王東平 吳志剛

摘 要：針對(duì)企業(yè)紡紗過程中紗線質(zhì)量難以預(yù)測的問題，提出了一種基于灰色關(guān)聯(lián)支持向量機(jī)回歸的模型，并對(duì)模型關(guān)鍵參數(shù)使用網(wǎng)格搜索技術(shù)和交叉驗(yàn)證技術(shù)進(jìn)行優(yōu)化。通過工廠實(shí)際紡紗數(shù)據(jù)，利用成熟度等10項(xiàng)原棉指標(biāo)，對(duì)紗線單紗強(qiáng)度等2項(xiàng)指標(biāo)進(jìn)行預(yù)測。試驗(yàn)結(jié)果表明，灰色關(guān)聯(lián)支持向量機(jī)回歸模型在小樣本條件下也有良好的表現(xiàn)。同傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型相比，具有更好的預(yù)測精度和穩(wěn)定性，為成紗質(zhì)量預(yù)測提供了新方法。

關(guān)鍵詞：支持向量機(jī)回歸；灰色關(guān)聯(lián)；BP神經(jīng)網(wǎng)絡(luò)；紗線質(zhì)量

DOI：10.16640/j.cnki.37-1222/t.2019.09.133

1 引言

紗線生產(chǎn)是一項(xiàng)極其復(fù)雜的生產(chǎn)流程。從纖維到紗線需要經(jīng)歷多道工序。影響成紗質(zhì)量的因素眾多，其中主要的因素為纖維性能和紡織工藝。在紡織工藝相同的情況下，在成紗質(zhì)量中起到?jīng)Q定性作用的是原棉質(zhì)量。但是原棉質(zhì)量和紗線質(zhì)量之間的關(guān)系是復(fù)雜的非線性關(guān)系。傳統(tǒng)上對(duì)紗線的質(zhì)量預(yù)測大多憑借生產(chǎn)工人和領(lǐng)域?qū)＜业慕?jīng)驗(yàn)，主觀意識(shí)太強(qiáng)，無法提供穩(wěn)定可靠的預(yù)測結(jié)果，導(dǎo)致紗線質(zhì)量的波動(dòng)性太大，造成了時(shí)間和原料的浪費(fèi)，不能滿足實(shí)際生產(chǎn)的需要。針對(duì)這個(gè)難題，國內(nèi)外很多學(xué)者對(duì)此進(jìn)行了研究。主要技術(shù)有基于紗線結(jié)構(gòu)的力學(xué)物理模型[1]和基于統(tǒng)計(jì)技術(shù)的經(jīng)驗(yàn)?zāi)Ｐ?，近年來，利用智能技術(shù)進(jìn)行紗線質(zhì)量預(yù)測成為了研究的熱點(diǎn)[2]，有學(xué)者提出了基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測方法來處理原棉質(zhì)量和紗線質(zhì)量之間復(fù)雜的非線性關(guān)系[3-4]。但BP神經(jīng)網(wǎng)絡(luò)需要大量的數(shù)據(jù)樣本，在小樣本的數(shù)據(jù)條件下，具有收斂速度慢、過擬合、易陷入局部最優(yōu)等缺陷[5]。近幾年，一種新的算法支持向量機(jī)算法在工業(yè)中得到廣泛應(yīng)用并且取得了良好的效果[6]。具有泛化性能好、最優(yōu)解唯一、計(jì)算簡單、不需要微調(diào)、小樣本學(xué)習(xí)等優(yōu)點(diǎn)。本文將結(jié)合灰色關(guān)聯(lián)分析與支持向量機(jī)回歸，利用灰色關(guān)聯(lián)分析對(duì)原棉性能指標(biāo)進(jìn)行篩選[7-8]，充分發(fā)揮支持向量機(jī)小樣本學(xué)習(xí)的優(yōu)點(diǎn)，為紗線質(zhì)量預(yù)測提供一種新方法。

2 相關(guān)理論

2.1 灰色關(guān)聯(lián)分析

灰色關(guān)聯(lián)分析是一種多因素統(tǒng)計(jì)分析方法。它根據(jù)各因素的樣本數(shù)據(jù)，對(duì)因素間關(guān)系使用灰色關(guān)聯(lián)度進(jìn)行描述。若兩個(gè)因素變化同步趨勢(shì)較高，則兩者之間灰色關(guān)聯(lián)度較高，反之則灰色關(guān)聯(lián)度較低。此分析方法具有對(duì)數(shù)據(jù)要求較低和工作量較少等特點(diǎn)。

具體步驟如下：

第一步：首先確定參考數(shù)列。

在做灰色關(guān)聯(lián)分析之前，首先要選擇參考數(shù)列。參考數(shù)列一般記作。比較數(shù)列一般記作…。

第二步：進(jìn)行變量的無量綱化處理。

在灰色關(guān)聯(lián)計(jì)算之前，可根據(jù)公式（1）對(duì)數(shù)列進(jìn)行無量綱化處理，以消除各個(gè)數(shù)列由于量綱不同和數(shù)值差異過大帶來的影響。

3 模型建立與分析

3.1 數(shù)據(jù)準(zhǔn)備

本文采用60組紡紗數(shù)據(jù)來建立模型，50用于組模型訓(xùn)練，剩下10組用來測試模型精度。由于紗線是在紡紗工藝相同的環(huán)境下加工生產(chǎn)的。因此，成紗質(zhì)量的主要影響因素是原棉性能指標(biāo)。本文選用的原棉性能指標(biāo)為：成熟度、主體長度、斷裂強(qiáng)度、短絨率、主上長度、均勻度、公制支數(shù)、含雜率、疵點(diǎn)總數(shù)、回潮率。成紗的性能指標(biāo)為： 單紗強(qiáng)度、條干CV。

3.2 灰色關(guān)聯(lián)分析

根據(jù)灰色關(guān)聯(lián)分析計(jì)算得到表成紗性能與纖維性能之間的灰色關(guān)聯(lián)度，選擇灰色關(guān)聯(lián)度最大的7個(gè)纖維性能指標(biāo)用進(jìn)行灰色關(guān)聯(lián)支持向量機(jī)回歸模型預(yù)測。

這表明，單紗強(qiáng)度主要影響因素從高到低依次為： 成熟度、主上長度、主體長度、公制支數(shù)、均勻度、短絨率、回潮率、含雜率、斷裂強(qiáng)度、疵點(diǎn)總數(shù)。條干CV的主要影響因素從高到低依次為： 主體長度、主上長度、成熟度、公制支數(shù)、均勻度、回潮率、短絨率、斷裂強(qiáng)度、疵點(diǎn)總數(shù)、含雜率。

3.3 模型參數(shù)選擇

在預(yù)測仿真任務(wù)中，樣本結(jié)構(gòu)、模型選擇、模型參數(shù)調(diào)優(yōu)都對(duì)預(yù)測的精度有影響。本文使用灰色關(guān)聯(lián)支持向量機(jī)回歸作為紗線質(zhì)量預(yù)測模型。需要確定的關(guān)鍵參數(shù)是正則化系數(shù)C和核函數(shù)帶寬σ。本文選擇較為常用的RBF徑向基核作為核函數(shù)。采用網(wǎng)格搜索技術(shù)結(jié)合交叉驗(yàn)證對(duì)關(guān)鍵參數(shù)進(jìn)行優(yōu)化[10]。

BP神經(jīng)網(wǎng)絡(luò)模型作為對(duì)比模型。常用的BP神經(jīng)網(wǎng)絡(luò)為3層[11]，分別為輸入層、隱藏層和輸出層。輸入層節(jié)點(diǎn)的個(gè)數(shù)為原來的原棉指標(biāo)變量個(gè)數(shù)10。輸出層節(jié)點(diǎn)的個(gè)數(shù)為1。根據(jù)經(jīng)驗(yàn)公式進(jìn)行計(jì)算得到隱藏層的節(jié)點(diǎn)個(gè)數(shù)為12。因此，BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為“10-12-1”。隱層的激活函數(shù)為“relu函數(shù)”。訓(xùn)練次數(shù)為10000次。訓(xùn)練精度為 0. 01。對(duì)單紗強(qiáng)度和條干CV分別建立預(yù)測模型。

4 預(yù)測結(jié)果與分析

本文分別采用灰色關(guān)聯(lián)支持向量機(jī)回歸模型與BP神經(jīng)網(wǎng)絡(luò)模型對(duì)成紗性能進(jìn)行預(yù)測，并對(duì)兩種模型的預(yù)測結(jié)果進(jìn)行了比較。預(yù)測結(jié)果如下表所示。

根據(jù)表2，對(duì)于單紗強(qiáng)度的預(yù)測結(jié)果，灰色關(guān)聯(lián)支持向量機(jī)回歸模型的預(yù)測平均相對(duì)誤差為2.59%，BP神經(jīng)網(wǎng)絡(luò)模型平均相對(duì)誤差為%4.55%，支持向量機(jī)回歸模型的準(zhǔn)確度比BP神經(jīng)網(wǎng)絡(luò)提高了43.07%。由表3可知，對(duì)于條干CV，灰色關(guān)聯(lián)支持向量機(jī)回歸模型的平均相對(duì)誤差最小為0.91%，BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測的平均相對(duì)誤差為5.85%，灰色關(guān)聯(lián)支持向量機(jī)回歸模型的準(zhǔn)確度比BP神經(jīng)網(wǎng)絡(luò)提高了83.42%。實(shí)驗(yàn)結(jié)果對(duì)比表明，灰色關(guān)聯(lián)支持向量機(jī)回歸預(yù)測模型比BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的預(yù)測的精確度得到了大幅的提高，并且預(yù)測結(jié)果比較穩(wěn)定。灰色關(guān)聯(lián)支持向量機(jī)回歸模型在小樣本的條件下擬合性能遠(yuǎn)遠(yuǎn)好于BP神經(jīng)網(wǎng)絡(luò)模型。

5 結(jié)語

本文提出了一種基于灰色關(guān)聯(lián)分析支持向量機(jī)回歸的預(yù)測模型，并且使用網(wǎng)格搜索技術(shù)和交叉驗(yàn)證技術(shù)解決了模型的參數(shù)優(yōu)化問題。以紡紗生產(chǎn)過程為例，首先使用灰色關(guān)聯(lián)分析方法篩選出影響成紗性能指標(biāo)的最重要的原棉性能指標(biāo)，然后利用支持向量機(jī)回歸建立預(yù)測模型，預(yù)測成紗性能指標(biāo)。實(shí)驗(yàn)結(jié)果表明，本文方法的擬合效果比傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測方法的擬合效果要好，在小樣本的數(shù)據(jù)環(huán)境下仍然能夠保持較高的預(yù)測精度，擁有更好泛化性能，更加適用于紗線生產(chǎn)過程。研究表明，基于灰色關(guān)聯(lián)支持向量機(jī)回歸預(yù)測模型是進(jìn)行紗線質(zhì)量預(yù)測的有效工具，具有較高的實(shí)際應(yīng)用價(jià)值。

參考文獻(xiàn)：

[1]Bogdan J F.The characterization of spinning quality[J]. Textile Res J.1956，26（09）：720-730.

[2]董奎勇，于偉東.基于BP神經(jīng)網(wǎng)絡(luò)的紡紗質(zhì)量預(yù)報(bào)模型[J].東華大學(xué)學(xué)報(bào)，2005，31（02）：88-92.

[3]鄭波.配棉工藝系統(tǒng)與紡紗質(zhì)量預(yù)測的分析與設(shè)計(jì)[D].南京：東南大學(xué)，2006.

[4]殷祥剛，呂志軍，于偉東.基于CBR和ANN的精紡紗智能化加工研究與實(shí)踐[J].毛紡科技，2006（05）：5-8.

[5]Zeguang Pei，Chongwen Yu.Prediction of the vortex yarn tenacity from some process and nozzle parameters based on numerical simulation and artificial neural network[J]. Textile Research Journal，2011：1-12.

[6]王定成，姜斌.支持向量機(jī)控制與在線學(xué)習(xí)方法研究的進(jìn)展[J]. 系統(tǒng)仿真學(xué)報(bào)，2007，19（03）：1177-1181.

[7]李曉峰.苧麻纖維原料品質(zhì)與成紗品質(zhì)指標(biāo)的灰關(guān)聯(lián)分析[J]. 紡織學(xué)報(bào)，2006，27（01）：20-22.

[8]陳東升，吳廣峰，長井茂明.用灰色理論預(yù)測亞麻成紗質(zhì)量[J].紡織基礎(chǔ)科學(xué)學(xué)報(bào)，1994，7（03）：230-233.

[9]Vapnik V N.The Nature of Statistical Learning Theory[M]. New York： Spring-Verlag，1999.

[10]鄧乃揚(yáng)，田英杰.數(shù)據(jù)挖掘中的新方法—支持向量機(jī)[M].北京：科學(xué)出版社，2004.

[11]高大啟.有教師的線性基本函數(shù)前向三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)研究[J].計(jì)算機(jī)學(xué)報(bào)，1998，21（01）：80-86.

作者簡介：王東平（1993-），男，安徽滁州人，碩士研究生，主要研究方向：智能信息處理。

*為通訊作者