10.4 实用实例-纺纱质量预测在线视频

同学们大家好

我是来自西安工程大学的李老师

好

欢迎大家回到第十章预测方法

让我们接下来看一下

10.4 应用实例

纺纱质量预测

首先让我们看一下问题的提出

纺纱系统处在高温高湿

以及高电磁的等多种因素

相互交错的复杂环境中

各因素之间存在着耦合作用关系

加之纺纱生产加工工艺流程复杂

且原材料平繁经历物理化学的改性过程

使得纺纱质量的预测

有别于传统纯机械加工过程的质量预测

特别是

随着近年来小批量多品种订单的大量涌现

以及用户的个性化定制越来越高

使得纺纱过程中

亟待检测的纤维指标是几何状增长

已达到三百多个

另外

纺纱系统中影响纤维属性指标的因素众多

且相互耦合作用

使得纤维属性与纺纱质量特征值之间

呈现出非线性关系

致使难以对纺纱质量进行精准预测

因而

如何准确地建立纺纱质量与纤维属性

及生产工艺间的映射关系

解决纺纱过程中质量输出特征值波动的问题

成为了

纺织智能制造过程中一个亟待解决的问题

让我们看一下BP神经网络

BP神经网络是一类能够解决非线性问题的

网络算法

其具有较好的自学习和非线性映射的能力

被广泛用于解决

多种因素相互交错的复杂系统中的预测问题

BP神经网络的基本网络结构

由输入层

隐含层

及输出层组成

其具体有单层神经网络和多层神经网络之分

如图所示的为三层

单隐层的神经网络

它的结构图如下所示

好

让我们看一下标准的烟花算法

烟花算法属于一种新型的群体智能优化算法

主要由爆炸算子

便异操作

映射规则和选择策略四部分组成

其中爆炸算子是烟花算法的核心

对于代求解的优化问题

使用烟花算法求解该优化问题的

具体步骤如下

步骤一

种群初始化

在特定解空间中随机产生一些烟花

每一个烟花个体Xi

代表解空间中的一个解

步骤二

计算适应度值

对初始种群中的每一个烟花个体Xi

根据适应度函数Fx计算适应度值

并根据公式1-2

计算每个烟花爆炸产生的烟花个数

其中

Ymax=max(f(xi))(i=1,2,...,N)

是当前种群中

所有烟花个体适应度值

最差的个体的适应度值

Ymin=min(f(xi))(i= 1,2, ... ,N)

为当前种群中

所有烟花个体适应度

最优个体的适应度值

M和D为常数

分别用来限制火花产生的总数

以及表示最大的爆炸半径

C是一个用来避免分母为零的常数

步骤三

生成火花随机选取烟花个体中

Xi的几个维度

组成集合Z

其中rand(0,Ri)

为爆炸半径Ai内生成的随机数

在集合Z中

对于烟花个体Xi的每个维度K

用公式(3)-(4)进行爆炸变异操作

通过公式(5)中的高斯变异映射规则

对超出边界的火花进行映射处理

并保存在火花种群中

其中

AI为每个烟花的爆炸半径

H为位置偏移量

Mxk表示种群中的第i个烟花个体的第K维

Cxk为第I个烟花个体爆炸后的火花

Sik为经过高斯变异后的高斯变异火花

其中e为服从均值为1

方差为1的高斯分布的随机数

则有e-N

步骤四

选择下一代群体应用选择策略

选择得到下一代烟花群体

即从烟花

爆炸火花

及高斯变异火花种群中

选择N个烟花个体形成候选种群

对于候选烟花种群K

选择策略如下

选择适应度值最小的

min(f(xi))

个体Xk直接为下一代烟花种群个体

其余的N-1个烟花个体采用轮盘赌方式

对于候选个体Xi

其被选择的概率如式(6)

其中

R(xi)

表示烟花个体Xi

与其他个体的距离之和

具体如下式

步骤五

判断终止条件若满足终止条件

则停止迭代

否则继续执行步骤二

让我们看一下改进策略

将烟花算法引入到神经网络模型中

利用烟花算法对神经网络模型进行优化

具体的改进策略及步骤如下

步骤一

关键参数编码

由于神经网络中的权重系数

阈值

以及烟花种群中的烟花个体

Sik是由一系列向量组成

因而选取实数向量的编码策略

对模型中的关键参数进行编码

记X=[x1,x2,...,xn]

表示一组待优化的参数

其每一维由网络权重和阈值组成

为输入层与隐含层之间的权重值的个数

为隐含层神经元阈值的个数

为隐含层与输出层之间的权值的个数

输出层神经元阈值的个数

则有如下所示

步骤二

权重系数即阈值初始化

将神经网络中各节点的权重系数

和阈值初始化在区间-1 - 1内

即

并用烟花算法中烟花个体Xi的位置

表示网络节点的权重系数

和网络神经元的阈值

因而每个烟花个体

表示神经网络模型中的一个神经元

步骤三

选择适应度函数

算法模型训练的目标是通过不断的迭代计算

使得网络输出层结果

与期望结果尽可能的相近

从而得到网络输出结果最优时

个节点间的权重参数

和阈值

在FWA-BP神经网络中

引入平方误差函数

来计算烟花个体的适应度值

则有SSE如下

其中

t为网络的期望输出

P为网络的层数

S为网络输出单元的个数

y为网络输出值的误差

其具体如式(9)

式中

Xj为网络的输入

Wij为网络节点的权重

为网络中第i个神经元的阈值

适应度函数Fx为如下所示

步骤四

烟花种群寻优

对于每一个烟花个体X

利用式(10)计算其适应度值f(xi)

利用(1)-(2)式计算爆炸烟花个数Xi

和爆炸半径Ai

与此同时

并基于(3)-(5)式对每个烟花进行爆炸

位移和变异操作

并使用(6)-(7)式的选择策略

选择最优的烟花个体组成下一代烟花种群

步骤五

判断终止条件

根据公式(10)和(7)

计算烟花种群中烟花个体的适应度值

f(xi)和烟花个体间的欧氏距离r(xi)

并判断是否满足最大迭代次数的终止条件

若满足则计算得到当前烟花种群中

具有最小适应度值

min( f(xi) )的烟花个体

以及具有最大的距离max(r(xi))

的烟花个体组成新的烟花种群

并取当前的烟花种群为最优的烟花种群

否则继续执行步骤四

步骤六

更新网络权值和阈值

利用步骤五中得到的最优烟花种群

对网络模型中的权重

和阈值向量X进行初始化更新

综上所示

整个FWA-BP算法的改进的流程

如下图所示

此图展示的

为FWA算法改进BP神经网络的流程图

首先初始化神经网络参数和烟花种群Ω

和烟花个体xi

计算每一个烟花个体

的适应度值f(xi)

和ymin=min(f(xi))

计算并确定权值Wij

和阈值θ的局部最优值

并网络权重wij和阈值θ进行更新

然后

判断是否满足终止条件

若不满足则继续迭代

并重新计算适应度值f(xi)

和ymin=min(f(xi))

时的权值wij和阈值θ

并进行更新

若满足则迭代结束

将得到最优权重wij和阈值θ

作为神经网络的输入参数

对FWA-BP神经网络模型

进行训练和验证

一 输入输出指标我们选取

选取棉条含杂率

粗纱捻系数

回潮率

纤维直径

纤维长度

直径离散系数

纤维质量不匀率

纤维牵伸倍数

细砂钢丝圈号

以及罗拉转速等十个指标

作为网络预测模型的输入指标

选取纱线CV值

作为网络预测模型的输出指标

二

数据标准化处理

为了消除不同量纲

对预测模型准确性造成的影响

需要对数据进行标准化处理

使各指标数据处于同一量级上

从而以提高数据之间的可比性

本模型中使用公式(11)

对数据进行标准化处理

其中

max(X)为数据集中最大值

min(X)为数据集中最小值

通过对数据进行标准化处理后

将训练数据映射到区间[0,1]

以便进行对比评价分析

三

关键参数设置

根据预测模型的输入输出指标

设定基于FWA-BP

神经网络的主要参数如下

输入层的节点数m=10

输出层节点数n=1

选取神经网络的隐含层数e=1

隐含层神经元个数s

通过经验公式(12)计算得到s≈6

公式中m=10和n=1

分别为网络的输入层节点的个数

和输出层节点的个数

对于激活函数的选取

输入层

输出层

分别选取tansig和 purelin激活函数

选取trainlm函数

作为网络模型的训练函数

在网络训练过程中

设置学习速率为0.01

动量因子为0.9

最大迭代次数为20000

训练最小误差为0.05

采用经过烟花算法

迭代选择的最优烟花种群

对网络权重和阈值进行初始化

与此同时

根据待优化的网络权重值wij

和阈值θ的具体优化的目标

并结合文献中的相关实验结果

对烟花算法中的关键参数设置如下

种群大小N=70

烟花爆炸半径调节常数d=5

烟花爆炸火花数调节常数m=40

烟花爆炸火花个数上限值

lm=0.08

烟花爆炸火花个数下限值bm=0.04

高斯变异火花数g=5

最大迭代次数T=100

让我们看一下模型检验与讨论

一 实验环境

为了验证FWA-BP算法的有效性

在Windows七操作系统环境下

利用MATLAB R2014a软件

搭建仿真实验平台

并在MATLAB R2014a

的GUI集成开发环境下

对基于FWA-BP神经网络预测模型

进行了可视化实现

开发了如图所示的

FWA-BP神经网络的纺纱质量预测系统

此图为可视化界面平台

基于FWA-BP网络的纺纱质量预测系统

在系统中可以进行所有的操作

二 实验设计

为了验证基于FWA-BP

神经网络模型

在纺纱质量预测方面的预测性能

在选取相同的训练参数条件下

采用相同的数据集

分别对传统的BP神经网络

GA-BP神经网络

PSO-BP神经网络

以及FWA-BP神经网络

的纺纱质量预测模型

进行训练和测试

算法参数设置

主要是在基于文献研究的基础之上的

GA算法的关键参数

种群规模为30

遗传代数为100

交叉概率为0.8

以及变异概率为0.05

PSO算法的关键参数

速度更新参数

c1=c2=1.49445

进化次数为150

种群规模为30

个体最大值为7

个体最小值为-7

个体最大速度=1

以及个体最小速度为-1

PSO算法的关键参数

通过实验仿真

得到了如图所示的

不同算法优化神经网络的

纺纱质量预测模型

的预测结果对比图

其中

图a为不同神经网络模型

对纺纱质量预测结果对比分析图

图b为不同神经网络模型

对纺纱质量预测误差的对比分析图

如图所示

a是预测结果对比图

b是预测误差对比图

展示了不同算法

优化神经网络预测模型结果的对比

可见

虽然不同算法

优化神经网络的预测结果与实际值相比

都存在一定的波动

但提出的

基于FWA-BP神经网络的预测模型

对纺纱质量预测结果与实际值更加逼近

而基于PSO-BP神经网络

对纺纱质量预测的精度优于

基于GA-BP神经网络模型

与此同时

也得到了不同算法优化BP神经网络的

纺纱质量预测模型

对于纺纱质量的预测结果

以及不同模型预测结果的误差率

和神经网络迭代的次数的统计分析结果

表6

展示了不同算法模型测试样本的预测结果

在算法收敛的速度方面

由表6可以看出

传统的BP神经网络

达到训练最小目标值的平均迭代次数为

4.5次

基于GA-BP神经网络

和PSO-BP神经网络模型

达到既定训练目标值时的

平均迭代次数均为3.9次

而基于FWA-BP神经网络的

平均迭代次数为3.1次

因而与传统的BP神经网络

和GA-BP神经网络

以及PSO-BP神经网络模型相比

基于FWA-BP神经网络的预测模型

达到既定训练目标时

迭代次数分别下降了31.11%

和13.3%

在预测精度方面

经过GA算法

PSO算法

以及FWV算法优化的神经网络模型

分别对纺纱质量预测结果的平均误差为

3.44%

3.31%

以及2.21%

因而

与传统的BP神经网络和GA-BP

PSO-BP神经网络模型相比

基于FWA-BP神经网络的预测模型

对纺纱质量预测的误差率

分别下降了62.26%

56.13%

和49.52%

其预测精度达到了97.88%

综上所述

采用烟花算法

对BP神经网络的权值和阈值进行了优化

提出了一种

基于烟花算法改进BP神经网络的预测方法

并对基于FWA-BP神经网络的预测方法

进行了实现

对基于FWA-BP神经网络的预测方法

的性能进行了实验验证

并与基于BP神经网络

GA-BP神经网络

以及PSO-BP神经网络的预测方法

进行了对比实验研究

结果表明

在既定的训练目标值下

相对于传统BP神经网络

以及基于GA-BP、

PSO-BP神经网络的预测方法而言

所提出的

基于FWA-BP神经网络的预测方法

具有较低的预测误差率

和较少的迭代次数

好

纺纱质量预测就为大家介绍到这里