[發(fā)明專利]一種漿紗回潮率軟測量方法

有效

• 申請?zhí)枺?/td>: 201310047906.4
• 申請日: 2013-02-06
• 公開（公告）號: CN103136449A
• 公開（公告）日: 2013-06-05
• 發(fā)明（設(shè)計(jì)）人: 張宇獻(xiàn);劉民;李勇;董曉
• 申請（專利權(quán)）人: 沈陽工業(yè)大學(xué)
• 主分類號: G06F19/00
• 分類號: G06F19/00
• 代理公司: 沈陽東大專利代理有限公司 21109
• 代理人: 梁焱

技術(shù)領(lǐng)域

本發(fā)明涉及信息技術(shù)及自動化技術(shù)領(lǐng)域，具體涉及一種漿紗回潮率軟測量方法。

背景技術(shù)

漿紗過程是紡織生產(chǎn)過程中的關(guān)鍵工序，也是整個(gè)織造過程中提高質(zhì)量，降低經(jīng)向斷頭，提高織機(jī)效率，增加經(jīng)濟(jì)效益的關(guān)鍵工序。漿紗的主要目的是提高經(jīng)紗的可織性，使其在織造時(shí)能承受織機(jī)上強(qiáng)烈作用，即保證經(jīng)紗在織機(jī)上能順利織造，并提高生產(chǎn)效率。漿紗過程包含復(fù)雜的化學(xué)、熱力學(xué)過程。由于其生產(chǎn)過程的復(fù)雜性，漿紗過程中的一些關(guān)鍵質(zhì)量指標(biāo)(如回潮率、上漿率、伸長率等）無法及時(shí)準(zhǔn)確地檢測，而這些參數(shù)對于漿紗產(chǎn)品質(zhì)量（特別是產(chǎn)品一級品率）起到重要作用，因此，及時(shí)準(zhǔn)確地檢測上述關(guān)鍵質(zhì)量指標(biāo)是紡織企業(yè)亟待解決的關(guān)鍵技術(shù)問題之一。

目前漿紗回潮率主要通過實(shí)驗(yàn)室抽樣烘干檢測，檢測周期長、檢測樣本覆蓋面小，嚴(yán)重影響的檢測質(zhì)量指標(biāo)的實(shí)時(shí)性和有效性。近年來，隨著檢測智能技術(shù)的發(fā)展，軟測量已得到深入的研究和廣泛的應(yīng)用。然而，由于漿紗過程機(jī)理復(fù)雜，受工況環(huán)境影響大，現(xiàn)場采集數(shù)據(jù)分布分散，噪聲大，典型的智能軟測量方法無法準(zhǔn)確計(jì)算漿紗回潮率，嚴(yán)重影響紡織企業(yè)的產(chǎn)品質(zhì)量和社會競爭力。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)存在的問題，本發(fā)明提供一種漿紗回潮率軟測量方法。

本發(fā)明的技術(shù)方案是：

一種漿紗回潮率軟測量方法，包括如下步驟：

步驟1：采集漿紗機(jī)歷史運(yùn)行數(shù)據(jù)并根據(jù)漿紗機(jī)歷史運(yùn)行數(shù)據(jù)建立樣本數(shù)據(jù)集，所述漿紗機(jī)歷史運(yùn)行數(shù)據(jù)包括：漿紗機(jī)車速、壓輥壓漿力、漿液濃度、漿液溫度和環(huán)境濕度，樣本數(shù)據(jù)集中包括多組漿紗機(jī)歷史運(yùn)行數(shù)據(jù)；

步驟2：對樣本數(shù)據(jù)集進(jìn)行預(yù)處理：設(shè)定漿紗機(jī)車速、壓輥壓漿力、漿液濃度、漿液溫度和環(huán)境濕度數(shù)據(jù)的安全數(shù)值范圍，并刪除樣本數(shù)據(jù)集中的無效數(shù)據(jù);

步驟3：利用樣本數(shù)據(jù)集，建立漿紗回潮率軟測量模型，用來描述漿紗回潮率與車速、壓輥壓漿力、漿液濃度、漿液溫度、環(huán)境濕度之間的關(guān)系；

步驟4：采集當(dāng)前時(shí)刻的漿紗機(jī)運(yùn)行數(shù)據(jù)信息，包括漿紗機(jī)車速、壓輥壓漿力、漿液濃度、漿液溫度、環(huán)境濕度，通過漿紗回潮率軟測量模型計(jì)算當(dāng)前時(shí)刻漿紗回潮率；

步驟5：計(jì)算當(dāng)前漿紗回潮率軟測量模型誤差，即實(shí)時(shí)計(jì)算的漿紗回潮率與實(shí)際測量的漿紗回潮率之差的絕對值，若當(dāng)前漿紗回潮率軟測量模型誤差大于5%，則返回步驟1，否則執(zhí)行步驟6：

步驟6：將步驟4計(jì)算的漿紗回潮率作為漿紗回潮率軟測量結(jié)果。

所述步驟3中的漿紗回潮率軟測量模型，是采用基于數(shù)據(jù)分散度聚類RBF神經(jīng)網(wǎng)絡(luò)建立的，具體步驟如下：

步驟3.1：根據(jù)樣本數(shù)據(jù)集中的漿紗機(jī)歷史運(yùn)行數(shù)據(jù)，采用數(shù)據(jù)分散聚類方法得到聚類中心，即確定RBF神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)中心；

步驟3.2：利用樣本數(shù)據(jù)集中的漿紗機(jī)歷史運(yùn)行數(shù)據(jù)的數(shù)據(jù)分布，計(jì)算RBF神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)寬度；

步驟3.3：利用最小二乘法得到RBF神經(jīng)網(wǎng)絡(luò)隱含層到輸出層的權(quán)值，得到RBF神經(jīng)網(wǎng)絡(luò)輸入層參數(shù)與輸出層參數(shù)的非線性映射關(guān)系，即得到漿紗回潮率軟測量模型，所述輸入層參數(shù)包括漿紗機(jī)車速、壓輥壓漿力、漿液濃度、漿液溫度和環(huán)境濕度，輸出層參數(shù)為漿紗回潮率。

所述根據(jù)樣本數(shù)據(jù)集中的漿紗機(jī)歷史運(yùn)行數(shù)據(jù)，采用數(shù)據(jù)分散聚類方法得到聚類中心，即確定RBF神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)中心，具體步驟如下：

步驟3.1.1：設(shè)定聚類數(shù)k，迭代截止誤差值ε>0和最大迭代次數(shù)T；

步驟3.1.2：隨機(jī)選擇初始聚類中心將聚類中心的迭代次數(shù)t賦值為1；

步驟3.1.3：計(jì)算樣本數(shù)據(jù)集分散度，樣本數(shù)據(jù)集分散度用來描述樣本數(shù)據(jù)集中數(shù)據(jù)的分布密度；

定義數(shù)據(jù)分散度α為

α=βn(Σi=1mli2)1/2]]>