一种基于KNN改进PSO-BP算法的织物质量预测方法技术

本发明专利技术公开了一种基于KNN改进PSO

【技术实现步骤摘要】
一种基于KNN改进PSO
‑
BP算法的织物质量预测方法


[0001]本专利技术属于纺织
，具体涉及一种基于KNN改进PSO
‑
BP算法的织物质量预测方法。

技术介绍

[0002]织物的价值取决于其质量，织造作为纺织生产过程中最重要的环节之一，具有设备种类、数量繁多，织物类型众多等特性，因此，现有直接从织机上下机的织物品质高低差异性较大。下机织物需要经过验布环节，目前该环节需要借助额外的验布设备进行织物品质的识别，该过程所需时间较长，且往往仅关注最终侧织物成品，而忽视编织过程与织物品质密切相关的设备工艺和织物组织参数，织物质量检测的准确性低。

技术实现思路

[0003]本专利技术实施例的目的是提供一种基于KNN改进PSO
‑
BP算法的织物质量预测方法，能够解决现有技术中的织物质量检测所需时间较长、检测的准确性低的技术问题。
[0004]为了解决上述技术问题，本专利技术是这样实现的：
[0005]第一方面
[0006]本专利技术实施例提供了一种基于KNN改进PSO
‑
BP算法的织物质量预测方法，包括：
[0007]S101：构建织物质量等级评价体系；
[0008]S102：通过采集装置获取某纺织厂近预设时间内的数据；
[0009]S103：选取造成织物疵点的工艺参数和织物组织参数的样本作为原始样本集；
[0010]S104：对所述原始样本集进行归一化处理；
[0011]S105：采用KNN算法对归一化后的样本集进行分类，将分类后的数据按照预设比例划分训练集与测试集，其中，所述训练集用于训练模型，所述测试集用于测试模型的准确度；
[0012]S106：构建织物质量预测模型，确定所述织物质量预测模型中的BP神经网络各层结构；
[0013]S107：利用粒子群算法赋予所述织物质量预测模型初始权值与阈值；
[0014]S108：通过所述训练集对所述织物质量预测模型进行训练，计算均方误差，并判断误差是否满足条件，若满足条件则训练结束，否则返回S107继续寻找最优解赋值给模型的权值与阈值直到满足条件；
[0015]S109：将所述测试集输入到训练好的所述织物质量预测模型中，预测出织物质量等级，并判断织物质量等级是否满足预设条件，如满足则输出预测结果，否则进行对所述织机进行检修，检修后继续预测直到预测织物质量等级满足所述预设条件。
[0016]本专利技术至少具有以下有益技术效果：
[0017]在本专利技术实施例中，通过织物质量预测模型自动化地对织物质量进行预测，无需借助额外的验布设备，大幅减少了织物质量检测所需时间，同时将与织物品质密切相关的
工艺参数和织物组织参数纳入到考虑范围，提升了织物质量检测的准确性。
附图说明
[0018]图1是本专利技术实施例提供的一种基于KNN改进PSO
‑
BP算法的织物质量预测方法的流程示意图。
[0019]本专利技术目的的实现、功能特点及优点将结合实施例、参照附图做进一步说明。
具体实施方式
[0020]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0021]下面结合附图，通过具体的实施例及其应用场景对本专利技术实施例提供的基于KNN改进PSO
‑
BP算法的织物质量预测方法进行详细地说明。
[0022]参照图1，示出了本专利技术实施例提供的一种基于KNN改进PSO
‑
BP算法的织物质量预测方法的流程示意图。
[0023]本专利技术实施例提供的一种基于KNN改进PSO
‑
BP算法的织物质量预测方法，包括：
[0024]S101：构建织物质量等级评价体系。
[0025]在一种可能的实施方式中，所述S101具体包括：
[0026]根据织机开始工作1分钟内织物疵点个数构建织物质量等级评价体系，对织物质量等级进行划分。
[0027]具体地，所述织物质量等级分为四级，一级的疵点总数为0，二级的疵点总数为1到3，三级的疵点总数为3到5，四级的疵点总数为大于等于5。
[0028]需要说明的是，根据疵点特征将疵点分为以下六类，织物疵点特征如下：
[0029](1)径向疵点，如筘路、吊经、断疵、综穿错、筘穿错、跳纱、棉球、结头等。
[0030](2)纬向疵点，如错纬、条干不均、脱纬、毛边等。
[0031](3)密集性疵点，如纬缩、双纬、纬缩、百脚、密路等。
[0032](4)破损性疵点，如边撑疵、破洞、稀弄、跳花等。
[0033](5)一处性疵点，如断经、托纱、杂物织入等。
[0034](6)油污疵点，如油经、油纬、油渍等。
[0035]S102：通过采集装置获取某纺织厂近预设时间内的数据。
[0036]可选地，预设时间为3个月。本领域技术人员可以根据实际需要调整预设时间的时长，本专利技术不做限定。
[0037]S103：选取造成织物疵点的工艺参数和织物组织参数的样本作为原始样本集。
[0038]具体地，所述工艺参数和织物组织参数包括：织机号、经纬故障停次数及时间、经纬密、品名、经纬纱纱支、人员操作水平以及车间湿度。
[0039]在一种可能的实施方式中，所述S103具体为：
[0040]以织机为对象，将其生产过程中的工艺参数和织物组织参数作为质量预测模型的输入量，建立向量矩阵X作为所述原始样本集，所述向量矩阵X可表示为：
[0041][0042]其中，m为样本集个数，n为影响因素个数。
[0043]S104：对原始样本集进行归一化处理。
[0044]需要说明的是，由于各特征参数之间的数量级不同，利用离差标准化对所有特征参数进行归一化处理。
[0045]其中，归一化处理是将数据按比例缩放，使得所有数据都在同一范围内，通常是[0,1]或[
‑
1,1]。
[0046]进行归一化处理可以使数据范围更加接近，提高模型收敛速度。如果数据的范围不一致，会导致模型不稳定，归一化处理可以保证模型的稳定性。归一化可以使得特征的权重更加公平地被考虑，不会因为范围不同而导致某些特征被忽略或过分强调。这样可以提高模型的预测精度。
[0047]在一种可能的实施方式中，所述S104具体为：
[0048]采用以下公式对所述原始样本集X进行归一化处理：
[0049][0050]其中，X
1mn
为归一化后的值，X
mn
为样本值，X
n,max
与X
n,min
...

【技术保护点】

【技术特征摘要】
1.一种基于KNN改进PSO
‑
BP算法的织物质量预测方法，其特征在于，包括：S101：构建织物质量等级评价体系；S102：通过采集装置获取某纺织厂近预设时间内的数据；S103：选取造成织物疵点的工艺参数和织物组织参数的样本作为原始样本集；S104：对所述原始样本集进行归一化处理；S105：采用KNN算法对归一化后的样本集进行分类，将分类后的数据按照预设比例划分训练集与测试集，其中，所述训练集用于训练模型，所述测试集用于测试模型的准确度；S106：构建织物质量预测模型，确定所述织物质量预测模型中的BP神经网络各层结构；S107：利用粒子群算法赋予所述织物质量预测模型初始权值与阈值；S108：通过所述训练集对所述织物质量预测模型进行训练，计算均方误差，并判断误差是否满足条件，若满足条件则训练结束，否则返回S107继续寻找最优解赋值给模型的权值与阈值直到满足条件；S109：将所述测试集输入到训练好的所述织物质量预测模型中，预测出织物质量等级，并判断织物质量等级是否满足预设条件，如满足则输出预测结果，否则进行对所述织机进行检修，检修后继续预测直到预测织物质量等级满足所述预设条件。2.根据权利要求1所述的织物质量预测方法，其特征在于，所述S101具体包括：根据织机开始工作1分钟内织物疵点个数构建织物质量等级评价体系，对织物质量等级进行划分。3.根据权利要求2所述的织物质量预测方法，其特征在于，所述织物质量等级分为四级，一级的疵点总数为0，二级的疵点总数为1到3，三级的疵点总数为3到5，四级的疵点总数为大于等于5。4.根据权利要求1所述的织物质量预测方法，其特征在于，所述工艺参数和织物组织参数包括：织机号、经纬故障停次数及时间、经纬密、品名、经纬纱纱支、人员操作水平以及车间湿度。5.根据权利要求1所述的织物质量预测方法，其特征在于，所述S103具体为：以织机为对象，将其生产过程中的工艺参数和织物组织参数作为质量预测模型的输入量，建立向量矩阵X作为所述原始样本集，所述向量矩阵X可表示为：其中，m为样本集个数，n为影响因素个数。6.根据权利要求5所述的织物质量预测方法，其特征在于，所述S104具体为：采用以下公式对所述原始样本集X进行归一化处理：其中，为归一化后的值，X
mn
为样本值，X
n,max
与X
n,min
分别为样本所在列的最大值和最小值。
7.根据权利要求6所述的织物质量预测方法，其特征在于，所述S105具体包括：S1051：确认分类样本集个数，利用皮尔逊相关系数计算织物疵点特征与所述原始样本集X的相关性程度；S1052：根据织物疵点特征与所述原始样本集X的相关性程度，从所述原始样本集X中选出5组数据作为已分类数据X
c
，其余数据作为待分类数据X
tc
；S1053：通过以下公式计算待分类数据X
tc
到已分类...

【专利技术属性】
技术研发人员：戴宁，孙长敏，胡旭东，沈春娅，袁嫣红，钱淼，史伟民，
申请(专利权)人：浙江理工大学，
类型：发明
国别省市：