基于思维进化神经网络的细纱断裂强度预测

2020-02-14吴志刚郁崇文

棉纺织技术 2020年2期

吴志刚方璐郁崇文

（东华大学，上海，201620）

1 研究背景

细纱断裂强度作为评判纱线质量的重要物理指标，是棉纱生产中主要关注的对象。由于纱线生产是一个非常复杂的过程，影响纱线生产的因素很多，包括棉纤维性能、工艺参数、环境参数等，且各因素之间有可能还会相互作用。所有这些因素综合影响着棉纱的质量。对于纺纱企业来说，通过试纺来调整和确定各生产环节的工艺参数，既费时又费力（人工、材料）。因此，对于确定纱线品种的生产工艺一般相对稳定。在此基础上，企业往往通过配棉来调整棉纤维的综合性能，成为纺纱企业控制纱线质量的主要手段。

随着智能技术的发展，很多学者利用不同方法对纱线质量进行建模和预测，代替企业中依靠历史经验的低效做法。他们通过对预测结果的分析来调整参数设置，以达到提升纱线质量的效果。在众多对纱线质量预测的研究方法中，人工神经网络凭借其自身强大的自学习能力和面对复杂非线性系统的快速寻优能力，成为了主导的预测方法之一。董奎勇等在条干不匀率、断裂强力和纺纱断头率的预测研究中，对比了BP模型和多元线性回归方法，前者的仿真精度和收敛速度更佳[1]；刘贵等采用主成分分析的BP神经网络用以消除原输入变量之间的不独立性来预测精毛纺粗纱CV值和粗纱单重，且预测精度比单一BP神经网络有所提高[2]；刘彬等采用的基于GA-BP神经网络预测模型在一定程度上提高了纱线质量的预测精度、速度和稳定性能[3]；熊经纬等采用PSO-BP模型预测纱线质量，在收敛速度和预测精度、稳定性等方面明显优于BP模型[4]。这些研究表明，人工神经网络在基于棉纤维性能指标预测棉纱质量具有可行性。参考刘俊针对拟合非线性函数的研究，运用思维进化算法（Mind Evolutionary Algorithm，MEA）优化的BP神经网络进行仿真，经分析比较多个非线性函数拟合试验的运行结果，表明MEA-BP神经网络的性能比BP神经网络的性能更优秀，使非线性函数拟合精度更高[5]。综合以上分析，本文在前人研究的基础上，尝试构建MEA-BP神经网络模型提升细纱断裂强度预测的精度，以满足棉纺企业的生产需求。

2 试验设计

本文分别构建BP神经网络模型和MEA-BP神经网络模型研究棉纤维性能与细纱断裂强度的关系，用同一批数据同时进行两个模型的试验。通过对试验仿真计算的结果数据进行整理、分析和对比，以获得对这两种神经网络模型的性能评估。

2.1 数据准备与预处理

本文选用的数据集，是采集自某棉纺公司一年中JC 18.2 tex纱线的棉纤维、细纱断裂强度对照数据共65组，总计650个数据，部分棉纤维数据见表1。

表1 部分棉纤维性能指标原始数据

由此，选定9种棉纤维性能指标作为影响因子，主要包括主体长度、成熟度、断裂强度、均匀度、短绒率、公制支数、疵点总数、含杂率、回潮率等指标。由于这9种棉纤维性能指标和细纱断裂强度指标的量纲不同，通常需要对这些数据做归一化的数据预处理。在本试验中，数据预处理将安排在正式试验前进行。

2.2 BP神经网络模型

BP神经网络是一种多层的前馈感知器网络，其主要特点是通过误差反向传播来校正缩小网络的误差。如果输出层神经元的期望输出差异过大，则通过误差反向传播来调整网络中间各层神经元的权值和阈值。由于BP神经网络结构简单，可调节较多参数，也有丰富的训练算法，容易操作，在实际中的应用很广泛。

图1是BP神经网络的拓扑结构，这个结构包含输入层、隐层和输出层。

图1 BP神经网络的拓扑结构

本试验采用的是三层九输入单输出的BP神经网络结构，Xi表示该网络结构的各输入值，Y表示输出值，Wij和Vj代表各网络权值。本次试验将影响细纱断裂强度的9个棉纤维性能指标作为输入，分别是主体长度（X1）、成熟度（X2）、断裂强度（X3）、均匀度（X4）、短绒率（X5）、公制支数（X6）、疵点总数（X7）、含杂率（X8）、回潮率（X9）；细纱断裂强度Y作为输出。隐层的神经元节点数可参考式（1）计算。

式中：m为9；n为1。则隐层的神经元数根据计算结果，设置为6。

BP神经网络的主要设置：隐层激励函数f（x）=1/（1+e-x），迭代次数 100，学习率 0.1，构建函数为newff。

2.3 MEA-BP神经网络设计

2.3.1 思维进化算法的基本原理

传统BP神经网络模型的训练大多是通过梯度下降法来获得网络权值和阈值的逐步修正。在实践中，神经网络学习过程需通过多次训练才能收敛，从而导致模型构建时间较长，而且也容易陷入局部最优。尤其是BP神经网络对初始权值、学习速率和动量等参数非常敏感[6]。

进化算法是作为一种新发展起来的随机搜索算法，该算法将计算机科学和生物进化的想法结合起来，特点是群体搜索，目前已被成功应用于解决复杂的组合优化问题，但是这种算法存在早熟、收敛速度慢等缺陷，针对进化算法存在的问题，孙成意等人于1998年提出了思维进化算法，该算法沿袭了遗传进化算法的“群体”“个体”“环境”等概念，通过“趋同”和“异化”过程，有效地提高了算法的搜索效率。

图2为思维进化算法的系统框架。

图2 思维进化算法系统框架

思维进化算法通过其强大的全局寻优能力，针对BP神经网络在权值选择、学习速率等方面的缺陷，缩小BP神经网络结构的解搜索范围，提高算法在BP神经网络优化应用中的收敛速度。而且，在面对数值优化和非数值优化问题求解时，思维进化算法均显示出了自身的优势[7]。

2.3.2 思维进化算法具体设计步骤

第一步：训练集和测试集的产生。本文以前文完成预处理的65组数据作为对象，任意抽出55组数据组成训练集，其余10组数据组成验证集与测试集。

第二步：初始种群的产生。进化算法采用函数 initpop_genergate（popsize，S1，S2，S3，P，T）产生初始种群，其中popsize代表种群规模，S1、S2、S3分别代表神经网络模型的输入神经元节点、隐层神经元节点、输出神经元节点的个数，P、T则分别为训练样本集的输入矩阵和输出矩阵。利用 subpop_genergate（center，SG，S1，S2，S3，P，T）函数产生优胜子种群和临时子种群。其中center为子种群中心；SG为子种群规模大小。思维进化算法的参数设置：种群规模200，优胜子种群和临时子种群都是5，子种群规模20，个体编码长度113，算法迭代次数10。

第三步：子种群趋同和异化操作。对临时子种群和优胜子种群进行评分，评分高的保留，评分低的就会被废弃。废弃子种群中的个体全部被解散，模型在余下的个体中搜索形成新的临时子种群。这样就能使临时子种群保持原来的数量。

第四步：解析最优个体训练BP神经网络。当满足迭代停止条件时，算法就结束优化过程，将这些最优个体逐个转化为BP神经网络的初始权值和阈值，再利用训练样本集对神经网络进行训练。

第五步：用测试集仿真，对比分析，得出结论。模型在训练结束后，将使用测试样本集仿真运算，最终经过对比分析后得出结论。

3 试验结果与分析

本试验基于以上原理，分别构建依据棉纤维性能指标预测细纱断裂强度的BP神经网络模型与MEA-BP神经网络模型，基于测试样本集的仿真结果见表2。表2中模型1为BP神经网络模型，模型2为MEA-BP神经网络模型。图3、图4分别为两个模型的性能曲线图。

表2 细纱断裂强度预测试验分析比较

图3 BP神经网络模型性能曲线图

图4 MEA-BP神经网络模型性能曲线图

3.1 性能曲线分析

Matlab输出的性能曲线图是Matlab在使用训练集、验证集、测试集运行神经网络时记录的各自均方误差（MSE）曲线，并能给出验证曲线时的最佳MSE。从图3、图4中可以看出，本试验两种神经网络模型对细纱断裂强度指标进行预测的性能曲线，其验证曲线的MSE在两种模型中均有最小值（最佳值），BP神经网络模型验证曲线的最佳MSE为0.297 08；MEA-BP神经网络模型验证曲线的最佳MSE为0.085 259。显然，MEA-BP神经网络模型的网络性能超过BP神经网络模型。

3.2 平均绝对百分比误差和均方根误差分析

平均绝对百分比误差（MAPE）是模型计算值与测试样本值的平均绝对误差。表2中，BP神经网络模型的细纱断裂强度MAPE为3.81%，MEA-BP神经网络模型的细纱断裂强度MAPE为2.36%，MEA-BP神经网络模型的预测精度更优。均方根误差（RMSE）是表示模型计算值与测试样本值之间的偏差程度。表2中，BP神经网络模型预测的细纱断裂强度RMSE为0.808 3，MEA-BP神经网络模型预测的细纱强度RMSE为0.490 6。这表明MEA-BP神经网络模型各个仿真值误差的离散程度小，对于细纱断裂强度的预测结果具有更优稳定性。