论文部分内容阅读
浆纱过程提升了经纱的织造性能,改善了织物的风格和手感。上浆率是检验浆纱过程质量好坏的重要指标之一,如果上浆率过小,则会出现欠浆以及强度下降等情况,导致纱线断头增加,影响浆纱质量。反之,上浆率过大会影响浆纱的弹性,还会造成浆液及能源的浪费。为了实时在线检测上浆率,本文从以下几个方面进行了研究。对上浆过程进行机理分析,得出影响上浆率的主要因素。目前,纺织厂常用的是双浸双压式上浆方法,通过分析此过程中纱线的特性、上浆装置、浆液性质以及烘燥装置得出影响上浆率的八个主要因素:纱线张力、纱线覆盖系数、压辊压力、纱机速度、浆液浓度、浆液粘度、浆液温度和烘燥温度。建立基于ELM极限学习机和基于AdaBoost.RT集成算法的上浆率软测量模型。其中,软测量模型的辅助变量为影响上浆率的八个因素,主导变量为上浆率。通过仿真实验可以看出,基于ELM的软测量模型的预测曲线与上浆率真实数值曲线基本拟合,但存在少数误差较大的点。基于AdaBoost.RT的软测量模型的预测曲线拟合度比ELM模型拟合度稍高,误差较大的点的个数要少。但两种模型均无法实现对上浆率的在线测量,测量精度也打不到实际生产要求。以ELM算法为子学习机,提出ILMELM集成算法用于实现对上浆率的在线测量。该算法分为两部分集成,小集成引入误差判断系数,筛选出符合精度要求的ELM子学习机用于集成子模型,而大集成则基于增量学习的思想,当新数据进入模型并形成新的子模型后,无需重新学习旧数据,直接将新旧模型进行集成,完成对模型的更新。实验证明ILMELM上浆率模型使用数据集中任意一组数据作为测试都有较高的精度,泛化性能较好,而且能够实现模型的在线更新。为了提升上浆率软测量模型的抗噪性能和实现上浆率的在线测量,提出了基于动态数据的在线增量算法。该算法分为冗余数据筛选、噪声数据筛选以及软测量建模三个部分。冗余数据筛选使用增量学习方式,对于已经训练好的数据不再进行学习,提高了学习的效率。噪声数据筛选使用改进式山峰算法完成对噪声数据的剔除,提高算法精度。软测量建模可以选择任意单一或者集成算法完成模型的建立,适用范围广泛。实验证明,基于动态数据的在线增量软测量模型的均方根误差与最大绝对误差值较小,精度较高,运行速度快,有一定的抗噪性能,能够实现上浆率的在线测量。