楊建國(guó)，徐 蘭，熊經(jīng)緯，劉 彬

（東華大學(xué) 機(jī)械工程學(xué)院，上海 201620）

0 引言

動(dòng)態(tài)變化市場(chǎng)需求使得個(gè)性化制造正在成為未來(lái)制造的主導(dǎo)模式。針對(duì)產(chǎn)品需求多樣性、原材料多樣性及工藝內(nèi)容多樣性，如何最大改變減少產(chǎn)品質(zhì)量的波動(dòng)，使產(chǎn)品質(zhì)量穩(wěn)定可控是制造企業(yè)面臨的重大挑戰(zhàn)。以紡紗工藝為列，紡紗生產(chǎn)包括粗加工，前紡，后紡，織布及染整等多道工序，是一個(gè)典型的復(fù)雜非平穩(wěn)加工過(guò)程。因?yàn)榧庸み^(guò)程參數(shù)與輸出產(chǎn)品質(zhì)量之間存在著復(fù)雜非線性關(guān)系，需要建立體現(xiàn)兩者之間關(guān)系的模型，來(lái)預(yù)測(cè)與過(guò)程參數(shù)密切相關(guān)的產(chǎn)品質(zhì)量。

國(guó)內(nèi)外許多專家學(xué)者對(duì)復(fù)雜生產(chǎn)過(guò)程質(zhì)量預(yù)測(cè)與診斷進(jìn)行了大量研究。與傳統(tǒng)的回歸統(tǒng)計(jì)方法相比，人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等技術(shù)，在處理復(fù)雜非線性問題方面有著極大的優(yōu)勢(shì)[1～9]， Reyen等研究表明，神經(jīng)網(wǎng)絡(luò)在紡織領(lǐng)域具有良好的預(yù)測(cè)性能[1～4]；Evander等利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)急性肺栓塞的存在[5,6]；Gebraeel等采用神經(jīng)網(wǎng)絡(luò)建立電子產(chǎn)品或設(shè)備的剩余壽命預(yù)測(cè)模型[7,8]；Ribeiro等利用支持向量機(jī)對(duì)注塑生產(chǎn)過(guò)程進(jìn)行質(zhì)量診 斷[9]。但神經(jīng)網(wǎng)絡(luò)有兩大明顯缺陷：一是其采用梯度下降法導(dǎo)致的學(xué)習(xí)速度慢和局部尋優(yōu)，二是神經(jīng)網(wǎng)絡(luò)的“黑匣子”缺陷。針對(duì)第一個(gè)缺點(diǎn)，很多學(xué)者采用GA算法、PSO算法等優(yōu)化算法對(duì)ANN的結(jié)構(gòu)參數(shù)進(jìn)行尋優(yōu)，實(shí)驗(yàn)表明，改進(jìn)過(guò)的ANN性能有了顯著提高[10,11]。針對(duì)ANN不能顯式地指出過(guò)程參數(shù)與生產(chǎn)質(zhì)量之間的非線性關(guān)系這一缺點(diǎn)，一些基于機(jī)器學(xué)習(xí)的知識(shí)發(fā)現(xiàn)算法被陸續(xù)提出。相關(guān)的研究文獻(xiàn)中，Sette等開發(fā)了基于模糊邏輯的分類系統(tǒng)，并應(yīng)用于纖維到紗線生產(chǎn)過(guò)程中工藝規(guī)則的生成[12]。

本文考慮到人工神經(jīng)網(wǎng)絡(luò)的兩大缺點(diǎn)，在以上研究的基礎(chǔ)上，通過(guò)建立基于粗糙集與知識(shí)神經(jīng)網(wǎng)絡(luò)的混合智能預(yù)報(bào)模型RSKDPM（Rough Set based-Knowledge Discovery Prediction Model），來(lái)反映紗線生產(chǎn)過(guò)程參數(shù)與產(chǎn)品質(zhì)量之間存在的復(fù)雜非線性關(guān)系，并進(jìn)行質(zhì)量預(yù)測(cè)。結(jié)果表明該模型不但提高了預(yù)測(cè)性能，而且通過(guò)提取的過(guò)程知識(shí)來(lái)描述生產(chǎn)過(guò)程參數(shù)與產(chǎn)品質(zhì)量之間的關(guān)聯(lián)，可以在出現(xiàn)缺陷產(chǎn)品之前發(fā)現(xiàn)制造過(guò)程中的異常，解決質(zhì)量波動(dòng)的診斷與調(diào)整問題。

1 基于混合智能學(xué)習(xí)模型的質(zhì)量異常診斷與調(diào)整

首先，應(yīng)用基于粗糙集的知識(shí)發(fā)現(xiàn)算法（RSRule）抽取顯式的規(guī)則以描述生產(chǎn)過(guò)程參數(shù)與產(chǎn)品質(zhì)量之間的關(guān)系，并利用抽取的規(guī)則（即領(lǐng)域知識(shí)）初始化基于知識(shí)的神經(jīng)網(wǎng)絡(luò)（Knowledge-based ANN，KBANN）的網(wǎng)絡(luò)結(jié)構(gòu)，最后，運(yùn)行KBANN進(jìn)行智能預(yù)報(bào)與診斷。RSKDPM不但能監(jiān)控生產(chǎn)過(guò)程中出現(xiàn)的異常，而且能夠解釋出現(xiàn)質(zhì)量波動(dòng)的原因，以及如何調(diào)整參數(shù)以實(shí)現(xiàn)產(chǎn)品質(zhì)量穩(wěn)定受控。

2 基于RS的規(guī)則抽取方法

2.1 數(shù)據(jù)離散

只有當(dāng)決策表中的值是離散數(shù)據(jù)時(shí)才可以應(yīng)用粗糙集來(lái)處理，因此，對(duì)于紡織生產(chǎn)中的連續(xù)型屬性值，要先進(jìn)行離散化處理。所謂離散化就是采取某種方法劃分連續(xù)區(qū)間，并將劃分好的連續(xù)小區(qū)間與離散的值對(duì)應(yīng)起來(lái)。離散化的關(guān)鍵在于決定選擇多少個(gè)分割點(diǎn)和確定分割點(diǎn)的位置[13]。綜合考慮技術(shù)特征分類標(biāo)準(zhǔn)、數(shù)據(jù)分布特點(diǎn)以及數(shù)據(jù)樣本容量等多種信息，本文采用排序和聚類分析等方法處理離散化問題。

2.2 決策表屬性約簡(jiǎn)

屬性約簡(jiǎn)過(guò)程，就是在保持知識(shí)庫(kù)分類能力不變的情況下，去除決策表中與決策屬性不相關(guān)或者對(duì)決策屬性不重要的條件屬性，因此，決策表的屬性約簡(jiǎn)并不唯一。我們希望得到條件屬性盡可能少的約簡(jiǎn)，本文將此問題轉(zhuǎn)化為多目標(biāo)優(yōu)化問題，并利用遺傳算法的全局優(yōu)化特性，將其用于刪除冗余條件屬性得到簡(jiǎn)化后的決策表。

2.3 決策規(guī)則約簡(jiǎn)

約簡(jiǎn)后的決策表中，每一個(gè)樣本對(duì)應(yīng)一條決策規(guī)則，這實(shí)際上就是一個(gè)規(guī)則集合。對(duì)于這一集合中的每條規(guī)則，有些屬性值是多余的，因此還需要對(duì)決策規(guī)則進(jìn)行約簡(jiǎn)，以進(jìn)一步獲得最小的決策規(guī)則集。現(xiàn)采用如下方法進(jìn)行約簡(jiǎn)：

對(duì)于規(guī)則集合中的每條規(guī)則

對(duì)于該規(guī)則中的某個(gè)條件屬性

若去掉該條件屬性

該規(guī)則不和規(guī)則集中的剩余規(guī)則產(chǎn)生矛盾，則從該規(guī)則中去掉該屬性值

經(jīng)過(guò)上述方法處理得到的規(guī)則集中所有規(guī)則都不再包含冗余信息，即獲得了最小的決策規(guī)則集合。

3 基于KBANN的智能預(yù)報(bào)模型

由于基本的KBANN算法支持的輸入特征規(guī)則有所限制，F(xiàn)ernando和Bernard采用INSS擴(kuò)展了KBANN能使用的規(guī)則類型，使KBANN能執(zhí)行如下的實(shí)數(shù)規(guī)則類型：

IF Greater Than（Sensor_S1,1.0）and Less Than（Sensor_S2,0.5）Then Conclusion_C1

上式中，Sensor_S1和Sensor_S2是樣本輸入特征，Conclusion_C1是相應(yīng)的結(jié)論，如此的規(guī)則集可通過(guò)KBANN映射成神經(jīng)網(wǎng)絡(luò)。

4 實(shí)驗(yàn)驗(yàn)證

4.1 紡紗工藝決策規(guī)則提?。篟Srule

1）基本特征

從生產(chǎn)中收集了25組不同的棉花樣本，用大容量快速儀器測(cè)定他們的纖維質(zhì)量，所有樣本通過(guò)SDL MDTD/Quickspin系統(tǒng)紡成十支的紗線，并在相對(duì)濕度62%±2%和溫度20℃±2℃的條件下保存24小時(shí)后測(cè)量其紗線質(zhì)量。

2）數(shù)據(jù)離散

策屬性數(shù)據(jù)的離散，需要綜合考慮參考屬性值的統(tǒng)計(jì)分布情況、專業(yè)分類標(biāo)準(zhǔn)，否則，會(huì)影響決策規(guī)則的生成效果，現(xiàn)以纖維強(qiáng)度強(qiáng)度為例，借助MATLAB工具，按照數(shù)值從小到大排序，并將次序作為橫坐標(biāo)、纖維強(qiáng)度為縱坐標(biāo)作圖，觀察數(shù)據(jù)變化斜率（如圖1所示），考慮將數(shù)據(jù)分為三類，再使用k-mean聚類方法確定分割點(diǎn)位置（如圖2所示），最終結(jié)果如表1和表2所示。

表1 纖維強(qiáng)度聚類結(jié)果

表2 各屬性割點(diǎn)值

圖1 纖維強(qiáng)度值升序排列

圖2 纖維強(qiáng)度屬性值

對(duì)于組合屬性離散，以黃度與反射率為例，使其組合為色澤屬性，同樣使用k-mean聚類方法，如圖3所示，將色澤屬性值分為三類。

圖3 黃度與反射率組合為色澤屬性聚類

3）決策表屬性約簡(jiǎn)

通過(guò)屬性約簡(jiǎn)去掉冗余條件屬性，約簡(jiǎn)后得到的屬性集合為：{纖維強(qiáng)度，伸長(zhǎng)率，長(zhǎng)度不勻率}。

4）決策規(guī)則約簡(jiǎn)

依據(jù)決策規(guī)則的約簡(jiǎn)算法，經(jīng)過(guò)約簡(jiǎn)與合并后，去除冗余的條件屬性項(xiàng)和屬性值，生成決策如表3所示，其中，每一行代表一條決策規(guī)則，確定性因子為1表示生成的規(guī)則之間沒有出現(xiàn)相互沖突，決策規(guī)則的支持度是指該規(guī)則的數(shù)據(jù)記錄數(shù)與記錄總數(shù)的比值，反映規(guī)則的可信程度。

表3可解釋為如下決策規(guī)則：

表3 原料屬性與紗線強(qiáng)力決策規(guī)則表

規(guī)則一：IF纖維強(qiáng)度＜21.2，THEN紗線強(qiáng)力＜12.5。

規(guī)則二：IF紗線強(qiáng)力介于21.2～26.2之間且伸長(zhǎng)率＜5.85%且長(zhǎng)度不勻率＜43%，THEN紗線強(qiáng)力＜12.5。

規(guī)則三：IF纖維強(qiáng)度介于21.2～26.2之間且伸長(zhǎng)率＜5.85%且長(zhǎng)度不勻率介于43%～49%之間，紗線強(qiáng)力介于12.5～14之間。

規(guī)則四：IF纖維強(qiáng)度介于21.2～26.2之間且伸長(zhǎng)率＞5.85%，THEN紗線強(qiáng)力＜12.5。

規(guī)則五：IF纖維強(qiáng)度＞26.2，THEN紗線強(qiáng)力＞14。

5）結(jié)果分析

根據(jù)屬性和決策規(guī)則約簡(jiǎn)過(guò)程與結(jié)果可見：

（1）紗線強(qiáng)力主要受到纖維強(qiáng)度、伸長(zhǎng)率和長(zhǎng)度不勻率三個(gè)指標(biāo)的影響。提取出來(lái)的工藝規(guī)則具有確定性因子以及覆蓋率等評(píng)價(jià)指標(biāo)，為提取規(guī)則的生產(chǎn)應(yīng)用提供了科學(xué)依據(jù)。

（2）利用粗糙集生成決策規(guī)則，仍受到數(shù)據(jù)質(zhì)量和數(shù)量的影響，根據(jù)粗糙集理論，數(shù)據(jù)離散方法使用前提條件是不能改變屬性的分類能力，不同的離散方法可能會(huì)產(chǎn)生差別較大的決策規(guī)則。

4.2 過(guò)程預(yù)報(bào)模型：KBANN

4.2.1 KBANN的構(gòu)建

依據(jù)表中數(shù)據(jù)，以輸入原料指標(biāo)：纖維強(qiáng)度、長(zhǎng)度、伸長(zhǎng)率、含雜率、長(zhǎng)度不勻率、黃度、馬克隆值、反射率為模型輸入量，以紗線強(qiáng)力品質(zhì)類型為輸出量，基于KBANN建立二者之間的非線性關(guān)系，并依據(jù)獲取的紡紗工藝規(guī)則基礎(chǔ)上構(gòu)建網(wǎng)絡(luò)結(jié)構(gòu)及賦予連接權(quán)重，其中Rule-to-Network算法[12]將規(guī)則映射成KBANN的輸入層和隱藏層的結(jié)構(gòu)，使用Topwell和Shavlik的方法[10]構(gòu)建隱藏層到輸出層之間的連接。

規(guī)則集有14個(gè)條件，所以在輸入層和隱藏層之間建立14個(gè)連接，同時(shí)，初始化設(shè)置權(quán)重和偏置值使其滿足所有規(guī)則條件。構(gòu)建產(chǎn)生的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)有8個(gè)輸入神經(jīng)元（即8個(gè)輸入指標(biāo)），14個(gè)隱藏節(jié)點(diǎn)，3個(gè)輸出神經(jīng)元。

三個(gè)輸出神經(jīng)元分別對(duì)應(yīng)三種品質(zhì)類型，采用C1：（1,0,0）、C2：（0,1,0）和C3：（0,0,1）來(lái)表示輸出。KBANN的輸出范圍為[0,1]，1表示某個(gè)輸入與一個(gè)輸出品質(zhì)類型完全對(duì)應(yīng)。同時(shí)可以設(shè)定偏離閾值，如果C1，C2，C3大于事先確定的偏離閾值，則可以確定為產(chǎn)品質(zhì)量發(fā)生了波動(dòng)。

4.2.2 結(jié)果分析

構(gòu)建完成KBANN網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)后，使用反向傳播算法進(jìn)一步學(xué)習(xí)訓(xùn)練集蘊(yùn)含的知識(shí)。同時(shí)為了便于KBANN和標(biāo)準(zhǔn)BPN之間學(xué)習(xí)性能的比較，BPN采用KBANN的拓?fù)浣Y(jié)構(gòu)以及相關(guān)參數(shù)，但初始的權(quán)值和閾值在[-0.05，0.05]范圍內(nèi)隨機(jī)地生成。如圖4所示，兩者的學(xué)習(xí)過(guò)程曲線表明：KBANN比標(biāo)準(zhǔn)的BPN有更好的訓(xùn)練結(jié)果和更快的擬合速度。

圖4 KBANN和BPN訓(xùn)練過(guò)程的MSE曲線

KBANN比BPN具有更好的訓(xùn)練性能的原因是：在訓(xùn)練前KBANN從規(guī)則中學(xué)習(xí)了數(shù)據(jù)隱含的初始知識(shí)，獲得優(yōu)化的初始化網(wǎng)絡(luò)權(quán)值，加快了網(wǎng)絡(luò)擬合過(guò)程，進(jìn)一步使用反向傳播算法學(xué)習(xí)知識(shí)時(shí)，精調(diào)初始網(wǎng)絡(luò)的權(quán)值和閾值，學(xué)習(xí)那些遺漏的知識(shí)。該過(guò)程避免了傳統(tǒng) ANN需要不斷嘗試以獲得一個(gè)合適的網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜過(guò)程，進(jìn)一步提高了學(xué)習(xí)性能。

表4給出了KBANN模型對(duì)于部分樣本的預(yù)測(cè)結(jié)果，顯示了KBANN識(shí)別紡紗產(chǎn)品質(zhì)量品質(zhì)類型的有效性，同時(shí)表5給出了兩者對(duì)于紡紗質(zhì)量品質(zhì)類型的識(shí)別準(zhǔn)確率，KBANN的識(shí)別結(jié)果也好于標(biāo)準(zhǔn)的BPN。實(shí)驗(yàn)證明KBANN用于紡紗制造過(guò)程的質(zhì)量品質(zhì)歸類及預(yù)測(cè)過(guò)程狀態(tài)是有效的。

表4 KBANN在測(cè)試集上的預(yù)測(cè)結(jié)果

表5 KBANN和BPN的識(shí)別正確率（%）

5 結(jié)束語(yǔ)

本文提出了一個(gè)基于混合智能學(xué)習(xí)的制造過(guò)程質(zhì)量預(yù)報(bào)與診斷系統(tǒng)。該模型融合了基于RS的規(guī)則提取算法和基于知識(shí)的神經(jīng)網(wǎng)絡(luò)KBANN，有效地對(duì)復(fù)雜制造過(guò)程輸入與輸出之間的非線性關(guān)聯(lián)進(jìn)行建模。RSrule抽取正確且可以理解的工藝規(guī)則，可以輔助操作人員診斷異常和優(yōu)化地設(shè)置過(guò)程參數(shù)，確保紡紗加工質(zhì)量的穩(wěn)定。同時(shí)，RSrule提供了KBANN需要的領(lǐng)域知識(shí)，進(jìn)而用于制造過(guò)程異常監(jiān)控，提前發(fā)現(xiàn)生產(chǎn)異常，實(shí)現(xiàn)提前異常消除。

[1] REYEN M E,RKAN G P. Comparison of artificial neural network and linear regression models for prediction of ring spun yarn properties： I. Prediction of yarn tensile properties[J].Fibers and Polymers,2008,9(1)：87-91.

[2] 殷祥剛,項(xiàng)前,呂志軍,于偉東.基于智能技術(shù)的精毛紡織品全程虛擬加工系統(tǒng)[J].西安工程大學(xué)學(xué)報(bào),2008,22(4)：407-411.

[3] Comparison of Artificial Neural Network and Linear Regression Models for Prediction of Ring Spun Yarn Properties. II. Prediction of yarn hairiness and unevenness[J].Fibers and Polymers.2008,9 (1)：92-96.

[4] 李翔,彭志勤,金鳳英,等.基于神經(jīng)網(wǎng)絡(luò)的精紡毛紗性能預(yù)測(cè)模型比較[J].紡織學(xué)報(bào),2011,32(3)：51-56.

[5] E. Evander, H. Holst,A.Jarund, M. Ohlsson, P. Wollmer, K. Astrom,L. Edenbrandt, Role of ventilation scintigraphy in diagnosis of acute pulmonary embolism： an evaluation using artificial neural networks[J].Eur.J. Nucl. Med. Mol. Imaging. 2003,30(7)：961-965.

[6] J. Eng,Predicting the presence of acute pulmonary embolism： a comparative analysis of the artificial neural network,logistic regression,and threshold models[J].Am. J.Roentgenol.2002,179(4)： 869-874.

[7] Gebraeel, N.,& Lawley, M. A.. A neural network degradation model for computing and updating residual life distributions[J]. IEEE Transactions on Automation Science and Engineering,2008, 5(1)：154-163.

[8] Zhi-gang Tian . An arti cial neural network method for remaining useful life prediction of equipment subject to condition monitoring. Journal of Intelligent Manufacturing[J].2012,23(2)：227-237.

[9] B. Ribeiro, Support vector machines for quality monitoring in a plastic injection molding process[J].IEEE Transactions on Systems, Man and Cybernetics, Part C：Applications and Reviews.2005,35：401-410.

[10] Zhi-jun Lv,Qiang Xiang,Bin Liu,et al. Support vector machine with real code genetic algorithm for yarn quality prediction[J]. Advanced Science Letters,2013,19(8)：2468-2472.

[11] 劉彬,項(xiàng)前,楊建國(guó),等.基于遺傳神經(jīng)網(wǎng)絡(luò)的紗線質(zhì)量預(yù)測(cè)[J].東華大學(xué)學(xué)報(bào),2013,39(4)：504-508.

[12] S.Sette,L.Van Langenhove. An Overview of Soft Computing in Textile[J].Textile Institue.2003,94,103-109.

[13] 張文修,吳偉志,等.粗糙集理論與方法[M].北京：人民郵電出版社,2007.