CN116356463B - 喷气涡流纺纱线质量预测方法 - Google Patents
喷气涡流纺纱线质量预测方法 Download PDFInfo
- Publication number
- CN116356463B CN116356463B CN202310419564.8A CN202310419564A CN116356463B CN 116356463 B CN116356463 B CN 116356463B CN 202310419564 A CN202310419564 A CN 202310419564A CN 116356463 B CN116356463 B CN 116356463B
- Authority
- CN
- China
- Prior art keywords
- performance index
- data
- feature
- matrix
- sequence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 93
- 239000011159 matrix material Substances 0.000 claims abstract description 91
- 230000008569 process Effects 0.000 claims abstract description 62
- 238000007781 pre-processing Methods 0.000 claims abstract description 43
- 239000013598 vector Substances 0.000 claims abstract description 41
- 238000000605 extraction Methods 0.000 claims abstract description 24
- 238000009987 spinning Methods 0.000 claims abstract description 20
- 238000007382 vortex spinning Methods 0.000 claims abstract description 19
- 229920000742 Cotton Polymers 0.000 claims abstract description 12
- 238000010276 construction Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 20
- 238000012512 characterization method Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 6
- 239000002253 acid Substances 0.000 claims description 4
- 239000003513 alkali Substances 0.000 claims description 4
- 238000004804 winding Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010042 air jet spinning Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 239000000835 fiber Substances 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 229920000728 polyester Polymers 0.000 description 3
- 238000012216 screening Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 229920004933 Terylene® Polymers 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000005020 polyethylene terephthalate Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000007378 ring spinning Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- D—TEXTILES; PAPER
- D01—NATURAL OR MAN-MADE THREADS OR FIBRES; SPINNING
- D01H—SPINNING OR TWISTING
- D01H13/00—Other common constructional features, details or accessories
- D01H13/32—Counting, measuring, recording or registering devices
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Textile Engineering (AREA)
- Spinning Or Twisting Of Yarns (AREA)
Abstract
本发明涉及纺织技术领域,具体公开了一种喷气涡流纺纱线质量预测方法,其中,包括:获取喷气涡流纺的工艺参数和棉纤维的性能指标参数;分别对所述工艺参数和性能指标参数进行预处理获得工艺参数预处理数据以及性能指标参数预处理数据;对所述工艺参数预处理数据进行特征提取以及特征向量矩阵构造以获得工艺参数时序特征,以及对所述性能指标参数进行位置嵌入以获得带有位置信息的性能指标参数输入序列;根据所述工艺参数时序特征以及带有位置信息的性能指标参数输入序列进行纱线质量预测,获得纱线质量预测结果。本发明提供的喷气涡流纺纱线质量预测方法有效提升的纱线质量预测精度。
Description
技术领域
本发明涉及纺织技术领域,尤其涉及一种喷气涡流纺纱线质量预测方法。
背景技术
喷气涡流纺技术是借助喷嘴形成切向高速射流旋转场,并对自由尾端尾端纤维加捻成纱的一种新型纺纱技术。喷气涡流纺技术克服了传统环锭纺采用机械部件加捻以致纺纱速度难以提高的技术瓶颈,具有高纺纱速度、节省占地面积和劳动用工、减少耗电量等优点。同时,喷气涡流纺技术集粗纱、细纱、络筒和卷绕成型工序于一体,缩短了工艺流程,是一种极具发展前景的新型纺纱技术。
当前,针对喷气涡流纺的纱线质量的预测存在多种预测方法,例如通过BP神经网络、遗传算法等实现预测,虽然这些预测方式也能在实现纱线质量的预测,但是均没有考虑纱线纺纱过程产生的数据与时间的关联性,进而导致纱线质量的预测值与实测值之间的误差较大,即现有的预测方法的预测精度低。
因此,如何能够提升纱线质量的预测精度成为本领域技术人员亟待解决的技术问题。
发明内容
本发明提供了一种喷气涡流纺纱线质量预测方法,解决相关技术中存在的纱线质量预测精度低的问题。
作为本发明的一个方面,提供一种喷气涡流纺纱线质量预测方法,其中,包括:
获取喷气涡流纺的工艺参数和棉纤维的性能指标参数;
分别对所述工艺参数和性能指标参数进行预处理获得工艺参数预处理数据以及性能指标参数预处理数据;
对所述工艺参数预处理数据进行特征提取以及特征向量矩阵构造以获得工艺参数时序特征,以及对所述性能指标参数进行位置嵌入以获得带有位置信息的性能指标参数输入序列;
根据所述工艺参数时序特征以及带有位置信息的性能指标参数输入序列进行纱线质量预测,获得纱线质量预测结果。
进一步地,对所述工艺参数进行预处理获得工艺参数预处理数据,包括:
对所述工艺参数通过时序窗口进行时序数据截取,并能够将有缺失的时序数据点舍弃后获得数据清洗后的数据;
将数据清洗后的数据通过不同属性数据映射为无量纲数据,以获得归一化处理数据,
其中所述工艺参数包括:罗拉牵伸倍数、上罗拉压力、罗拉速度、喷嘴结构、前罗拉钳口至前喷嘴的距离、前后喷嘴气压、超喂比和卷绕比。
进一步地,对所述性能指标参数进行预处理获得性能指标参数预处理数据,包括:
对所述性能指标参数进行整合,其中所述性能指标参数包括:长度、线密度、成熟度、强伸度、弹性、吸湿性和耐酸碱性;
根据目标时刻的纺纱状态,截取所述性能指标参数位于目标时刻前后时间段内的时间序列数据;
对所述时间序列数据进行归一化处理,获得性能指标参数预处理数据。
进一步地,对所述时间序列数据进行归一化处理,获得性能指标参数预处理数据,包括:
分别计算所述时间序列数据中各项数据的均值和标准差;
根据各项数据的均值和标准差进行归一化计算,获得归一化处理后的性能指标参数序列;
对所述性能指标参数序列进行前向差分特征提取,获得差分序列;
将所述差分序列与所述性能指标参数序列进行联立获得性能指标参数预处理数据。
进一步地,对所述工艺参数预处理数据进行特征提取以及特征向量矩阵构造以获得工艺参数时序特征,包括:
根据选择序列前向搜索对所述工艺参数预处理数据进行特征搜索,以获得初步特征集;
根据所述工艺参数构造差分特征;
根据所述差分特征和所述初步特征集获得特征向量矩阵;
对所述特征向量矩阵提取局部特征和全局特征以获得工艺参数时序特征。
进一步地,对所述特征向量矩阵提取局部特征和全局特征以获得工艺参数时序特征,包括:
对所述特征向量矩阵进行上下边界复制填充,获得特征矩阵;
通过CNN层对所述特征矩阵在时间轴方向上进行局部特征提取,获得局部特征矩阵;
通过LSTM层对所述局部特征矩阵进行全局特征提取,获得工艺参数时序特征。
进一步地,对所述性能指标参数进行位置嵌入以获得带有位置信息的性能指标参数输入序列,包括:
根据正弦-余弦函数以及输入序列的维度生成对应的位置矩阵,所述位置矩阵的维度与所述输入序列的维度相同;
将所述位置矩阵与所述输入序列相加,获得带有位置信息的性能指标参数输入序列。
进一步地,根据所述工艺参数时序特征以及带有位置信息的性能指标参数输入序列进行纱线质量预测,获得纱线质量预测结果,包括:
对带有位置信息的性能指标参数输入序列进行表征学习,以获得抽象学习特征;
将所述抽象学习特征和所述工艺参数时序特征进行特征融合,获得预测特征;
根据所述预测特征对纱线拉伸断裂强力进行预测,获得纱线拉伸断裂强力预测结果;
将所述纱线拉伸断裂强力预测结果作为纱线质量预测结果。
进一步地,对带有位置信息的性能指标参数输入序列进行表征学习,以获得抽象学习特征,包括:
将带有位置信息的性能指标参数输入序列输入至Transformer编码器进行表征学习,以获得抽象学习特征,其中所述Transformer编码器包括多头自注意力层和前馈网络子层。
进一步地,根据所述预测特征对纱线拉伸断裂强力进行预测,获得纱线拉伸断裂强力预测结果,包括:
将所述预测特征输入至RNN模型分类器,获得纱线拉伸断裂强力分类结果;根据纱线拉伸断裂强力分类结果确定纱线拉伸断裂强力预测结果。
本发明提供的喷气涡流纺纱线质量预测方法,将喷气涡流纺对纱线质量起决定作用的工艺参数和棉纤维的性能指标参数分别通过处理后加入时序特征以及位置信息后,再进行纱线质量预测获得纱线质量预测结果,由于处理后的特征均能够体现数据间的时间关系,有利于后续模型输入提高模型训练的效率,也正是由于体现纺纱过程中数据和时间的关联性,能够在预测过程中能够从整体反应纱线质量,相比现有技术中的单纯依靠神经网络等算法进行质量预测能够有效提升纱线质量的预测精度。
附图说明
附图是用来提供对本发明的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明,但并不构成对本发明的限制。
图1为本发明提供的喷气涡流纺纱线质量预测方法的流程图。
图2为本发明提供的对工艺参数进行预处理的流程图。
图3为本发明提供的对性能指标参数进行预处理的流程图。
图4为本发明提供的获得工艺参数时序特征的流程图。
图5为本发明提供的获得工艺参数时序特征的具体实施方式流程图。
图6为本发明提供的获得纱线质量预测结果的流程图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互结合。下面将参考附图并结合实施例来详细说明本发明。
为了使本领域技术人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包括,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本实施例中提供了一种喷气涡流纺纱线质量预测方法,图1是根据本发明实施例提供的喷气涡流纺纱线质量预测方法的流程图,如图1所示,包括:
S100、获取喷气涡流纺的工艺参数和棉纤维的性能指标参数;
在本发明实施例中,喷气涡流纺的工艺参数具体可以包括:罗拉牵伸倍数、上罗拉压力、罗拉速度、喷嘴结构、前罗拉钳口至前喷嘴的距离、前后喷嘴气压、超喂比和卷绕比,这些工艺参数在纺织初始状态时是预先设定的工艺参数,而后续随着纺织的进行工艺参数是经过反馈控制系统进行实时调整的,即随着时间不断变化的。
另外,本发明实施例提供的棉纤维的性能指标参数具体可以包括长度、线密度、成熟度、强伸度、弹性、吸湿性和耐酸碱性。棉纤维的性能指标参数具体可以根据所采用的棉纤维即可获得,应当理解的是,不同的棉纤维其性能指标会有差异。
S200、分别对所述工艺参数和性能指标参数进行预处理获得工艺参数预处理数据以及性能指标参数预处理数据;
在本发明实施例中,如图2所示,对所述工艺参数进行预处理获得工艺参数预处理数据,包括:
S210、对所述工艺参数通过时序窗口进行时序数据截取,并能够将有缺失的时序数据点舍弃后获得数据清洗后的数据;
具体地,通过滑动窗口将获取到的工艺参数进行时序数据点截取,对于t时刻的数据选取t时刻前m个点共m+1个数据点为滑动窗口的长度,对于t+1时刻的数据,则滑动窗口沿时间轴方向滑动一个数据点的长度,以此类推,将有缺失项的数据点舍弃。
S220、将数据清洗后的数据通过不同属性数据映射为无量纲数据,以获得归一化处理数据。
具体地,为了消除不同量纲对最终质量预测的影响,需要对上述清洗后的数据进行归一化处理,以将不同属性数据映射为无量纲数据。
针对性能指标参数由于随着纺织的进行也是存在变化的,例如棉纤维的长度等也是存在变化的,因此,如图3所示,对所述性能指标参数进行预处理获得性能指标参数预处理数据,包括:
S230、对所述性能指标参数进行整合,其中所述性能指标参数包括:长度、线密度、成熟度、强伸度、弹性、吸湿性和耐酸碱性;
S240、根据目标时刻的纺纱状态,截取所述性能指标参数位于目标时刻前后时间段内的时间序列数据;
针对目前时刻的纺纱状态,同样可以采用滑动窗口截取性能指标参数位于目标时刻前后时间段内的时间序列数据。当需要判断t时刻的纺纱状态时,截取t时刻前后各n个数据点形成一个长度为2n+1的滑动窗口,并根据窗口内数据判断t时刻纺纱状态。判断t+1时刻的纺纱状态时,则窗口整体向后滑动一个时间点,以此类推。
S250、对所述时间序列数据进行归一化处理,获得性能指标参数预处理数据。
在本发明实施例中,具体可以包括:
1)分别计算所述时间序列数据中各项数据的均值和标准差;
应当理解的是,针对时间序列数据中的各项数据信息由于具有不同的量纲,可以采用均值-标准差的方式对其进行归一化处理。
2)根据各项数据的均值和标准差进行归一化计算,获得归一化处理后的性能指标参数序列;
3)对所述性能指标参数序列进行前向差分特征提取,获得差分序列;
4)将所述差分序列与所述性能指标参数序列进行联立获得性能指标参数预处理数据。
S300、对所述工艺参数预处理数据进行特征提取以及特征向量矩阵构造以获得工艺参数时序特征,以及对所述性能指标参数进行位置嵌入以获得带有位置信息的性能指标参数输入序列;
在本发明实施例中,如图4所示,对所述工艺参数预处理数据进行特征提取以及特征向量矩阵构造以获得工艺参数时序特征,包括:
S310、根据选择序列前向搜索对所述工艺参数预处理数据进行特征搜索,以获得初步特征集;
在本发明实施例中,具体地,包括:
1)初始化初步特征集;
在本发明实施例中,具体初始化初步特征集Y为
2)向所述初步特征集按顺序加入特征以形成候选特征子集;
在本发明实施例中,按顺序加入特征fs形成候选特征子集Ys=fs∪Y。
3)将候选特征子集输入全连接网络模型进行训练,以获得所述候选特征子集对应的准确率(Acc);
具体地,将候选特征子集Ys输入模型进行训练,得出该子集对应的准确率并记录。
4)重复上述步骤直至遍历所有特征,并将获得的所有准确率的值进行排序;
5)筛选准确率的值大的候选特征组成初步特征集。
将记录的Acc的值进行排序,筛选出准确率较大的候选特征,组成初步特征集Y。
S320、根据所述工艺参数构造差分特征;
在本发明实施例中,具体可以提取t时刻的罗拉牵伸倍数、上罗拉压力等,在经过设定的差分值获得t时刻的差分特征。
需要说明的是,所述差分值具体可以选择对纱线质量变化敏感的值。
S330、根据所述差分特征和所述初步特征集获得特征向量矩阵;
在本发明实施例中,采用时间滑动窗口截取t时刻的特征向量矩阵;选取时间滑动窗口的长度为20,滑动步长为1,即截取t时刻特征向量矩阵后,向后滑动1时间步,进行t+1时刻的截取得到特征向量矩阵。
S340、对所述特征向量矩阵提取局部特征和全局特征以获得工艺参数时序特征。
在本发明实施例中,如图5所示,具体可以包括:
S341、对所述特征向量矩阵进行上下边界复制填充,获得特征矩阵;
局部特征的提取有利于后续准确预测纱线质量,完成这一操作通常采用卷积操作,通过设定一个指定大小的卷积核,在特征数据中滑动并分别进行点积求和,从而达到局部特征提取的目的。假设输入特征矩阵大小为4×4,采用3×1的卷积核对输入特征矩阵进行卷积,将卷积核中的待训练的权重参数与滑动覆盖的特征矩阵中的对应数据点积求和,滑动步长为1,经卷积计算后,得到2×4的输出矩阵。
从上述计算可以看出,输出矩阵的特征信息减少,为保证经由卷积运算后输出的特征矩阵与输入的特征矩阵向量矩阵大小相同,即在全局特征提取时提取信息不缺失,需对大小为20×10的特征向量矩阵上下边界数据进行复制填充,得到22×10的特征向量矩阵,由此得到的特征向量矩阵具有时间相关性。
S342、通过CNN层对所述特征矩阵在时间轴方向上进行局部特征提取,获得局部特征矩阵;
在本发明实施例中,通过CNN层对所述特征矩阵在时间轴方向上进行局部特征提取,获得局部特征矩阵,具体可以包括:
1)根据卷积核对所述特征矩阵在时间轴方向上进行特征提取,获得特征矩阵时间步长;
2)采用F×1的卷积核对22×10的特征向量矩阵进行时间轴上的特征提取,卷积输出的特征矩阵时间步长:
H=(L-F)/S+1,
其中,L、F和S分别表示特征向量矩阵时间步长、卷积核长和卷积核滑动步长。
3)根据预设卷积核长度和卷积核滑动步长对所述特征矩阵进行卷积处理,获得局部特征矩阵。
22×10的特征向量矩阵Xt经由长度F=3和滑动步长为S=1的卷积处理后,其大小为L=22、特征属性为10的特征向量矩阵变为H=20、特征属性保持10不变的20×10特征矩阵X′t。
S343、通过LSTM层对所述局部特征矩阵进行全局特征提取,获得工艺参数时序特征。
在本发明实施例中,根据LSTM层的每个细胞单元对所述局部特征矩阵进行全局时序特征提取,其中,所述LSTM层包括多个细胞单元,每个细胞单元均包括遗忘门、输入门以及输出门,所述遗忘门用于确定前一时刻的所述局部特征矩阵的输出信息,并对当前时刻的所述局部特征矩阵的输入信息进行计算获得遗忘向量;所述输入门提取每个细胞单元的输入信息,并与前一时刻该细胞单元的输出信息进行计算获得当前时刻的新的输入向量;所述输出门用于根据每个细胞单元的前一时刻的输出信息和当前时刻的输入信息确定输出向量;
根据新的输入向量和遗忘向量确定状态向量,以及根据所述状态向量和所述输出向量确定当前时刻的车辆运行数据时序特征。
在本发明实施例中,利用LSTM对特征矩阵X′t进行全局时序特征提取。由20个细胞单元组成的LSTM链状结构对其进行全局特征提取,每个细胞单元由遗忘门、输入门以及输出门构成。设定初始时刻的细胞状态向量、隐藏状态向量均为零向量。
在本发明实施例中,针对性能指标参数这一带有时间序列的数据,Transformer中多头自注意力将输入作为一个整体进行计算,并行计算能够提高计算效率,但不能直接获得序列中各数据点间的顺序信息,所以需要额外的信息告知模型输入中各个点的位置信息。
具体地,对所述性能指标参数进行位置嵌入以获得带有位置信息的性能指标参数输入序列,包括:
根据正弦-余弦函数以及输入序列的维度生成对应的位置矩阵,所述位置矩阵的维度与所述输入序列的维度相同;
将所述位置矩阵与所述输入序列相加,获得带有位置信息的性能指标参数输入序列。
S400、根据所述工艺参数时序特征以及带有位置信息的性能指标参数输入序列进行纱线质量预测,获得纱线质量预测结果。
在本发明实施例中,如图6所示,包括:
S410、对带有位置信息的性能指标参数输入序列进行表征学习,以获得抽象学习特征;
在本发明实施例中,将带有位置信息的性能指标参数输入序列输入至Transformer编码器进行表征学习,以获得抽象学习特征,其中所述Transformer编码器包括多头自注意力层和前馈网络子层。
具体地,可以包括:
1)将带有位置信息的性能指标参数输入序列划分为多个不同的表征子空间,并分别对每个表征子空间进行自注意力计算,获得表征信息;
具体地,将Transformer编码器部分作为模型的表征学习模块,对输入序列进行全局特征提取的同时,将其转化为更易被模型识别的特征向量。一个Transformer的编码器由多头自注意力子层和前馈网络子层组成,其原理如下。
多头自注意力(Multi-head Self Attention)由自注意力机制演化而来,自注意力机制(Self Attention)将查询(Q)、键(K)和值(V)映射到输出,Q、K、V均由输入产生,将Q与K进行内积运算,并对结果除以进行缩放,输入softmax函数进行缩放以得到权重,乘以V得到自注意力的输出。其计算过程如下式所示:
Q=WqX,K=WkX,V=WvX,
其中,X表示多头自注意力层的输入序列,Wq,Wk,Wv分别表示Q、K、V对应的变换矩阵,Q表示自注意力机制中的查询,K表示自注意力机制中的键,V表示自注意力机制中的值,d表示输入的特征数,softmax表示归一化指数函数,用于将分类结果转化为概率分布矩阵,zi表示z的第i个分量。
多头自注意力在自注意力的基础上,将输入序列划分成多个不同的表征子空间,并分别对其进行自注意力计算,从而学习不同位置的表达信息,随后将学习到的表征信息进行拼接转化为特定维度的输出,每个头的计算过程如下式:
headi=Attention(QWi Q,KWi K,VWi V),
MHead(Q,K,V)=Concat(head1,…,headi,…,headm),
其中,Q、K、V分别表示查询矩阵、键矩阵和值矩阵;分别为Q、K、V对用的变换矩阵;m表示多头自注意力的头数;MHead(Q,K,V)表示对多头信息进行拼接。由于多头自注意力中的运算是一系列的矩阵乘法运算,相比于CNN、RNN,并行运算能力更强。
2)将多个表征信息进行拼接获得多头自注意力层的输出结果;
3)将所述多头自注意力层的输出结果进行第一次残差连接以及第一次层归一化处理,获得第一次归一化结果;
4)将所述第一次归一化结果与带有位置信息的输入序列进行求和,并将求和后的结果输入前馈神经网络进行处理,获得前馈网络处理结果;
5)将所述前馈网络处理结果进行第二次残差连接以及第二次层归一化处理,获得表征学习结果。
需要说明的是,残差连接(Rasidual Block)部分将编码器层的输入和多头自注意力层的输出进行求和,可以减少模型复杂度以防止过拟合。层归一化(Layer Normal)对序列中每个数据点各个特征进行归一化处理,处理方法与前文中的数据归一化方法一致。
经过残差连接和层归一化后的结果会送入前馈神经网络(Feed-ForwardNetwork)中,由两个全连接层组成,其中第一层采用ReLU作为激活函数,第二层无激活函数,对应计算式如下:
FeedForward(X)=max(0,XW1+b1)W2+b2,
其中,X表示前馈网络的输入,W1,W2为网络的权值矩阵,b1,b2为网络的偏置。
最后再经过一次残差连接和层归一化,即完成一次Transformer的计算。通过Transformer进行表征学习后的结果将会和工艺参数时序特征进行特征融合。
S420、将所述抽象学习特征和所述工艺参数时序特征进行特征融合,获得预测特征;
在本发明实施例中,由于抽象学习特征是经过性能指标参数处理后获得的特征,而工艺参数时序特征是工艺参数经过处理后获得的,这两者特征通过特征融合后获得预测特征。
针对特征融合方式例如可以采用抽象学习特征与工艺参数时序特征进行信息加权的融合方式实现特征融合,也可以采用现有的其他一些特征融合算法实现,此处不作限定,可以根据需要进行选择。
S430、根据所述预测特征对纱线拉伸断裂强力进行预测,获得纱线拉伸断裂强力预测结果;
应当理解的是,纱线拉伸断裂强力是反映纱线质量的一项重要指标,纱线的纤维在连续增加负荷的作用下,直至断裂所能承受的最大负荷与纤维的线密度之比。断裂强度高,纤维在加工过程中不易断头,最终制成的纱线和织物的牢度也高。因此,在本发明实施例中主要以纱线拉伸断裂强力作为纱线质量预测的主要衡量指标。
具体地,根据所述预测特征对纱线拉伸断裂强力进行预测,获得纱线拉伸断裂强力预测结果,包括:
将所述预测特征输入至RNN模型分类器,获得纱线拉伸断裂强力分类结果;
根据纱线拉伸断裂强力分类结果确定纱线拉伸断裂强力预测结果。
在本发明实施例中,RNN在处理时间序列数据方面表现出强大的能力,相比传统的神经网络模型,RNN当前时刻的输出不仅取决于当前时刻的输入,还取决于上一时刻的输出,其具体表现形式为网络会对前面的数据信息进行记忆并应用到当前输出的计算中去,其计算过程如下式所示:
qi=σ(wgq,igi+wqq,i-1qi-1+bq)i=1,...,21,
o=Wqoq21+bo,
y=softmax(o),
其中,gi表示输入序列的第i个序列点,σ(x)表示Tanh激活函数,Wgq表示输入到隐藏层的连接权重矩阵,Wqq表示隐藏层之间的连接权重矩阵,Wqo表示隐藏层到输出之间的连接权重矩阵,bq、bo均表示偏置向量。
在实际计算中,需要先计算第一个时间步的q1,再结合q1和下一时间步的输入来计算q2,以此类推,并最终计算RNN的输出。这样的前向传播方式帮助RNN考虑过去时刻的输入对当前时刻输出的影响。最后经过RNN和softmax函数输出纱线质量预测结果。
S440、将所述纱线拉伸断裂强力预测结果作为纱线质量预测结果。
在本发明实施例中,可以采用MVS861型喷气涡流纺纱机,通过优化纺纱工艺,喷气涡流纱主要工艺参数:熟条定量3.05g/min,线速度300m/min,T.D.R总牵伸倍数163倍,M.D.R前区牵伸倍数30倍,喂入比0.9720,卷取比1.000,T.D.R(张力罗拉速度/输送速度)1.030,BR启始率(捻接时后罗拉启始率)120%,横动角度60°,握持距离43mm×45mm,空心锭子规格1.4mm,集棉器规格8mm,喷嘴、喷嘴座型号L7,喷嘴气压为0.55MPa,针对莫代尔和涤纶两种原料分别防止19.68tex纱线,纺纱速度分别为360m/min和350m/min。如表1所示两种纱线拉伸断裂强力预测值对比表。
表1纱线拉伸断裂强力预测值对比表
由表1可以看出,根据本发明的预测方法所获得的莫代尔强力值预测与实测值之间的误差为3.13%,涤纶强力值预测与实测值之间的误差为5.22%;而针对莫代尔纱线通过传统神经网络实现的强力值预测与实测值之间的误差为9.40%,针对涤纶通过传统神经网络实现的强力值预测与实测值之间的误差为8.41%;针对莫代尔纱线通过传统遗传算法实现的强力值预测与实测值之间的误差为5.41%,针对涤纶纱线通过传统遗传算法实现的强力值预测与实测值之间的误差为10.12%。因此,通过本发明提供的喷气涡流纺纱线强力预测值与实测值之间的误差最小,即更接近实测值,进而可以得出通过本发明提供的喷气涡流纺纱线质量预测结果更加精确。
综上,本发明提供的喷气涡流纺纱线质量预测方法,将喷气涡流纺对纱线质量起决定作用的工艺参数和棉纤维的性能指标参数分别通过处理后加入时序特征以及位置信息后,再进行纱线质量预测获得纱线质量预测结果,由于处理后的特征均能够体现数据间的时间关系,有利于后续模型输入提高模型训练的效率,也正是由于体现纺纱过程中数据和时间的关联性,能够在预测过程中能够从整体反应纱线质量,相比现有技术中的单纯依靠神经网络等算法进行质量预测能够有效提升纱线质量的预测精度。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (3)
1.一种喷气涡流纺纱线质量预测方法,其特征在于,包括:
获取喷气涡流纺的工艺参数和棉纤维的性能指标参数;
分别对所述工艺参数和性能指标参数进行预处理获得工艺参数预处理数据以及性能指标参数预处理数据;
对所述工艺参数预处理数据进行特征提取以及特征向量矩阵构造以获得工艺参数时序特征,以及对所述性能指标参数进行位置嵌入以获得带有位置信息的性能指标参数输入序列;
根据所述工艺参数时序特征以及带有位置信息的性能指标参数输入序列进行纱线质量预测,获得纱线质量预测结果;
其中,对所述工艺参数预处理数据进行特征提取以及特征向量矩阵构造以获得工艺参数时序特征,包括:
根据选择序列前向搜索对所述工艺参数预处理数据进行特征搜索,以获得初步特征集;
根据所述工艺参数构造差分特征;
根据所述差分特征和所述初步特征集获得特征向量矩阵;
对所述特征向量矩阵提取局部特征和全局特征以获得工艺参数时序特征;
其中,对所述特征向量矩阵提取局部特征和全局特征以获得工艺参数时序特征,包括:
对所述特征向量矩阵进行上下边界复制填充,获得特征矩阵;
通过CNN层对所述特征矩阵在时间轴方向上进行局部特征提取,获得局部特征矩阵;
通过LSTM层对所述局部特征矩阵进行全局特征提取,获得工艺参数时序特征;
其中,通过CNN层对所述特征矩阵在时间轴方向上进行局部特征提取,获得局部特征矩阵,包括:
根据卷积核对所述特征矩阵在时间轴方向上进行特征提取,获得特征矩阵时间步长;
采用F×1的卷积核对22×10的特征矩阵进行时间轴上的特征提取,卷积输出的特征矩阵时间步长:
H=(L-F)/S+1,
其中,L、F和S分别表示特征向量矩阵时间步长、卷积核长和卷积核滑动步长,22×10的特征矩阵为对大小为20×10的特征向量矩阵上下边界数据进行复制填充得到的特征矩阵;
根据预设卷积核长度和卷积核滑动步长对所述特征矩阵进行卷积处理,获得局部特征矩阵;
对所述性能指标参数进行预处理获得性能指标参数预处理数据,包括:
对所述性能指标参数进行整合,其中所述性能指标参数包括:长度、线密度、成熟度、强伸度、弹性、吸湿性和耐酸碱性;
根据目标时刻的纺纱状态,截取所述性能指标参数位于目标时刻前后时间段内的时间序列数据;
对所述时间序列数据进行归一化处理,获得性能指标参数预处理数据;
对所述时间序列数据进行归一化处理,获得性能指标参数预处理数据,包括:
分别计算所述时间序列数据中各项数据的均值和标准差;
根据各项数据的均值和标准差进行归一化计算,获得归一化处理后的性能指标参数序列;
对所述性能指标参数序列进行前向差分特征提取,获得差分序列;
将所述差分序列与所述性能指标参数序列进行联立获得性能指标参数预处理数据;
对所述性能指标参数进行位置嵌入以获得带有位置信息的性能指标参数输入序列,包括:
根据正弦-余弦函数以及输入序列的维度生成对应的位置矩阵,所述位置矩阵的维度与所述输入序列的维度相同;
将所述位置矩阵与所述输入序列相加,获得带有位置信息的性能指标参数输入序列;
根据所述工艺参数时序特征以及带有位置信息的性能指标参数输入序列进行纱线质量预测,获得纱线质量预测结果,包括:
对带有位置信息的性能指标参数输入序列进行表征学习,以获得抽象学习特征;
将所述抽象学习特征和所述工艺参数时序特征进行特征融合,获得预测特征;
根据所述预测特征对纱线拉伸断裂强力进行预测,获得纱线拉伸断裂强力预测结果;
将所述纱线拉伸断裂强力预测结果作为纱线质量预测结果;
对所述工艺参数进行预处理获得工艺参数预处理数据,包括:
对所述工艺参数通过时序窗口进行时序数据截取,并能够将有缺失的时序数据点舍弃后获得数据清洗后的数据;
将数据清洗后的数据通过不同属性数据映射为无量纲数据,以获得归一化处理数据,
其中所述工艺参数包括:罗拉牵伸倍数、上罗拉压力、罗拉速度、喷嘴结构、前罗拉钳口至前喷嘴的距离、前后喷嘴气压、超喂比和卷绕比。
2.根据权利要求1所述的喷气涡流纺纱线质量预测方法,其特征在于,对带有位置信息的性能指标参数输入序列进行表征学习,以获得抽象学习特征,包括:
将带有位置信息的性能指标参数输入序列输入至Transformer编码器进行表征学习,以获得抽象学习特征,其中所述Transformer编码器包括多头自注意力层和前馈网络子层。
3.根据权利要求2所述的喷气涡流纺纱线质量预测方法,其特征在于,根据所述预测特征对纱线拉伸断裂强力进行预测,获得纱线拉伸断裂强力预测结果,包括:
将所述预测特征输入至RNN模型分类器,获得纱线拉伸断裂强力分类结果;根据纱线拉伸断裂强力分类结果确定纱线拉伸断裂强力预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310419564.8A CN116356463B (zh) | 2023-04-19 | 2023-04-19 | 喷气涡流纺纱线质量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310419564.8A CN116356463B (zh) | 2023-04-19 | 2023-04-19 | 喷气涡流纺纱线质量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116356463A CN116356463A (zh) | 2023-06-30 |
CN116356463B true CN116356463B (zh) | 2023-12-15 |
Family
ID=86937808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310419564.8A Active CN116356463B (zh) | 2023-04-19 | 2023-04-19 | 喷气涡流纺纱线质量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116356463B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019094946A1 (en) * | 2017-11-13 | 2019-05-16 | Texas Tech University System | System and method for fibrogram fiber quality evaluation |
CN111764010A (zh) * | 2020-07-11 | 2020-10-13 | 经纬智能纺织机械有限公司 | 一种单通道环锭纺细纱机时序化控制纺纱方法及控制系统 |
CN111764008A (zh) * | 2020-07-11 | 2020-10-13 | 江南大学 | 一种多通道环锭纺细纱机时序化控制纺纱方法及控制系统 |
CN112464861A (zh) * | 2020-12-10 | 2021-03-09 | 中山大学 | 用于智能人机交互的行为早期识别方法、系统及存储介质 |
CN113711234A (zh) * | 2019-03-15 | 2021-11-26 | 英威达纺织(英国)有限公司 | 纱线质量控制 |
CN115099490A (zh) * | 2022-06-24 | 2022-09-23 | 无锡物联网创新中心有限公司 | 一种纱线质量预测方法及相关装置 |
-
2023
- 2023-04-19 CN CN202310419564.8A patent/CN116356463B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019094946A1 (en) * | 2017-11-13 | 2019-05-16 | Texas Tech University System | System and method for fibrogram fiber quality evaluation |
CN113711234A (zh) * | 2019-03-15 | 2021-11-26 | 英威达纺织(英国)有限公司 | 纱线质量控制 |
CN111764010A (zh) * | 2020-07-11 | 2020-10-13 | 经纬智能纺织机械有限公司 | 一种单通道环锭纺细纱机时序化控制纺纱方法及控制系统 |
CN111764008A (zh) * | 2020-07-11 | 2020-10-13 | 江南大学 | 一种多通道环锭纺细纱机时序化控制纺纱方法及控制系统 |
CN112464861A (zh) * | 2020-12-10 | 2021-03-09 | 中山大学 | 用于智能人机交互的行为早期识别方法、系统及存储介质 |
CN115099490A (zh) * | 2022-06-24 | 2022-09-23 | 无锡物联网创新中心有限公司 | 一种纱线质量预测方法及相关装置 |
Non-Patent Citations (1)
Title |
---|
基于深度神经网络的纱线质量预测模型研究;胡臻龙;中国博士学位论文全文数据库 工程科技Ⅰ辑(第1期);第77-85页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116356463A (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111079906B (zh) | 基于长短时记忆网络的水泥成品比表面积预测方法及系统 | |
CN112987664B (zh) | 一种基于深度强化学习的流水车间调度方法 | |
Sun et al. | Automatically evolving cnn architectures based on blocks | |
CN109558677A (zh) | 一种基于数据驱动的热轧板凸度预测方法 | |
CN109919055B (zh) | 一种基于AdaBoost-KNN的动态人脸情感识别方法 | |
CN106874963A (zh) | 一种基于大数据技术的配电网故障诊断方法及系统 | |
Pruengkarn et al. | Imbalanced data classification using complementary fuzzy support vector machine techniques and SMOTE | |
CN112287592A (zh) | 一种基于深度置信网络的工业设备故障诊断方法及系统 | |
CN115456460A (zh) | 一种制丝松散回潮工艺的多质量指标输出预测方法、系统 | |
CN111915246A (zh) | 一种粮仓储粮数量平行检测方法 | |
CN116356463B (zh) | 喷气涡流纺纱线质量预测方法 | |
CN113673242A (zh) | 一种基于k邻近结点算法和对比学习的文本分类方法 | |
Zeng et al. | Financial time series forecasting using cnn and transformer | |
de Lima Mendes et al. | Many layer transfer learning genetic algorithm (MLTLGA): a new evolutionary transfer learning approach applied to pneumonia classification | |
CN112488188B (zh) | 一种基于深度强化学习的特征选择方法 | |
CN101587545B (zh) | 棉花异性纤维目标图像的特征选择方法和系统 | |
Qiao | Walmart Sale Forecasting Model Based On LightGBM | |
CN117173449A (zh) | 基于多尺度detr的航空发动机叶片缺陷检测方法 | |
CN111708865A (zh) | 一种基于改进XGBoost算法的技术预见及专利预警分析方法 | |
WO2020085114A1 (ja) | 情報処理装置、情報処理方法、および、プログラム | |
Demirel et al. | Ensemble Learning based on Regressor Chains: A Case on Quality Prediction. | |
EP0435099B1 (en) | A method of selecting characteristics data for a data processing system | |
Soujanya et al. | A CNN based approach for handwritten character identification of Telugu guninthalu using various optimizers | |
CN111078882A (zh) | 一种文本情感测量方法和装置 | |
CN117994593B (zh) | 一种基于多源数据复合模型的自动配棉方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |