CN103604908A - 一种基于Learn++的上浆率预测方法 - Google Patents

Abstract

本发明是一种基于Learn++的浆纱过程中浆纱机上浆率的软测量方法，通过对浆纱过程的机理分析，得到影响上浆率的主要因素。并将这些因素作为输入，上浆率作为输出，提出了一种基于Learn++的软测量建模新方法。Learn++算法保留了常用集成算法能够提高单一学习机性能的特点，此外还可以克服现有软测量学习方法中容易遗忘已学信息和由于重复使用原始训练数据造成时间和资源浪费的缺点，具有增量学习的能力。在建模过程中由于ELM与传统的神经网络算法相比具有学习速度快、简单易行，可以克服传统梯度算法常有的局部极小、过拟合和学习率选择不合适等问题，拥有更好的泛化能力等特点，将其选择作为基本弱学习机。该方法能够有效地提高软测量预测精度，并实现在线实时测量，为确保浆纱质量、节约能源、降低成本提供有效途径。

Description

一种基于Learn++的上浆率预测方法

技术领域

上浆率是浆纱质量好坏的重要指标之一。上浆率过大或过小都将严重影响浆纱的质量，给织造生产带来不便，甚至造成大量的原料浪费。为了保证浆纱质量，首先需要对上浆率进行检测，进而控制其达到规定指标。目前，国内外现存的对上浆率进行检测的方法都存在一定的缺陷：时间上的滞后性、应用范围上的局限性、检测结果的不稳定性等，不能很好的实现对上浆率的在线检测。因此，对上浆率的实时检测进行研究是保证浆纱质量的前提，也具有很大的理论价值和实用价值。

本发明通过对浆纱机理的深入调研，从离线建模的角度出发提出了上浆率在线检测的软测量建模方法。通过对浆纱过程的机理分析，得到影响上浆率的主要因素。并将这些因素作为输入，上浆率作为输出，使用ELM神经网络建立基本软测量模型。在此基础上，提供一种通过Learn++将多个不同参数的ELM神经网络基本模型进行融合的软测量建模方法。该方法能够有效地提高软测量预测精度，并实现在线实时测量，为确保浆纱质量、节约能源、降低成本提供有效途径。

背景技术

目前实际生产中对上浆率的检测大都采用退浆法，这种方法通过对上浆后的纱线进行退浆、烘干并称重的方式得到上浆率，整个过程需要4-6个小时，在这期间对浆液浓度无法实现即时准确的控制，这种时间上的大滞后必然影响到纱线产品质量的保障，因此在实际生产过程中，产生大量次品的情况时有发生，对后续产品质量的保证以及能源的节约和成本的降低都带来了许多困难。因此，能够实时精确预测纺织上业过程关键参数的软测量方法是众多纺织企业所迫切需要开发的技术。

发明内容

本发明所要解决的技术问题是，通过对浆纱工艺流程进行深入机理分析得到影响上浆率的主要因素，在此基础上建立ELM神经网络软测量模型，通过Learn++将多个不同参数的SVR软测量模型融合在一起，有效提高软测量精度。

本发明采用的技术方案是：

1.影响上浆率的主要因素。

将纱线和浆液视为一个整体，则在此过程中浆液的总质量是不变的，在此基础上分析浆槽中浆液浓度的变换以及纱线上浆液的变化。将整个浆纱过程分为四个部分：浸浆前、浸浆、压浆和烘浆进行分析。浆料的浸透率、被覆率和浆纱回潮率是影响上浆率的主要因素。其中，浆料的浸透率和被覆率又受浆液浓度、浆液粘度、浆液温度、压浆辊压力(两种)、浸没辊位置、浆纱机速度、纱线覆盖系数和纱线张力的影响；浆纱回潮率又受烘燥温度和浆纱机速度的影响；而随着浆纱时间的增加，浆液浓度、浆液粘度、浆液温度也会发生变化。综上可以得出影响上浆率的11个主要因素：

浆液浓度：浆液是由浆料和溶剂混合加热制成的，它从一定程度上反映了浆液所含浆料的多少，当其它因素不变时，浆液浓度直接影响上浆率的大小。

浆液粘度：粘度是表示流体流动时其内部摩擦阻力的物理量，粘度的大小将直接影响浆料的浸透率和被覆率，从而影响上浆率。

浆液温度：浆液温度对上浆率的影响主要表现在对浆液粘度的影响上，浆液粘度随浆液温度的增大而减小。

第一道压浆辊的压力：当压浆辊的压力增大或者减小时会对纱线的浆料浸透率和被覆率产生影响(具体详见第二章)，从而影响上浆率。

第二道压浆辊的压力：

浸没辊的位置：浸没辊位置的高低将会影响纱线在浆液中的浸泡时间，从而影响纱线的浆料浸透率与被覆率，最终影响上浆率。在实际的上浆过程中，浸没辊的位置在理论上是不变的。

浆纱机速度：和浸没辊的位置一样，当浆纱机的速度增大或者减小时都将影响纱线在浆液中的浸泡时间，从而影响纱线的浆料浸透率与被覆率，最终影响上浆率。

纱线覆盖系数：纱线覆盖的稀疏会影响纱线与浆液的接触面积，因此，在上浆过程中会影响纱线的浆料浸透率和被覆率，从而影响纱线的上浆率。

纱线张力：纱线的张力是通过影响纱线的被拉伸程度来影响纱线的浆料浸透率和被覆率的，最终影响纱线的上浆率。

烘燥温度：烘燥温度是指烘筒内的温度，它主要影响浆纱的回潮率，从而影响浆纱的上浆率和浆纱的性能。

2.基本ELM神经网络软测量模型的建立。

将上述11个主要因素作为ELM神经网络的输入，上浆率作为输出。分别使用不同的参数来建立ELM神经网络模型。

3.基于Learn++的上浆率软测量模型。

软测量问题为一类回归问题，Learn++最早提出，是一种用于解决分类问题的神经网络增量训练算法，主要针对多分类问题，本发明在此基础上，结合回归问题的特点，提出了一类适用于软测量回归问题的改进Learn++算法：

取天津纺织工程研究院有限公司提供的460组数据，随机选取400组用来训练模型，60组数据检验模型。Learn++算法中参数K＝8，即作为子学习机的ELM神经网络模型为8个。将得到的软测量模型与单纯使用ELM神经网络得到的软测量模型进行比较，结果如表1所示：

表1不同软测量模型的性能指标比较

结果表明使用该方法建立的浆纱过程上浆率软测量模型能够有效地提供上浆率的测量精度，其测量结果能够满足实际生产的需要，为纺织企业保障产品质量、节约能源提供可靠的技术支持。

Claims (4)

1.一种基于Learn++的上浆率预测方法，其特征在于：使用Learn++方法将多个ELM神经网络软测量模型进行融合，得到高精度的上浆率软测量建模方法。

2.权利要求1所述的一种基于Learn++的上浆率预测方法，其特征还在于：建立基本软测量模型所使用的输入参数为影响上浆率的主要因素，共11个，这些主要因素是通过对浆纱工艺过程的机理分析得到的。

3.权利要求1所述的一种基于Learn++的上浆率预测方法，其特征还在于：改进后的Learn++算法能够提高单一学习机的性能，进而提高软测量的精度。

4.权利要求1所述的一种基于Learn++的上浆率预测方法，其特征还在于：改进后的Learn++算法还可以克服现有软测量学习方法中容易遗忘已学信息和由于重复使用原始训练数据造成时间和资源浪费的缺点，并具有增量学习能力。