一种基于配棉工序的纱线质量预测方法、系统和储存介质与流程

本发明属于纺织，涉及一种配棉工序的纱线质量预测，特别是涉及一种基于配棉工序的纱线质量预测方法、系统和储存介质。

背景技术：

1、在制造强国建设持续推进下，数字化、网络化、智能化制造已成为纺织行业转型升级的重要力量。作为棉纺厂的一项基础工作，配棉决定的原料选配对稳定生产、保证质量、控制成本至关重要，与原料采购及检验、产品试制与生产、企业管理与运维等工作息息相关。基于配棉工序进行纱线质量的准确预测，可以有效地指导生产，减少对样品试验的依赖，能够为原棉管理与使用提供重要依据。

2、基于配棉工序的纱线质量预测是依据企业实际生产的历史数据，建立原棉指标到纱线质量指标的映射模型。该模型能够从配棉方案预测产品质量，用于从产品质量的角度评价配棉过程中产生的各方案的优劣。目前，普遍采用的纱线质量预测技术包括人工神经网络、支持向量机、线性回归方法等。由于原棉指标与纱线质量指标之间是非线性映射关系，线性回归方法难以准确表达，存在较大的预测误差。支持向量机模型在小样本预测中表现突出，但需要人工提取配棉信息特征，无法应对变长配棉数据。基于人工神经网络的纱线质量预测模型主要从网络结构设计和优化方法两个方面开展研究，以保障模型的预测精度和泛用性。在网络结构方面，研究者采用全连接神经网络、一维卷积神经网络、二维卷积神经网络等提取配棉信息的定长特征，在优化方法方面主要研究了启发式算法在纱线质量预测模型方面的提升应用。当前研究中采用的各类建模方法均属于有监督机器学习模型，在实践中表现出一定的预测效果。但有监督机器学习模型的训练依赖于大量的数据样本，以及有效的输入数据特征表达。当前研究主要面临着输入数据特征表达的问题，严重依赖人工提取配棉信息特征。

技术实现思路

1、鉴于以上所述现有技术的缺点，本发明的目的一在于提供一种基于配棉工序的纱线质量预测方法、系统和储存介质，用于解决现有技术中严重依赖人工提取配棉信息特征的问题。

2、为实现上述目的及其他相关目的，本发明提供一种基于配棉工序的纱线质量预测方法，包括以下步骤：

3、s1：收集固定纺纱生产车间的连续历史生产数据，所述历史生产数据包括配棉工艺信息x以及对应生产的纱线质量指标y；

4、s2：对生产中由于人为因素造成的个别数据缺失进行填充；

5、s3：搭建双向循环神经网络模型，将变长的配棉工艺信息x转化为定长特征，得到可表征配棉工艺信息的特征向量m；

6、s4：建立多个个体学习器分别学习配棉工艺信息的特征向量m，并采用加权平均法策略将多个个体学习器的学习结果集成预测的纱线质量h(m)；

7、s5：将配棉工艺信息x依次代入步骤s3和步骤s4中以得到纱线质量预测指标采用优化算法，以为目标函数，交替迭代地优化步骤s3和s4中的可训练权重与偏置，直到优化收敛或目标函数值小于设定值e，得到训练后的纱线质量预测模型；其中，‖·‖为l2范数；

8、s6：以实际生产中计划的配棉工艺信息xm为输入，代入训练后的纱线质量预测模型中，输出纱线质量预测结果ym。

9、于本发明的一实施例中，所述步骤s1中，配棉工艺信息包括棉纤维质量属性以及混棉过程中每种棉纤维的用棉比例，棉纤维质量属性包含纤维长度指标、强伸度指标、马克隆值、杂质指标；配棉工艺信息中棉纤维的种类数量是变化的，且棉纤维质量属性与用棉比例不具有明确的关系。

10、于本发明的一实施例中，所述步骤s2中，使用数据集属性的中心度量即均值或者中位数对缺失的数据进行填充。

11、于本发明的一实施例中，所述步骤s3具体包括以下步骤：

12、s3.1：将经神经网络层e1映射得到的棉纤维质量属性x＝{x1,x2,x3...xm}经过双向循环神经网络模型得到棉纤维质量属性的特征化表达o，计算方法是，在第t时间步，棉纤维质量属性xt经过一个前向循环神经网络隐层得到前向隐状态同时经过一个后向循环神经网络隐层得到后向隐状态合并前向隐状态和后向隐状态得到输出ot；

13、

14、

15、

16、ot＝htwhq+b                              (4)

17、式(1)、(2)、(3)、(4)中，为t时间步下前向循环神经网络隐层的权重；为t-1时间步下前向循环神经网络隐层的权重；为t时间步下后向循环神经网络隐层的权重；为t-1时间步下后向循环神经网络隐层的权重；whq为输出层的权重；为前向循环神经网络隐层的偏置；为后向循环神经网络隐层的偏置；b为输出层的偏置；是激活函数；

18、s3.2，通过神经网络e2将棉纤维的用棉比例映射到与棉纤维质量属性x相同维度的特征空间，得到p＝{p1,p2,p3...pm}；将步骤3.1提取的棉纤维质量属性特征o与p进行矩阵相乘后，经神经网络e3映射得到可表征配棉工艺信息的特征向量m。

19、于本发明的一实施例中，所述步骤s4中，构建三个个体学习器分别学习特征向量m，三个个体学习器分别为线性学习器、支持向量机学习器、随机森林学习器，且各学习器之间不存在依赖关系，三个个体学习器的学习结果分别记为h1(m)、h2(m)、h3(m)。

20、于本发明的一实施例中，步骤s4中，采用加权平均法的策略将个体学习器的学习结果集成预测的纱线质量h(m)；具体计算方法是：

21、

22、其中，wi是个体学习器hi的权重，通过神经网络e4从训练数据中学习得到；hi(m)是个体学习器hi的学习结果。

23、于本发明的一实施例中，步骤s4中，采用自助采样法获得t个含a个训练样本的采样集，然后基于每个采样集训练出一个个体学习器；自助采样法的具体实施方法为，给定包含a个样本的数据集，随机取出一个样本放入采样集中，再把该样本放回初始数据集，经过a次随机采样操作，得到含a个样本的采样集；其中，t和a均为正整数。

24、于本发明的一实施例中，步骤s5中，利用损失函数对模型的输出和纱线质量的真实值yi进行损失计算，并选取adam优化器对模型参数进行优化；模型的损失函数采用平均绝对误差算法(mae)，具体计算公式如下：

25、

26、式(6)中，为训练集，|·|为集合中元素的数量，mae为损失程度。

27、本发明的目的二是提供一种基于配棉工序的纱线质量预测系统，包括

28、数据采集模块，用于收集固定纺纱生产车间的连续历史生产数据，包括配棉工艺信息x以及对应生产的纱线质量指标y；

29、数据清洗模块，用于对生产中由于人为因素造成的个别数据缺失进行填充；

30、配棉工艺特征提取模块，用于搭建双向循环神经网络模型将变长的配棉信息转化为定长特征，实现对配棉工序的特征化表达；

31、纱线质量预测模块，用于建立多个个体学习器，并采用可学习的加权平均法策略将个体学习器的学习结果集成预测的纱线质量；

32、模型训练模块，用于将配棉工艺信息x代入步骤s3和步骤s4得到纱线质量预测指标采用最优化技术，以为目标函数，交替迭代地优化步骤s3和s4中的可训练权重与偏置，直到优化收敛或目标函数值小于设定值e；

33、模型验证模块，用于以实际生产中计划的配棉工艺信息xm为输入，代入训练后的纱线质量预测模型中，输出纱线质量预测结果ym。

34、本发明的目的三是提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现权利要求1至8中任一项所述一种基于配棉工序的纱线质量预测方法。

35、如上所述，本发明所述的一种基于配棉工序的纱线质量预测方法、系统和储存介质，具有以下有益效果：

36、(1)本发明构建的基于双向循环神经网络模块提取变长配棉信息特征，该方法区别于传统的手动提取配棉信息的统计学特征，避免了人工干预的局限性，可有效提升特征表达的泛用性。

37、(2)本发明结合多个学习器进行纱线质量预测，能够充分结合不同学习器的优势，避免模型陷入局部最优，也使得相应的假设空间有所扩大，有可能学得更好的近似。

38、(3)本发明构建的纱线质量预测模型不仅能够自适应不同长度的输入数据，且结合多种机器学习模型优势，泛化性能强，可推广至任意与纺纱工序相似的制造质量预测领域。