張衛(wèi)東，馬創(chuàng)濤

(1.西安工程大學(xué)人事處，西安 710048；2.西安工程大學(xué)管理學(xué)院，西安 710048)

基于實時數(shù)據(jù)的紡紗質(zhì)量異常因素預(yù)測方法

張衛(wèi)東1，馬創(chuàng)濤2

(1.西安工程大學(xué)人事處，西安 710048；2.西安工程大學(xué)管理學(xué)院，西安 710048)

為探究紡紗過程中質(zhì)量波動的規(guī)律，以及引起質(zhì)量波動的因素的產(chǎn)生機(jī)理，首先對紡紗質(zhì)量特征值波動的成因、規(guī)律，以及影響質(zhì)量特征值的各類不確定因素的產(chǎn)生機(jī)理進(jìn)行了分析；利用紡紗過程的實時數(shù)據(jù)，從紡紗質(zhì)量波動規(guī)律表達(dá)、人—機(jī)—環(huán)境脆性模型構(gòu)建，以及TARCH(1,1)模型對影響因素異常行為辨識3個方面對紡紗質(zhì)量特征值波動的內(nèi)在機(jī)理進(jìn)行了建模與設(shè)計，進(jìn)而提出了基于實時數(shù)據(jù)的紡紗質(zhì)量波動預(yù)測方法。通過實驗仿真與對比分析，表明：預(yù)測方法實現(xiàn)了紡紗質(zhì)量特征值波動過程的可視化，做到了影響因素異常行為的事前預(yù)警以及成紗質(zhì)量的實時在線檢測。

波動機(jī)理；紡紗質(zhì)量；異常因素；預(yù)測

紡紗過程工藝路線復(fù)雜、加工時間長、參與工序和涉及指標(biāo)多，使得從市場需求到生產(chǎn)供應(yīng)的全過程中充滿可變因素[1]和不確定因素[2]，特別是紡紗過程中原材料的多變性、加工路線的多環(huán)節(jié)性、工藝參數(shù)的不精確性、工藝知識的不完備性等因素，致使紡紗質(zhì)量充滿不確定性。

在國外，對于紡紗質(zhì)量預(yù)測理論與方法的研究開始于20世紀(jì)70年代初[3]。早期的研究設(shè)計比較簡單，往往是檢驗兩個或三個變量之間的相關(guān)關(guān)系。如Selvanayaki等[4]研究的基于支持向量機(jī)的紗線強(qiáng)力預(yù)測方法，F(xiàn)attahi等[5]提出的一種基于模糊最小二乘回歸的棉紗生產(chǎn)過程控制方法，Mokhtar等[6]提出的織物織造過程不確定性因素的檢驗方法等。隨著理論的發(fā)展和研究的深入，涉及的變量和需要檢驗的關(guān)系越來越多，研究設(shè)計也越來越復(fù)雜[7]。比如Mohamed等[8]利用回歸模型對棉纖維混合屬性進(jìn)行了預(yù)測，Mwasiagi等[9]利用混合算法(Hybrid Algorithms)構(gòu)建了一種改善紗線參數(shù)性能的預(yù)測模型，以及Mardani等[10]利用有限元和多變量對影響紡紗張力的不確定性因素進(jìn)行了分析。到目前為止，國外學(xué)者在這一領(lǐng)域的研究已經(jīng)進(jìn)行了40多年，發(fā)表了大量的學(xué)術(shù)論文，搞清了一些問題，得到了一些結(jié)論，但總是試圖通過獲取完整、正確、及時和具有針對性的工藝參數(shù)、質(zhì)量特征值來保證紡紗過程質(zhì)量預(yù)測的時效性、準(zhǔn)確性和科學(xué)性。

許多中國紡織學(xué)者從不同的角度研究了這些現(xiàn)象[11]，提出了一些質(zhì)量預(yù)測理論與方法，如楊建國等借助統(tǒng)計學(xué)理論而提出的基于支持向量機(jī)的紗線質(zhì)量預(yù)測模型[12]，董奎勇、于偉東利用BP神經(jīng)網(wǎng)絡(luò)而研究的紡紗質(zhì)量預(yù)報模型，呂志軍等利用遺傳算法的搜索尋優(yōu)技術(shù)，對支持向量機(jī)的紗線質(zhì)量預(yù)測模型的參數(shù)進(jìn)行了優(yōu)化[13]，并探討了參數(shù)對支持向量機(jī)模型泛化性能的影響[14]，李蓓智等針對支持向量機(jī)(SVM)在參數(shù)選擇方面的費時問題，充分利用遺傳算法的全局搜索能力，提出了一種基于遺傳算法的SVM參數(shù)選取方法[15]。還有人從理論上分析了質(zhì)量波動的關(guān)鍵因素，探討了相關(guān)的預(yù)測方法與技術(shù)[16-17]，如趙博等通過神經(jīng)網(wǎng)絡(luò)與回歸分析法來預(yù)測紗線質(zhì)量[18]。除此之外，還有人討論了紡紗質(zhì)量的評估和質(zhì)量管理問題[19]。

為了給我國紡織企業(yè)提供深入探究產(chǎn)品質(zhì)量波動規(guī)律，以及預(yù)測產(chǎn)生系統(tǒng)誤差的不確定性因素的理論依據(jù)，選擇紡紗過程質(zhì)量波動預(yù)測方法為切入點，緊密聯(lián)系紡紗過程中產(chǎn)生系統(tǒng)誤差的實際問題。

1 問題的提出

在紡紗過程中，影響質(zhì)量波動的因素有很多，加之因素間相互交織、關(guān)系復(fù)雜，致使因素難以界定，更難用數(shù)學(xué)關(guān)系式進(jìn)行精確表達(dá)，使得影響紡紗過程中斷或異常的原因不能及時判斷，從而引起質(zhì)量特征值波動的因素不能確定，即存在眾多的不確定性因素。文獻(xiàn)[11]提出質(zhì)量與原材料成正相關(guān)，文獻(xiàn)[12]提出質(zhì)量特征值與工藝參數(shù)成正相關(guān)，文獻(xiàn)[13]提出紗線質(zhì)量與膠輥的低硬度呈正相關(guān)關(guān)系，同時文獻(xiàn)[14]提出影響紗線質(zhì)量的主要因素為纖維特性、紗線規(guī)格和紡紗工藝參數(shù)。那么，各類不確定因素對紡紗質(zhì)量究竟有怎樣的影響行為？

2 預(yù)測方法設(shè)計與建模

2.1 紡紗質(zhì)量特征值波動機(jī)理分析

通過文獻(xiàn)回顧[12-15]，紡紗質(zhì)量特征值的波動與原料屬性變量之間存在著非線性關(guān)系，更重要的是與工藝參數(shù)之間存在著非線性的函數(shù)關(guān)系，而且這種關(guān)系更難以用數(shù)學(xué)關(guān)系式進(jìn)行表達(dá)。為深入分析引起紡紗質(zhì)量特征值波動的原因，需進(jìn)一步探究這種非線性關(guān)系，以及關(guān)系之間隱含的引起系統(tǒng)誤差的根本原因。為此，從紡紗質(zhì)量的輸出特征值，以及工藝參數(shù)組合方式入手，構(gòu)建如圖1所示的函數(shù)關(guān)系圖。

圖1 工藝參數(shù)與質(zhì)量輸出特征值之間關(guān)系

以x表示工藝參數(shù)的不同組合，y表示紡紗質(zhì)量的某種輸出特性，則x與y間的函數(shù)關(guān)系如圖1(a)所示。可見，當(dāng)x=x1是，其對應(yīng)的質(zhì)量輸出特性是y1，表示當(dāng)x=x1時，x的波動誤差為Δx1，則相應(yīng)地輸出特征值的波動誤差為Δy1。當(dāng)工藝參數(shù)的組合為x=x2時，x的波動誤差為Δx2，質(zhì)量輸出特性是y2，輸出特征值的波動誤差為Δy2。那么當(dāng)Δx1=Δx2時，由圖1(a)可見：Δy1>Δy2，兩者間并非呈線性關(guān)系。說明：雖然工藝參數(shù)組合在x=x2點上很大程度上降低了質(zhì)量輸出特征值的波動，在一定程度上有效防止了紡紗質(zhì)量的波動，但從圖1(a)還可見，引發(fā)了一個新問題，即質(zhì)量輸出特征值的標(biāo)準(zhǔn)值M也增加了。

為此，通過紡紗工藝參數(shù)的組合方式，從中獲取一個元素k，使元素k與質(zhì)量輸出特征值y之間呈線性關(guān)系。其中，元素k與質(zhì)量輸出特征值的線性關(guān)系如圖1(b)所示，具體的線性關(guān)系表示為：

y=f(k)=ak+b

2.2 質(zhì)量特征值與影響因素間作用機(jī)制研究

根據(jù)人機(jī)系統(tǒng)工程學(xué)理論，從人、設(shè)備、材料、方法、測量和環(huán)境因素入手，將各類不確定因素劃分為六大因素集合，并記為U1、U2、U3、U4、U5、U6，將其構(gòu)成一個不確定因素集U={U1，U2，U3，U4，U5、U6}。當(dāng)然，集合U可根據(jù)因果分析圖法并對其進(jìn)行多次劃分，使其形成多個子層。這樣，通過各因素間的相關(guān)關(guān)系，可構(gòu)建如圖2所示的面向紡紗過程質(zhì)量的人—機(jī)—環(huán)境脆性模型。

圖2 人—機(jī)—環(huán)境脆性模型

依托人機(jī)環(huán)境系統(tǒng)工程學(xué)理論，令si表示加工過程中產(chǎn)生的異常事件，xi表示不確定因素，且i=1,2,…,n，則紡紗質(zhì)量的形成過程Qp表示為：

Qp?P∩M∩E?(s1,s2,s3,…,sm)∩(sm+1,sm+2,sm+3,…,sr) ∩(sr+1,sr+2,sr+3,…,sk)

?(x1,x2,…,xv)∩(xv+1,xv+2,…,xu) ∩(xu+1,xu+2,…,xw)

其中：P為人為影響因素集合，P=(s1,s2,s3,…,sm)表示存在m個與人為因素相關(guān)的異常事件，例如擋車工、維修工等；M為設(shè)備因素集合，M=(sm+1,sm+2,sm+3,…,sr)表示存在r-m+1個與設(shè)備相關(guān)的影響因素，如機(jī)臺轉(zhuǎn)速、電機(jī)功率等；E為環(huán)境因素集合，E=(sr+1,sr+2,sr+3,…,sk)表示存在k-r+1個與環(huán)境相關(guān)的影響因素，如溫度、濕度、強(qiáng)電干擾等，k為影響質(zhì)量波動的不確定性因素總數(shù)，且存在1≤m

現(xiàn)若以X表示影響紡紗過程質(zhì)量波動的人—機(jī)—環(huán)境因素，則X=(x1,x2,x3,…,xk)，k為影響紡紗過程質(zhì)量波動的不確定因素總數(shù)，相應(yīng)地(x1,x2,…,xs)表示人為因素，(xs+1,xs+2,…,xu)表示設(shè)備因素，(xu+1,xu+2,…,xk)表示環(huán)境因素，且1≤s

2.3 影響因素行為特征辨識

當(dāng)整個紡紗質(zhì)量形成過程處于穩(wěn)態(tài)時，通過紡紗質(zhì)量形成過程關(guān)系式Qp?P∩M∩E可知，P、M、E對應(yīng)的不確定因素對紡紗質(zhì)量特征值的影響遵循一定的分布規(guī)律。故在實時紡紗過程中，若自相關(guān)過程滿足平穩(wěn)序列的條件，則可認(rèn)為影響紡紗質(zhì)量波動的不確定因素的行為具備了穩(wěn)態(tài)的統(tǒng)計性質(zhì)，可以分析引起紡紗質(zhì)量波動的因素之間，以及同品種不同數(shù)據(jù)之間的數(shù)據(jù)依賴關(guān)系。而時間序列模型TARCH(p,q)為不確定因素的行為特征辨識提供了基本方法。具體過程如下。

在自回歸條件異方差模型(ARCH)[20]的基礎(chǔ)上，將其進(jìn)行變換形成TARCH(p,q)模型，即：

(2)

其中，αi表示質(zhì)量特征值波動前期關(guān)鍵因素對本次波動的影響程度，βj表示特征值波動前期次要因素對本次波動的影響程度，p、q分別表示TARCH項的滯后階數(shù)。

由式(2)表明：在自相關(guān)穩(wěn)態(tài)下，由不確定因素的異常行為而引起的紡紗質(zhì)量波動，明顯大于數(shù)據(jù)采集值在獨立情況下的質(zhì)量波動，而這些波動造成的質(zhì)量損失是由紡紗過程自相關(guān)所造成的。為合理界定不確定因素的行為特征，當(dāng)紡紗過程質(zhì)量特征值的均值不發(fā)生變化時，將p、q值置為1，利用如式(3)、式(4)所示的TARCH(1,1)模型對應(yīng)的均值與條件方差進(jìn)行控制變量的輸入，對自相關(guān)平穩(wěn)過程進(jìn)行調(diào)整。

et=α0+α1x1t+…+αkxkt+εt

(3)

(4)

3 實驗驗證

實驗方案：在相同條件下，測試系統(tǒng)、人、設(shè)備、環(huán)境等不確定因素對紡紗質(zhì)量的影響程度。設(shè)定室溫為20℃，相對濕度為65%。

方案一：從設(shè)備傳感器直接測試數(shù)據(jù)(簡稱“測試數(shù)據(jù)”)。用Uster Tester III測試紗線的線密度和變異系數(shù)(CV)，用Sirolan-tensor測試?yán)w維束強(qiáng)，用Tensorapid測試紗線強(qiáng)度和伸長。

方案二：從監(jiān)控系統(tǒng)中統(tǒng)計紡紗數(shù)據(jù)(簡稱“監(jiān)測數(shù)據(jù)”)。主要通過VS2008+SQL Server2005開發(fā)紡織過程集成監(jiān)控系統(tǒng)，該系統(tǒng)對各紡紗子系統(tǒng)的實時數(shù)據(jù)進(jìn)行集成。

在相同班次、設(shè)備、機(jī)型條件下，兩個實驗方案同時進(jìn)行。根據(jù)紡紗機(jī)工藝計算公式[21]，當(dāng)羅拉直徑為25mm時，其前羅拉轉(zhuǎn)速通常為240r/min，則時間間隔Δt=4s，即產(chǎn)生兩個脈沖周期。對方案一的每個測試結(jié)果重復(fù)5次，將數(shù)據(jù)結(jié)果按照成紗“品種”分類并手工輸入紡織過程監(jiān)控系統(tǒng)的一張臨時數(shù)據(jù)表(TestData)。在相同的實驗條件下同時進(jìn)行，數(shù)據(jù)采集結(jié)果同樣以成紗“品種”為主鍵在自動存入系統(tǒng)數(shù)據(jù)庫歷史數(shù)據(jù)表(HistoryData)的同時在終端界面實時顯示。

按照成紗“品種”類別，取時間間隔Δt=4s，并從兩數(shù)據(jù)表(TestData與HistoryData)中統(tǒng)計出紡紗質(zhì)量的主要特征值(細(xì)度不勻(%)、細(xì)節(jié)(個/km)、粗節(jié)(個/km)、強(qiáng)度(cN/tex)、斷裂伸長(%))，對比分析相應(yīng)的質(zhì)量特征值，并計算出兩者的誤差，結(jié)果如表1所示。

表1 測試與監(jiān)測數(shù)據(jù)誤差對照表

由表1可見，在時間間隔Δt=4s內(nèi)，相同工藝、相同規(guī)格的紗線質(zhì)量特征值的誤差不同，而且誤差間的變化趨勢并不遵循一定的規(guī)律(如正態(tài)分布)，誤差數(shù)據(jù)與質(zhì)量輸出特征值之間很難建立一種線性關(guān)系。具體過程如下。

a)在時間間隔Δt=4s內(nèi)，在每個數(shù)據(jù)采集點上，通過Δx與Δy之間的數(shù)值關(guān)系，對兩種數(shù)據(jù)采集方式所形成的質(zhì)量誤差進(jìn)行仿真，其結(jié)果如圖3所示?？梢姡ㄟ^設(shè)備傳感器直接測試和監(jiān)控系統(tǒng)統(tǒng)計得到的質(zhì)量特征值之間存在誤差，而且誤差主要分布在理論平衡點(<5%)之下，這充分說明由現(xiàn)場監(jiān)控系統(tǒng)采集、處理、統(tǒng)計、分析出的紡紗質(zhì)量特征值波動較大。為此，在時間間隔內(nèi)，等間距增加數(shù)據(jù)采樣點，使采樣時間間隔Δt=0.25s，通過求導(dǎo)計算得到a=0.8140，b=2.0351，構(gòu)成如圖4(a)所示的線性關(guān)系圖，通從中獲取最優(yōu)k值，以修正y，最終形成如圖4(b)所示的工藝參數(shù)組合與質(zhì)量輸出特征值。

圖3 數(shù)據(jù)誤差仿真結(jié)果

圖4 改進(jìn)的工藝參數(shù)與質(zhì)量輸出特征值關(guān)系

從圖4可見，經(jīng)函數(shù)y=0.8140k+2.0351對質(zhì)量輸出特征值y進(jìn)行修正后，其Δy隨著斜率減小而降低，相應(yīng)地M值也減小，從設(shè)備傳感器直接獲取質(zhì)量數(shù)據(jù)，其數(shù)據(jù)計算結(jié)果精度明顯高于上位機(jī)監(jiān)測器所采集的數(shù)據(jù)，并且函數(shù)y=f(x)的斜率降低，對應(yīng)的函數(shù)曲線趨于直線。

b)在a)的基礎(chǔ)上，為進(jìn)一步探索影響Qp形成過程中紡紗質(zhì)量特征值波動的規(guī)律性，結(jié)合表1的波動誤差，形成如圖5所示的誤差源判別圖，從兩個實驗方案中判斷紡紗質(zhì)量特征值波動特征的異同，并從中界定影響Qp形成過程的主要根源。

圖5 質(zhì)量數(shù)據(jù)誤差源判別

從圖5可見，由監(jiān)測系統(tǒng)采集處理的監(jiān)測數(shù)據(jù)誤差曲線基本位于測試數(shù)據(jù)誤差曲線之上，說明監(jiān)測系統(tǒng)采集的紡紗質(zhì)量數(shù)據(jù)產(chǎn)生的數(shù)據(jù)誤差相對較大，故引起紡紗質(zhì)量特征值波動的主要源泉在于監(jiān)測系統(tǒng)。但是，這種數(shù)據(jù)誤差的變化趨勢將隨著紡紗過程的不斷推進(jìn)，曲線趨于平穩(wěn)下降趨勢，且總體小于3%，能滿足紡織企業(yè)既定誤差(<5%)要求。

c)在確定了質(zhì)量數(shù)據(jù)誤差源后，結(jié)合表1中的數(shù)據(jù)，構(gòu)建如圖6所示的不確定因素間的關(guān)系圖Q=K∪(K∪O)，并令原料、人、方法、設(shè)備、測量和環(huán)境因素分別對應(yīng)的元素為x1、x2、x3、x4、x5、x6，這樣因素集K的樣本數(shù)為6，O為因素交集，故圖中橫坐標(biāo)表示因素交集數(shù)，縱坐標(biāo)表示因素關(guān)系邊集R=(K∪O)，且R∈[0,1]，由此從中探究影響質(zhì)量波動的關(guān)鍵因素。

圖6 不確定因素間關(guān)系

由圖6可見，在這個已給定的多因素影響集中，因素集x1∩x2≠φ，x3∩x4∩x6≠φ，且具有高相關(guān)度，而因素集x2∩x3∩x4∩x5∩x6≠φ，但具有低相關(guān)度。而且，因素集x1∩(x2∪x3∪x4∪x5∪x6)=φ，相互間相關(guān)度為零。但是，x1表現(xiàn)出的直接影響關(guān)系可直接影響紡紗質(zhì)量，而x2、x3、x4、x5、x6因素表現(xiàn)出的間接影響關(guān)系除對紡紗質(zhì)量形成過程產(chǎn)生影響外，各因素之間也相互影響，其中因素集x3、x4、x5、x6之間具有高相關(guān)度，而其與x2具有低相關(guān)度。

d)在時間間隔Δt=0.25s，計算出紡紗質(zhì)量波動率的基本統(tǒng)計特征值，即：質(zhì)量波動率均值為-1.008、標(biāo)準(zhǔn)差為3.2152，說明當(dāng)Δt=0.25s時，紡紗質(zhì)量波動率呈下降趨勢。偏度值為-0.0254，體現(xiàn)出紡紗質(zhì)量特征值的波動具有左傾斜性，并且峰度值達(dá)到7.1692(>3)，雅克貝拉檢驗值(JB值)為835.42，結(jié)果表明紡紗質(zhì)量特征值的波動過程并不服從正態(tài)分布。同時，有顯著性差異P<0.05，說明整個紡紗質(zhì)量特征值波動過程具有自相關(guān)性。

為進(jìn)一步辨識在自相關(guān)穩(wěn)態(tài)下不確定因素的影響行為，通過分析同品種不同數(shù)據(jù)之間的數(shù)據(jù)依賴關(guān)系，采用低階的且變量參數(shù)較少的TARCH(1,1)模型進(jìn)行估計質(zhì)量特征值波動過程的自相關(guān)性，形成的TARCH(1,1)估計的擬合結(jié)果中，赤池信息量準(zhǔn)則AIC=-6.423，Q統(tǒng)計量=0.546，結(jié)果表明TARCH(1,1)模型對紡紗質(zhì)量特征值波動過程的自相關(guān)性具有良好的估計，并且AIC值越小則估計結(jié)果越好。而且，拉格朗日乘數(shù)檢驗統(tǒng)計量LM=0.755，說明TARCH(1,1)模型在自相關(guān)穩(wěn)態(tài)下對不確定因素異常行為的辨識和對紡紗質(zhì)量損失的補(bǔ)償具有較好的有效性。由此，形成的TARCH(1,1)模型的估計結(jié)果如下。

均值方程為：et=-0.0014-0.0186et-1+εt

(-1.48) (0.39)

條件方差為：

(32.88) (14.56) (-4.327)

綜上所述，結(jié)合圖6和TARCH(1,1)模型，當(dāng)時間間隔Δt=0.25s時，紡紗質(zhì)量形成過程中各影響因素實時在線爆發(fā)時的概率分布圖如圖7所示。

圖7 不確定因素異常概率

可見，在同一時間間隔Δt=0.25s內(nèi)，隨著紡紗過程紡紗質(zhì)量的不斷成長，x3(方法)、x1(原料)、x4(設(shè)備)三因素的爆發(fā)概率較大，概率均值依次接近46%、29%、13%，可視為影響紡紗質(zhì)量波動的關(guān)鍵因素，而且x3(方法)的脆性最易爆發(fā)且概率最高，視為引起紡紗質(zhì)量波動的最關(guān)鍵因素。

4 結(jié) 論

從紡紗質(zhì)量特征值波動問題角度出發(fā)，依托人機(jī)環(huán)境系統(tǒng)工程學(xué)理論，從4個方面探索了紡紗質(zhì)量特征值波動的內(nèi)在機(jī)理，構(gòu)建了紡紗質(zhì)量特征值波動預(yù)測“四步法”。而且，結(jié)合現(xiàn)場的實時在線數(shù)據(jù)，通過兩種實驗方案的仿真和對比分析，實現(xiàn)了紡紗過程中從質(zhì)量特征值的波動成因、規(guī)律到影響因素的產(chǎn)生機(jī)理及與紡紗質(zhì)量特征值之間相關(guān)關(guān)系表達(dá)，再到影響因素異常行為辨識的全方位分析。由此，對紡紗過程質(zhì)量特征值波動內(nèi)在機(jī)理的研究，不但有利于整個紡紗質(zhì)量的事前預(yù)測和可視化管理，而且有利于實現(xiàn)基于實時數(shù)據(jù)的紡紗質(zhì)量在線檢測，從而保證企業(yè)、乃至車間整個制造過程的連續(xù)性，并為紡織企業(yè)解決制造過程的“異常事件”而提供理論依據(jù)。

[1] Fattahi, S R, Seyed A H, Taheri S M. Two-way prediction of cotton yarn properties and fiber properties using multivariate multiple regression[J]. Journal of the Textile Institute,2011,102(10):849-856.

[2] Malik S A, Tanwari A, Syed U, et al. Blended yarn analysis: part I-influence of blend ratio and break draft on mass variation, hairiness, and physical properties of 15 tex PES/CO blended ring-spun yarn[J].Journal of Natural Fibers,2012,9(3):197-206.

[3] Mattes A, Pusch T, Cherif C. Numerical simulation of yarn tensile force for dynamic yarn supply systems of textile machines[J]. Journal of the Textile Institute,2012,103(1):70-79.

[4] Selvanayaki M, Vijava M S, Jamuna K S, et al. An interactive tool for yarn strength prediction using support vector regression[C]// Proceedings of the 2nd International Conference on Machine Learning and Computing(ICMLC 2010),2010:335-339.

[5] Fattahi S, Taheri S M, Ravandi H. Cotton yarn engineering via fuzzy least squares regression[J].Fibers and Polymers,2012,13(3):390-396.

[6] Mokhtar S, Ben A S, Sakli F. Optimization of textile parameters of plain woven vascular prostheses[J].Journal of the Textile Institute,2010,101(12):1095-1105.

[7] Fallahpour A R, Moghassem A R. Spinning preparation parameters selection for rotor spun knitted fabric using VIKOR method of multicriteria decision-making[J].Journal of the Textile Institute, 2013,104(1):7-17.

[8] Mohamed N, Samar A E. Prediction of some cotton fiber blends properties using regression models[J]. Alexandria Engineering Journal,2008,47(2):147-153.

[9] Mwasiag J I, Huang X B, Wang X H. The use of hybrid algorithms to improve the performance of yarn parameters prediction models[J].Fibers and Polymers,2012,13(9):1201-1208.

[10] Mardani M N, Safar J M, Aghdam M M. Finite-element and multivariate analyses of tension distribution and spinning parameter effects on a ring-spinning balloon[C]Proceedings of the Institution of Mechanical Engineers, Part C: Journal of Mechanical Engineering Science, 2010,224(2):253-258.

[11] 邵景峰,王進(jìn)富,馬曉紅,等.一種影響織造過程的不確定性預(yù)測理論模型[J].紡織器材,2012,39(6):57-62.

[12] Yang J G, Lv Z J, Li B Z. Quality prediction in complex industrial process with support vector machine and genetic algorithm optimization: A case study[J].Applied Mechanics and Materials,2012,232:603-608.

[13] 呂志軍,楊建國,項前.基于遺傳算法參數(shù)優(yōu)化的紗線質(zhì)量預(yù)測技術(shù)[J].東華大學(xué)學(xué)報:自然科學(xué)版,2012,38(5):519-523.

[14] Lv Z J, Xiang Q, Yang J G. A novel data mining method on quality control within spinning process[J].Applied Mechanics and Materials,2012,224:87-92.

[15] 李蓓智,李利強(qiáng),楊建國,等.基于GA-SVM的質(zhì)量預(yù)測系統(tǒng)設(shè)計和實現(xiàn)[J].計算機(jī)工程,2011,37(1):167-169.

[16] Pei Z G, Chen G, Liu C, et al. Experimental study on the fiber motion in the nozzle of vortex spinning via high-speed photography[J].Journal of Natural Fibers,2012,9(2):117-135.

[17] Lv J, Cao C H. Prediction of yarn quality based on differential evolutionary BP neural network[C]// Proceedings of the 4th International Conference on Computational and Information Sciences(ICCIS 2012),2012:1232-1235.

[18] Zhao B. Prediction of thin place of polyester/cotton ring yarn properties from process parameters by using neural network and regression analysis[C]//Proceedings of the 7th International Conference on System of Systems Engineering(SoSE 2012),2012:18-20.

[19] Liu H, Zhang Y, Chen L, et al. Development and characterization of flexible heating fabric based on conductive filaments[J]. Journal of the International Measurement Confederation,2012,45(7):1855-1865.

[20] Mohammadi T, Taghavi M, Bandidarian A.The effect of exchange rate uncertainty on import: TARCH approach[J].International Journal of Management Business Research,2011,1(4):211-220.

[21] Salvinija P, Petrulisa D. Influence of twisting on linen fancy yarn structure[J].Journal of Natural Fibers,2014,11(1):74-86.

(責(zé)任編輯：許惠兒)

Prediction Method for Abnormal Factors of Spinning Quality Based on Real-time Data

ZHANGWeidong1,MAChuangtao2

(1.Department of Human Resource, Xi’an Polytechnic University, Xi’an 710048, China;2.School of Management, Xi’an Polytechnic University, Xi’an 710048, China)

To study quality fluctuation law in spinning process and the generation mechanism of quality fluctuation factors, firstly, the law and reasons for spining quality fluctuation as well as generation mechanism of uncertain factors influencing quality characteristic values were analyzed. Then, on the basis of real-time data generated from the spinning process, the inherent mechanism of characteristic value fluctuation of spinning quality was modeled and designed from three aspects, including the expression of spinning quality fluctuation law, the construction of man-machine-environment brittleness model, and identification of abnormal behavior of factors by TARCH (1,1) model. Finally, a prediction method for spinning quality fluctuation based on real-time data was proposed. The results of experiment, simulation and comparison show that the method we proposed can realize the visualization of characteristic value fluctuation process of spinning quality, warn abnormal behavior of uncertainty factors in advance and detect yarn quality online in real time.

fluctuation mechanism; spinning quality; abnormal factors; prediction

2015-02-28

陜西省科技計劃項目(2013KRM07)；陜西省社科基金項目(13D026)；陜西省社科界重大理論與現(xiàn)實問題研究項目(2014Z039)；中國紡織工業(yè)協(xié)會指導(dǎo)性計劃項目(2014076，2013068，2011081)；陜西省教育科學(xué)“十二五”規(guī)劃課題(SGH140649)；陜西省教育廳科研計劃項目(2013JK0742，11JK1055)

張衛(wèi)東(1979-)，男，陜西西安人，工程師，碩士，主要從事紡織生產(chǎn)過程管理。

馬創(chuàng)濤,E-mail:shawnxpu@163.com

TS103.2

A

1009-265X(2015)05-0008-07