CN102704054A - 基于时间序列挖掘的梳棉机智能匀整系统 - Google Patents

Abstract

本发明涉及一个基于时间序列挖掘的梳棉机智能匀整系统，属于自动控制及纺织机械技术领域，是智能控制技术的应用，系统包括三部分：（1）基于时间序列关联规则和支持向量机挖掘方法的棉条重量自调匀整单元；（2）基于核主元分析和支持向量机方法的棉箱气压智能控制单元；（3）基于决策树支持向量机的梳棉机智能匀整预警单元。本发明设计的系统不仅步骤合理，而且很大程度上提高了输出棉条的质量的稳定性，提高了生产效率，降低了生产成本。

Description

基于时间序列挖掘的梳棉机智能匀整系统

技术领域

本发明属于自动控制及纺织机械技术领域，是智能控制技术的应用，特别是涉及一种基于时间序列挖掘的梳棉机智能匀整方法。

背景技术

自调匀整系统被广泛应用于梳棉机等纺织机械中，用以控制输出棉条重量，改善最终成纱质量。目前传统的梳棉机自调匀整系统主要包括两部分：棉条重量自调匀整部分和棉箱气压控制。其中棉条厚度自调匀整部分主要采用开环控制，首先根据棉层位移厚度传感器检测输入棉层的厚度变化，调节给棉罗拉电机的转速，从而控制输出棉条的粗细和重量。棉箱气压控制部分主要是根据棉箱内气压的大小来调节棉箱风机的供棉速度，以此来调整棉层的厚度，也是一种开环的控制方式。自调匀整控制系统的效果取决于给棉罗拉电机转速-输入棉层厚度之间的函数关系。如果要求输出棉条重量稳定，假设梳棉机内纤维存量是定值，并且落棉率远小于1，根据质量守恒定律，给棉罗拉电机转速-输入棉层厚度之间满足如下公式：

$v_1\left(t\right)=\frac{K\left(t\right)}{h\left(t\right)}$

其中，K(t)是一个与棉条线速度v₂(t)、棉层密度ρ₁(t)、棉条密度ρ₂(t)、棉条截面积s(t)相关的系数。

由于K(t)是一个时变系数，目前很难找到准确的计算公式，如果采用固定系数，则容易造成控制精度低，输出棉条质量波动大等缺点。棉箱气压控制部分同样存在这样的问题，单纯依靠气压的大小来改变棉箱风机的落棉速度，很难达到棉层稳定输出的效果，棉层波动会比较大，控制效果不够理想，这样将会给依靠棉层厚度改变的自调匀整系统带来调节困难的问题。

发明内容

本发明提供一种能大大提高输出棉条质量稳定性，并降低棉条质量控制成本的基于时间序列挖掘的梳棉机智能匀整系统。

本发明的技术内容如下:

一种基于时间序列挖掘的梳棉机智能匀整系统，包括：

（1）、基于时间序列关联规则和支持向量机挖掘方法的棉条重量自调匀整单元；所述棉条重量自调匀整单元包括棉层厚度位移传感器、给棉罗拉、棉条厚度位移传感器、道夫、道夫测速传感器；首先根据棉层厚度位移传感器检测输入棉层的厚度变化，调节给棉罗拉的转速，从而控制输出棉条的粗细和重量，然后根据道夫前端的棉条厚度位移传感器检测的棉条厚度反馈至给棉罗拉，控制给棉罗拉的电机频率，整体构成棉条重量自调匀整闭环控制部分。

（2）、基于核主元分析和支持向量机方法的棉箱气压智能控制单元；

所述棉箱气压智能控制单元包括气压传感器、棉箱风机；所述棉箱气压智能控制单元根据棉箱内气压传感器采集到的气压的大小来调节棉箱风机的供棉速度，以此来调整棉层的厚度，然后利用棉条重量自调匀整单元的棉层厚度位移传感器采集的棉层厚度数据反馈给供棉风机，从而实现棉箱气压的闭环控制；

（3）、基于决策树支持向量机的梳棉机智能匀整预警单元。

基于时间序列挖掘的梳棉机智能匀整系统，包括如下步骤：

a、训练测试数据采集：采集的数据为各种位移传感器数据和给棉罗拉、棉箱风机、道夫的电机频率数据，数据采集周期为6个月，利用这些数据建立训练测试数据集；

b、数据预处理：把采集到的数据进行预处理，采用关联规则进行时间序列挖掘处理，分析数据之间的相关性，消除冗余数据，挖掘其中潜在的强关联规则；

c、棉条重量自调匀整闭环控制：根据道夫前端的棉条厚度位移传感器检测的棉条厚度反馈至给棉罗拉，控制给棉罗拉的电机频率，整体构成棉条重量自调匀整闭环控制部分；然后利用采集数据建立基于关联规则和支持向量机方法的棉条重量预测模型，输出最优的棉条重量预测结果和对应的给棉罗拉的电机的频率值；

d、棉箱气压闭环智能控制：利用棉条重量自调匀整单元的棉层厚度位移传感器采集的棉层厚度数据反馈给供棉风机，实现棉箱气压的闭环控制；然后利用核主元分析方法提取采集数据的核主元信息，并在此基础上建立基于支持向量机的棉层厚度预测模型，预测未来的供棉量变化趋势，自动调节棉箱风机的转速，达到棉层厚度稳定的目的；

e、梳棉机智能匀整报警单元：建立基于决策树支持向量机方法的梳棉机匀整故障识别模型，分类识别出智能匀整运行中发生的突发故障，然后及时采取相应的处理措施。

上述步骤c中的棉条重量自调匀整闭环控制建立基于关联规则和支持向量机的预测模型，输入量为匀整端的棉层厚度位移传感器信息、道夫前端的棉条厚度位移传感器信息、给棉罗拉的电机频率、道夫的转速，输出量为棉条重量，并通过控制变频器电压的大小来调节给棉罗拉的电机频率；

（3a）、首先对采集的数据集进行多维关联规则挖掘，提取所有满足最小支持度的频繁项集，生成满足最小置信度的强规则，组成关联规则集合，然后对规则进行分析，去掉没有实际意义的规则；关联规则挖掘侧重于确定数据中不同领域之间的联系，找出满足给定支持度和可信度阈值的多个域之间的依赖关系；设在数据集中所有事件T的集合为D，支持度S是数据集中包含事件X和事件Y的数据数与所有数据数的比，记作

置信度C是指包含X和Y的数据数与包含X的数据数之比，记作

具体公式如下：

支持度： $\mathrm{support}(X\⇒Y)=\frac{\left|\right\{T:X\∪Y\⊆T,T\∈D\left\}\right|}{\left|D\right|}$

置信度： $\mathrm{confidence}(X\⇒Y)=\frac{\left|\right\{T:X\∪Y\⊆T,T\∈D\left\}\right|}{|T:X\⊆T,T\∈D|}$

（3b）、利用支持向量机回归函数建立梳棉机自调匀整控制系统，预测未来棉层厚度的变化趋势，通过调节给棉罗拉的电机频率，来控制给棉量的多少，从而实现棉层的稳定；支持向量机的回归函数公式为：

$f\left(z\right)=(\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\θ}}_{i}k(z_i,z_j)+b)$

其中，z_i为训练样本集，k(z_i,z_j)为支持向量机核函数，θ_i为Langrange乘子，b为偏差值，i＝1,2,...,l；

（3c）、利用粒子群算法来优化预测模型参数，通过道夫前端检测到的棉条厚度返回值和棉层厚度数值不断训练和测试预测模型，直到寻找到最优参数和最优预测模型；其中参数优化粒子群算法中粒子根据下面的公式来更新自己的速度和位置。

$v_{\mathrm{ij}}^{t+1}={\mathrm{\ωv}}_{\mathrm{ij}}^t+c_1{r}_1(p_{\mathrm{ij}}^t-x_{\mathrm{ij}}^t)+c_2{r}_2(G^t-x_{\mathrm{ij}}^t)$

$x_{\mathrm{ij}}^{t+1}=v_{\mathrm{ij}}^t+x_{\mathrm{ij}}^{\text{t}}$

其中，

是粒子的速度矢量，i＝1,2,…,m、j＝1,2,…,n；m为种群规模；t是迭代次数；ω是惯性权重；G^t为当前群体中所有微粒经历过的最好位置；x_ij第i个微粒位置向量；c₁、c₂是学习因子或加速常数；r₁、r₂为分布于[0，1]之间的随机数；为使粒子速度不致于过大，可设置速度上限v_max。

上述步骤d中基于核主元分析和支持向量机方法的棉箱气压预测模型是指：

（4a）、由于气压传感器数据以及棉层厚度位移传感器、棉条厚度位移传感器数据的非线性特征明显，通过关联规则提取出频繁项集后，依旧存在数据量大，维度高的问题，利用核主元分析方法分析约减后的数据信息，通过非线性映射将输入空间映射到特征空间，并在特征空间上进行主元分析；通过核函数，将非线性问题转换为线性问题，提取数据的主元信息；其中核主元分析的特征提取公式为：

其中，v_k测试样本的特征向量空间；α为核矩阵K在特征空间下的特征值λ对应的特征向量；

表示内积；

（4b）、然后利用提取到的主元信息建立基于支持向量机方法的棉箱气压时间序列预测模型。

上述步骤e中的梳棉机智能匀整故障报警单元，建立基于决策树支持向量机的故障分离识别模型；

（5a）、识别方法的训练过程是从原始采集智能控制系统的监测数据的多个分类样本模式入手，从决策树的角度来讲是先从叶节点出发，首先在所有N个单一类别样本集中根据模式样本间的类间距离超平面远近，寻找两个最难分的样本集；利用最难分类的样本集进行支持向量机（N-1）训练，把分类训练结果合并生成新的样本集；

（5b）、然后在其余的单一类别样本集中，找到与步骤5a中生成的样本集之间距离超平面最近的样本集，也即是最难分离的样本集，并使用它们进行支持向量机（N-2）训练，再将它们合并得到新样本集；循环此分类过程，直到只余下最后两个样本集为止；

（5c）、利用最后余下的两个样本集进行支持向量机（1）训练，形成最终的训练样本集，此时就得到了决策树的根节点；在训练过程中共建立了N-1个支持向量机子分类器；相对于一对一算法的N·（N-1）/2个分类器，该算法在程序实现过程中，提高分类准确度的同时也极大地提高了分类的效率；

（5d）、在基于决策树支持向量机的分类过程中，对测试样本首先从根节点的支持向量机子分类器支持向量机（1）入手，首先确定是否有突发故障发生，如果没有发生故障则返回无故障，模型分类结束；如果发生故障事件，根据支持向量机子分类器支持向量机（2）来判断，确定其属于哪一类型的故障，以此类推。

本发明与现有技术相比有益的效果是：本发明设计的系统不仅步骤合理，而且很大程度上提高了输出棉条的质量的稳定性，提高了生产效率，降低了生产成本。

附图说明

图1为梳棉机智能控制系统硬件结构示意图；

图2为梳棉机智能控制系统框图；

图3为自调匀整混合环结构框图；

图4为棉条重量匀整闭环智能控制算法示意图；

图5为棉箱气压闭环智能控制算法示意图；

图6为梳棉机智能预警算法示意图。

具体实施方式

以下结合附图对本发明作进一步的详细说明。

一种基于时间序列挖掘的梳棉机智能匀整系统，包括：

（1）、基于时间序列关联规则和支持向量机挖掘方法的棉条重量自调匀整单元；所述棉条重量自调匀整单元包括棉层厚度位移传感器、给棉罗拉、棉条厚度位移传感器、道夫、道夫测速传感器；首先根据棉层厚度位移传感器检测输入棉层的厚度变化，调节给棉罗拉的转速，从而控制输出棉条的粗细和重量，然后根据道夫前端的棉条厚度位移传感器检测的棉条厚度反馈至给棉罗拉，控制给棉罗拉的电机频率，整体构成棉条重量自调匀整闭环控制部分。

（2）、基于核主元分析和支持向量机方法的棉箱气压智能控制单元；

所述棉箱气压智能控制单元包括气压传感器、棉箱风机；所述棉箱气压智能控制单元根据棉箱内气压传感器采集到的气压的大小来调节棉箱风机的供棉速度，以此来调整棉层的厚度，然后利用棉条重量自调匀整单元的棉层位移厚度传感器采集的棉层厚度数据反馈给供棉风机，从而实现棉箱气压的闭环控制；

（3）、基于决策树支持向量机的梳棉机智能匀整预警单元。

本发明的硬件结构如图1所示，其中梳棉机智能匀整硬件包括棉箱气压控制部分、棉层自调匀整部分。数据采集传感器包括：棉层厚度位移传感器、棉条厚度位移传感器、气压传感器、道夫测速传感器、给棉罗拉频率传感器、棉箱风机频率传感器、道夫转速传感器。

本发明的软件系统如图2所示，其中梳棉机智能匀整软件系统包括数据采集、数据预处理、基于关联规则和支持向量机预测模型的棉条重量自调匀整闭环控制单元、基于核主元分析和支持向量机预测模型的棉箱气压自动调节闭环控制单元、基于决策树支持向量机的匀整故障识别单元。如图3所示为梳棉机智能匀整双闭环结构，包括棉条厚度可以反馈给给棉频率控制单元，实现棉条质量的闭环控制；棉层厚度数据可以反馈回棉箱气压控制单元，实现棉箱气压闭环控制。

基于时间序列挖掘的梳棉机智能匀整系统，包括如下步骤：

a、训练测试数据采集：采集的数据为各种位移传感器数据和给棉罗拉、棉箱风机、道夫的电机频率数据，数据采集周期为6个月，利用这些数据建立训练测试数据集；

b、数据预处理：把采集到的数据进行预处理，采用关联规则进行时间序列挖掘处理，分析数据之间的相关性，消除冗余数据，挖掘其中潜在的强关联规则；

c、棉条重量自调匀整闭环控制：根据道夫前端的棉条厚度位移传感器检测的棉条厚度反馈至给棉罗拉，控制给棉罗拉的电机频率，整体构成棉条重量自调匀整闭环控制部分；然后利用采集数据建立基于关联规则和支持向量机方法的棉条重量预测模型，输出最优的棉条重量预测结果和对应的给棉罗拉的电机的频率值；

d、棉箱气压闭环智能控制：利用棉条重量自调匀整单元的棉层位移厚度传感器采集的棉层厚度数据反馈给供棉风机，实现棉箱气压的闭环控制；然后利用核主元分析方法提取采集数据的核主元信息，并在此基础上建立基于支持向量机的棉层厚度预测模型，预测未来的供棉量变化趋势，自动调节棉箱风机的转速，达到棉层厚度稳定的目的；

e、梳棉机智能匀整报警单元：建立基于决策树支持向量机方法的梳棉机匀整故障识别模型，分类识别出智能匀整运行中发生的突发故障，然后及时采取相应的处理措施。

上述步骤c中的棉条重量自调匀整闭环控制建立基于关联规则和支持向量机的预测模型，如图4所示输入量为匀整端的棉层厚度位移传感器信息、道夫前端的棉条厚度位移传感器信息、给棉罗拉的电机频率、道夫的电机转速，输出量为棉条重量，并通过控制变频器电压的大小来调节给棉罗拉的电机频率；

（3a）、首先对采集的数据集进行多维关联规则挖掘，提取所有满足最小支持度的频繁项集，生成满足最小置信度的强规则，组成关联规则集合，然后对规则进行分析，去掉没有实际意义的规则；关联规则挖掘侧重于确定数据中不同领域之间的联系，找出满足给定支持度和可信度阈值的多个域之间的依赖关系；设在数据集中所有事件T的集合为D，支持度S是数据集中包含事件X和事件Y的数据数与所有数据数的比，记作

置信度C是指包含X和Y的数据数与包含X的数据数之比，记作

具体公式如下：

支持度： $\mathrm{support}(X\⇒Y)=\frac{\left|\right\{T:X\∪Y\⊆T,T\∈D\left\}\right|}{\left|D\right|}$

置信度： $\mathrm{confidence}(X\⇒Y)=\frac{\left|\right\{T:X\∪Y\⊆T,T\∈D\left\}\right|}{|T:X\⊆T,T\∈D|}$

（3b）、利用支持向量机回归函数建立梳棉机自调匀整控制系统，预测未来棉层厚度的变化趋势，通过调节给棉罗拉的电机频率，来控制给棉量的多少，从而实现棉层的稳定；支持向量机的回归函数公式为：

$f\left(z\right)=(\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\θ}}_{i}k(z_i,z_j)+b)$

其中，z_i为训练样本集，k(z_i,z_j)为支持向量机核函数，θ_i为Langrange乘子，b为偏差值，i＝1,2,…,l；

（3c）、利用粒子群算法来优化预测模型参数，通过道夫前端检测到的棉条厚度返回值和棉层厚度数值不断训练和测试预测模型，直到寻找到最优参数和最优预测模型；其中参数优化粒子群算法中粒子根据下面的公式来更新自己的速度和位置。

$v_{\mathrm{ij}}^{t+1}={\mathrm{\ωv}}_{\mathrm{ij}}^t+c_1{r}_1(p_{\mathrm{ij}}^t-x_{\mathrm{ij}}^t)+c_2{r}_2(G^t-x_{\mathrm{ij}}^t)$

$x_{\mathrm{ij}}^{t+1}=v_{\mathrm{ij}}^t+x_{\mathrm{ij}}^{\text{t}}$

其中，

是粒子的速度矢量，i＝1,2,…,m、j＝1,2,…,n；m为种群规模；t是迭代次数；ω是惯性权重；G^t为当前群体中所有微粒经历过的最好位置；x_ij第i个微粒位置向量；c₁、c₂是学习因子或加速常数；r₁、r₂为分布于[0，1]之间的随机数；为使粒子速度不致于过大，可设置速度上限v_max。

如图5所示，上述步骤d中输入端为预处理后得到的气压传感器数值、匀整端的棉层厚度位移传感器数值和道夫前端的棉条厚度位移传感器数值、棉箱风机频率、给棉罗拉频率。棉层厚度数据可以反馈回棉箱气压控制单元，实现棉箱气压闭环控制。利用核主元分析方法提取采集数据的核主元信息，并在此基础上建立基于支持向量机的棉层厚度预测模型，预测未来的供棉量变化趋势，自动调节棉箱落棉风机速度，达到棉层厚度稳定的目的。

基于核主元分析和支持向量机方法的棉箱气压预测模型是指：

（4a）、由于气压传感器数据以及棉层厚度位移传感器、棉条厚度位移传感器数据的非线性特征明显，通过关联规则提取出频繁项集后，依旧存在数据量大，维度高的问题，利用核主元分析方法分析约减后的数据信息，通过非线性映射将输入空间映射到特征空间，并在特征空间上进行主元分析；通过核函数，将非线性问题转换为线性问题，提取数据的主元信息；其中核主元分析的特征提取公式为：

其中，v_k测试样本的特征向量空间；α为核矩阵K在特征空间下的特征值λ对应的特征向量；

表示内积；

（4b）、然后利用提取到的主元信息建立基于支持向量机方法的棉箱气压时间序列预测模型。

上述步骤e中的梳棉机智能匀整报警单元：如图6所示具体算法流程图，建立基于决策树支持向量机方法的梳棉机匀整故障识别模型，首先利用支持向量机判定是否有突发故障发生，如果发生故障再利用决策树支持向量机方法识别具体的类型，最后采取正确及时的措施解除故障。

建立基于决策树支持向量机的故障分离识别模型：

（5a）、识别方法的训练过程是从原始采集智能控制系统的监测数据的多个分类样本模式入手，从决策树的角度来讲是先从叶节点出发，首先在所有N个单一类别样本集中根据模式样本间的类间距离超平面远近，寻找两个最难分的样本集；例如在引起系统故障中，棉层超厚、棉层超薄这两类数据相对于其他的数据（如道夫欠速）是比较难以分类的样本集，首先要对这两类样本集进行分类，训练利用最难分类的样本集进行支持向量机（N-1）训练，把分类训练结果合并生成新的样本集；

（5b）、然后在其余的单一类别样本集中，找到与步骤5a中生成的样本集之间距离超平面最近的样本集，也即是最难分离的样本集，并使用它们进行支持向量机（N-2）训练，再将它们合并得到新样本集；循环此分类过程，直到只余下最后两个样本集为止；

（5c）、利用最后余下的两个样本集进行支持向量机（1）训练，形成最终的训练样本集，此时就得到了决策树的根节点；在训练过程中共建立了N-1个支持向量机子分类器；相对于一对一算法的N·（N-1）/2个分类器，该算法在程序实现过程中，提高分类准确度的同时也极大地提高了分类的效率；

（5d）、在基于支持向量机决策树的分类过程中，对测试样本首先从根节点的支持向量机子分类器支持向量机（1）入手，首先确定是否有突发故障发生，如果没有发生故障则返回无故障，模型分类结束；如果发生故障事件，根据支持向量机子分类器支持向量机（2）来判断，确定其属于哪一类型的故障，即棉层超差或者道夫欠速，以此类推。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容作出些许改动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (5)

1.一种基于时间序列挖掘的梳棉机智能匀整系统，其特征在于包括：

（1）、基于时间序列关联规则和支持向量机挖掘方法的棉条重量自调匀整单元；所述棉条重量自调匀整单元包括棉层厚度位移传感器、给棉罗拉、棉条厚度位移传感器、道夫、道夫测速传感器；首先根据棉层厚度位移传感器检测输入棉层的厚度变化，调节给棉罗拉的转速，从而控制输出棉条的粗细和重量，然后根据道夫前端的棉条厚度位移传感器检测的棉条厚度反馈至给棉罗拉，控制给棉罗拉的电机频率，整体构成棉条重量自调匀整闭环控制部分。

（2）、基于核主元分析和支持向量机方法的棉箱气压智能控制单元；所述棉箱气压智能控制单元包括气压传感器、棉箱风机；所述棉箱气压智能控制单元根据棉箱内气压传感器采集到的气压的大小来调节棉箱风机的供棉速度，以此来调整棉层的厚度，然后利用棉条重量自调匀整单元的棉层厚度位移传感器采集的棉层厚度数据反馈给供棉风机，从而实现棉箱气压的闭环控制；

（3）、基于决策树支持向量机的梳棉机智能匀整预警单元。

2.根据权利要求1所述的基于时间序列挖掘的梳棉机智能匀整系统，其特征在于包括如下步骤：

a、训练测试数据采集：采集的数据为各种位移传感器数据和给棉罗拉、棉箱风机、道夫的电机频率数据，数据采集周期为6个月，利用这些数据建立训练测试数据集；

b、数据预处理：把采集到的数据进行预处理，采用关联规则进行时间序列挖掘处理，分析数据之间的相关性，消除冗余数据，挖掘其中潜在的强关联规则；

c、棉条重量自调匀整闭环控制：根据道夫前端的棉条厚度位移传感器检测的棉条厚度反馈至给棉罗拉，控制给棉罗拉的电机频率，整体构成棉条重量自调匀整闭环控制部分；然后利用采集数据建立基于关联规则和支持向量机方法的棉条重量预测模型，输出最优的棉条重量预测结果和对应的给棉罗拉的电机的频率值；

d、棉箱气压闭环智能控制：利用棉条重量自调匀整单元的棉层厚度位移传感器采集的棉层厚度数据反馈给供棉风机，实现棉箱气压的闭环控制；然后利用核主元分析方法提取采集数据的核主元信息，并在此基础上建立基于支持向量机的棉层厚度预测模型，预测未来的供棉量变化趋势，自动调节棉箱风机的转速，达到棉层厚度稳定的目的；

e、梳棉机智能匀整报警单元：建立基于决策树支持向量机方法的梳棉机匀整故障识别模型，分类识别出智能匀整运行中发生的突发故障，然后及时采取相应的处理措施。

3.根据权利要求2所述的基于时间序列挖掘的梳棉机智能匀整系统，其特征在于：所述步骤c中的棉条重量自调匀整闭环控制建立基于关联规则和支持向量机的预测模型，输入量为匀整端的棉层厚度位移传感器信息、道夫前端的棉条厚度位移传感器信息、给棉罗拉的电机频率、道夫的转速，输出量为棉条重量，并通过控制变频器电压的大小来调节给棉罗拉的电机频率；

（3a）、首先对采集的数据集进行多维关联规则挖掘，提取所有满足最小支持度的频繁项集，生成满足最小置信度的强规则，组成关联规则集合，然后对规则进行分析，去掉没有实际意义的规则；关联规则挖掘侧重于确定数据中不同领域之间的联系，找出满足给定支持度和可信度阈值的多个域之间的依赖关系；设在数据集中所有事件T的集合为D，支持度S是数据集中包含事件X和事件Y的数据数与所有数据数的比，记作

置信度C是指包含X和Y的数据数与包含X的数据数之比，记作

具体公式如下：

支持度： $\mathrm{support}(X\⇒Y)=\frac{\left|\right\{T:X\∪Y\⊆T,T\∈D\left\}\right|}{\left|D\right|}$

置信度： $\mathrm{confidence}(X\⇒Y)=\frac{\left|\right\{T:X\∪Y\⊆T,T\∈D\left\}\right|}{|T:X\⊆T,T\∈D|}$

（3b）、利用支持向量机回归函数建立梳棉机自调匀整控制系统，预测未来棉层厚度的变化趋势，通过调节给棉罗拉的电机频率，来控制给棉量的多少，从而实现棉层的稳定；支持向量机的回归函数公式为：

$f\left(z\right)=(\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\θ}}_{i}k(z_i,z_j)+b)$

其中，z_i为训练样本集，k(z_i,z_j)为支持向量机核函数，θ_i为Langrange乘子，b为偏差值，i＝1,2,…,l；

（3c）、利用粒子群算法来优化预测模型参数，通过道夫前端检测到的棉条厚度返回值和棉层厚度数值不断训练和测试预测模型，直到寻找到最优参数和最优预测模型；其中参数优化粒子群算法中粒子根据下面的公式来更新自己的速度和位置。

$v_{\mathrm{ij}}^{t+1}={\mathrm{\ωv}}_{\mathrm{ij}}^t+c_1{r}_1(p_{\mathrm{ij}}^t-x_{\mathrm{ij}}^t)+c_2{r}_2(G^t-x_{\mathrm{ij}}^t)$

$x_{\mathrm{ij}}^{t+1}=v_{\mathrm{ij}}^t+x_{\mathrm{ij}}^{\text{t}}$

其中，

是粒子的速度矢量，i＝1,2,…,m、j＝1,2,…,n；m为种群规模；t是迭代次数；ω是惯性权重；G^t为当前群体中所有微粒经历过的最好位置；x_ij第i个微粒位置向量；c₁、c₂是学习因子或加速常数；r₁、r₂为分布于[0，1]之间的随机数；为使粒子速度不致于过大，可设置速度上限v_max。

4.根据权利要求2所述的基于时间序列挖掘的梳棉机智能匀整系统，其特征在于：所述步骤d中基于核主元分析和支持向量机方法的棉箱气压预测模型是指：

（4a）、由于气压传感器数据以及棉层厚度位移传感器、棉条厚度位移传感器数据的非线性特征明显，通过关联规则提取出频繁项集后，依旧存在数据量大，维度高的问题，利用核主元分析方法分析约减后的数据信息，通过非线性映射将输入空间映射到特征空间，并在特征空间上进行主元分析；通过核函数，将非线性问题转换为线性问题，提取数据的主元信息；其中核主元分析的特征提取公式为：

其中，v_k测试样本的特征向量空间；α为核矩阵K在特征空间下的特征值λ对应的特征向量；

表示内积；

（4b）、然后利用提取到的主元信息建立基于支持向量机方法的棉箱气压时间序列预测模型。

5.根据权利要求2所述的基于时间序列挖掘的梳棉机智能匀整系统，其特征在于：所述步骤e中的梳棉机智能匀整故障报警单元，建立基于决策树支持向量机的故障分离识别模型；

（5a）、识别方法的训练过程是从原始采集智能控制系统的监测数据的多个分类样本模式入手，从决策树的角度来讲是先从叶节点出发，首先在所有N个单一类别样本集中根据模式样本间的类间距离超平面远近，寻找两个最难分的样本集；利用最难分类的样本集进行支持向量机（N-1）训练，把分类训练结果合并生成新的样本集；

（5b）、然后在其余的单一类别样本集中，找到与步骤5a中生成的样本集之间距离超平面最近的样本集，也即是最难分离的样本集，并使用它们进行支持向量机（N-2）训练，再将它们合并得到新样本集；循环此分类过程，直到只余下最后两个样本集为止；

（5c）、利用最后余下的两个样本集进行支持向量机（1）训练，形成最终的训练样本集，此时就得到了决策树的根节点；在训练过程中共建立了N-1个支持向量机子分类器；相对于一对一算法的N·（N-1）/2个分类器，该算法在程序实现过程中，提高分类准确度的同时也极大地提高了分类的效率；

（5d）、在基于决策树支持向量机的分类过程中，对测试样本首先从根节点的支持向量机子分类器支持向量机（1）入手，首先确定是否有突发故障发生，如果没有发生故障则返回无故障，模型分类结束；如果发生故障事件，根据支持向量机子分类器支持向量机（2）来判断，确定其属于哪一类型的故障，以此类推。

Images