CN103136449B - 一种浆纱回潮率软测量方法 - Google Patents

Abstract

本发明提供一种浆纱回潮率软测量方法，采集浆纱机历史运行数据并根据浆纱机历史运行数据建立样本数据集；对样本数据集进行预处理；利用样本数据集，建立浆纱回潮率软测量模型；采集当前时刻的浆纱机运行数据信息，通过浆纱回潮率软测量模型计算当前时刻浆纱回潮率；计算当前浆纱回潮率软测量模型误差，若当前浆纱回潮率软测量模型误差大于5%，则返回，否则将计算的浆纱回潮率作为浆纱回潮率软测量结果。本发明在线准确的计算浆纱回潮率，计算速度快、精度高，为浆纱生产过程提供指导，达到提高控制产品一级品率的目的，帮助操作人员获取实时的浆纱回潮率，对数据源进行适当修改后可以对其他关键质量指标（如上浆率、伸长率等）进行在线软测量。

Description

一种浆纱回潮率软测量方法

技术领域

本发明涉及信息技术及自动化技术领域，具体涉及一种浆纱回潮率软测量方法。

背景技术

浆纱过程是纺织生产过程中的关键工序，也是整个织造过程中提高质量，降低经向断头，提高织机效率，增加经济效益的关键工序。浆纱的主要目的是提高经纱的可织性，使其在织造时能承受织机上强烈作用，即保证经纱在织机上能顺利织造，并提高生产效率。浆纱过程包含复杂的化学、热力学过程。由于其生产过程的复杂性，浆纱过程中的一些关键质量指标(如回潮率、上浆率、伸长率等）无法及时准确地检测，而这些参数对于浆纱产品质量（特别是产品一级品率）起到重要作用，因此，及时准确地检测上述关键质量指标是纺织企业亟待解决的关键技术问题之一。

目前浆纱回潮率主要通过实验室抽样烘干检测，检测周期长、检测样本覆盖面小，严重影响的检测质量指标的实时性和有效性。近年来，随着检测智能技术的发展，软测量已得到深入的研究和广泛的应用。然而，由于浆纱过程机理复杂，受工况环境影响大，现场采集数据分布分散，噪声大，典型的智能软测量方法无法准确计算浆纱回潮率，严重影响纺织企业的产品质量和社会竞争力。

发明内容

针对现有技术存在的问题，本发明提供一种浆纱回潮率软测量方法。

本发明的技术方案是：

一种浆纱回潮率软测量方法，包括如下步骤：

步骤1：采集浆纱机历史运行数据并根据浆纱机历史运行数据建立样本数据集，所述浆纱机历史运行数据包括：浆纱机车速、压辊压浆力、浆液浓度、浆液温度和环境湿度，样本数据集中包括多组浆纱机历史运行数据；

步骤2：对样本数据集进行预处理：设定浆纱机车速、压辊压浆力、浆液浓度、浆液温度和环境湿度数据的安全数值范围，并删除样本数据集中的无效数据;

步骤3：利用样本数据集，建立浆纱回潮率软测量模型，用来描述浆纱回潮率与车速、压辊压浆力、浆液浓度、浆液温度、环境湿度之间的关系；

步骤4：采集当前时刻的浆纱机运行数据信息，包括浆纱机车速、压辊压浆力、浆液浓度、浆液温度、环境湿度，通过浆纱回潮率软测量模型计算当前时刻浆纱回潮率；

步骤5：计算当前浆纱回潮率软测量模型误差，即实时计算的浆纱回潮率与实际测量的浆纱回潮率之差的绝对值，若当前浆纱回潮率软测量模型误差大于5%，则返回步骤1，否则执行步骤6：

步骤6：将步骤4计算的浆纱回潮率作为浆纱回潮率软测量结果。

所述步骤3中的浆纱回潮率软测量模型，是采用基于数据分散度聚类RBF神经网络建立的，具体步骤如下：

步骤3.1：根据样本数据集中的浆纱机历史运行数据，采用数据分散聚类方法得到聚类中心，即确定RBF神经网络的隐含层节点中心；

步骤3.2：利用样本数据集中的浆纱机历史运行数据的数据分布，计算RBF神经网络隐含层节点宽度；

步骤3.3：利用最小二乘法得到RBF神经网络隐含层到输出层的权值，得到RBF神经网络输入层参数与输出层参数的非线性映射关系，即得到浆纱回潮率软测量模型，所述输入层参数包括浆纱机车速、压辊压浆力、浆液浓度、浆液温度和环境湿度，输出层参数为浆纱回潮率。

所述根据样本数据集中的浆纱机历史运行数据，采用数据分散聚类方法得到聚类中心，即确定RBF神经网络的隐含层节点中心，具体步骤如下：

步骤3.1.1：设定聚类数k，迭代截止误差值ε>0和最大迭代次数T；

步骤3.1.2：随机选择初始聚类中心将聚类中心的迭代次数t赋值为1；

步骤3.1.3：计算样本数据集分散度，样本数据集分散度用来描述样本数据集中数据的分布密度；

定义数据分散度α为

$\mathrm{\α}=\frac{\mathrm{\β}}{n}{\left({\mathrm{\Σ}}_{i=1}^m{l}_i^2\right)}^{1/2}$

其中，l_i为浆纱机车速、压辊压浆力、浆液浓度、浆液温度、环境湿度数据的变化范围，i=1,...,m，m为样本数据集维数；n为数据集样本数；β为一个正数；

步骤3.1.4：建立相似度距离函数和聚类目标函数并求解当聚类目标函数最小时对应的聚类中心，更新聚类中心；

相似度距离是与数据分散度和欧氏距离相关的单调有界函数，用来描述类内相似程度；

聚类目标函数是以相似度距离为评价指标，用来描述同类相似度最大且不同类相似度最小；

相似度距离ρ(x,y)为

$\mathrm{\ρ}(x,y)={(1-e^{{-\mathrm{\αd}}^2(x,y)})}^{1/2}$

其中，d(x,y)为样本x到样本y的欧氏距离函数，α为数据分散度系数；

聚类目标函数为

$\min J=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{\mathrm{\ρ}}^2(x_j,c_i)$

其中，c_i表示第i类聚类中心，w_ij为x_j到聚类中心c_i的隶属度，ρ(x_j,c_i)为x_j到聚类中心c_i的距离函数；

步骤3.1.5：对样本数据集中的各样本数据执行步骤3.1.4，判断上一次求得的聚类中心与当前求得的聚类中心的差值是否小于迭代截止误差值ε，若是，则结束聚类，否则转到步骤3.1.4，直至迭代次数达到T。

有益效果：

本发明所提方法能够在线准确的计算浆纱回潮率，计算速度快、精度高，为浆纱生产过程提供指导，达到提高控制产品一级品率的目的；本发明方法可以实现在线检测，帮助操作人员获取实时的浆纱回潮率，从而指导对浆料调节，降低能耗物耗，适用范围广，对数据源进行适当修改后可以对其他关键质量指标（如上浆率、伸长率等）进行在线软测量；能够方便的与棉纺织生产的其他环节共享信息，便于为其他环节的操作提供参考信息。

附图说明

图1为本发明的具体实施方式的浆纱回潮率软测量方法流程图；

图2为本发明的具体实施方式的相似度距离函数与欧氏距离函数的对比曲线图；

图3为本发明的具体实施方式的浆纱回潮率软测量模型与基于k-means聚类的RBF神经网络模型对比曲线图；

图4为本发明的具体实施方式的浆纱回潮率软测量模型与基于k-means聚类的RBF神经网络模型绝对误差对比图；

图5为本发明的具体实施方式的采用数据分散聚类方法得到聚类中心的流程图。

具体实施方式

下面结合附图对本发明的具体实施方式做详细说明。

本实施方式的浆纱回潮率软测量方法，应用于纺织浆纱生产过程。现场的浆纱机设备主要包括经轴架、浆槽(引纱辊、导纱辊、浸没辊、低压上浆辊、浸没辊、高压上浆辊)、湿分绞、烘房、车头(张力辊、导纱辊、上蜡、分绞棒、伸缩筘、平纱辊、测长辊、拖引辊、卷绕张力辊、导纱辊、织轴)、数据采集器和计算机：浆纱机传动部分采用独立单元变频控制，计算机集中控制；数据采集器连接浓度计、湿度计，通过通信总线与计算机相连，采集浆纱机运行历史数据建立样本数据集。

根据浆纱过程机理和工艺要求，选取浆纱过程可在线测量的浆纱机车速、浆纱机两个压辊的压浆力、浆液浓度、浆液温度、环境湿度作为浆纱回潮率软测量模型的输入量，以待检测的浆纱回潮率作为输出量，建立基于数据分散度聚类的浆纱回潮率软测量模型。

本实施方式的浆纱回潮率软测量方法，如图1所示，包括以下步骤：

步骤1：采集浆纱机历史运行数据并根据浆纱机历史运行数据建立样本数据集，所述浆纱机历史运行数据包括：浆纱机车速（X₁）、浆纱机两个压辊的压浆力（X₂、X₃）、浆液浓度（X₄）、浆液温度（X₅）和环境湿度（X₆），本实施方式的样本数据集中包括180组浆纱机历史运行数据；

步骤2：对样本数据集进行预处理：设定浆纱机车速、压辊压浆力、浆液浓度、浆液温度和环境湿度数据的安全数值范围，并删除样本数据集中的无效数据；

根据行业规定对浆纱机车速（X₁）、浆纱机两个压辊的压浆力（X₂、X₃）、浆液浓度（X₄）、浆液温度（X₅）和环境湿度（X₆）进行限制，设定这些数据的安全数值范围，例如设定压浆辊压浆力安全阈值，超过该阈值的数据视为无效数据；或者删除有明显错误的观测值，如浆液温度为负的观测值；

步骤3：利用样本数据集，建立浆纱回潮率软测量模型，用来描述浆纱回潮率与车速、压辊压浆力、浆液浓度、浆液温度、环境湿度之间的关系；

采用基于数据分散度聚类RBF神经网络建立浆纱回潮率软测量模型，具体步骤如下：

步骤3.1：根据样本数据集中的浆纱机历史运行数据，采用数据分散聚类方法得到聚类中心，即确定RBF神经网络的隐含层节点中心；

根据样本数据集中的浆纱机历史运行数据，采用数据分散聚类方法得到聚类中心，流程如图5所示，具体步骤如下：

步骤3.1.1：设定聚类数k=12，迭代截止误差值ε=0.01和最大迭代次数T=1000；

步骤3.1.2：随机选择初始聚类中心将聚类中心的迭代次数t赋值为1；

步骤3.1.3：计算样本数据集分散度，样本数据集分散度用来描述样本数据集中数据的分布密度；

定义数据分散度α为

$\mathrm{\α}=\frac{\mathrm{\β}}{n}{\left({\mathrm{\Σ}}_{i=1}^m{l}_i^2\right)}^{1/2}$

其中，l_i为浆纱机车速、压辊压浆力、浆液浓度、浆液温度、环境湿度数据的变化范围，i=1,...,m，m为样本数据集维数；n为数据集样本数；β为一个正数；

本实施方式中，n=180，m=6，l_i，i=1,2,3,4,5,6为各参数变化范围，参数变化范围如表1所示。

表1参数变化范围

步骤3.1.4：建立相似度距离函数和聚类目标函数并求解当聚类目标函数最小时对应的聚类中心，更新聚类中心 $c^{t+1}=\{c_1^{t+1},c_2^{t+1},\·\·\·{,c}_{12}^{t+1}\};$

相似度距离是与数据分散度和欧氏距离相关的单调有界函数，用来描述类内相似程度；

聚类目标函数是以相似度距离为评价指标，用来描述同类相似度最大且不同类相似度最小；

相似度距离函数ρ(x,y)为

$\mathrm{\ρ}(x,y)={(1-e^{{-\mathrm{\αd}}^2(x,y)})}^{1/2}$

其中，d(x,y)为样本x到样本y的欧氏距离函数，α为数据分散度系数；

相似度距离函数ρ(x,y)是有界并且单调递增的，当欧氏距离函数d(x,y)为零时，相似度距离函数ρ(x,y)为零；当欧氏距离函数d(x,y)趋于无穷时，相似度距离函数ρ(x,y)趋于1。

欧氏距离函数与不同分散度系数α时的相似度距离函数的数据对比如表2所示。

表2欧氏距离函数与不同分散度系数α时的相似度距离函数的数据对比

x	0.1	0.2	0.3	0.4	0.5	0.6	0.7
								欧氏距离函数	0.1414	0.2828	0.4243	0.5657	0.7071	0.8485	0.9899
α=0.5时相似度距离函数	0.2613	0.3631	0.4372	0.4963	0.5457	0.5880	0.6248

α=1.0时相似度距离函数	0.3631	0.4963	0.5880	0.6573	0.7120	0.7563	0.7927
								α=5.0时相似度距离函数	0.7120	0.8700	0.9382	0.9700	0.9853	0.9928	0.9965
α=10.0时相似度距离函数	0.8700	0.9700	0.9928	0.9983	0.9996	0.9999	1.0000
								x	0.8	0.9	1	1.1	1.2	1.3	1.4
欧氏时距离函数	1.1314	1.2728	1.4142	1.5556	1.6970	1.8384	1.9798
								α=0.5时距离函数	0.6573	0.6861	0.7120	0.7352	0.7563	0.7753	0.7927
α=1.0时距离函数	0.8230	0.8485	0.8700	0.8882	0.9038	0.9170	0.9284
								α=5.0时距离函数	0.9983	0.9991	0.9996	0.9998	0.9999	0.9999	1.0000
α=10.0时距离函数	1.0000	1.0000	1.0000	1.0000	1.0000	1.0000	1.0000
								x	1.5	1.6	1.7	1.8	1.9	2
欧氏时距离函数	2.1212	2.2626	2.4040	2.5454	2.6868	2.8281
								α=0.5时距离函数	0.8085	0.8230	0.8363	0.8485	0.8597	0.8700
α=1.0时距离函数	0.9381	0.9465	0.9538	0.9600	0.9653	0.9700
								α=5.0时距离函数	1.0000	1.0000	1.0000	1.0000	1.0000	1.0000
α=10.0时距离函数	1.0000	1.0000	1.0000	1.0000	1.0000	1.0000

欧氏距离函数与不同分散度系数α时的相似度距离函数的对比曲线如图2所示。

本实施方式中，数据分散度系数α=0.5。

聚类目标函数为

$\min J=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{\mathrm{\ρ}}^2(x_j,c_i)$

其中，c_i表示第i类聚类中心，w_ij为x_j到聚类中心c_i的隶属度，ρ(x_j,c_i)为x_j到聚类中心c_i的距离函数；

步骤3.1.5：对样本数据集中的各样本数据执行步骤3.1.4，判断上一次求得的聚类中心与当前求得的聚类中心的差值是否小于迭代截止误差值ε，若是，则结束聚类，否则t=t+1，转到步骤3.1.4，直至迭代次数达到T。

经迭代计算得到的聚类中心如表3所示。

表3聚类中心数据表

聚类中心	X1	X2	X3	X4	X5	X6
							1	11.06	15.30	41.60	9.69	92.04	2.19
2	11.09	17.87	53.66	9.29	91.88	1.93
							3	11.89	19.01	52.40	10.36	89.26	1.93
4	11.96	15.05	47.99	9.86	93.01	1.80
							5	11.25	14.93	41.48	9.74	92.08	1.78
6	11.07	19.92	43.09	11.38	90.03	1.84
							7	11.06	17.21	43.35	9.25	89.98	1.91
8	11.05	13.11	33.48	9.74	91.96	1.87
							9	11.95	16.97	47.57	10.98	90.01	1.86
10	11.10	18.11	32.09	10.80	89.87	1.92
							11	11.00	21.00	44.89	10.28	97.97	1.84
12	11.09	15.00	45.04	9.59	92.91	1.88

步骤3.2：利用样本数据集中的浆纱机历史运行数据的数据分布，计算RBF神经网络隐含层节点宽度σ_i；

RBF神经网络隐含层节点宽度σ_i公式如下：

${\mathrm{\σ}}_i=\frac{d_{\max }}{\sqrt{2k}},i=\mathrm{1,2,3}...,k;$

其中，d_max为所有聚类中心之间的最大距离，k为隐含层的节点数；

步骤3.3：利用最小二乘法得到RBF神经网络隐含层到输出层的权值W，得到RBF神经网络输入层参数与输出层参数的非线性映射关系，即得到浆纱回潮率软测量模型；

输入层参数包括浆纱机车速、压辊压浆力、浆液浓度、浆液温度和环境湿度，输出层参数为浆纱回潮率。

步骤4：采集当前时刻的浆纱机运行数据信息，包括浆纱机车速、压辊压浆力、浆液浓度、浆液温度、环境湿度，通过浆纱回潮率软测量模型计算当前时刻浆纱回潮率；

步骤5：计算当前浆纱回潮率软测量模型误差，即实时计算的浆纱回潮率与实际测量的浆纱回潮率之差的绝对值，若当前浆纱回潮率软测量模型误差大于5%，则返回步骤1，否则执行步骤6；

当前浆纱回潮率软测量模型误差 $e_{\mathrm{abs}}=|\hat{y}-y|\×100\%$

其中，为浆纱回潮率软测量模型计算的浆纱回潮率，y为实际浆纱回潮率。

步骤6：将步骤4计算的浆纱回潮率作为浆纱回潮率软测量结果。

将本实施方式所建立的浆纱回潮率软测量模型与基于k-means聚类的RBF神经网络模型进行比较（其中采用传统的k-means聚类方法训练RBF神经网络，其隐含层基函数采用高斯函数，宽度选取0.1）。

浆纱回潮率软测量模型与基于k-means聚类的RBF神经网络模型对比曲线如图3所示，浆纱回潮率软测量模型与基于k-means聚类的RBF神经网络模型绝对误差如图4所示。对于相同实验数据采用基于k-means聚类的RBF神经网络模型绝对校验误差最大值大于1.1，而采用本实施方式的基于数据分散度聚类的RBF神经网络模型绝对校验误差最大值小于0.4，最小值小于0.1。由实验结果可知，本方法计算速度快、精度高，能够在线准确的计算浆纱回潮率，为浆纱生产过程提供指导。

Claims (1)

1.一种浆纱回潮率软测量方法，包括如下步骤：

步骤1：采集浆纱机历史运行数据并根据浆纱机历史运行数据建立样本数据集，所述浆纱机历史运行数据包括：浆纱机车速、压辊压浆力、浆液浓度、浆液温度和环境湿度，样本数据集中包括多组浆纱机历史运行数据；

步骤2：对样本数据集进行预处理：设定浆纱机车速、压辊压浆力、浆液浓度、浆液温度和环境湿度数据的安全数值范围，并删除样本数据集中的无效数据；

步骤3：利用样本数据集，建立浆纱回潮率软测量模型，用来描述浆纱回潮率与车速、压辊压浆力、浆液浓度、浆液温度、环境湿度之间的关系；

步骤4：采集当前时刻的浆纱机运行数据信息，包括浆纱机车速、压辊压浆力、浆液浓度、浆液温度、环境湿度，通过浆纱回潮率软测量模型计算当前时刻浆纱回潮率；

步骤5：计算当前浆纱回潮率软测量模型误差，即实时计算的浆纱回潮率与实际测量的浆纱回潮率之差的绝对值，若当前浆纱回潮率软测量模型误差大于5％，则返回步骤1，否则执行步骤6；

步骤6：将步骤4计算的浆纱回潮率作为浆纱回潮率软测量结果；

其特征在于：所述步骤3中的浆纱回潮率软测量模型，是采用基于数据分散度聚类RBF神经网络建立的，具体步骤如下：

步骤3.1：根据样本数据集中的浆纱机历史运行数据，采用数据分散聚类方法得到聚类中心，即确定RBF神经网络的隐含层节点中心；

步骤3.1具体步骤如下：

步骤3.1.1：设定聚类数k，迭代截止误差值ε＞0和最大迭代次数T；

步骤3.1.2：随机选择初始聚类中心将聚类中心的迭代次数t赋值为1；

步骤3.1.3：计算样本数据集分散度，样本数据集分散度用来描述样本数据集中数据的分布密度；

定义数据分散度α为

$\mathrm{\α}=\frac{\mathrm{\β}}{n}{\left({\mathrm{\Σ}}_{i=1}^m{l}_i^2\right)}^{1/2}$

其中，l_i为浆纱机车速、压辊压浆力、浆液浓度、浆液温度、环境湿度数据的变化范围，i＝1,…,m，m为样本数据集维数；n为数据集样本数；β为一个正数；

步骤3.1.4：建立相似度距离函数和聚类目标函数并求解当聚类目标函数最小时对应的聚类中心，更新聚类中心；

相似度距离是与数据分散度和欧氏距离相关的单调有界函数，用来描述类内相似程度；

聚类目标函数是以相似度距离为评价指标，用来描述同类相似度最大且不同类相似度最小；

相似度距离函数ρ(x,y)为

$\mathrm{\ρ}(x,y)={(1-e^{-\mathrm{\α}{d}^2(x,y)})}^{1/2}$

其中，d(x,y)为样本x到样本y的欧氏距离函数，α为数据分散度；

聚类目标函数为

$\min J=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{\mathrm{\ρ}}^2(x_j,c_i)$

其中，c_i表示第i类聚类中心，w_ij为x_j到聚类中心c_i的隶属度，ρ(x_j,c_i)为x_j到聚类中心c_i的距离函数；

步骤3.1.5：对样本数据集中的各样本数据执行步骤3.1.4，判断上一次求得的聚类中心与当前求得的聚类中心的差值是否小于迭代截止误差值ε，若是，则结束聚类，否则转到步骤3.1.4，直至迭代次数达到T；

步骤3.2：利用样本数据集中的浆纱机历史运行数据的数据分布，计算RBF神经网络隐含层节点宽度；

步骤3.3：利用最小二乘法得到RBF神经网络隐含层到输出层的权值，得到RBF神经网络输入层参数与输出层参数的非线性映射关系，即得到浆纱回潮率软测量模型，所述输入层参数包括浆纱机车速、压辊压浆力、浆液浓度、浆液温度和环境湿度，输出层参数为浆纱回潮率。