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