智能挖掘與質(zhì)量控制技術(shù)在紡織生產(chǎn)過(guò)程中的應(yīng)用研究.pdf

1、隨著數(shù)字化技術(shù)的飛速發(fā)展，計(jì)算機(jī)在紡織領(lǐng)域的應(yīng)用已從一般性事物處理上升到生產(chǎn)過(guò)程的監(jiān)控和產(chǎn)品的輔助設(shè)計(jì)，智能化加工與控制正在成為現(xiàn)代紡織技術(shù)的主要特征。論文針對(duì)國(guó)際紡織工程技術(shù)領(lǐng)域的關(guān)鍵共性需求，即生產(chǎn)過(guò)程智能挖掘與質(zhì)量控制開(kāi)展研究，并力圖通過(guò)研究和探索解決：①面向紡織品加工智能挖掘體系架構(gòu)與系統(tǒng)建模問(wèn)題；②基于支持向量機(jī)的紡織品加工質(zhì)量預(yù)測(cè)技術(shù)；③面向復(fù)雜加工過(guò)程的工藝知識(shí)表達(dá)與發(fā)現(xiàn)；④紡織品加工質(zhì)量控制等問(wèn)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(shù)和方法。論文通過(guò)人工智能技術(shù)、數(shù)據(jù)挖掘技術(shù)和自動(dòng)化技術(shù)的集成，研究了用于紡織品理性加工的新理論、新技術(shù)與新方法，開(kāi)發(fā)了相應(yīng)的軟件系統(tǒng)，并通過(guò)工程實(shí)踐對(duì)其進(jìn)行了驗(yàn)證和初步應(yīng)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(gòu)（Multiple-agent based Intelligent Mining Architecture for

3、Textile Process Decision&Quality Control，MIMA），包括數(shù)據(jù)預(yù)處理Agent、數(shù)據(jù)挖掘Agent、知識(shí)評(píng)價(jià)Agent、知識(shí)服務(wù)Agent、集中控制Agent、人機(jī)界面Agent等，針對(duì)紡織生產(chǎn)共性問(wèn)題，可以實(shí)現(xiàn)廣義推理及多樣化服務(wù)，增強(qiáng)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(xué)習(xí)能力的同時(shí)，降低了系統(tǒng)復(fù)雜度。MIMA中各Agent采用了“感知、決策、動(dòng)作”的通用結(jié)構(gòu)，便于系統(tǒng)實(shí)

4、現(xiàn)。構(gòu)造了數(shù)據(jù)挖掘平臺(tái)--紡織生產(chǎn)數(shù)據(jù)倉(cāng)庫(kù)（Data Warehouse for Textile Production，簡(jiǎn)稱(chēng)DWTP），其基本結(jié)構(gòu)包括數(shù)據(jù)源、數(shù)據(jù)的提取與存儲(chǔ)、生產(chǎn)加工數(shù)據(jù)集市（倉(cāng)庫(kù)）、應(yīng)用工具等。DWTP基本數(shù)據(jù)模型為星型模型，并采用多種機(jī)制對(duì)原始數(shù)據(jù)進(jìn)行清洗轉(zhuǎn)換。DWTP的建立為紡織生產(chǎn)過(guò)程中智能挖掘提供高質(zhì)量的數(shù)據(jù)集奠定了基礎(chǔ)。
　　 （2）提出了一種新的紡織生產(chǎn)質(zhì)量預(yù)測(cè)模型--基于支持向量機(jī)的紡織加工預(yù)測(cè)

5、模型（Support Vector Machines toward TextileProduction，SVMT2P）。模型設(shè)計(jì)采用了v-SVM回歸機(jī)以及徑向基（RBF）核函數(shù)，其中關(guān)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(guò)交叉驗(yàn)證法（k-fold cross-validation）對(duì)模型的性能進(jìn)行評(píng)估。針對(duì)支持向量機(jī)模型參數(shù)難以確定的問(wèn)題，應(yīng)用遺傳算法對(duì)模型參數(shù)進(jìn)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(shè)計(jì)。以此為基礎(chǔ)，分別建立了棉紡紗線強(qiáng)力預(yù)測(cè)模型、聚酯纖維空氣變形紗質(zhì)量預(yù)測(cè)模型、毛精紡紗線加工性能與質(zhì)量預(yù)測(cè)模型。試驗(yàn)分析表明，支持向量機(jī)經(jīng)過(guò)訓(xùn)練后可以用于建立紡織生產(chǎn)過(guò)程的質(zhì)量預(yù)測(cè)模型；用于同人工神經(jīng)網(wǎng)絡(luò)模型比較，支持向量機(jī)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(dòng)的真實(shí)生產(chǎn)過(guò)程，在紡織加工質(zhì)量預(yù)測(cè)方面具有良好的泛化能力，平均預(yù)測(cè)精度提高了4～17％，從而驗(yàn)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(shí)的復(fù)合表達(dá)模式，如面向?qū)ο蟮陌咐磉_(dá)、基于粗糙集的知識(shí)表達(dá)、支持向量或神經(jīng)網(wǎng)絡(luò)表達(dá)等。在研究神經(jīng)網(wǎng)絡(luò)建模過(guò)程的基礎(chǔ)上，通過(guò)算例進(jìn)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(shí)獲取方法，給出了工藝屬性重要度計(jì)算的流程；采用了基于案例的工藝知識(shí)重用策略，研究了其中的關(guān)鍵技術(shù)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(guò)工藝決策Agent對(duì)工藝設(shè)計(jì)以及原料的選擇進(jìn)行優(yōu)化，提高工藝設(shè)計(jì)的質(zhì)量；對(duì)可能出現(xiàn)的異常波動(dòng)通過(guò)工藝補(bǔ)償Agent分析其原因，提出相應(yīng)的解決方案，提高生產(chǎn)加工的質(zhì)量穩(wěn)定性。該模型對(duì)決定于產(chǎn)品質(zhì)量的兩個(gè)關(guān)鍵因素（設(shè)計(jì)質(zhì)量、加工質(zhì)量）形成雙閉環(huán)并進(jìn)行有效調(diào)控。通過(guò)相應(yīng)的算例，研究了紡織工藝優(yōu)化決策的主要流程。針對(duì)傳統(tǒng)的SPC技術(shù)在質(zhì)量實(shí)踐中顯露

9、出的某些局限性，進(jìn)一步提出了混合粗糙集隱式知識(shí)和專(zhuān)家經(jīng)驗(yàn)顯式知識(shí)的工藝補(bǔ)償策略。通過(guò)自組織特征映射網(wǎng)絡(luò)（SOM）建立離散化質(zhì)量數(shù)據(jù)決策表，利用隱式知識(shí)對(duì)紡織生產(chǎn)過(guò)程中的質(zhì)量進(jìn)行智能診斷，增強(qiáng)了質(zhì)量控制的針對(duì)性。
　　 （5）在以上理論研究基礎(chǔ)上，以國(guó)家技術(shù)創(chuàng)新項(xiàng)目“紡織品敏捷加工智能工藝設(shè)計(jì)與質(zhì)量預(yù)測(cè)”為背景，以毛紡織生產(chǎn)為對(duì)象，開(kāi)發(fā)了基于互聯(lián)網(wǎng)的智能工藝設(shè)計(jì)與虛擬加工應(yīng)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(gè)主要功能模塊，即智能工藝設(shè)計(jì)與知識(shí)管理子系統(tǒng)，紡織品加工過(guò)程信息采集子系統(tǒng)，紡織品虛擬加工與質(zhì)量預(yù)測(cè)子系統(tǒng)，內(nèi)容涵蓋合約跟蹤、工藝設(shè)計(jì)（條染、紡紗、織布、后整理）以及生產(chǎn)執(zhí)行、產(chǎn)品檢測(cè)與質(zhì)量控制等企業(yè)生產(chǎn)的關(guān)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(jī)的紡織生產(chǎn)

11、質(zhì)量預(yù)測(cè)模型--SVMT2P模型，研究了其中的關(guān)鍵算法以及模型的設(shè)計(jì)。針對(duì)支持向量機(jī)模型參數(shù)難以確定的問(wèn)題，應(yīng)用遺傳算法對(duì)模型參數(shù)進(jìn)行了優(yōu)化，提高了模型的泛化性能。在此基礎(chǔ)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(jī)預(yù)測(cè)模型；
　　 （2）將智能挖掘技術(shù)引入紡織生產(chǎn)過(guò)程中，提出了基于多Agent的紡織生產(chǎn)智能挖掘系統(tǒng)架構(gòu)--MIMA和紡織工藝知識(shí)的復(fù)合表達(dá)模式，并在紡織生產(chǎn)中得到應(yīng)用；研究并采用了新的基于粗糙集的紡織