基于灰色关联支持向量机回归的纱线质量预测
来源:用户上传
作者:
摘 要：针对企业纺纱过程中纱线质量难以预测的问题，提出了一种基于灰色关联支持向量机回归的模型，并对模型关键参数使用网格搜索技术和交叉验证技术进行优化。通过工厂实际纺纱数据，利用成熟度等10项原棉指标，对纱线单纱强度等2项指标进行预测。试验结果表明，灰色关联支持向量机回归模型在小样本条件下也有良好的表现。同传统的BP神经网络模型相比，具有更好的预测精度和稳定性，为成纱质量预测提供了新方法。
关键词：支持向量机回归；灰色关联；BP神经网络；纱线质量
DOI：10.16640/j.cnki.37-1222/t.2019.09.133
1 引言
纱线生产是一项极其复杂的生产流程。从纤维到纱线需要经历多道工序。影响成纱质量的因素众多，其中主要的因素为纤维性能和纺织工艺。在纺织工艺相同的情况下，在成纱质量中起到决定性作用的是原棉质量。但是原棉质量和纱线质量之间的关系是复杂的非线性关系。传统上对纱线的质量预测大多凭借生产工人和领域专家的经验，主观意识太强，无法提供稳定可靠的预测结果，导致纱线质量的波动性太大，造成了时间和原料的浪费，不能满足实际生产的需要。针对这个难题，国内外很多学者对此进行了研究。主要技术有基于纱线结构的力学物理模型[1]和基于统计技术的经验模型，近年来，利用智能技术进行纱线质量预测成为了研究的热点[2]，有学者提出了基于BP神经网络的预测方法来处理原棉质量和纱线质量之间复杂的非线性关系[3-4]。但BP神经网络需要大量的数据样本，在小样本的数据条件下，具有收敛速度慢、过拟合、易陷入局部最优等缺陷[5]。近几年，一种新的算法支持向量机算法在工业中得到广泛应用并且取得了良好的效果[6]。具有泛化性能好、最优解唯一、计算简单、不需要微调、小样本学习等优点。本文将结合灰色关联分析与支持向量机回归，利用灰色关联分析对原棉性能指标进行筛选[7-8]，充分发挥支持向量机小样本学习的优点，为纱线质量预测提供一种新方法。
2 相关理论
2.1 灰色关联分析
灰色关联分析是一种多因素统计分析方法。它根据各因素的样本数据，对因素间关系使用灰色关联度进行描述。若两个因素变化同步趋势较高，则两者之间灰色关联度较高，反之则灰色关联度较低。此分析方法具有对数据要求较低和工作量较少等特点。
具体步骤如下：
第一步：首先确定参考数列。
在做灰色关联分析之前，首先要选择参考数列。参考数列一般记作。比较数列一般记作…。
第二步：进行变量的无量纲化处理。
在灰色关联计算之前，可根据公式（1）对数列进行无量纲化处理，以消除各个数列由于量纲不同和数值差异过大带来的影响。
3 模型建立与分析
3.1 数据准备
本文采用60组纺纱数据来建立模型，50用于组模型训练，剩下10组用来测试模型精度。由于纱线是在纺纱工艺相同的环境下加工生产的。因此，成纱质量的主要影响因素是原棉性能指标。本文选用的原棉性能指标为：成熟度、主体长度、断裂强度、短绒率、主上长度、均勻度、公制支数、含杂率、疵点总数、回潮率。成纱的性能指标为： 单纱强度、条干CV。
3.2 灰色关联分析
根据灰色关联分析计算得到表成纱性能与纤维性能之间的灰色关联度，选择灰色关联度最大的7个纤维性能指标用进行灰色关联支持向量机回归模型预测。
这表明，单纱强度主要影响因素从高到低依次为： 成熟度、主上长度、主体长度、公制支数、均匀度、短绒率、回潮率、含杂率、断裂强度、疵点总数。条干CV的主要影响因素从高到低依次为： 主体长度、主上长度、成熟度、公制支数、均匀度、回潮率、短绒率、断裂强度、疵点总数、含杂率。
3.3 模型参数选择
在预测仿真任务中，样本结构、模型选择、模型参数调优都对预测的精度有影响。本文使用灰色关联支持向量机回归作为纱线质量预测模型。需要确定的关键参数是正则化系数C和核函数带宽σ。本文选择较为常用的RBF径向基核作为核函数。采用网格搜索技术结合交叉验证对关键参数进行优化[10]。
BP神经网络模型作为对比模型。常用的BP神经网络为3层[11]，分别为输入层、隐藏层和输出层。输入层节点的个数为原来的原棉指标变量个数10。输出层节点的个数为1。根据经验公式进行计算得到隐藏层的节点个数为12。因此，BP神经网络的结构为“10-12-1”。隐层的激活函数为“relu函数”。训练次数为10000次。训练精度为 0. 01。对单纱强度和条干CV分别建立预测模型。
4 预测结果与分析
本文分别采用灰色关联支持向量机回归模型与BP神经网络模型对成纱性能进行预测，并对两种模型的预测结果进行了比较。预测结果如下表所示。
根据表2，对于单纱强度的预测结果，灰色关联支持向量机回归模型的预测平均相对误差为2.59%，BP神经网络模型平均相对误差为%4.55%，支持向量机回归模型的准确度比BP神经网络提高了43.07%。由表3可知，对于条干CV，灰色关联支持向量机回归模型的平均相对误差最小为0.91%，BP神经网络模型预测的平均相对误差为5.85%，灰色关联支持向量机回归模型的准确度比BP神经网络提高了83.42%。实验结果对比表明，灰色关联支持向量机回归预测模型比BP神经网络预测模型的预测的精确度得到了大幅的提高，并且预测结果比较稳定。灰色关联支持向量机回归模型在小样本的条件下拟合性能远远好于BP神经网络模型。
5 结语
本文提出了一种基于灰色关联分析支持向量机回归的预测模型，并且使用网格搜索技术和交叉验证技术解决了模型的参数优化问题。以纺纱生产过程为例，首先使用灰色关联分析方法筛选出影响成纱性能指标的最重要的原棉性能指标，然后利用支持向量机回归建立预测模型，预测成纱性能指标。实验结果表明，本文方法的拟合效果比传统的BP神经网络模型的预测方法的拟合效果要好，在小样本的数据环境下仍然能够保持较高的预测精度，拥有更好泛化性能，更加适用于纱线生产过程。研究表明，基于灰色关联支持向量机回归预测模型是进行纱线质量预测的有效工具，具有较高的实际应用价值。 参考文献：
[1]Bogdan J F.The characterization of spinning quality[J]. Textile Res J.1956，26（09）：720-730.
[2]董奎勇，于伟东.基于BP神经网络的纺纱质量预报模型[J].东华大学学报，2005，31（02）：88-92.
[3]郑波.配棉工艺系统与纺纱质量预测的分析与设计[D].南京：东南大学，2006.
[4]殷祥刚，吕志军，于伟东.基于CBR和ANN的精纺纱智能化加工研究与实践[J].毛纺科技，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.支持向量机控制与在线学习方法研究的进展[J]. 系统仿真学报，2007，19（03）：1177-1181.
[7]李晓峰.苎麻纤维原料品质与成纱品质指标的灰关联分析[J]. 纺织学报，2006，27（01）：20-22.
[8]陈东升，吴广峰，长井茂明.用灰色理论预测亚麻成纱质量[J].纺织基础科学学报，1994，7（03）：230-233.
[9]Vapnik V N.The Nature of Statistical Learning Theory[M]. New York： Spring-Verlag，1999.
[10]邓乃扬，田英杰.数据挖掘中的新方法—支持向量机[M].北京：科学出版社，2004.
[11]高大啟.有教师的线性基本函数前向三层神经网络结构研究[J].计算机学报，1998，21（01）：80-86.
作者简介：王东平（1993-），男，安徽滁州人，硕士研究生，主要研究方向：智能信息处理。
*为通讯作者
转载注明来源:https://www.xzbu.com/1/view-14700421.htm
