专利名称：一种基于Bagging的浆纱过程上浆率软测量方法
技术领域：
上浆率是浆纱质量好坏的重要指标之一。上浆率过大或过小都将严重影响浆纱的质量，给织造生产带来不便，甚至造成大量的原料浪费。为了保证浆纱质量，首先需要对上浆率进行检测，进而控制其达到规定指标。目前，国内外现存的对上浆率进行检测的方法都存在一定的缺陷时间上的滞后性、应用范围上的局限性、检测结果的不稳定性等，不能很好的实现对上浆率的在线检测。因此，对上浆率的实时检测进行研究是保证浆纱质量的前提，也具有很大的理论价值和实用价值。本发明通过对浆纱机理的深入调研，从离线建模的角度出发提出了上浆率在线检测的软测量建模方法。通过对浆纱过程的机理分析，得到影响上浆率的主要因素。并将这些因素作为输入，上浆率作为输出，使用SVR建立基本软测量模型。在此基础上，提供一种通过Bagging将多个不同参数的SVR基本模型进行融合的软测量建模方法。该方法能够有效地提高软测量预测精度，并实现在线实时测量，为确保浆纱质量、节约能源、降低成本提供有效途径。
背景技术：
目前实际生产中对上浆率的检测大都采用退浆法，这种方法通过对上浆后的纱线进行退浆、烘干并称重的方式得到上浆率，整个过程需要4-6个小时，在这期间对浆液浓度无法实现即时准确的控制，这种时间上的大滞后必然影响到纱线产品质量的保障，因此在实际生产过程中，产生大量次品的情况时有发生，对后续产品质量的保证以及能源的节约和成本的降低都带来了许多困难。因此，能够实时精确预测纺织工业过程关键参数的软测量方法是众多纺织企业所迫切需要开发的技术。
发明内容
本发明所要解决的技术问题是，通过对浆纱工艺流程进行深入机理分析得到影响上浆率的主要因素，在此基础上建立SVR软测量模型，通过Bagging将多个不同参数的SVR软测量模型融合在一起，有效提高软测量精度。本发明采用的技术方案是1.影响上浆率的主要因素。将纱线和浆液视为一个整体，则在此过程中浆液的总质量是不变的，在此基础上分析浆槽中浆液浓度的变换以及纱线上浆液的变化。将整个浆纱过程分为四个部分浸浆前、浸浆、压浆和烘浆进行分析。浆料的浸透率、被覆率和浆纱回潮率是影响上浆率的主要因素。其中，浆料的浸透率和被覆率又受浆液浓度、浆液粘度、浆液温度、压浆辊压力(两种)、浸没辊位置、浆纱机速度、纱线覆盖系数和纱线张力的影响；浆纱回潮率又受烘燥温度和浆纱机速度的影响；而随着浆纱时间的增加，浆液浓度、浆液粘度、浆液温度也会发生变化。综上可以得出影响上浆率的11个主要因素浆液浓度浆液是由浆料和溶剂混合加热制成的，它从一定程度上反映了浆液所含浆料的多少，当其它因素不变时，浆液浓度直接影响上浆率的大小。浆液粘度粘度是表示流体流动时其内部摩擦阻力的物理量，粘度的大小将直接影响浆料的浸透率和被覆率，从而影响上浆率。浆液温度浆液温度对上浆率的影响主要表现在对浆液粘度的影响上，浆液粘度随浆液温度的增大而减小。第一道压浆辊的压力当压浆辊的压力增大或者减小时会对纱线的浆料浸透率和 被覆率产生影响(具体详见第二章)，从而影响上浆率。第二道压浆辊的压力同(4)。浸没辊的位置浸没辊位置的高低将会影响纱线在浆液中的浸泡时间，从而影响纱线的浆料浸透率与被覆率，最终影响上浆率。在实际的上浆过程中，浸没辊的位置在理论上是不变的。浆纱机速度和浸没辊的位置一样，当浆纱机的速度增大或者减小时都将影响纱线在浆液中的浸泡时间，从而影响纱线的浆料浸透率与被覆率，最终影响上浆率。纱线覆盖系数纱线覆盖的稀疏会影响纱线与浆液的接触面积，因此，在上浆过程中会影响纱线的浆料浸透率和被覆率，从而影响纱线的上浆率。纱线张力纱线的张力是通过影响纱线的被拉伸程度来影响纱线的浆料浸透率和被覆率的，最终影响纱线的上浆率。烘燥温度烘燥温度是指烘筒内的温度，它主要影响浆纱的回潮率，从而影响浆纱的上浆率和浆纱的性能。2.基本SVR软测量模型的建立。将上述11个主要因素作为支持向量回归SVR的输入，上浆率作为输出。分别使用Gauss、Sigmoid、RBF三种核函数,二次损失函数、Huber损失函数、线性不敏感损失函数三种损失函数来建立SVR模型，其中主要参数惩罚系数C和不敏感系数P随机选择。3.使用Bagging将基本SVR模型进行融合，得到高精度的上浆率软测量模型。基于Bagging的多模型建模方法的主要思想是将多模型和并联混合模型的思想运用到Bagging集成建模中，即将多个使用不同核函数、损失函数及不同参数的SVR模型一起作为Bagging的子学习机，根据不同参数SVR模型的特点将多个SVR模型进行融合，使其优势得到互补，不足得到克服，进而获得最优的软测量结果。首先将训练数据以Booststrap采样的方式分成若干个子训练数据集，再利用这些子训练数据集分别对子学习机进行训练。然后将这些训练好了的子学习机通过一定的方式集成起来，得到最终的上浆率在线软测量模型。附
图1为基于Bagging多模型建模方法的上浆率在软测量模型结构图，其中作为子学习机的的SVM模型为N个。这样，在对原始训练数据集进行Booststrap采样时，则需要生成N个子训练数据集，用来对上述N个子学习机进行训练。最后将这N个子学习融合成起来，便可以得到混合预测模型。附图2为基于Bagging的多SVR融合上浆率软测量建模方法的流程图，具体步骤为(I)确定训练数据集SVR模型数据集C =对每个(Xi，yi)都有η个输入和I个输出，即X e Rn，y e R。
(2)确定作为子学习机的SVR模型个数N。(3)用Bootstrap方法从源数据集C中抽取样本En，每个子数据集的大小为原数据集的75%，这样的子数据集共取N个，即n = 1，…，N。(4)对每个En进行数据归一化处理，得到新的数据集E' n。(5)用E' 训练对应的子学习机。(6)用投票法对训练结果进行集成，得到最终的结果。该方法可以将多种模型作为子学习机，在初始化阶段根据模型对训练数据学习的差别确定每个模型作为子学习机的个数，同时，在训练子学习机之前，分别对子训练集进行数据归一化，而不是对整个数据集进行归一化，从而保证了数据集的多样性，也从一定程度上保证了学习机的精度。 取天津纺织工程研究院有限公司提供的460组数据，随机选取400组用来训练模型，60组数据检验模型。Bagging多模型中参数N = 8，即作为子学习机的SVR模型为8个。将得到的软测量模型与单纯使用SVR得到的软测量模型进行比较，结果如表I所示表I不同软测量模型的性能指标比较
权利要求
1.基于Bagging的衆纱过程上衆率软测量方法,其特征在于使用Bagging方法将多个SVR软测量模型进行融合，得到高精度的上浆率软测量建模方法。
2.权利要求1所述的基于Bagging的浆纱过程上浆率软测量方法，其特征还在于建立基本SVR软测量模型所使用的输入参数为影响上浆率的主要因素，共11个，这些主要因素是通过对浆纱工艺过程的机理分析得到的。
3.权利要求1所述的基于Bagging的浆纱过程上浆率软测量方法，其特征还在于SVR软测量基本模型所使用的核函数等参数是在一定范围内随机生成的，能够在确保多样性的同时保障软测量精度。
4.权利要求1所述的基于Bagging的浆纱过程上浆率软测量方法，其特征还在于使用Bagging将多个SVR软测量基本模型集成融合到一起,建立基于Bagging的衆纱过程上浆率软测量模型；其过程为首先将训练数据以Booststrap采样的方式分成若干个子训练数据集，再利用这些子训练数据集分别对子学习机进行训练。然后将这些训练好了的子学习机通过一定的方式集成起来，得到最终的上浆率在线软测量模型。
全文摘要
本发明是一种基于Bagging的浆纱过程中浆纱机上浆率的在线软测量方法，通过对浆纱过程的机理分析，得到影响上浆率的主要因素。并将这些因素作为输入，上浆率作为输出，使用SVR建立基本软测量模型。在此基础上，提供一种通过Bagging将多个不同参数的SVR基本模型进行融合的软测量建模方法。该方法能够有效地提高软测量预测精度，并实现在线实时测量，为确保浆纱质量、节约能源、降低成本提供有效途径。
文档编号G01N33/36GK103018426SQ201210487219
公开日2013年4月3日 申请日期2012年11月26日 优先权日2012年11月26日
发明者田慧欣 申请人:天津工业大学