基于PSO-BP神经网络的纱线质量预测

熊经纬,杨建国,徐　兰

(东华大学 机械工程学院,上海 201620)

基于PSO-BP神经网络的纱线质量预测

熊经纬,杨建国,徐兰

(东华大学 机械工程学院,上海 201620)

针对复杂纺纱过程中成纱断裂强度难以预测的问题,提出一种基于粒子群优化算法(PSO)优化BP神经网络的成纱断裂强度预测方法.该方法采用PSO优化神经网络的权值和阈值,用来提高神经网络的收敛速度和获得全局最优解的能力.以纺纱车间大量现场质量检测数据为对象,进行预测验证,结果表明,PSO-BP神经网络在预测相关性(预测值与实际值的一致性程度)上与传统BP算法相比提高5.0%，与GA-BP算法相比提高4.6%，在预测精度上均要好于BP神经网络与GA-BP神经网络.

BP神经网络;粒子群算法(PSO);纱线质量预测

多样化及个性化需求使纺织工艺流程越来越复杂,因影响纱线生产的因素众多,且因素之间相互作用,存在着复杂的多变量耦合关系,很难用传统的方法对纺纱质量进行准确的预测.随着智能计算技术的发展,近年来国内外出现了许多利用智能计算方法预测纺纱质量的研究[1],其中,人工神经网络成为主导的预测方法之一.如文献[2]采用人工神经网络和线性回归模型预测纱线拉伸性能,取得了良好的预测效果.文献[3]分别采用自适应神经模糊推理系统和线性多元回归方法预测气流纺的成纱强度,通过比较2个模型的预测性能可知,自适应神经模糊推理系统比多元线性回归模型有更好的预测能力 .文献[4]采用具有全局寻优功能的遗传算法来优化BP神经网络的权值和阈值,优化后的神经网络模型具有良好的泛化能力和预测能力.文献[5]提出了一种将模糊聚类技术与BP神经网络相结合的日负荷特性曲线分类与短期负荷预测的方法,利用变学习速率和附加动量来改进BP算法并预测日负荷曲线,试验证明该方法在实际应用中具备可行性.在传统神经网络结构方面,文献[6]的研究表明，网络包含一个隐层就可以实现任意连续函数的精确逼近映射.现有的预测模型在实际工程中取得了重要进展,但相当一部分模型存在易陷入局部最小值及收敛速度过慢等缺点,尤其对长流程、多扰动的复杂纺织加工过程而言,预测效果不佳.如何克服现有预测模型的不足,提高预测精度和加快收敛速度,是纺纱质量预测的瓶颈问题之一.

1　纱线质量预测模型建立

纱线生产是一个长流程的复杂动态加工过程,随着生产的发展和科学技术的进步,新材料、新工艺和新设备的不断涌现,纺纱工艺的预测技术变得更为复杂.以成纱断裂强度为例,其影响因素包含了纤维的平均长度、主体长度、品质长度、断裂强度、线密度、马克隆值、短绒率、基数、匀度、回潮率、含杂率、纱线的线密度、捻度、精梳共14个参数.其中，精梳是工艺，本文中给予量化,以1表示精梳，以0表示普梳.本文采用粒子群优化(PSO)算法对BP神经网络进行优化,并与现有的方法进行比较,结果表明PSO-BP算法具有更大的优越性.

1.1BP神经网络结构参数设定

本文采用毛纺生产加工过程中的纤维平均长度、主体长度、品质长度、断裂强度、线密度、马克隆值、短绒率等关键参数作为预测模型的输入，成纱断裂强度作为预测模型的输出.由文献[7]可知,3层BP神经网络可以完成任意n维到m维的映射.选择隐含层节点数k的经验公式为

k=

(1)

式中：m为输入神经元数;n为输出神经元数.

1.2PSO-BP神经网络算法设计

1.2.1PSO算法

在D维搜索空间中,包含S个粒子组成的种群X=(X1, X2,…, XS),于是第i个微粒在D维空间中的位置定义为Xi=(xi1, xi2,…, xiD),将Xi带入适应度函数φ(Xi)中计算出适应度值粒子位置Fi.第i个微粒的当前速度为vi=(vi1, vi2,…, viD),其中，第i个微粒的个体极值pBest为Pi=(pi1, pi2,…, piD),整个种群的全局极值gBest为Pg=(pg1, pg2,…, pgD)[8-11].

在迭代寻优过程中,微粒通过个体极值和全局极值来更新自身的速度和位置[12-13],即

(2)

(3)

式中：ω为惯性权重,用来调节对解空间的搜索范围;d=1, 2,…,D；i=1, 2,…,S;k为当前迭代次数；vid为微粒速度；c1,c2(非负常数)为学习因子,通常取c1=c2=2;r1,r2为两个相互独立的随机数,取值范围为(0, 1),以增加搜索随机性.为降低粒子在迭代的过程中脱离搜索空间的概率,一般将其位置和速度限制在[-Xmax,Xmax]、 [-vmax,vmax][14].

1.2.2基于PSO优化的BP神经网络算法

PSO算法具有全局搜索能力强并且收敛速度快的优点,若将其与BP神经网络相结合,便能够避免传统神经网络中因采用梯度下降法来更新权值，导致易陷入局部极小值和收敛速度慢的缺点[15-17].本文在PSO-BP神经网络中,用Xi=(xi1, xi2,…, xiD)表示一组待优化的参数值,向量中的每一维由网络中的权值和阈值组成,其中向量维数D为BP网络中所有权值和阈值的总和,由输入为14个参数,输出为1个参数,确定神经网络结构为14-8-1,因此D=14×8+8+8×1+1=129.微粒的适应度函数如式(4)所示,即所有样本的均方误差.

(4)

式中:s为样本个数;c为网络神经元的输出个数;tk, p为第p个样本的第k个理想输出值;Yk, p为第p个样本的第k个实际输出值.当适应度函数达到最小时搜索得到BP网络最佳权值和阈值.

PSO-BP算法实现流程如图1所示.

图1　PSO-BP算法流程Fig.1　The flow chart of PSO-BP algorithm

2　成纱断裂强度预测模型试验及分析

2.1试验数据的准备

已知某毛纱生产数据,建立成纱断裂强度预测模型,输入为纤维平均长度、主体长度、品质长度、断裂强度、线密度、马克隆值、短绒率、基数、匀度、回潮率、含杂率、纱线线密度、捻度、精梳,输出为成纱断裂强度,选取数据集中的63组作为训练集,剩余10组作为预测模型测试集.试验工具采用数学处理软件Matlab.

2.2预测模型参数的确定

由输入、输出神经元个数,根据式(1)得出隐含层神经元个数为8.其他主要参数设置如表1所示.

表1　基于PSO-BP算法的成纱断裂强度值预测模型主要参数Table 1　The main parameters of yarn breaking strength forecasting model based on PSO-BP algorithm

2.3数据的预处理

数据的预处理对预测质量有着重要的作用.通常的数据预处理方法有以下2种.

(1) min-max标准化.这种方法也称为离散标准化,是对原始数据进行线性变换,使数据映射到[0,1]之间.归一化处理转换函数如式(6)所示.

(6)

式中：xmin为样本的最小值;xmax为样本的最大值.在输出层要进行反归一化处理,即换回实际的值如式(7)所示.

x=(xmax-xmin)xk+xmin

(7)

(2) Z-score标准化方法.这种方法是通过求出原始数据的均值(mean)和标准差(standard deviation)进行数据的标准化.经过处理的数据符合标准正态分布,即均值为0,标准差为1，其转化函数如式(8)所示.

(8)

式中：μ为所有样本数据的均值;σ为所有样本数据的标准差.

由于数据经过第二种方法处理后映射在[-1, 1]之间,其中的数据必然有正有负,不符合实际的生产情况,故本文选择第一种数据预处理方法.

2.4预测模型试验结果分析

为比较预测的效果,本文同时采用BP神经网络、GA-BP神经网络对样本进行训练,预测结果如表2所示.

表2　测试样本成纱断裂强度预测结果Table 2　Prediction results of yarn breaking strength of samples

由表2可以得出,相比较BP神经网络与GA-BP神经网络,PSO-BP神经网络的平均相对误差最低，说明其具有更高的预测精度.PSO-BP神经网络的最大相对误差在3种模型中最低,说明PSO-BP神经网络的预测稳定性最好.为了进一步对比3种神经网络的差别，引入相关系数R.为防止过拟合，神经网络模型的训练过程是自动将输入的数据处理之后分为训练数据、测试数据和预测数据，默认的比例是70%，15%，15%.相关系数R是网络在自行训练的过程中为不断拟合数据得出的一个衡量指标，R表示网络输出的权值与偏置在拟合效果中的好与差，其定义如式(9)所示.

(9)

式中：n为样本的个数;x与y分别为实测值与预测值.R值越大,表明预测值与实测值一致程度越好.现根据Matlab处理的试验结果,数据的相关性分析如图2所示，其中，横坐标为目标值，纵坐标为网络的输出值，圆圈“O”表示数据坐标点，理想回归直线由实线表示，最优回归直线由虚线表示.

由图2可知,相比于BP神经网络与GA-BP神经网络,PSO-BP神经网络预测精度分别提高了5.0%与4.6%.对比试验表明,基于PSO算法优化的BP神经网络的成纱断裂强度预测精度与预测值的相关程度要明显高于单一的BP神经网络预测模型.

(a) BP神经网络

(b) PSO-BP神经网络

(c) GA-BP神经网络图2　预测模型输出相关性分析Fig.2　The correlation analysis of prediction model output

3　结　语

针对纺织加工过程中重要质量参数难以预测的问题,本文提出利用PSO-BP神经网络算法来预测纺纱加工中的关键参数,用PSO来优化传统BP神经网络权值和阈值的选取.研究表明,PSO-BP神经网络在收敛速度和预测精度稳定性及相关性方面相比于传统BP神经网络有明显的提高.研究结果对于纺织企业提前预知产品质量、降低投入成本有一定的借鉴作用.

[1] 陈俊杰,谢春萍, 郝海涛.人工神经网络纱线质量预报模型的实用化[J].天津纺织科技，2005(4):9-12.

[2] MWASIAGI J I, HUANG X, WANG X. Performance of neural network algorithms during the prediction of yarn breaking elongation [J]. Fibers and Polymers, 2008, 9(1):80-86.

[3] YAO G, GUO J S, ZHOU Y Y, Prediction of rotor spun yarn strength using adaptive neurofuzzy inference system and linear multiple regression methods[J].Journal of Donghua University： English Edition, 2008, 25(1):48-52.

[4] 田亮,罗宇,王阳.基于遗传算法优化BP神经网络的TIG焊缝尺寸预测模型[J].上海交通大学学报,2013,47(11)：1690-1696.

[5] LI Z, ZHOU B X, LIN N. Classification of daily load characteristics curve and forecasting of short-term load based on fuzzy clustering and improved BP algorithm [J]. Power System Protection and Control, 2012, 40(3):56-60.

[6] ABBASI A A, VOSSOUGHI G R, AHMADIAN M T. Deformation prediction by a feed forward artificial neural network during mouse embryo micro manipulation [J]. Animal Cells and Systems, 2012, 16(2):121-126.

[7] 周开利, 康耀红.神经网络模型及其MATLAB仿真程序设计[M].北京:清华大学出版社,2005:20-35.

[8] 任斌,丰镇平.改进遗传算法与粒子群优化算法及其对比分析[J].南京师范大学学报：工程技术版,2002,2(1):14-20.

[9] TANG Y, WANG Z D, FANG J A. Controller design for synchronization of an array of delayed neural networks using a controllable probabilistic PSO [J]. Information Sciences, 2011,181 (20):4715-4732.

[10] 莫思敏,曾建潮,谢丽萍.扩展的微粒群算法[J].控制理论与应用,2012,29(6):811-816.

[11] LEUNG F H F,LAM H K. Tuning of the structure and parameters of neural network using an improved genetic algorithm [J].IEEE Transactions on Neural Networks, 2013, 14(1):79-88.

[12] SOROUDI A, AFRASIAB M. Binary PSO-based dynamic multi-objective model for distributed generation planning under uncertainty [J].Renewable Power Generation, 2012,6(2):67-68.

[13] 李勇,吴敏,曹卫华，等.基于粒度分布评估与优化的制粒过程PSO-BP控制算法[J]. 自动化学报, 2012,38(6):1007-1016.

[14] CHEN W N, ZHANG J, LIN Y, et al. Particle swarm optimization with an aging leader and challengers [J]. IEEE Transaction on Evolutionary Computation, 2013, 17(2):241-258.

[15] RUBIO J, ANGELOV P, PACHECO J. Uniformly stable back propagation algorithm to train a feed forward neural network [J]. IEEE Transactions on Neural Networks, 2011, 22(3):356-366.

[16] ZHANG J R, ZHANG J, LOK T M. A hybrid particle swarm optimization-back-propagation algorithm for feed forward neural network training[J]. Applied Mathematics and Computation, 2007, 185(2):1026-1037.

[17] BECCALI M, CELLURA M, LO B V, et al. Forecasting daily urban electric load profiles using artificial neural networks [J]. Energy Conversion and Management, 2004, 45(18):2879-2900.

Combining the Particle Swarm Optimization with BP Neural Network for Yarn Quality Forecasting

XIONG Jing-wei, YANG Jian-guo, XU Lan

(College of Mechanical Engineering, Donghua University, Shanghai 201620, China)

In view of the predication difficulty of yarn breaking strength in the process of complex spinning, a prediction method based on particle swarm optimization (PSO) is put forward to optimize the yarn breaking strength of BP neural network. This method uses the PSO to optimize weights and threshold of neural network, improve convergence speed of neural network and obtain the ability of global optimal solution. A lot of field quality testing data in spinning workshop is taken as the objects to conduct the prediction verification. The results show that the prediction correlation (the degree of consistency between the actual values and estimated values) of PSO-BP neural network has been improved by 5.0% and 4.6% respectively compared with the traditional BP algorithm and GA-BP algorithm. Besides, it has higher prediction precision than BP neural network and GA-BP neural network.

BP neural network; particle swarm optimization (PSO); yarn quality prediction

1671-0444(2015)04-0498-05

2015-02-12

国家自然科学基金资助项目(51175077)

熊经纬(1989—)，男，安徽合肥人，硕士研究生，研究方向为智能质量控制.E-mail:xiongjingwei2015@163.com

杨建国(联系人)，男，教授，E-mail:jgyangm@dhu.edu.cn

TS 103.2

A