CN101782771B - 基于免疫神经网络的纺丝工艺智能优化设计方法 - Google Patents

Abstract

本发明涉及一种基于免疫神经网络的纺丝工艺智能优化设计方法，利用免疫优化的神经网络建立模型，对生产数据进行处理和分析，得到纺丝生产线参数的合理配置方案，继而将模型和方案整合于专家系统中，并与生产线进行上线连接以根据实时生产数据同步修正所述的免疫神经网络模型及专家系统，对纺丝生产线上各参数进行统一配置，并根据生产线的运行情况对生产过程进行及时、有效的优化。本发明采用纺丝工艺专家系统对结果集进行分析和评价，并用于指导生产，专家系统的知识库、规则集可以不断地添加和改进，使系统具有自学习的功能。

Description

基于免疫神经网络的纺丝工艺智能优化设计方法

技术领域

本发明属纤维纺丝生产技术领域，特别是涉及一种针对差别化纤维纺丝过程的基于免疫神经网络专家系统的智能优化设计方法。

背景技术

纤维生产是一个具有高度复杂性的工业过程，其产品包括各种纤维及其制品。它需要高精度、长时间的连续性生产，因此对生产线及生产线上各个环节的环境和工艺设计要求较高。对普通化纤生产厂家而言，其进行生产线工艺设计的基础大多来源于经验及领域设计手册。为保险起见，生产线工艺设计所采用的方案往往留有较大的冗余量，一般可占总生产能力的20％～30％，造成设备投入、动力消耗等方面的浪费。目前，我国拥有年产1.5万吨/年和年产3万吨/年的各类纤维生产线近70条，产能达300万吨。如果能够通过某些技术改造，合理地控制和减少冗余量，提高效率，例如通过优化增加产能10％，就可增加产量近30万吨，相当于10条3万吨/年的生产线，能够节约大量的成本。

目前，对纤维生产工艺进行改进的方法大多基于生产线上某个环节的具体实现，或由生产经验总结得来的工艺的细微调整。对生产线上某个环节具体实现的改进，主要是通过生产线长时间运行后所显现出的不足，或者是工业新技术在纺丝工业中的逐渐应用而做出的，包括凝固和牵伸设备的更新及改良、牵伸方法和驱动方法的改进、侧吹风和环吹风工艺的改进(用于长纤维)等；后者主要包括对纺丝液配比的变换、牵伸率的变化、以及各个环节生产环境的变化(如空气改为高温蒸汽)等；而对工艺的细微调整则主要依赖生产人员积累的经验，对生产线上某个或某些工艺参数进行数值上的调节，从而形成感性的、特定于生产线的优化内容。这些方法都属于局部过程的优化，没有一个统一的、确定的指导系统进行配置，因此优化效果有限，不易与生产线整体进行配合，也无法通过生产线的运行得到指导生产进一步优化的有效信息，限制了生产线的进一步发展。

发明内容

本发明所要解决的技术问题是提供一种基于免疫神经网络的纺丝工艺智能优化设计方法，来解决上述背景技术中所提及的纺丝生产工艺优化设计问题。利用免疫优化的神经网络建立模型，对生产数据进行处理和分析，得到纺丝生产线参数的合理配置方案，继而将模型和方案整合于专家系统中，并与生产线进行上线连接以根据实时生产数据同步修正所述的免疫神经网络模型及专家系统，对纺丝生产线上各参数进行统一配置，并根据生产线的运行情况对生产过程进行及时、有效的优化。本发明所述的纺丝工艺优化设计，是指根据需要优化的纤维主要质量指标，经过工艺优化方法的调整，得到达到这些质量指标所需要的生产过程诸环节的最优参数。

本发明解决其技术问题所采用的技术方案是：提供一种基于免疫神经网络的纺丝工艺智能优化设计方法，包括下列步骤：

(1)RBF神经网络的建立：采用双模型结构的RBF神经网络，一个模型用于自学习，24小时学习一次；另一个模型用于在线校正，为当前运行模型；它的输入层由信号源节点组成；第二层为隐含层；第三层为输出层；

(2)纺丝工艺优化设计的免疫神经网络模型的建立：对RBF神经网络进行优化，集散控制系统采集纺丝生产线上的生产参数和主要质量指标，其中主要质量指标简称为采集值，将生产参数作为神经网络的输入，主要质量指标作为神经网络的输出；在所述的RBF神经网络中，引入免疫优化算法，得到免疫神经网络优化模型；

(3)纺丝工艺专家系统的建立：纺丝工艺优化设计的免疫神经网络模型建立后，将输出结果传送到装有纺丝工艺专家系统的上位机，专家系统根据自身的规则知识库和推理机分析生产参数和采集值，得出一组主要质量指标的目标值，目标值和采集值进行比较得出误差，专家系统再根据误差，给出生产参数的调整值及原因解释；

(4)专家系统与纤维生产线的实时连接：专家系统采用工厂总线系统与纤维生产线实时连接，以多层数据网络为基础，将各种不同的设备挂接在网络上，实现各部分的协调工作及数据和信息的共享，共同完成综合控制与管理的功能。

所述步骤(1)中，无论自学习模型还是在线校正模型都是六个小时校正一次，使之迅速跟踪当前工况，并比较两个模型的精度；如果在线校正模型精度小于当前自学习模型，则用自学习模型代替当前运行模型，称为新的当前模型；否则，保留当前运行模型。

所述步骤(2)中，对RBF神经网络模型进行的优化包括：采集300组数据进行RBF神经网络模型的训练与预测，前200组数据用于RBF神经网络模型的建立，后100组数据对其进行检验，具体步骤包括：

a.初始化；

b.输入训练样本对，计算各层输出；

c.计算RBF网络模型的输出误差；

d.计算各层误差信号；

e.调整各层权值；

f.检查网络总误差是否达到精度要求，满足，则训练结束；不满足，则返回步骤(b)。所述的步骤(2)中得到免疫神经网络优化模型包括学习阶段和工作阶段：

所述的学习阶段包括：选定采集到的前200组数据作为数据样本进行学习；RBF神经网络模型的学习结果以网络神经元连接权值的方式存储在网络结构之中，其步骤包括：

a.初始化所述RBF神经网络模型的初始权值，并以初始权值为内容创建记忆抗体集合M和初始抗体集合AbS，每组权值称为一个抗体；所述单个数据样本中包含的质量指标值称为一个抗原；利用抗体生成具有所述结构的RBF神经网络模型，并利用所述数据样本代入模型计算，进而比较模型计算值和样本中包含的真实采集值的过程称为抗原对抗体的刺激；多个抗体重复进行刺激所得到的误差的总和称为刺激强度；

b.免疫优化：

1)克隆选择：对M中的每一个抗体Ab，决定它们与抗原Ag的亲和度，根据亲和度值选择高亲和度的记忆细胞M_c，并克隆记忆细胞，将记忆细胞加入到AbS中；

2)亲和度成熟：通过随机地或依照一定规则对抗体中部分权值进行改变以形成抗体变异，变异的对象是具有高亲和度的记忆细胞，将变异后的抗体加入到AbS中；

3)AbS库更新：清除受到较少刺激的Ab，计算对每个Ab的平均刺激，检查中止条件；

4)克隆选择和亲和度成熟：根据刺激水平，克隆和突变AbS中的一部分抗体；

5)循环：如果AbS中的平均刺激值小于给定的刺激阈值时，返回到步骤步骤3)；

6)记忆细胞库更新：选择与抗原作用的高亲和度的抗体Ab，如果Ab的亲和度大于M中的记忆细胞Mc与抗原的亲和度，则将新的Ab记为Mc-new加入到M中，如果Mc和Mc-new的亲和度小于亲和度阈值，则将Mc从记忆集合M中删除；

c.循环：检查终止条件，如果满足终止条件，优化过程结束；否则返回到步骤(h)，直至条件满足为止；

所述的工作阶段为：当后100组数据样本输入RBF神经网络时，将训练好的具有一定泛型的网络对该100组数据样本利用内插和外推的方式进行自适应，完成特征匹配过程。

所述的步骤(3)中的规则知识库包括：纺丝模型建立辅助知识库、品种研发辅助知识库、性能预测辅助知识库、工艺优化辅助知识库。在规则知识库中，根据辅助知识库中的专家经验和知识以及国家规定的纺丝性能质量标准，建立规则集。

所述的步骤(3)中的推理机采用基于规则推理机，根据知识的语义，对找到的知识进行解释执行，并把结果记录到动态库的适当空间中，并对纺丝工艺优化误差作出评价。

所述的步骤(3)中的纺丝工艺专家还包括人机界面系统，是系统与用户进行交流时的界面，通过该界面，用户输入基本信息、回答系统提出的相关问题、系统输出推理结果及相关的解释。

所述的步骤(4)中的工厂总线系统的具体构成单元包括：

1)现场控制站：主要由主控组件和辅助组建构成，主控组建包括主控模板、I/O模板、系统电源模板、总线底板和插件箱；辅助组件包括I/O模板、系统电源模板、总线底板和插件箱；现场控制站主要完成现场信号的输入输出及回路的控制；一个现场控制站由一个主控组件及多个辅助组件构成；通过I/O模板实现纺丝工艺专家系统与生产总线的数据通信；

2)操作员站：由工控机及操作员站软件构成，它主要完成系统与操作员之间的人机界面功能，包括现场状态的显示、报警、报表及操作命令的执行功能；通过操作命令的执行实现纺丝专家系统对生产线的参数调整控制。

3)工程师站：由IBM PC兼容微机及工程师组态软件构成，它主要完成工厂总线系统的配置、控制回路组态及下载目标运行系统到操作员站和现场控制站的功能，工程师站中装载了操作员站软件后也可以作为操作员站使用。

有益效果

本发明由于采用了上述的技术方案，本方法与现有技术相比，具有以下的优点和积极效果：

1)纺丝生产工艺参数的免疫神经网络优化

RBF神经网络不但在理论上是前向网络中的最优网络，并且由于该网络输出层是对隐层的线性加权，避免了反向传播方法的冗长计算，因而具有较高的运算速度。本发明将生产参数作为RBF神经网络模型的输入，主要质量指标作为模型的输出值，建立纺丝工艺优化的免疫神经网络模型，给生产参数的设定提供依据。

2)采用纺丝工艺专家系统对结果集进行分析和评价，并用于指导生产，且专家系统的知识库、规则集可以不断地添加和改进，使系统具有自学习的功能。

附图说明

图1是三层RBF神经网络示意图；

图2是本发明DCS系统的纺丝工艺优化示意图；

图3是本发明的纺丝工艺专家系统的模块设计图；

图4为本发明人机显示界面示意图。

图中：X表示纺丝生产主要质量指标：x₁表示“EYS(倍半伸长率)”，x₂表示“EYSCV(倍半伸长率不均率)”，x₃表示“DT(丝条强度)”，x₄表示“DE(伸长能力)”；Y表示纺丝生产工艺参数：y₁表示“纺丝速度”，y₂表示“纺丝温度”，y₃表示“吹风温度”，y₄表示“吹风速度”。

图中标号分别为：

1：输入层；2：隐层；3：输出层；4：纺丝生产线；5：传送数据；6：DCS控制系统；7：免疫神经网络；8：纺丝工艺专家系统；9：DCS系统控制生产；10：纺丝工艺专家系统直接作用于纺丝生产线；11：纺丝工艺专家系统作用于DCS控制系统；12：用户；13：纺丝工艺专家系统人机交互接口；14：解释模块；15：推理机接口；16：基于规则的推理机；17：规则知识库；18：品种开发辅助决策知识库；19：纺丝模型建立辅助决策知识库；20：专家/知识工程师；21：知识获取模块；22：知识分析模块；23：事实数据库；24：性能预测辅助决策知识库；25：工艺优化辅助决策知识库。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

本发明所涉及的一种基于免疫神经网络专家系统的纺丝工艺智能优化设计方法，主要包括以下部分：

(1)利用所要优化的纤维主要质量指标及生产线上对其具有影响的诸因素的监测数据，通过径向基函数(Radial Base Function，RBF)神经网络进行学习，掌握上述主要质量指标和影响因素之间的隐含关系。

(2)在上述RBF神经网络中，引入免疫优化算法，增强该神经网络模型的适应性和学习能力。

(3)建立针对纺丝过程的专家系统，将上述免疫神经网络优化模型嵌入专家系统中，形成基于免疫神经网络的专家系统，利用免疫神经网络的学习能力和专家系统的知识储备和推理能力，基于上述主要质量指标对生产过程中的影响因素进行统一调节和配置。

(4)将上述免疫神经网络专家系统与纤维生产线进行实时连接，利用生产线的实时运行数据，动态调整免疫神经网络模型，动态更新专家系统的知识储备，更好地对生产过程进行优化。

一、RBF神经网络

RBF神经网络是一种性能良好的前向网络，它具有很强的生物背景和逼近任意非线性函数的能力。与其它前向神经网络相比，RBF神经网络在非线性系统建模方面不存在BP网络学习的局部最优问题，学习复杂性低，效率高，在结构上具有输出-权值线性关系，同时训练方法快速易行。利用在线学习方法，完全能使RBF神经网络作为建模工具。RBF神经网络的结构如图1所示。它的输入层由信号源节点组成；第二层为隐含层，其节点的多少视具体问题而定；第三层为输出层。

与传统的机理建模方法相比，用RBF神经网络建立双模型结构的时变非线性系统自校正模型不仅极为简便，而且具有更高的精度和自适应能力，因而在过程建模中得到了广泛的应用。为此本系统也采用双模型结构：一个模型用于自学习，24小时学习一次；另一个模型用于在线校正，它是当前运行模型。无论自学习模型还是在线校正模型都是六个小时校正一次，使之迅速跟踪当前工况，并要比较两个模型的精度。如果在线校正模型精度小于当前自学习模型，则用自学习模型代替当前运行模型，称为新的当前模型；否则，保留当前运行模型。

二、纺丝工艺优化设计的免疫神经网络模型

1.BRF神经网络的建立过程

集散控制系统(DCS)采集纺丝生产线上的生产参数和主要质量指标(主要质量指标我们简称为采集值。对于短纤维，采集值种类包括：倍半伸长率，倍半伸长率的不均率，丝条强度，伸长能力；对于长纤维，采集值种类包括：断裂伸长率，断裂强度，CVEYS1.5，CVDE，CVDT，倍半伸长率)。

将生产参数作为神经网络的输入，主要质量指标作为神经网络的输出值，建立纺丝工艺优化设计的RBF神经网络模型；

采集300组数据进行RBF神经网络模型的训练与预测。其中，前200组数据用于RBF神经网络模型的建立；后100组数据对其进行检验，并对RBF神经网络进行进一步改进。

以短纤维为例具体方法如下：

根据纺丝生产工艺，采用一个具有4个输入节点，4个隐藏节点，4个输出节点的三层RBF神经网络，如图1所示。输入层节点的作用只是传递输入数据x₁，x₂，x₃，x₄到隐含层节点。隐含层节点即RBF节点，由常见的高斯函数构成。输出节点通常是简单的线性函数。隐含节点的作用函数(核函数)对输入信号将在局部产生响应，当输入信号靠近核函数的中央范围时，隐含节点就产生较大的输出；反之，则产生较小的输出，高斯核函数的表示形式如下：

$u_j=\mathrm{EXP}[-\frac{(X-C_j){(X-C_j)}^T}{2{{\mathrm{\σ}}_j}^2}],$ j＝1，2，......N_h。                    (1)

式中，u_j是第j个隐含节点的输出，X＝(x₁，x₂，......，x_n)^T是输入样本，C_j是高斯函数的中心值，σ_j是标准化常数，N_h是隐层节点数，由式(1)可知，节点的输出范围在0到1之间，且输入样本愈靠近节点的中心，输出值愈大。

所述RBF神经网络模型的输出为隐层节点的线性组合，即：

$y_i=\underset{j=1}{\overset{N_h}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{u}_j-\mathrm{\θ}=w_i^{T}u,$ i＝1，2......，m。        (2)

式中， $w_i={(w_{i1},w_{i2}......,w_{{\mathrm{iN}}_h}-\mathrm{\θ})}^T,$ $u={(u_1,u_2......,u_{N_h}1)}^T$

所述RBF神经网络模型在软件上的具体实现步骤如下：

1)初始化；

2)输入训练样本对，计算各层输出；

3)计算RBF网络的输出误差；

4)计算各层误差信号；

5)调整各层权值；

6)检查网络总误差是否达到精度要求，满足，则训练结束；不满足，则返回步骤2)。

2.RBF神经网络的工作原理

RBF神经网络的工作原理分为两个阶段，这里利用免疫优化算法对神经网路进一步优化。

(1)学习阶段。选定采集到的前200组数据作为数据样本进行学习。RBF神经网络学习结果以权值存储在网络结构之中。

RBF神经网络的学习过程又分为两个阶段。第一阶段，根据所有的输入样本决定隐层各节点的高斯核函数的中心值C_j和标准化常数σ_j；第二阶段，在决定好隐层的参数后，根据样本利用最小二乘原则，求出输出层的权值W_i。在完成第二阶段的学习后，再根据样本信号校正隐层和输出层的参数，进一步提高网络精度。

在RBF神经网络的学习中，利用免疫优化算法优化神经网络。将RBF神经网络的目标函数E看作免疫优化算法中的抗原，将神经网络权值看作抗体，通过对抗体的复制、交叉及变异等操作，得到最佳适应度函数f(·)。

步骤1：初始化。初始化RBF神经网络的初始权值，并创建记忆抗体集合(M)和初始抗体集合(AbS)；

步骤2：网络优化。利用免疫优化算法优化RBF神经网络；

步骤3：循环。检查终止条件，如果满足终止条件，优化过程结束；否则重复步骤2，直至条件满足为止。

免疫优化算法的基本步骤如下：

步骤1：初始化。初始化所述RBF神经网络模型的初始权值，并以初始权值为内容创建记忆抗体集合M和初始抗体集合AbS，每组权值称为一个抗体；所述单个数据样本中包含的质量指标值称为一个抗原；利用抗体生成具有所述结构的RBF神经网络模型，并利用所述数据样本代入模型计算，进而比较模型计算值和样本中包含的真实采集值的过程称为抗原对抗体的刺激；多个抗体重复进行刺激所得到的误差的总和称为刺激强度；

步骤2：免疫优化

1)克隆选择。对M中的每一个抗体Ab，决定它们与抗原Ag的亲和度，根据亲和度值选择高亲和度的记忆细胞M_c，并克隆记忆细胞，将记忆细胞加入到AbS中；

2)亲和度成熟。变异具有高亲和度的记忆细胞，将变异后的抗体加入到AbS中；

3)AbS库更新。清除受到较少刺激的Ab，计算对每个Ab的平均刺激，检查中止条件；

4)克隆选择和亲和度成熟。根据刺激水平，克隆和突变AbS中的一部分抗体；

5)循环。如果AbS中的平均刺激值小于给定的刺激阈值时，返回到步骤步骤2的3)；

6)记忆细胞库更新。选择与抗原作用的高亲和度的抗体Ab，如果Ab的亲和度大于M中的记忆细胞Mc与抗原的亲和度，则将新的Ab(记为Mc-new)加入到M中，如果Mc和Mc-new的亲和度小于亲和度阈值，则将Mc从记忆集合M中删除；

步骤3：循环。检查终止条件，如果满足终止条件，优化过程结束；否则返回到步骤2，直至条件满足为止。

(2)工作阶段。当后100组数据样本输入RBF神经网络时，将训练好的具有一定泛型的网络对该100组数据样本利用内插和外推的方式进行自适应，完成特征匹配过程。

三、纺丝工艺专家系统

纺丝工艺优化的RBF神经网络建立后，将输出结果传送到装有纺丝工艺专家系统的上位机，专家系统会根据自身的知识库和推理机分析生产参数和采集值，得出一组主要质量指标的目标值，目标值和采集值进行比较得出误差。专家系统再根据误差，给出生产参数的调整值及原因解释。

纺丝工艺专家系统最主要的两部分为规则知识库和推理机。

规则知识库包括：“纺丝模型建立辅助知识库”，“品种研发辅助知识库”，“性能预测辅助知识库”，“工艺优化辅助知识库”。规则集主要根据辅助知识库中的专家经验和知识以及国家规定的纺丝性能质量标准来确定，建立多条规则集。

推理机采用“基于规则推理机”，根据知识的语义，对找到的知识进行解释执行，并把结果记录到动态库的适当空间中，并对纺丝工艺优化误差作出评价。

人机界面是系统与用户进行交流时的界面。通过该界面，用户输入基本信息、回答系统提出的相关问题。系统输出推理结果及相关的解释也是通过人机交互界面。

四、专家系统与纤维生产线的实时连接

专家系统与纤维生产线的实时连接采用工厂总线HS2000系统。HS2000系统是一套分层分布式的大型综合自动化系统，它以多层数据网络为基础，将各种不同的设备挂接在网络上，实现各部分的协调工作及数据和信息的共享，共同完成综合控制与管理的功能。

需要指出的是，此处作为所述发明的应用实例选择HS2000工厂总线系统，技术人员在阅读本专利后，也可根据实际需要，选择其他不同类型的工厂总线系统实现本发明所述的功能。

HS2000系统的具体构成单元：

1)现场控制站：主要由主控组件和辅助组建构成，主控组建包括主控模板、I/O模板、系统电源模板、总线底板和插件箱。辅助组件除不包括主控模板外，其余部分和主控组件一样。现场控制站主要完成现场信号的输入输出及回路的控制。一个现场控制站由一个主控组件及多个辅助组件构成。通过I/O模板实现纺丝工艺专家系统与生产总线的数据通信。

2)操作员站：由工控机及操作员站软件构成，它主要完成系统与操作员之间的人机界面功能，包括现场状态的显示、报警、报表及操作命令的执行等功能。通过操作命令的执行实现纺丝专家系统对生产线的参数调整控制。

3)工程师站：由IBM PC兼容微机及工程师组态软件构成，它主要完成HS2000系统的配置、控制回路组态及下载目标运行系统到操作员站和现场控制站的功能。工程师站中装载了操作员站软件后也可以作为操作员站使用。

如图2所示，本方法采用DCS系统监控纺丝生产线。下位机采集所需的样本数据。用采集到的样本数据建立免疫优化的RBF神经网络模型，并用预测样本集进行检验。

作为实例，免疫优化的RBF神经网络模型算法由C#编程实现，在Microsoft VisualStudio开发环境下编译生成DLL动态链接库供其它程序调用；同时编制程序，对纺丝性能预测，丝条各工序点参数显示等功能进行实现。技术人员也可以根据实际情况，选择其它的软硬件工具进行实现。

免疫优化的RBF神经网络模型建立后，下位机采集到的数据直接传入RBF神经网络进行纺丝工艺设计，得出结果集后将结果集传入装有专家系统的上位机，专家系统通过自身的知识库和推理机进行分析，给出所得到的纺丝参数的分析和评价，并用来指导生产。

以短纤维为例，工艺优化首先建立免疫优化的RBF神经网络模型，然后利用此网络进行工艺优化，得出理想的生产参数。

具体软件操作步骤如下：在如图4所示的软件界面中，点击“工艺优化”按钮，进行以下操作：

1.选择工艺(只可选择下拉菜单中的工艺)

2.输入主要质量指标(准确范围为下拉菜单中的范围，可以超出，但不要偏离过大)

3.点击“优化计算”按钮，在下方的“显示生产参数”中会显示计算得到的生产参数，在“显示设备参数”中会显示设备参数。(注：如果没有生产参数显示，说明输入的某个主要质量指标超过允许范围，可根据下拉菜单中的范围进行调整再优化计算。)

如图1所示，是本发明的应用实例所述的RBF三层神经网络网络模型。所述模型选取随机采集到生产参数的前200组数据作为样本数据，后100组数据作为测试样本，建立三层免疫优化的RBF神经网络。

如图3所示，本方法的纺丝工艺专家系统。经过免疫优化的RBF神经网络优化后得出的结果集，会传入装有纺丝工艺专家系统的上位机，专家系统对得出的结果集，进行分析和评价，并用反馈指导生产。

上述方法首先用免疫优化的RBF神经网络对纺丝生产工艺进行优化，并将优化后的结果集传入到纺丝工艺专家系统，专家系统会给出结果集的分析和评价。

上述方法采用下位机对数据采集和传送，上位机主要存储专家系统知识库和规则集。

上述方法中，专家系统的知识库和规则集可以增加和改进，具有自学习功能。

上述方法专家系统给出的结果分析和评价可以直接作用于生产线或者返回DCS系统，由DCS对生产线进行调控。

Claims (8)

1.一种基于免疫神经网络的纺丝工艺智能优化设计方法，包括下列步骤：

(1)RBF神经网络的建立：采用双模型结构的RBF神经网络，一个模型用于自学习，24小时学习一次；另一个模型用于在线校正，为当前运行模型；它的输入层由信号源节点组成；第二层为隐含层；第三层为输出层；

(2)纺丝工艺优化设计的免疫神经网络模型的建立：对RBF神经网络进行优化，集散控制系统采集纺丝生产线上的生产参数和主要质量指标，其中主要质量指标简称为采集值，将生产参数作为神经网络的输入，主要质量指标作为神经网络的输出；在所述的RBF神经网络中，引入免疫优化算法，得到免疫神经网络优化模型；

(3)纺丝工艺专家系统的建立：纺丝工艺优化设计的免疫神经网络模型建立后，将输出结果传送到装有纺丝工艺专家系统的上位机，专家系统根据自身的规则知识库和推理机分析生产参数和采集值，得出一组主要质量指标的目标值，目标值和采集值进行比较得出误差，专家系统再根据误差，给出生产参数的调整值及原因解释；

(4)专家系统与纺丝生产线的实时连接：专家系统采用工厂总线与纺丝生产线实时连接，以多层数据网络为基础，将各种不同的设备挂接在网络上，实现各部分的协调工作及数据和信息的共享，共同完成综合控制与管理的功能。

2.根据权利要求1所述的一种基于免疫神经网络的纺丝工艺智能优化设计方法，其特征在于：所述的步骤(1)中无论自学习模型还是在线校正模型都是六个小时校正一次，使之迅速跟踪当前工况，并同时比较两个模型的精度；如果在线校正模型精度小于当前自学习模型，则用自学习模型代替当前运行模型，称为新的当前模型；否则，保留当前运行模型。

3.根据权利要求1所述的一种基于免疫神经网络的纺丝工艺智能优化设计方法，其特征在于：所述的步骤(2)对RBF神经网络模型进行优化包括：采集300组生产参数的采集值数据进行RBF神经网络训练与预测，前200组数据用于RBF神经网络模型的建立，后100组数据对其进行检验，具体步骤包括：

a.初始化；

b.输入训练样本对，计算各层输出；

c.计算RBF网络模型的输出误差；

d.计算各层误差信号；

e.调整各层权值；

f.检查网络总误差是否达到精度要求，满足，则训练结束；不满足，则返回步骤b。

4.根据权利要求1所述的一种基于免疫神经网络的纺丝工艺智能优化设计方法，其特征在于：所述的步骤(2)中得到免疫神经网络优化模型包括学习阶段和工作阶段：

所述的学习阶段包括：选定采集到的前200组数据作为数据样本进行学习；RBF神经网络模型的学习结果以网络神经元连接权值的方式存储在网络结构之中，其步骤包括：

a.初始化：初始化所述RBF神经网络模型的初始权值，并以初始权值为内容创建记忆抗体集合M和初始抗体集合AbS，每组权值称为一个抗体；所述单个数据样本中包含的质量指标值称为一个抗原；利用抗体生成具有所述结构的RBF神经网络模型，并利用所述数据样本代入模型计算，进而比较模型计算值和样本中包含的真实采集值的过程称为抗原对抗体的刺激；多个抗体重复进行刺激所得到的误差的总和称为刺激强度；

b.免疫优化：

1)克隆选择：对M中的每一个抗体Ab，决定它们与抗原Ag的亲和度，根据亲和度值选择高亲和度的记忆细胞M_c，并克隆记忆细胞，将记忆细胞加入到AbS中；

2)亲和度成熟：通过随机地或依照一定规则对抗体中部分权值进行改变以形成抗体变异，变异的对象是具有高亲和度的记忆细胞，将变异后的抗体加入到AbS中；

3)AbS库更新：清除受到较少刺激的Ab，计算对每个Ab的平均刺激，检查中止条件；

4)克隆选择和亲和度成熟：根据刺激水平，克隆和突变AbS中的一部分抗体；

5)循环：如果AbS中的平均刺激值小于给定的刺激阈值时，返回到步骤步骤3)；

6)记忆细胞库更新：选择与抗原作用的高亲和度的抗体Ab，如果Ab的亲和度大于M中的记忆细胞Mc与抗原的亲和度，则将新的Ab记为Mc-new加入到M中，如果Mc和Mc-new的亲和度小于亲和度阈值，则将Mc从记忆集合M中删除；

c.循环：检查终止条件，如果满足终止条件，优化过程结束；否则返回到步骤b，直至条件满足为止；

所述的工作阶段为：当后100组数据样本输入RBF神经网络时，将训练好的具有一定泛型的网络对该100组数据样本利用内插和外推的方式进行自适应，完成特征匹配过程。

5.根据权利要求1所述的一种基于免疫神经网络的纺丝工艺智能优化设计方法，其特征在于：所述的步骤(3)中的规则知识库包括：纺丝模型建立辅助知识库、品种研发辅助知识库、性能预测辅助知识库、工艺优化辅助知识库，在规则知识库中，根据辅助知识库中的专家经验和知识以及国家规定的纺丝性能质量标准，建立规则集。

6.根据权利要求1所述的一种基于免疫神经网络的纺丝工艺智能优化设计方法，其特征在于：所述的步骤(3)中的推理机采用基于规则推理机，根据知识的语义，对找到的知识进行解释执行，并把结果记录到动态库的适当空间中，并对纺丝工艺优化误差作出评价。

7.根据权利要求1所述的一种基于免疫神经网络的纺丝工艺智能优化设计方法，其特征在于：所述的步骤(3)中的纺丝工艺专家还包括人机界面系统，是系统与用户进行交流时的界面，通过该界面，用户输入基本信息、回答系统提出的相关问题、系统输出推理结果及相关的解释。

8.根据权利要求1所述的一种基于免疫神经网络的纺丝工艺智能优化设计方法，其特征在于：所述的步骤(4)中的工厂总线系统的具体构成单元包括：

1)现场控制站：主要由主控组件和辅助组件构成，主控组件包括主控模板、I/O模板、系统电源模板、总线底板和插件箱；辅助组件包括I/O模板、系统电源模板、总线底板和插件箱；现场控制站主要完成现场信号的输入输出及回路的控制；一个现场控制站由一个主控组件及多个辅助组件构成；通过I/O模板实现纺丝工艺专家系统与生产总线的数据通信；

2)操作员站：由工控机及操作员站软件构成，它主要完成系统与操作员之间的人机界面功能，包括现场状态的显示、报警、报表及操作命令的执行功能；通过操作命令的执行实现纺丝专家系统对生产线的参数调整控制；

3)工程师站：由IBM PC兼容微机及工程师组态软件构成，它主要完成所述工厂总线系统的配置、控制回路组态及下载目标运行系统到操作员站和现场控制站的功能，工程师站中装载了操作员站软件后也可以作为操作员站使用。

Images