基于遺傳神經(jīng)網(wǎng)絡(luò)算法的紡織生產(chǎn)過程參數(shù)反演

楊建國，熊經(jīng)緯，徐　蘭，項(xiàng)　前

(東華大學(xué) 機(jī)械工程學(xué)院， 上海 201620)

基于遺傳神經(jīng)網(wǎng)絡(luò)算法的紡織生產(chǎn)過程參數(shù)反演

楊建國，熊經(jīng)緯，徐蘭，項(xiàng)前

(東華大學(xué) 機(jī)械工程學(xué)院， 上海 201620)

摘要：針對(duì)紡織工藝中部分參數(shù)不易獲得卻又對(duì)加工工藝產(chǎn)生重要影響的情況,基于BP(back propagation)神經(jīng)網(wǎng)絡(luò)算法建立紡織工藝參數(shù)正演模型,用遺傳算法優(yōu)化了網(wǎng)絡(luò)的初始閾值和權(quán)值,使得網(wǎng)絡(luò)預(yù)測(cè)精度大大提高,在此基礎(chǔ)上,通過改進(jìn)的遺傳算法對(duì)反演參數(shù)進(jìn)行求解.以實(shí)例驗(yàn)證了該算法的可行性和有效性,對(duì)紡織企業(yè)提高工藝開發(fā)的針對(duì)性、降低生產(chǎn)成本有一定的借鑒作用.關(guān)鍵詞： 紡織生產(chǎn)參數(shù)反演； 工藝設(shè)計(jì)； 遺傳神經(jīng)網(wǎng)絡(luò)算法

紡織品加工是一種典型的復(fù)雜非平穩(wěn)加工過程,常見的紡織品原料初加工、前紡、后紡、織造及染整等幾大工序中,紡織品加工處于內(nèi)外環(huán)境的擾動(dòng)中,不但包括材料位移過程和流體動(dòng)力學(xué)過程,而且包括復(fù)雜的熱交換與化學(xué)反應(yīng).為了實(shí)現(xiàn)對(duì)紡織品加工質(zhì)量的準(zhǔn)確預(yù)測(cè)與控制,國內(nèi)外不少專家、學(xué)者開展了研究與實(shí)踐,并取得了較多的成果[1-4].生產(chǎn)質(zhì)量預(yù)測(cè)是在確定的輸入即原料和設(shè)備工藝參數(shù)條件下,預(yù)先判別計(jì)算與求解加工系統(tǒng)并得到產(chǎn)品質(zhì)量的關(guān)鍵參數(shù),用以預(yù)防產(chǎn)品質(zhì)量可能出現(xiàn)的問題并且縮短生產(chǎn)周期.而反演問題則是指在保證產(chǎn)品質(zhì)量的前提下,通過反演模型得到可以作為原料及主要工藝參數(shù)進(jìn)行選擇和設(shè)計(jì)的依據(jù),以提高產(chǎn)品工藝開發(fā)的針對(duì)性,在保證產(chǎn)品質(zhì)量要求前提下盡可能降低生產(chǎn)成本.

紡織生產(chǎn)過程的正演模擬可表達(dá)為模型參數(shù)的非線性函數(shù),因而其反演也可歸為非線性最優(yōu)化問題.在所有非線性反演中,徹底搜索法(或稱窮舉法)是最簡(jiǎn)單、最直接的方法[5],但在面對(duì)海量的數(shù)據(jù)時(shí),該方法完成徹底的搜索幾乎是不可能的,即使是計(jì)算機(jī)也難以完成,因此需要尋找一種有效的算法來進(jìn)行反演.近幾年,以GA(genetic algorithm)、BP(back propagation)人工神經(jīng)網(wǎng)絡(luò)等為代表的全局優(yōu)化算法成為了國內(nèi)外反演領(lǐng)域的研究熱點(diǎn)[6-10].文獻(xiàn)[11]對(duì)編織機(jī)的工藝性能參數(shù)(直徑和隔距)預(yù)報(bào)采用了基于徑向基神經(jīng)網(wǎng)絡(luò)的神經(jīng)模糊推理系統(tǒng),直徑和隔距的平均預(yù)報(bào)精度分別達(dá)到97.74%和99.59%,回歸模型的結(jié)果則分別為97.73%和99.46%.在原始數(shù)據(jù)含有噪聲(即測(cè)量誤差含有異常值)的情況下,文獻(xiàn)[12]運(yùn)用Huber范數(shù)作為反演的目標(biāo)函數(shù),并采用L-BFGS擬牛頓法對(duì)其進(jìn)行求解,反演結(jié)果具有良好的穩(wěn)定性.但是擬牛頓類算法的一個(gè)主要缺點(diǎn)是需要花費(fèi)大量的內(nèi)存去存儲(chǔ)海森矩陣或與海森矩陣特性相似的矩陣,這也是反演算法中經(jīng)常遇到的一個(gè)問題.為了求解魯棒性的反演問題,文獻(xiàn)[13]提出了一種修改的非線性共梯度算法,該方法主要利用IRLS(iterative reweighted least square)算法的加權(quán)思想來改變搜索方向從而增加穩(wěn)定性.文獻(xiàn)[14]采用直接逼近法來反演棉花模型所需的初始數(shù)據(jù)及參數(shù),將遙感信息和棉花模型相結(jié)合,建立遙感-棉花的反演模型,試驗(yàn)驗(yàn)證了該模型是可行的.文獻(xiàn)[15]通過建立遺傳神經(jīng)網(wǎng)絡(luò)模型代替堆石壩的有限元計(jì)算程序以提高反演計(jì)算效率,同時(shí)利用遺傳優(yōu)化的算法全局搜索功能尋找使遺傳神經(jīng)網(wǎng)絡(luò)模擬值和實(shí)測(cè)值之間誤差最小的最優(yōu)參數(shù)組,并通過Matlab實(shí)現(xiàn)基于遺傳算法和遺傳神經(jīng)網(wǎng)絡(luò)算法的堆石料參數(shù)反演分析,反演結(jié)果表明該算法能夠很好地提高反演分析效率及準(zhǔn)確性.

針對(duì)傳統(tǒng)參數(shù)反演算法存在收斂性和穩(wěn)定性不理想、反演精度較低、計(jì)算速度較緩慢等問題[16-19],本文利用遺傳算法優(yōu)化BP(back propagation)神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值來建立遺傳神經(jīng)網(wǎng)絡(luò)正演模型,根據(jù)毛紗CV值來反演生產(chǎn)過程工藝的輸入?yún)?shù)，研究結(jié)果對(duì)紡織工藝參數(shù)調(diào)節(jié)提供可靠的理論依據(jù).

1紡織品工藝參數(shù)反演問題描述

對(duì)于毛紡精梳細(xì)紗生產(chǎn)而言,制約產(chǎn)品質(zhì)量的兩大要素包括原料的性能參數(shù)與加工工藝參數(shù)，其中細(xì)紗牽伸倍數(shù)、毛條含油率、纖維長(zhǎng)度、纖維直徑、毛條回潮率、細(xì)紗鋼絲圈號(hào)、細(xì)紗車速及細(xì)紗牽伸倍數(shù)等,都是影響各工序加工效率和產(chǎn)品質(zhì)量的關(guān)鍵因素.當(dāng)工藝過程中的輸出目標(biāo)參數(shù)一旦確定,在其中一個(gè)或幾個(gè)輸入?yún)?shù)可變的情況下,通過反演模型得到不同的輸入?yún)?shù)組合,再根據(jù)加工效率、生產(chǎn)成本等條件對(duì)可選組合進(jìn)行篩選,最終得到最優(yōu)的輸入?yún)?shù)組合,從而實(shí)現(xiàn)更加合理的工藝設(shè)計(jì),因此,對(duì)某些參數(shù)進(jìn)行有效反演具有重要意義.本文要解決的紡織工藝參數(shù)反演問題:已知部分輸入工藝參數(shù)和輸出目標(biāo)參數(shù),通過構(gòu)造反演模型,反演出能滿足相同輸出目標(biāo)的大量可選輸入?yún)?shù)組合,為進(jìn)一步的最優(yōu)工藝參數(shù)調(diào)節(jié)奠定基礎(chǔ).

2數(shù)學(xué)模型

紡織工藝參數(shù)反演是通過已獲得的工藝參數(shù)建立反演函數(shù),可歸結(jié)為數(shù)學(xué)中的組合優(yōu)化問題.紡織加工中有些參數(shù)易于獲得,而有些參數(shù)不易獲得或通過常規(guī)方法獲得往往會(huì)產(chǎn)生很大的誤差,但這些參數(shù)往往又對(duì)生產(chǎn)效率產(chǎn)生很大影響,因此,為紡織參數(shù)反演尋求一種有效求解方法是非常必要的.

將紡織品工藝參數(shù)反演抽象為數(shù)學(xué)模型時(shí)可用如下描述：

(1) 設(shè)O={o1,o2,…,on}是某紡織加工工序中n(n>1) 個(gè)加工參數(shù)的集合,其中參數(shù)on與o1,o2，…，on-1有關(guān),即on可由前n-1個(gè)參數(shù)預(yù)測(cè)得出；

(2) 假設(shè)op和oq是紡織加工中不易獲得且對(duì)工藝影響重大的參數(shù),實(shí)際生產(chǎn)中該參數(shù)只有少部分?jǐn)?shù)據(jù),為了反演獲得更多的參數(shù)op和oq,通過構(gòu)建神經(jīng)網(wǎng)絡(luò),將一組o1,o2,…,on-1數(shù)據(jù)作為網(wǎng)絡(luò)訓(xùn)練輸入,on作為網(wǎng)絡(luò)輸出,將訓(xùn)練好的網(wǎng)絡(luò)封裝成一個(gè)函數(shù)f(o1,o2,…,on-1),即任意給定一組o1,o2,…，op,…,oq,…,on-1可通過該神經(jīng)網(wǎng)絡(luò)封裝函數(shù)計(jì)算得到on；

(3) 構(gòu)建遺傳算法,將op和oq編碼成染色體,令g(o1,o2,…,on-1)=f(o1,o2,…,on-1)-(on)真實(shí)值,則目標(biāo)函數(shù)可表示為:min(abs(g(o1,o2,…,op,…,oq,…,on-1)))，從而得到反演參數(shù)op和oq.

3反演算法設(shè)計(jì)

3.1反演算法基本步驟

(1) 基于部分已知精紡毛紗樣本的線密度離散(離散系數(shù))、毛條含油量、粗紗捻系數(shù)、毛條回潮率、纖維長(zhǎng)度(豪特長(zhǎng)度LH)、細(xì)紗車速、細(xì)紗牽伸倍數(shù)、纖維直徑(平均直徑)、細(xì)紗鋼絲圈號(hào)、纖維質(zhì)量不勻率等條件.結(jié)合神經(jīng)網(wǎng)絡(luò)算法建立針對(duì)初始細(xì)紗CV值的預(yù)測(cè)模型.

(2) 根據(jù)已建立的初始精紡毛紗CV值預(yù)測(cè)模型得到預(yù)測(cè)數(shù)據(jù),計(jì)算實(shí)際數(shù)據(jù)與預(yù)測(cè)數(shù)據(jù)的均方根誤差是否滿足設(shè)定的精度要求,若達(dá)到精度要求則迭代終止,否則繼續(xù)迭代直至精度符合要求.

(3) 基于當(dāng)前正演模型,通過遺傳算法構(gòu)造其反演模型,達(dá)到反演問題的迭代計(jì)算.

(4) 以CV值實(shí)測(cè)數(shù)據(jù)與預(yù)測(cè)數(shù)據(jù)的差作為目標(biāo)函數(shù),在新模型的基礎(chǔ)上反演出所需要的參數(shù).

(5) 對(duì)所有符合條件的反演數(shù)據(jù),根據(jù)正演模型計(jì)算出CV值預(yù)測(cè)數(shù)據(jù),從而得到目標(biāo)函數(shù)值,再挑選出最佳反演參數(shù).

反演算法的流程如圖1所示.

圖1　反演算法的流程Fig.1　The flow chart of inversion algorithm

3.2BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)設(shè)定

本文建立3層BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型,其結(jié)構(gòu)示意圖如圖2所示.其中m為輸入層節(jié)點(diǎn)個(gè)數(shù),k為輸出層神經(jīng)元個(gè)數(shù),n為隱含層節(jié)點(diǎn)數(shù),f1為隱含層傳遞函數(shù),f2為輸出層傳遞函數(shù)，a1為隱含層輸出值，a2為輸出層輸出值，B1為輸入層-隱含層閾值矩陣，B2為隱含層-輸出層閾值矩陣,W1為輸入層-隱含層神經(jīng)元權(quán)值矩陣；W2為隱含層-輸出層神經(jīng)元權(quán)值矩陣.

圖2　3層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.2　The three layer BP neural network structure

任意m維到k維的映射可以通過3層BP神經(jīng)網(wǎng)絡(luò)來完成,選擇隱含層節(jié)點(diǎn)數(shù)n的經(jīng)驗(yàn)公式為

(1)

3.3GA優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值

(1) 種群初始化.染色體采用十進(jìn)制編碼方法,其每個(gè)數(shù)碼由4位二進(jìn)制數(shù)碼表示.染色體個(gè)體包括了神經(jīng)網(wǎng)絡(luò)全部權(quán)值和閥值,在網(wǎng)絡(luò)結(jié)構(gòu)已知的情況下,就可以構(gòu)成一個(gè)結(jié)構(gòu)、權(quán)值及閥值確定的神經(jīng)網(wǎng)絡(luò).

對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行編碼：

[w111,…,w11m,…,w1i1,…,w1im,w1n1,…,w1nm,…,b1n,w211,…,w21n,…,w2j1,…,w2jn,w2k1,…,w2kn,b21,…,b2k].式中：w1ij為W1(m×n維)中的元素；b1i為B1(n×1維)中的元素；w2ij為W2(n×k維)中的元素；b2i為B2(k×1維)中的元素.

初始的權(quán)值與閾值通常是隨機(jī)賦值的,范圍一般限定在[-0.5,0.5].本文染色體初始值采用隨機(jī)法取值,染色體長(zhǎng)度L=m×n+n×1+n×k+k×1，然后從[-0.5,0.5]中隨機(jī)抽取N×L個(gè)均勻分布的數(shù)據(jù)作為初始種群,N為初始種群中的個(gè)體數(shù)目.

(2) 適應(yīng)度函數(shù)的確定.對(duì)于給定的訓(xùn)練數(shù)據(jù)與實(shí)際數(shù)據(jù),將實(shí)際數(shù)據(jù)與預(yù)測(cè)數(shù)據(jù)的平均絕對(duì)誤差定義為適應(yīng)度函數(shù)f，如式(2)所示.

(2)

式中:S為網(wǎng)絡(luò)輸出的節(jié)點(diǎn)個(gè)數(shù)；yi為網(wǎng)絡(luò)第i個(gè)節(jié)點(diǎn)的實(shí)際數(shù)據(jù)(即期望輸出)；oi為第i個(gè)節(jié)點(diǎn)輸出的預(yù)測(cè)數(shù)據(jù).

(3) 選擇算子.設(shè)種群有N個(gè)個(gè)體組成,且個(gè)體x對(duì)應(yīng)的適應(yīng)度值為f(x)，則選中x的概率為

(3)

根據(jù)px的大小,選擇操作采用輪盤賭法.

(4)

(5)

其中：μ為(0,1)之間產(chǎn)生的隨機(jī)數(shù).根據(jù)式(4)和(5)的交叉運(yùn)算可以保證產(chǎn)生的兩個(gè)個(gè)體的搜索空間限制在兩個(gè)父代所在的區(qū)域之間.

(5) 確定變異算子.變異操作是指從種群中任選一個(gè)個(gè)體,選擇染色體的一點(diǎn)進(jìn)行變異以產(chǎn)生更優(yōu)秀的個(gè)體.對(duì)第i個(gè)個(gè)體的第j個(gè)基因aij進(jìn)行變異操作：

(6)

式中：amin和amax為基因aij的最大與最小值,即上下界；f(g)=r2(1-g/Gmax)2,r2為隨機(jī)數(shù),g為當(dāng)前的迭代次數(shù),Gmax為最大迭代次數(shù)；r為[0,1]之間的隨機(jī)數(shù).

3.4GA算法反演

3.4.1基因編碼

對(duì)于紡織工藝參數(shù)反演問題,單純的實(shí)數(shù)編碼無法將離散編碼序列和連續(xù)的微粒位置對(duì)應(yīng)起來.為了便于參數(shù)反演的描述和遺傳操作,本文提出采用二進(jìn)制數(shù)與實(shí)數(shù)相結(jié)合的方式來對(duì)粒子進(jìn)行編碼,要點(diǎn)如下.

(1) 粒子的編碼由兩部分組成(如圖3所示),左邊部分a，b，…由(0,n)之間的實(shí)數(shù)組成,其個(gè)數(shù)等于反演參數(shù)的總數(shù)n,其數(shù)值表示反演參數(shù)的位置.

(2) 右邊部分采用格雷方式編碼,A，B，…由0或1的隨機(jī)數(shù)組成,每一個(gè)反演參數(shù)由八位的二進(jìn)制編碼表示,設(shè)M=[A,B,…],則length(M)=8×m.

圖3粒子編碼結(jié)構(gòu)
Fig.3Particle coding structure

3.4.2初始種群的產(chǎn)生

在種群初始化過程中,基因左邊部分由實(shí)際所需反演的參數(shù)來決定,如產(chǎn)生a=2,b=5,則表示需要對(duì)毛條回潮率和纖維長(zhǎng)度進(jìn)行反演,一旦確定后種群中a,b的值在迭代過程中就不發(fā)生變化；右邊部分隨反演參數(shù)個(gè)數(shù)不同而變化,若反演參數(shù)個(gè)數(shù)為2,則在一定范圍內(nèi)隨機(jī)產(chǎn)生1行16列的0和1數(shù)值矩陣來初始化種群.

3.4.3選擇

3.4.4交叉變異

交叉及變異都是形成新個(gè)體的有效方法,交叉變異算法的優(yōu)點(diǎn)是能夠避免部分信息的丟失,最大限度地保證了遺傳算法的有效性.

本文采用的交叉變異算法：(1)根據(jù)反演參數(shù)的總數(shù)I隨機(jī)產(chǎn)生I個(gè)0或1的數(shù)T1,T2,…,TI,如I=2,T1=0,T2=1；(2)將T1,T2,…,TI插入染色體二進(jìn)制編碼片段中,每隔8個(gè)插入一個(gè)TI；(3)判斷TI的值,若TI=0,則對(duì)該段基因不作任何更改,若TI=1,將兩個(gè)相互配對(duì)的個(gè)體在兩個(gè)隨機(jī)設(shè)置的交叉點(diǎn)之間的部分染色體進(jìn)行交換.

設(shè)X1和X2分別為需要進(jìn)行交叉操作的2個(gè)父代個(gè)體,Y為交叉后產(chǎn)生的子代個(gè)體,交叉過程如圖4所示.

圖4　交叉示意圖Fig.4　The cross diagram

個(gè)體的變異采用均勻變異的方法,即依次選取個(gè)體編碼串中的每個(gè)基因作為變異點(diǎn),對(duì)于每一個(gè)變異點(diǎn)以變異概率從基因的取值范圍內(nèi)取一個(gè)隨機(jī)數(shù)來代替原有的基因值,如圖5所示.

圖5　變異示意圖Fig.5　The mutation diagram

4應(yīng)用實(shí)例

以某公司的精紡毛紗生產(chǎn)過程中毛條含油量和細(xì)紗牽伸倍數(shù)的反演為例說明本文算法的實(shí)現(xiàn)過程.首先建立毛紗CV值的正演模型,其中輸入?yún)?shù)為纖維直徑離散(離散系數(shù))、毛條含油量、纖維質(zhì)量不勻率、粗紗捻系數(shù)、毛條回潮率、纖維長(zhǎng)度(豪特長(zhǎng)度LH)、細(xì)紗車速、細(xì)紗牽伸倍數(shù)、細(xì)紗鋼絲圈號(hào)、纖維直徑(平均直徑),輸出參數(shù)為毛紗CV值,已知某公司精紡毛紗的生產(chǎn)數(shù)據(jù)如表1所示,選取樣本編號(hào)1～69作為訓(xùn)練數(shù)據(jù)集,樣本編號(hào)70～74作為模型測(cè)試數(shù)據(jù)集.

(續(xù)　表)

(續(xù)　表)

運(yùn)用Matlab軟件編寫相關(guān)程序,神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型算法參數(shù)設(shè)定：輸入神經(jīng)元個(gè)數(shù)m=10,輸出神經(jīng)元個(gè)數(shù)k=1,隱含層節(jié)點(diǎn)數(shù)n根據(jù)式(1)設(shè)為7,訓(xùn)練函數(shù)trained,隱含層函數(shù)tansig,輸出層函數(shù)purelin,種群大小為30.毛紗CV值預(yù)測(cè)模型的進(jìn)化過程如圖6所示.

圖6　毛紗CV值預(yù)測(cè)模型適應(yīng)度值變化圖Fig.6　　　　The change process of forecasting model 　　　on worsted yarn’s CV values

從圖6可以看出,當(dāng)進(jìn)化代數(shù)達(dá)到68代以后,測(cè)試集預(yù)測(cè)結(jié)果的適應(yīng)度函數(shù)值(即平均絕對(duì)誤差)逐漸趨于穩(wěn)定,大約為1.7%,此時(shí)平均適應(yīng)度值與最佳適應(yīng)度值接近,表明每個(gè)個(gè)體都在最優(yōu)解附近.

神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型訓(xùn)練好以后,現(xiàn)給定一組新數(shù)據(jù),如表1中的樣本編號(hào)75,通過建立的反演模型反演毛條含油量和細(xì)紗牽伸倍數(shù)兩個(gè)參數(shù).經(jīng)多次實(shí)驗(yàn),進(jìn)行最優(yōu)參數(shù)選擇,反演模型的參數(shù)設(shè)定為：種群大小為30,最大迭代次數(shù)為100,交叉概率為0.8,變異概率為0.05.遺傳神經(jīng)網(wǎng)絡(luò)算法反演迭代結(jié)果如圖7所示.由圖7可知，該算法迭代不到10次就已經(jīng)收斂,最優(yōu)的5次參數(shù)反演輸出結(jié)果如表2所示. 由表2可知,經(jīng)遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)在反演精度上可達(dá)95%以上.

圖7　遺傳神經(jīng)網(wǎng)絡(luò)算法反演迭代結(jié)果Fig.7　　　　Genetic neural network algorithm 　　　iteration inversion results

參數(shù)12345真實(shí)值平均相對(duì)誤差毛條含油量/%1.151.071.051.161.181.104.73%細(xì)紗牽伸倍數(shù)/倍21.2221.4520.4222.9023.2022.805.11%

5結(jié)語

針對(duì)傳統(tǒng)參數(shù)反演算法存在收斂性與穩(wěn)定性不理想、反演精度較低以及計(jì)算緩慢等問題,本文利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值來建立遺傳神經(jīng)網(wǎng)絡(luò)正演模型,再根據(jù)毛紗CV值來反演生產(chǎn)過程工藝輸入?yún)?shù),最后以實(shí)例驗(yàn)證了算法的可行性和有效性,反演精度達(dá)到95%以上.根據(jù)本文的反演結(jié)果可調(diào)節(jié)其動(dòng)態(tài)加工生產(chǎn)過程中的敏感參數(shù),使產(chǎn)品質(zhì)量達(dá)標(biāo)且工藝組合得到優(yōu)化,同時(shí)對(duì)企業(yè)新產(chǎn)品工藝開發(fā)設(shè)計(jì)的快速?zèng)Q策也具有很好的借鑒作用.

參考文獻(xiàn)

[1] 李翔,彭志勤,金鳳英,等.基于神經(jīng)網(wǎng)絡(luò)的精紡毛紗性能預(yù)測(cè)模型比較[J].紡織學(xué)報(bào),2011,32(3):51-56.

[2] DAS S, GHOSH A, MAJUMDAR A， et al. Yarn engineering using hybrid artificial neural network-genetic algorithm model [J]. Fibers and Polymers, 2013, 14 (7): 1220-1226.

[3] MWASIAGI J, HUANG X B, WANG X H. The use of hybrid algorithms to improve the performance of yarn parameters prediction models [J]. Fibers and Polymers, 2012, 13(9): 1201-1208.

[4] 劉彬，項(xiàng)前，楊建國，等.基于遺傳神經(jīng)網(wǎng)絡(luò)的紗線質(zhì)量預(yù)測(cè)[J].東華大學(xué)學(xué)報(bào)(自然科學(xué)版)，2013,39(4)：504-508.

[5] 王家映. 地球物理資料非線性反演方法講座(二):蒙特卡洛法[J]. 工程地球物理學(xué)報(bào),2007,4(2):81-85.

[6] RAMILLIEN G. Genetic algorithms for geophysical parameter inversion from altimeter data[J]. Geophysical Journal International, 2001,147(2):393-402.

[7] 劉斌,李術(shù)才,李樹忱,等. 基于不等式約束的最小二乘法三維電阻率反演及其算法優(yōu)化[J]. 地球物理學(xué)報(bào),2012,55(1):260-268.[8] KAO H, JIAN P R. Seismo genic patterns in the Taiwan region: Insights form source parameter inversion of BATS data[J]. Tectonophysics, 2001,333:179-198.

[9] 施建成,杜陽,杜今陽,等. 微波遙感地表參數(shù)反演進(jìn)展[J]. 中國科學(xué)(地球科學(xué)),2012,42(6):814-842.

[10] 田明俊,周晶. 巖土工程參數(shù)反演的一種新方法[J]. 巖石力學(xué)與工程學(xué)報(bào),2005,24(9):1492-1496.

[11] UCAR N, ERTUGRUL S. Predicting circular knitting machine parameters for cotton plain fabrics using conventional and neuron-fuzzy methods[J]. Textile Research Journal, 2002,72(4):361-366.

[12] GUITTON A, SYMES W W. Robust inversion of seismic data using the Huber norm[J]. Geophysics, 2003,68(4):1310-1319.

[13] JI J. CGG method for robust inversion and its application to velocity-stack inversion[J]. Geophysics, 2006,71(4): 59-67.

[14] 趙艷霞,秦軍,周秀驥. 遙感信息與棉花模型結(jié)合反演模型初始值和參數(shù)的方法研究[J]. 棉花學(xué)報(bào),2005,17(5):280-284.

[15] 呂松召,張墩,付志昆,等. 基于遺傳算法和遺傳神經(jīng)網(wǎng)絡(luò)算法的堆石料參數(shù)反演分析研究[J]. 中國農(nóng)村水利水電,2011(6):113-116.

[16] HUANG C, ZHANG S.A topographic parameter inversion method based on laser altimetry[J]. Science China Technological Sciences,2012,55(5): 1273-1280.

[17] LI M, ZHOU B, LIANG S, et al.Optimal parameter inversion of marine water quality model using a BPNN data-driven model: A case study on DIN[R]. Lecture Notes in Electrical Engineering, 2010:885-892.

[18] WANG J, LI S, CUI J, et al. Advances in computer science, intelligent system and environment [M].Berlin: Springer, 2011:417-420.

[19] HUANG H D, ZHANG R W, SHEN G Q, et al.Study of prestack elastic parameter consistency inversion methods[J]. Applied Geophysics, 2011,8(4):311-318.

Parameter Inversion of Textile Production Process Based on Genetic-ANN Algorithm

YANGJian-guo,XIONGJing-wei,XULan,XIANGQian

(College of Mechanical Engineering, Donghua University, Shanghai 201620, China)

Abstract:In view of the circumstances that part parameters of the textile process which have important influence on the processing technology but are not easy to get, textile process parameters forward model is established by BP(back propagation) neural network algorithm, using genetic algorithm to optimize the network’s initial threshold and weights, the prediction accuracy of the network is greatly increased. On this basis, the inversion parameters are solved by the improved genetic algorithm. The feasibility and effectiveness of the algorithm are verified by an example, it has a very good reference for textile enterprises to improve specific technique development and reduce the production cost.

Key words:parameter inversion of textile production; process design; genetic neural network algorithm

文章編號(hào)：1671-0444(2016)02-0234-08

收稿日期：2015-04-02

基金項(xiàng)目：國家自然科學(xué)基金資助項(xiàng)目(51175077)

作者簡(jiǎn)介：楊建國(1951—)，男，上海人，教授，博士，研究方向?yàn)楣鈾C(jī)電一體化和智能機(jī)器人、現(xiàn)代集成制造系統(tǒng)技術(shù)、智能檢測(cè)與控制、CAD/CAPP/CAM.E-mail:jgyangm@dhu.edu.cn

中圖分類號(hào)：TH 16.2

文獻(xiàn)標(biāo)志碼：A