引用格式：邵铁锋, 黄程卓, 孙卫红, 等. 基于LSSA-LSSVM 的蚕茧解舒质量预测模型[J]. 中国测试，2023, 49(7): 48-53. SHAO Tiefeng, HUANG Chengzhuo, SUN Weihong, et al. Prediction model of cocoon reeling quality based on LSSA-LSSVM[J]. China Measurement & Test, 2023, 49(7): 48-53. DOI
: 10.11857/j.issn.1674-5124.2022040169
基于LSSA-LSSVM 的蚕茧解舒质量预测模型
邵铁锋1,2， 黄程卓1,2， 孙卫红1,2， 梁  曼1,2， 赵卫章3， 杨  华4
(1. 中国计量大学机电工程学院，浙江 杭州 310018; 2. 中国计量大学茧丝绸质量检测技术研究所，浙江 杭州 310018;
3. 淮安市纤维检验所，江苏 淮安 223001;
4. 山东省纤维质量监测中心，山东 济南 250021)
摘　要: 针对煮茧工艺优化需根据解舒质量反复人工试煮而造成生产效率低、原料浪费等问题，基于LSSA-LSSVM 算法，提出一种面向纤检机构真空减压煮茧工艺的蚕茧解舒质量预测模型。首先，提取蚕茧质量特性、真空减压煮茧工艺参数与解舒质量变量作为最小二乘支持向量机（LSSVM ）的输入与输出变量。其次，引入拉丁超立方抽样方法（LHS ）与Levy 飞行策略优化原始麻雀搜索算法的初始化方式与位置更新方式，获得改进的麻雀搜索算法（LSSA ）。最后，利用LSSA 得到LSSVM 的最优超参数组合(γ*，σ2*)，建立解舒质量预测模型。实验结果表明，该模型预测准确率均值可达94.75%，预测时间均值为0.15 s ，满足煮茧工艺精度与实时性要求，可用于煮茧工艺参数仿真优化，进而减少试煮次数，提高生产效率，该方法同时可推广至缫丝企业。关键词: 煮茧; 解舒质量; 改进的麻雀搜索算法; 最小二乘支持向量机中图分类号: TP181; TS143; TB9文献标志码: A
文章编号: 1674–5124(2023)07–0048–06
Prediction model of cocoon reeling quality based on LSSA-LSSVM
SHAO Tiefeng 1,2,  HUANG Chengzhuo 1,2,  SUN Weihong 1,2,  LIANG Man 1,2,  ZHAO Weizhang 3,  YANG Hua 4(1. College of Mechanical and Electrical Engineering, China Jiliang University, Hangzhou 310018, China; 2. Cocoon and Silk Quality Inspection Technology Institute, China Jiliang University, Hangzhou 310018, China; 3. Huaian Fiber
Inspection Institute, Huaian 223001, China; 4. Shandong Fiber Inspection Institute, Jinan 250021, China)
Abstract : Aiming at the problem of low production efficiency and waste of raw materials caused by repeated manual  trial  cooking  according  to  the  reeling  quality  in  cocoon  cooking  process  optimization, based  on  the LSSA-LSSVM algorithm, a prediction model of cocoon reeling quality for the vacuum decompression cocoon cooking  process  of  fiber  inspection  institutions  is  proposed. Firstly, the  cocoon  quality  characteristics, the vacuum decompression cocoon cooking process parameters and the reeling quality variables were screened as the  input  and  output  variables  of  the  least  squares  support  vector  machine  (LSSVM). Secondly, improved sparrow search algorithm ( LSSA ) was acquired by introducing Latin Hypercube Sampling ( LHS ) and Levy Flight  Strategy  to 
optimize  the  initialization  and  location  update  of  the  original  sparrow  search  algorithm.Finally, The optimal super parameter combination (γ*, σ2*) of LSSVM was acquired by the improved sparrow
收稿日期: 2022-04-26；收到修改稿日期: 2022-07-22
基金项目: 市场监管总局科技计划项目（S2021MK0217）；浙江省公益技术应用研究项目（LGG20E050014）
作者简介: 邵铁锋（1982-），男，浙江杭州市人，讲师，硕士生导师，博士，主要研究方向为机器人技术、茧丝自动化检验装置相关研究。
第 49 卷 第 7 期中国测试
Vol.49  No.72023 年 7 月
CHINA MEASUREMENT & TEST July, 2023
search algorithm ( LSSA ). And the prediction model of reeling quality was established. The experimental results show that the average prediction accuracy of the model can reach 94.75%, and the average prediction time is 0.15 s, which meets the requirements of cocoon cooking process accura
cy and real-time, and can be used for the simulation and optimization of cocoon cooking process parameters, thus reducing the number of trial cooking and improving production efficiency.
Keywords: cocoon cooking; reeling quality; improved sparrow search algorithm; least squares support vector machine
0    引　言
煮茧是缫丝前的一项重要工序，其基本原理是根据茧质情况，利用特定的渗透方法及温度条件使茧层丝胶溶解适当，便于缫丝工序中茧丝顺序离解[1]。煮茧质量的优劣直接关系到缫丝中解舒率、解舒丝长、万米吊糙、丝胶溶失率等质量指标，进而影响缫丝的产量、质量及耗损，而煮茧工艺直接影响煮茧质量[2]。当前，国内大多纤检机构仍采用“试煮试缫法”[3]验证煮茧工艺方案的可行性，但流程繁琐、耗时久、原料浪费等问题严重影响生丝的生产效率以及检验进度。
传统“试煮试缫方法”过程中，一般由经验丰富的技术人员凭借触感探索煮茧工艺[4]，试煮工艺取决于人工感官经验，缺乏客观性，可移植性差，且严重依赖人工经验。因此，针对国内纤检机构常用的真空减压煮茧工艺，本文提出一种基于LSSA-LSSVM 的蚕茧解舒质量预测模型，提取蚕茧质量特性、真空减压煮茧工艺特征与解舒质量指标，利用最小二乘支持向量机（LSSVM）构建解舒质量预测模型，通过改进的麻雀搜索算法（LSSA）对LSSVM模型进行超参数组合优化，以自动获取最优超参数并构建蚕茧质
量特性、真空减压煮茧工艺参数与解舒质量指标的非线性关系预测模型。
1    特征变量选择与预处理
1.1    特征变量选择
蚕茧解舒质量是由蚕茧质量特性和煮茧工艺共同决定[5]。因此，本文在缫丝参数、生产环境等因素保持固定的条件下，选用相同品种及庄口的原料茧作为实验样品，采用当前应用较为广泛的真空减压煮茧工艺[6]，研究蚕茧质量特性、煮茧工艺参数与解舒质量之间的关系。
鉴于同品种同庄口原料茧的差异主要体现在缩皱程度x1、茧层硬度x2、茧层率x3、上车茧率x4与次茧率x5五项茧质特性上，故将上述蚕茧质量特性作为茧质输入变量。而真空减压煮茧工艺中选取真空渗透工序的真空度x6、过程时间x7；低温渗透中的真空度x8、温度x9，过程时间x10、保持时间x11；蒸汽吐水中的温度x12、过程时间x13；高温水煮中的温度x14、过程时间x15、保持时间x16；降温出茧中的温度x17、过程时间x18、出水温度x19、总耗时x20作为工艺输入变量；参照检验机构实际检验要求，选取解舒质量指标中的解舒率y1、解舒丝长y2、万米吊糙y3、丝胶溶解率y4作为输出变量[2]。输入输出变量关系如图1所示。
输入变量x输出变量y
图 1    输入输出变量关系图
1.2    特征变量预处理
按数据类型将上述输入输出变量分为定性与定量数据。其中，茧质缩皱程度和茧层硬度均为定性数据，两者皆由茧质检测人员评定，缩皱可分为“细而均匀”、“均匀适中”、“粗乱不均”，茧层硬度可分为“硬”、“中”、“软”。本文按照以下规则进行变量数字化：
缩皱程度：细而均匀 0、均匀适中 0.5、粗乱不均 1。
茧层硬度：硬 0、中 0.5、软 1。
第 49 卷 第 7 期邵铁锋，等：基于LSSA-LSSVM的蚕茧解舒质量预测模型49
而其余变量均为定量数据，采用归一化处理以
x ′式中：——归一化后的变量值；
x ——原始特征变量；
x max ——特征变量中的最大值；
x min ——特征变量中的最小值。
2    蚕茧解舒质量预测模型构建及改进
2.1    LSSVM 蚕茧解舒质量预测模型构建
,
···，蚕茧解舒质量预测可近似看成一个函数回归问题，训练样本集{x i ,y i }（x i ∈R p 为输入变量，p 为输入变量个数，y i ∈R 为输出变量即解舒质量指标，i =1,2 N ，N 为样本个数）在非线性映射函数作用下，将上述变量映射到高维空间并结合机构风险最小化原则[7]构造最优决策函数，再将LSSVM 的约束优化问题转换为带有正则化系数γ的线性方程组，通过最小二乘法求解线性方程组获得LSSVM 蚕茧解舒
式中：x ——输入变量；
x i ——N 个样本中的第i 个样本；RBF(x ,x i )——径向基核函数；b ——偏差值。
根据LSSVM 的原理，正则化系数γ与核宽度σ2
决定了蚕茧解舒质量预测模型的学习与泛化能力[8]，故本文采用改进的麻雀搜索算法优化选择超参数γ与σ2。
2.2    改进的麻雀搜索算法（LSSA ）
麻雀搜索算法[9](sparrow search algorithm ，SSA)是一种模拟麻雀觅食与反捕食行为的优化算法，其种划分为探索者、追随者、侦查者，通过种间的相互作用实现个体位置更新，具备收敛速度快、鲁
棒性好、局部搜索能力强等优点。但也存在着全局搜索能力较弱且易陷入局部最优的缺陷，导致模型复杂度上升，训练耗时较长且预测精度不佳。因此，本文在SSA 的基础上引入拉丁超立方体抽样方法（LHS ）与Levy 飞行策略。
LHS 可保证初始化种个体的随机性与多样性[10]，避免原有初始解分布不均和个体重叠。该算法代替原有随机产生的方式初始化麻雀种，根据麻雀种规模S 和目标解维数d ，将麻雀个体位置
X 的区间[l b ,u b ]划分为S 个等距子区间，在各维数的子区间中随机选取位置组成初始麻雀种，提高初始解质量，有助于提高目标初始解的精度，增强算法全局搜索能力与稳定性。
Levy 飞行策略是一种长短距离间接搜索的随机游走方式[11]。在SSA 算法完成种位置更新后，构建惯性权重因子θ=1–(t /Maxiter)，根据赌机制[12]判断是否对麻雀个体采用Levy 飞行，提高寻优精度的同时避免算法后期寻优陷入局部最优，有
式中：X i ,j t ——第t 次迭代麻雀位置；
正则化是最小化策略的实现X p t ——第t 次迭代的全局最优位置；⊕——点乘；
Levy(s )——随机搜索路径，µ，ν均服从正态分布，其中β∈(0,2)，本文取1.5。
由于Levy 飞行策略的随机性[13]，无法保证扰动后的麻雀位置优于原位置，故本文采用贪心策略[14]决定是否更新麻雀位置，即更新位置适应度值
优于原位置的适应度值则保留，反之舍弃。
2.3    LSSA 优化LSSVM 蚕茧解舒质量预测模型
本文基于迭代寻优思想，将LSSA 算法融入LSSVM 的构建与预测过程即利用上述LSSA 对LSSVM 的γ与σ2进行参数优化。基本思路为以每只麻雀代表一组参数组合(γ,σ2)，该位置的适应度值为该组参数下的LSSVM 的预测精度，每只麻雀在(γ,σ2)构成的二维搜索空间中以适应度值为标准寻求全局最优解。其中，选取反映LSSVM 预测式中：M ——测试样本数目；
y test ——实际解舒质量值；y predict ——预测解舒质量值。
LSSA-LSSVM 流程图如图2。
3    预测模型验证与分析
3.1    实验数据集获取
以某纤维检验机构提供的甲庄口秋风×白玉及
50中国测试2023 年 7 月
其反交春蚕蚕种作为实验样品，按照GB/T 911—2015《桑蚕干茧试验方法》的标准对蚕茧样品分批进行煮茧工艺设计与解舒检验[15]，获取60份煮茧工艺数据单如图3所示，提取茧质特性、真空减压煮茧工艺参数及相应的解舒检验情况从而得到模型数据集。其中，煮茧设备为FY521型试样煮茧机，缫丝设备为XJ2008型桑蚕茧自动缫丝检测仪，实验期间缫丝条件保持不变。
3.2    建模环境配置
模型搭建环境为：Intel(R) Core(TM) i5-6300HQ，内存8GB，Windows10 64位操作系统，编程语言MATLAB R2017b。麻雀搜索算法(SSA)参数设置如下：种规模S=20，迭代次数Maxiter=10，探索者比例PD=0.7，侦查者比例SD=0.2，安全阈值ST=0.6，目标解维度D=2、正则化系数γ与核宽度σ2与边界控制范围均为[l b,u b]=[0.001,1 000]。
3.3    实验及结果分析
实验以60组煮茧工艺数据按照7:3的比例随机抽取后作为训练集和测试集，采用三种预测模型进行对比实验。其中，LSSVM采用网格搜索法[16]进行寻优建模。
选取解舒率y1作为预测指标进行重点分析，SSA-LSSVM与LSSA-LSSVM在训练中的适应度迭代进化过程如图4所示，SSA算法在第4次迭代开始陷入局部最优，在第8次迭代时确定收敛精度5.59×10–3左右，而LSSA在第3次迭代时陷入局部最优，但在第4次迭代时就已跳出，最终在第6次迭代时精度收敛至4.1×10–3左右，接近完全收敛，样本适应度趋于最小。由此可见LSSA收敛速度更快，收敛精度显著提高且跳出局部最优的能力更强，效率更高。
246810
0.004 0
0.004 2
0.004 4
0.004 6
0.004 8
0.005 0
0.005 2
0.005 4
0.005 6
0.005 8
0.006 0
适
应
度
迭代次数
SSA-LSSVM
LSSA-LSSVM
图 4    适应度迭代曲线对比图
LSSVM、SSA-LSSVM、LSSA-LSSVM模型测试集的预测值对比见图5，SSA-LSSVM和LSSA-LSSVM的预测值比LSSVM更接近实际值，但LSSA-LSSVM的拟合点相比于SSA-LSSVM更接近实际解舒率。因此，LSSA-LSSVM模型的预测效果更为理想。
为进一步验证本文算法的优越性，采用决定系数(r2)、均方根误差(RMSE)、平均相对误差绝对值
LSSA 算法LSSVM 模型图 2    LSSA-LSSVM流程图
图 3    煮茧工艺单
第 49 卷 第 7 期邵铁锋，等：基于LSSA-LSSVM的蚕茧解舒质量预测模型51
(MAPE)、平均绝对误差(MAE)和运行时间(T )五项指标综合评价模型预测性能。r 2为模型拟合优度，其值越高，输入变量对解舒质量的解释程度越高。RMSE 衡量模型预测值的离散程度，其值越小，预测误差平均值越小。MAE 表示预测值与实际值的误差绝对值的平均值，MAE 越小，预测模型的预测误差越小。MAPE 表示预测误差与实际值的百分比，MAPE 值越大，模型预测效果越差。T 反映模型运算速度。模型性能对比如表1所示。
表 1    解舒率预测模型性能对比
Model LSSVM SSA-LSSVM LSSA-LSSVM r 2/%83.62994.93696.53RMSE    5.085 3  2.815 6  2.416 3MAE/%  4.510 7  2.362 7  1.910 7
MAPE/%9.129 4  5.187 5  4.259 4
T /ms
224.264
151.484
149.595
LSSA-LSSVM 预测模型的r 2高达96.53%，相比网格搜索法提高了12.901%，比传统SSA 算法提
高了1.594%。RMSE 比网格搜索法降低了2.669，比传统SSA 算法降低了0.399 3。MAE 比网格搜索法降低了2.6%，比传统SSA 算法降低了0.452%。MAPE 比网格搜索法降低了4.87%，比传统SSA 算法降低了0.928 1%。T 比网格搜索法缩减74.669 ms ，比传统SSA 算法缩减了1.889 ms 。综合五种预测性
能评价指标结果，基于LSSA-LSSVM 的蚕茧解舒率预测模型的决定系数、预测精度和预测总时间均达到最优状态。
为进一步验证本文LSSA-LSSVM 预测模型对
于解舒质量中的其他性能指标预测是否具有适用性，现依次选取解舒丝长y 2、万米吊糙y 3、丝胶溶失率y 4分别作为输出变量，以上述相同训练集、测试集重复训练与测试步骤，其测试样预测对比如图6、7、8所示。
200
400
600
800
解舒丝长/m
测试集样本
图 6    解舒丝长测试对比图
123456
7万米吊糙/次
测试集样本
图 7    万米吊糙测试对比图
23
4
5
丝胶溶失率/%
测试集样本
图 8    丝胶溶失率测试对比图
参见图6~图8及表2可知，测试样本集中，解舒丝长、万米吊糙、丝胶溶失率的预测拟合点均较
35404550556065707580解舒率/%
测试集样本
图 5    各模型预测效果对比
52中国测试2023 年 7 月

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。