[发明专利]基于烟花算法改进BP神经网络的纺纱质量预测方法

说明书

本发明公开了一种基于烟花算法改进BP神经网络的纺纱质量预测方法，将烟花算法引入到BP神经网络中，利用烟花算法的寻优机理对BP神经网络模型的网络权重和阈值进行优化，选取输入输出指标，构建了基于FWA‑BP的纺纱质量预测模型，利用经过标准化处理的数据集对步骤2中建立的基于FWA‑BP的纺纱质量预测模型进行学习和训练，最终完成对纺纱质量的预测。本发明解决了因纺纱系统中影响纱线质量因素众多且相互之间耦合而导致的纺纱质量难以精准预测的问题，并且能够有效地建立纤维指标与成纱质量间的函数映射关系，实现对纺纱生产中的纱线质量的预测，有利于提高纺纱车间质量管理的水平。

技术领域

本发明属于纺纱质量预测与控制技术领域，涉及一种基于烟花算法改进BP神经网络的纺纱质量预测方法。

背景技术

纺纱系统处在高温、高湿以及高电磁等多种因素相互交错的复杂环境中，各因素之间存在相互影响的耦合作用关系，加之纺纱生产加工工艺流程复杂且原材料频繁经历物理化学的改性过程，使得纺织生产过程中的质量预测与传统的纯机械加工的质量预测相比更加具有挑战性。特别地，纤维属性指标呈几何状增长，目前已达到300多个，而且纺纱系统中影响因素纱线质量因素众多且相互之间存在耦合关系，加之纤维属性与纱线质量特征值之间成非线性相关关系，使得在小样本数据训练下利用神经网络建立纺纱质量预测模型的预测结果，难以满足纺纱车间生产管理的实际要求。

随着纺纱生产信息化程度的提高，纺织生产过程中积累了大量的原料、工艺、设备等纱线质量数据，这使得大样本数据环境下建立基于神经网络的纺纱质量预测模型成为可能。但是，在大量训练样本数据环境下，随着神经网络预测模型中输入神经元个数和训练样本数据量大幅度增加，神经网络模型收敛速度慢且易陷入局部最优的问题进一步凸显，在很大程度上制约着纺纱质量预测的精度。

发明内容

本发明的目的是提供一种基于烟花算法改进BP神经网络的纺纱质量预测方法，解决了现有神经网络模型存在的在训练过程中预测精度低且迭代次数高的的问题。

本发明基于烟花算法改进BP神经网络的纺纱质量预测方法，具体按照以下步骤实施：

步骤1，利用烟花算法的寻优机理对BP神经网络模型的网络权重和阈值进行优化，建立一种基于烟花算法优化的FWA-BP神经网络模型；

步骤2，在步骤1的FWA-BP神经网络模型的基础之上，选取输入输出指标，构建基于FWA-BP的纺纱质量预测模型；

步骤3，利用经过标准化处理的数据集对步骤2中建立的基于FWA-BP的纺纱质量预测模型进行学习和训练，最终完成对纺纱质量的预测；

步骤2中构建基于FWA-BP的纺纱质量预测模型的具体步骤为：

步骤2.1，输入输出指标的选择：选取纺纱生产加工过程中与纱线质量相关的原料、工艺数据作为输入变量，选取纱线的CV值为输出指标，则整个基于FWA-BP的纱线质量预测模型的输入输出为：

输入量为：x1＝棉条含杂率，x2＝粗纱捻系数，x3＝回潮率，x4＝纤维直径，x5＝纤维长度，x6＝直径离散系数，x7＝纤维质量不匀率，x8＝纤维牵伸倍数，x9＝细纱钢丝圈号，x10＝罗拉转速；输出量为：Y＝纱线CV值；

步骤2.2，根据步骤2.1得到的输入输出数据建立模型的数据集，并使用Min-Max方法对数据集中的数据进行标准化处理；

步骤2.3，确定网络结构的策略，根据步骤2.1中选取的输入、输出指标，确定输入、输出及隐含层的层数，FWA-BP纺纱质量预测模型的输入层的节点数m＝10，输出层节点数n＝1，其中隐层神经元的个数通过下式确定

计算得到s＝6；