一种拉幅热定型机干布热定型实时温度估算方法与流程

本发明涉及印染热定型机领域，特别是涉及一种拉幅热定型机干布热定型实时温度估算方法。

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。

申请号为cn201610910769.6的发明专利公开了一种干布热定型过程织物实时温度的估算方法，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：

为了弥补现有技术的不足，本发明提供一种拉幅热定型机干布热定型实时温度估算方法技术方案。

所述的一种拉幅热定型机干布热定型实时温度估算方法，其特征在于，包括以下步骤：

1）对不同工况、不同织物的热定型过程进行数据采集并进行预处理，将采集的数据导入训练集，其中，数据包括定型机烘箱温度、定型时间、定型织物的厚度、定型植物的克重、织物的温度；

2）对训练集中的数据进行分离训练数据、标签，对数据进行归一化处理，最后选取不同特征值进行训练；

3）建立神经网络模型；

4）确定神经网络训练算法，设置训练参数；

5）训练神经网络模型；

6）随机选取一种或多种织物的实际数据与模型预测输出数据做对比，评估模型是否合理，若合理，保存模型和数据，若不合理，返回步骤3）重新建立神经网络模型。

所述的一种拉幅热定型机干布热定型实时温度估算方法，其特征在于所述步骤3）中，建立神经网络模型包括以下步骤：

a、建立神经网络模型，确定该神经网络模型的输入包括定型机烘箱温度、定型时间、定型织物的厚度、定型织物的克重，该神经网络结构的输出为织物的温度；

b、选用mse作为损失函数；

c、选取tanh和log两种激活函数；

d、设置学习率为依据经验。

所述的一种拉幅热定型机干布热定型实时温度估算方法，其特征在于在所述步骤4）中，设置神经网络训练算法为

其中,,,and。

本发明的有益效果是：本发明能够不依赖于专业人员复杂的分析、计算，直接得出织物的温度输出，降低了对操作人员的要求，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为本发明流程图；

图2为本发明中的训练集处理方法流程图；

图3为本发明中所采用的神经网络拓扑结构示意图；

图4为本发明数据训练曲线图；

图5为本发明预测输出和实际数据对比图。

具体实施方式

下面结合附图对本发明作进一步说明。

如图1所示，一种拉幅热定型机干布热定型实时温度估算方法，包括以下步骤：

1）对不同工况、不同织物的热定型过程进行数据采集并进行预处理，将采集的数据导入训练集，其中，数据包括定型机烘箱温度、定型时间、定型织物的厚度、定型植物的克重；

2）对训练集中的数据进行分离训练数据、标签，对数据进行归一化处理，最后选取不同特征值进行训练；

3）建立神经网络模型，包括以下步骤：

a、建立神经网络模型，确定该神经网络模型的输入包括定型机烘箱温度、定型时间、定型织物的厚度、定型织物的克重，该神经网络结构的输出为织物的温度；

b、选用mse作为损失函数；

c、选取tanh和log两种激活函数；

d、设置学习率为依据经验；

4）确定神经网络训练算法，设置训练参数，设置神经网络训练算法为

其中,,,and；

5）训练神经网络模型；

6）随机选取一种或多种织物的实际数据与模型预测输出数据做对比，评估模型是否合理，若合理，保存模型和数据，若不合理，返回步骤3）重新建立神经网络模型。

在步骤1）中，神经网络的预测需要依赖于大量的数据，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，其中，数据包括定型机烘箱温度、定型时间、定型织物的厚度、定型植物的克重以及织物的温度。为了模型的准确，初始数据的组数有300组，采集数据后进行预处理，得到12000组温度对应数据。

如图2所示，在步骤2）中，对这些训练集中的数据分离训练数据、标签，对上述数据进行归一化处理，最后选取不同特征值进行训练。

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。

在步骤3）中，为了预测织物的温度输出，本发明引入了如图3所示的一种神经网络结构，对于本发明而言，神经网络的输入为4个因素，分别为：定型机烘箱温度，定型时间，定型织物的厚度以及定型织物的克重，输出为织物的温度。

在步骤b中，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，本发明选用了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。

在步骤c中，在神经网络中，激活函数的作用是能够给神经网络加入一些非线性因素，使得神经网络可以更好地解决较为复杂的问题。关于激活函数的选取，并没有固定的方式。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。

在步骤d中，学习率影响着网络收敛的速度，以及网络能否收敛。学习率设置偏小可以保证网络收敛，但是收敛较慢。相反，学习率设置偏大则有可能使网络训练不收敛，影响识别效果。本发明的学习率设置是依据经验。

在步骤4）中，普通的神经网络，一般利用梯度下降的最小方差学习法，逆转误差，不断调整网络神经元之间的连接权重，最终达到最小值。然而，当梯度下降最快的方向减小，误差表面最小点方向偏差较大时，最小点路径会延长，网络学习效率较低，速度较慢。

本发明选择的神经网络训练算法是adam(adaptivemomentestimation)优化算法，为改善上述神经网络训练的不足，本发明为了克服这一不足，调整公式为:

和是梯度的加权平均值和加权平方误差，最初是0向量。当衰减因子接近1时，趋向于0向量。所以和偏差校正:

最终表示式为:

在本发明的实施中,,,and.

在步骤5）中，利用上述所提出的数据网络训练算法，从而使的训练将输出误差通过隐层向输入层逐层反传，从而修改神经网络的权值，使得我们的损失函数不断收敛。

在步骤6）中，神经网络预测需要大量数据的积累，在神经网络实现过程中，数据进行了训练，为了让训练结果可以复用，需要将训练好的神经网络数据持久化，就需要进行模型保存。

以下为步骤6）中评估模型是否合理的一个例子，选取涤纶、人造棉、涤氨混纺等22余种织物进行热定型实验，其中，18种织物每种选出22组数据，选其中的20组作为训练集，剩下的两组作为测试，并将所有的数据进行归一化处理，在经过400次训练后，mse值达到了0.000153,训练曲线如图4所示.

为验证模型的有效性，本发明随机选取了不同工况下一种织物的数据来加以验证，结果如图5所示。

结果表明，预测效果能很好的逼近实际值，预测有效。

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。