王東平 吳志剛

摘 要：針對企業(yè)紡紗過程中紗線質量難以預測的問題，提出了一種基于灰色關聯(lián)支持向量機回歸的模型，并對模型關鍵參數(shù)使用網(wǎng)格搜索技術和交叉驗證技術進行優(yōu)化。通過工廠實際紡紗數(shù)據(jù)，利用成熟度等10項原棉指標，對紗線單紗強度等2項指標進行預測。試驗結果表明，灰色關聯(lián)支持向量機回歸模型在小樣本條件下也有良好的表現(xiàn)。同傳統(tǒng)的BP神經(jīng)網(wǎng)絡模型相比，具有更好的預測精度和穩(wěn)定性，為成紗質量預測提供了新方法。

關鍵詞：支持向量機回歸；灰色關聯(lián)；BP神經(jīng)網(wǎng)絡；紗線質量

DOI：10.16640/j.cnki.37-1222/t.2019.09.133

1 引言

紗線生產(chǎn)是一項極其復雜的生產(chǎn)流程。從纖維到紗線需要經(jīng)歷多道工序。影響成紗質量的因素眾多，其中主要的因素為纖維性能和紡織工藝。在紡織工藝相同的情況下，在成紗質量中起到?jīng)Q定性作用的是原棉質量。但是原棉質量和紗線質量之間的關系是復雜的非線性關系。傳統(tǒng)上對紗線的質量預測大多憑借生產(chǎn)工人和領域專家的經(jīng)驗，主觀意識太強，無法提供穩(wěn)定可靠的預測結果，導致紗線質量的波動性太大，造成了時間和原料的浪費，不能滿足實際生產(chǎn)的需要。針對這個難題，國內外很多學者對此進行了研究。主要技術有基于紗線結構的力學物理模型[1]和基于統(tǒng)計技術的經(jīng)驗模型，近年來，利用智能技術進行紗線質量預測成為了研究的熱點[2]，有學者提出了基于BP神經(jīng)網(wǎng)絡的預測方法來處理原棉質量和紗線質量之間復雜的非線性關系[3-4]。但BP神經(jīng)網(wǎng)絡需要大量的數(shù)據(jù)樣本，在小樣本的數(shù)據(jù)條件下，具有收斂速度慢、過擬合、易陷入局部最優(yōu)等缺陷[5]。近幾年，一種新的算法支持向量機算法在工業(yè)中得到廣泛應用并且取得了良好的效果[6]。具有泛化性能好、最優(yōu)解唯一、計算簡單、不需要微調、小樣本學習等優(yōu)點。本文將結合灰色關聯(lián)分析與支持向量機回歸，利用灰色關聯(lián)分析對原棉性能指標進行篩選[7-8]，充分發(fā)揮支持向量機小樣本學習的優(yōu)點，為紗線質量預測提供一種新方法。

2 相關理論

2.1 灰色關聯(lián)分析

灰色關聯(lián)分析是一種多因素統(tǒng)計分析方法。它根據(jù)各因素的樣本數(shù)據(jù)，對因素間關系使用灰色關聯(lián)度進行描述。若兩個因素變化同步趨勢較高，則兩者之間灰色關聯(lián)度較高，反之則灰色關聯(lián)度較低。此分析方法具有對數(shù)據(jù)要求較低和工作量較少等特點。

具體步驟如下：

第一步：首先確定參考數(shù)列。

在做灰色關聯(lián)分析之前，首先要選擇參考數(shù)列。參考數(shù)列一般記作。比較數(shù)列一般記作…。

第二步：進行變量的無量綱化處理。

在灰色關聯(lián)計算之前，可根據(jù)公式（1）對數(shù)列進行無量綱化處理，以消除各個數(shù)列由于量綱不同和數(shù)值差異過大帶來的影響。

3 模型建立與分析

3.1 數(shù)據(jù)準備

本文采用60組紡紗數(shù)據(jù)來建立模型，50用于組模型訓練，剩下10組用來測試模型精度。由于紗線是在紡紗工藝相同的環(huán)境下加工生產(chǎn)的。因此，成紗質量的主要影響因素是原棉性能指標。本文選用的原棉性能指標為：成熟度、主體長度、斷裂強度、短絨率、主上長度、均勻度、公制支數(shù)、含雜率、疵點總數(shù)、回潮率。成紗的性能指標為： 單紗強度、條干CV。

3.2 灰色關聯(lián)分析

根據(jù)灰色關聯(lián)分析計算得到表成紗性能與纖維性能之間的灰色關聯(lián)度，選擇灰色關聯(lián)度最大的7個纖維性能指標用進行灰色關聯(lián)支持向量機回歸模型預測。

這表明，單紗強度主要影響因素從高到低依次為： 成熟度、主上長度、主體長度、公制支數(shù)、均勻度、短絨率、回潮率、含雜率、斷裂強度、疵點總數(shù)。條干CV的主要影響因素從高到低依次為： 主體長度、主上長度、成熟度、公制支數(shù)、均勻度、回潮率、短絨率、斷裂強度、疵點總數(shù)、含雜率。

3.3 模型參數(shù)選擇

在預測仿真任務中，樣本結構、模型選擇、模型參數(shù)調優(yōu)都對預測的精度有影響。本文使用灰色關聯(lián)支持向量機回歸作為紗線質量預測模型。需要確定的關鍵參數(shù)是正則化系數(shù)C和核函數(shù)帶寬σ。本文選擇較為常用的RBF徑向基核作為核函數(shù)。采用網(wǎng)格搜索技術結合交叉驗證對關鍵參數(shù)進行優(yōu)化[10]。

BP神經(jīng)網(wǎng)絡模型作為對比模型。常用的BP神經(jīng)網(wǎng)絡為3層[11]，分別為輸入層、隱藏層和輸出層。輸入層節(jié)點的個數(shù)為原來的原棉指標變量個數(shù)10。輸出層節(jié)點的個數(shù)為1。根據(jù)經(jīng)驗公式進行計算得到隱藏層的節(jié)點個數(shù)為12。因此，BP神經(jīng)網(wǎng)絡的結構為“10-12-1”。隱層的激活函數(shù)為“relu函數(shù)”。訓練次數(shù)為10000次。訓練精度為 0. 01。對單紗強度和條干CV分別建立預測模型。

4 預測結果與分析

本文分別采用灰色關聯(lián)支持向量機回歸模型與BP神經(jīng)網(wǎng)絡模型對成紗性能進行預測，并對兩種模型的預測結果進行了比較。預測結果如下表所示。

根據(jù)表2，對于單紗強度的預測結果，灰色關聯(lián)支持向量機回歸模型的預測平均相對誤差為2.59%，BP神經(jīng)網(wǎng)絡模型平均相對誤差為%4.55%，支持向量機回歸模型的準確度比BP神經(jīng)網(wǎng)絡提高了43.07%。由表3可知，對于條干CV，灰色關聯(lián)支持向量機回歸模型的平均相對誤差最小為0.91%，BP神經(jīng)網(wǎng)絡模型預測的平均相對誤差為5.85%，灰色關聯(lián)支持向量機回歸模型的準確度比BP神經(jīng)網(wǎng)絡提高了83.42%。實驗結果對比表明，灰色關聯(lián)支持向量機回歸預測模型比BP神經(jīng)網(wǎng)絡預測模型的預測的精確度得到了大幅的提高，并且預測結果比較穩(wěn)定?；疑P聯(lián)支持向量機回歸模型在小樣本的條件下擬合性能遠遠好于BP神經(jīng)網(wǎng)絡模型。

5 結語

本文提出了一種基于灰色關聯(lián)分析支持向量機回歸的預測模型，并且使用網(wǎng)格搜索技術和交叉驗證技術解決了模型的參數(shù)優(yōu)化問題。以紡紗生產(chǎn)過程為例，首先使用灰色關聯(lián)分析方法篩選出影響成紗性能指標的最重要的原棉性能指標，然后利用支持向量機回歸建立預測模型，預測成紗性能指標。實驗結果表明，本文方法的擬合效果比傳統(tǒng)的BP神經(jīng)網(wǎng)絡模型的預測方法的擬合效果要好，在小樣本的數(shù)據(jù)環(huán)境下仍然能夠保持較高的預測精度，擁有更好泛化性能，更加適用于紗線生產(chǎn)過程。研究表明，基于灰色關聯(lián)支持向量機回歸預測模型是進行紗線質量預測的有效工具，具有較高的實際應用價值。

參考文獻：

[1]Bogdan J F.The characterization of spinning quality[J]. Textile Res J.1956，26（09）：720-730.

[2]董奎勇，于偉東.基于BP神經(jīng)網(wǎng)絡的紡紗質量預報模型[J].東華大學學報，2005，31（02）：88-92.

[3]鄭波.配棉工藝系統(tǒng)與紡紗質量預測的分析與設計[D].南京：東南大學，2006.

[4]殷祥剛，呂志軍，于偉東.基于CBR和ANN的精紡紗智能化加工研究與實踐[J].毛紡科技，2006（05）：5-8.

[5]Zeguang Pei，Chongwen Yu.Prediction of the vortex yarn tenacity from some process and nozzle parameters based on numerical simulation and artificial neural network[J]. Textile Research Journal，2011：1-12.

[6]王定成，姜斌.支持向量機控制與在線學習方法研究的進展[J]. 系統(tǒng)仿真學報，2007，19（03）：1177-1181.

[7]李曉峰.苧麻纖維原料品質與成紗品質指標的灰關聯(lián)分析[J]. 紡織學報，2006，27（01）：20-22.

[8]陳東升，吳廣峰，長井茂明.用灰色理論預測亞麻成紗質量[J].紡織基礎科學學報，1994，7（03）：230-233.

[9]Vapnik V N.The Nature of Statistical Learning Theory[M]. New York： Spring-Verlag，1999.

[10]鄧乃揚，田英杰.數(shù)據(jù)挖掘中的新方法—支持向量機[M].北京：科學出版社，2004.

[11]高大啟.有教師的線性基本函數(shù)前向三層神經(jīng)網(wǎng)絡結構研究[J].計算機學報，1998，21（01）：80-86.

作者簡介：王東平（1993-），男，安徽滁州人，碩士研究生，主要研究方向：智能信息處理。

*為通訊作者