CN106919979A - 一种利用改进遗传算法实现棉花加工过程智能控制的方法 - Google Patents

Abstract

本发明公开了一种利用改进遗传算法实现棉花加工过程智能控制的方法，根据籽棉的回潮率和性状参数自动计算出棉花加工工艺过程的最优加工方案。首先将棉花加工设备串联起来，使用设备的输入输出结果分别训练各个设备的BP神经网络模型，这是遗传算法在运行迭代过程中的变量运算空间，然后建立了棉花品级评判BP神经网络模型，在此基础上，确定了棉花的综合质量等级评价方法，接下来利用线性加权和法建立单目标多变量优化函数模型，将其作为遗传算法在运行过程中的适应度评价函数，最后利用改进遗传算法实现棉花加工过程智能控制。

Description

一种利用改进遗传算法实现棉花加工过程智能控制的方法

技术领域

本发明属于棉花加工过程智能控制领域，特别涉及一种利用改进遗传算法实现棉花加工过程智能控制的方法。

背景技术

我国是棉花种植和加工大国，棉花加工的质量对于棉花产业的效益影响很大。当前国内棉花的产量和加工量稳步增长，但棉花加工水平却还很低，加工时仅仅采用人工离线分析籽棉原料质量的方法来手动调整加工设备的参数，缺少在线检测环节，不能实时根据籽棉质量自动调整加工设备参数，极易导致不同质量、不同含杂量的籽棉原料同时加工，加工过程智能化、自动化程度低，严重降低了皮面成品的质量，导致生产成本高、利润率低。

棉花加工过程受回潮率、含杂率量、杂质种类、设备参数的影响，而这些影响因素是非线性的，存在耦合和时变问题，不能实现各因素的同步优化。因此，棉花加工过程智能控制属于多目标优化问题。

在发达国家，棉花加工设备正向着自动化、大型化、成套化方向发展，加工过程和加工方法向着精细化和智能控制方向发展。

棉花加工高投入、低产出的现状严重制约着我国棉纺织产业的做大做强。随着市场对棉花成品质量要求的提高，我国急需能够实现棉花加工过程智能化控制的技术手段。

发明内容

针对现有棉花加工技术中存在的缺陷和不足，本发明提出一种利用改进遗传算法实现棉花加工过程智能控制的方法。

为实现上述目的，本发明所采用的技术方案如下：

一种利用改进遗传算法实现棉花加工过程智能控制的方法，包括如下步骤：

(1)将棉花加工设备串联起来，使用设备的输入输出结果分别训练各个设备的BP神经网络模型。

(2)建立棉花品级评定BP神经网络模型。

利用大量人工分级后的标准棉样数据，建立6-15-1结构的棉花品级评判BP神经网络模型，实现由棉花特征参数到棉花品级的非线性映射。

(3)建立皮棉综合质量等级评判标准。

皮棉综合质量等级由棉花类型、棉花品级和长度等级这三个因素决定，将棉花的综合质量等级与当时市场价格建立联系，得到皮棉的单产毛利润。

(4)建立棉花加工过程非线性多目标静态优化模型。

根据棉花加工过程所要求的皮棉质量好、高效率和高产出的要求，建立优化模型为：

max f(x)＝max[f₁(x₁…x_p…x₁₄)f₂(x₁…x_p…x₁₄)x₁)]^T

s.t. x_{p min}≤x_p≤x_{p max}

1≤p≤14

其中：

f₁(x)为加工设备相关的棉花综合质量指标；

f₂(x)为与加工设备相关的棉花衣分指标；

x₁…x_p…x₁₄为系统产量和加工设备的14个参数。

(5)利用线性加权和法建立单目标多变量优化模型。

在棉花加工过程多目标优化模型中，皮棉的质量等级、棉花衣分及加工效率直接关系到皮棉的最终收益。利用线性加权和法建立基于棉花加工收益最大化的单目标优化数学模型：

s.t. x_{p min}≤x_p≤x_{p max}

1≤p≤14

式中：

x_p为各个加工设备参数，14个设计变量分别为x₁…x_p…x₁₄；

R_Quality为棉花综合质量等级；

P_Rank为棉花单价；

M_SC为籽棉重量；

ψ为棉花衣分；

C_Time为每小时的加工成本；

x₁为棉花单产量；

M_SC·ψ为合格皮棉产出量；

M_SC/x₁加工总用时。

(6)利用改进遗传算法实现棉花加工过程智能控制。

根据本发明优选的，所述步骤(1)将棉花加工设备串联起来，使用设备的输入输出结果分别训练各个设备的BP神经网络模型，具体步骤为：

(1-1)采用BP神经网络建立由籽棉到皮棉的生产过程的黑箱模型，输入为加工前籽棉的性状参数P、籽棉回潮率M和加工设备参数，输出为加工后皮棉的性状参数、皮棉回潮率。

(1-2)针对BP神经网络模型存在过于庞大、很难训练的问题，将各加工设备单独设计BP神经网络模型，利用现场加工数据进行反复的训练，得到精确的BP神经网络模型。将前面加工设备神经网络模型的输出作为后面的输入，实现各设备的顺次串接，从而构建从籽棉到皮面整个生产过程的BP神经网络模型。

根据本发明优选的，所述步骤(6)利用改进遗传算法实现棉花加工过程智能控制，具体步骤为：

(6-1)基于基因组的混合实数编码：将各个加工设备抽象为基因组，将若干个按照加工顺序依次排列的加工设备基因组构成一条染色体，每个加工设备基因组包含该设备的变量参数和使用与否的离散变量0、1。

(6-2)将目标函数直接作为适应度函数：

适应度函数为：

s.t. x_{p min}≤x_p≤x_{p max}

1≤p≤16

式中：x_p表示加工过程中各设备的16个参数。

(6-3)根据棉花轧花机加工后皮棉中不含有重杂的条件，利用惩罚函数法计算约束条件的满足情况。

如果不满足约束条件，跳过后续计算，直接将该方案的适应值置 零，进行惩罚。

对个体适应度的调整方式为：

式中：f(x)为原适应度；F(x)为经惩罚函数法调整后的适应度

(6-4)利用专家经验构造初始种群

棉花加工过程中，以往的加工经验非常重要，选取5组经验方案加入遗传算法的初始种群中；因为待加工的棉花是在货场成堆存放，一批棉花的性状参数变化不大，所有将遗传算法迭代计算过程中的前2个周期的控制方案一并加入到初始种群中；为了发挥遗传算法的多方向搜索优点，利用随机方式生成遗传算法种群的剩余个体。

(6-5)基于适应度排序的改进遗传算法

根据棉花加工系统自身的特点，构造两个染色体H_m(x)与H_n(x)的相似度系数S_mn：

式中：P＝16；x_pm、x_pn分别为染色体H_m(x)与H_n(x)的各个基因位，且x_{p min}≤x_pm，x_pn≤x_{p max}。

在算法中，设N为种群中个体的数量，F(H_j(x))为染色体H_j(x)的原始适应度经惩罚函数法调整后的最终适应度值，则种群中个体的适应度平均值F_Mean为：

在群体中选取适应度大于F_Mean的个体两两进行相似度计算，设S_GA 为相似度判断的一个阈值，当S_mn＜S_GA时，即认为这两个个体相似。

根据本发明优选的，所述步骤(6-5)基于适应度排序的改进遗传算法，具体步骤为：

(6-5-1)在第k代的迭代过程中，种群G^(k)中的个体数目是N，

(6-5-2)对种群G^(k)中的所有个体求适应度平均值F_Mean，在种群G^(k)中选取大于F_Mean的个体，利用这些个体建立新的种群数目是N_Temp。该步操作是为了排除低适应度个体对遗传算法种群进化大方向的干扰影响。

(6-5-3)对种群根据测试经验选定一个反映个体相似度的阈值S_GA。首先分别计算适应度值最高的个体与种群内剩余个体的相似度S_mn，将种群中小于S_GA的个体去掉。再分别计算适应度值次高的个体与剩余个体的相似度S_mn，将小于S_GA的个体从种群中去掉。经过这些操作后，最终形成的种群中的个体数目为N_Temp。该步操作删除了种群中的相似个体，避免了相似个体之间的过度繁殖对种群进化多样性的影响。

(6-5-4)对数量为N_Temp的种群利用遗传算法的两点交叉、均匀变异操作，使得种群的个体繁殖，个体数量增至2N。该步运算是遗传算法的常规操作，用来在保留变异多样性的条件下对种群规模进行定向扩充。

(6-5-5)计算种群中所有个体的适应度，选择其中适应度最大的N个个体，至此迭代计算出了第k+1代种群G^(k+1)。

(6-5-6)计算迭代进行，直至设定的遗传算法停止条件满足。

附图说明

图1棉花性状参数、工艺参数数据流；

图2棉花的品级评定模型实验；

图3棉花品级与棉花单产毛利润的关系；

图4染色体结构；

图5棉花性状参数、工艺参数数据流；

图6基于适应度排序的改进的遗传算法操作流程图。

具体实施方式

以下结合实施例和说明书附图对本发明做进一步说明，但不限于此。

利用改进遗传算法实现棉花加工过程智能控制的方法，包括如下步骤：

(1)将棉花加工设备串联起来，使用设备的输入输出结果分别训练各个设备的BP神经网络模型。见图1所示，将前面加工设备神经网络模型的输出作为后面的输入，实现各设备的顺次串接，从而构建从籽棉到皮面整个生产过程的BP神经网络模型。

(2)建立棉花品级评判BP神经网络模型。

利用棉花的成熟度系数、色特征和轧工质量等作为BP神经网络模型的输入，实数1～7显示的棉花品级为模型的输出。如图2，可以看出，该模型的识别率良好，具有重要的指导意义。

(3)建立皮棉综合质量等级评判标准。

皮棉综合质量等级由棉花类型、棉花品级和长度等级这三个因素决定。如图3所示，将棉花的综合质量等级与当时市场价格建立联系， 得到皮棉的单产毛利润。

(4)建立棉花加工过程非线性多目标静态优化模型。

(5)利用线性加权和法建立单目标多变量优化模型。

(6)利用改进遗传算法实现棉花加工过程智能控制。

如图4所示为最终建立起来的染色体构造。其中，A′、B′、C′、D′、E′、F′、G′、H′分别代表各加工设备的基因组。

倾斜式籽清机和提净式籽清机的使用由各加工设备基因组的选择位决定。锯齿式皮清机的使用台数通过排杂刀数量确定。排杂刀数量为0时不使用；排杂刀数量为1～7时使用1台；排杂刀数量为8～14时使用2台。

算法中，在使用倾斜式籽清机、提净式籽清机和锯齿式皮清机时，必须关注B′₁、C′₁、H′₁是否使能该设备有效，只有在有效的情况下，该设备才能参与遗传算法优化迭代，否则该设备将被旁路掉，其数据流如图5所示。

根据棉花加工系统自身的特点，构造两个染色体H_m(x)与H_n(x)的相似度系数S_mn：

式中：P＝16；x_pm、x_pn分别为染色体H_m(x)与H_n(x)的各个基因位，且x_{p min}≤x_pm，x_pn≤x_{p max}。

在算法中，设N为种群中个体的数量，F(H_j(x))为染色体H_j(x)的原始适应度经惩罚函数法调整后的最终适应度值，则种群中个体的适应度平均值F_Mean为：

在群体中选取适应度大于F_Mean的个体两两进行相似度计算，设S_GA为相似度判断的一个阈值，当S_mn＜S_GA时，即认为这两个个体相似。

改进遗传算法的控制流程如图6所示。

本发明的有益效果是：本发明提供一种利用改进遗传算法实现棉花加工过程智能控制的方法，能够有效避免目前棉花加工过程中设备参数调节的盲目性，为改善棉花加工行业的粗放型加工模式提供一套可行的解决方案。本发明针对棉花加工设备建立BP模型，这是最终被优化的控制操作对象；抛弃了人工目测手感的等级评价标准，建立了基于检测数据的皮棉综合质量等级评判标准，无需人工干预，这为计算机自动运算求解提供了方便；建立了单目标多变量优化模型，为加工策略的优劣提供了定量的评价指标；使用改进的遗传算法对多变量模型求解，能够保证棉花加工过程的实时性控制要求。本发明提供的控制策略，能够有效减少加工过程对棉花纤维的损伤，能够实现棉花加工企业的收益最大化，实现棉花加工精益生产。

Claims (2)

1.一种利用改进遗传算法实现棉花加工过程智能控制的方法，包括如下步骤：

(1)将棉花加工设备串联起来，使用设备的输入输出结果分别训练各个设备的BP神经网络模型；

(2)建立棉花品级评判BP神经网络模型：利用大量人工分级后的标准棉样数据，建立6-15-1结构的棉花品级评判BP神经网络模型，实现由棉花特征参数到棉花品级的非线性映射；

(3)建立皮棉综合质量等级评判标准：皮棉综合质量等级由棉花类型、棉花品级和长度等级这三个因素决定，将棉花的综合质量等级与当时市场价格建立联系，得到皮棉的单产毛利润；

(4)建立棉花加工过程非线性多目标静态优化模型：根据棉花加工过程所要求的皮棉质量好、高效率和高产出的要求，建立优化模型为：

maxf(x)＝max[f₁(x₁…x_p…x₁₄) f₂(x₁…x_p…x₁₄) x₁)]^T

s.t.x_{p min}≤x_p≤x_{p max}

1≤p≤14

其中：

f₁(x)为加工设备相关的棉花综合质量指标，

f₂(x)为与加工设备相关的棉花衣分指标，

x₁…x_p…x₁₄为系统产量和加工设备的14个参数；

(5)利用线性加权和法建立单目标多变量优化模型：在棉花加工过程多目标优化模型中，皮棉的质量等级、棉花衣分及加工效率直接关系到皮棉的最终收益；利用线性加权和法建立基于棉花加工收益最大化的单目标优化数学模型：

$\max f\left(x\right)=max\left(P_{Rank}\right(R_{Quality}\left(x_1...x_p...x_{14}\right))\·M_{sc}\·\mathrm{\ψ}(x_1...x_p...x_{14})-\frac{M_{SC}\·C_{Time}}{x_1})$

s.t.x_{p min}≤x_p≤x_{p max}

1≤p≤14

式中：

x_p为各个加工设备参数，14个设计变量分别为x₁…x_p…x₁₄，

R_Quality为棉花综合质量等级，

P_Rank为棉花单价，

M_SC为籽棉重量，

ψ为棉花衣分，

C_Time为每小时的加工成本，

x₁为棉花单产量，

M_SC·ψ为合格皮棉产出量，

M_SC/x₁加工总用时；

(6)利用改进遗传算法实现棉花加工过程智能控制。

2.根据权利要求1所述的方法，其特征在于，所述步骤(6)利用改进遗传算法实现棉花加工过程智能控制，具体步骤为：

(6-1)基于基因组的混合实数编码：将各个加工设备抽象为基因组，将若干个按照加工顺序依次排列的加工设备基因组构成一条染色体，每个加工设备基因组包含该设备的变量参数和使用与否的离散变量0、1；

(6-2)将目标函数直接作为适应度函数：

适应度函数为：

$f\left(x\right)=P_{Rank}\left(R_{Quality}\right(x_1...x_p...x_{16}\left)\right)\·M_{sc}\·\mathrm{\ψ}(x_1...x_p...x_{16})-\frac{M_{SC}\·C_{Time}}{x_1}$

s.t.x_{p min}≤x_p≤x_{p max}

1≤p≤16

式中：x_p表示加工过程中各设备的16个参数；

(6-3)根据棉花轧花机加工后皮棉中不含有重杂的条件，利用惩罚函数法计算约束条件的满足情况；

如果不满足约束条件，跳过后续计算，直接将该方案的适应值置零，进行惩罚；

对个体适应度的调整方式为：

式中：f(x)为原适应度，F(x)为经惩罚函数法调整后的适应度；

(6-4)利用专家经验构造初始种群：

棉花加工过程中，以往的加工经验非常重要，选取5组经验方案加入遗传算法的初始种群中；因为待加工的棉花是在货场成堆存放，一批棉花的性状参数变化不大，所有将遗传算法迭代计算过程中的前2个周期的控制方案一并加入到初始种群中；为了发挥遗传算法的多方向搜索优点，利用随机方式生成遗传算法种群的剩余个体；

(6-5)基于适应度排序的改进遗传算法：

根据棉花加工系统自身的特点，构造两个染色体H_m(x)与H_n(x)的相似度系数S_mn：

$S_{mn}=\sqrt{\frac{1}{P}\underset{p=1}{\overset{P}{\Σ}}{\left(\frac{x_{pm}-x_{pn}}{x_{p\max }-x_{p\min }}\right)}^2}$

式中：P＝16；x_pm、x_pn分别为染色体H_m(x)与H_n(x)的各个基因位，且x_{p min}≤x_pm，x_pn≤x_{p max}；

在算法中，设N为种群中个体的数量，F(H_j(x))为染色体H_j(x)的原始适应度经惩罚函数法调整后的最终适应度值，则种群中个体的适应度平均值F_Mean为：

$F_{Mean}=\frac{\underset{j=1}{\overset{N}{\Σ}}F\left(H_j\right(x\left)\right)}{N}$

在群体中选取适应度大于F_Mean的个体两两进行相似度计算，设S_GA为相似度判断的一个阈值，当S_mn＜S_GA时，即认为这两个个体相似。