周強(qiáng)，丁永生，2，郝礦榮，2，王華平

（1.東華大學(xué)a.信息科學(xué)與技術(shù)學(xué)院；b.材料科學(xué)與工程學(xué)院，上海201620；2.數(shù)字化紡織服裝技術(shù)教育部工程研究中心，上海201620）

碳纖維是一種質(zhì)地優(yōu)良且應(yīng)用廣泛的纖維材料，其化學(xué)組成中碳元素質(zhì)量分?jǐn)?shù)在90%以上。由于其高比強(qiáng)度、比模量等機(jī)械性能以及低密度、耐高溫、耐腐蝕、耐摩擦、抗疲勞、振動(dòng)衰減性高、電及熱傳導(dǎo)性高、熱膨脹系數(shù)低、X光穿透性高，非磁體但有電磁屏蔽性等多種優(yōu)良性能，世界各國越來越重視碳纖維技術(shù)的發(fā)展［1］。

提高碳纖維原絲生產(chǎn)的監(jiān)控水平是解決原絲質(zhì)量不過關(guān)問題的一種有效措施。筆者提出一種針對碳纖維原絲紡絲過程的智能在線監(jiān)控的協(xié)同式專家系統(tǒng)，利用協(xié)同的思想來解決原絲生產(chǎn)調(diào)控的全局與局部分離的問題。首先利用遺傳算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)建立碳纖維原絲性能預(yù)警模型，對碳纖維的原絲性能進(jìn)行實(shí)時(shí)監(jiān)控；同時(shí)建立協(xié)同式專家系統(tǒng)，對預(yù)警模型輸出結(jié)果和生產(chǎn)數(shù)據(jù)進(jìn)行處理和分析，將調(diào)控問題由全局到局部分解，利用分工更加精細(xì)的子系統(tǒng)對生產(chǎn)線上各參數(shù)進(jìn)行調(diào)控。最后將該模型與碳纖維生產(chǎn)線無線以太局域網(wǎng)絡(luò)監(jiān)控系統(tǒng)相結(jié)合，建立碳纖維原絲紡絲過程的在線監(jiān)控協(xié)同式專家系統(tǒng)。

1 系統(tǒng)簡介

1.1 碳纖維原絲紡絲協(xié)同式專家系統(tǒng)

協(xié)同式專家系統(tǒng)由一個(gè)主系統(tǒng)和若干子系統(tǒng)構(gòu)成，原絲性能預(yù)測模型建立后，將輸出結(jié)果和生產(chǎn)線上的生產(chǎn)參數(shù)傳送到協(xié)同式專家系統(tǒng)的主系統(tǒng)［2－3］。

主系統(tǒng)是一個(gè)全局性的淺層知識(shí)庫，用來分析原絲性能預(yù)測模型的輸出結(jié)果和生產(chǎn)線的實(shí)時(shí)狀況。其主要任務(wù)是對全局任務(wù)分解，對系統(tǒng)的各個(gè)子系統(tǒng)間的協(xié)作進(jìn)行調(diào)度、對各個(gè)子系統(tǒng)的求解結(jié)果進(jìn)行集成與綜合、支持專家間的協(xié)商與協(xié)作，給出最終的調(diào)控方案。

子系統(tǒng)主要包括：原液聚合知識(shí)庫、牽伸工藝知識(shí)庫、凝固浴知識(shí)庫、不確定性工藝知識(shí)庫。在各個(gè)規(guī)則知識(shí)庫中，都是根據(jù)研究碳纖維生產(chǎn)工藝的專家經(jīng)驗(yàn)和知識(shí)以及國家規(guī)定的碳纖維紡絲性能質(zhì)量標(biāo)準(zhǔn)，建立專家規(guī)則集。

a）推理機(jī)。采用基于規(guī)則反向推理機(jī)，根據(jù)知識(shí)的語義，對找到的知識(shí)進(jìn)行解釋執(zhí)行。

b）綜合數(shù)據(jù)庫。用于存放關(guān)于問題求解的初始數(shù)據(jù)、求解狀態(tài)、中間結(jié)果、假設(shè)、目標(biāo)以及最終求解結(jié)果。

c）解釋程序。根據(jù)用戶的提問，對系統(tǒng)給出的結(jié)論、求解過程及系統(tǒng)當(dāng)前的求解狀態(tài)提供說明，便于用戶理解系統(tǒng)的問題求解，增加用戶對求解結(jié)果的信任程度。

d）知識(shí)獲取程序。在專家系統(tǒng)的知識(shí)庫建造中用部分代替知識(shí)工程師進(jìn)行專門知識(shí)的自動(dòng)獲取，實(shí)現(xiàn)專家系統(tǒng)的自學(xué)習(xí)，不斷完善知識(shí)庫。

e）人機(jī)接口。將專家或用戶的輸入信息翻譯為系統(tǒng)可接受的內(nèi)部形式，把系統(tǒng)向?qū)＜一蛴脩糨敵龅男畔⑥D(zhuǎn)換成人類易于理解的外部形式。

1.2 碳纖維原絲紡絲工藝在線監(jiān)測系統(tǒng)

1.2.1 基于NetCon的無線局域網(wǎng)監(jiān)測系統(tǒng)

NetCon系統(tǒng)是一個(gè)通用的本地／網(wǎng)絡(luò)化控制系統(tǒng)，主要由網(wǎng)絡(luò)化控制器（NetController）、網(wǎng)絡(luò)化可視控制組態(tài)軟件（NetConLink）和網(wǎng)絡(luò)化可視監(jiān)控組態(tài)軟件（NetConTop）組成［4］。NetConTop是為NetCon網(wǎng)絡(luò)化控制系統(tǒng)設(shè)計(jì)的用于快速構(gòu)造和生成上位機(jī)圖形化監(jiān)控程序的組態(tài)軟件并實(shí)現(xiàn)數(shù)據(jù)和通信服務(wù)器的功能，既可以作為NetCon網(wǎng)絡(luò)化控制系統(tǒng)的監(jiān)控組態(tài)軟件子系統(tǒng)使用，也可以用于各種需要進(jìn)行實(shí)時(shí)數(shù)據(jù)采集和監(jiān)控的應(yīng)用場合。筆者將其用于碳纖維原絲紡絲工藝的實(shí)時(shí)數(shù)據(jù)采集與監(jiān)測，其系統(tǒng)結(jié)構(gòu)如圖1所示。

圖1 無線局域網(wǎng)監(jiān)測系統(tǒng)結(jié)構(gòu)

1.2.2 監(jiān)測系統(tǒng)設(shè)計(jì)

對影響原絲性能的主要工藝參數(shù)進(jìn)行分析，并將這些工藝參數(shù)作為監(jiān)測系統(tǒng)的數(shù)據(jù)采集節(jié)點(diǎn)。主要影響原絲性能的工藝環(huán)節(jié)及參數(shù)如下［5］：

a）紡絲原液的聚合。該階段包括溶解、計(jì)量、脫泡。其中影響原絲性能的參數(shù)主要是相對分子質(zhì)量，轉(zhuǎn)化率。

b）噴絲。噴頭牽伸比對原絲性能有著重要的影響，它與噴絲速度有關(guān)，而噴絲速度可以通過前面的計(jì)量泵的轉(zhuǎn)速來計(jì)算獲得。

c）凝固浴。凝固浴的溫度和二甲基亞砜（DMSO）質(zhì)量分?jǐn)?shù)對原絲性能有著重要影響。

d）沸水牽伸?？偁可毂仁怯绊懱祭w維原絲性能的重要參數(shù)，一般生產(chǎn)線都對原絲進(jìn)行二級牽伸，可以通過第一牽伸棍、第二牽伸棍和第三牽伸棍的轉(zhuǎn)速來計(jì)算總牽伸比。

e）熱定型。熱定型是一個(gè)熱收縮動(dòng)力學(xué)過程，與溫度有著很大關(guān)系。隨溫度升高，收縮率下降，收縮誘導(dǎo)時(shí)間減小。

碳纖維原絲紡絲工藝在線監(jiān)測界面如圖2所示。

2 碳纖維原絲性能的智能預(yù)測模型

碳纖維原絲性能預(yù)測模型建立后，將輸入輸出數(shù)據(jù)先存入數(shù)據(jù)庫系統(tǒng)，然后將這些數(shù)據(jù)傳送到裝有碳纖維原絲紡絲專家系統(tǒng)的上位機(jī)，專家系統(tǒng)主系統(tǒng)將性能預(yù)測模型輸出的原絲預(yù)測性能值和期望值進(jìn)行比較得出原絲性能誤差，然后根據(jù)自身的知識(shí)庫和推理機(jī)將調(diào)控問題分解成若干子問題由各個(gè)更精細(xì)的子系統(tǒng)來處理。

圖2 碳纖維原絲紡絲工藝流程監(jiān)測界面

圖3 碳纖維原絲性能RBF神經(jīng)網(wǎng)絡(luò)預(yù)測模型

2.1 碳纖維原絲性能的神經(jīng)網(wǎng)絡(luò)預(yù)測模型

RBF神經(jīng)網(wǎng)絡(luò)是一種三層前饋網(wǎng)絡(luò)：第一層為輸入層，由信號(hào)源節(jié)點(diǎn)組成；第二層為隱含層，其單元數(shù)視所描述問題的需要而定；第三層為輸出層，它對輸入模式的作用做出響應(yīng)。輸入層節(jié)點(diǎn)只是傳遞輸入數(shù)據(jù)x1，x2，x3，…，xn到隱含層節(jié)點(diǎn)。隱含層節(jié)點(diǎn)即RBF節(jié)點(diǎn)，由常見的高斯函數(shù)構(gòu)成。輸出節(jié)點(diǎn)通常是簡單的線性函數(shù)［6－7］。通過該模型，已知輸入預(yù)測輸出，可以根據(jù)預(yù)測結(jié)果達(dá)到預(yù)警的目的。

模型輸入：碳纖維原絲監(jiān)控系統(tǒng)的監(jiān)測值大部分為影響原絲性能的參數(shù)，將這些參數(shù)值或經(jīng)特定模型處理后的值作為模型輸入。模型輸出：原絲強(qiáng)度與原絲結(jié)構(gòu)參數(shù)，它們是用來表征原絲質(zhì)量的兩個(gè)主要指標(biāo)。

這樣基于RBF神經(jīng)網(wǎng)絡(luò)的碳纖維原絲性能預(yù)測模型的輸入層為凝固浴溫度、DMSO質(zhì)量分?jǐn)?shù)、噴頭牽伸比、總牽伸倍數(shù)、轉(zhuǎn)化率和分子量。輸出層為原絲強(qiáng)度和原絲結(jié)構(gòu)參數(shù)。建立碳纖維原絲性能神經(jīng)網(wǎng)絡(luò)預(yù)測優(yōu)化模型，其模型結(jié)構(gòu)如圖3所示。

該模型的具體實(shí)現(xiàn)步驟如下：

a）初始化。確定提取數(shù)據(jù)的總?cè)萘俊⑤斎雮€(gè)數(shù)、輸出個(gè)數(shù)、輸入輸出總個(gè)數(shù)。

b）輸入訓(xùn)練樣本并計(jì)算各層輸出。連接數(shù)據(jù)庫，首先讀入前100行數(shù)據(jù)作為訓(xùn)練集，每行選取轉(zhuǎn)化率、相對分子質(zhì)量、凝固浴溫度、DMSO質(zhì)量分?jǐn)?shù)、噴頭牽伸比、總牽伸倍數(shù)、原絲強(qiáng)度、原絲結(jié)構(gòu)參數(shù)這8列數(shù)據(jù)，原絲強(qiáng)度和原絲結(jié)構(gòu)參數(shù)為輸出，其他6個(gè)數(shù)據(jù)為輸入。首先對每列數(shù)據(jù)進(jìn)行歸一化處理，然后建立RBF神經(jīng)網(wǎng)絡(luò)，設(shè)置相應(yīng)的參數(shù)，包括學(xué)習(xí)速率、動(dòng)量、S函數(shù)陡峭度、隱含層神經(jīng)元個(gè)數(shù)、迭代次數(shù)，用這100行數(shù)據(jù)作為訓(xùn)練集，對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

c）計(jì)算RBF網(wǎng)絡(luò)的輸出誤差，比較期望結(jié)果和實(shí)際訓(xùn)練結(jié)果。

d）計(jì)算隱含層和輸出層的誤差信號(hào)。

e）調(diào)整隱含層和輸出層權(quán)值，使誤差信號(hào)減小。

f）計(jì)算網(wǎng)絡(luò)總誤差，檢查網(wǎng)絡(luò)精度是否達(dá)到要求。若滿足，則訓(xùn)練結(jié)束；若不滿足，則返回步驟b），直到滿足精度要求為止。

2.2 基于遺傳算法的RBF網(wǎng)絡(luò)模型優(yōu)化

采用遺傳算法尋優(yōu)RBF神經(jīng)網(wǎng)絡(luò)的隱層節(jié)點(diǎn)中心值和寬度，遺傳算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)無需先驗(yàn)知識(shí)，而且對參數(shù)不敏感，不易陷入局部最小點(diǎn)，所以可以用遺傳算法尋得碳纖維原絲性能神經(jīng)網(wǎng)絡(luò)預(yù)測模型的全局最優(yōu)解。

基于遺傳算法的碳纖維原絲性能RBF神經(jīng)網(wǎng)絡(luò)優(yōu)化步驟如下［8－10］：

a）初始化。隨機(jī)選擇p個(gè)染色體bi（i＝1，2，…，p）作為種群初始化，每個(gè)染色體用一個(gè)網(wǎng)絡(luò)和中心向量進(jìn)行編碼。

b）計(jì)算適應(yīng)度。對每個(gè)染色體解碼，計(jì)算從隱層到輸出節(jié)點(diǎn)的連接權(quán)值，計(jì)算每個(gè)染色體bi的適應(yīng)度fi值，設(shè)進(jìn)化代數(shù)為Nl，從l＝0開始到l＝Nl為止，按其適應(yīng)度值計(jì)算復(fù)制概率。

c）選擇、交叉和變異。設(shè)初始計(jì)數(shù)k＝1，用上述遺傳算子來創(chuàng)造后代，利用復(fù)制概率選出個(gè)體兩兩配對，利用交叉概率pc對兩個(gè)雙親串進(jìn)行交叉，創(chuàng)造出兩個(gè)新染色體，利用變異概率pm對染色體的某一位變異，利用給定概率對染色體進(jìn)行刪除和增加操作。

d）適應(yīng)度比較。對這兩個(gè)子染色體進(jìn)行編碼，計(jì)算從隱層到輸出節(jié)點(diǎn)的連接權(quán)值，計(jì)算每個(gè)染色體的適應(yīng)度，把兩個(gè)子個(gè)體與父個(gè)體比較，把兩個(gè)最好的染色體保留下來作為進(jìn)化。

e）設(shè)k＝k＋1，若k＞p，轉(zhuǎn)向步驟f），否則轉(zhuǎn)向步驟c）。

f）設(shè)l＝l＋1，若l＝Nl停止，否則轉(zhuǎn)向步驟b）。

3 結(jié)果分析

3.1 先進(jìn)碳纖維生產(chǎn)工藝模擬及優(yōu)化平臺(tái)

基于上述碳纖維原絲紡絲智能預(yù)測模型及專家系統(tǒng)優(yōu)化模型架構(gòu)，采用C＃語言在Microsoft Visual C＃2005平臺(tái)上開發(fā)先進(jìn)碳纖維生產(chǎn)工藝模擬及優(yōu)化平臺(tái)系統(tǒng)軟件。該軟件集成了生產(chǎn)監(jiān)測、溶液聚合、牽伸工藝、智能預(yù)測和專家系統(tǒng)五大模塊。

3.2 結(jié)果分析

利用軟件的“專家系統(tǒng)”優(yōu)化模塊，將表1中平均相對分子質(zhì)量和轉(zhuǎn)化率作為初始條件，原絲強(qiáng)度和原絲結(jié)構(gòu)參數(shù)值作為期望輸出值，運(yùn)行后得到的工藝調(diào)控參數(shù)值見表2所列，將表2中的智能系統(tǒng)的運(yùn)算結(jié)果與表1中的運(yùn)行參數(shù)實(shí)際值進(jìn)行比較，求得相對誤差見表3所列。

表1 碳纖維原絲紡絲運(yùn)行參數(shù)實(shí)際值

表2 專家系統(tǒng)調(diào)控參數(shù)值

表3 智能系統(tǒng)輸出值與實(shí)際值的相對誤差 %

從表3可以看出，DMSO質(zhì)量分?jǐn)?shù)的最大相對誤差不到4%，噴頭牽伸比的最大相對誤差不到3%，凝固浴溫度最大相對誤差不到10%，總牽伸倍數(shù)最大相對誤差不到3%。紡絲工藝對這些調(diào)控參數(shù)的相對誤差要求一般是控制在10%內(nèi)，所以智能系統(tǒng)調(diào)控的結(jié)果滿足上述要求且精度較高，監(jiān)控性能良好。

4 結(jié)束語

筆者提出了一種針對碳纖維原絲紡絲過程的智能在線監(jiān)控的協(xié)同式專家系統(tǒng)，利用協(xié)同的思想來解決原絲生產(chǎn)調(diào)控的全局與局部分離的問題。首先利用遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)建立碳纖維原絲性能預(yù)警模型，對碳纖維的原絲性能進(jìn)行實(shí)時(shí)監(jiān)控；同時(shí)建立協(xié)同式專家系統(tǒng)，對預(yù)警模型輸出結(jié)果和生產(chǎn)數(shù)據(jù)進(jìn)行處理和分析，將調(diào)控問題由全局到局部分解，利用分工更加精細(xì)的子系統(tǒng)求解生產(chǎn)線上各參數(shù)進(jìn)行調(diào)控；最后將該模型與碳纖維生產(chǎn)線無線以太局域網(wǎng)絡(luò)監(jiān)控系統(tǒng)相結(jié)合，對碳纖維原絲生產(chǎn)進(jìn)行智能在線監(jiān)控。

［1］ 洪璋傳.關(guān)于我國碳纖維用聚丙烯腈原絲質(zhì)量的若干認(rèn)識(shí)［J］.合成纖維工業(yè)，2009，32（02）：43－46.

［2］ 趙偉，白曉民，丁劍，等.基于協(xié)同式專家系統(tǒng)及多智能體技術(shù)的電網(wǎng)故障診斷方法［J］.中國電機(jī)工程學(xué)報(bào)，2006，26（20）：1－7.

［3］ 楊炳儒，唐志剛，楊珺.專家系統(tǒng)中基于認(rèn)知的知識(shí)自動(dòng)獲取機(jī)制［J］.高技術(shù)通信，2010，20（05）：493－498.

［4］ 龐中華，劉國平，鄭耿，等.基于NetCon的網(wǎng)絡(luò)化控制系統(tǒng)快速實(shí)現(xiàn)［J］.化工自動(dòng)化及儀表，2009，36（05）：79－83.

［5］ 張旺璽.聚丙烯腈基碳纖維［M］.上海：東華大學(xué)出版社，2005.

［6］ 丁永生.計(jì)算智能——理論、技術(shù)與應(yīng)用［M］.北京：科學(xué)出版社，2004.

［7］ 張濤，趙登福，周琳，等.基于RBF神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)的短期負(fù)荷預(yù)測方法［J］.西安交通大學(xué)學(xué)報(bào)，2001，35（04）：331－334.

［8］ LI H L.A Optimum Design of RBF Neural Networks Based on Genetic Algorithms［J］.Computer Simulation，2003，20（11）：68－69.

［9］ 勒海水，朱士明.基于遺傳算法的徑向基網(wǎng)絡(luò)學(xué)習(xí)及其應(yīng)用［J］.同濟(jì)大學(xué)學(xué)報(bào)，2003，31（05）：610－513.

［10］ UYKAN Z，GUZELIS C，CELEBI M E.Analysis of Inputoutput Clustering for Determining Centers of RBFN［J］.IEEE Transactions on Neural Networks，2000，11（04）：851－857.