胡 勝, 陳 臣, 李 文, 汪成龍

(西安工程大學(xué) 機電工程學(xué)院,西安 710048)

紡紗過程由于其復(fù)雜環(huán)境及多源信息交互性等特點,其各環(huán)節(jié)中的成紗質(zhì)量受到多種質(zhì)量參數(shù)影響,且目前紗線質(zhì)量控制方法還停留在事后質(zhì)檢的水平上[1],只能發(fā)現(xiàn)廢品而不能預(yù)防廢品的產(chǎn)生,其結(jié)果直接導(dǎo)致企業(yè)的制造成本增加并造成更多經(jīng)濟損失[2]。因此,針對紡紗過程質(zhì)量波動問題,從早期挖掘異常波動的角度出發(fā),對紡紗過程出現(xiàn)異常波動的時刻及異常原因進行預(yù)警分析,及時對紡紗過程穩(wěn)定性進行判別具有重要意義。

目前,國內(nèi)外學(xué)者圍繞異常預(yù)警問題主要從以下兩種實現(xiàn)方式進行了深入研究并取得一系列成果：一是基于歷史數(shù)據(jù)及先驗知識進行健康監(jiān)測與狀態(tài)評估實現(xiàn)異常預(yù)警。Wu等[3]提出了一種合適的模糊下推自動機控制方法,以實現(xiàn)紗線質(zhì)量控制。徐繼亞等[4]提出了一種基于融合核主元分析與模糊信息?；闹С窒蛄繖C預(yù)測方法,通過跟蹤性能退化指標的變化趨勢及波動范圍,實現(xiàn)軸承故障預(yù)警。為解決單一工序的紡紗質(zhì)量控制模型難以實現(xiàn)對紡紗質(zhì)量的精準控制問題,邵景峰等[5]構(gòu)建了一種基于多工序知識關(guān)聯(lián)的紡紗質(zhì)量智能控制模型。胡勝等[6]提出一種基于節(jié)點敏感波動分析的質(zhì)量穩(wěn)定性評估方法,通過計算誤差因素的敏感波動率實現(xiàn)異常質(zhì)量狀態(tài)的敏感波動分析。劉偉強等[7]提出一種基于脆性度和云模型的健康狀態(tài)評估方法,在發(fā)動機缸蓋裝配系統(tǒng)評估過程中提供準確及時的狀態(tài)信息。王梓齊等[8]提出一種基于模糊軟聚類和集成的狀態(tài)監(jiān)測方法,通過構(gòu)造健康指數(shù)反映齒輪箱的早期故障及其發(fā)展趨勢。鄧麗等[9]提出一種融合數(shù)據(jù)流時空特征和多分類模型的異常檢測算法,對傳感器數(shù)據(jù)流進行異常檢測及異常類型識別。嚴英杰等[10]構(gòu)建了一種基于滑動窗口和聚類的融合算法,實現(xiàn)對變電設(shè)備的異常情況進行檢測。倪廣縣等[11]提出了一種滾動軸承高維隨機矩陣的狀態(tài)異常檢測算法。Zeng等[12]提出了基于稀疏貝葉斯學(xué)習(xí)和假設(shè)檢驗的齒輪箱油溫異常檢測方法。趙慶兵等[13]設(shè)計并開發(fā)了一種基于參數(shù)自回歸算法的用于核電廠關(guān)鍵設(shè)備早期預(yù)警的方法,通過動態(tài)閾值對設(shè)備狀態(tài)進行監(jiān)測。Zhang等[14]采用多變異狀態(tài)估計技術(shù)構(gòu)建描述設(shè)備正常狀態(tài)的非參數(shù)模型,將狀態(tài)的滑動窗口相似性作為故障預(yù)警的評價標準。另一種是基于數(shù)據(jù)建模的預(yù)測方法,其基本思想是通過分析歷史運行數(shù)據(jù)的關(guān)聯(lián)關(guān)系,對后續(xù)參數(shù)趨勢進行短時預(yù)測,并設(shè)置閾值實現(xiàn)異常預(yù)警。Yang等[15]提出一種基于多元回歸模型的紡紗質(zhì)量預(yù)測方法,通過大量的紡紗歷史數(shù)據(jù)構(gòu)建預(yù)測模型實現(xiàn)對紗質(zhì)量的精準預(yù)測。王明達等[16]建立基于支持向量機的在線異常預(yù)測模型和基于貝葉斯網(wǎng)絡(luò)的故障診斷模型,在數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)(Supervisory Control and Data Acquisition,SCADA)上實現(xiàn)異常判別。董海鷹等[17]構(gòu)建自回歸求和滑動平均模型對風(fēng)力發(fā)電機軸承壽命進行預(yù)測。王慶鋒等[18]提出一種基于譜距離指標運行可靠性曲線趨勢濾波的旋轉(zhuǎn)設(shè)備性能退化預(yù)測模型,實驗表明該方法能夠在不依賴專家先驗知識的前提下準確預(yù)測和追蹤旋轉(zhuǎn)設(shè)備性能退化趨勢的發(fā)生和發(fā)展。胡勝等[19]提出基于變點識別的紡紗過程質(zhì)量波動異常預(yù)警方法,通過移動窗口分析和多核學(xué)習(xí)技術(shù)對紡紗過程質(zhì)量特性波動的分布變點進行識別,實現(xiàn)紡紗質(zhì)量波動預(yù)警。

以上研究發(fā)現(xiàn),目前針對生產(chǎn)過程異常預(yù)警問題的研究主要集中在設(shè)備或零件故障預(yù)警及產(chǎn)品質(zhì)量特性異常監(jiān)測,而針對紡紗生產(chǎn)過程的質(zhì)量穩(wěn)定性問題鮮有研究,在實際的紡織生產(chǎn)過程中,其過程波動穩(wěn)定性是掌握紗線質(zhì)量的有效途徑,從預(yù)防異常影響擴大的角度,及時推斷紡紗過程的異常波動進行早期預(yù)警和異常溯源分析仍是當前研究的重要方向。基于此,本文在前述研究成果的基礎(chǔ)上,重點聚焦紡紗過程中的多質(zhì)量因素波動異常預(yù)警問題,提出一種基于窗口波動模式識別的紡紗過程質(zhì)量波動異常預(yù)警方法,通過均方根誤差表征相鄰窗口的質(zhì)量因素波動程度,在引起質(zhì)量特性波動前實現(xiàn)紡紗過程異常的早期預(yù)警,并對異常波動源頭進行追溯,最后通過實例驗證所提方法的有效性。

1 紡紗過程多質(zhì)量參數(shù)波動表征

1.1 紡紗過程質(zhì)量波動表征

紡紗過程質(zhì)量波動異常預(yù)警的基礎(chǔ)是對多質(zhì)量監(jiān)測參數(shù)進行波動模式表征。紡紗過程處于正常波動模式時,其監(jiān)測數(shù)據(jù)在合理的區(qū)間內(nèi)波動;當出現(xiàn)異常因素時,監(jiān)測點間的波動幅度及波動趨勢會出現(xiàn)顯著變化。為有效表征紡紗過程質(zhì)量波動變化,同時消減隨機波動對異常預(yù)警結(jié)果的影響,本文進行質(zhì)量波動表征與窗口序列分解。

記m維度樣本容量為n的紡紗過程多質(zhì)量參數(shù)序列{xl1,xl2,…,xlm},其質(zhì)量波動表征流程如圖1所示。

圖1 紡紗過程質(zhì)量波動表征Fig.1 Quality fluctuation characterization in the spinning process

具體步驟如下：

1) 設(shè)滑動窗口由目標時刻及前β-1個時刻的監(jiān)測數(shù)據(jù)組成,[xli,x(l+1)i,…,x(l+β-1)i]表示監(jiān)測參數(shù)i在β個時刻內(nèi)的窗口序列,窗口大小為β×m。當新數(shù)據(jù)產(chǎn)生時,滑動窗口整體向前滑動一個位置,將原窗口最末端的數(shù)據(jù)刪減,并加入新數(shù)據(jù),實現(xiàn)滑動窗口的迭代更新。設(shè)滑動窗口的寬度為β,窗口每次移動一個時間點,對于n個樣本數(shù)量的紡紗過程多質(zhì)量參數(shù)序列X共有n-β+1個滑動子窗口,對其采用滑動窗口處理得到窗口狀態(tài)矩陣,由下式確定。

W=[W1,W2,…,Wl,…,Wn-β+1]T

(1)

式中：Wl表示l時刻形成滑動子窗口。

(2)

(3)

1.2 質(zhì)量波動窗口序列分解

(4)

采用多個連續(xù)的子窗口異常波動率向量來表征紡紗過程波動狀況,當滑動窗口中的監(jiān)測數(shù)據(jù)波動穩(wěn)定時,指標異常波動率也處于合理的波動范圍,該子窗口的質(zhì)量波動為正常波動。當紡紗過程滑動窗口中出現(xiàn)異常監(jiān)測數(shù)據(jù)時,由于質(zhì)量波動出現(xiàn)異常預(yù)期信號,其對應(yīng)的指標異常波動率也出現(xiàn)劇烈變化,此時將包含異常監(jiān)測數(shù)據(jù)的子窗口序列標記為異常波動模式。

因此,紡紗過程質(zhì)量波動異常預(yù)警問題就可以轉(zhuǎn)變?yōu)榧徏嗊^程多質(zhì)量參數(shù)子窗口模式識別問題,通過對紡紗過程進行子窗口序列分解,識別出現(xiàn)異常預(yù)期信號的子窗口時刻。根據(jù)其指標異常波動率向量與正常紡紗過程異常波動率向量間的差異,及時判別出現(xiàn)異常波動模式的窗口序列,識別預(yù)期異常信號并對異常原因進行追溯,完成紡紗質(zhì)量波動異常預(yù)警。

2 質(zhì)量波動異常預(yù)警建模

2.1 基于隨機森林的窗口波動模式識別

基于以上分析,本文將紡紗過程質(zhì)量波動異常預(yù)警建模問題轉(zhuǎn)變?yōu)槎噘|(zhì)量參數(shù)子窗口模式識別問題。其實質(zhì)是在紡織過程的正常波動模式與異常波動模式之間構(gòu)造決策面,依據(jù)構(gòu)造的決策面對質(zhì)量波動的不同特征模式進行識別,然后對識別出的異常波動模式進行報警。隨機森林能夠處理非線性高維特征數(shù)據(jù),且形成的決策樹對非訓(xùn)練樣本仍能表現(xiàn)較高的識別精度,鑒于此,本文采用隨機森林對異常波動窗口模式進行識別。

1) 選定適宜的隨機森林參數(shù),包括決策樹個數(shù)ntree、最大特征數(shù)目m。通過bagging對{P1,P2,…,Pl,…,PN}進行有放回抽樣,共抽取N個樣本形成訓(xùn)練子集,未抽到的樣本構(gòu)成袋外數(shù)據(jù)L。

2) 從m個監(jiān)測參數(shù)中隨機選取c(c?m)個特征參數(shù),按照基尼系數(shù)進行節(jié)點分裂,分裂不進行剪枝。重復(fù)步驟1和步驟2,建立ntree棵決策樹的隨機森林。

3) 使用ntree棵決策樹對L中的窗口波動類型進行預(yù)測,采用簡單多數(shù)投票原則計算出最終的分類結(jié)果,并與實際運行狀態(tài)的標簽比對,得到L的分類誤差R。

(5)

隨機森林模型的最優(yōu)參數(shù)選擇通過最大化分類精度來獲得,在基于隨機森林算法做窗口模式分類時,在訓(xùn)練樣本一定的情況下,影響分類精度與時間復(fù)雜度的主要因素有兩個：生成一棵決策樹所隨機選取的屬性特征數(shù)量(簡稱特征數(shù)量)c和最終生成的決策樹數(shù)量ntree。因此以最大化分類精度為優(yōu)化目標,采用四折交叉及網(wǎng)格化搜索法對(c,ntree)兩種參數(shù)進行參數(shù)選擇。

2.2 紡紗過程質(zhì)量波動異常預(yù)警策略

紡紗過程質(zhì)量波動異常預(yù)警模型由質(zhì)量波動表征和質(zhì)量波動異常識別兩部分組成,構(gòu)建如圖2所示的質(zhì)量波動異常預(yù)警策略,具體實施過程如下：

1) 給定紡紗過程中多維質(zhì)量監(jiān)測參數(shù){xl1,xl2,…,xlm|l=1,2,…,n},對其歸一化后構(gòu)建窗口寬度為β、步長為1的滑動窗口,并進行子窗口劃分,得到窗口狀態(tài)矩陣W=[W1,W2,…,Wn-β+1]T。

圖2 紡紗過程質(zhì)量波動異常預(yù)警策略Fig.2 Abnormal warning strategy of quality fluctuation during the spinning process

2) 基于波動表征原理,對各子窗口序列進行均方根誤差的求取并完成[0,1]的異常概率映射后,得到紡紗過程的窗口序列P,并根據(jù)子窗口是否含有異常數(shù)據(jù)進行標記,得到對應(yīng)的窗口波動模式Y(jié)=[y1,y2,…,yn-β+1]。

3) 以{P,Y}為隨機森林的訓(xùn)練樣本,對子序列波動模式進行隨機森林建模,結(jié)合網(wǎng)格化搜索確定窗口波動模式識別模型的最優(yōu)參數(shù)。

4) 對實時的監(jiān)測數(shù)據(jù)進行新窗口序列的構(gòu)建,并完成波動程度的表征后輸入到隨機森林的窗口波動模式識別模型中,輸出具體的波動模式。

5) 以連續(xù)出現(xiàn)異常波動窗口為預(yù)警條件,對實時監(jiān)測數(shù)據(jù)進行質(zhì)量波動異常預(yù)警,降低偶然波動對預(yù)警精度的影響,確定警告發(fā)生時刻及異常原因。

6) 發(fā)送預(yù)警信息后,人工核驗紡紗過程實時狀態(tài),并進行識別模型的更新。

3 實例分析

以紡紗過程的細紗工序為例,驗證質(zhì)量波動異常預(yù)警方法的有效性。細紗工序是紡紗生產(chǎn)過程中的最后一道工序,其過程穩(wěn)定程度決定了紗線質(zhì)量的好壞,主要涉及到10個質(zhì)量影響參數(shù),參考優(yōu)化后的部分最優(yōu)工藝條件[20],并根據(jù)實際細紗工序的關(guān)鍵影響參數(shù)進行正態(tài)分布的數(shù)據(jù)采樣,參數(shù)分布如表1所示。其中細紗工序異常采用定點施加擾動產(chǎn)生,采樣數(shù)據(jù)包含正常波動的細紗數(shù)據(jù)和施加擾動的異常細紗數(shù)據(jù)兩種數(shù)據(jù)類型共計500組樣本,異常細紗過程數(shù)據(jù)包括：第一段(351～400組)和第二段(451～500組),其中異常數(shù)據(jù)為對毛條含油施加均值為0.5、標準差為0.3的異常擾動數(shù)據(jù)及對纖維細度施加均值和標準差均為1的異常擾動數(shù)據(jù)。

表1 細紗工序的關(guān)鍵質(zhì)量影響參數(shù)分布Tab.1 Key quality parameter distribution for the spinning process

3.1 紡紗過程質(zhì)量波動表征

為分析紡紗過程質(zhì)量波動表征的有效性,首先以301～316組的毛條含油數(shù)據(jù)為例進行滑動窗口分解與波動表征。通過對[1.1,1.2,1.2,1.3,1.1,1.2,1.2,1.1,1.4,1.2,1.1,1.3,1.2,1.1,1.3,1.1]進行窗口寬度為15、步長為1的子窗口劃分,得到2個毛條含油窗口子序列：[1.1,1.2,1.2,1.3,1.1,1.2,1.2,1.1,1.4,1.2,1.1,1.3,1.2,1.1,1.3]和[1.2,1.2,1.3,1.1,1.2,1.2,1.1,1.4,1.2,1.1,1.3,1.2,1.1,1.3,1.1]。

(6)

圖3 毛條含油異常波動率變化Fig.3 Abnormal fluctuation rate change of wool top oil

3.2 不同窗口寬度對異常波動表征的影響

為分析不同窗口寬度對異常波動表征的影響,分別對301～400組的細紗數(shù)據(jù)10個指標進行紡紗過程質(zhì)量波動表征。首先對該段細紗過程進行滑動窗口分解,分別選取滑動窗口的寬度為10、20、30,窗口每次移動一個時間點,對301～400組細紗數(shù)據(jù)集進行移動窗口分解;然后計算子窗口所有指標的異常波動率,每個子窗口的質(zhì)量波動程度由10個指標的異常波動率表征?？紤]到圖片的可讀性,僅對301～372組數(shù)據(jù)的毛條含油、毛條回潮、纖維細度及纖維離散指標異常波動率進行展示,其指標異常波動率的分布變化如圖4所示。對比圖4的(a)(b)(c)三個子圖可以看出,不同的窗口寬度對波動表征效果具有一定的影響：窗口寬度過小容易導(dǎo)致其波動率的變化范圍較大,其表征結(jié)果容易受到偶然波動的影響,導(dǎo)致對加工狀態(tài)的誤判;窗口寬度過大也會造成表征結(jié)果對異常數(shù)據(jù)不敏感。

圖4 細紗過程各指標異常波動率分布變化Fig.4 Abnormal fluctuation rate distribution change of each index in the spinning process

3.3 基于隨機森林的紡紗波動預(yù)警建模

進行細紗過程質(zhì)量波動異常預(yù)警模型構(gòu)建時,首先提取1～400組樣本數(shù)據(jù)建立隨機森林子序列波動模式識別模型,并采用網(wǎng)格化搜索及交叉驗證對隨機森林模型進行c∈(2,10)、ntree∈(1,100)的參數(shù)優(yōu)化。設(shè)置c、ntree的網(wǎng)格大小分別為1、10進行粗略搜尋,搜尋后鎖定c∈(2,10)、ntree∈(35,45),然后設(shè)置網(wǎng)格大小均為1對該區(qū)間進行精確尋優(yōu),兩次尋優(yōu)過程如圖5和圖6所示,最后確定c=8、ntree=42為隨機森林模型的最優(yōu)參數(shù)。

圖5 網(wǎng)格大小為1、10的區(qū)間鎖定Fig.5 Interval locking with grid size of 1 and 10

圖6 網(wǎng)格大小均為1的精確尋優(yōu)Fig.6 Accurate optimization with all grid sizes of 1

為選擇合適的窗口寬度,基于構(gòu)建的隨機森林模型對不同窗口寬度構(gòu)成的子窗口序列進行識別。圖7顯示了不同窗口的波動表征對識別精度的影響,可以看出,窗口寬度過小容易導(dǎo)致其波動率的變化范圍較大,造成對子窗口的波動模式的誤判而產(chǎn)生誤警現(xiàn)象;而窗口寬度過大時對異常數(shù)據(jù)的感知能力較弱,影響了異常波動預(yù)警的及時性。因此,采用窗口寬度為15、步長為1構(gòu)建紡紗質(zhì)量波動表征模型。

圖7 不同窗口的波動表征對識別精度的影響Fig.7 Influence of different window widths on recognition accuracy

基于窗口寬度為15、步長為1的波動表征模型及優(yōu)化隨機森林模型對401～500組樣本進行質(zhì)量波動異常預(yù)警,以一個窗口為單位進行該段細紗過程的窗口子序列劃分,形成86個窗口序列,并計算其指標異常波動率,依次對各子窗口進行模式識別,其波動模式輸出結(jié)果和滑動窗口移動過程分別如圖8和圖9所示。由圖8可以看出,實際窗口模式在第37個滑動窗口處發(fā)生波動模式的轉(zhuǎn)變。結(jié)合圖9的滑動窗口在樣本序列中的移動過程可知,此時滑動窗口移動到第51組(異常信號出現(xiàn))樣本處;而提出的隨機森林預(yù)警方法在異常信號出現(xiàn)后的第二個窗口識別出波動模式的轉(zhuǎn)變,此時滑動窗口移動到第52組樣本處,且此后一直維持異常波動模式,按照連續(xù)出現(xiàn)異常波動模式的預(yù)警策略,在第38個窗口發(fā)出預(yù)警信息,該模型的窗口波動模式識別率達到98.82%。

圖8 質(zhì)量波動模式輸出結(jié)果Fig.8 Output result of the quality fluctuation mode

圖9 滑動窗口模式識別圖解Fig.9 Sliding window pattern recognition diagram

3.4 不同算法對紡紗質(zhì)量波動預(yù)警效果的影響

為了分析構(gòu)建的質(zhì)量波動異常預(yù)警模型效果,采用窗口寬度為15、步長為1作為波動表征模型參數(shù),分別選取支持向量機(Support Vector Machine,SVM)和K-最近鄰算法(K-nearest neighbor, KNN)對401～500組數(shù)據(jù)進行窗口模式識別效果的對比分析。圖10和圖11顯示了不同算法的紡紗質(zhì)量波動模式識別結(jié)果,可以看出,基于SVM和KNN的紡紗過程質(zhì)量波動模式識別在異常初期無法及時預(yù)警,且在后續(xù)模式識別中還會將異常窗口模式誤判為正常窗口模式,導(dǎo)致漏警問題。

圖10 基于SVM的紡紗質(zhì)量波動模式識別Fig.10 Spinning quality fluctuation pattern recognition based on SVM

圖11 基于KNN的紡紗質(zhì)量波動模式識別Fig.11 Spinning quality fluctuation pattern recognition based on KNN

為進一步說明本文提出方法的有效性,表2統(tǒng)計了不同算法模型在波動模式識別過程中的效果對比。由表2可以看出,在波動模式識別準確率指標層面,基于SVM和KNN的紡紗過程質(zhì)量波動模式識別方法要遠低于基于隨機森林的方法,較易造成漏警和虛警問題;在預(yù)警時刻及時性的指標層面,所提方法在出現(xiàn)異常信號后的第2個窗口(第38個子窗口)就給出預(yù)警信息,相比KNN和SVM算法均提前進行了報警,說明所提方法可以對紡紗過程異常波動進行提前預(yù)警;在建模時間上,本文提出的方法略高于其他幾種算法,這是由于隨機森林屬于集成方法所致,但各方法建模時間均為毫秒級,并不會增加實際應(yīng)用的建模難度。綜上,本文所提方法在提高波動模式識別準確率和提前實現(xiàn)預(yù)警同時,不會增加實際應(yīng)用難度,較其他方法具有一定的優(yōu)異性。

表2 不同算法的紡紗質(zhì)量波動模式識別效果對比Tab.2 Comparison of spinning quality fluctuation pattern recognition effects for different algorithms

3.5 紡紗質(zhì)量異常波動溯源分析

基于細紗過程質(zhì)量波動異常預(yù)警結(jié)果,對其中的異常波動模式窗口進行異常溯源分析。對識別為異常窗口的48個窗口子序列的異常原因進行識別,識別結(jié)果如圖12所示。由圖12可以看出,前13個窗口子序列均為毛條含油異常,中間8個窗口為纖維細度異常,后續(xù)窗口為兩種異常波動的復(fù)合異常。識別結(jié)果與實際異常類型相符合且識別精度達到100%,說明提出的方法能夠在進行異常波動預(yù)警的同時,實現(xiàn)異常波動源頭的精準判斷,從而為生產(chǎn)人員提供了異常源信息,有效保證了紗線生產(chǎn)過程的持續(xù)穩(wěn)定。

圖12 紡紗質(zhì)量異常波動溯源分析Fig.12 Traceability analysis of abnormal fluctuation of spinning quality

4 結(jié) 論

本文針對紡紗過程質(zhì)量波動異常預(yù)警問題,提出了基于窗口波動模式識別的紡紗過程質(zhì)量波動異常預(yù)警方法。以紡紗過程中的細紗加工為例進行驗證,結(jié)果表明所提方法能夠有效對細紗過程的異常質(zhì)量波動進行及時準確的早期預(yù)警,并能實現(xiàn)異常信息的準確溯源,為保障整個紡紗生產(chǎn)過程的安全穩(wěn)定提供理論依據(jù)。

《絲綢》官網(wǎng)下載

中國知網(wǎng)下載