智能挖掘與質(zhì)量控制技術在紡織生產(chǎn)過程中的應用研究.pdf

1、隨著數(shù)字化技術的飛速發(fā)展，計算機在紡織領域的應用已從一般性事物處理上升到生產(chǎn)過程的監(jiān)控和產(chǎn)品的輔助設計，智能化加工與控制正在成為現(xiàn)代紡織技術的主要特征。論文針對國際紡織工程技術領域的關鍵共性需求，即生產(chǎn)過程智能挖掘與質(zhì)量控制開展研究，并力圖通過研究和探索解決：①面向紡織品加工智能挖掘體系架構與系統(tǒng)建模問題；②基于支持向量機的紡織品加工質(zhì)量預測技術；③面向復雜加工過程的工藝知識表達與發(fā)現(xiàn)；④紡織品加工質(zhì)量控制等問題，從而為高質(zhì)量、低成本敏

2、捷化紡織品加工提供新的技術和方法。論文通過人工智能技術、數(shù)據(jù)挖掘技術和自動化技術的集成，研究了用于紡織品理性加工的新理論、新技術與新方法，開發(fā)了相應的軟件系統(tǒng)，并通過工程實踐對其進行了驗證和初步應用。
　　 論文工作主要包括以下內(nèi)容：
　　 （1）提出了面向紡織工藝決策與質(zhì)量控制的多Agent智能挖掘系統(tǒng)架構（Multiple-agent based Intelligent Mining Architecture for

3、Textile Process Decision&Quality Control，MIMA），包括數(shù)據(jù)預處理Agent、數(shù)據(jù)挖掘Agent、知識評價Agent、知識服務Agent、集中控制Agent、人機界面Agent等，針對紡織生產(chǎn)共性問題，可以實現(xiàn)廣義推理及多樣化服務，增強了數(shù)據(jù)挖掘算法的集成性，在提高系統(tǒng)的工具性和智能性以及自我學習能力的同時，降低了系統(tǒng)復雜度。MIMA中各Agent采用了“感知、決策、動作”的通用結構，便于系統(tǒng)實

4、現(xiàn)。構造了數(shù)據(jù)挖掘平臺--紡織生產(chǎn)數(shù)據(jù)倉庫（Data Warehouse for Textile Production，簡稱DWTP），其基本結構包括數(shù)據(jù)源、數(shù)據(jù)的提取與存儲、生產(chǎn)加工數(shù)據(jù)集市（倉庫）、應用工具等。DWTP基本數(shù)據(jù)模型為星型模型，并采用多種機制對原始數(shù)據(jù)進行清洗轉(zhuǎn)換。DWTP的建立為紡織生產(chǎn)過程中智能挖掘提供高質(zhì)量的數(shù)據(jù)集奠定了基礎。
　　 （2）提出了一種新的紡織生產(chǎn)質(zhì)量預測模型--基于支持向量機的紡織加工預測

5、模型（Support Vector Machines toward TextileProduction，SVMT2P）。模型設計采用了v-SVM回歸機以及徑向基（RBF）核函數(shù)，其中關鍵的參數(shù)包括稀疏因子v、徑向基帶寬σ、懲罰因子C。通過交叉驗證法（k-fold cross-validation）對模型的性能進行評估。針對支持向量機模型參數(shù)難以確定的問題，應用遺傳算法對模型參數(shù)進行了優(yōu)化，研究了其中GA的編碼方案以及遺傳算子（選擇、交叉

6、、變異）的設計。以此為基礎，分別建立了棉紡紗線強力預測模型、聚酯纖維空氣變形紗質(zhì)量預測模型、毛精紡紗線加工性能與質(zhì)量預測模型。試驗分析表明，支持向量機經(jīng)過訓練后可以用于建立紡織生產(chǎn)過程的質(zhì)量預測模型；用于同人工神經(jīng)網(wǎng)絡模型比較，支持向量機模型更適合于數(shù)據(jù)維數(shù)高、有效數(shù)據(jù)樣本少、具有各種擾動的真實生產(chǎn)過程，在紡織加工質(zhì)量預測方面具有良好的泛化能力，平均預測精度提高了4～17％，從而驗證了模型的有效性。
　　 （3）提出并研究了MI

7、MA中紡織工藝知識的復合表達模式，如面向?qū)ο蟮陌咐磉_、基于粗糙集的知識表達、支持向量或神經(jīng)網(wǎng)絡表達等。在研究神經(jīng)網(wǎng)絡建模過程的基礎上，通過算例進一步分析了影響其泛化能力的主要因素。采用了新的基于粗糙集的紡織工藝知識獲取方法，給出了工藝屬性重要度計算的流程；采用了基于案例的工藝知識重用策略，研究了其中的關鍵技術例如案例的檢索和匹配、案例的修正、案例的保存等。
　　 （4）提出并研究了紡織品加工質(zhì)量智能控制模型（Intellige

8、nt，ControlModel toward Textile Quality，ICMT2Q）。通過工藝決策Agent對工藝設計以及原料的選擇進行優(yōu)化，提高工藝設計的質(zhì)量；對可能出現(xiàn)的異常波動通過工藝補償Agent分析其原因，提出相應的解決方案，提高生產(chǎn)加工的質(zhì)量穩(wěn)定性。該模型對決定于產(chǎn)品質(zhì)量的兩個關鍵因素（設計質(zhì)量、加工質(zhì)量）形成雙閉環(huán)并進行有效調(diào)控。通過相應的算例，研究了紡織工藝優(yōu)化決策的主要流程。針對傳統(tǒng)的SPC技術在質(zhì)量實踐中顯露

9、出的某些局限性，進一步提出了混合粗糙集隱式知識和專家經(jīng)驗顯式知識的工藝補償策略。通過自組織特征映射網(wǎng)絡（SOM）建立離散化質(zhì)量數(shù)據(jù)決策表，利用隱式知識對紡織生產(chǎn)過程中的質(zhì)量進行智能診斷，增強了質(zhì)量控制的針對性。
　　 （5）在以上理論研究基礎上，以國家技術創(chuàng)新項目“紡織品敏捷加工智能工藝設計與質(zhì)量預測”為背景，以毛紡織生產(chǎn)為對象，開發(fā)了基于互聯(lián)網(wǎng)的智能工藝設計與虛擬加工應用軟件（Web-basedIntelligent Proc

10、ess Planning&Virtual Manufacturing，WIPVM1.0）。WIPVM1.0系統(tǒng)分為三大子系統(tǒng)十一個主要功能模塊，即智能工藝設計與知識管理子系統(tǒng)，紡織品加工過程信息采集子系統(tǒng)，紡織品虛擬加工與質(zhì)量預測子系統(tǒng)，內(nèi)容涵蓋合約跟蹤、工藝設計（條染、紡紗、織布、后整理）以及生產(chǎn)執(zhí)行、產(chǎn)品檢測與質(zhì)量控制等企業(yè)生產(chǎn)的關鍵環(huán)節(jié)。
　　 論文的創(chuàng)新處在于：
　　 （1）提出了一種新的基于支持向量機的紡織生產(chǎn)

11、質(zhì)量預測模型--SVMT2P模型，研究了其中的關鍵算法以及模型的設計。針對支持向量機模型參數(shù)難以確定的問題，應用遺傳算法對模型參數(shù)進行了優(yōu)化，提高了模型的泛化性能。在此基礎之上，分別建立了棉紡、化纖以及毛精紡加工質(zhì)量的支持向量機預測模型；
　　 （2）將智能挖掘技術引入紡織生產(chǎn)過程中，提出了基于多Agent的紡織生產(chǎn)智能挖掘系統(tǒng)架構--MIMA和紡織工藝知識的復合表達模式，并在紡織生產(chǎn)中得到應用；研究并采用了新的基于粗糙集的紡織