一种湿布热定型过程实时温度估算方法与流程

本发明涉及印染热热定型领域，特别是涉及一种湿布热定型过程实时温度估算方法
背景技术：
：所谓热定型，是将织物在张力下置于高温环境中(如180～200℃)，并保持一定的尺寸或形态，热处理一段时间后，然后迅速冷却降温的过程。在这一过程中，由于合成纤维具有良好热塑性，当处于温度较高的环境中时，大分子链段间的重排使得纤维微结构和形态发生很大变化，使改变了的纤维微结构被固定下来，因此热定型最主要的作用就是赋予了织物相对稳定的尺寸和形态由于合成纤维及其混纺织物在纺织染整加工过程中，有多次受到干、湿热处理的历史，且织物在运行过程中要受到各种张力的拉伸作用，因而其外形、尺寸始终处于多变复杂的状态，如经、纬向长度变化(收缩或伸长)，布面折皱、手感粗糙等，使得产品在外部形态及结构尺寸上有所变化，有的甚至失去了织物所应具备的形态、外观和风格，严重影响了服用性能。通过热定型能很好的改善这一情况。拉幅热定型机是对织物织物定型的最主要设备，通过定型机定型可以使得纤维结构进行重塑，织物的手感、滑移、颜色、幅宽、强力、外观等得到改善，进而达到织物所要求的服用性能。其中，拉幅热定型机的对热定型工艺中要求最高的因素是定型温度和时间，而在实际的生产中织物的温度很难实时测量，因此需要提出一种织物实时温度估算的方法。专利一种干布热定型过程织物实时温度的估算方法(申请号201610910769.6)公布了一种估算方法，该方法能在一定范围内预测热定型的织物温度，但是在该方法中，对于模型中的参数识别困难，需要进行试验，试验结果需要专业人员进行分析，对一般印染企业的操作员和工程师而言难度太大，难以推广利用。本发明针对上述问题，提出了一种基于机器学习的织物实时温度的估算方法，利用在印染企业现有生产的基础上，通过采集数据，形成关键数据库，能够在定型机出厂时配置软件包，利用机器学习的方法，在织物开展热定型时，仅需输入织物的自身参数，便可以预测织物加工过程中的实时温度。技术实现要素：本发明主要解决的技术问题是提供一种湿布热定型过程实时温度估算方法，能够有效的预测织物在热定型加工过程中实时温度的情况，为开展定型机控制的优化提供了基础。为解决上述技术问题，本发明采用的一个技术方案是：一种湿布热定型实时温度估算方法，包括：1)确定热定型过程建模的输入输出变量确立对定型过程有重大影响的变量，分别为：定型烘箱温度，定型时间，定型织物的克重以及织物含水率；2)建立一套热定型温度实时监控装置热定型温度实时监控装置，主要部件包括：恒温烘箱、电子电平、数据采集仪、测温用k型热电偶；监控流程如下：第一步，获取待检测干燥织物克重；选择需要实验的的织物，并将待检测织物按指定尺寸裁切，并有电子电平进行称重，得到干燥织物的克重；第二步，进行浸液处理；即将织物放置在液体内，待织物完全浸润，浸液均匀后取出，再除去多余水分，采取物理挤压或者加热去除水分，加热去除水分必须回复到室温再进行称量，再利用电子电平测量后，达到合适含水率后，准备热定型，这里检测到潮湿织物的重量，并计算出织物的含水率；第三步，热定型；将一定含水率的织物，固定好热电偶测温传感器，快速放入到恒温烘箱，开始热定型，待定型过程完成后取出织物，期间，计算机通过热电偶数据采集模型采集烘箱和织物的实时温度，采样时间间隔为500ms；3)数据预处理实时采集的数据存在噪声、数据长度不一致情况，在预处理过程中，剔除连续数据中突变的个别数据，用相邻两值的平均值加以替代；数据长度统一按最长的数据长度为参考，确定数据长度，再对数据进行归一化处理，所谓归一化，就是将数据映射到[0,1]或[-1,1]区间；4)建立热定型过程织物温度预测的神经网络模型a.确定神经网络的输入输出以及网络结构；其中，输入层包含四个节点，对应：烘箱温度，定型时间，定型织物的克重和含水率，输出层包含一个节点为织物的温度，中间隐含层分别为12,12,6；b.确定损失函数选用均方误差mse作为损失函数，c.激活函数选取激活函数为tanh和log两种激活函数，其中从输入层到隐含层以及隐含层到隐含层选用tanh，隐含层到输出层选用log；5)优化所建立的神经网络的模型a.改进学习效率为改善普通神经网络训练学习效率低，速度慢的不足，采用自适应时刻估计方法，调整公式为:mt＝β1*mt-1+(1-β1)*gt(2)mt和vt是梯度的加权平均值和加权平方误差，最初是0向量，当衰减因子β1和β2接近1时，mt和vt趋向于0向量，所以mt和vt偏差校正:最终表示式为:使用的参数,α＝0.001,β1＝0.92,β2＝0.999and∈＝1×10-8；b.交叉验证第一步，将样本分成3个独立的部分，即：训练样本、验证样本和测试样本，其中训练样本用来训练网络，验证样本用来确定网络结构和网络参数，而测试样本则检验最终训练好的网络的性能；第二步，分离后假定有l个样本，将l个样本打乱，然后均匀分成k份，轮流选择其中k‐1份进行训练，剩余的一份做验证，共有k种取法，对于每一轮训练，当验证数据误差总和最小或者迭代次数达到设定值时停止训练；6)训练和测试预测模型。本发明的有益效果是：能够不依赖于人员的复杂计算，通过本发明直接得出织物的温度输出，降低了对操作人员的有求，同时织物的温度输出为开展节能降耗，提升产品定型质量奠定了模型基础。附图说明图1是本发明一种总体实现方法流程图。图2是热定型温度实时监控装置示意图。图3是热定型过程织物温度预测的神经网络结构示意图。图4是神经网络预测模型预测输出和实际数据对比图。图5是测试样本预测回归分析图。具体实施方式下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。其中图1展示了本发明的总体方法。具体而言，按上述流程图实现过程如下：1、确定热定型过程建模的输入输出变量通过查阅文献和在定型机车间的长期实际，确立如下变量对定型过程有重大影响，分别为：定型烘箱温度，定型时间，定型织物的克重以及织物含水率。2、建立建立一套热定型温度实时监控装置为了了解在热定型过程中，上述参数织物热定型过程实时温度的影响，本发明建立了一套热定型温度实时监控装置，主要部件包括：恒温烘箱、电子电平、数据采集仪、测温用k型热电偶。热定型温度实时监控装置如图2所示：第一步，获取待检测干燥织物克重。选择需要实验的的织物，并将待检测织物按指定尺寸裁切，并有电子电平进行称重，得到干燥织物的克重；第二步，进行浸液处理。即将织物放置在液体(水)内，待织物完全浸润，浸液均匀后取出，再除去多余水分，采取物理挤压或者加热去除水分，加热去除水分必须回复到室温再进行称量，再利用电子电平测量后，达到合适含水率后，准备热定型。这里检测到潮湿织物的重量，并计算出织物的含水率第三部，热定型。将一定含水率的织物，固定好热电偶测温传感器，快速放入到恒温烘箱，开始热定型，待定型过程完成后取出织物。期间，计算机通过热电偶数据采集模型采集烘箱和织物的实时温度，采样时间间隔为500ms。3、数据预处理实时采集的数据存在噪声、数据长度不一致等情况。在预处理过程中，剔除连续数据中突变的个别数据，用相邻两值的平均值加以替代；数据长度统一按最长的数据长度为参考，确定数据长度。在本发明中，按照热定型需索最长时间的数据为参考，待该热定型完全稳定确立数据长度，其他数据的长度进行截断，在本发明中，每组温度数据长度选为450条；将数据按以下格式进行整理：表一：数据格式表序号干布克重含水率时间烘箱温度织物温度为保证预测的可靠性，上述实验过程所获取的数量需要达到一定数量，为此，本发明在实施的过程中，通过大量时间的积累，对不同织物，不同工况的热定型过程进行了数据采集，初始数据包含20种织物，每种选取25种定型条件，总共500批次数据，每种数据选取450条表一所示数据。再对数据进行归一化处理，所谓归一化，就是将数据映射到[0,1]或[-1,1]区间或更小的区间。由于原始输入数据的单位不一样，有些数据的范围可能特别大，导致的结果是神经网络收敛慢、训练时间长；数据范围大的输入在模式分类中的作用可能会偏大，而数据范围小的输入作用就可能会偏小；由于神经网络输出层的激活函数的值域是有限制的，因此需要将网络训练的目标数据映射到激活函数的值域。所以训练数据的输出就要归一化到[0,1]区间。4、建立热定型过程织物温度预测的神经网络模型为了预测织物的温度输出，本发明利用神经网络进行预测。神经网络总体采用bp神经网络结构，并在此基础上进行改进。因此需要确定以下要素，即：数据网络层次结构、损失函数、激励函数。1)确定神经网络的输入输出以及网络结构本发明建立了如图3所示的神经网络结构：其中，输入层包含四个节点，对应：烘箱温度，定型时间，定型织物的克重和含水率，输出层包含一个节点为织物的温度。中间隐含层分别为12,12,6。2)确定损失函数该损失函数是指示真实的数据标签和预测值之间关系的函数，此类评价函数很多，依据实际情况，本文选用了mse(均方误差)作为损失函数，可以较好的评价数据的变化程度。3)激活函数本发明结合实际情况，考虑不同激活函数的优缺点，最终选取激活函数为tanh和log两种激活函数。其中从输入层到隐含层以及隐含层到隐含层选用tanh，隐含层到输出层选用log。5、优化所建立的神经网络的模型；本发明针对湿布热定型过程实时温度估算，改进了普通bp神经网络，主要改进有两点，即：采用自适应时刻估计方法改进神经网络学习效率；交叉验证提高模型泛化能力。1)改进学习效率为改善普通神经网络训练学习效率低，速度慢的不足，本文采用自适应时刻估计方法，调整公式为:mt＝β1*mt-1+(1-β1)*gt(2)mt和vt是梯度的加权平均值和加权平方误差，最初是0向量。当衰减因子β1和β2接近1时，mt和vt趋向于0向量。所以mt和vt偏差校正:最终表示式为:本文使用的参数,α＝0.001,β1＝0.92,β2＝0.999and∈＝1×10-8.2)交叉验证为提高网络模型对非训练样本的泛化能力，即模型能够有效逼近样本所蕴含的内在规律，而不是仅仅是模型对训练样本的拟合能力。在训练网络的过程中，在考虑训练样本的误差的同时，还需关注了模型对非训练样本的误差。bp神经网络的训练过程是随机选取训练样本输入到网络中，训练样本的输入顺序会对网络的训练产生影响，训练出的网络随机性大，网络不够稳定。本发明采用k折交叉验证法来加强模型的泛化能力。验证过程如下：1)将样本分成3个独立的部分，即：训练样本、验证样本和测试样本。其中训练样本用来训练网络，验证样本用来确定网络结构和网络参数，而测试样本则检验最终训练好的网络的性能。2)分离后假定有l个样本，将l个样本打乱，然后均匀分成k份，轮流选择其中k‐1份进行训练，剩余的一份做验证，共有k种取法。对于每一轮训练，当验证数据误差总和最小或者迭代次数达到设定值时停止训练。6、训练和测试预测模型；为验证前文提出的神经网络预测模型的精度，选取涤纶、人造棉、涤氨混纺等二十余种织物进行热定型实验。其中，18种织物每种选出40组数据，选其中的20组作为训练集样本，剩下的20组作为测试集样本，训练次数200次。预测的结果如图4和图5所示，图4是预测输出和实际数据对比图，图5是测试样本预测回归分析图。图4，图5中，用点状表示的是采用交叉验证的神经网络的预测结果(预测值)，用星形表示传统神经网络的预测结果(预测值2)，将结果指标进行归一化后的如表1所示：表1预测效果对比由图表可知，两种方式都能预测出织物的温度的变化趋势，采用传统神经网络的模型误差相对较大，在恒温干燥段的末端以及最终稳定温度存在一定的偏差，而采用交叉验证的预测值能更好的逼近实际值，模型更准确。以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的
技术领域：
，均同理包括在本发明的专利保护范围内。当前第1页12