杨建国，徐 兰，熊经纬，刘 彬

（东华大学 机械工程学院，上海 201620）

0 引言

动态变化市场需求使得个性化制造正在成为未来制造的主导模式。针对产品需求多样性、原材料多样性及工艺内容多样性，如何最大改变减少产品质量的波动，使产品质量稳定可控是制造企业面临的重大挑战。以纺纱工艺为列，纺纱生产包括粗加工，前纺，后纺，织布及染整等多道工序，是一个典型的复杂非平稳加工过程。因为加工过程参数与输出产品质量之间存在着复杂非线性关系，需要建立体现两者之间关系的模型，来预测与过程参数密切相关的产品质量。

国内外许多专家学者对复杂生产过程质量预测与诊断进行了大量研究。与传统的回归统计方法相比，人工神经网络和支持向量机等技术，在处理复杂非线性问题方面有着极大的优势[1～9]， Reyen等研究表明，神经网络在纺织领域具有良好的预测性能[1～4]；Evander等利用神经网络预测急性肺栓塞的存在[5,6]；Gebraeel等采用神经网络建立电子产品或设备的剩余寿命预测模型[7,8]；Ribeiro等利用支持向量机对注塑生产过程进行质量诊 断[9]。但神经网络有两大明显缺陷：一是其采用梯度下降法导致的学习速度慢和局部寻优，二是神经网络的“黑匣子”缺陷。针对第一个缺点，很多学者采用GA算法、PSO算法等优化算法对ANN的结构参数进行寻优，实验表明，改进过的ANN性能有了显著提高[10,11]。针对ANN不能显式地指出过程参数与生产质量之间的非线性关系这一缺点，一些基于机器学习的知识发现算法被陆续提出。……