楊景朝， 蔣秀明,2， 董九志,2， 陳云軍， 梅寶龍

(1. 天津工業(yè)大學(xué) 機(jī)械工程學(xué)院， 天津 300387； 2. 天津工業(yè)大學(xué) 天津市現(xiàn)代機(jī)電裝備技術(shù)重點(diǎn)實(shí)驗(yàn)室，天津 300387； 3. 天津工業(yè)大學(xué) 電氣工程與自動(dòng)化學(xué)院， 天津 300387)

整體穿刺是制造立體織物的一種技術(shù)，最早由美國(guó)AVCO公司研究成功[1]。立體織物的密度對(duì)復(fù)合材料的性能有重要影響[2]，整體穿刺加壓密實(shí)過程中碳布平均層高要控制在合理工藝要求范圍內(nèi)。國(guó)內(nèi)朱建勛團(tuán)隊(duì)最早在2003年研制成功了液壓驅(qū)動(dòng)整體穿刺機(jī)[3]；為提高設(shè)備自動(dòng)化程度及控制精度，2013年南京玻璃纖維研究院與江蘇機(jī)械研究設(shè)計(jì)院合作使用可編程邏輯控制器(PLC)和觸摸屏對(duì)整體穿刺機(jī)進(jìn)行了技術(shù)改造[4]。使用油缸驅(qū)動(dòng)整體穿刺機(jī)精度易受油溫影響，且適用范圍受到一定限制，2015年天津工業(yè)大學(xué)團(tuán)隊(duì)研制由電動(dòng)機(jī)驅(qū)動(dòng)整體穿刺樣機(jī)[5]，具有較高的重復(fù)定位精度，實(shí)現(xiàn)了對(duì)正交疊層機(jī)織碳布進(jìn)行整體穿刺與加壓密實(shí)功能。以上研究中使用PLC閉環(huán)控制、自適應(yīng)PID 控制算法等提高了加壓過程的控制執(zhí)行精度，但未考慮穿刺模板離開后織物存在反彈情況。

平均層高波動(dòng)范圍較大可導(dǎo)致產(chǎn)品一致性較差，立體織物纖維密度的變化也會(huì)影響產(chǎn)品的熱力學(xué)性能[6]。周鈺博等[7]采用4種絲束軌跡特性函數(shù)和 2種絲束截面建立了8種穿刺織物結(jié)構(gòu)的三維數(shù)字模型。立體織物的不同的工藝參數(shù)(如碳布類型、加壓間隔、當(dāng)前層數(shù)等)組合時(shí)，需要通過加壓和時(shí)間組合實(shí)現(xiàn)控制目標(biāo)，參數(shù)之間的建模涉及纖維材料學(xué)、彈性力學(xué)、控制工程、理論力學(xué)等多個(gè)學(xué)科，尚無一套成熟的理論模型可較好地表征這個(gè)過程。

機(jī)器學(xué)習(xí)理論在金融、生物、醫(yī)療、健康、營(yíng)銷等研究領(lǐng)域的應(yīng)用已取得了巨大的成功[8]。智能制造系統(tǒng)可通過機(jī)器學(xué)習(xí)技術(shù)發(fā)現(xiàn)大量基礎(chǔ)數(shù)據(jù)背后的規(guī)律，機(jī)器學(xué)習(xí)的模型是整個(gè)學(xué)習(xí)過程取得成功的關(guān)鍵[9]。線性模型簡(jiǎn)單、快捷，可根據(jù)高等數(shù)學(xué)、概率論等充分解釋預(yù)測(cè)模型是如何影響輸出結(jié)果的[10]；然而現(xiàn)實(shí)環(huán)境中的很多問題是很復(fù)雜的，各因素之間同時(shí)存在著線性和非線性關(guān)系[11]。研究中僅使用線性模型進(jìn)行回歸分析有很大的局限性，對(duì)比線性和非線性不同模型的預(yù)測(cè)性能，本文提出基于機(jī)器學(xué)習(xí)理論對(duì)整體穿刺加壓參數(shù)進(jìn)行實(shí)時(shí)預(yù)測(cè)的方法,通過訓(xùn)練并優(yōu)化出1個(gè)能有助于降低產(chǎn)品平均層高波動(dòng)范圍的預(yù)測(cè)模型，部署到生產(chǎn)實(shí)驗(yàn)環(huán)境中后可根據(jù)累積數(shù)據(jù)不斷自學(xué)習(xí)，持續(xù)動(dòng)態(tài)優(yōu)化對(duì)加壓參數(shù)的預(yù)測(cè)性能。

1 整體穿刺加壓參數(shù)預(yù)測(cè)建模

1.1 整體穿刺工藝流程

正交疊層機(jī)織碳布的整體穿刺過程包含Z向鋼針布放、整體穿刺、加壓密實(shí)、鋼針置換等環(huán)節(jié)[12]。碳布置于Z向鋼針矩陣上端，在穿刺模板推動(dòng)下，與Z向鋼針矩陣整體穿刺，并沿鋼針下移、加壓密實(shí)。重復(fù)以上過程至設(shè)定高度后，再由碳纖維逐一替代Z向鋼針，制成整體穿刺預(yù)成型體[13]。整體穿刺立體織物工藝流程如圖1所示。

天津工業(yè)大學(xué)研制的數(shù)字化整體穿刺樣機(jī)采用電動(dòng)機(jī)驅(qū)動(dòng)曲軸，帶動(dòng)穿刺孔板沿定位光軸上下往復(fù)運(yùn)動(dòng)[5]，在整體穿刺過程中需要對(duì)碳布加壓保持一段時(shí)間，以確保整體穿刺的立體織物平均層高滿足工藝要求。加壓密實(shí)結(jié)構(gòu)如圖2所示。

圖2 整體穿刺加壓示意圖Fig.2 Schematic diagram of pressurized compaction and integrated piercing

1.2 基于機(jī)器學(xué)習(xí)的參數(shù)之間關(guān)系建模

整體穿刺過程中積累了大量的生產(chǎn)數(shù)據(jù)，產(chǎn)品生產(chǎn)過程中參數(shù)列表為：產(chǎn)品編號(hào)、碳布類型、助劑類型、加壓循環(huán)、加壓間隔、當(dāng)前層數(shù)、壓力增加、壓力設(shè)定、時(shí)間增加、時(shí)間設(shè)定、當(dāng)前高度值、平均層高。其中“壓力設(shè)定”“時(shí)間設(shè)定”為整體穿刺的加壓控制參數(shù)，其他為工藝參數(shù)。為方便研究將參數(shù)列表按順序定義，如表1所示。

預(yù)測(cè)壓力值時(shí)將參數(shù)“壓力設(shè)定”定義為輸出特征y，其他參數(shù)為輸入特征x；預(yù)測(cè)保壓時(shí)間時(shí)將參數(shù)“保壓時(shí)間”定義為輸出特征y,其他參數(shù)為輸入特征x。引入機(jī)器學(xué)習(xí)中的有監(jiān)督的學(xué)習(xí)方式，通過對(duì)現(xiàn)有數(shù)據(jù)集的學(xué)習(xí)，試圖學(xué)得一個(gè)函數(shù)關(guān)系f:X→Y,確保f(x)可以很好地預(yù)測(cè)對(duì)應(yīng)的y,即

表1 機(jī)器學(xué)習(xí)建模變量定義Tab.1 Definition of modeling variables for machine learning

注：m為樣本數(shù)量。

y=f(x)

式中：x為輸入特征；y為輸出特征；f為映射函數(shù)。樣本的輸出特征變量是連續(xù)的，可以將此問題轉(zhuǎn)化為機(jī)器學(xué)習(xí)中監(jiān)督學(xué)習(xí)的回歸問題。監(jiān)督式機(jī)器學(xué)習(xí)流程如圖3所示。

圖3 監(jiān)督學(xué)習(xí)流程示意圖Fig.3 Schematic diagram of supervised learning process

使用訓(xùn)練好的機(jī)器模型進(jìn)行預(yù)測(cè)時(shí)，參數(shù)“平均層高”的取值為工藝控制目標(biāo)值k，其他輸入?yún)?shù)從可編程邏輯控制器中實(shí)時(shí)采集獲得。

1.3 學(xué)習(xí)算法的評(píng)估指標(biāo)和方法

為研究整體穿刺過程中機(jī)織碳布的壓縮性能，選用八枚三飛經(jīng)面緞紋碳布進(jìn)行正交疊層整體穿刺加壓實(shí)驗(yàn)，并將加壓參數(shù)和碳布層高數(shù)據(jù)實(shí)時(shí)保存到數(shù)據(jù)庫中，機(jī)織碳布整體穿刺成預(yù)制體后在數(shù)據(jù)庫中形成一個(gè)完整的數(shù)據(jù)樣本。每個(gè)預(yù)制體整體穿刺過程的數(shù)據(jù)樣本可在Python中轉(zhuǎn)換為一個(gè)訓(xùn)練樣本，從中選擇50個(gè)樣本作為訓(xùn)練樣本，20個(gè)樣本作為試驗(yàn)樣樣本。

歐洲化妝品及其他商品有效性評(píng)估專家機(jī)構(gòu)（EEMCO）關(guān)于皮膚顏色評(píng)估指導(dǎo)指出，計(jì)算 ITA°似乎是安全預(yù)測(cè)用于確定MED的紫外線劑量范圍的最準(zhǔn)確方法。數(shù)字顏色比語言更精確地表達(dá)顏色，目前的儀器方法已被證明既敏感又可靠。而目前ITA°與MED的相關(guān)性數(shù)據(jù)但在世界范圍內(nèi)已經(jīng)引起重視，但在中國(guó)人群特別是南方人群中目前文獻(xiàn)還比較少，數(shù)據(jù)來源于外國(guó)，我們將具有非常大的局限性，極大地限制了該方法在我國(guó)SPF值檢測(cè)工作中的實(shí)際應(yīng)用。因此，十分有必要進(jìn)行中國(guó)人群皮膚膚色與最小紅斑量的相關(guān)性的研究，并建立相關(guān)的數(shù)據(jù)庫，將有助于更快速、更經(jīng)濟(jì)、更準(zhǔn)確地進(jìn)行防曬化妝品防曬指數(shù)SPF值的檢測(cè)。

從50個(gè)訓(xùn)練樣本中隨機(jī)抽取1個(gè)樣本，使用線性回歸、5階多項(xiàng)式線性回歸、30階多項(xiàng)式線性回歸3個(gè)模型對(duì)壓力和層高的特征關(guān)系進(jìn)行擬合訓(xùn)練，層數(shù)與壓力的擬合關(guān)系如圖4所示?？梢钥闯?，線性模型未能很好地?cái)M合訓(xùn)練樣本，預(yù)測(cè)新樣本時(shí)必然無法準(zhǔn)確預(yù)測(cè)數(shù)據(jù)，會(huì)出現(xiàn)欠擬合；30階多項(xiàng)式回歸模型訓(xùn)練過度擬合了訓(xùn)練數(shù)據(jù)，包含了部分樣本的個(gè)性特征或隨機(jī)噪音，在預(yù)測(cè)新樣本時(shí)會(huì)導(dǎo)致過擬合。

圖4 過擬合和擬合對(duì)比圖Fig.4 Comparison diagram of under fitting and over fitting

針對(duì)50個(gè)訓(xùn)練樣本使用3種回歸模型對(duì)全部特征數(shù)據(jù)進(jìn)行訓(xùn)練，層數(shù)與壓力2個(gè)特征擬合關(guān)系如圖5所示。

圖5 全特征的多模型擬合圖Fig.5 Multi models fitting diagram with full features

回歸訓(xùn)練中仍存在過擬合和欠擬合的情況，擬合訓(xùn)練中加入了多個(gè)特征，對(duì)層高與壓力的擬合關(guān)系產(chǎn)生了影響。圖5中的曲線波動(dòng)幅度與圖4相比明顯減弱，但二維圖對(duì)多維度回歸關(guān)系的展示存在不足，不能直接得出回歸擬合效果有本質(zhì)提升的結(jié)論。為解決二維圖對(duì)包含多特征的擬合關(guān)系判斷效果不佳的問題，對(duì)全特征的多樣本模型訓(xùn)練效果引入性能度量。在回歸分析中常通過對(duì)比新的樣本在模型上的預(yù)測(cè)值和真實(shí)值之間的誤差，來計(jì)算模型性能度量：

式中：f為模型預(yù)測(cè)函數(shù)；y(i)為樣本的真實(shí)值；f(x(i))為樣本的預(yù)測(cè)值；i為樣本序號(hào)；m為樣本數(shù)。50個(gè)樣本訓(xùn)練后性能度量得分如表2所示。

表2 多樣本在3種模型下的均方誤差得分表Tab.2 MSE score table of multiple samples based on three models

通過對(duì)比圖4和表2說明，3種模型在單特征、單樣本情況下和全特征、多樣本情況下的擬合效果基本一致。

2 整體穿刺加壓參數(shù)預(yù)測(cè)模型訓(xùn)練

2.1 基于機(jī)器學(xué)習(xí)的加壓參數(shù)預(yù)測(cè)流程

機(jī)器學(xué)習(xí)是致力于研究如何通過計(jì)算的手段，利用經(jīng)驗(yàn)來改善系統(tǒng)自身的性能。計(jì)算機(jī)系統(tǒng)中“經(jīng)驗(yàn)”通常以“數(shù)據(jù)”形式存在，機(jī)器學(xué)習(xí)研究的是計(jì)算機(jī)從數(shù)據(jù)中產(chǎn)生“模型”，通過將經(jīng)驗(yàn)數(shù)據(jù)提供給學(xué)習(xí)算法產(chǎn)生模型，在新的數(shù)據(jù)到來時(shí)就可以進(jìn)行預(yù)測(cè)或判斷[15]。機(jī)器學(xué)習(xí)流程如圖6所示。加壓參數(shù)預(yù)測(cè)問題可轉(zhuǎn)化為機(jī)器學(xué)習(xí)中的監(jiān)督學(xué)習(xí)，從數(shù)據(jù)集中學(xué)習(xí)出一個(gè)目標(biāo)函數(shù)，當(dāng)新的數(shù)據(jù)到來時(shí)可根據(jù)這個(gè)函數(shù)預(yù)測(cè)結(jié)果。

圖6 機(jī)器學(xué)習(xí)流程示意圖Fig.6 Schematic diagram of machine learning process

2.2 數(shù)據(jù)特征處理

2.2.1 數(shù)據(jù)特征轉(zhuǎn)換

通過特征提取得到的未經(jīng)處理特征存在2個(gè)問題：一是定性特征不能直接使用；二是多個(gè)特征值不屬于同一量綱。按照算法模型分別轉(zhuǎn)換數(shù)據(jù)有助于提高算法模型的準(zhǔn)確度。

表3 數(shù)據(jù)特征的標(biāo)簽編碼Tab.3 Label encoding of data features

使用獨(dú)熱編碼將離散特征的取值擴(kuò)展到歐式空間，離散特征的某個(gè)取值就對(duì)應(yīng)歐式空間的某個(gè)點(diǎn)。編碼后的特征每一維度都可看作是連續(xù)的特征，可對(duì)其進(jìn)行歸一化處理。對(duì)于線性模型來說，獨(dú)熱編碼處理可達(dá)到非線性的效果。數(shù)據(jù)特征獨(dú)熱編碼后處理的結(jié)果如表4所示。

表4 數(shù)據(jù)特征的獨(dú)熱編碼Tab.4 One-Hot encoding of data features

2.2.2 數(shù)據(jù)特征選擇

特征處理時(shí)需考慮2個(gè)方面：一是特征是否發(fā)散，不發(fā)散則對(duì)樣本的區(qū)分無意義；二是特征與目標(biāo)的相關(guān)性，相關(guān)性高的特征應(yīng)優(yōu)先選擇。

本文對(duì)碳布類型、助劑類型、加壓間隔3個(gè)特征進(jìn)行獨(dú)熱編碼，特征值只有0和1。計(jì)算特征方差后，對(duì)于85%以上實(shí)取值都是1或0的特征進(jìn)行移除。用低方差移除特征的處理結(jié)果如表5所示。

單變量特征選擇是分別單獨(dú)計(jì)算每個(gè)變量的某個(gè)指標(biāo)，根據(jù)該指標(biāo)來判斷指標(biāo)重要性，刪除次要指標(biāo)。F回歸對(duì)矩陣X的第3個(gè)列向量X[:,i]和y進(jìn)行計(jì)算，其值越大相關(guān)性越強(qiáng)。F回歸公式為

表5 移除低方差的數(shù)據(jù)特征Tab.5 Removing data features with low variance

式中，len(y)為計(jì)算列向量y的元素個(gè)數(shù)。ρi使用如下公式進(jìn)行計(jì)算：

式中：mean(X[:,i])和mean[y]分別為x和y的平均值；std(X[:,i])和std(y)分別為x和y的數(shù)據(jù)的標(biāo)準(zhǔn)差。

用皮爾遜系數(shù)進(jìn)行特征選擇的標(biāo)準(zhǔn)如表6所示。

表6 皮爾遜系數(shù)相關(guān)程度分類表Tab.6 Correlation degree classification table of Pearson coefficient

綜合考慮皮爾遜系數(shù)和F回歸2種標(biāo)準(zhǔn)作為單變量特征選擇的標(biāo)準(zhǔn)，處理結(jié)果如表7所示。

表7 單變量特征選擇處理結(jié)果Tab.7 Processing results of univariate feature selection

2.3 模型選擇

模型選擇是從成熟算法中選取適合當(dāng)前項(xiàng)目需求的算法并建立模型，一般通過性能度量對(duì)模型的泛化性進(jìn)行評(píng)估。在scikit-learn中，不使用成本函數(shù)來表達(dá)模型性能，而使用分?jǐn)?shù)來表達(dá)，分?jǐn)?shù)值在[0,1]之間，數(shù)值越大說明模型準(zhǔn)確性越好。本文研究中評(píng)估模型用到均方誤差(MSE)、平均絕對(duì)誤差(MAE)、R2這3種評(píng)價(jià)標(biāo)準(zhǔn)，MAE和MSE越小，R2越大，則說明預(yù)測(cè)模型描述實(shí)驗(yàn)數(shù)據(jù)具有更好精確度。對(duì)4種線性回歸算法線性回歸、嶺回歸、套索回歸、彈性網(wǎng)絡(luò)回歸和2種非線性算法K近鄰和支持向量機(jī)進(jìn)行評(píng)估，結(jié)果如表8所示。

表8 6種模型在3種準(zhǔn)則下的評(píng)估矩陣Tab.8 Evaluation matrices of six models under three kinds of criteria

根據(jù)預(yù)測(cè)性能得分，保留線性算法的嶺回歸和非線性算法的K近鄰回歸，為觀察得分的分布情況，對(duì) 2種保留模型預(yù)測(cè)得分做箱線圖，結(jié)果如圖7所示?？芍琄近鄰回歸的偏差小于嶺回歸，K近鄰回歸的方差大于嶺回歸。說明K近鄰回歸整體表現(xiàn)優(yōu)于嶺回歸，選擇K近鄰回歸為基學(xué)習(xí)器。

圖7 2種模型在3種評(píng)估準(zhǔn)則下的箱線圖Fig.7 Box Line chart of two models under three kinds of criteria

2.4 優(yōu)化模型

機(jī)器學(xué)習(xí)中可通過裝袋、提升等集成算法提高模型的性能[15]。集成算法通過構(gòu)建多個(gè)學(xué)習(xí)器來完成學(xué)習(xí)任務(wù)，一般結(jié)構(gòu)是先產(chǎn)生1組個(gè)體學(xué)習(xí)器，再用某種策略把他們組合起來。裝袋(Bagging)算法適用于強(qiáng)模型，方差較大偏差較小的情況。Bagging算法采樣出T個(gè)含m個(gè)訓(xùn)練樣本的采樣集，對(duì)每個(gè)采樣集訓(xùn)練出1個(gè)基學(xué)習(xí)器，回歸預(yù)測(cè)中采用平均T個(gè)基學(xué)習(xí)器預(yù)測(cè)結(jié)果的方法。使用集成算法訓(xùn)練后預(yù)測(cè)性能評(píng)價(jià)得分如表9所示。

表9 集成算法提升模型預(yù)測(cè)性能的結(jié)果Tab.9 Improved results of model prediction performance using integrated algorithms

3 參數(shù)預(yù)測(cè)模型的實(shí)驗(yàn)驗(yàn)證

機(jī)器學(xué)習(xí)模型序列化部署到Web API(網(wǎng)絡(luò)應(yīng)用程序)服務(wù)器上，通過實(shí)驗(yàn)可驗(yàn)證預(yù)測(cè)模型的準(zhǔn)確性和泛化性能，機(jī)器學(xué)習(xí)模型可為整體穿刺過程提供加壓參數(shù)的實(shí)時(shí)預(yù)測(cè)服務(wù)。模型部署過程中序列化和反序列化模型時(shí)，需要使用相同的Python、SciPy、scikit-learn類庫版本；如需在scikit-learn中或其他平臺(tái)重現(xiàn)這個(gè)模型，則需要手動(dòng)序列化算法參數(shù)。

3.1 控制參數(shù)預(yù)測(cè)的實(shí)驗(yàn)參數(shù)與設(shè)備

機(jī)器學(xué)習(xí)預(yù)測(cè)模型為整體穿刺提供加壓參數(shù)實(shí)時(shí)預(yù)測(cè)服務(wù)，機(jī)器學(xué)習(xí)預(yù)測(cè)方法在經(jīng)典PID閉環(huán)控制的基礎(chǔ)上考慮了碳布反彈動(dòng)態(tài)影響因素。工藝要求加壓循環(huán)過程中壓力值和保壓時(shí)間依次交替增加，在奇數(shù)加壓周期保壓時(shí)間不變，壓力值可增加；在偶數(shù)加壓周期壓力值不變，保壓時(shí)間可增加，平均層高設(shè)定目標(biāo)為2.5 mm。實(shí)驗(yàn)工藝參數(shù)如表10所示。

表10 整體穿刺加壓預(yù)測(cè)的工藝參數(shù)Tab.10 Process parameters of integrated piercing pressure prediction

整體穿刺機(jī)加壓參數(shù)預(yù)測(cè)系統(tǒng)及硬件如圖8所示。

圖8 整體穿刺加壓參數(shù)預(yù)測(cè)系統(tǒng)Fig.8 Parameter prediction system of integral piercing pressure. (a) System architecture;(b) Machine

PLC控制伺服電動(dòng)機(jī)并實(shí)時(shí)獲取傳感器數(shù)據(jù)，上位機(jī)采用ModBus_TCP協(xié)議與PLC通信，上位機(jī)調(diào)用Web API接口，Web API反序列化預(yù)測(cè)模型并加載上位機(jī)提供的實(shí)時(shí)工藝參數(shù)，得到預(yù)測(cè)結(jié)果反饋給上位機(jī)軟件，上位機(jī)軟件按工藝控制規(guī)則處理后下發(fā)PLC執(zhí)行，數(shù)據(jù)自動(dòng)保存到MySql數(shù)據(jù)庫。

3.2 實(shí)驗(yàn)結(jié)果分析與討論

選取經(jīng)典控制方法50個(gè)樣本數(shù)據(jù)和機(jī)器學(xué)習(xí)方法20個(gè)樣本的加壓過程平均層高數(shù)據(jù)?；趍atplotlib繪制了使用機(jī)器學(xué)習(xí)前后加壓循環(huán)平均層高多樣本均值變化趨勢(shì)，如圖9所示。

圖9 機(jī)器學(xué)習(xí)預(yù)測(cè)模型前后的平均層高Fig.9 Comparison of average layer height before and after machine learning prediction model

分析加壓參數(shù)對(duì)整體穿刺過程中產(chǎn)品密度一致性的影響，由圖9可知，平均層高在工藝目標(biāo)2.5 mm上下波動(dòng)且隨層數(shù)增加逐漸增大，其波動(dòng)范圍反映了使用機(jī)器學(xué)習(xí)方法前后控制精度方面的差別。從曲線可看出，使用預(yù)測(cè)模型控制先于經(jīng)典控制方法對(duì)生產(chǎn)參數(shù)變化趨勢(shì)做出反應(yīng)，使得最終產(chǎn)品的平均層高均值明顯低于經(jīng)典控制方法。

使用Seaborn的displot繪制，并利用機(jī)器學(xué)習(xí)前后的立體織物平均層高分布規(guī)律直方圖和kde核函數(shù)估計(jì)圖，結(jié)果如圖10所示。

圖10 機(jī)器學(xué)習(xí)預(yù)測(cè)模型前后產(chǎn)品平均層高Fig.10 Comparison of average layer height before and after machine learning prediction model

分析機(jī)器學(xué)習(xí)方法對(duì)控制平均層高穩(wěn)定性的效果，由圖10可知，立體織物平均層高的數(shù)據(jù)分布基本滿足正態(tài)分布，使用機(jī)器學(xué)習(xí)預(yù)測(cè)加壓參數(shù)方法后，樣本平均層高的均值公差從12.0%降低到了6.8%，標(biāo)準(zhǔn)差(σ)由0.008 3降低到了0.006 6；分布曲線在均值(μ±σ)附近有拐點(diǎn)。使用該預(yù)測(cè)加壓參數(shù)方法后提高了產(chǎn)品平均層高控制的穩(wěn)定性和產(chǎn)品一致性。

4 結(jié)束語

本文基于scikit-learn機(jī)器學(xué)習(xí)類庫訓(xùn)練了1個(gè)可對(duì)整體穿刺過程加壓參數(shù)進(jìn)行實(shí)時(shí)預(yù)測(cè)的模型，并部署到生產(chǎn)環(huán)境為PLC提供加壓參數(shù)實(shí)時(shí)預(yù)測(cè)服務(wù)。實(shí)驗(yàn)結(jié)果表明，機(jī)器學(xué)習(xí)方法應(yīng)用到整體穿刺控制中，提升了平均層高的控制精度和產(chǎn)品一致性。機(jī)器學(xué)習(xí)理論與傳統(tǒng)紡織設(shè)備的結(jié)合對(duì)于推進(jìn)智能制造具有重要意義，兼具學(xué)術(shù)研究和產(chǎn)業(yè)應(yīng)用價(jià)值，但基于監(jiān)督式的學(xué)習(xí)方式對(duì)于訓(xùn)練樣本的數(shù)據(jù)質(zhì)量要求較高，預(yù)測(cè)模型遷移和擴(kuò)展時(shí)受到一定限制。

FZXB