CN103559417B - 一种浆纱上浆率智能软测量方法 - Google Patents

Abstract

一种浆纱上浆率智能软测量方法，属于自动化测量技术领域。根据对上浆机理及浆纱机的组成分析，确定浆纱上浆率软测量辅助变量为：浆纱机车速、浆纱机低压上浆辊压力、浆纱机高压上浆辊压力、浆纱机浆槽中浆液浓度和浆纱机浆槽中浆液温度；采集浆纱机历史运行数据建立样本数据集；建立浆纱上浆率软测量模型，得到辅助变量与浆纱上浆之间的关系；浆纱上浆率的在线计算。本发明方法能够在线准确的计算浆纱上浆率，计算速度快、精度高，能实现在线检测，降低浆纱生产过程中能耗物耗；适用范围广，对数据源进行适当修改后可以对其他质量指标如回潮率、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，为其他环节的操作提供参考。

Description

一种浆纱上浆率智能软测量方法

技术领域

本发明属于自动化测量技术领域，涉及纺织浆纱生产检测技术领域，特别涉及一种浆纱上浆率智能软测量方法。

背景技术

浆纱过程是纺织生产中的关键工序，上浆质量的好坏直接关系到经纱强度、毛羽率和耐磨性，进而影响到织机效率。浆纱生产过程工艺复杂，原料、能源的消耗巨大，因此在行业内被形象地称为“老虎口”。浆纱过程用于衡量经纱上浆效果的指标主要包括上浆率、回潮率、伸长率、浸透率、被覆率、浆膜完整率等，其中上浆率是浆纱生产过程的关键质量指标。

现有的浆纱上浆率在线检测方法主要包括：物质平衡法、测湿结合浆液浓度法、近红外光谱法。物质平衡法是通过测定一段时间内浆液的消耗量以及相应的经纱通过量，按照上浆率的定义进行计算来检测经纱的平均上浆率。物质平衡法测定浆纱上浆率具有装置简单、价格低廉的优点，其缺点是该方法得到的是上浆工艺过程中一段时间内的平均上浆率，在实时监控系统中使用时对上浆率的控制与调节具有滞后性。测湿结合浆液浓度法是指采用相关传感器对浆纱压出回潮率及浆液浓度进行测定，利用二者与上浆率之间的数学关系得到浆纱的上浆率指标。该方法采用微波检测浆纱压出回潮率，采用射光仪检测出浆液含固率，二者输入计算机中，利用相关公式进行上浆率计算。测湿结合浆液浓度法测试效果较准确，调节迅速，适用范围广，其缺点是传感器检测技术复杂、设备价格昂贵，同时所采用的浆纱回潮率、浆液含固率二者与上浆率之间的数学关系式多属于近似式。近红外光谱法是利用近红外光谱分析技术，由傅立叶变换近红外光谱仪的分光元件产生的近红外光线照射在浆纱纱片上，由检测器对反射回来的光线进行检测，得到浆纱近红外光谱数据，结合化学计量软件建立上浆率校正模型，实现对浆纱上浆在线检测。近红外光谱检测浆纱上浆率具有检测快速、无损等优点，其缺点是受环境影响较大，特别是浆纱生产现场水蒸汽对检测结果影响较大。上述三种检测方法虽能实现上浆率的检测，但由于各自存在的不足，难以满足当今纺织行业产品质量和生产效率激烈竞争的要求。

发明内容

针对现有技术存在的不足，本发明提出一种提供一种检测精度高、实时性强的浆纱上浆率智能软测量方法，通过已有检测仪器和监控系统提供的辅助变量参数，建立上浆率智能软测量模型，实现浆纱上浆率的在线计算，为浆纱生产过程控制提供关键质量指标。

本发明的技术方案是这样实现的：一种浆纱上浆率智能软测量方法，包括以下步骤：

步骤1：根据对上浆机理及浆纱机的组成分析，确定浆纱上浆率软测量辅助变量为：浆纱机车速x₁、浆纱机低压上浆辊压力x₂、浆纱机高压上浆辊压力x₃、浆纱机浆槽中浆液浓度x₄、浆纱机浆槽中浆液温度x₅；

步骤2：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X＝{x₁，x₂，x₃，x₄，x₅}，浆纱机历史运行数据中包括多组浆纱机车速x₁、低压上浆辊压力x₂、高压上浆辊压力x₃、浆液浓度x₄、浆液温度x₅运行数据且定期进行数据更新；

对浆纱机历史运行数据进行预处理：将超过工艺要求阈值的数据视为无效数据，予以剔除；

步骤3：采用样本数据集建立浆纱上浆率软测量模型，得到辅助变量即浆纱机车速x₁、低压上浆辊压力x₂、高压上浆辊压力x₃、浆液浓度x₄、浆液温度x₅与浆纱上浆之间的关系；

具体步骤如下：

步骤3.1：采用自适应神经模糊推理系统建立浆纱上浆率软测量模型，所述自适应神经模糊推理系统由五层结构构成，其各层结构如下：

第一层：将输入数据进行模糊化，公式如下：

$O_{1,i}={\mathrm{\μ}}_{A_i}\left(x_j\right)$

式中，O_1，i为第一层第i个节点输出，隶属度函数表达式为：

${\mathrm{\μ}}_{A_i}\left(x_j\right)=\exp (-(x_j-c_i)/2{\mathrm{\δ}}_i)$

式中，为模糊集隶属度函数，A_i为隶属度函数类型，且有i＝1，...，k，k为模糊规则数，x_j为输入样本数据，且有j＝1，...，m，m为辅助变量数，c_i和δ_i为隶属度函数的参数，称为自适应模糊推理系统的前件参数；

第二层：对模糊集进行运算，计算每条模糊规则的激励强度，公式如下：

$O_{2,i}={\mathrm{\ω}}_i=\underset{i=1}{\overset{k}{\mathrm{\Π}}}{\mathrm{\μ}}_{A_i}\left(x_j\right)$

式中，O_2，i为第二层第i个节点输出，ω_i为模糊规则的激励强度；

第三层：归一化各条规则的激励强度，公式如下：

式中，O_3，i为第三层第i个节点输出，为归一化的激励强度；

第四层：计算每条规则的输出，公式如下：

式中，O_4，i为第四层第i个节点输出，f_i为线性函数，这里a₀，a₁，…，a_k为自适应神经模糊推理系统的后件参数；

第五层：计算第四层所有规则输出之和，即输出浆纱上浆率，公式如下：

式中，f为自适应神经模糊推理系统输出。

步骤3.2：对于步骤3.1的自适应神经模糊推理系统，通过基于非欧氏距离的聚类方法对样本数据集进行聚类，确定隶属度函数的中心；

具体步骤如下：

步骤3.2.1：输入浆纱机运行样本数据集X＝{x₁，x₂，x₃，x₄，x₅}；

步骤3.2.2：根据聚类目标函数最小原则确定聚类数k；

步骤3.2.3：随机选择初始聚类中心c={c₁，c₂，…，c_k}，设定迭代截止误差值ε>0和最大迭代次数T；

步骤3.2.4：迭代求解聚类目标函数最小时对应的聚类中心，根据聚类目标函数更新聚类中心；

其聚类目标函数为：

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

式中，J为聚类目标函数值，c_i表示第i类聚类中心，w_ij为数据样本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的非欧氏距离函数，且有：

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

式中，d(x_j，c_i)为数据样本x_j到聚类中心c_i的欧氏距离函数，α为数据分散度系数，且有：

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

式中，l_j为各辅助变量的变化范围；n为数据集样本数；β为一个正数；

步骤3.2.5：判断所有聚类中心前后两次的变化是否小于预先设定的误差值ε，若小于预先设定值ε，则结束聚类，输出聚类中心；否则转到步骤3.2.3，直至达到最大迭代次数T。

步骤3.3：对于步骤3.1的自适应神经模糊推理系统，采用混合学习算法确定其第一层的前件参数和第四层的后件参数；

具体步骤如下：

步骤3.3.1：设定误差指标e和最大训练次数T；

步骤3.3.2：在固定前件参数c_i，δ_i的条件下，采用最小二乘算法优化线性后件参数a₀，a₁，…，a_k；

步骤3.3.3：固定后件参数，采用反向传播算法训练前件参数，公式如下：

$E=\frac{1}{n}\underset{h=1}{\overset{n}{\mathrm{\Σ}}}{(f_h-f_h^{*})}^2$

$c_i=c_i-\mathrm{\η}\left(\frac{\∂E}{\∂c_i}\right)$

${\mathrm{\δ}}_i={\mathrm{\δ}}_i-\mathrm{\η}\left(\frac{\∂E}{\∂{\mathrm{\δ}}_i}\right)$

式中，c_i和δ_i为自适应神经模糊推理系统的前件参数，E为误差函数，η为学习速率；f_h为期望输出，为实际输出，且有h=1，...，n，n为数据集样本数。

步骤3.3.4：判断误差是否小于设定误差指标e，如果小于设定误差指标则跳出循环，否则转到步骤3.3.2，直至达到最大训练次数T。

步骤3.4：根据步骤3.2和步骤3.3确定自适应神经模糊推理系统的参数，建立辅助变量与浆纱上浆之间的非线性关系即建立浆纱上浆率软测量模型，通过已知输入量数据包括浆纱机车速x₁、低压上浆辊压力x₂、高压上浆辊压力x₃、浆液浓度x₄、浆液温度x₅，计算出浆纱上浆率；

步骤4：浆纱上浆率的在线计算，具体过程如下：

步骤4.1：采集当前时刻的浆纱机运行数据信息，包括浆纱机车速x₁、低压上浆辊压力x₂、高压上浆辊压力x₃、浆液浓度x₄、浆液温度x₅，通过浆纱上浆率智能软测量模型计算当前时刻浆纱上浆率；

步骤4.2：计算当前浆纱上浆率智能软测量模型误差，即实时计算的浆纱上浆率与实际测量的浆纱上浆率之差的绝对值，若当前浆纱上浆率软测量模型误差大于5％，则重新读取浆纱机运行数据建立新的样本数据集，返回步骤3，否则执行步骤4.3；

步骤4.3：将步骤4.1计算的浆纱上浆率作为浆纱上浆率软测量结果。

本发明的有益效果：

(1)本发明方法能够在线准确的计算浆纱上浆率，计算速度快、精度高，为浆纱生产过程提供指导，达到提高产品一级品率得目的；

(2)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上浆率，降低浆纱生产过程中能耗物耗；

(3)本发明方法适用范围广，对数据源进行适当修改后可以对其他关键质量指标(如回潮率、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为本发明实施方式的浆纱上浆率软测量方法流程图；

图2为本发明实施方式的自适应神经模糊推理系统结构；

图3为本发明实施方式的非欧氏距离聚类算法流程图；

图4为本发明实施方式的不同聚类数所对应聚类目标对比曲线；

图5为本发明实施方式的混合学习算法流程图；

图6为本发明实施方式的智能软测量模型训练阶段误差曲线；

图7为本发明实施方式的浆纱上浆率软测量模型训练后的上浆率期望输出与实际输出的对比曲线图；

图8为本发明实施方式的各建模方法模型误差比较。

具体实施方式

下面结合附图对本发明的实施方式作进一步详细的说明。

本实施方式给出的浆纱上浆率软测量方法，应用于纺织浆纱生产过程质量指标在线检测。浆纱机设备包括经轴架、浆槽(主要由引纱辊、导纱辊、浸没辊、低压上浆辊、浸没辊、高压上浆辊组成)、湿分绞、烘房、车头(主要由张力辊、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、织轴组成)、数据采集卡和计算机；浆纱机传动部分采用变频控制，计算机集中控制；数据采集卡连接浓度计通过通信电缆与计算机相连，采集浆纱机现场运行数据建立样本数据集。

本实施方式的样本数据集中包括240组浆纱机现场运行数据，其中180组数据作为训练数据集，60组数据作为测试数据集。本实施方式的浆纱上浆率智能软测量建模方法的流程如图1所示，包括以下步骤：

步骤1：根据对纺织浆纱过程的上浆机理及浆纱机组成的分析，本实施方式选择的辅助变量包括：

浆纱机车速x₁；

浆纱机低压上浆辊压力x₂；

浆纱机高压上浆辊压力x₃；

浆纱机浆槽中浆液浓度x₄；

浆纱机浆槽中浆液温度x₅；

步骤2：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X＝{x₁，x₂，x₃，x₄，x₅}，浆纱机历史运行数据中包括多组浆纱机车速x₁、低压上浆辊压力x₂、高压上浆辊压力x₃、浆液浓度x₄、浆液温度x₅运行数据且定期进行数据更新；

本实施方式中，

浆纱机车速x₁包括240组数据，其变化范围为32-54m／min；

浆纱机低压上浆辊压力x₂包括240组数据，其变化范围为11-12kN；

浆纱机高压上浆辊压力x₃包括240组数据，其变化范围为13-21kN；

浆纱机浆槽中浆液浓度x₄包括240组数据，其变化范围为9-11％；

浆纱机浆槽中浆液温度x₅包括240组数据，其变化范围为89-93℃；

将浆纱机车速x₁、低压上浆辊压力x₂、高压上浆辊压力x₃、浆液浓度x₄、浆液温度x₅多组样本数据构成5×240的样本数据集，对样本数据集进行预处理，将超过工艺要求阈值的数据视为无效数据，予以剔除；

步骤3：利用180组训练数据集建立浆纱上浆率软测量模型，得到软测量模型输入量与浆纱上浆之间的关系；

其步骤如下：

步骤3.1：采用自适应神经模糊推理系统建立浆纱上浆率软测量模型，所述自适应神经模糊推理系统由五层结构构成，自适应神经模糊推理系统结构如图2所示。其各层结构如下：

第一层：将输入数据进行模糊化，公式如下：

$O_{1,i}={\mathrm{\μ}}_{A_i}\left(x_j\right)$

本实施方式中，采用高斯函数作为隶属度函数：

${\mathrm{\μ}}_{A_i}\left(x_j\right)=\exp (-(x_j-c_i)/2{\mathrm{\δ}}_i)$

式中，为模糊集隶属度函数，A_i为隶属度函数类型，且有i＝1，...，k，k为模糊规则数，x_j为输入样本数据，且有j=1，...，m，m为辅助变量数，c_i和δ_i为隶属度函数的参数，称为自适应模糊推理系统的前件参数；

第二层：对模糊集进行运算，计算每条模糊规则的激励强度，公式如下：

$O_{2,i}={\mathrm{\ω}}_i=\underset{i=1}{\overset{k}{\mathrm{\Π}}}{\mathrm{\μ}}_{A_i}\left(x_j\right)$

式中，O_2，i为第二层第i个节点输出，ω_i为模糊规则的激励强度；

第三层：归一化各条规则的激励强度，公式如下：

式中，O_3，i为第三层第i个节点输出，为归一化的激励强度；

第四层：计算每条规则的输出，公式如下：

式中，O_4，i为第四层第i个节点输出，f_i为线性函数，这里a₀，a₁，…，a_k为自适应神经模糊推理系统的后件参数；

第五层：计算第四层所有规则输出之和，即输出浆纱上浆率，公式如下：

式中，f为自适应神经模糊推理系统输出。

步骤3.2：对于步骤3.1的自适应神经模糊推理系统，通过基于非欧氏距离的聚类方法对样本数据集进行聚类，确定隶属度函数的中心；

本实施方式利用自适应神经模糊推理系统建立上浆率软测量模型，首先采用非欧氏距离函数的聚类方法对样本数据集进行聚类，找到数据集的聚类中心即确定自适应神经模糊推理系统第一层的隶属函数中心，并可以根据聚类中心的个数来确定模糊系统的模糊规则数。所述的非欧氏距离的聚类方法，其流程如图3所示，

具体步骤如下：

步骤3.2.1：输入浆纱机样本数据集X＝{x₁，x₂，x₃，x₄，x₅}；

步骤3.2.2：根据聚类目标函数最小原则确定聚类数k；

本实施方式中，经聚类目标函数计算确定180组浆纱运行数据所组成的训练数据集的最佳聚类数k＝14，图4为非欧氏距离聚类方法中不同聚类数所对应聚类目标对比曲线。根据聚类目标函数计算可确定最佳聚类数，当聚类数k＝14时，聚类目标函数最小。对数据输入空间进行划分后，得到14个聚类中心，即自适应神经模糊推理系统的14条初始模糊规则。

步骤3.2.3：随机选择初始聚类中心c={c₁，c₂，…，c₁₄}，并设定迭代截止误差值ε=0.01和最大迭代次数T＝800；

步骤3.2.4：迭代求解聚类目标函数最小时对应的聚类中心，根据聚类目标函数更新聚类中心；

其聚类目标函数为：

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

式中，J为聚类目标函数值，c_i表示第i类聚类中心，w_ij为数据样本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的非欧氏距离函数，且有：

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

式中，d(x_j，c_i)为数据样本x_j到聚类中心c_i的欧氏距离函数，α为数据分散度系数，且有：

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

式中，l_j为各辅助变量的变化范围；n为数据集样本数；β为一个正数；

本实施方式中，n＝180，m＝5，β＝20，l_i，i＝1，2，3，4，5为辅助变量浆纱机车速、低压上浆辊压力、高压上浆辊压力、浆液浓度和浆液温度数据的变化范围，其变化范围如表1所示。经计算得样本数据集分散度α＝0.1012。

表1样本数据变化范围

非欧氏距离函数ρ(x_j，c_i)是有界并且单调递增的，当欧氏距离函数d(x_j，c_i)为零时，非欧氏距离函数ρ(x_j，c_i)为零；当欧氏距离函数d(x_j，c_i)趋于无穷时，非欧氏距离函数ρ(x_j，c_i)趋于1。即使一个样本点x_j离所在聚类中心c_i很远，非欧氏距离函数的值也只是趋于区间范围内的最大值而已，降低噪声数据和孤立点数据对聚类的影响。因此，非欧氏距离函数比欧氏距离的鲁棒性更好。

欧氏距离与非欧氏距离的数据对比如表2所示。

表2欧氏距离函数与非欧氏距离函数对比

步骤3.2.5：判断所有聚类中心前后两次的变化是否小于预先设定的误差值ε=0.01，若是，则结束聚类，输出聚类中心，否则转到步骤3.2.4直至迭代次数达到T＝800。

本实施方式中，训练数据集聚类中心如表3所示。

表3聚类中心数据表

步骤3.3：对于步骤3.1的自适应神经模糊推理系统，采用混合学习算法确定其第一层的前件参数和第四层的后件参数；

本实施方式中，对于自适应神经模糊推理系统中参数的训练，首先固定前件参数，采用最小二乘算法优化线性后件参数；然后固定后件参数，采用反向传播算法训练前件参数，混合学习算法流程如图5所示，具体步骤如下：

步骤3.3.1：设定误差指标e＝0.001和最大训练次数T＝500；

步骤3.3.2：在固定前件参数c_i，δ_i的条件下，采用最小二乘算法优化线性后件参数a₀，a₁，…，a_k；

步骤3.3.3：固定后件参数，采用反向传播算法训练前件参数，公式如下：

$E=\frac{1}{n}\underset{h=1}{\overset{n}{\mathrm{\Σ}}}{(f_h-f_h^{*})}^2$

$c_i=c_i-\mathrm{\η}\left(\frac{\∂E}{\∂c_i}\right)$

${\mathrm{\δ}}_i={\mathrm{\δ}}_i-\mathrm{\η}\left(\frac{\∂E}{\∂{\mathrm{\δ}}_i}\right)$

式中，c_i和δ_i为自适应神经模糊推理系统的前件参数，E为误差函数，η为学习速率；f_h为期望输出，为实际输出，且有h＝1，...，n，n为数据集样本数。

步骤3.3.4：判断误差是否小于设定误差指标e＝0.001，如果小于设定误差指标则跳出循环，否则转到步骤3.3.2，直至达到最大训练次数T＝500。

本实施方式采用混合学习算法进行训练，对于前件参数采用BP算法，而对于后件参数则采用线性最小二乘估计算法调整参数。通过对180组数据进行训练，确定自适应神经模糊推理系统的前件参数和后件参数，误差逐渐减小，直至达到误差e＝0.00要求精度。图6所示为本实施方式中智能软测量模型训练阶段误差曲线。建立浆纱上浆率软测量模型后，利用60组浆纱样本数据集对所建立的上浆率软测量模型进行校验，图7所示为实际上浆率与模型计算上浆率对比曲线。

为比较模型的性能，将本实施方式采用非欧氏距离聚类的自适应神经模糊推理系统所建立的浆纱上浆率软测量模型分别与均匀网格划分的自适应神经模糊推理系统、BP神经网络和RBF神经网络进行比较，分别比较训练阶段的收敛时间、最大相对误差(MRE)、最大绝对误差(MAE)、均方根误差(RMSE)。各建模方法性能比较如表4所示。

表4各模型性能比较

表4中各模型训练步长均为150步，其中基于非欧氏距离聚类的自适应神经模糊推理系统采用sugeno型模糊推理系统，聚类数为14，训练过程收敛时间为3.92s，均方根误差为0.0892；均匀网格划分的自适应神经模糊推理系统的隶属度函数个数分别为2和3，训练过程收敛时间为11.75s和1063.99s，均方根误差分别为0.1747和0.1928；BP神经网络隐含层节点数为50，训练过程收敛时间为6.13s，均方根误差为0.1562；RBF神经网络训练过程收敛时间为1.63s，均方根误差为0.1790。图8为各模型最大相对误差、最大绝对误差和均方根误差比较柱状图。

步骤3.4：根据步骤3.2和步骤3.3确定自适应神经模糊推理系统的参数，建立输入量与浆纱上浆之间的非线性映射关系即建立浆纱上浆率软测量模型，通过已知输入量数据包括浆纱机车速x₁、低压上浆辊压力x₂、高压上浆辊压力x₃、浆液浓度x₄、浆液温度x₅，计算出浆纱上浆率；

步骤4：浆纱上浆率的在线计算

所述的浆纱上浆率的在线计算步骤如下：

步骤4.1：采集当前时刻的浆纱机运行数据信息，包括浆纱机车速x₁、低压上浆辊压力x₂、高压上浆辊压力x₃、浆液浓度x₄、浆液温度x₅，通过浆纱上浆率智能软测量模型计算当前时刻浆纱上浆率；

步骤4.2：计算当前浆纱上浆率智能软测量模型误差，即实时计算的浆纱上浆率与实际测量的浆纱上浆率之差的绝对值，若当前浆纱上浆率软测量模型误差大于5％，则重新读取浆纱机运行数据建立新的样本数据集，返回步骤3，否则执行步骤4.3；

本实施方式中，将上浆率软测量模型的计算值y*与同一时刻实验室检测的浆纱上浆率实际测量值y进行比较，判断浆纱上浆率智能软测量模型的有效性和准确性。当实时计算的浆纱上浆率与实际测量的浆纱上浆率绝对误差|y-y*|>5％时，用本周浆纱机历史运行数据替换四周前的历史运行数据，并保留前三周历史运行数据一并作为样本数据集，重新建立新的样本数据集，训练自适应神经模糊推理系统的参数，以保证浆纱上浆率软测量模型的准确性。

步骤4.3：将步骤4.1计算的浆纱上浆率作为浆纱上浆率软测量结果。

由本实施方式结果可知，本实施方式所提及浆纱上浆率软测量模型计算速度快，精度高，能够在线准确的计算浆纱上浆率，为浆纱生产过程控制提供关键质量指标。

虽然以上描述了本发明的具体实施方式，但是本领域内的熟练的技术人员应当理解，这些仅是举例说明，可以对这些实施方式做出多种变更或修改，而不背离本发明的原理和实质。本发明的范围仅由所附权利要求书限定。

Claims (2)

1.一种浆纱上浆率智能软测量方法，其特征在于：包括如下步骤：

步骤1：根据对上浆机理及浆纱机的组成进行分析，确定浆纱上浆率软测量模型的辅助变量为：浆纱机车速x₁、浆纱机低压上浆辊压力x₂、浆纱机高压上浆辊压力x₃、浆纱机浆槽中浆液浓度x₄、浆纱机浆槽中浆液温度x₅；

步骤2：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X＝{x₁,x₂,x₃,x₄,x₅}，浆纱机历史运行数据中包括多组浆纱机车速x₁、低压上浆辊压力x₂、高压上浆辊压力x₃、浆液浓度x₄、浆液温度x₅运行数据；

对样本数据集进行预处理：将超过工艺要求阈值的数据视为无效数据，予以剔除；

步骤3：采用样本数据集建立浆纱上浆率软测量模型，得到辅助变量即浆纱机车速x₁、低压上浆辊压力x₂、高压上浆辊压力x₃、浆液浓度x₄、浆液温度x₅与浆纱上浆之间的关系；

所述的浆纱上浆率智能软测量模型，是采用自适应神经模糊推理系统建立的，首先采用非欧氏距离函数的聚类方法对样本数据集进行聚类，找到数据集的聚类中心即确定自适应神经模糊推理系统第一层的隶属函数中心，并可以根据聚类中心的个数来确定模糊系统的模糊规则数，包括如下步骤：

步骤3.1：采用自适应神经模糊推理系统建立浆纱上浆率软测量模型，确定自适应神经模糊推理系统的具体结构：

第一层：将输入数据进行模糊化，公式如下：

$O_{1,i}={\mathrm{\μ}}_{A_i}\left(x_j\right)$

式中，O_1,i为第一层第i个节点输出，隶属度函数表达式为：

${\mathrm{\μ}}_{A_i}\left(x_j\right)=\exp (-(x_j-c_i)/2{\mathrm{\δ}}_i)$

式中，为模糊集隶属度函数，A_i为隶属度函数类型，且有i＝1,…,k，k为模糊规则数，x_j为输入样本数据，且有j＝1,…,m，m为辅助变量数，c_i和δ_i为隶属度函数的参数，称为自适应模糊推理系统的前件参数；

第二层：对模糊集进行运算，计算每条模糊规则的激励强度，公式如下：

$O_{2,i}={\mathrm{\ω}}_i=\underset{i=1}{\overset{k}{\Π}}{\mathrm{\μ}}_{A_i}\left(x_j\right)$

式中，O_2,i为第二层第i个节点输出，ω_i为模糊规则的激励强度；

第三层：归一化各条规则的激励强度，公式如下：

式中，O_3,i为第三层第i个节点输出，为归一化的激励强度；

第四层：计算每条规则的输出，公式如下：

式中，O_4,i为第四层第i个节点输出，f_i为线性函数，这里a₀,a₁,…,a_k为自适应神经模糊推理系统的后件参数；

第五层：计算第四层所有规则输出之和，即输出浆纱上浆率，公式如下：

式中，f为自适应神经模糊推理系统输出；

步骤3.2：对于步骤3.1的自适应神经模糊推理系统，通过基于非欧氏距离的聚类方法对样本数据集进行聚类，确定隶属度函数的中心；

步骤3.2.1：输入浆纱机运行样本数据集X＝{x₁,x₂,x₃,x₄,x₅}；

步骤3.2.2：根据聚类目标函数最小原则确定聚类数k，即确定自适应神经模糊推理系统的模糊规则数；

步骤3.2.3：随机选择初始聚类中心c＝{c₁,c₂,…,c_k}，设定迭代截止误差值ε＞0和最大迭代次数T；

步骤3.2.4：迭代求解聚类目标函数最小时对应的聚类中心，根据聚类目标函数更新聚类中心；

其聚类目标函数为：

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

式中，J为聚类目标函数值，c_i表示第i类聚类中心，w_ij为数据样本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的非欧氏距离函数，且有：

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

式中，d(x_j,c_i)为数据样本x_j到聚类中心c_i的欧氏距离函数，α为数据分散度系数，且有：

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

式中，l_j为各辅助变量的变化范围；n为数据集样本数；β为一个正数；

步骤3.2.5：判断所有聚类中心前后两次的变化是否小于预先设定的误差值ε，若小于预先设定值ε，则结束聚类，输出聚类中心，作为自适应神经模糊推理系统第一层的隶属函数中心；否则转到步骤3.2.3，直至达到最大迭代次数T；

步骤3.3：对于步骤3.1的自适应神经模糊推理系统，采用混合学习算法确定其第一层的前件参数和第四层的后件参数；

步骤3.4：根据步骤3.2和步骤3.3确定自适应神经模糊推理系统的参数，建立输入量与浆纱上浆之间的非线性关系即建立浆纱上浆率软测量模型，通过已知输入量数据包括浆纱机车速x₁、低压上浆辊压力x₂、高压上浆辊压力x₃、浆液浓度x₄、浆液温度x₅，计算出浆纱上浆率；

步骤4：采集当前时刻的浆纱机运行数据信息，通过浆纱上浆率智能软测量模型计算当前时刻浆纱上浆率，并计算当前浆纱上浆率软测量模型误差，若当前浆纱回潮率软测量模型误差大于5％，则利用实时采集的前一周的浆纱机运行数据替换早期历史运行数据，建立新的样本数据集，返回步骤3，否则输出浆纱上浆率结果；

步骤5：将采集的实时数据，替换现在的历史数据，建立新的样本数据集，返回步骤3。

2.根据权利要求1所述的浆纱上浆率智能软测量方法，其特征在于：所述步骤3.3中自适应神经模糊推理系统的前件参数和后件参数确定，是采用混合学习算法，具体步骤如下：

步骤3.3.1：设定误差指标e和最大训练次数T；

步骤3.3.2：在固定前件参数c_i,δ_i的条件下，采用最小二乘算法优化线性后件参数a₀,a₁,…,a_k；

步骤3.3.3：固定后件参数，采用反向传播算法训练前件参数，公式如下：

$E=\frac{1}{n}\underset{h=1}{\overset{n}{\Σ}}{(f_h-f_h^{*})}^2$

$c_i=c_i-\mathrm{\η}\left(\frac{\∂E}{\∂c_i}\right)$

${\mathrm{\δ}}_i={\mathrm{\δ}}_i-\mathrm{\η}\left(\frac{\∂E}{\∂{\mathrm{\δ}}_i}\right)$

式中，c_i和δ_i为自适应神经模糊推理系统的前件参数，E为误差函数，η为学习速率；f_h为期望输出，为实际输出，且有h＝1,…,n，n为数据集样本数；

步骤3.3.4：判断误差是否小于设定误差指标e，如果小于设定误差指标则跳出循环，否则转到步骤3.3.2，直至达到最大训练次数T。