一种基于知识自动化技术的色纺过程质量控制模型构建方法技术

技术编号:14355454 阅读:92 留言:0更新日期:2017-01-08 22:44
本发明专利技术公开了一种基于知识自动化技术的色纺过程质量控制模型构建方法,包括如下步骤:设计基于粒子群优化的并行布谷鸟搜索算法,进行高维数据特征提取,进而利用自组织神经网络理论从中求解知识变量的最优解;在上述步骤的基础上,利用灰色系统理论,以及协同训练算法和支持向量机,构造知识变量之间关系矩阵,利用均值法求解关联度。进而,设计基于协同训练的支持向量回归算法,对关联度计算结果进行自动修正;在上述2个步骤的基础上,利用支持向量机,构建基于知识自动化技术的色纺过程质量控制模型。本发明专利技术构建了基于知识自动化技术的色纺过程质量控制模型,提高了工作效率,同时也方便了数据的整理。

【技术实现步骤摘要】

本专利技术涉及纺织领域,具体涉及一种基于知识自动化技术的色纺过程质量控制模型构建方法
技术介绍
色纺工业作为纺织业中的朝阳产业,其产品已在环境保护、特种军需与航空航天等诸多领域得到了广泛应用。但不幸的是,因色纺制造过程存在底层设备控制不精细、上层计划调度等缺乏多领域知识关联分析且自动化集成度低的瓶颈问题,严重制约了色纺企业的创新发展。就色纺智能制造过程而言,已从根本上颠覆了传统的“先纺后染”工艺,转而采用“先染后纺”新工艺。通常,整个制造过程要频繁经历材料位移、物质热交换、化学反应,甚至借助于工艺设备顺序或并列完成工艺操作等过程。正是因为这种复杂的物理化学交替改性过程,使得工艺参数向超常规发展,更是因为这个改性过程,产生了大量的工艺设备、制造过程和运行管理等结构化数据,甚至海量的设备控制回路,文本原料、传感器,以及纱织疵图像等非结构化数据。进而,这些数据随着应用精度的提高呈几何级增长,有些已经到达了PB甚至EB级,是一个典型的“工业大数据”。在此背景下,有利于表达色纺工业制造过程多领域知识关联分析的有益知识被淹没在这个大数据之中,使得现有的数据挖掘算法在这个大数据面前显得无能为力。学术界对制造过程知识自动化的研究,其关注的焦点一直在物理过程、数据传递、流程控制的自动化。然而,针对知识自动化本质的探索,甚至在知识的自动化是否应该存在和依附于制造系统、其它的工作系统平台是否更加适用于知识的自动化管理等研究的则甚少。原因在于:很少有人从建模、分析、控制、管理等过程自动化的角度系统性地将方法与应用有机地结合起来,开展基于知识自动化技术的色纺过程质量控制。专利技术内容为解决上述问题,本专利技术提供了一种基于知识自动化技术的色纺过程质量控制模型构建方法。为实现上述目的,本专利技术采取的技术方案为:一种基于知识自动化技术的色纺过程质量控制模型构建方法,包括如下步骤:S1、利用粒子群算法优化布谷鸟搜索算法,并基于统一计算设备架构(CUDA),设计基于粒子群优化的并行布谷鸟搜索算法,进行高维数据特征提取,进而利用自组织神经网络理论从中求解知识变量的最优解;S2、在步骤S1的基础上,利用灰色系统理论,以及协同训练算法和支持向量机,构造知识变量之间关系矩阵,利用均值法求解关联度。进而,设计基于协同训练的支持向量回归算法,对关联度计算结果进行自动修正;S3、在上述2个步骤的基础上,利用支持向量机,构建基于知识自动化技术的色纺过程质量控制模型。其中,所述步骤S1包括如下步骤:S11、设计基于粒子群优化的并行布谷鸟搜索算法首先,将PSO算法思想用于CS算法的位置更新过程,改善CS算法的性能,使鸟窝的更新能像PSO算法中的粒子一样总是追寻当前最优与全局最优;然后,对所求解是否达到误差限的判断,采用的处理方式为:||P(1)-best(t)×ones(1,n)||<Tol,其中,P(t)为当前找到的解矩阵,best(t)为当前找到的最优解向量,ones(1,n)表示1*n的全1矩阵;最后,基于统一计算设备架构,利用图形处理器线程块与线程分别映射到优化后的布谷鸟个体与个体的每一维数据,并行实现CS算法中的鸟巢位置更新、个体适应度评估、鸟巢重建、寻找最优个体操作;S12、求解知识变量最优解利用自组织神经网络无监督分类的特点,对知识变量最优解的求解主要从神经元的概率密度函数和转移概率两方面入手设计,其中:概率密度函数设计为:P[i(xt)=I]=P[argmint||xt-Ci||=I]P[||xt-CI||≤||xt-Cj||∀j≠I---(1)]]>式中,||·||表示欧式距离。同时,xt的概率分布函数可用标准正态分布函数为:P[i(xt)=I]=P[b<xt<a]=Fx(a)-Fx(b)=φ(a-μσ)-φ(b-μσ)=f(I,α,μe,λ)---(2)]]>神经元之间的转移概率设计为:∫b1a1∫b2a212πσ21-ρ2(k)*e[-(x-μ)2+(y-μ)2-2ρk(x-μ)(y-μ)2σ2]dxdy---(3)]]>式中ρ(k)=αk。其中,所述步骤S2包括如下步骤:S21、基于“求解知识变量最优解”的结果,以色纺工业企业为对象,选择色纺工艺参数中的“断裂功”作为知识变量,依据灰色系统理论,构造断裂功与工艺参数之间关系矩阵,并采取区间值化对数据进行转化,具体的转化公式为:xij′=xij-mink(xik)maxk(xik)-mink(xik)---(4)]]>同时,通过计算得到比较序列与参考序列之间的求差序列。进而,求解两极最小差和最大差;最后,将关联系数相加求平均数即为关联度,具体的计算公式为:Lij=Δ(min)-ρΔ(max)|X0j-Xij|+ρΔ(max)---(5)]]>式中,ρ为一分辨系数,其值范围为(0,1),主要用于体现影响因子之间的关联程度。S22、基于协同训练的质量补偿算法设计利用协同训练方式,改进最小二乘支持向量回归机,提出一种基于协同训练的支持向量回归算法,对关联度计算结果进行修正或补偿;进而,利用临近法对未知样本进行标定和选择,同时对新的样本空间进行剪枝,在保证反映新样本特性的前提下尽量减少对学习模型影响小的样本数量,使算法具有标定未知样本和更新样本集的自感知能力。其中,所述步骤S3包括如下步骤:S31、依据色纺工业企业智能制造过程,分别建立与工序对应的决策函数y1,…,yk,…,ym,则对应的输入量为P={p1,…,pj,…,pn本文档来自技高网...

【技术保护点】
一种基于知识自动化技术的色纺过程质量控制模型构建方法,其特征在于,包括如下步骤:S1、利用粒子群算法优化布谷鸟搜索算法,并基于统一计算设备架构(CUDA),设计基于粒子群优化的并行布谷鸟搜索算法,进行高维数据特征提取,进而利用自组织神经网络理论从中求解知识变量的最优解;S2、在步骤S1的基础上,利用灰色系统理论,以及协同训练算法和支持向量机,构造知识变量之间关系矩阵,利用均值法求解关联度。进而,设计基于协同训练的支持向量回归算法,对关联度计算结果进行自动修正;S3、在上述2个步骤的基础上,利用支持向量机,构建基于知识自动化技术的色纺过程质量控制模型。

【技术特征摘要】
1.一种基于知识自动化技术的色纺过程质量控制模型构建方法,其特征在于,包括如下步骤:S1、利用粒子群算法优化布谷鸟搜索算法,并基于统一计算设备架构(CUDA),设计基于粒子群优化的并行布谷鸟搜索算法,进行高维数据特征提取,进而利用自组织神经网络理论从中求解知识变量的最优解;S2、在步骤S1的基础上,利用灰色系统理论,以及协同训练算法和支持向量机,构造知识变量之间关系矩阵,利用均值法求解关联度。进而,设计基于协同训练的支持向量回归算法,对关联度计算结果进行自动修正;S3、在上述2个步骤的基础上,利用支持向量机,构建基于知识自动化技术的色纺过程质量控制模型。2.根据权利要求1所述的一种基于知识自动化技术的色纺过程质量控制模型构建方法,其特征在于,所述步骤S1包括如下步骤:S11、设计基于粒子群优化的并行布谷鸟搜索算法首先,将PSO算法思想用于CS算法的位置更新过程,改善CS算法的性能,使鸟窝的更新能像PSO算法中的粒子一样总是追寻当前最优与全局最优;然后,对所求解是否达到误差限的判断,采用的处理方式为:||P(t)-best(t)×ones(1,n)||<Tol,其中,P(t)为当前找到的解矩阵,best(t)为当前找到的最优解向量,ones(1,n)表示1*n的全1矩阵;最后,基于统一计算设备架构,利用图形处理器线程块与线程分别映射到优化后的布谷鸟个体与个体的每一维数据,并行实现CS算法中的鸟巢位置更新、个体适应度评估、鸟巢重建、寻找最优个体操作;S12、求解知识变量最优解利用自组织神经网络无监督分类的特点,对知识变量最优解的求解主要从神经元的概率密度函数和转移概率两方面入手设计,其中:概率密度函数设计为:{P[i(xi)=I]=P[argmini||xi-Ci||=I]P[||xi-CI||≤||xi-Cj||∀j≠I---(1)]]>式中,||·||表示欧式距离。同时,xt的概率分布函数可用标准正态分布函数为:P[i(xt)=I]=P[b<xt<a]=Fx(a)-Fx(b)=φ(a-μ&s...

【专利技术属性】
技术研发人员:邵景峰
申请(专利权)人:西安工程大学
类型:发明
国别省市:陕西;61

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1