。 目前存在很多纺纱质擞预报的建模方法，本文遇过建立人工神经网络模型， 模拟从毛条到细纱的毛糙纺加工过程，提出纱线虚拟加工的思想。在研究的过程 枣，篾健趣工过程，蓉熬关注毛壤纺流程鲍两溃，靼康要实瑷鼹个过程：纺纱鹱 蘩颈援与毛条鑫凄反演。试验选择会适熬瓣络羧羹，遁；窭蹿丈耋蹇鼗襻本联遴行 翡多次训练便可童动找懑蕴涵在两者之闯豹本潢联系。两传统方法在建模辩，常 常因种种假设和简化，使结果与实际产生较大的误熬。本课题采用多元线性嘲归 与神经网络的方法分别对细纱条干不匀率、断裂强力妁纺纱断头率所进行的预报， 证明了神经网络方法优予多冗线性回归方法。 7l 在确定纱线质量、纺纱性能、毛条品质和工芑参数届，本文对纺纱质量预报 一蒯提出了层次划分预报的愿想，并定义了直接预报姆遮代预报概念。通过对输 入样本戆主成分分辑，分嬲建立了8 令纺纱震蠢羧羧骥整。葳实验结暴来番，躲 绞纱颧头率疆蠡熬该攘夺轰较大误差癸，其余颈缀绥蘩垮骞较蔫壤度。霹怼，对 缁纱条干不匀率、断裂强力与纺纱断头率的直接鞭报岛迭代预掇也得到同样结聚。 方法间的对比表明，基于预报层次划分的纺纱质基预报最为准确。 本实验在预报的基础上，分别建立了纤维直径、绷度离散、纤维长度与长度 离散四个最常用毛条品质指标的反演模型，其反演精度是理想的。同时，通过神 缀网络模型验证，在细发鬻数与细度、长度与细度之间及柬强与长度的关系对纱 线质量与纺纱性能斡影响上，存在羞不丽纤维品质之阕貔一些等价关系，企渡宠 强大，作为后台运算工具，宪成核心算法的设计；采用s q l a n y w h e r e 数据库作为 本系统的支撑数据库，实现样本数据的导入、存储岛缎护；采用p o w e r b u i l d e r 完 成框架的定制与界面开发，潋替了软件的交互性，从而彻底实现纱线虚拟加工系 统的软件化，使其更加实粥。 芙键诹毛条骶纺纱袋熟人工捧经鼹络弋羧热工 av i r t u a ly a r np r o d u c t i o ns y s t e m b a s e do na r t i f i c i a ln e u r a l n e t w o r ka n dd a t a b a s et e c h n o l o g y a b s t r a c t t h e y a mp r o d u c t i o ni sam u l t i s t e pt e c h n o l o g i c a lp r o c e s s ，a n dt h ep h y s i c a ls t r u c t u r eo f t h ey a mi st o o c o m p l i c a t e d t h e r e a r e f u z z y a n dc o m p l e xr e l a t i o n s h i p st h a ta r c n o n l i n e a rb e t w e e nt h e s ef a c t o r sa n dy a m p r o p e 撼e s ，s oi t i s s i g n i f i c a t i v et o f i n da n a c c u r a t ea n de f f e c t i v ea p p r o a c ht oc h a r a c t e r i z et h ey a m p r o d u c i n gp r o c e s sa n d r e a l i z e t h ey a mv i r t u a lp r o d u c t i o n s i n c ec h i n a sa c c e s s i o nt ow t o ，t h ew o o lt e x t i l ei n d u s t r y h a sb e e n m a k i n gg r e a t e f f o r t st oi m p r o v et h eg r a d ea n dq 戚i t yo f p r o d u c t s ，t h o u g ht h e q u i c kr e s p o n s es t r a t e g yi s t h em o d e mm a n u f a c t u r i n g i nf a c t ，i ft h ey a mv i r t u a l p r o d u c t i o ns y s t e mi sa c h i e v e d ，t h ed e l a yo f t i m e a n dt h ec o s to f m a t e r i a lr e s u l t i n gf r o m i m p r u d e n tp r o d u c i n gp r o c e s sw i l lb ea v o i d e d ，s ot h ea c c u r a c ya n dq u i c kr e s p o n s ei n y a r ns p i n n i n g w i l lb ea d v a n c e d f u n d a m e n t a l l y s o m em o d e l st op r e d i c t y a r np r o p e r t i e sa n d d e d 妣ew o o l q u a l i t i e sv i c ev e r s ah a v e b e e n e s t a b l i s h e db ym e a n so f t h ea r t i f i c i a ln e u r a ln e t w o r k ( a n n ) t e c h n o l o g ys o8 st o ts i m u l a t e t h ew o r s t e dy a m p r o d u c t i o np r o c e s s w h i c hi sf r o mt h et o p p r o c e d u r e t oy a m p r o c e d u r e ， a n dt h et h o u g h to fv i 砌p r o d u c t i o nh a sb e e np u tf o r w a r d f o rt h es i m p l i f i c a t i o n ，t h e t w oe n d so f t h ew o r s t e dy a r np r o d u c t i o nw e r ep a i dm o s ta t t e n t i o nt od u r i n gt h er e s e a r c h t h em a i n o b j e c t i v e i st 0a c h i e v et h et w os o r t so f p r o c e d u r e ，i e y a r np r o p e r t y p r e d i c t i o n a n dw o o l t o pq u a l i t yd a d u c f i o n o n l yi f a na p p r o p r i a t en e u r a ln e t w o r k m o d e li ss e l e c t e d f o ry a mp r o p e r t yp r e d i c t i u na n dt o p q u a l i t y d e d u c t i o n ，t h ee s s e n t i a lr e l a t i o n s h i p b e t w e e n i n p u t v a l u e sa n do u t p u tv a l u e sc a nb ef o u n da c c u r a t e l ya n da u t o m a t i c a l l ya f t e r t h ee n o u g h t r a i n i n go fi n d e p e n d e n t d a t aa r r a y s 。涮i ct h eh y p o t h e s i so rp r e d i g e s t i o ni s a l w a y sm a d ef o rt r a d i t i o n a lm e t h o d st o 鼹lu pm a t h e m a t i c a lm o d e l s , w h i c hm a y b e a l w a y sb r i n ga b o u tb i ge r r o r sb e t w e e np r e d i c t e dv a l u e sa n dm e a s u r e dv a l u e s t h e m u l t i v 撕a t el i n e a r r e g r e s s i o n m o d e l sa n da n nm o d e l sh a v eb e e ne s t a b l i s h e d r e s p e c t i v e l y t o p r e d i c ty a mu n e v e n n a s s ( c v ) ，b r e a k i n g 呶g l h s ) a n d e n d s - d o w n ( e d ) t h or e s u l t ss h o w t h a tt h ea n nm e t h o di sp r i o rt om u l t i v a r i a t el i n e a r r e g r e s s i o nm e t h o d n l et h o u g h to f p r e d i c t i o nh i e r a r c h yc a t e g o r i z a t i o nh a sb e e np u tf o r w a r df o rt h ey a r n p r o p e r t yp r e d i c t i o nm o d e l s ，a l s ot h ed i r e c tp r e d i c t i o na n di t e r a t i v ep r e d i c t i o nh a v e b e e n 摘要 d e f i n e ds i n c et h e r e l a t i o n s h i p s b e t w e e n t o pq u a l i t i e s ，t e c h n i c a lp a r a m e t e r s ，y a m p r o p e r t i e sa n ds p i n n i n gp e r f o r m a n c ew e r em a d ec l e a r t h o u g hp r i n c i p l ec o m p o n e n t a n a l y s i s ( p c a ) m e t h o d ，t h ei n p u td a t aw e r ep r e p r o c e s s e da n dt h e n 8y a r np r o p e r t y p r e d i c t i o nm o d e l sh a v eb e e ne s t a b l i s h e d t h ep r e d i c t i o nr e s u l t sa r ea c c u r a t ee x c e p tf o r e n d s d o w nm o d e l m e a n w h i l e t h ed i r e c tp r e d i c t i o na n di t e r a t i v ep r e d i c t i o nm o d e l s h a v eb e e nr e s p e c t i v e l ys e tu pt op r e d i c ty a r nu n e v e n n e s s ( c v ) ，b r e a k i n gs t r e n g t h ( b s ) ， e n d s - d o w n ( e d ) a n dt h es a m er e s u l t s 船b e f o r eh a v eb e e na c h i e v e d t h ec o n t r a s t b e t w e e nd i f f e r e n tm e t h o d ss h o w st h a tt h e p r e d i c t i o n b a s e do nt h e h i e r a r c h y c a t e g o r i z a t i o ni sm o s t a c c u r a t e i nt h i se x p e r i m e n t ，f o u ra n n m o d e l sh a v eb e e ns e tu pt od e d u c et h ew o o l d i a m e t e r ( d ) ， t h ec vo f d i a m e t e r ( c v d ) ，h a u t e u rl e n g t h ( h ) ，t h ec v o fl e n g t h ( c v h ) o nt h eb a s i so f y a r np r o p e r t yp r e d i c t i o n ，a n dt h ed e d u c t i o nr e s u l t sa r eg o o d f o ry a mp r o p e r t i e sa n d s p i n n i n gp e r f o r m a n c e ，t h e r ea r es o m ee q u l p o l l e n c er e l a t i o n s h i p sb e t w e e nd a n dc v d ， ha n dd ，b u n d l et e n a c i t ya n dh ，w h i c hh a v eb e e nv e r i f i e dt h o u g ha n nm o d e l si nt h i s e x p e r i m e n t ，s ot h es p i n n i n gm i l l sc a nb ef l e x i b l e i n s p e c i f y i n gt h ew o o lp r o p e r t i e s a c c o r d i n g t ot h e s e r e l a t i o n s h i p s 1 1 1 e i n f l u e n c e b r o u g h tb yt h ei n p u t d a mp c a p r e p r o c e s s i n g o nt h ed e d u c t i o nr e s u l t sh a sb e e nf l l r t h e rd i s c u s s e d w h i c hs h o w st h a tt h e i n f l u e n c ei sn o t s i g n i f i c a n t t h ea 卜心tm o d e l sd e v e l o p e di nt h i s p r e s e n tt h e s i sh a v eb e e na c h i e v e dt h o u g ht h e m a n a b p r o g r a m m i n gw h o s ec a l c u l a t i n gc a p a b i l i t yi ss t r o n g s oi th a sb e e na d o p t e da s t h ep r o c e s s o ri m p l e m e n t s q la n y w h e r ed a t a b a s eh a sb e e nu s e da st h e s u p p o r t i n g d a t a b a s eo ft h i s s y s t e m t or e a l i z et h ed a t a i n p u t t i n g , o u t p u t t i n g a n d s t o r i n g p o w e r b u i l d e rh a sb e e nu s e dt od e v e l o pt h ei n t e r f a c et oi m p r o v et h ei n t e r a c t i o no ft h e s o f t w a r e s ot h ev i r t u a ly a mp r o d u c t i o ns y s t e mh a sb e e nm a d ei n t oa na b s o l u t e s o f t w a r ew i t h g r e a tp r a c t i c a b i l i t y k e y w o r d s ：t o pq u a l i t y , y a mp r o p e r t y , a n n ，p r e d i c t i o n ，d e d u c t i o n , v i r t u a lp r o d u c t i o n l l i a u t h o r ：d u n gk u l y o n g ( t e x t i l em a t e r i a l s ) d i r e c t e d b y p r o f y uw e i d o n g 簿一章号 害 第一牵写l 言 第一节纱线威拟加工的意义 本论文所指的纱线虚拟加工是通过一定的数举工具和计算机糨序，结合实际 加工过程的特意，虚羧实戮从毛条到细纱的加工进程。它主疆包括两个方面：纺 纱质量预报和蓖条品质反浚，即根摆壤条酿覆捂标露纺纱工芑参数对纱线质羹进 行准确预报，以此评定纱线性能；或撤据预期纱线质黛反演所需的毛条品质，验 证羊毛绎维鹃可纺毪。纱线虚羧凝工荚有戳下翡毽论与实际意义。 一、理论意义 纱线生产魁一个多工序流程，纱线本身驰物理缝槐比较复杂，舜此，对纱线 最终质量产生影响的因子就会有很多。在纺纱过稷中，纤维品质、纺纱工艺参数 与纱线震羹捂檬之阂存在嚣线缝关系，传统上大都槽劲予数学模羹来表征它们之 间的关系。这些数学模型以经验公式为主，适应蚀较差，约窳条件太多，本身就 显得笨重。数学模型往往要求各阂子之间相慝独立，而在纺纱的实际过程中，很 多因子其蠢不嚣程度懿摆关性，它餐对蓦标飘子嚣产生豹影桷难戳瘸统计方法表 现出来。加工各过程在实际中的相互影响和连续性大，并且构成一个系统，备模 型闻的侨调就显得笨摘。因此寻找一种贴切的方法，来模音茧f 纺纱过程，能够对纱 线质爨终出准确预报，也能对绥绫磊震作出会理反演，其有耋要瓣淫论意义。 二、实际意义 我国已加入w t o ，国际纺织品企业对国内市场的冲击将会更大，中闼的面料 市场强有藏应潮流，严格按照雷簖惯例运作，实现由数麓增妖到质爨效蘸提高， 豳资源劳动密集型至i 炎源技术知识密集型的转变，建立瑗投众蝗制造艇工模式， 适应多变的纺织品市场的需求，才能保持可持续发展，以保诚国内霭纺织企业在 困舔蕊料市场静竞争力。西辩2 l 髓纪这些薪豹拂战，国家纺缆工监简制定了戳面 料为突破口，加快纺织_ i 业三年技术进步的实燕意见，使服装蘑料驰皇绘率鸯星 前的4 0 提高到6 0 以上，顶替进口面料3 0 亿米。这就需要从根本上提高纺织 翔工串抉速反应靛，产箍熬矮量露企韭静效菇。逶过建立毛精纺静纛撅热z 系统， 不仅可实现该过稷的低成本、高利润、离质爨、快速的加工，恧且该系统可攫广 副纺织加工的其窗过程，进而形成整个加工系统的廉拟化。在壤纺织加工流程中， 纺纱燕一遵荧键髅熬工序。嚣为纺纱工謦鹣耗资秀熬令毛条裁造豹3 - - 4 倍，势越 织物质量和织机效率在很大稷度上取决于纱线质量。在纺织品加工体系弓l 入快速 爱应梳利的前提下，通过一种合理的方法，辩纱线加工过程进行表征，建立虚拟 加工系统，究成对原料品质黔反演嬲纱线厦囊戆预测，懿势在必行。在这耱滂滋 下，只是根据原料的物理属性及其加工过程中的工艺参数，就可以得出纱线性能， 第一章引言 并判断该产品是否满足要求；同时，也可依据既定的纱线质量，如织造工序所要 求的纱线质量、客户订单所要求的纱线质量、厂部质量控制所要求纱线质量，结 合工厂的机器配置状况，通过反演系统得出所需毛条的品质。这样就可避免纺制 小样产生的时间延误和原料浪费，避免实际操作中不必要的损失，更大的意义在 于实现了企业对市场的快速反应。 第二节纱线虚拟加工的研究现状 在国内外大量的研究之中，对于纱线虚拟加工系统的研究，主要集中于纺纱 质量预报方面，而对于毛条品质反演的研究报道很少。西方精纺厂家普遍使用计 算纱线截面平均纤维根数的公式来反推纤维直径【1 】，这只是毛条品质反演模型的一 个雏形，仅是根据纱线支数与截面平均纤维根数对纤维直径进行反演，其它的纤 维品质指标没有涉及，如纤维长度、短毛率、细度离散与长度离散等。此外，西 罗兰纱线预测仪【2 】可以帮助质量员对生产特定的纱线所采用的原料作出预测，目前 正在进行工业化验证。国内外对纺纱质量预报理论与方法的研究较多，主要方法 如下。 一、数理统计方法p j 数理统计方法可以建立直观的数学模型，以统计规律来反映输入变量与输出 变量之间的关系，它的优势在于分析独立自变量对因变量的影响，因此只能建立 线性数学模型或者某些特殊的非线性模型，如t e a m 公式和y h s p e c 预测体系【l 】 都是依靠数理统计方法建立起来的。y a m s p e e 预测体系是c s i r o 研制开发的精梳 毛纺预测专家系统，是一个从客观测量到加工预报的质量预报体系，它预报的是 个世界先进的毛纺厂在指定的纺纱条件下，使用特定的毛条纺出所能达到的纱 线质量水准和纺纱性能。该预报体系最初也是由t e a m 公式发展而来。它的主要 功能就是根据毛条的性质来预报细纱特性及纺纱断头率。预报模型主要有三个： 细纱不匀度、细纱强力和纺纱断头率。与其它预报技术不同的是该预报体系注意 了条染对纤维和纱强的影响，并反馈得出应该在染色工艺上进行控制，以降低断 头率。y a m s p e c 通常作为一种质量控制工具，主要用于：预报纱线质量、优化选择 毛条和产品质量水平定位。但该软件仅为- , b 样本试验的非线性回归方程的预测 模型，适用性较差。 西罗兰纱线预测仪闭也是利用数理统计方法建立了三个预测模型：纱线不匀预 测模型、纱线强力预测模型和纱线断头预测模型，预报三方面的纺纱性能：纱线 不匀、纱线强力和纺纱断头。该仪器能够显示纱条不匀的根本原因，在三个预测 模型中都能根据预测值对纺纱工艺参数进行调节与控制。 二、 灰色系统模型【4 j 灰色系统是部分信息已知，部分信息未知的系统。灰色理论基于关联度收敛 第一章引言 原理、生成数、灰导数、灰微分方程等观点和方法建立微分方程模型，能更好地 描述系统内部的本质。灰色系统理论用灰色模块建模，而不直接用原始数据序列， 而是从原始数据中去寻找这种内在规律。其将所有随机变量看作是一定范围内变 化的灰色量，将随机过程看成一定范围内变化的、与时间有关的灰色过程，用数 据处理的方法，将杂乱无章的原始数据整理成规律较强的生成数列再进行研究。 该方法的不足之处即没有物理原型，不清楚系统的作用机制，很难判断信息的完 备性，只能凭逻辑推理、某种观念意识、某种准则对系统的结构、关系进行论证， 然后再建立某种模型。而这些模型只能看作是原系统的代表、同构，由于模型不 是唯一的，这种代表或同构就只能在某一方面、从某一角度、在某一准则下成立。 陈东生等人建立了纱条不匀灰色预测模型，对纱条的不匀异点【5 】和短片段不匀削 进行了预测，并对该模型进行了精度检验，证明其具有较好的预测精度。该预测 模型同时也存在着亟待改善之处。首先，影响纱条不匀的因素很多，随着工艺或 者原料的变化，都有可能发生变化，因此，随着时间的推移，应不断剔除旧数据， 建立新息等维模型，使预测值经常与实际值相符。该模型仅对纱条不匀作了预测， 对纱线性能的预报尚无报道。 三、乌斯特统计值 乌斯特统计值在我国纺织行业中的应用越来越广泛和深入【_ ”。距今最近的公报 是乌斯特9 7 统计值，包含几项主要成纱指标：条干c v 、断裂强度、断裂强度 c v 和长发性纱疵( 粗节、细节等) 。乌斯特统计图对于纺织企业进行质量管理与 控制起到很大的作用。企业可以根据自己产品与乌斯特统计图的对比结果，找出 差距，分析原因，并对未来的生产过程作出调整。但乌斯特公报也有着其局限性： 一是乌斯特统计值是针对本色纱的，而我国毛纺厂普遍使用毛条染色后的色纱， 毛条染色工艺对纤维性能有些损伤，纺出纱的质量就会受到影响；二是乌斯特统 计图很笼统，针对性差；三是乌斯特统计值只能对生产过程进行控制与调整，不 能对纺纱质量进行预报。 四、人工神经网络技术 在纺纱过程中，纤维的特点、纺纱工艺参数与纱线质量指标之间存在非线性 关系，传统上借助于数学模型来建立它们之间的关系。数学模型往往要求各因子 之间相互独立，而在纺纱的实际过程中，很多因子具有不同程度的相关性，它们 对目标因子所产生的影响难以用统计方法表现出来。人们开始寻找新的方法来表 征纺纱过程，近年来人工神经网络技术越来越多地应用到纺纱质量预报中来嘲，而 且发展趋势很迅猛，国内外相关报道很多，这表明神经网络技术正逐渐成为纺纱 质量预报的热点工具，主要研究集中在如下方面。 1 、纱线拉伸性能预测 ( 1 ) s e r e ，l b o u l l a r t 等在1 9 9 7 年使用b p 神经网络来优化纺纱工艺1 9 ，构 第一章引言 建含有两个隐层的网络来预测纱线断裂强力和断裂伸长，结果误差仅分别为5 7 和3 5 ，它明显优于多元回归方法得到的结果。 ( 2 ) m c r a m e s h 等人利用人工神经网络技术在气流纺纱中预测纱线的拉伸 特性( 1 0 】。他们用只含一个隐层的神经网络，并使用反向传播算法转换原料特性和 纺纱工艺参数与最终纱线拉伸特性的函数映象关系，神经网络被训练后用来预测 纱线的强力。该实验结果表明，尽管可用来训练的数据相对较少，但预测误差还 是很小的。他们还作实验得出，如果用大量的数据对网络进行训练，网络的使用 就会更加富有效率，预报效果会更好【1 1 1 。 ( 3 ) v a n l a n g e n h o v e l 和s e t t e 构建人工神经网络模型来预报转杯纺纱线拉伸 性能【i ”，并证明训练参数少时，不能得到有效预测结果。 2 、纱线强力预测 ( 1 ) l u o c h e n g 1 3 1 和r a n g a s w a m yr a j a m a n m c k a m 【1 4 等人使用神经网络建立纤 维特性与纱线强力的对应关系，从而实现纱线强力的预测。 ( 2 ) p o s f l er 撰文指出i ”】，人工神经网络能够用来解决毛纺过程中纤维之间 的相互作用问题，如纤维在测量、梳理、纺纱、加捻和织造过程中的相互纠缠、 毡缩与纤维的卷曲、直径和变异系数之间的关系等，建立在此基础上的神经网络 模型就能够对纱线强力进行预报。 ( 3 ) s e t t e 和v a nl a n g e n h o v e 等利用遗传算法优化纤维一纱线生产过程【1 6 】， 其中包括纱线强力与伸长的预报。 ( 4 ) k i e k e n sp 和v a nl a n g e m h o v el 建立了棉纺厂的专家系鲥1 。”，仅用6 种 纱线参数，加上一个纠错因素训练而成，该系统显示出良好的强力与均匀度预测， 但是纱线伸长的预测不理想。 ( 5 ) c a b e c os i l v am e 等人利用人工神经网络对棉纺过程进行在线质量评 定，通过纱线强力和毛羽的预报对纺纱过程的质量提供安全预报【1 8 】。 3 、多种纱线质量指标预报 ( 1 ) 程文红等人利用人工神经网络在毛精纺过程中预报多项纺纱指标【19 1 。他 们采用l e v e n b e r gm a r q u r d t 优化算法构建网络，该网络含有一个隐层。输入参数有 1 0 个：毛条细度、细度离散、长度、长度离散、柬强、纺纱支数、钢丝圈号数、 细纱机锭速、细纱牵伸倍数和捻度。输出参数即预报指标是：细纱c v 值、细节、 强力、伸长率和断头率。该网络经训练后，预报误差均小于5 ，神经网络预报的 准确性很好地体现出来，这是任何其它数学模型所不能实现的。 ( 2 ) 蔡煜东和姚林生利用人工神经网络的反向传播模型研究了亚麻纤维品质 与成纱质量的关系刚。其输入参数为亚麻纤维纤维分裂度、麻条长度和强度；预 报指标为成纱细度和强度，预报结果的相对误差不超过o 2 3 ，性能良好。 ( 3 ) e p y n c k e l s 等建立人工神经网络模型模仿纺纱过程，从而根据纤维品质 4 第一章引言 和机器工艺参数预报纱线质量f 2 n 。该模型能够以9 5 的准确性预报气流纺和环锭 纺纱线性能，并通过1 3 8 2 个试样验诞了其规范瞧与一般适用性。 4 、人工神经网络技术在纺纱质量预报上的其它废用 f p y n c k e l s 等人利用人工棒经瓣络技术，根攒预瓣静纱线指标来礁定绎维静哥 纺性吲。z h ur 翻e t h r i d g em d 测髑耱经跨皤瀵型黠环锭纺秘转棒纺纱线毛羽送 雩亍颈报，褥出纤缎长度是影璃毛羽豹最大嚣豢1 2 3 。z h ur 积e t h r i d g em 。d 。还剥用 人工神经网络对纱线苓匈作出预报【2 5 】，弗褥如b p 享申经题络方法忧予传统的多元圈 归方法。v e i td + 等建立神经网络摸型臻报娱捻变形纱性能，鄹时根擐变形纱性能对 生产枫器的工艺参数进行预报【2 4 】。 一些其它实验【2 6 1 9 1 也表明，人工神经网络方法能够准确地进行纱线质量预搬， 其预报结柴明显优于多元线役回归方法，线性回归方法令人满意的地方是在纾维 品质与成纱质蹙呈线性关系时，而现实中，此二者多为非线性关系，因此神经网 络方法是多元线性回归方法的理想替代方法。 第三节本课题的研究内容与方法 一、硪究内察 1 、剩箱人工神经鹅络技术，分鬟建立纺纱震藩预报模羹与毛条晶震反溪模麓； 2 、对掰建豹模型进豁大爨刻练，逶过蘸摄等反演结桑辩鼹络链能遴孳亍验谣分 辑，寻找上述嚣类攘型熬簸饯结构与嶷健方法； 3 、建也多元线性遐蝎模型，慰纺纱矮量指标进纷预摄，荠将冀鞭掇结果与季孛 经潮络摸型鞭投绩果进行对比： 4 、铡用p o w e r b u i l d e r 技术与s q l a n y w h e r e 技本建立人枧交互爨霭与数据露， 姆纺纱质爨预报摸型与毛条品质模型进移组会并软秽让，实现由毛条到纱线的虚 拟加工系统。 二、研究方法 l 、运糟人工神经网络淫论和建模技术，参考以往相关研究，与企业合作，在 实黼纺纱过程中选择脊代袭侄的工艺环节设立数据采集点，并采集数据。 2 、乖j 糟m a f l a b 神经瓣络z 吴箱编程，实现入工神经两络建模、调练与预报。 3 、利穗s p s s 软锌对一部分纱线葳繁与纺纱性麓指标进行多元线住西 岛，然 螽与襻经网络方法避行对魄。 4 、进行p o w e rb u i l d e r 与s q l 绽程，建焱人棍交薹莽露与数据痒，实袋纱线 虚拟麓工系统静软 牛化。 第二章b p 网络模型的建模过程与原理 第二章b p 网络模型的建模过程与原理 第一节人工神经网络技术简介及其在纺织上的应用 一、人工神经网络技术简介 人工神经网络 3 0 1 ( a r t i f i c i a ln e u r a ln e t w o r k ，a n n ) 技术是基于神经科学研究 的最新成果发展起来的新兴边缘学科。它是以工程技术手段模拟人脑神经网络的 结构与功能特征的一种技术系统，它利用大量的非线性并行处理器来模拟人脑众 多神经元，利用处理器间错综灵活的连接关系来模拟人脑神经元间的突触 ( s y n a p s e ) 行为。从本质上讲，人工神经网络是一种大规模并行的非线性动力学 系统。 1 、人工神经网络的发展概况【3 l i 1 9 4 3 年，心理学家w s m c c u l l o c h 和数理逻辑学家w p i t t s 建立了神经网络模 型( m p 模型) 。他们通过该模型提出了神经元的形式化数学描述和网络结构方法， 证明了单个神经元能执行逻辑功能，从而开创了人工神经网络研究的时代。 1 9 4 9 年，d o h e b b 首先提出了一种调整神经网络连接权值的规则，通称为 h e b b 学习规则。现在仍有不少神经网络在采用这种规则。 1 9 世纪6 0 年代，人工神经网络得到了进一步发展，更完善的神经网络模型被 提出，其中包括感知器和自适应线性元件等。m m i i l s b 等仔细分析了以感知器为 代表的神经网络系统的功能及局限后，于1 9 6 9 年出版了p e r e e p t r o n ) ) 一书，指出 感知器的功能是有限的，他们的论点极大地影响了神经网络的研究，加之当时串 行计算机和人工智能所取得的成就，掩盖了发展新型计算机和人工智能新途径的 必要性和迫切性，使人工神经网络的研究处于低潮。在此期间，c r r o s s b e r g 等一些 人工神经网络的研究者仍然致力于这一研究，提出了适应谐振理论( a r t 网) 、 自组织映射、认知机网络，同时进行了神经网络数学理论的研究。以上研究为神 经网络进一步的研究和发展奠定了基础。 1 9 8 2 年，美国加州工学院物理学家j j h o p f i e l d 提出了h o p f i e l d 神经网格模型， 引入了“计算能量”概念，给出了网络稳定性判断。1 9 8 4 年，他又提出了连续时 间h o p f i e l d 神经网络模型，为神经计算机的研究做了开拓性的工作，开创了神经 网络用于联想记忆和优化计算的新途径，有力地推动了神经网络的研究。 1 9 8 5 年，又有学者提出了波耳兹曼模型，在学习中采用统计热力学模拟退火 技术，保证整个系统趋于全局稳定点。 1 9 8 6 年进行认知微观结构的研究，提出了并行分布处理的理论。人工神经网 络的研究受到了各个发达国家的重视，美国国会通过决议将从1 9 9 0 年1 月5 日开 始的十年定为“脑的十年”，国际研究组织号召它的成员国将“脑的十年”变为 6 第二掌b p 弼络攘型的建模过程与原理 全球彳亍为。在融本的“真实 鼗界计算( r w c ) ”顼茸中，入工智能静研究成了一 个重要静缀成都分。 嚣兹，人王毒孛缝网络技术已经应翅在纯学、生物、交通、金融、证券和一些 工业领域中，并显示出良好的应用前景。 2 、人工神经网络的特点 ( 1 ) 非线性：入王狰经元处于激活或l 牵制二秽不同骢状态，该行为在数学上 表现为一种非线性关系。具有阚值的神经元构成的网络县有更好的性能，可以提 高容错性和存储容爨。 ( 2 ) 非局限往：一个神经网络通常由多个神缀元广泛涟接而成。一个系统的 整体移茺不仅取决予萃个棒经元静特征，祷虽胃能童要蠢单嚣之溺豹裙互作弱、 攘要逡接茨决定，磁以邋过单元之间戆大鬟连接摸拟大艟的l # 局限性。 ( 3 ) 非常定性：人工神经网络具有自适应、自组织、自学习能力。神经网络 不但处理的信息可以有备种变化，而鼠在处理信息的同时，非线性动力系统本身 也在不断变化。 ( 4 ) 凸性：伞系统盼滚纯方自，在一定条俘下将取决予菜个特定静状态 蘧数。铡如毙爨函数，它的投值提应子系统比较稳定鲍状态。嚣凸蚀是搬这秽函 数有多个极值，故系统舆有多个较稳定的平衡态，这将导致系统演化的多样性。 人工神经网络的优点就是在处理和解决问题时，不需要精确的数学模型，而 悬通过其强大的自学习能力和结构的可交性，逐步适应外部环境各因素的作用， 不断修改自隽行秀，良这爨装终解决阔蘧黥嚣豹【3 2 】。英实，神经耀终静数学璎论 本质是 # 线性数学理论，它以权值攒述变燕与娶标之闼特臻关系，实际上是一耪 描述变量与目标变量之间特殊的非线性回归分析，因此，应用神经网络模型来解 决非线性回归问题怒顺理成章的事情【3 那。过去的十多年中，些学者提出一些神 经网络模黧，精神经网络的非线性特往去逼近一个时间序列或者个时间序剐的 交型，来竟簸线性镶测方法鼢焉鞭牲，实瑗大奄 线性、含骞多元溺蘧熬过稷预 测【3 4 】。与般多因予j 耍溯方法比较，人王神经网终疆报方法县存客镄能力强，可 靠性高，预测速度快盼优点【3 5 1 。 3 、人工神经元结构 人王裤经网络熬基本结构单元戈襻。 经元，如图2 1 所示。神经元是一个 近似模拟生物神经元的数学模型，它通 “ 过与其相逑的其它神经元接收信息p ， ” 4 1 每连接都有突触逑接强度，用桶应的挣 权僵w i ，表示( 这里的i 表示神经网络的 圈2 1神经元结构 第二章b p 网络模型的建模过程与原理 层数，表示每一层的神经元个数) ，即将产生的信号通过连接强度放大；接着， 神经元接收到与其相连的所有神经元输出的加权累积”，加权总和与神经元阈值6 进行比较，若它大于阈值，神经元内部函数厂被激活。当它被激活时，得到的信 号a 被传送到与其相连的更高一级神经元。 4 、人工神经网络的种类 根据神经元连接的拓扑结构，神经网络模型可以分为前向网络与反馈网络两 大类。前向网络中各个神经元接受前一级的输入，并输出到下一级，网络中没有 反馈。这种网络实现信号从输入空间到输出空间的变换，它的信息处理能力来自 于简单非线性函数的多次复合，其网络结构简单，易于实现。b p 网络就是一种典 型的前向网络。反馈网络神经元间有反馈，这种神经网络的信息处理是状态的变 换，可以用动力学系统理论处理。系统的稳定性与联想记忆功能有密切关系。 h o p f i e l d 网络、波耳兹曼模型均属于这种类型。 具体说来，人工神经网络的基本类型包括：感知器、线性神经网络、b p 网络、 径向基函数网络、自组织竞争网络和回归网络。它们各自有着独特的功用，感知 器神经网络的转移函数是符号函数，其输出是二值量0 和l ，特别适用于简单的模 式分类问题；线性神经网络的转移函数为线性函数，所以其输出可以取任意值， 主要用于函数逼近、信号处理滤波、预测、模式识别和控制等方面；b p 神经网络 是一种多层前馈神经网络，其神经元的转移函数为s 型函数，因此输出量在0 到1 之间，它可以实现从输入到输出的任意的非线性映射，主要用于：函数逼近、模 式识别、分类和数据压缩等方面；径向基函数网络的转移函数是高斯函数，只对 输入信号产生局部的反应，因此该网络是一种典型的局部逼近神经网络，在函数 逼近、分类等方面有着很多的应用：自组织神经网络模拟了生物神经系统的“侧 抑制”现象，网络竞争层各神经元竞争对输入模式的响应机会，最后仅有一个神 经元成为竞争的胜者，这一获胜神经元就表示对输入模式的分类，进一步拓宽了 神经网络在模式识别、分类方面的应用；回归网络的同层神经元之间可以有连接， 信号能够从正向和反向流通，网络状态的演变过程是一个非线性动力学系统，主 要用于联想记忆和求解优化问题。 目前，在人工神经网络的实际应用中，绝大部分的神经网络模型采用的是b p 网络和它的变化形式，它是前向网络的核心部分，并体现了人工神经网络最精华 的部分。本课题采用改进b p 神经网络进行建模实验。 二、人工神经网络技术在纺织上的应用 2 0 世纪9 0 年代后，作为图像处理技术后的又一热点工具，人工神经网络技术 逐渐被应用到纺织领域。虽然目前的应用尚处于初步阶段，但国内外研究者在纺 纱质量预报、上染率计算、织物疵点识别、起毛起球等级评定、织物风格评定、 8 第= 章b p 网络模溅的建模过程与原理 纤维和织物鉴定等方黼进行研究并取得了魑成果箨，蚓。 1 、上染举计算 在印染帮后整理审，上染率静计算是撮灌要静步骤，它决定了在窜染辩掰用 染料的量以及能否得到理想的织物颜色。k e v i ni n v e m i z z i 等利用人工神经网络来 计算上染肇 3 7 1 ，它是以织物的反射光谱为输入量，网络食有1 6 个输入节点，分别 对应予每一个反射波妖，有一个瓣瑟，输赉鬃有三个输穗节熹，对疲予上柒率瓣3 个指标，实验证明用神经网络来计算上染率的方法可以得到非常满意的结果。 2 、织物癜点识别与译定 目前裔人研制出一种用来识男和给织物疵点分类的神经网络实时系统p 戮。采 用激光透射法获得织物疵点图象，包括段经、断纬、油渍、污渍、破洞、摔破、 双纬、缨缀、续纬等。姆歪零织物与毒疲点织骢夔裁谱凋建窘有嚣令豫层豹b p 耀 络进行训练，训练届识别能力很强，误差平方和仅为0 0 0 1 3 ，丽髓每种样本的识 别时间只需0 2 秒，w 用在实时系统中。另外，在织物织疵评定中，神经网