熊經(jīng)緯,楊建國,徐　蘭

(東華大學(xué) 機(jī)械工程學(xué)院,上海 201620)

基于PSO-BP神經(jīng)網(wǎng)絡(luò)的紗線質(zhì)量預(yù)測

熊經(jīng)緯,楊建國,徐蘭

(東華大學(xué) 機(jī)械工程學(xué)院,上海 201620)

針對(duì)復(fù)雜紡紗過程中成紗斷裂強(qiáng)度難以預(yù)測的問題,提出一種基于粒子群優(yōu)化算法(PSO)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的成紗斷裂強(qiáng)度預(yù)測方法.該方法采用PSO優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值,用來提高神經(jīng)網(wǎng)絡(luò)的收斂速度和獲得全局最優(yōu)解的能力.以紡紗車間大量現(xiàn)場質(zhì)量檢測數(shù)據(jù)為對(duì)象,進(jìn)行預(yù)測驗(yàn)證,結(jié)果表明,PSO-BP神經(jīng)網(wǎng)絡(luò)在預(yù)測相關(guān)性(預(yù)測值與實(shí)際值的一致性程度)上與傳統(tǒng)BP算法相比提高5.0%，與GA-BP算法相比提高4.6%，在預(yù)測精度上均要好于BP神經(jīng)網(wǎng)絡(luò)與GA-BP神經(jīng)網(wǎng)絡(luò).

BP神經(jīng)網(wǎng)絡(luò);粒子群算法(PSO);紗線質(zhì)量預(yù)測

多樣化及個(gè)性化需求使紡織工藝流程越來越復(fù)雜,因影響紗線生產(chǎn)的因素眾多,且因素之間相互作用,存在著復(fù)雜的多變量耦合關(guān)系,很難用傳統(tǒng)的方法對(duì)紡紗質(zhì)量進(jìn)行準(zhǔn)確的預(yù)測.隨著智能計(jì)算技術(shù)的發(fā)展,近年來國內(nèi)外出現(xiàn)了許多利用智能計(jì)算方法預(yù)測紡紗質(zhì)量的研究[1],其中,人工神經(jīng)網(wǎng)絡(luò)成為主導(dǎo)的預(yù)測方法之一.如文獻(xiàn)[2]采用人工神經(jīng)網(wǎng)絡(luò)和線性回歸模型預(yù)測紗線拉伸性能,取得了良好的預(yù)測效果.文獻(xiàn)[3]分別采用自適應(yīng)神經(jīng)模糊推理系統(tǒng)和線性多元回歸方法預(yù)測氣流紡的成紗強(qiáng)度,通過比較2個(gè)模型的預(yù)測性能可知,自適應(yīng)神經(jīng)模糊推理系統(tǒng)比多元線性回歸模型有更好的預(yù)測能力 .文獻(xiàn)[4]采用具有全局尋優(yōu)功能的遺傳算法來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值,優(yōu)化后的神經(jīng)網(wǎng)絡(luò)模型具有良好的泛化能力和預(yù)測能力.文獻(xiàn)[5]提出了一種將模糊聚類技術(shù)與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的日負(fù)荷特性曲線分類與短期負(fù)荷預(yù)測的方法,利用變學(xué)習(xí)速率和附加動(dòng)量來改進(jìn)BP算法并預(yù)測日負(fù)荷曲線,試驗(yàn)證明該方法在實(shí)際應(yīng)用中具備可行性.在傳統(tǒng)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)方面,文獻(xiàn)[6]的研究表明，網(wǎng)絡(luò)包含一個(gè)隱層就可以實(shí)現(xiàn)任意連續(xù)函數(shù)的精確逼近映射.現(xiàn)有的預(yù)測模型在實(shí)際工程中取得了重要進(jìn)展,但相當(dāng)一部分模型存在易陷入局部最小值及收斂速度過慢等缺點(diǎn),尤其對(duì)長流程、多擾動(dòng)的復(fù)雜紡織加工過程而言,預(yù)測效果不佳.如何克服現(xiàn)有預(yù)測模型的不足,提高預(yù)測精度和加快收斂速度,是紡紗質(zhì)量預(yù)測的瓶頸問題之一.

1　紗線質(zhì)量預(yù)測模型建立

紗線生產(chǎn)是一個(gè)長流程的復(fù)雜動(dòng)態(tài)加工過程,隨著生產(chǎn)的發(fā)展和科學(xué)技術(shù)的進(jìn)步,新材料、新工藝和新設(shè)備的不斷涌現(xiàn),紡紗工藝的預(yù)測技術(shù)變得更為復(fù)雜.以成紗斷裂強(qiáng)度為例,其影響因素包含了纖維的平均長度、主體長度、品質(zhì)長度、斷裂強(qiáng)度、線密度、馬克隆值、短絨率、基數(shù)、勻度、回潮率、含雜率、紗線的線密度、捻度、精梳共14個(gè)參數(shù).其中，精梳是工藝，本文中給予量化,以1表示精梳，以0表示普梳.本文采用粒子群優(yōu)化(PSO)算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化,并與現(xiàn)有的方法進(jìn)行比較,結(jié)果表明PSO-BP算法具有更大的優(yōu)越性.

1.1BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)設(shè)定

本文采用毛紡生產(chǎn)加工過程中的纖維平均長度、主體長度、品質(zhì)長度、斷裂強(qiáng)度、線密度、馬克隆值、短絨率等關(guān)鍵參數(shù)作為預(yù)測模型的輸入，成紗斷裂強(qiáng)度作為預(yù)測模型的輸出.由文獻(xiàn)[7]可知,3層BP神經(jīng)網(wǎng)絡(luò)可以完成任意n維到m維的映射.選擇隱含層節(jié)點(diǎn)數(shù)k的經(jīng)驗(yàn)公式為

k=

(1)

式中：m為輸入神經(jīng)元數(shù);n為輸出神經(jīng)元數(shù).

1.2PSO-BP神經(jīng)網(wǎng)絡(luò)算法設(shè)計(jì)

1.2.1PSO算法

在D維搜索空間中,包含S個(gè)粒子組成的種群X=(X1, X2,…, XS),于是第i個(gè)微粒在D維空間中的位置定義為Xi=(xi1, xi2,…, xiD),將Xi帶入適應(yīng)度函數(shù)φ(Xi)中計(jì)算出適應(yīng)度值粒子位置Fi.第i個(gè)微粒的當(dāng)前速度為vi=(vi1, vi2,…, viD),其中，第i個(gè)微粒的個(gè)體極值pBest為Pi=(pi1, pi2,…, piD),整個(gè)種群的全局極值gBest為Pg=(pg1, pg2,…, pgD)[8-11].

在迭代尋優(yōu)過程中,微粒通過個(gè)體極值和全局極值來更新自身的速度和位置[12-13],即

(2)

(3)

式中：ω為慣性權(quán)重,用來調(diào)節(jié)對(duì)解空間的搜索范圍;d=1, 2,…,D；i=1, 2,…,S;k為當(dāng)前迭代次數(shù)；vid為微粒速度；c1,c2(非負(fù)常數(shù))為學(xué)習(xí)因子,通常取c1=c2=2;r1,r2為兩個(gè)相互獨(dú)立的隨機(jī)數(shù),取值范圍為(0, 1),以增加搜索隨機(jī)性.為降低粒子在迭代的過程中脫離搜索空間的概率,一般將其位置和速度限制在[-Xmax,Xmax]、 [-vmax,vmax][14].

1.2.2基于PSO優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)算法

PSO算法具有全局搜索能力強(qiáng)并且收斂速度快的優(yōu)點(diǎn),若將其與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合,便能夠避免傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中因采用梯度下降法來更新權(quán)值，導(dǎo)致易陷入局部極小值和收斂速度慢的缺點(diǎn)[15-17].本文在PSO-BP神經(jīng)網(wǎng)絡(luò)中,用Xi=(xi1, xi2,…, xiD)表示一組待優(yōu)化的參數(shù)值,向量中的每一維由網(wǎng)絡(luò)中的權(quán)值和閾值組成,其中向量維數(shù)D為BP網(wǎng)絡(luò)中所有權(quán)值和閾值的總和,由輸入為14個(gè)參數(shù),輸出為1個(gè)參數(shù),確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為14-8-1,因此D=14×8+8+8×1+1=129.微粒的適應(yīng)度函數(shù)如式(4)所示,即所有樣本的均方誤差.

(4)

式中:s為樣本個(gè)數(shù);c為網(wǎng)絡(luò)神經(jīng)元的輸出個(gè)數(shù);tk, p為第p個(gè)樣本的第k個(gè)理想輸出值;Yk, p為第p個(gè)樣本的第k個(gè)實(shí)際輸出值.當(dāng)適應(yīng)度函數(shù)達(dá)到最小時(shí)搜索得到BP網(wǎng)絡(luò)最佳權(quán)值和閾值.

PSO-BP算法實(shí)現(xiàn)流程如圖1所示.

圖1　PSO-BP算法流程Fig.1　The flow chart of PSO-BP algorithm

2　成紗斷裂強(qiáng)度預(yù)測模型試驗(yàn)及分析

2.1試驗(yàn)數(shù)據(jù)的準(zhǔn)備

已知某毛紗生產(chǎn)數(shù)據(jù),建立成紗斷裂強(qiáng)度預(yù)測模型,輸入為纖維平均長度、主體長度、品質(zhì)長度、斷裂強(qiáng)度、線密度、馬克隆值、短絨率、基數(shù)、勻度、回潮率、含雜率、紗線線密度、捻度、精梳,輸出為成紗斷裂強(qiáng)度,選取數(shù)據(jù)集中的63組作為訓(xùn)練集,剩余10組作為預(yù)測模型測試集.試驗(yàn)工具采用數(shù)學(xué)處理軟件Matlab.

2.2預(yù)測模型參數(shù)的確定

由輸入、輸出神經(jīng)元個(gè)數(shù),根據(jù)式(1)得出隱含層神經(jīng)元個(gè)數(shù)為8.其他主要參數(shù)設(shè)置如表1所示.

表1　基于PSO-BP算法的成紗斷裂強(qiáng)度值預(yù)測模型主要參數(shù)Table 1　The main parameters of yarn breaking strength forecasting model based on PSO-BP algorithm

2.3數(shù)據(jù)的預(yù)處理

數(shù)據(jù)的預(yù)處理對(duì)預(yù)測質(zhì)量有著重要的作用.通常的數(shù)據(jù)預(yù)處理方法有以下2種.

(1) min-max標(biāo)準(zhǔn)化.這種方法也稱為離散標(biāo)準(zhǔn)化,是對(duì)原始數(shù)據(jù)進(jìn)行線性變換,使數(shù)據(jù)映射到[0,1]之間.歸一化處理轉(zhuǎn)換函數(shù)如式(6)所示.

(6)

式中：xmin為樣本的最小值;xmax為樣本的最大值.在輸出層要進(jìn)行反歸一化處理,即換回實(shí)際的值如式(7)所示.

x=(xmax-xmin)xk+xmin

(7)

(2) Z-score標(biāo)準(zhǔn)化方法.這種方法是通過求出原始數(shù)據(jù)的均值(mean)和標(biāo)準(zhǔn)差(standard deviation)進(jìn)行數(shù)據(jù)的標(biāo)準(zhǔn)化.經(jīng)過處理的數(shù)據(jù)符合標(biāo)準(zhǔn)正態(tài)分布,即均值為0,標(biāo)準(zhǔn)差為1，其轉(zhuǎn)化函數(shù)如式(8)所示.

(8)

式中：μ為所有樣本數(shù)據(jù)的均值;σ為所有樣本數(shù)據(jù)的標(biāo)準(zhǔn)差.

由于數(shù)據(jù)經(jīng)過第二種方法處理后映射在[-1, 1]之間,其中的數(shù)據(jù)必然有正有負(fù),不符合實(shí)際的生產(chǎn)情況,故本文選擇第一種數(shù)據(jù)預(yù)處理方法.

2.4預(yù)測模型試驗(yàn)結(jié)果分析

為比較預(yù)測的效果,本文同時(shí)采用BP神經(jīng)網(wǎng)絡(luò)、GA-BP神經(jīng)網(wǎng)絡(luò)對(duì)樣本進(jìn)行訓(xùn)練,預(yù)測結(jié)果如表2所示.

表2　測試樣本成紗斷裂強(qiáng)度預(yù)測結(jié)果Table 2　Prediction results of yarn breaking strength of samples

由表2可以得出,相比較BP神經(jīng)網(wǎng)絡(luò)與GA-BP神經(jīng)網(wǎng)絡(luò),PSO-BP神經(jīng)網(wǎng)絡(luò)的平均相對(duì)誤差最低，說明其具有更高的預(yù)測精度.PSO-BP神經(jīng)網(wǎng)絡(luò)的最大相對(duì)誤差在3種模型中最低,說明PSO-BP神經(jīng)網(wǎng)絡(luò)的預(yù)測穩(wěn)定性最好.為了進(jìn)一步對(duì)比3種神經(jīng)網(wǎng)絡(luò)的差別，引入相關(guān)系數(shù)R.為防止過擬合，神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過程是自動(dòng)將輸入的數(shù)據(jù)處理之后分為訓(xùn)練數(shù)據(jù)、測試數(shù)據(jù)和預(yù)測數(shù)據(jù)，默認(rèn)的比例是70%，15%，15%.相關(guān)系數(shù)R是網(wǎng)絡(luò)在自行訓(xùn)練的過程中為不斷擬合數(shù)據(jù)得出的一個(gè)衡量指標(biāo)，R表示網(wǎng)絡(luò)輸出的權(quán)值與偏置在擬合效果中的好與差，其定義如式(9)所示.

(9)

式中：n為樣本的個(gè)數(shù);x與y分別為實(shí)測值與預(yù)測值.R值越大,表明預(yù)測值與實(shí)測值一致程度越好.現(xiàn)根據(jù)Matlab處理的試驗(yàn)結(jié)果,數(shù)據(jù)的相關(guān)性分析如圖2所示，其中，橫坐標(biāo)為目標(biāo)值，縱坐標(biāo)為網(wǎng)絡(luò)的輸出值，圓圈“O”表示數(shù)據(jù)坐標(biāo)點(diǎn)，理想回歸直線由實(shí)線表示，最優(yōu)回歸直線由虛線表示.

由圖2可知,相比于BP神經(jīng)網(wǎng)絡(luò)與GA-BP神經(jīng)網(wǎng)絡(luò),PSO-BP神經(jīng)網(wǎng)絡(luò)預(yù)測精度分別提高了5.0%與4.6%.對(duì)比試驗(yàn)表明,基于PSO算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的成紗斷裂強(qiáng)度預(yù)測精度與預(yù)測值的相關(guān)程度要明顯高于單一的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型.

(a) BP神經(jīng)網(wǎng)絡(luò)

(b) PSO-BP神經(jīng)網(wǎng)絡(luò)

(c) GA-BP神經(jīng)網(wǎng)絡(luò)圖2　預(yù)測模型輸出相關(guān)性分析Fig.2　The correlation analysis of prediction model output

3　結(jié)　語

針對(duì)紡織加工過程中重要質(zhì)量參數(shù)難以預(yù)測的問題,本文提出利用PSO-BP神經(jīng)網(wǎng)絡(luò)算法來預(yù)測紡紗加工中的關(guān)鍵參數(shù),用PSO來優(yōu)化傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值的選取.研究表明,PSO-BP神經(jīng)網(wǎng)絡(luò)在收斂速度和預(yù)測精度穩(wěn)定性及相關(guān)性方面相比于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)有明顯的提高.研究結(jié)果對(duì)于紡織企業(yè)提前預(yù)知產(chǎn)品質(zhì)量、降低投入成本有一定的借鑒作用.

[1] 陳俊杰,謝春萍, 郝海濤.人工神經(jīng)網(wǎng)絡(luò)紗線質(zhì)量預(yù)報(bào)模型的實(shí)用化[J].天津紡織科技，2005(4):9-12.

[2] MWASIAGI J I, HUANG X, WANG X. Performance of neural network algorithms during the prediction of yarn breaking elongation [J]. Fibers and Polymers, 2008, 9(1):80-86.

[3] YAO G, GUO J S, ZHOU Y Y, Prediction of rotor spun yarn strength using adaptive neurofuzzy inference system and linear multiple regression methods[J].Journal of Donghua University： English Edition, 2008, 25(1):48-52.

[4] 田亮,羅宇,王陽.基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的TIG焊縫尺寸預(yù)測模型[J].上海交通大學(xué)學(xué)報(bào),2013,47(11)：1690-1696.

[5] LI Z, ZHOU B X, LIN N. Classification of daily load characteristics curve and forecasting of short-term load based on fuzzy clustering and improved BP algorithm [J]. Power System Protection and Control, 2012, 40(3):56-60.

[6] ABBASI A A, VOSSOUGHI G R, AHMADIAN M T. Deformation prediction by a feed forward artificial neural network during mouse embryo micro manipulation [J]. Animal Cells and Systems, 2012, 16(2):121-126.

[7] 周開利, 康耀紅.神經(jīng)網(wǎng)絡(luò)模型及其MATLAB仿真程序設(shè)計(jì)[M].北京:清華大學(xué)出版社,2005:20-35.

[8] 任斌,豐鎮(zhèn)平.改進(jìn)遺傳算法與粒子群優(yōu)化算法及其對(duì)比分析[J].南京師范大學(xué)學(xué)報(bào)：工程技術(shù)版,2002,2(1):14-20.

[9] TANG Y, WANG Z D, FANG J A. Controller design for synchronization of an array of delayed neural networks using a controllable probabilistic PSO [J]. Information Sciences, 2011,181 (20):4715-4732.

[10] 莫思敏,曾建潮,謝麗萍.擴(kuò)展的微粒群算法[J].控制理論與應(yīng)用,2012,29(6):811-816.

[11] LEUNG F H F,LAM H K. Tuning of the structure and parameters of neural network using an improved genetic algorithm [J].IEEE Transactions on Neural Networks, 2013, 14(1):79-88.

[12] SOROUDI A, AFRASIAB M. Binary PSO-based dynamic multi-objective model for distributed generation planning under uncertainty [J].Renewable Power Generation, 2012,6(2):67-68.

[13] 李勇,吳敏,曹衛(wèi)華，等.基于粒度分布評(píng)估與優(yōu)化的制粒過程PSO-BP控制算法[J]. 自動(dòng)化學(xué)報(bào), 2012,38(6):1007-1016.

[14] CHEN W N, ZHANG J, LIN Y, et al. Particle swarm optimization with an aging leader and challengers [J]. IEEE Transaction on Evolutionary Computation, 2013, 17(2):241-258.

[15] RUBIO J, ANGELOV P, PACHECO J. Uniformly stable back propagation algorithm to train a feed forward neural network [J]. IEEE Transactions on Neural Networks, 2011, 22(3):356-366.

[16] ZHANG J R, ZHANG J, LOK T M. A hybrid particle swarm optimization-back-propagation algorithm for feed forward neural network training[J]. Applied Mathematics and Computation, 2007, 185(2):1026-1037.

[17] BECCALI M, CELLURA M, LO B V, et al. Forecasting daily urban electric load profiles using artificial neural networks [J]. Energy Conversion and Management, 2004, 45(18):2879-2900.

Combining the Particle Swarm Optimization with BP Neural Network for Yarn Quality Forecasting

XIONG Jing-wei, YANG Jian-guo, XU Lan

(College of Mechanical Engineering, Donghua University, Shanghai 201620, China)

In view of the predication difficulty of yarn breaking strength in the process of complex spinning, a prediction method based on particle swarm optimization (PSO) is put forward to optimize the yarn breaking strength of BP neural network. This method uses the PSO to optimize weights and threshold of neural network, improve convergence speed of neural network and obtain the ability of global optimal solution. A lot of field quality testing data in spinning workshop is taken as the objects to conduct the prediction verification. The results show that the prediction correlation (the degree of consistency between the actual values and estimated values) of PSO-BP neural network has been improved by 5.0% and 4.6% respectively compared with the traditional BP algorithm and GA-BP algorithm. Besides, it has higher prediction precision than BP neural network and GA-BP neural network.

BP neural network; particle swarm optimization (PSO); yarn quality prediction

1671-0444(2015)04-0498-05

2015-02-12

國家自然科學(xué)基金資助項(xiàng)目(51175077)

熊經(jīng)緯(1989—)，男，安徽合肥人，碩士研究生，研究方向?yàn)橹悄苜|(zhì)量控制.E-mail:xiongjingwei2015@163.com

楊建國(聯(lián)系人)，男，教授，E-mail:jgyangm@dhu.edu.cn

TS 103.2

A