一種基于Learn++的漿紗過程上漿率軟測量制造技術

本發(fā)明專利技術是一種基于Learn++的漿紗過程中漿紗機上漿率的軟測量方法，通過對漿紗過程的機理分析，得到影響上漿率的主要因素。并將這些因素作為輸入，上漿率作為輸出，提出了一種基于Learn++的軟測量建模新方法。Learn++算法保留了常用集成算法能夠提高單一學習機性能的特點，此外還可以克服現(xiàn)有軟測量學習方法中容易遺忘已學信息和由于重復使用原始訓練數據造成時間和資源浪費的缺點，具有增量學習的能力。在建模過程中由于ELM與傳統(tǒng)的神經網絡算法相比具有學習速度快、簡單易行，可以克服傳統(tǒng)梯度算法常有的局部極小、過擬合和學習率選擇不合適等問題，擁有更好的泛化能力等特點，將其選擇作為基本弱學習機。該方法能夠有效地提高軟測量預測精度，并實現(xiàn)在線實時測量，為確保漿紗質量、節(jié)約能源、降低成本提供有效途徑。

【技術實現(xiàn)步驟摘要】

上漿率是漿紗質量好壞的重要指標之一。上漿率過大或過小都將嚴重影響漿紗的質量，給織造生產帶來不便，甚至造成大量的原料浪費。為了保證漿紗質量，首先需要對上·漿率進行檢測，進而控制其達到規(guī)定指標。目前，國內外現(xiàn)存的對上漿率進行檢測的方法都存在一定的缺陷時間上的滯后性、應用范圍上的局限性、檢測結果的不穩(wěn)定性等，不能很好的實現(xiàn)對上漿率的在線檢測。因此，對上漿率的實時檢測進行研究是保證漿紗質量的前提，也具有很大的理論價值和實用價值。本專利技術通過對漿紗機理的深入調研，從離線建模的角度出發(fā)提出了上漿率在線檢測的軟測量建模方法。通過對漿紗過程的機理分析，得到影響上漿率的主要因素。并將這些因素作為輸入，上漿率作為輸出，使用ELM神經網絡建立基本軟測量模型。在此基礎上，提供一種通過Learn++將多個不同參數的ELM神經網絡基本模型進行融合的軟測量建模方法。該方法能夠有效地提高軟測量預測精度，并實現(xiàn)在線實時測量，為確保漿紗質量、節(jié)約能源、降低成本提供有效途徑。
技術介紹
目前實際生產中對上漿率的檢測大都采用退漿法，這種方法通過對上漿后的紗線進行退漿、烘干并稱重的方式得到上漿率，整個過程需要4-6個小時，在這期間對漿液濃度無法實現(xiàn)即時準確的控制，這種時間上的大滯后必然影響到紗線產品質量的保障，因此在實際生產過程中，產生大量次品的情況時有發(fā)生，對后續(xù)產品質量的保證以及能源的節(jié)約和成本的降低都帶來了許多困難。因此，能夠實時精確預測紡織工業(yè)過程關鍵參數的軟測量方法是眾多紡織企業(yè)所迫切需要開發(fā)的技術。
技術實現(xiàn)思路
本專利技術所要解決的技術問題是，通過對漿紗工藝流程進行深入機理分析得到影響上漿率的主要因素，在此基礎上建立ELM神經網絡軟測量模型，通過Learn++將多個不同參數的SVR軟測量模型融合在一起，有效提高軟測量精度。本專利技術采用的技術方案是I.影響上漿率的主要因素。將紗線和漿液視為一個整體，則在此過程中漿液的總質量是不變的，在此基礎上分析漿槽中漿液濃度的變換以及紗線上漿液的變化。將整個漿紗過程分為四個部分浸漿前、浸漿、壓漿和烘漿進行分析。漿料的浸透率、被覆率和漿紗回潮率是影響上漿率的主要因素。其中，漿料的浸透率和被覆率又受漿液濃度、漿液粘度、漿液溫度、壓漿輥壓力(兩種)、浸沒輥位置、漿紗機速度、紗線覆蓋系數和紗線張力的影響；漿紗回潮率又受烘燥溫度和漿紗機速度的影響；而隨著漿紗時間的增加，漿液濃度、漿液粘度、漿液溫度也會發(fā)生變化。綜上可以得出影響上漿率的11個主要因素漿液濃度漿液是由漿料和溶劑混合加熱制成的，它從一定程度上反映了漿液所含漿料的多少，當其它因素不變時，漿液濃度直接影響上漿率的大小。漿液粘度粘度是表示流體流動時其內部摩擦阻力的物理量，粘度的大小將直接影響漿料的浸透率和被覆率，從而影響上漿率。漿液溫度漿液溫度對上漿率的影響主要表現(xiàn)在對漿液粘度的影響上，漿液粘度 隨漿液溫度的增大而減小。第一道壓漿輥的壓力當壓漿輥的壓力增大或者減小時會對紗線的漿料浸透率和被覆率產生影響(具體詳見第二章)，從而影響上漿率。第二道壓漿輥的壓力浸沒輥的位置浸沒輥位置的高低將會影響紗線在漿液中的浸泡時間，從而影響紗線的漿料浸透率與被覆率，最終影響上漿率。在實際的上漿過程中，浸沒輥的位置在理論上是不變的。漿紗機速度和浸沒輥的位置一樣，當漿紗機的速度增大或者減小時都將影響紗線在漿液中的浸泡時間，從而影響紗線的漿料浸透率與被覆率，最終影響上漿率。紗線覆蓋系數紗線覆蓋的稀疏會影響紗線與漿液的接觸面積，因此，在上漿過程中會影響紗線的漿料浸透率和被覆率，從而影響紗線的上漿率。紗線張力紗線的張力是通過影響紗線的被拉伸程度米影響紗線的漿料浸透率和被覆率的，最終影響紗線的上漿率。烘燥溫度烘燥溫度是指烘筒內的溫度，它主要影響漿紗的回潮率，從而影響漿紗的上漿率和漿紗的性能。2.基本ELM神經網絡軟測量模型的建立。將上述11個主要因素作為ELM神經網絡的輸入，上漿率作為輸出。分別使用不同的參數來建立ELM神經網絡模型。3.基于Learn++的上漿率軟測量模型。軟測量問題為一類回歸問題，Learn++最早提出，是一種用于解決分類問題的神經網絡增量訓練算法，主要針對多分類問題，本專利技術在此基礎上，結合回歸問題的特點，提出了一類適用于軟測量回歸問題的改進Learn++算法權利要求1.基于Learn++的漿紗過程上漿率軟測量，其特征在于使用Learn++方法將多個ELM神經網絡軟測量模型進行融合，得到高精度的上漿率軟測量建模方法。2.權利要求I所述的基于Learn++的漿紗過程上漿率軟測量，其特征還在于建立基本軟測量模型所使用的輸入參數為影響上漿率的主要因素，共11個，這些主要因素是通過對漿紗工藝過程的機理分析得到的。3.權利要求I所述的基于Learn++的漿紗過程上漿率軟測量，其特征還在于改進后的Learn++算法能夠提高單一學習機的性能，進而提高軟測量的精度。4.權利要求I所述的基于Learn++的漿紗過程上漿率軟測量，其特征還在于改進后的Learn++算法還可以克服現(xiàn)有軟測量學習方法中容易遺忘已學信息和由于重復使用原始訓練數據造成時間和資源浪費的缺點，并具有增量學習能力。全文摘要本專利技術是一種基于Learn++的漿紗過程中漿紗機上漿率的軟測量方法，通過對漿紗過程的機理分析，得到影響上漿率的主要因素。并將這些因素作為輸入，上漿率作為輸出，提出了一種基于Learn++的軟測量建模新方法。Learn++算法保留了常用集成算法能夠提高單一學習機性能的特點，此外還可以克服現(xiàn)有軟測量學習方法中容易遺忘已學信息和由于重復使用原始訓練數據造成時間和資源浪費的缺點，具有增量學習的能力。在建模過程中由于ELM與傳統(tǒng)的神經網絡算法相比具有學習速度快、簡單易行，可以克服傳統(tǒng)梯度算法常有的局部極小、過擬合和學習率選擇不合適等問題，擁有更好的泛化能力等特點，將其選擇作為基本弱學習機。該方法能夠有效地提高軟測量預測精度，并實現(xiàn)在線實時測量，為確保漿紗質量、節(jié)約能源、降低成本提供有效途徑。文檔編號G01N33/00GK102944653SQ201210531878公開日2013年2月27日 申請日期2012年12月10日 優(yōu)先權日2012年12月10日專利技術者田慧欣 申請人:天津工業(yè)大學本文檔來自技高網...

【技術保護點】
基于Learn++的漿紗過程上漿率軟測量，其特征在于：使用Learn++方法將多個ELM神經網絡軟測量模型進行融合，得到高精度的上漿率軟測量建模方法。

【技術特征摘要】

【專利技術屬性】
技術研發(fā)人員：田慧欣，
申請(專利權)人：天津工業(yè)大學，
類型：發(fā)明
國別省市：