基于智能预报模型的精毛纺织品全程虚拟加工技术

论文摘要

现代科学技术在制造工程领域中的应用，使制造技术从面对少品种、大批量生产的自动化、机械化方式，向适应多品种、小批量的柔性化、系统化的智能化方式转变，其最有里程碑意义的现代先进制造技术之一就是敏捷制造和虚拟加工，这已在机械、汽车、航空等领域得到广泛关注。然而，对传统纺织制造业来说，这一以信息技术为基础的加工方式的应用和研究远不如其他行业。我国进入WTO后，纺织工业原有的原材料和人力资源优势已不复存在，而多品种、少批量、快节奏已成为纺织加工业的主要特点。这正是该工业体系采用先进制造技术和信息技术，改变现状，获得新生的契机，也是我国纺织业必须直面的重要课题。本课题基于上述现状，在已有研究理论和实际应用基础上，实施对精毛纺织品整个生产流程的分析，结合国内典型企业实际加工特点，直接采用企业生产数据，应用现代预报技术，尤其是人工神经网络(ANN)、灰色优势分析理论(GS)以及基于案例推理技术(CBR)，建立基于智能预报模型的精毛纺织品虚拟加工，以实现对其动态加工生产过程中的质量预测和控制、参数工艺调节、新产品工艺开发设计乃至生产计划调度的快速决策。并在对相关人工智能方法的讨论和实际数据的分析预报基础上，为我国纺织行业信息化和智能化水平的提升，提供准确的数据和科学决策依据。本文的主要成果在以下三个方面。1．建立精毛纺织品全程虚拟加工系统模型从原料毛条开始到最终成品面料，以条染、粗纱、细纱、织造和后整理等作为整个生产线流程中的关键工序，在同一数据库平台基础上，以神经网络为核心技术，结合灰色理论，并与传统统计检验和经验分析等方法对比讨论，确立神经网络主要结构参数，建立并优化了粗纱、细纱、织造和后整理工序的智能预报模型。每一个模型既可独立执行预测功能，又可与后道工序模型组合实现精毛纺织品全程的模拟生产，从而为实现精毛纺织品分步和全程虚拟加工提供基础模型。2．应用灰色优势分析方法优化神经网络模型根据灰色优势分析(GS)的结果，对与神经网络预报模型(ANN)输出指标相关的输入参数的重要性程度进行排序，并以此作为网络参数输入的准则，即按重要程度依次输入，从而得到模型最高预报精度的输入参数组合。并与经验全选(SE)方法和多元回归显著性检验(MLR)方法所建立模型的精度及稳定性比较，表明通过GS方法所确定的ANN模型输入参数为最优。GS方法与ANN结合，不但可优化网络输入参数，还可判别对加工过程和产品质量影响显著的敏感参数。对粗纱质量影响最敏感的参数为前纺总并条次数和粗纱捻系数；对细纱纺纱性能和产品质量影响最敏感的参数为细纱牵伸倍数、粗纱单重、钢丝圈号数和纱线设计捻度；对织造效率和布面质量影响最敏感参数是织机的后梁高度和实际纬纱支数；后整理工序对织物物理服用性能指标影响最敏感的参数是纤维细度、设计经纱支数、设计纬纱捻度、洗呢工艺和蒸呢工艺。3．基于案例的推理技术与ANN模型结合实现新工艺的优化和质量控制针对纺织品工艺设计中的经验化、多指标、多选择的特点，利用已有产品设计案例，以产品设计的主要特征参数作为基于案例推理技术(CBR)的筛选依据，从中检索得到的与所设计产品质量指标最相似案例的工艺作为新产品设计的参考方案。同时，利用优化的ANN预报模型，对最相似案例的工艺参数进行虚拟加工检验，若产品加工过程和质量符合要求，则直接调用该工艺进行投产；否则，根据所预报提示，调整敏感参数使产品质量达标，而得最终优化新工艺方案，以此实现产品工艺的快速设计和质量的保障。此外，根据产品设计中的逆流程现象，即目标清楚而确定工艺参数。本文利用ANN建立各主要工序的反演预测模型，以便为实现企业生产资源的优化组合提供参考。利用纱线质量指标对细纱工序的主要工艺参数进行反演，所得细纱牵伸倍数、钢丝圈号数和细纱机车速的平均预报精度均高于97％；反演纱线加工所需毛条纤维的主要品质指标，所得纤维平均直径、直径离散系数、平均长度、长度离散系数以及短毛率的平均预报精度均高于95％。依据织物品质、风格要求反演的煮呢工艺、洗呢工艺和蒸呢工艺参数，平均预报精度分别为95.59％、87.43％和76.07％。综上所述，本文将灰色理论(GS)和基于案例推理技术(CBR)与神经网络(ANN)预报模型结合，实现了对精毛纺织品全程的虚拟加工，使其在结构上具有一定柔性，在功能上达到一定的智能，在应用上初步实现系统化。

论文目录

• 中文摘要
• ABSTRACT
• 第1章 绪论
• 1.1 课题研究的背景及意义
• 1.1.1 课题研究的背景
• 1.1.2 课题研究的意义
• 1.2 课题研究领域的现状
• 1.2.1 毛纺织加工预报概况
• 1.2.2 国内外纺织加工预报研究现状
• 1.2.3 国内纺织加工预报研究存在的主要问题
• 1.2.4 本课题研究的目标和主要内容
• 1.3 论文的章节安排
• 第2章 预报加工技术理论研究
• 2.1 人工神经网络
• 2.1.1 人工神经网络的结构与特征
• 2.1.2 BP神经网络的构建、训练和仿真
• 2.1.3 样本数据的预处理和后处理
• 2.2 灰色系统理论
• 2.2.1 灰色关联分析方法
• 2.2.2 灰色建模与预测
• 2.2.3 灰色控制理论在纺织中的应用
• 2.3 基于案例的推理技术
• 2.3.1 CBR系统结构、推理及其特点
• 2.3.2 CBR系统要解决的关键问题
• 2.3.3 CBR在纺织工业中的应用
• 2.4 预报加工理论在本课题研究中的应用
• 2.4.1 灰色理论的应用
• 2.4.2 基于案例的推理（CBR）的应用
• 2.5 本章小节
• 第3章 精毛纺敏捷加工系统的研究与建立
• 3.1 概述
• 3.2 精毛纺织品加工建模分析
• 3.2.1 精毛纺主要加工工序分析
• 3.2.2 实验建模数据
• 3.2.3 精毛纺加工参数与产品性能指标相关性分析
• 3.2.4 精毛纺产品特征指标
• 3.3 精毛纺虚拟加工
• 3.3.1 虚拟加工的涵义
• 3.3.2 基本模型及其作用
• 3.3.3 虚拟加工实例与效果
• 3.4 精毛纺敏捷加工技术的实现
• 3.4.1 系统结构
• 3.4.2 推理机制
• 3.4.3 应用实例
• 3.5 本章小节
• 第4章 智能预报加工模型的建立与优化
• 4.1 概述
• 4.1.1 模型建立的方法步骤
• 4.1.2 模型的评价
• 4.2 精毛纺全程智能预测加工模型
• 4.2.1 粗纱预测模型
• 4.2.2 细纱预测模型
• 4.2.3 织造智能预测模型
• 4.2.4 后整理智能预测模型
• 4.3 精毛纺反演模型的建立与优化
• 4.3.1 概述
• 4.3.2 精毛纺主要参数反演模型
• 4.3.3 ANN模型结构参数确定的经验规则
• 4.4 精毛纺虚拟加工模型的简化
• 4.4.1 预测加工模型
• 4.4.2 反演加工模型
• 4.5 本章小节
• 第5章 精毛纺织品虚拟加工系统的实用性
• 5.1 概述
• 5.2 加工预报结果模型的准确性
• 5.2.1 预测加工模型的检验
• 5.2.2 反演加工模型的检验
• 5.3 精毛纺产品工艺设计优化及质量控制
• 5.3.1 新产品工艺开发设计
• 5.3.2 产品加工过程质量的控制
• 5.3.3 工艺方案的优化及确定
• 5.4 本章小节
• 第6章 敏捷加工系统软件的设计与实现
• 6.1 敏捷加工系统实现的软件基础
• 6.1.1 概述
• 6.1.2 工具软件的选择与简介
• 6.1.3 Matlab6.5与.Net编程环境的接口
• 6.2 人机交互界面软件的实现
• 6.2.1 软件的层次
• 6.2.2 .Net网页界面
• 6.2.3 系统软硬件平台选择
• 6.3 实用性的一些问题
• 6.3.1 目前的水平
• 6.3.2 应该扩展的内容
• 第7章 结论
• 一、本课题的主要创新点及结论
• 二、论文有待完善之处和建议今后研究的方向
• 参考文献
• 附录A 精毛纺企业生产加工控制指标及建模参数
• 附录B 预报、反演模型结构参数选择训练结果
• 附录C 不同方法选择输入参数模型训练过程曲线
• 附录D 神经网络预报模型和灰色优势分析 MATLAB程序
• 攻读博士学位期间发表的学术论文目录
• 致谢