基于KPCA―LSSVM的两阶段纺纱质量的预测模型.docVIP

基于KPCA―LSSVM的两阶段纺纱质量的预测模型 　　摘要：纺纱是复杂的多环节生产过程，纺纱产品的质量等级评价大多需要依赖领域专家的个人经验，有必要从定量分析的视角建立纱线质量预测模型。选取原棉的含水、含杂、主体长度、主上长度、均匀度、短绒率、成熟度、公制支数、强力、疵点总数10个影响因素作为纱线质量等级预测的评价指标，第一阶段对影响因素进行相关分析，用KPCA方法提取影响因素的主成分；第二阶段用LSSVM算法进行训练及预测，建立了基于KPCA-LSSVM的两阶段纺纱质量预测模型。通过对实测18组纺纱数据作为训练样本数据集对模型进行训练，13组数据作为该预测模型的测试数据，进行纺纱质量预测，并且与其他预测模型进行对比。结果表明：利用核主成分分析法对因素进行筛选，消除因素相关性，使得该组合算法具有较高的预测精度 Abstract： Yarn production is a complex industrail process， and its quality grade evaluation is mostly depended on the domain expert′s experience. So it is necessary to make the model of yarn quality prediction model from the perspective of quantitative analysis. Ten influencing factors（including body length， Lord length and uniformity etc.） of cotton are put forward. In the first phase， the above influencing factors has been analyzed by using correlation analysis and screened by using KPCA theory. In the second stage， LSSVM prediction model of yarn quality is built. Eighteen groups of data are taken as training data. Additional thirteen groups are used as test data to verify it and compare with the other prediction method. The results show that KPCA may reduce the correlation among the factors， and efficiency and precision of LSSVM prediction model are raised. The combination algorithm has higher prediction accuracy. 关键词：纺纱质量；预测模型；KPCA；LSSVM Key words： yarn quality；prediction mode；KPCA；LSSVM 中图分类号：TS104.2 文献标识码：A 文章编号：1006-4311（2015）31-0149-04 0 引言 纱线的生产工艺极其复杂，环节多、机台多、耗费大量的原料和工时。其中包括化学过程和物理过程。所以影响纱线最终质量的因素有很多，除了技术装备水平影响纱线质量之外，原棉的各项品质指标和纺纱工艺参数与纱线质量密切相关，然而纱线质量与工艺参数之间的因果关系是非线性的，以往建立的数学模型、物理模型都凭借技术人员或者专家的经验，约束条件多，不具备灵活的应用性，产品质量的波动性比较大。因此，针对更符合现实纺纱过程的纺纱质量预测的研究是纺织工业中值得重视的研究领域，有着非常重要的现实意义 目前，国内外已经有很多作者对纺纱质量的评价与预测进行研究[1-3]，例如，Selvanayaki等[4]应用SVM算法预测纱线的强，Mokhtar等[5]证明出纱线质量与因素具有非线性关系。针对纱线质量的预测大多数学者采用神经网络方法进行研究[6-8]，神经网络算法的思想是借助大量样本训练网络来映射输入和输出关系，网络通过自我学习调节神经元间连接权的权重。训练好的网络则能根据提供的原棉的相关因素预测出对应的成纱质量。学者们的研究都有自己独特的优势，在某一视角取得了好的效果，促进了纺纱研究领域向前发展，但以往的研究也存在不足，例如神经网络需要大量的数据样本，并且存在收敛慢、过学习等现象，SVM算法过分关注如何选取核参数及惩罚参数