人工智能技术驱动的纺纱质量预测研究进展
Ｒｅｓｅａｒｃｈｐｒｏｇｒｅｓｓｏｎｙａｒｎｑｕａｌｉｔｙｐｒｅｄｉｃｔｉｏｎｂａｓｅｄｏｎａｒｔｉｆｉｃｉａｌｉｎｔｅｌｌｉｇｅｎｃｅｔｅｃｈｎｏｌｏｇｙ
赵薇玲１ꎬ３ꎬ４ꎬ章军辉２ꎬ３ꎬ４ꎬ陈明亮１ꎬ３ꎬ４ꎬ李㊀庆１ꎬ３ꎬ陈大鹏１ꎬ３
(１.中国科学院大学集成电路学院ꎬ北京１０００４９ꎻ２.常熟理工学院电气与自动化工程学院ꎬ江苏苏州２１５５００ꎻ
３.无锡物联网创新中心有限公司ꎬ江苏无锡２１４１３５ꎻ４.昆山微电子技术研究院ꎬ江苏苏州２１５３４７)
摘要：本文探讨了人工智能技术在纺纱质量预测领域的应用㊁创新与不足ꎬ介绍了Ｈａｄｏｏｐ技术为纺纱质量预测建模提供可靠高效的数据处理与运算平台ꎬ重点阐述了智能建模方法在纺纱质量预测领域的研究进展ꎮ通过分析得出基于数据与知识融合驱动的人工智能技术ꎬ构建出多工序关联的混合智能模型ꎬ用以准确描述纱线质量与纤维特性㊁工艺参数㊁环境参数等之间的非线性映射关系ꎬ可为试纺㊁过程参数设计㊁态势预测等环节提供指导ꎬ具有重要的理论研究意义ꎮ
关键词：纺纱质量预测ꎻ人工智能ꎻＨａｄｏｏｐ技术ꎻ混合智能模型ꎻ目标优化ꎻ发展趋势中图分类号:Ｔ
Ｓ１０４.７㊀㊀㊀㊀文献标志码:Ａ㊀㊀㊀㊀文章编号:１００１７００３(２０２３)０４００６１１０
引用页码:０４１１０９
ＤＯＩ:１０.３９６９/ｊ.ｉｓｓｎ.１００１￣７００３.２０２３.０４.００９
收稿日期:２０２２０７１５ꎻ修回日期:２０２３０３０３基金项目：江苏省博士后科研资助计划项目(２０２０Ｚ４１１)作者简介：赵薇玲(１９９８
)ꎬ女ꎬ硕士研究生ꎬ研究方向为人工智能㊁
工业大数据建模ꎮ通信作者：章军辉ꎬ博士ꎬｚｈａｎｇｊｕｎｈｕｉ＠ｉｍｅ.ａｃ.ｃｎꎮ
㊀㊀纺纱是纺织产业链中的首道工序ꎬ根据纺织技术的不同ꎬ可以分为环锭纺㊁转杯纺㊁喷气纺及其他新型纺纱ꎬ不管什么类型的纱线都会受原料质量㊁工艺参数等因素的影响ꎬ进而影响到织造㊁印染等后道工序的品质ꎮ科学合理的纺纱质量预测不仅能够减少原料浪费㊁提升纱线质量ꎬ还可以协调成本与质量的相互关系ꎮ高效准确的底层数据支撑㊁合理的特征因素及有效的预测模型都决定了纺纱质量预测的有效性ꎬ甚至关系到试纺㊁工艺优化等任务的进一步开展[１]ꎮ毛羽㊁强度㊁条干不匀率㊁断裂伸长率等纱线质量指标是纺纱工序中的重要预测目标ꎮ决定成纱质量的两个关键因素是原料性能和纺纱工艺相关参数ꎬ因此预测模型的输入特征通常是纤维长度㊁纤维强度㊁马克隆值㊁断裂伸长率㊁长度不匀率等棉纤维属性ꎬ
纤维长度㊁纤维线密度㊁短毛率㊁离散系数等毛纤维属性及其他纤维属性ꎬ捻度㊁混纺比等纺纱参数ꎬ锭子㊁罗拉等环锭纺设备参数ꎬ转杯类型㊁转杯直径等转杯纺设备参数ꎬ以及其他机器部件的速度㊁某些设备之间的距离等[２]ꎮ人工智能方法和统计方法是建立纺纱质量预测模型的两种主要方法ꎬ人工智能方法的预测比统计方法更加准确ꎬ因此研究人员在人工智
能方法应用于纺纱制造过程建模研究中取得了许多研究成果[３]ꎮ
人工智能技术在纺纱行业有多种应用ꎬ尤其是检测和预测纱线的质量参数方面ꎮ通过适当模拟不同纱线类型的生产过程ꎬ智能建模可以改善纱线性能评估和整体质量控制[４]ꎮ探讨人工智能技术在纺纱质量预测领域中的应用ꎬ在理论上可以深化对纱线工艺制造的认识ꎬ在实际应用中对于发展新的预测模型及优化方向也具有重要指导意义[５]ꎮ
本文介绍了Ｈａｄｏｏｐ技术在整个纺纱质量预测建模流程中ꎬ作为数据处理与运算平台的优势ꎬ重点阐述了人工智能技术在纺纱质量预测领域的研究现状ꎬ最后对纺纱质量预测研究的共性问题及发展趋势进行了总结与展望ꎮ
１㊀纺纱工业大数据处理
１.１㊀数据获取
针对纺纱车间设备互联困难㊁不同系统间 信息孤岛 等问题ꎬ一直以来没有广泛认可的一体化解决方案ꎬ随着网络技术和新兴技术的发展ꎬ多种网络连接技术和通信技术为
设备间的互联及数据交互的低时延㊁高可靠性提供了基础设施保障和技术支撑ꎮ现有的典型技术有现场总线㊁工业以太网㊁工业无线㊁５Ｇ等ꎻ新兴技术有边缘计算㊁软件定义网络(ＳＤＮ)㊁时间敏感网络(ＴＳＮ)等[６]ꎮ现场总线结合
工业以太网完成纺纱设备物理层和链路层的数据传输ꎬ利用ＰＬＣ㊁ＲＦＩＤ㊁智能化设备接口和人工辅助等多种数据采集方式ꎬ通过ＰＬＣ扩展模块㊁网关㊁总线桥㊁工业交换机和以太网模块等设备完成现场总线组网ꎬ总线网络向上集成工业以太网ꎬ以ＴＣＰ/ＩＰ作为公共协议ꎬ采用 多对一 方式实现多协议的集成ꎬ是未来纺纱工业互联互通的主要实施路径[７]ꎮ
１.２㊀数据预处理
１.２.１㊀数据集成
由于纺纱生产制造工序较长ꎬ生产数据种类繁多ꎬ分布分散ꎬ数据量大ꎬ超越了传统的存储方式和数据库管理工具的功能范围ꎬ从而导致企业面临数据存储能力不足㊁数据处理繁琐复杂等困境ꎮ随着大数据技术的成熟和发展ꎬ依托大数据存储与处理技术可以实现海量纺织数据的可靠存储和高效运算ꎮＨａｄｏｏｐ
已经成为大数据技术领域中成熟的代表ꎬ它具有分布式存储和计算的优势ꎬ是一个弹性可扩展式的开源软件框架ꎬ用户根据应用需求在其基础上构建模块ꎬ共同组成Ｈａｄｏｏｐ生态系统ꎮＨａｄｏｏｐ包含Ｈａｄｏｏｐ分布式文件系统和ＭａｐＲｅｄｕｃｅ计算引擎两个主要组件ꎬ其他常用组件有Ｈｂａｓｅ分布式数据库㊁Ｈｉｖｅ数据仓库工具等[８]ꎮ
先进的纺纱企业或相关研究机构已经开始应用Ｈａｄｏｏｐ技术构建自己的纺纱大数据平台ꎬ依托大数据架构实现纺织制造执行系统的改造升级[９]ꎮ邵景峰等[１０]基于Ｈａｄｏｏｐ技术构建集成管理平台ꎬ融合集成全流程纺纱生产数据ꎬ利用智能建模技术挖掘影响纺纱质量的关键因素ꎬ分析车间运行的潜在规律ꎬ为在线质量检测提供技术支撑ꎮ
传统数据库对于大规模数据存储有限㊁处理缓慢ꎬ在一些开展数字化转型的纺纱企业所构建的制造执行架构模型中ꎬ以分布式数据库作为底层服务ꎬ集中管理㊁传递和存储数据[１１]ꎮ冯立增等[１２]提出ＨＢａｓｅ与ＭｙＳＱＬ双数据库存储方式来改进现有纺织信息系统的传统数据存储方式ꎬ其数据集成与处理平台设计如图１所示ꎮ先将采集到的各工序生产数据存入ＨＢａｓｅ中ꎬ便于系统快速更新ꎬ基于并行计算模式经过质量智能分析后ꎬ再将数据存入ＭｙＳＱＬ数据库中进行基础操作ꎮＨＢａｓｅ能够对与纱线质量相关联的各工序参数快速扫描并获取相关数据ꎬ为质量预测等数据分析操作提供高效㊁准确的数据支持ꎬ支撑顶层的多维分析与生产应用
ꎮ
图１㊀基于Ｈａｄｏｏｐ技术的数据集成与处理平台设计
Ｆｉｇ.１㊀Ｄｅｓｉｇｎｏｆｄａｔａｉｎｔｅｇｒａｔｉｏｎａｎｄｐｒｏｃｅｓｓｉｎｇ
ｐｌａｔｆｏｒｍｂａｓｅｄｏｎＨａｄｏｏｐ
㊀㊀图２是基于Ｈａｄｏｏｐ大数据平台的纺纱质量预测系统总体框架ꎬ整体框架一般为三层：数据存储层㊁数据处理层和数据应用层ꎮ数据存储层主要是存储纺纱生产环境中产生的数据ꎬ将全流程数据进行融合ꎬ过滤处理后进行分布式存储ꎻ数据处理层经过数据预处理后利用先进的智能方法建立纺纱质量预测模型ꎬ进行快速分析ꎻ数据应用层是根据预测结果为企业生产提供决策支持
ꎮ
图２㊀基于Ｈａｄｏｏｐ技术的纺纱质量预测系统总体框架
Ｆｉｇ.２㊀Ｇｅｎｅｒａｌｆｒａｍｅｗｏｒｋｏｆｓｐｉｎｎｉｎｇｑｕａｌｉｔｙ
ｐｒｅｄｉｃｔｉｏｎｓｙｓｔｅｍｂａｓｅｄｏｎＨａｄｏｏｐ
根据前述有关纺织行业的解决方案可以看出ꎬ基于Ｈａｄｏｏｐ技术的大数据驱动框架ꎬ建立纺纱质量预测模型的数
据处理与分析平台具有重要意义ꎮ以大数据平台为载体ꎬ依赖于并行计算方式ꎬ同时构建适应于海量数据的纺纱质量预测算法与模型ꎬ挖掘出纺纱数据之间潜在的关系和价值ꎬ从而根据结果进行纺织行业的预测与研判[１３￣１６]ꎮ
１.２.２㊀数据清洗
根据业务和场景应用的需求ꎬ通过Ｈｉｖｅ数据仓库工具将
ＳＱＬ语句转换为ＭａｐＲｅｄｕｃｅ任务ꎬ对数据集中存在的重复和极值进行剔除ꎬ对缺失值采取删除
或填充操作ꎬ填充方法包括全局变量等通用方式和专家推理预测方法[１７]ꎮ最后ꎬ根据清洗需求进行合理的数据转换ꎬ如图３所示
ꎮ
图３㊀基于Ｈａｄｏｏｐ技术的数据清洗Ｆｉｇ.３㊀ＤａｔａｃｌｅａｎｉｎｇｂａｓｅｄｏｎＨａｄｏｏｐ
１.２.３㊀特征优化
纺纱生产过程中与纱线质量相关联的因素众多ꎬ数据量
大ꎬ如何在海量纺纱数据中获取高质量数据以减少计算资源是研究者们关注的问题之一ꎮ在预测建模前ꎬ多数研究会对相关特征变量的重要性进行评估ꎬ评估结果影响建模分析效率和模型预测精度ꎮ主成分分析(ＰｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓꎬＰＣＡ)与方差分析(ＡｎａｌｙｓｉｓｏｆｖａｒｉａｎｃｅꎬＡＮＯＶＡ)是纺纱智能建模前进行特征变量选择的重要方法
[１８￣２１]
ꎮ从处理方式来
看ꎬＰＣＡ侧重于数据量压缩和降低计算成本ꎬＡＮＯＶＡ更注重特征与预测目标之间的关联性
[２２]
ꎮ其他特征优化方法还包
正则化是最小化策略的实现括：灰关联分析[２３￣２５]㊁敏感性分析[２６]㊁逐步回归分析[２７]及专家经验结合皮尔森系数[１７]等方法ꎮ利用这些方式进行特征优化后ꎬ不仅加快了预测模型的运行速度ꎬ还提高了模型预测精确度ꎮ
针对维度高㊁数据类型复杂的情形ꎬ聚类分析也有利于快速提取有效数据[２８￣２９]ꎮ为了提升聚类算法面向大规模纺纱数据的全局寻优能力ꎬ邵景峰等[３０]提出了分布式聚类算法ꎬ在面向分布式环境下该算法与传统Ｋ￣ｍｅａｎｓ聚类算法相比ꎬ体现出全局寻优能力更强㊁收敛平稳和速度快的优势ꎮ
１.２.４㊀数据变换
ｍａｘ￣ｍｉｎ标准化和ｚ￣ｓｃｏｒｅ变换是消除不同量纲对模型影
响的常用方法ꎮ纺纱理论研究通常采用ｍａｘ￣ｍｉｎ方法进行数据变换ꎬ如下式所示:
ｘ∗＝
ｘ－ｘｍｉｎｘｍａｘ－ｘｍｉｎ
(１)
式中:ｘ∗为纺纱生产数据规范化后的值ꎻｘ为纺纱生产数据原始值ꎻｘｍｉｎ为纺纱生产数据最小值ꎻｘｍａｘ为纺纱生产数据最大值ꎮ
２㊀人工智能预测方法
２.１㊀基于数据驱动的方法
支持向量机(ＳｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｓꎬＳＶＭ)实施结构风
险最小化原则ꎬ具有良好的模型泛化能力ꎬ适用于小样本建模ꎮ在基于ＳＶＭ的纺纱质量预测研究中ꎬＧｈｏｓｈ等[３１]以纤维参数预测棉纱的强度㊁断裂伸长率㊁不均匀度和毛羽ꎬＳＶＭ模型训练和测试预测精度都高于ＡＮＮ模型ꎬ并且在噪声数据下ＳＶＭ比ＡＮＮ更能保持预测稳定性ꎮ项前等[３２]和谷有众等[３３]同样基于小样本验证了ＳＶＭ的泛化能力ꎮ此外ꎬ针对ＳＶＭ模型核函数和参数确定的问题ꎬ对于多数纱线特性ꎬ
径向基核函数略占优势ꎬ更为常用[３４]ꎮ传统的参数优化方法如经验法㊁试错法和网格搜索法等费时且容易陷入局部最优ꎬ吕志军等[３５]给出了遗传算法(ＧｅｎｅｔｉｃａｌｇｏｒｉｔｈｍꎬＧＡ)优化参数的策略ꎬ优化后的纱线强度预测模型的预测精度有所提高ꎬ支持向量机个数减少ꎬ增强了模型泛化性能ꎬ但是模型仅以纤维性能指标预测纱线强度ꎬ模型输入和输出类型单一ꎮ宋楚平等[３６]指出这一问题ꎬ添
加了设计参数如捻度ꎬ设备上机参数如牵伸倍数等作为模型输入ꎬ利用案例推理与ＧＡ优化的ＳＶＭ预测模型建立生产工艺优化方案ꎮ在后续研究中ꎬ模型输入输出多样性逐渐增强ꎬ相关研究考虑的影响因素和纱线质量指标越来越多ꎬ预测模型也更加复杂ꎮ
大量研究开发了ＡＮＮ模型与统计模型同时预测纱线质量特性ꎬ普遍得出了ＡＮＮ模型结果更加可靠精确的结论ꎬ主要归因于ＡＮＮ模型具有很强的非线性拟合能力[３７￣４３]ꎮＢＰ网络(ＢａｃｋｐｒｏｐａｇａｔｉｏｎｎｅｔｗｏｒｋｓꎬＢＰ)及其变化形式是主流的ＡＮＮ模型ꎬ相关研究验证了其应用于纱线质量预测的可行性和有效性[４ꎬ４４]ꎮ为了克服ＢＰ网络训练效率低㊁易陷入局部最优等不足ꎬ纺织学者们还将径向基神经网络(Ｒａｄｉａｌ
ｂａｓｉｓｆｕｎｃｔｉｏｎｎｅｕｒａｌｎｅｔｗｏｒｋꎬＲＢＦ)应用于纱线质量预测ꎮＲＢＦ网络有极佳的逼近特性ꎬ收敛性好㊁训练速度快且不存在局部最小问题ꎬ模型结构具有适应性ꎬ相比ＢＰ网络呈
现出较好的预测精确度和收敛能力[４５￣４６]ꎮ然而李翔等[４７]在精纺毛纱的条干不匀率和断裂强度预测研究中曾指出ꎬ在精度要求相同前提下ꎬＢＰ网络对于异常样本的容错能力更强ꎮ
ＡＮＮ模型结构或重要参数的优化也在相关文献中被广泛讨论ꎮ例如ꎬ比较各类训练算法如ＬＭ算法[２２ꎬ４８￣５０]㊁贝叶斯正则化算法[５１]等对于模型预测结果的影响ꎬ通过试错法或经验法判断最佳隐
层数量和隐层神经元个数[５２￣５３]ꎮＧｈｏｒｂａｎｉ等[５４]研究了不同隐层数量㊁隐层神经元个数㊁训练算法和激活函数下的ＡＮＮ模型ꎬ隐层数量和神经元个数以预测精度为评判标准ꎬ后几项主要看训练速度和消耗内存ꎮ结果表明ꎬ具有两个隐层ꎬ每个隐层有８个神经元ꎬ使用ＬＭ算法的网络预测纱线毛羽最准确ꎮ
与ＳＶＭ模型类似ꎬＡＮＮ模型结合智算法能够实现模型参数调优ꎬ使得模型更加快速准确地收敛ꎬ如基于遗传算法优化的ＢＰ网络可以提高纱线质量预测模型的预测精度和稳定性ꎬ其性能优于单一ＢＰ网络[５５]ꎮ在ＧＡ算法优化ＡＮＮ模型的研究中ꎬ研究人员还对ＧＡ算法的编码方式㊁适应度函数的设计㊁遗传算子机理等方面进行改进ꎬ如思维进化算法(ＭｉｎｄｅｖｏｌｕｔｉｏｎａｒｙａｌｇｏｒｉｔｈｍꎬＭＥＡ)[５６]㊁免疫遗传算法(ＩｍｍｕｎｅｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍꎬＩＧＡ)[５７￣５８]与遗传模拟退火算法(ＧｅｎｅｔｉｃｓｉｍｕｌａｔｉｏｎａｎｎｅａｌｉｎｇａｌｇｏｒｉｔｈｍꎬＧＳＡＡ)[５９]等ꎮ这些研究主要解决ＧＡ迭代冗余㊁后期无法成熟收敛的问题ꎬ也验证了基于混合优化算法的纱线质量预测模型比基于ＧＡ的模型预测精度和泛化性能更好ꎮ
除了模型参数的搜索寻优ꎬ体智能算法还被用于反演纱线原料性能等参数ꎬ即通过重要质量特性等目标建立反演模型ꎬ推导出最佳纤维㊁工艺等参数组合[６０]ꎮ由于纱线质量指标多且可能相互冲突ꎬ需要转化为多目标优化问题获取最优解集ꎮＢａｒｚｏｋｉ等[６１￣６２]建立了两个有关纱线强度和纤维质量的优化目标ꎬ旨在利用非支配排序遗传算法(Ｎｏｎ￣ｄｏｍｉｎａｔｅｄｓｏｒｔｉｎｇｇｅｎｅｔｉ
ｃａｌｇｏｒｉｔｈｍⅡꎬＮＳＧＡ￣Ⅱ)制定纱线质量较好且成本较低的配棉方案ꎮ在此工作基础上ꎬＣｈａｋｒａｂｏｒｔｙ等[６３]采用包含ＮＳＧＡ￣Ⅱ在内的四种智算法对纱线质量特性进行多目标优化ꎬ粒子算法的优化性能优于其他算法ꎮ这些研究注重优化目标的建立和优化算法的选取ꎬ获得最优解集之后ꎬ涉及为企业提供指导的决策问题较少被提到ꎮ
相关研究尝试了一些新型优化算法ꎬ如灰狼算法和帝王蝶算法等ꎮＨａｄａｖａｎｄｉ等[６４￣６５]将灰狼算法作为赛洛纺纱线强度预测模型的权值优化器ꎬ与其他三种基于传统智算法的模型相比具有更高的预测精度ꎬ并且根据类似研究得出帝王蝶算法同样有效ꎮ目前新型优化算法在纺纱理论研究中应用相对较少ꎬ其适用性和通用性尚有待深入ꎮ
目前深度学习模型在纺纱质量相关研究中应用相对较少ꎬ其主要原因在于样本数据规模㊁类型有限ꎮ胡臻龙等[６６￣６７]基于卷积神经网络(ＣｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓꎬＣＮＮ)建立深度神经网络预测模型ꎬ将纤维㊁设备和工艺参数等多个特征参数作为模型输入ꎬ其预测误差相比浅层ＡＮＮ和ＭＬＲ均控制在１％以内ꎮ在后续研究中ꎬ考虑到纺纱生产前纺工序对于纱线最终质量的影响ꎬ又基于长短期记忆网络(Ｌｏｎｇｓｈｏｒｔ￣ｔｅｒｍｍｅｍｏｒｙꎬＬＳＴＭ)建立了考虑纺纱时序性的深度预测模型ꎬ如图４所示ꎬ所考虑的时序性体现每个ＬＳＴＭ单元对应纺纱生产不同工序的设备参数ꎬ前纺工序与后纺之间存在的关联及对最终纱线质量的影响ꎮ其结果表明ꎬＬＳＴＭ模型在动态工序数据集上的预测精度比不考虑时序性的人工智能模型高
ꎮ
图４㊀基于ＣＮＮ￣ＬＳＴＭ的多工序纺纱质量预测模型
Ｆｉｇ.４㊀Ｍｕｌｔｉ￣ｐｒｏｃｅｓｓｓｐｉｎｎｉｎｇｑｕａｌｉｔｙｐｒｅｄｉｃｔｉｏｎ
ｍｏｄｅｌｂａｓｅｄｏｎＣＮＮ￣ＬＳＴＭ
大量纺纱理论研究集中在多个特征参数与纱线质量之间的非线性逼近ꎬ没有根据工业数据的动态时序性特点考虑有关质量的态势预测问题ꎮ在同一批原料的前提下ꎬ纺纱加工过程产生的数据随时间变化ꎬ如机器部件的速度等特征参数ꎬ而这些数据的实时性可能映射出更加准确的纱线质量ꎬ使得生产模拟更加真实ꎮ利用流行的时序分析方法ꎬ如ＬＳＴＭ㊁门控循环单元网络(ＧａｔｅｄｒｅｃｕｒｒｅｎｔｕｎｉｔꎬＧＲＵ)等建立多工序关联的人工智能模型ꎬ学习工序之间㊁时序之间的相关性ꎬ预测未来的质量态势ꎬ还可延伸至工艺优化㊁质量异常追踪和在线质量检测等领域ꎮ
目前的纺纱质量预测研究主要应用于试纺和工艺优化两方面ꎮ在基于数据驱动的智能建模技术体系中ꎬ结合体智
能算法建立的混合智能模型比单一模型具有更大的灵活性ꎬ是目前提高预测性能的普遍做法[２７]ꎮ
２.２㊀基于知识驱动的方法
模糊方法建立在模糊规则之上ꎬ模糊推理通过制定模糊逻辑将给定输入映射为输出ꎬ相对于人工神经网络来说适用于不精确㊁模糊的或不完备的数据建模ꎬ不需要大量示例数据来训练模型ꎮ最常用的两种模糊推理算法为Ｍａｍｄａｎｉ型和Ｓｕｇｅｎｏ型[６８]ꎮ
研究人员将模糊方法应用到纺纱质量预测领域ꎬ通过模糊规则提取和模糊系统结构优化等方面ꎬ主要解决如何提高模型精度㊁保持算法效率ꎬ同时兼顾完备性和鲁棒性及提高可解释性等问题ꎮ
在针对模糊规则优化和模糊系统结构参数优化方面ꎬ主要通过智算法和神经网络这两种优化技术以混合方式实现ꎮ如遗传算法可以从数值数据中自动生成模糊规则[２７]ꎬ还可以进行隶属函数参数调优[６９]ꎬ提高模糊系统预测精度ꎮ神经网络结合模糊系统同时具有易于表达和自适应学习的能力ꎬ其中自适应模糊神经推理系统(ＡｄａｐｔｉｖｅｎｅｕｒｏｆｕｚｚｙｉｎｆｅｒｅｎｃｅｓｙｓｔｅｍꎬＡＮＦＩＳ)在与ＳＶＭ㊁ＡＮＮ的对比中体现出了学习能力强和预测精度高的优点[７０￣７２]ꎮ
前述解决问题的总体思想是利用数据驱动方式强大的寻优能力实现知识驱动方法中结构或参数的优化ꎬ即数据调优的知识驱动方法ꎬ旨在减少依靠专家制定的知识规则ꎮ知识驱动方法与数据驱动方法的协同驱动可以体现为数据调优的知识驱动ꎬ知识增强的数据驱动及并联或串联的互补结合[７３]ꎮ在纺纱质量预测研究中ꎬ神经模糊系统是知识与数据的互补并联结合ꎮ除此之外ꎬＧｈａｎｍｉ等[７４￣７５]利用了一种级联模式下的神经模糊混合模型来预测全局质量指标ꎬ根据乌斯特统计数据建立几种纱线特性与整
体质量指数的规则ꎬ将ＡＮＮ预测的多种纱线质量特性作为第二阶段模糊专家系统的输入ꎬ预测输出综合质量指标ꎮ这个两阶段预测方法也体现了知识与数据的串联互补结合思想ꎮ
研究人员利用各种数据驱动方式致力于降低专家经验的依赖性ꎬ但并不能完全由数据策略代替现有规则ꎮ知识驱动方法可解释性强㊁执行效率高ꎬ但存在难以自学习㊁获取知识困难等缺点ꎻ数据驱动方法通用性强㊁可持续学习ꎬ但需要具备高质量数据㊁强大算力等基本条件ꎮ可见知识驱动方法与数据驱动方法各有优势和不足ꎬ将数据驱动方法与知识驱动方法相结合ꎬ如利用数据驱动方法的预测分析ꎬ结合知识驱动方法的智能决策等ꎬ有望为纺纱领域研究提供更多思路ꎮ综上所述ꎬ近年来相关研究中典型人工智能预测方法的对比如表１所示ꎮ
表１㊀人工智能预测方法
Ｔａｂ.１㊀Ａｒｔｉｆｉｃｉａｌｉｎｔｅｌｌｉｇｅｎｃｅｐｒｅｄｉｃｔｉｎｇｍｅｔｈｏｄ
ＳＶＭＡＮＮ
度高[３１￣３２]
ＧＡ￣ＳＶＭＳＶＭ预测精度提升ꎬ泛化性能
提高[３３ꎬ３５￣３６]
ＢＰＭＬＲ预测精度高ꎬ非线性拟合
能力强[３７ꎬ４３]
ＲＢＦＢＰ收敛速度快ꎬ预测精度较
高ꎬ容错能力较弱[４５￣４７]ＧＡ￣ＡＮＮＡＮＮ预测精度提升ꎬ稳定性
更好[５５]
ＭＥＡ￣ＡＮＮＡＮＮ提升预测精度[５６]
ＩＧＡ￣ＡＮＮＡＮＮ㊁ＧＡ￣ＡＮＮ预测精度提升ꎬ预测效率
提升[５７￣５８]
ＧＳＡＡ￣ＡＮＮＡＮＮ㊁ＧＡ￣ＡＮＮ预测精度提升ꎬ稳定性
更好[５９]
ＮＳＧＡ￣Ⅱ￣ＡＮＮＧＡ￣ＡＮＮ可实现多目标优化[６０￣６３]深度神经网络浅层ＡＮＮ㊁ＭＬＲ
预测精度提升ꎬ可表达时
序性[６６￣６７]
ＧＡ￣ＦｕｚｚｙｌｏｇｉｃＦｕｚｚｙｌｏｇｉｃ预测精度提升[２７ꎬ６９]２.３㊀模型评估
预测模型评估指标主要包括:
１)预测精度ꎮ通过比较实测值与预测值的一致性或近似误差来评估模型的预测精度[５５]ꎬ常用的统计学指标有相关系数(Ｒ)㊁决定系数(Ｒ２)㊁平均绝对误差㊁均方误差㊁均方根误差等ꎮ
２)泛化能力(稳定性)ꎮ利用交叉验证或适当分配数据集方式多次测试ꎬ以检验模型的泛化能力ꎮ
３)收敛速度ꎮ一般以算法整体响应时间为主ꎮ
３㊀共性问题及发展趋势
如何建立一个合理有效的纺纱质量预测模型一直是纺织领域的一个热点㊁难点问题ꎮ基于海量纺纱数据集成处理㊁现有模型适用性较低及各加工工序之间的强相关性无法被有效表达等视角ꎬ本文对纺纱质量预测的共性问题及发展趋势进行了总结与展望ꎮ
１)由于对分散的纺纱生产数据缺乏集成管理ꎬ纺纱质量预测缺少高效高可用的底层数据支撑ꎬ同时预测算法和模型也不具备面向海量数据的分析能力ꎮ建立基于Ｈａｄｏｏｐ技术的纺纱质量预测系统ꎬ融合集成全流程纺纱生产数据ꎬ利用大数据关联分析技术挖掘影响纺纱质量的关键因素ꎬ同时提出适应海量数据的纺纱质量预测模型ꎬ提高模型在海量数据环境下的稳定性和精确度ꎮ

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。