基于窗口波動模式識別的紡紗過程質(zhì)量波動異常預(yù)警

胡 勝, 陳 臣, 李 文, 汪成龍

(西安工程大學(xué) 機(jī)電工程學(xué)院,西安 710048)

紡紗過程由于其復(fù)雜環(huán)境及多源信息交互性等特點(diǎn),其各環(huán)節(jié)中的成紗質(zhì)量受到多種質(zhì)量參數(shù)影響,且目前紗線質(zhì)量控制方法還停留在事后質(zhì)檢的水平上[1],只能發(fā)現(xiàn)廢品而不能預(yù)防廢品的產(chǎn)生,其結(jié)果直接導(dǎo)致企業(yè)的制造成本增加并造成更多經(jīng)濟(jì)損失[2]。因此,針對紡紗過程質(zhì)量波動問題,從早期挖掘異常波動的角度出發(fā),對紡紗過程出現(xiàn)異常波動的時刻及異常原因進(jìn)行預(yù)警分析,及時對紡紗過程穩(wěn)定性進(jìn)行判別具有重要意義。

目前,國內(nèi)外學(xué)者圍繞異常預(yù)警問題主要從以下兩種實現(xiàn)方式進(jìn)行了深入研究并取得一系列成果：一是基于歷史數(shù)據(jù)及先驗知識進(jìn)行健康監(jiān)測與狀態(tài)評估實現(xiàn)異常預(yù)警。Wu等[3]提出了一種合適的模糊下推自動機(jī)控制方法,以實現(xiàn)紗線質(zhì)量控制。徐繼亞等[4]提出了一種基于融合核主元分析與模糊信息?；闹С窒蛄繖C(jī)預(yù)測方法,通過跟蹤性能退化指標(biāo)的變化趨勢及波動范圍,實現(xiàn)軸承故障預(yù)警。為解決單一工序的紡紗質(zhì)量控制模型難以實現(xiàn)對紡紗質(zhì)量的精準(zhǔn)控制問題,邵景峰等[5]構(gòu)建了一種基于多工序知識關(guān)聯(lián)的紡紗質(zhì)量智能控制模型。胡勝等[6]提出一種基于節(jié)點(diǎn)敏感波動分析的質(zhì)量穩(wěn)定性評估方法,通過計算誤差因素的敏感波動率實現(xiàn)異常質(zhì)量狀態(tài)的敏感波動分析。劉偉強(qiáng)等[7]提出一種基于脆性度和云模型的健康狀態(tài)評估方法,在發(fā)動機(jī)缸蓋裝配系統(tǒng)評估過程中提供準(zhǔn)確及時的狀態(tài)信息。王梓齊等[8]提出一種基于模糊軟聚類和集成的狀態(tài)監(jiān)測方法,通過構(gòu)造健康指數(shù)反映齒輪箱的早期故障及其發(fā)展趨勢。鄧麗等[9]提出一種融合數(shù)據(jù)流時空特征和多分類模型的異常檢測算法,對傳感器數(shù)據(jù)流進(jìn)行異常檢測及異常類型識別。嚴(yán)英杰等[10]構(gòu)建了一種基于滑動窗口和聚類的融合算法,實現(xiàn)對變電設(shè)備的異常情況進(jìn)行檢測。倪廣縣等[11]提出了一種滾動軸承高維隨機(jī)矩陣的狀態(tài)異常檢測算法。Zeng等[12]提出了基于稀疏貝葉斯學(xué)習(xí)和假設(shè)檢驗的齒輪箱油溫異常檢測方法。趙慶兵等[13]設(shè)計并開發(fā)了一種基于參數(shù)自回歸算法的用于核電廠關(guān)鍵設(shè)備早期預(yù)警的方法,通過動態(tài)閾值對設(shè)備狀態(tài)進(jìn)行監(jiān)測。Zhang等[14]采用多變異狀態(tài)估計技術(shù)構(gòu)建描述設(shè)備正常狀態(tài)的非參數(shù)模型,將狀態(tài)的滑動窗口相似性作為故障預(yù)警的評價標(biāo)準(zhǔn)。另一種是基于數(shù)據(jù)建模的預(yù)測方法,其基本思想是通過分析歷史運(yùn)行數(shù)據(jù)的關(guān)聯(lián)關(guān)系,對后續(xù)參數(shù)趨勢進(jìn)行短時預(yù)測,并設(shè)置閾值實現(xiàn)異常預(yù)警。Yang等[15]提出一種基于多元回歸模型的紡紗質(zhì)量預(yù)測方法,通過大量的紡紗歷史數(shù)據(jù)構(gòu)建預(yù)測模型實現(xiàn)對紗質(zhì)量的精準(zhǔn)預(yù)測。王明達(dá)等[16]建立基于支持向量機(jī)的在線異常預(yù)測模型和基于貝葉斯網(wǎng)絡(luò)的故障診斷模型,在數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)(Supervisory Control and Data Acquisition,SCADA)上實現(xiàn)異常判別。董海鷹等[17]構(gòu)建自回歸求和滑動平均模型對風(fēng)力發(fā)電機(jī)軸承壽命進(jìn)行預(yù)測。王慶鋒等[18]提出一種基于譜距離指標(biāo)運(yùn)行可靠性曲線趨勢濾波的旋轉(zhuǎn)設(shè)備性能退化預(yù)測模型,實驗表明該方法能夠在不依賴專家先驗知識的前提下準(zhǔn)確預(yù)測和追蹤旋轉(zhuǎn)設(shè)備性能退化趨勢的發(fā)生和發(fā)展。胡勝等[19]提出基于變點(diǎn)識別的紡紗過程質(zhì)量波動異常預(yù)警方法,通過移動窗口分析和多核學(xué)習(xí)技術(shù)對紡紗過程質(zhì)量特性波動的分布變點(diǎn)進(jìn)行識別,實現(xiàn)紡紗質(zhì)量波動預(yù)警。

以上研究發(fā)現(xiàn),目前針對生產(chǎn)過程異常預(yù)警問題的研究主要集中在設(shè)備或零件故障預(yù)警及產(chǎn)品質(zhì)量特性異常監(jiān)測,而針對紡紗生產(chǎn)過程的質(zhì)量穩(wěn)定性問題鮮有研究,在實際的紡織生產(chǎn)過程中,其過程波動穩(wěn)定性是掌握紗線質(zhì)量的有效途徑,從預(yù)防異常影響擴(kuò)大的角度,及時推斷紡紗過程的異常波動進(jìn)行早期預(yù)警和異常溯源分析仍是當(dāng)前研究的重要方向?；诖?本文在前述研究成果的基礎(chǔ)上,重點(diǎn)聚焦紡紗過程中的多質(zhì)量因素波動異常預(yù)警問題,提出一種基于窗口波動模式識別的紡紗過程質(zhì)量波動異常預(yù)警方法,通過均方根誤差表征相鄰窗口的質(zhì)量因素波動程度,在引起質(zhì)量特性波動前實現(xiàn)紡紗過程異常的早期預(yù)警,并對異常波動源頭進(jìn)行追溯,最后通過實例驗證所提方法的有效性。

1 紡紗過程多質(zhì)量參數(shù)波動表征

1.1 紡紗過程質(zhì)量波動表征

紡紗過程質(zhì)量波動異常預(yù)警的基礎(chǔ)是對多質(zhì)量監(jiān)測參數(shù)進(jìn)行波動模式表征。紡紗過程處于正常波動模式時,其監(jiān)測數(shù)據(jù)在合理的區(qū)間內(nèi)波動;當(dāng)出現(xiàn)異常因素時,監(jiān)測點(diǎn)間的波動幅度及波動趨勢會出現(xiàn)顯著變化。為有效表征紡紗過程質(zhì)量波動變化,同時消減隨機(jī)波動對異常預(yù)警結(jié)果的影響,本文進(jìn)行質(zhì)量波動表征與窗口序列分解。

記m維度樣本容量為n的紡紗過程多質(zhì)量參數(shù)序列{xl1,xl2,…,xlm},其質(zhì)量波動表征流程如圖1所示。

圖1 紡紗過程質(zhì)量波動表征Fig.1 Quality fluctuation characterization in the spinning process

具體步驟如下：

1) 設(shè)滑動窗口由目標(biāo)時刻及前β-1個時刻的監(jiān)測數(shù)據(jù)組成,[xli,x(l+1)i,…,x(l+β-1)i]表示監(jiān)測參數(shù)i在β個時刻內(nèi)的窗口序列,窗口大小為β×m。當(dāng)新數(shù)據(jù)產(chǎn)生時,滑動窗口整體向前滑動一個位置,將原窗口最末端的數(shù)據(jù)刪減,并加入新數(shù)據(jù),實現(xiàn)滑動窗口的迭代更新。設(shè)滑動窗口的寬度為β,窗口每次移動一個時間點(diǎn),對于n個樣本數(shù)量的紡紗過程多質(zhì)量參數(shù)序列X共有n-β+1個滑動子窗口,對其采用滑動窗口處理得到窗口狀態(tài)矩陣,由下式確定。

W=[W1,W2,…,Wl,…,Wn-β+1]T

(1)

式中：Wl表示l時刻形成滑動子窗口。

(2)

(3)

1.2 質(zhì)量波動窗口序列分解

(4)

采用多個連續(xù)的子窗口異常波動率向量來表征紡紗過程波動狀況,當(dāng)滑動窗口中的監(jiān)測數(shù)據(jù)波動穩(wěn)定時,指標(biāo)異常波動率也處于合理的波動范圍,該子窗口的質(zhì)量波動為正常波動。當(dāng)紡紗過程滑動窗口中出現(xiàn)異常監(jiān)測數(shù)據(jù)時,由于質(zhì)量波動出現(xiàn)異常預(yù)期信號,其對應(yīng)的指標(biāo)異常波動率也出現(xiàn)劇烈變化,此時將包含異常監(jiān)測數(shù)據(jù)的子窗口序列標(biāo)記為異常波動模式。

因此,紡紗過程質(zhì)量波動異常預(yù)警問題就可以轉(zhuǎn)變?yōu)榧徏嗊^程多質(zhì)量參數(shù)子窗口模式識別問題,通過對紡紗過程進(jìn)行子窗口序列分解,識別出現(xiàn)異常預(yù)期信號的子窗口時刻。根據(jù)其指標(biāo)異常波動率向量與正常紡紗過程異常波動率向量間的差異,及時判別出現(xiàn)異常波動模式的窗口序列,識別預(yù)期異常信號并對異常原因進(jìn)行追溯,完成紡紗質(zhì)量波動異常預(yù)警。

2 質(zhì)量波動異常預(yù)警建模

2.1 基于隨機(jī)森林的窗口波動模式識別

基于以上分析,本文將紡紗過程質(zhì)量波動異常預(yù)警建模問題轉(zhuǎn)變?yōu)槎噘|(zhì)量參數(shù)子窗口模式識別問題。其實質(zhì)是在紡織過程的正常波動模式與異常波動模式之間構(gòu)造決策面,依據(jù)構(gòu)造的決策面對質(zhì)量波動的不同特征模式進(jìn)行識別,然后對識別出的異常波動模式進(jìn)行報警。隨機(jī)森林能夠處理非線性高維特征數(shù)據(jù),且形成的決策樹對非訓(xùn)練樣本仍能表現(xiàn)較高的識別精度,鑒于此,本文采用隨機(jī)森林對異常波動窗口模式進(jìn)行識別。

1) 選定適宜的隨機(jī)森林參數(shù),包括決策樹個數(shù)ntree、最大特征數(shù)目m。通過bagging對{P1,P2,…,Pl,…,PN}進(jìn)行有放回抽樣,共抽取N個樣本形成訓(xùn)練子集,未抽到的樣本構(gòu)成袋外數(shù)據(jù)L。

2) 從m個監(jiān)測參數(shù)中隨機(jī)選取c(c?m)個特征參數(shù),按照基尼系數(shù)進(jìn)行節(jié)點(diǎn)分裂,分裂不進(jìn)行剪枝。重復(fù)步驟1和步驟2,建立ntree棵決策樹的隨機(jī)森林。

3) 使用ntree棵決策樹對L中的窗口波動類型進(jìn)行預(yù)測,采用簡單多數(shù)投票原則計算出最終的分類結(jié)果,并與實際運(yùn)行狀態(tài)的標(biāo)簽比對,得到L的分類誤差R。

(5)

隨機(jī)森林模型的最優(yōu)參數(shù)選擇通過最大化分類精度來獲得,在基于隨機(jī)森林算法做窗口模式分類時,在訓(xùn)練樣本一定的情況下,影響分類精度與時間復(fù)雜度的主要因素有兩個：生成一棵決策樹所隨機(jī)選取的屬性特征數(shù)量(簡稱特征數(shù)量)c和最終生成的決策樹數(shù)量ntree。因此以最大化分類精度為優(yōu)化目標(biāo),采用四折交叉及網(wǎng)格化搜索法對(c,ntree)兩種參數(shù)進(jìn)行參數(shù)選擇。

2.2 紡紗過程質(zhì)量波動異常預(yù)警策略

紡紗過程質(zhì)量波動異常預(yù)警模型由質(zhì)量波動表征和質(zhì)量波動異常識別兩部分組成,構(gòu)建如圖2所示的質(zhì)量波動異常預(yù)警策略,具體實施過程如下：

1) 給定紡紗過程中多維質(zhì)量監(jiān)測參數(shù){xl1,xl2,…,xlm|l=1,2,…,n},對其歸一化后構(gòu)建窗口寬度為β、步長為1的滑動窗口,并進(jìn)行子窗口劃分,得到窗口狀態(tài)矩陣W=[W1,W2,…,Wn-β+1]T。

圖2 紡紗過程質(zhì)量波動異常預(yù)警策略Fig.2 Abnormal warning strategy of quality fluctuation during the spinning process

2) 基于波動表征原理,對各子窗口序列進(jìn)行均方根誤差的求取并完成[0,1]的異常概率映射后,得到紡紗過程的窗口序列P,并根據(jù)子窗口是否含有異常數(shù)據(jù)進(jìn)行標(biāo)記,得到對應(yīng)的窗口波動模式Y(jié)=[y1,y2,…,yn-β+1]。

3) 以{P,Y}為隨機(jī)森林的訓(xùn)練樣本,對子序列波動模式進(jìn)行隨機(jī)森林建模,結(jié)合網(wǎng)格化搜索確定窗口波動模式識別模型的最優(yōu)參數(shù)。

4) 對實時的監(jiān)測數(shù)據(jù)進(jìn)行新窗口序列的構(gòu)建,并完成波動程度的表征后輸入到隨機(jī)森林的窗口波動模式識別模型中,輸出具體的波動模式。

5) 以連續(xù)出現(xiàn)異常波動窗口為預(yù)警條件,對實時監(jiān)測數(shù)據(jù)進(jìn)行質(zhì)量波動異常預(yù)警,降低偶然波動對預(yù)警精度的影響,確定警告發(fā)生時刻及異常原因。

6) 發(fā)送預(yù)警信息后,人工核驗紡紗過程實時狀態(tài),并進(jìn)行識別模型的更新。

3 實例分析

以紡紗過程的細(xì)紗工序為例,驗證質(zhì)量波動異常預(yù)警方法的有效性。細(xì)紗工序是紡紗生產(chǎn)過程中的最后一道工序,其過程穩(wěn)定程度決定了紗線質(zhì)量的好壞,主要涉及到10個質(zhì)量影響參數(shù),參考優(yōu)化后的部分最優(yōu)工藝條件[20],并根據(jù)實際細(xì)紗工序的關(guān)鍵影響參數(shù)進(jìn)行正態(tài)分布的數(shù)據(jù)采樣,參數(shù)分布如表1所示。其中細(xì)紗工序異常采用定點(diǎn)施加擾動產(chǎn)生,采樣數(shù)據(jù)包含正常波動的細(xì)紗數(shù)據(jù)和施加擾動的異常細(xì)紗數(shù)據(jù)兩種數(shù)據(jù)類型共計500組樣本,異常細(xì)紗過程數(shù)據(jù)包括：第一段(351～400組)和第二段(451～500組),其中異常數(shù)據(jù)為對毛條含油施加均值為0.5、標(biāo)準(zhǔn)差為0.3的異常擾動數(shù)據(jù)及對纖維細(xì)度施加均值和標(biāo)準(zhǔn)差均為1的異常擾動數(shù)據(jù)。

表1 細(xì)紗工序的關(guān)鍵質(zhì)量影響參數(shù)分布Tab.1 Key quality parameter distribution for the spinning process

3.1 紡紗過程質(zhì)量波動表征

為分析紡紗過程質(zhì)量波動表征的有效性,首先以301～316組的毛條含油數(shù)據(jù)為例進(jìn)行滑動窗口分解與波動表征。通過對[1.1,1.2,1.2,1.3,1.1,1.2,1.2,1.1,1.4,1.2,1.1,1.3,1.2,1.1,1.3,1.1]進(jìn)行窗口寬度為15、步長為1的子窗口劃分,得到2個毛條含油窗口子序列：[1.1,1.2,1.2,1.3,1.1,1.2,1.2,1.1,1.4,1.2,1.1,1.3,1.2,1.1,1.3]和[1.2,1.2,1.3,1.1,1.2,1.2,1.1,1.4,1.2,1.1,1.3,1.2,1.1,1.3,1.1]。

(6)

圖3 毛條含油異常波動率變化Fig.3 Abnormal fluctuation rate change of wool top oil

3.2 不同窗口寬度對異常波動表征的影響

為分析不同窗口寬度對異常波動表征的影響,分別對301～400組的細(xì)紗數(shù)據(jù)10個指標(biāo)進(jìn)行紡紗過程質(zhì)量波動表征。首先對該段細(xì)紗過程進(jìn)行滑動窗口分解,分別選取滑動窗口的寬度為10、20、30,窗口每次移動一個時間點(diǎn),對301～400組細(xì)紗數(shù)據(jù)集進(jìn)行移動窗口分解;然后計算子窗口所有指標(biāo)的異常波動率,每個子窗口的質(zhì)量波動程度由10個指標(biāo)的異常波動率表征。考慮到圖片的可讀性,僅對301～372組數(shù)據(jù)的毛條含油、毛條回潮、纖維細(xì)度及纖維離散指標(biāo)異常波動率進(jìn)行展示,其指標(biāo)異常波動率的分布變化如圖4所示。對比圖4的(a)(b)(c)三個子圖可以看出,不同的窗口寬度對波動表征效果具有一定的影響：窗口寬度過小容易導(dǎo)致其波動率的變化范圍較大,其表征結(jié)果容易受到偶然波動的影響,導(dǎo)致對加工狀態(tài)的誤判;窗口寬度過大也會造成表征結(jié)果對異常數(shù)據(jù)不敏感。

圖4 細(xì)紗過程各指標(biāo)異常波動率分布變化Fig.4 Abnormal fluctuation rate distribution change of each index in the spinning process

3.3 基于隨機(jī)森林的紡紗波動預(yù)警建模

進(jìn)行細(xì)紗過程質(zhì)量波動異常預(yù)警模型構(gòu)建時,首先提取1～400組樣本數(shù)據(jù)建立隨機(jī)森林子序列波動模式識別模型,并采用網(wǎng)格化搜索及交叉驗證對隨機(jī)森林模型進(jìn)行c∈(2,10)、ntree∈(1,100)的參數(shù)優(yōu)化。設(shè)置c、ntree的網(wǎng)格大小分別為1、10進(jìn)行粗略搜尋,搜尋后鎖定c∈(2,10)、ntree∈(35,45),然后設(shè)置網(wǎng)格大小均為1對該區(qū)間進(jìn)行精確尋優(yōu),兩次尋優(yōu)過程如圖5和圖6所示,最后確定c=8、ntree=42為隨機(jī)森林模型的最優(yōu)參數(shù)。

圖5 網(wǎng)格大小為1、10的區(qū)間鎖定Fig.5 Interval locking with grid size of 1 and 10

圖6 網(wǎng)格大小均為1的精確尋優(yōu)Fig.6 Accurate optimization with all grid sizes of 1

為選擇合適的窗口寬度,基于構(gòu)建的隨機(jī)森林模型對不同窗口寬度構(gòu)成的子窗口序列進(jìn)行識別。圖7顯示了不同窗口的波動表征對識別精度的影響,可以看出,窗口寬度過小容易導(dǎo)致其波動率的變化范圍較大,造成對子窗口的波動模式的誤判而產(chǎn)生誤警現(xiàn)象;而窗口寬度過大時對異常數(shù)據(jù)的感知能力較弱,影響了異常波動預(yù)警的及時性。因此,采用窗口寬度為15、步長為1構(gòu)建紡紗質(zhì)量波動表征模型。

圖7 不同窗口的波動表征對識別精度的影響Fig.7 Influence of different window widths on recognition accuracy

基于窗口寬度為15、步長為1的波動表征模型及優(yōu)化隨機(jī)森林模型對401～500組樣本進(jìn)行質(zhì)量波動異常預(yù)警,以一個窗口為單位進(jìn)行該段細(xì)紗過程的窗口子序列劃分,形成86個窗口序列,并計算其指標(biāo)異常波動率,依次對各子窗口進(jìn)行模式識別,其波動模式輸出結(jié)果和滑動窗口移動過程分別如圖8和圖9所示。由圖8可以看出,實際窗口模式在第37個滑動窗口處發(fā)生波動模式的轉(zhuǎn)變。結(jié)合圖9的滑動窗口在樣本序列中的移動過程可知,此時滑動窗口移動到第51組(異常信號出現(xiàn))樣本處;而提出的隨機(jī)森林預(yù)警方法在異常信號出現(xiàn)后的第二個窗口識別出波動模式的轉(zhuǎn)變,此時滑動窗口移動到第52組樣本處,且此后一直維持異常波動模式,按照連續(xù)出現(xiàn)異常波動模式的預(yù)警策略,在第38個窗口發(fā)出預(yù)警信息,該模型的窗口波動模式識別率達(dá)到98.82%。

圖8 質(zhì)量波動模式輸出結(jié)果Fig.8 Output result of the quality fluctuation mode

圖9 滑動窗口模式識別圖解Fig.9 Sliding window pattern recognition diagram

3.4 不同算法對紡紗質(zhì)量波動預(yù)警效果的影響

為了分析構(gòu)建的質(zhì)量波動異常預(yù)警模型效果,采用窗口寬度為15、步長為1作為波動表征模型參數(shù),分別選取支持向量機(jī)(Support Vector Machine,SVM)和K-最近鄰算法(K-nearest neighbor, KNN)對401～500組數(shù)據(jù)進(jìn)行窗口模式識別效果的對比分析。圖10和圖11顯示了不同算法的紡紗質(zhì)量波動模式識別結(jié)果,可以看出,基于SVM和KNN的紡紗過程質(zhì)量波動模式識別在異常初期無法及時預(yù)警,且在后續(xù)模式識別中還會將異常窗口模式誤判為正常窗口模式,導(dǎo)致漏警問題。

圖10 基于SVM的紡紗質(zhì)量波動模式識別Fig.10 Spinning quality fluctuation pattern recognition based on SVM

圖11 基于KNN的紡紗質(zhì)量波動模式識別Fig.11 Spinning quality fluctuation pattern recognition based on KNN

為進(jìn)一步說明本文提出方法的有效性,表2統(tǒng)計了不同算法模型在波動模式識別過程中的效果對比。由表2可以看出,在波動模式識別準(zhǔn)確率指標(biāo)層面,基于SVM和KNN的紡紗過程質(zhì)量波動模式識別方法要遠(yuǎn)低于基于隨機(jī)森林的方法,較易造成漏警和虛警問題;在預(yù)警時刻及時性的指標(biāo)層面,所提方法在出現(xiàn)異常信號后的第2個窗口(第38個子窗口)就給出預(yù)警信息,相比KNN和SVM算法均提前進(jìn)行了報警,說明所提方法可以對紡紗過程異常波動進(jìn)行提前預(yù)警;在建模時間上,本文提出的方法略高于其他幾種算法,這是由于隨機(jī)森林屬于集成方法所致,但各方法建模時間均為毫秒級,并不會增加實際應(yīng)用的建模難度。綜上,本文所提方法在提高波動模式識別準(zhǔn)確率和提前實現(xiàn)預(yù)警同時,不會增加實際應(yīng)用難度,較其他方法具有一定的優(yōu)異性。

表2 不同算法的紡紗質(zhì)量波動模式識別效果對比Tab.2 Comparison of spinning quality fluctuation pattern recognition effects for different algorithms

3.5 紡紗質(zhì)量異常波動溯源分析

基于細(xì)紗過程質(zhì)量波動異常預(yù)警結(jié)果,對其中的異常波動模式窗口進(jìn)行異常溯源分析。對識別為異常窗口的48個窗口子序列的異常原因進(jìn)行識別,識別結(jié)果如圖12所示。由圖12可以看出,前13個窗口子序列均為毛條含油異常,中間8個窗口為纖維細(xì)度異常,后續(xù)窗口為兩種異常波動的復(fù)合異常。識別結(jié)果與實際異常類型相符合且識別精度達(dá)到100%,說明提出的方法能夠在進(jìn)行異常波動預(yù)警的同時,實現(xiàn)異常波動源頭的精準(zhǔn)判斷,從而為生產(chǎn)人員提供了異常源信息,有效保證了紗線生產(chǎn)過程的持續(xù)穩(wěn)定。

圖12 紡紗質(zhì)量異常波動溯源分析Fig.12 Traceability analysis of abnormal fluctuation of spinning quality

4 結(jié) 論

本文針對紡紗過程質(zhì)量波動異常預(yù)警問題,提出了基于窗口波動模式識別的紡紗過程質(zhì)量波動異常預(yù)警方法。以紡紗過程中的細(xì)紗加工為例進(jìn)行驗證,結(jié)果表明所提方法能夠有效對細(xì)紗過程的異常質(zhì)量波動進(jìn)行及時準(zhǔn)確的早期預(yù)警,并能實現(xiàn)異常信息的準(zhǔn)確溯源,為保障整個紡紗生產(chǎn)過程的安全穩(wěn)定提供理論依據(jù)。

《絲綢》官網(wǎng)下載

中國知網(wǎng)下載