CN112553817B - 基于人工智能的纺织染色工艺实时控制与调节方法及系统 - Google Patents

Abstract

本发明提供了一种基于人工智能的纺织染色工艺实时控制与调节方法及系统，其中，基于人工智能的纺织染色工艺实时控制与调节方法包括：获取染液温度、染液液位、蒸汽压力、换热器进出口处的蒸汽流量、染液温度变化值以及蒸汽流速特征矩阵；将染液温度、染液液位、蒸汽压力、换热器进出口处的蒸汽流量、染液温度变化值送入第一全连接网络中得到高维特征向量V₁，将蒸汽流速特征矩阵送入卷积神经网络中得到高维特征向量V₂，第二全连接网络对V₁、V₂进行处理，输出蒸汽比例阀的开度值。本发明利用神经网络来获取蒸汽比例调节阀的开度值，泛化能力强、准确性高且简单易实施。

Description

基于人工智能的纺织染色工艺实时控制与调节方法及系统

技术领域

本发明涉及纺织制造、人工智能技术领域，具体为一种基于人工智能的纺织染色工艺实时控制与调节方法及系统。

背景技术

目前，蒸汽比例调节阀主要是通过接收工业自动化控制系统的控制信号来调节工艺参数，通常是通过PID、PLC控制，存在成本高、温度控制不够灵活,温度控制稳定性差,容易导致高温差或低温差染色,不能满足染色工艺的要求,从而影响染色质量。

发明内容

为了解决上述问题，本发明提出一种基于人工智能的纺织染色工艺实时控制与调节方法及系统，具体地，一种基于人工智能的纺织染色工艺实时控制与调节方法，该方法包括：

步骤一，获取染料类型并在染色机、换热器上部署参数检测设备，通过参数检测设备获取染液温度、染液液位、蒸汽压力、换热器进出口处的蒸汽流量；

步骤二，设置目标参数，目标参数包括目标染液温度、目标控制时间、目标控温模式，根据目标参数和参数检测设备获取的染液温度计算染液温度变化值；

步骤三，基于参数检测设备获取的换热器进出口处的蒸汽流量和插值算法获取蒸汽流速特征矩阵；

蒸汽流速特征矩阵具体为：根据换热器结构设置换热区域特征矩阵，换热区域特征矩阵中包括读数点元素、散热点元素和非散热点元素，读数点元素数值为参数检测设备的读数值，散热点元素数值为第一设定值，非散热点元素数值为第二设定值；蒸汽流速特征矩阵与换热区域特征矩阵尺寸相同，蒸汽流速特征矩阵中与换热区域特征矩阵读数点元素、散热点元素位置相同的元素的数值为对应元素的蒸汽流速；其中，散热点是换热器蒸汽管道上的点；

步骤四，将染料类型、染液温度变化值、蒸汽流速特征矩阵以及参数检测设备获取的染液液位、蒸汽压力、染液温度输入到神经网络中，得到蒸汽比例阀的开度值。

所述参数检测设备包括温度传感器、液位计、蒸汽压力表、蒸汽流量计。

所述目标控温模式包括恒速升温、恒速降温、恒温。

所述染液温度变化值的计算方法为：

ΔT为染液温度变化值，T为目标染液温度，T′为参数检测设备获取的染液温度，t为目标控制时间。

所述读数点元素数值为参数检测设备的读数值中的所述参数检测设备为蒸汽流量计。

所述换热区域特征矩阵有多个，且每个换热区域特征矩阵都对应一个蒸汽流速特征矩阵。

蒸汽流速特征矩阵中与换热区域特征矩阵散热点元素位置相同的任意一元素的蒸汽流速的计算方法为：计算该任意一元素与每个蒸汽流量计之间的距离，并基于该任意一元素与每个蒸汽流量计之间的距离计算相应的距离权重，根据通过蒸汽流量计获取的蒸汽流量和距离权重计算该任意一元素处的蒸汽流量，具体为：

为该任意一元素处的蒸汽流量，λ_i为该任意一元素与第i个蒸汽流量计之间的距离权重，n为蒸汽流量计的个数，F_i为第i个蒸汽流量计的数值；则该任意一元素的蒸汽流速

S表示蒸汽管道的横截面积。

所述距离为路程距离，且距离越小，对应的距离权重越大。

所述神经网络包括第一全连接网络、卷积神经网络，第二全连接网络；其中，第一全连接网络用于将染料类型、染液温度变化值、染液液位、蒸汽压力、染液温度映射为高维特征向量V₁；卷积神经网络用于对蒸汽流速特征矩阵进行拟合得到高维特征向量V₂；第二全连接网络用于对V₁、V₂进行处理，得到蒸汽比例阀的开度值。

本发明还提出一种基于人工智能的纺织染色工艺实时控制与调节系统，该系统包括：

参数感知模块，用于获取染料类型并在染色机、换热器上部署参数检测设备，通过参数检测设备获取染液温度、染液液位、蒸汽压力、换热器进出口处的蒸汽流量；

目标参数设置模块，用于设置目标参数，目标参数包括目标染液温度、目标控制时间、目标控温模式，并根据目标参数和参数检测设备获取的染液温度计算染液温度变化值；

蒸汽流速获取模块，用于基于参数检测设备获取的换热器进出口处的蒸汽流量获取蒸汽流速特征矩阵；

蒸汽流速特征矩阵具体为：根据换热器结构设置换热区域特征矩阵，换热区域特征矩阵中包括读数点元素、散热点元素和非散热点元素，读数点元素数值为参数检测设备的读数值，散热点元素数值为第一设定值，非散热点元素数值为第二设定值；蒸汽流速特征矩阵与换热区域特征矩阵尺寸相同，蒸汽流速特征矩阵中与换热区域特征矩阵读数点元素、散热点元素位置相同的元素的数值为对应元素的蒸汽流速；其中，散热点是换热器蒸汽管道上的点；

开度值获取模块，用于将染料类型、染液温度变化值、蒸汽流速特征矩阵以及参数检测设备获取的染液液位、蒸汽压力、染液温度输入到神经网络中，获取蒸汽比例阀的开度值。

本发明的有益效果在于：

1.本发明获取蒸汽流速特征矩阵，可以为蒸汽比例阀调节提供直接明显且有效的特征，使得染液温度的调节快速且稳定，同时不用考虑蒸汽的加热功率。

2.本发明基于染料类型、染液温度变化值、蒸汽流速特征矩阵、染液液位、蒸汽压力、染液温度进行蒸汽比例调节阀开度值的计算，其得到的开度值结果更精确。

3.本发明利用神经网络来获取蒸汽比例调节阀的开度值，泛化能力强、准确性高且简单易实施。

附图说明

图1为本发明方法实施流程图。

具体实施方式

为了让本领域技术人员更好的理解本发明，下面结合实施例对本发明进行详细描述。

在染色机的染色过程中，染色槽内的染色液温度是最重要的工艺参数之一，如果染色液温度控制精度差，容易造成色差、色纹、色圈，影响纺织品的整体染色质量。完整的染色工艺包含多个步骤的恒速升温、恒速降温和保温，不同的染料对应每一步的升降温速度和保温的时间也不同，且染料缸的温度控制是分段控制，温度控制模型是非线性的，必须在规定的时间内严格按照设定的温度过程曲线进行。而染液温度的调节可以通过调节蒸汽比例阀的开度来实现，因此，如何更好的对蒸汽比例阀的开度进行调节是本发明的主要内容，需要说明的是，本发明中蒸汽比例阀可以位于换热器的进气口处，也可位于其他可对蒸汽流量进行调节的位置。

实施例一：

该实施例提供了一种基于人工智能的纺织染色工艺实时控制与调节方法，该方法的实施流程如图1所示。

由于不同的染料对应的物理化学属性不同，因此，本发明在进行蒸汽比例阀开度计算时考虑了染料类型、染液温度以及染液液位特征；此外，蒸汽气压会导致蒸汽的最低温度不同，所以，本发明还添加了蒸汽压力这一特征。

步骤一，获取染料类型并在染色机、换热器上部署参数检测设备，参数检测设备包括温度传感器、差压液位计、蒸汽压力表、蒸汽流量计，具体地，在染色机上安装温度传感器监测染液温度，在染色机的主缸内安装差压液位计监测染液液位，在换热器蒸汽进出口处安装蒸汽流量计获取进出口处的蒸汽流量，实施例中蒸汽流量计的个数为两个，在换热器的蒸汽管道上安装蒸汽压力表获取蒸汽压力。

步骤二，设置目标参数，目标参数包括目标染液温度、目标控制时间、目标控温模式，其中，目标控温模式包括恒速升温、恒速降温、恒温三种模式，根据目标参数和参数检测设备获取的染液温度计算染液温度变化值，具体的，当目标控温模式为恒速升温或恒速降温时，染液温度变化值的计算方法为：

ΔT为染液温度变化值，T为目标染液温度，T′为参数检测设备获取的染液温度，t为目标控制时间。当目标控温模式为恒温模式时，ΔT为0。

步骤三，由于受到蒸汽回流、蒸汽传输的影响，换热器各处的蒸汽流速是不同的，会导致染液温度的控制不稳定，通过构建蒸汽的流速特征矩阵可以很好的表征空间上蒸汽的流动速度，进而更准确的预测蒸汽比例阀开度调节比例，因此，基于参数检测设备获取的换热器进出口处的蒸汽流量获取蒸汽流速特征矩阵：

根据换热器结构设置换热区域特征矩阵，换热区域特征矩阵的经验大小为256*256，换热区域特征矩阵中包括读数点元素、散热点元素和非散热点元素，读数点元素数值为参数检测设备的读数值，此处参数检测设备指的是蒸汽流量计，散热点元素数值为第一设定值，非散热点元素数值为第二设定值，实施例中第一设定值为1，第二设定值为0；每个换热区域特征矩阵都对应一个蒸汽流速特征矩阵，蒸汽流速特征矩阵与换热区域特征矩阵尺寸相同，蒸汽流速特征矩阵中与换热区域特征矩阵读数点元素、散热点元素位置相同的元素的数值为对应元素的蒸汽流速；其中，散热点是换热器蒸汽管道上的点。

由于蒸汽管道之间是连通的，且蒸汽管道区域为空间立体的且是螺旋上升的，因此实施例将换热区域特征矩阵设置为二通道，即两个换热区域特征矩阵；换热器包括前面和背面两面，其中，换热器的前面对应换热器的正视图，正视图中包括蒸汽管道的长度信息和换热器的高度信息，蒸汽管道也被分为前面的蒸汽管道和背面的蒸汽管道，因此，前面的蒸汽管道和背面的蒸汽管道分别对应一个换热区域特征矩阵。

下面以大小为6*6的换热区域特征矩阵为例说明换热区域特征矩阵中各元素的数值：

第一换热区域特征矩阵为：

L₁为蒸汽进口处蒸汽流量计读数值。

第二换热区域特征矩阵为：

L₂为蒸汽出口处蒸汽流量计读数值。

得到换热区域特征矩阵后，基于换热区域特征矩阵进行IDW插值，所述的IDW插值方法是一种反距离加权法，该假定每个输入点都有着局部影响，这种影响随着距离的增加而减弱，此处利用二维空间的基于管道路程距离的IDW插值，具体地：

蒸汽流速特征矩阵中与换热区域特征矩阵散热点元素位置相同的任意一元素的蒸汽流速的计算方法为：

计算该任意一元素与每个蒸汽流量计之间的管道路程距离，并基于该任意一元素与每个蒸汽流量计之间的路程距离计算相应的距离权重：

λ_i为该任意一元素与第i个蒸汽流量计之间的距离权重，n为蒸汽流量计的个数，实施例中蒸汽流量计部署了2个，则n的值为2，d_i为该任意一元素与第i个蒸汽流量计之间的路程距离。

根据通过蒸汽流量计获取的蒸汽流量和距离权重计算该任意一元素处的蒸汽流量：

为该任意一元素处的蒸汽流量，F_i为第i个蒸汽流量计的数值；则该任意一元素的蒸汽流速为：

V为该任意一元素的蒸汽流速，S为蒸汽管道的横截面积，换热器中蒸汽管道半径为r，则横截面积S＝πr²。

按照上述蒸汽流速的计算方法可得到蒸汽流速特征矩阵中所有与换热区域特征矩阵散热点元素位置相同的元素的蒸汽流速；两个蒸汽流量计读数值分别除以蒸汽管道横截面积即可得到蒸汽流速特征矩阵中与换热区域特征矩阵读数点元素位置相同的两个元素的蒸汽流速。

至此，得到蒸汽流速特征矩阵。需要注意的是，换热器中蒸汽进口和蒸汽出口可以在同一侧，也可以在不同侧。

步骤四，将染料类型、染液温度变化值、蒸汽流速特征矩阵以及参数检测设备获取的染液液位、蒸汽压力、染液温度输入到神经网络中，得到蒸汽比例阀的开度值；具体地：

神经网络包括第一全连接网络、卷积神经网络，第二全连接网络；其中，第一全连接网络用于将染料类型、染液温度变化值、染液液位、蒸汽压力、染液温度映射为高维特征向量V₁；卷积神经网络用于对蒸汽流速特征矩阵进行拟合得到高维特征向量V₂；第二全连接网络用于对V₁、V₂进行处理，得到蒸汽比例阀的开度值。

需要注意的是，第一全连接网络和第二全连接网络建议设计两层或以上以保证能将输入的特征充分映射到特征空间。

神经网络的训练过程为：

将特征序列输入到第一全连接网络，特征序列的输入形状为[B，5]，B为第一全连接网络输入的batch size(批次大小)，5为特征序列包括染料类型、染液温度变化值、染液液位、蒸汽压力、当前染液温度5个特征值；第一全连接网络起到特征映射的作用，其输出为一个高维特征向量V₁，维数为L，L的经验取值为64。

蒸汽流速特征矩阵的特征拟合采用卷积神经网络，卷积神经网络采用编码器结合全连接的设计，实施者可套用常见的网络结构，如Resnet18等，作用为特征拟合，将蒸汽流速特征矩阵输入卷积神经网络中经过编码器和全连接的处理输出一个高维特征向量V₂，经验维数为64，即64个数，需要与L相等；其中，卷积神经网络输入的形状为[B,h,w,2]，h、w分别为蒸汽流速特征矩阵的长和宽，分别为256、256，2表示通道数为2，即两个蒸汽流速特征矩阵。

高维特征向量V₁、V₂进行乘操作得到特征向量V₃，将特征向量V₃输入到第二全连接网络中，第二全连接网络的作用为将特征映射到样本标记空间，输出蒸汽比例阀的开度值。

实施者需要知道的是，网络的输入通常要经过预处理，预处理方法如归一化、标准化等，实施者可自由选取。

训练标签数据通过实践获取，即在蒸汽流速、蒸汽气压、染液液位、染料类型不同的情况下，蒸汽加热使得染液能达到稳定的温度值时对应的蒸汽比例阀的开度值。

损失函数采用均方误差损失函数。

至此，完成神经网络的训练，可通过神经网络预测此刻参数下蒸汽使染液达到设定的目标温度T所需要的蒸汽比例阀的开度值。

当温度传感器所得的染液温度等于设定的目标温度T时，目标控温模式自动设置为恒温，并继续执行神经网络的推理，预测保持染液温度恒定时的蒸汽比例阀的开度值。

实施例二：

该实施例提供了一种基于人工智能的纺织染色工艺实时控制与调节系统，该系统包括：

参数感知模块，用于获取染料类型并在染色机、换热器上部署参数检测设备，通过参数检测设备获取染液温度、染液液位、蒸汽压力、换热器进出口处的蒸汽流量；

目标参数设置模块，用于设置目标参数，目标参数包括目标染液温度、目标控制时间、目标控温模式，并根据目标参数和参数检测设备获取的染液温度计算染液温度变化值；

蒸汽流速获取模块，用于基于参数检测设备获取的换热器进出口处的蒸汽流量获取蒸汽流速特征矩阵；

蒸汽流速特征矩阵具体为：根据换热器结构设置换热区域特征矩阵，换热区域特征矩阵中包括读数点元素、散热点元素和非散热点元素，读数点元素数值为参数检测设备的读数值，散热点元素数值为第一设定值，非散热点元素数值为第二设定值；蒸汽流速特征矩阵与换热区域特征矩阵尺寸相同，蒸汽流速特征矩阵中与换热区域特征矩阵读数点元素、散热点元素位置相同的元素的数值为对应元素的蒸汽流速；其中，散热点是换热器蒸汽管道上的点；

开度值获取模块，用于将染料类型、染液温度变化值、蒸汽流速特征矩阵以及参数检测设备获取的染液液位、蒸汽压力、染液温度输入到神经网络中，获取蒸汽比例阀的开度值。

以上所述旨在让本领域技术人员更好的理解本发明，并不用于限制本发明，凡是在本发明的基础上做出的任何不需付出创造性劳动的修改与变动皆在本发明的保护范围内。

Claims (6)

1.一种基于人工智能的纺织染色工艺实时控制与调节方法，其特征在于，该方法包括：

步骤一，获取染料类型并在染色机、换热器上部署参数检测设备，通过参数检测设备获取染液温度、染液液位、蒸汽压力、换热器进出口处的蒸汽流量；

步骤二，设置目标参数，目标参数包括目标染液温度、目标控制时间、目标控温模式，根据目标参数和参数检测设备获取的染液温度计算染液温度变化值；

步骤三，基于参数检测设备获取的换热器进出口处的蒸汽流量和插值算法获取蒸汽流速特征矩阵；

蒸汽流速特征矩阵具体为：根据换热器结构设置换热区域特征矩阵，换热区域特征矩阵中包括读数点元素、散热点元素和非散热点元素，读数点元素数值为参数检测设备的读数值，散热点元素数值为第一设定值，非散热点元素数值为第二设定值；蒸汽流速特征矩阵与换热区域特征矩阵尺寸相同，蒸汽流速特征矩阵中与换热区域特征矩阵读数点元素、散热点元素位置相同的元素的数值为对应元素的蒸汽流速；其中，散热点是换热器蒸汽管道上的点；

步骤四，将染料类型、染液温度变化值、蒸汽流速特征矩阵以及参数检测设备获取的染液液位、蒸汽压力、染液温度输入到神经网络中，得到蒸汽比例阀的开度值；

所述染液温度变化值的计算方法为：

为染液温度变化值，

为目标染液温度，

为参数检测设备获取的染液温度，

为目标控制时间；

所述读数点元素数值为参数检测设备的读数值中的所述参数检测设备为蒸汽流量计；

所述换热区域特征矩阵有多个，且每个换热区域特征矩阵都对应一个蒸汽流速特征矩阵；

蒸汽流速特征矩阵中与换热区域特征矩阵散热点元素位置相同的元素构成元素集合，元素集合中任意一元素的蒸汽流速的计算方法为：计算该任意一元素与每个蒸汽流量计之间的距离，并基于该任意一元素与每个蒸汽流量计之间的距离计算相应的距离权重，根据通过蒸汽流量计获取的蒸汽流量和距离权重计算该任意一元素处的蒸汽流量，具体为：

为该任意一元素处的蒸汽流量，

为该任意一元素与第

个蒸汽流量计之间的距离权重，

为蒸汽流量计的个数，

为第

个蒸汽流量计的数值；则该任意一元素的蒸汽流速

，

表示蒸汽管道的横截面积。

2.如权利要求1所述的方法，其特征在于，所述参数检测设备包括温度传感器、液位计、蒸汽压力表、蒸汽流量计。

3.如权利要求1所述的方法，其特征在于，所述目标控温模式包括恒速升温、恒速降温、恒温。

4.如权利要求1所述的方法，其特征在于，所述距离为路程距离，且距离越小，对应的距离权重越大。

5.如权利要求1所述的方法，其特征在于，所述神经网络包括第一全连接网络、卷积神经网络，第二全连接网络；其中，第一全连接网络用于将染料类型、染液温度变化值、染液液位、蒸汽压力、染液温度映射为高维特征向量

；卷积神经网络用于对蒸汽流速特征矩阵进行拟合得到高维特征向量

；第二全连接网络用于对

、

进行处理，得到蒸汽比例阀的开度值。

6.一种基于人工智能的纺织染色工艺实时控制与调节系统，其特征在于，该系统包括：

参数感知模块，用于获取染料类型并在染色机、换热器上部署参数检测设备，通过参数检测设备获取染液温度、染液液位、蒸汽压力、换热器进出口处的蒸汽流量；

目标参数设置模块，用于设置目标参数，目标参数包括目标染液温度、目标控制时间、目标控温模式，并根据目标参数和参数检测设备获取的染液温度计算染液温度变化值；

蒸汽流速获取模块，用于基于参数检测设备获取的换热器进出口处的蒸汽流量获取蒸汽流速特征矩阵；

蒸汽流速特征矩阵具体为：根据换热器结构设置换热区域特征矩阵，换热区域特征矩阵中包括读数点元素、散热点元素和非散热点元素，读数点元素数值为参数检测设备的读数值，散热点元素数值为第一设定值，非散热点元素数值为第二设定值；蒸汽流速特征矩阵与换热区域特征矩阵尺寸相同，蒸汽流速特征矩阵中与换热区域特征矩阵读数点元素、散热点元素位置相同的元素的数值为对应元素的蒸汽流速；其中，散热点是换热器蒸汽管道上的点；

开度值获取模块，用于将染料类型、染液温度变化值、蒸汽流速特征矩阵以及参数检测设备获取的染液液位、蒸汽压力、染液温度输入到神经网络中，获取蒸汽比例阀的开度值；

所述染液温度变化值的计算方法为：

为染液温度变化值，

为目标染液温度，

为参数检测设备获取的染液温度，

为目标控制时间；

所述读数点元素数值为参数检测设备的读数值中的所述参数检测设备为蒸汽流量计；

所述换热区域特征矩阵有多个，且每个换热区域特征矩阵都对应一个蒸汽流速特征矩阵；

蒸汽流速特征矩阵中与换热区域特征矩阵散热点元素位置相同的元素构成元素集合，元素集合中任意一元素的蒸汽流速的计算方法为：计算该任意一元素与每个蒸汽流量计之间的距离，并基于该任意一元素与每个蒸汽流量计之间的距离计算相应的距离权重，根据通过蒸汽流量计获取的蒸汽流量和距离权重计算该任意一元素处的蒸汽流量，具体为：

为该任意一元素处的蒸汽流量，

为该任意一元素与第

个蒸汽流量计之间的距离权重，

为蒸汽流量计的个数，

为第

个蒸汽流量计的数值；则该任意一元素的蒸汽流速

，

表示蒸汽管道的横截面积；

所述神经网络包括第一全连接网络、卷积神经网络，第二全连接网络；其中，第一全连接网络用于将染料类型、染液温度变化值、染液液位、蒸汽压力、染液温度映射为高维特征向量

；卷积神经网络用于对蒸汽流速特征矩阵进行拟合得到高维特征向量

；第二全连接网络用于对

、

进行处理，得到蒸汽比例阀的开度值。

Images