專利名稱：：一種基于數(shù)據(jù)驅(qū)動的差別化纖維紡絲工藝交互式設計方法
技術領域：
：本發(fā)明屬于纖維生產(chǎn)領域，特別是涉及一種針對差別化纖維的基于數(shù)據(jù)驅(qū)動的紡絲工藝交互式智能優(yōu)化設計方法。
背景技術：
：纖維生產(chǎn)(包括天然纖維、聚合物纖維等)是一個具有多生產(chǎn)環(huán)節(jié)和復雜生產(chǎn)條件的大規(guī)模生產(chǎn)系統(tǒng)，其生產(chǎn)過程監(jiān)測與控制的實現(xiàn)，需要結合對生產(chǎn)設備和生產(chǎn)技術的認識與建模，以及對生產(chǎn)線控制系統(tǒng)的設計與優(yōu)化來進行。對纖維生產(chǎn)模擬技術而言，其核心是對成形機理、設備狀況以及工程狀況的準確描述與計算。在纖維成形機理方面，從20世紀60年代開始，Ziabicki,Gagon&Derm、Geoge等人對紡絲加工過程做了大量的基礎理論研究工作，確立了紡絲的基本過程和基本模型。如Kase&Matsuo定量分析了熔紡過程，得出了一些重要的參量表達式，如傳熱系數(shù)h、比熱Cp、拉伸粘度ne等。Hamana、Yasuda,Shimizu和Kikutani等人拓展了上述研究，將紡絲數(shù)學模型應用到中空纖維和高速紡絲過程中，并研究了其中存在的應力一致性關系。還有文獻采用有限元方法研究了中空纖維的紡絲過程，得到了紡絲過程中空度的變化規(guī)律，并研究了工藝條件對中空度的影響。Kikutani等則研究了扁平、中空及皮芯復合紡絲的數(shù)學模型，運用熔融紡絲理論對其紡絲過程進行了初步模擬。然而上述內(nèi)容僅是對紡絲過程進行的理論研究，沒有將研究成果與實際工程推廣相結合。從數(shù)值與建模的角度看，當把紡絲生產(chǎn)線上的各工藝環(huán)節(jié)作為一個系統(tǒng)考慮時，紡絲過程的工藝優(yōu)化就可以看作求解一個函數(shù)的最優(yōu)解，可以采用數(shù)值計算或智能算法進行求解。傳統(tǒng)上，對一個需要進行優(yōu)化計算的實際問題，可將其進行抽象后得到一個求約束下最優(yōu)解的數(shù)學問題，可采用數(shù)值優(yōu)化或遺傳算法(GA)等方法進行求解。在許多設計問題中，GA的適應度函數(shù)是根據(jù)目標問題的模型，并參考用戶的意見而確定的。由于目標問題模型未必都能顯式得到，因此人們又提出了交互式遺傳算法(InteractiveGeneticAlgorithm,IGA)，并已成功地應用于優(yōu)化領域。IGA相對于GA的差別是適應度評價函數(shù)不同，能夠根據(jù)用戶對模型效果的不斷反饋動態(tài)地調(diào)整適應度函數(shù)。在某些情況下，用戶的主觀評價甚至成為確定適應度函數(shù)的唯一依據(jù)。但IGA的局限性限制了其應用與推廣，其不足之處一是收斂速度過慢，二是需要專家的過多參與。當前針對纖維紡絲成形的工藝設計，一方面局限于生產(chǎn)線局部的工藝、設備改進和依經(jīng)驗進行的生產(chǎn)參數(shù)微調(diào)，若期望明確地得到某個性能指標的較優(yōu)值，相應的工藝參數(shù)設計是一個難題。另一方面，對于紡絲工藝設計應用效果的評價，通常依賴于生產(chǎn)組織者和設備操作者的主觀意見。正是由于這些因素所帶來的模糊性和隨機性，使得對特定的纖維進行優(yōu)化的生產(chǎn)工藝設計，同時確定優(yōu)化的生產(chǎn)指標和工藝參數(shù)成為非常困難的任務。但是，經(jīng)驗豐富的工藝設計師或工程師，可以針對特定纖維的生產(chǎn)過程提供優(yōu)良的設計方案，并能達到預期的性能指標。因此，如何綜合利用工藝專家的經(jīng)驗知識，結合數(shù)值優(yōu)化和智能優(yōu)化的可行方法，在生產(chǎn)實踐以及相應生產(chǎn)運行數(shù)據(jù)支持的基礎上進行特定纖維紡絲工藝設計及優(yōu)化，實現(xiàn)差別化纖維的設計，是一個具有挑戰(zhàn)性的課題。
發(fā)明內(nèi)容本發(fā)明的目的是提供一種智能化、集成化、具有交互性的方法，來解決差別化纖維紡絲生產(chǎn)工藝的優(yōu)化設計問題。為了達到上述目的，本發(fā)明的技術方案是提供了一種基于數(shù)據(jù)驅(qū)動的差別化纖維紡絲工藝交互式設計方法，該方法是在對生產(chǎn)線運行過程和產(chǎn)品質(zhì)量的學習和總結的基礎上，在利用數(shù)據(jù)驅(qū)動的思想而建立的工藝優(yōu)化模型的基礎上實現(xiàn)的，其具體過程為步驟1、初始化對生產(chǎn)過程的約束條件進行分析，得到生產(chǎn)工藝設計方案所處的問題域，該問題域是一個多維空間，多維空間的維數(shù)與約束條件的規(guī)模相關，在該問題域中通過隨機的方式或工藝設計師的初步設計方案生成至少5個的備選工藝設計方案，每個備選工藝設計方案相當于多維空間中的一個向量，即一個抗體，所有抗體的集合形成抗體種群A，而所期望的纖維性能指標作為抗原；步驟2、通過免疫進化算子對抗體種群A進化以實現(xiàn)對抗原最大可能的匹配，并在此過程中通過方案評價模塊由工藝設計專家對于每一個設計方案給出性能優(yōu)劣的評價值，或在給出評價值的同時針對方案中的不足之處提出改進建議；步驟3、根據(jù)步驟2中工藝設計專家對備選方案的評價意見，結合專家系統(tǒng)中存儲的優(yōu)秀歷史方案與當前備選方案的近似程度，判斷進化是否結束，若是則退出，否則重新進行步驟2。本發(fā)明所針對的是紡絲工藝優(yōu)化設計。該紡絲工藝優(yōu)化設計是指基于特定的纖維生產(chǎn)線(過程)，根據(jù)需要優(yōu)化的纖維主要質(zhì)量指標，經(jīng)過本發(fā)明所提出的智能工藝優(yōu)化方法的調(diào)整，得到達到上述質(zhì)量指標所需要的生產(chǎn)過程諸環(huán)節(jié)的最優(yōu)生產(chǎn)參數(shù)。其中，纖維生產(chǎn)的主要質(zhì)量指標指能夠體現(xiàn)所生產(chǎn)纖維某一個或多個方面性能的一項或一項以上的性能指標。本發(fā)明利用所要優(yōu)化的纖維主要質(zhì)量指標及生產(chǎn)線上對其具有影響的諸因素的監(jiān)測數(shù)據(jù)，基于數(shù)據(jù)驅(qū)動的思想，引入交互式免疫協(xié)同進化機制，掌握上述主要質(zhì)量指標和影響因素之間的隱含關系，形成交互式免疫協(xié)同進化模型框架。所述的數(shù)據(jù)驅(qū)動方法，指對纖維生產(chǎn)線的實時運行數(shù)據(jù)(包括但不限于生產(chǎn)環(huán)境條件、生產(chǎn)設備機械及電氣參數(shù)、產(chǎn)品性能指標等)進行收集、整理和學習，得到能夠反映產(chǎn)品性能指標與相應的生產(chǎn)條件之間關系的智能模型，并以之為依據(jù)，根據(jù)要求的性能指標，指導生產(chǎn)線諸參數(shù)的合理配置。同時，不斷更新的生產(chǎn)線實時運行數(shù)據(jù)還可以對上述智能模型進行持續(xù)修正與改進，以達到模型在運行過程中不斷逼近實際生產(chǎn)系統(tǒng)，精度逐步提高的效果。本發(fā)明為了充分發(fā)揮IGA的優(yōu)點，同時避免其不足，在IGA的基礎上融入了人工免疫機制和協(xié)同進化機制，能夠有效地克服IGA的缺點，形成了一種基于數(shù)據(jù)驅(qū)動和交互式免疫協(xié)同進化算法(InteractiveImmuneCooperativeEvolutionaryAlgorithm，IICEA)的差另ll化纖維結絲工藝智能優(yōu)化設計方法。同時，建立針對差別化纖維紡絲過程的專家系統(tǒng)，將上述IICEA模型嵌入專家系統(tǒng)中，形成基于IICEA的專家系統(tǒng)，利用IICEA的學習能力和專家系統(tǒng)的知識儲備和推理能力，為達到上述主要質(zhì)量指標的設定值，對生產(chǎn)過程中的影響因素進行統(tǒng)一調(diào)節(jié)和配置。同時，將上述專家系統(tǒng)與纖維生產(chǎn)線進行實時連接，利用生產(chǎn)線的實時運行數(shù)據(jù)，動態(tài)調(diào)整所述交互式免疫協(xié)同進化模型，并動態(tài)更新專家系統(tǒng)的知識儲備，以更好地對生產(chǎn)過程進行優(yōu)化。由于采用了上述的技術方案，本發(fā)明的方法與現(xiàn)有技術相比，具有以下的優(yōu)點和積極效果1、基于真實的差別化纖維生產(chǎn)線運行數(shù)據(jù)進行學習和總結，將主要質(zhì)量指標作為優(yōu)化基準，相應的生產(chǎn)各環(huán)節(jié)參數(shù)作為優(yōu)化目標，基于數(shù)據(jù)驅(qū)動的思想，利用所述具有進化特征的交互式免疫協(xié)同算子，建立紡絲工藝的交互式智能優(yōu)化模型，為生產(chǎn)參數(shù)的設定提供依據(jù)。2、采用紡絲工藝專家系統(tǒng)對結果集進行分析和評價，并用于指導生產(chǎn)；所述專家系統(tǒng)的知識庫、規(guī)則集可以不斷地添加和改進，使系統(tǒng)具有自學習的功能。圖1為本發(fā)明的流程圖；圖2為抗體種群規(guī)模變化圖。具體實施例方式以下結合實施例來具體說明本發(fā)明。實施例如圖1所示，為本發(fā)明提供的一種基于數(shù)據(jù)驅(qū)動的差別化纖維紡絲工藝交互式設計方法，其具體操作包括如下15五個步驟1.初始化首先對生產(chǎn)過程的約束條件(如各工藝環(huán)節(jié)參數(shù)的取值范圍、各種容器管道等的容限、檢測和變送設備的量程等)進行分析，得到生產(chǎn)工藝設計方案所處的問題域。該問題域是一個多維空間，其維數(shù)與約束條件的規(guī)模相關。接著，在該問題域中生成一定數(shù)量的備選工藝設計方案(相當于這個多維空間中的一系列向量)，每一個備選工藝設計方案作為一個抗體，所有抗體的集合作為初始抗體種群A，而所期望的纖維性能指標則是抗原。各種算子的目標就是通過對抗體種群的進化實現(xiàn)對抗原最大可能的匹配。對于給定的性能指標，可根據(jù)經(jīng)驗公式確定各工藝參數(shù)等約束條件的上下限范圍。初始抗體種群A可通過隨機的方式生成，也可以通過工藝設計師的初步設計方案組成。2.進入免疫進化模塊，在免疫進化過程中通過方案評價模塊由工藝設計專家對于每一個設計方案給出性能優(yōu)劣的評價值，或在給出評價值的同時針對方案中的不足之處提出改進建議，其具體操作包括如下(1)(3)三個步驟(1)對種群進行克隆擴增克隆擴增決定種群中選擇哪些抗體進行擴增。在傳統(tǒng)的進化算法中，適應度值是進行選擇的唯一標準。免疫進化算法提出了一些指導選擇的新的準則。在本發(fā)明中，基于AffAbAg和AffAbAb進行克隆擴增。AffAbAg為表示個體之間相對評價值的抗體與抗原之間的親和度，AffAbAb為表示個體之間相似性的抗體之間的親和度。記為<formula>formulaseeoriginaldocumentpage7</formula>其中Evaluation(χ)是專家針對第χ個抗體的評價值，ΣyeAEvaluation(y)是指對本代種群的所有抗體的專家評價值進行求和；計算抗體之間的親和度AffAbAb，計算公式為<formula>formulaseeoriginaldocumentpage7</formula>其中||x-y||表示第χ個抗體與第y個抗體之間的歐氏距離，minye(A_(x))(Ilx-yIl)表示種群中除去抗體X外的所有抗體兩兩之間歐氏距離的最小值，Ily-zIl表示第y個抗體與第Z個抗體之間的歐式距離，maXy,zeA(Ily-z||)+1表示種群中的所有抗體兩兩之間歐氏距離的最大值。通過這兩個親和度，個體的質(zhì)量與個體的分布都能得到較好的表不。對于抗體種群A中的每一個抗體X，都可能被選擇克隆CLONALS(x)個副本，記為<formula>formulaseeoriginaldocumentpage7</formula>(3)其中mrcl。nal是一個參考的克隆擴增系數(shù)，一般大于1。在CLONALS(x)的定義中，兩個親和度同時起作用。因此，進化過程在收斂性和多樣性之間均衡。這樣的策略對于克服早熟和提高全局搜索能力都有幫助?？寺U增后的初始抗體種群A變?yōu)榭贵w種群B。(2)超頻突變根據(jù)克隆選擇理論，克隆擴增后必定緊跟著超頻突變以保證多樣性。一般變異率Pmut是由多樣性親和度決定?！﹢^1意味著個體在其領域內(nèi)的擁擠程度。個體X的超頻變異率定義為<formula>formulaseeoriginaldocumentpage7</formula>(4)放棄不滿足約束的不在可行解空間內(nèi)的個體，保證滿足約束。因此，超頻變異是通過親和度生成多樣性的。然而，與交互式改進的方式相比，超頻變異是隨機的，沒有明顯的方向性。超頻突變后，抗體種群B變?yōu)榭贵w種群C。(3)協(xié)同進化協(xié)作與競爭是種群內(nèi)兩種常見的協(xié)同進化方式。本發(fā)明中的協(xié)同進化是通過兩種方式實現(xiàn)的基于協(xié)作的交叉算子和通過個體之間的競爭耐受弱勢個體。在第一種算子中，為了減少生成的抗體的數(shù)量，減少交互式評價的壓力，僅僅選擇克隆擴增過程中生成的個體進行交叉。個體參與交叉的可能性為<formula>formulaseeoriginaldocumentpage7</formula>(5)。第二種算子是通過融合領域知識實現(xiàn)對弱勢個體的耐受。從工藝設計角度看，如果一種方案“包含”另一種，則較小的一種方案就被拋棄，因為這樣的方案通過另一個可以很容易地生成。如果一種方案相對于另一種，僅僅在極少的幾個工藝參數(shù)上不同，可以選擇拋棄。設計方案本身并不被拋棄，而是將其評價值設為0。就對抗體種群規(guī)模的影響而言，第一種算子擴大種群，而第二種則減小它。就對抗體種群中不同性質(zhì)個體的處理方法而言，第一種算子強化強者，第二種則弱化弱者，它們都可以加速進化過程。經(jīng)過上述方法處理后，抗體種群C變?yōu)榭贵w種群D。3.進入方案評價模塊。對于工藝設計方案，并不一定存在事先擬定的、精確的評價函數(shù)。因此，本發(fā)明所述的智能優(yōu)化方法通過交互式方式與工藝設計專家進行交流，由工藝設計專家給出評價值。對于每一個設計方案，由工藝設計專家給出性能優(yōu)劣的評價，并可以針對方案中的不足之處提出改進建議。該模塊又可以分為專家評價模塊和交互式修訂模塊，專家評價模塊的具體操作包括如下1)4)四個步驟。1)交互式評價由工藝設計專家對設計方案進行評價打分。根據(jù)用戶所關心的纖維性能指標，在Delphi方法和模糊綜合評價的基礎上，建立一個2級層級，每個層級有至少一個指標，共m個指標的綜合評價模型，其中每個指標都有一個評價等級，依據(jù)該模型制作咨詢表以滌綸短纖維紡絲工藝優(yōu)化問題為例，我們集中選用用戶比較關心的系統(tǒng)性能和推理結果兩方面指標，在Delphi方法和模糊綜合評價的基礎上，建立了如表1所示的一個多指標、二級層級的綜合評價模型。表1評估指標等級隸屬度一級指標二級指標—般V2不好V3很差V4^啟動時間U11_玄·、匕執(zhí)行時間U12_系統(tǒng)性(^u1,^tmiI,,Jt-權重W1_結果偏差U14__結果精度U15斷裂伸長率U21推理結果U2CVdeU22_權重W2斷裂強度U23CYqtU24____記表1中的一級指標為U=Iu1,u2}(6)其中Ul、U2又含有二級指標，分別記為U1={un,u12,u13,u14,u15}(7)U2=Iu21，U22,U23,u24}對每個指標，根據(jù)其具體屬性定義了四個評價等價，記為V={V21，V22.V23,V24I={好，一般，不好，很差}(8)不同的指標對同一等級所指的具體內(nèi)涵不同。對于定量目標，我們采用實數(shù)區(qū)間映射的方法，把每個指標所可能的數(shù)量范圍劃分為四個不相交的區(qū)間，每個區(qū)間對應于一個定性登記。U中各一級指標的權值分配記為W={ffpWj，滿足Wi>0，ΣWi=l(i=1，2)(9)各一級指標的二級指標權值分配有相似的記號和定義。2)為了克服個別專家的偏好造成的評價失真現(xiàn)象，選擇專家35名，共同研究、制定各個指標各個定性等級的大致標準，標準應盡可能準確。發(fā)送咨詢表格，讓這些人員在充分了解優(yōu)化系統(tǒng)的具體情況的基礎上，以無記名方式填表，表格式樣見表2。其中一級指標的權重分配只希望各評價人員給出粗略的比較次序，二級指標的權重分配按歸一化原則給出分配值。表2評價數(shù)據(jù)咨詢表<table>tableseeoriginaldocumentpage9</column></row><table>3)依據(jù)咨詢表格，統(tǒng)計和計算權值分配向量W和模糊評判矩陣。權值分配向量W的確定方法如下i.根據(jù)各個專家給出的WijG為一級指標序號，i=1,2;j為二級指標序號，j=1,2,K,9)次序，以每個WuW序號總和得出各個一級指標的綜合序號，當出現(xiàn)兩個指標的序號總和相等時，以其在各評價人員排序的第一序號、第二序號……的數(shù)目差來決定它們的相對位置，設得出的綜合次序為Wil>Wi2>Wi3>……>Wi9；ii.對這種次序進行對稱排序，得到序列Wi9，Wi7，Wi5，Wi3,Wil，Wi2，ffi4,ffi6,Wi8；iii.再重新編號為WnW2,L，W9(根據(jù)ii中排序W1=Wi9，W2=Wi7，其他依次類推)，得出恥=(^二/29卞=1,2上，9)，這樣有<formula>formulaseeoriginaldocumentpage9</formula>滿足W的歸一化要求。每個二級指標的權值為各評價人員給出的分配值總和的平均數(shù)。模糊矩陣的獲取方法包括以下iiii三個步驟i.將指標Ui相對于評價等級\的隸屬度τ…取為該評價等級被選中的評價人員數(shù)占總評價人員數(shù)的比率，然后各個指標內(nèi)各等級的隸屬度作歸一化處理。把統(tǒng)計結果以附表的形式反饋給每個評價人員，如果評價人員沒有修正意見(對他原來的填表)則無需再填表，否則重新填表；如果沒有修正意見的人數(shù)超過80%，則認為統(tǒng)計數(shù)據(jù)可取，否則重復此步驟。ii.分別選擇單因素突出型和加權平均型兩類模糊算子，先由表1中的二級指標向一級指標綜合，然后再將一級指標綜合，得出兩組綜合評判向量，按照使用模糊算子的不同分別記為B1和B2。對于B1和B2的計算，以一級指標的再綜合為例，若采用單因素突出型模糊算子，則B1=W·R=^ljOix4R=(Tij)9x4(11)bu=max(ti;t2,K,t9)tj=Wi·min(τη,τi2,K,τi4)若采用加權平均型模糊算子，則<formula>formulaseeoriginaldocumentpage10</formula>在求出B1和B2后，將B1,B2分別歸一化。iii.按照最大隸屬度原則，根據(jù)表2中的四個評價等級，將B1和B2分別歸入這四個等級中的一個作為最終的評判結果，記為(vn，Tjl)和(vi2，τj2)(i=1,2,Λ，4為評價等級值，如V21為方案B1中等級V2的評價分數(shù)；τJ1為方案B1中第j個子級指標的隸屬度。評判結果可能有以下三種i.如果|i「i2|>2(ii;i2e{1，2，3，4}，分別為方案&和化的評價等級值)，即B1和B2的評判結果等級差大于2，則表明設計方案需要大幅度加工完善，有時可能要涉及到知識表示模式的重新選擇和系統(tǒng)推理策略的重新制定。ii.如果Ii1-I2I(1，則表明所評價的備選工藝方案基本可行。若ITjl-Ti2<0.5時，可先對該備選工藝方案的各工藝參數(shù)進行微調(diào)，然后設計方案可投入實際應用。iii.其他情況下，設計方案需要針對各單項指標進行i和ii類似的考察。通常，對某些指標需要作相應的設計方面的修改，但問題不會涉及到整個方案的框架結構。4)除了評價，專家還可以針對備選方案的不足之處給出改進建議，并根據(jù)這些改進建議生成新的方案。在本發(fā)明中，評價過程主要是給出主觀的適應度值；評價過程本身也是一個產(chǎn)生新的個體的過程。通過改進過程，在原來的抗體種群D中加入改進生成的個體，得到新的抗體種群E(E彡D)。4.免疫清除和免疫記憶。在克隆擴增和協(xié)同進化之后，原抗體種群的規(guī)模擴大了，同時，在評價過程也增加了種群的規(guī)模。為得到穩(wěn)定的種群規(guī)模，通過免疫清除算子對抗體種群E中質(zhì)量較差的個體進行清除。個體的質(zhì)量可以通過AfTAbAg*AfTAbAb衡量。免疫清除算子通過清除弱勢個體保持種群規(guī)模的穩(wěn)定。經(jīng)過該步驟后抗體種群e變?yōu)榭贵w種群f。5.根據(jù)步驟2中工藝設計專家對備選方案的評價意見，結合專家系統(tǒng)中存儲的優(yōu)秀歷史方案與當前備選方案的近似程度，判斷進化是否結束，若是則退出，此時的抗體種群F中保存了由本專利所述方法得到的優(yōu)化后的工藝設計方案(由之前選取的需要進行優(yōu)化的工藝參數(shù)構成)；否則，記當前的抗體種群F為A，從步驟2開始重新進行本專利所述方法的迭代操作。如圖2所示，為抗體規(guī)模變化示意圖。抗體種群A通過克隆擴增進化到更大的抗體種群B。超頻突變沒有改變種群規(guī)模。協(xié)同進化和交互式改進都產(chǎn)生新的個體。最后，克隆清除算子保持種群規(guī)模的穩(wěn)定。其種群大小關系為IA(B=|c|(D(ε>|f|=|a|(13)注意，群體初始化后，將立即對種群個體進行評價。以下結合棉型纖維半敞開式紡絲過程的工藝優(yōu)化，對本方法作進一步的描述。在表3中提供了5組半敞開式棉型纖維紡絲過程運行參數(shù)實際值。當已知EYS1.5、EYSCV1.5時，可使用本發(fā)明所述的IICEA來對工藝參數(shù)進行優(yōu)化設計，該算法嵌入在為實現(xiàn)本發(fā)明所述方法而編寫的“滌綸短纖維紡絲運行智能優(yōu)化軟件系統(tǒng)”(以下簡稱“軟件”)中。在具體實施中，含有候選工藝方案的初始種群通過經(jīng)驗公式或工藝設計專家的初步設計方案產(chǎn)生，三位有經(jīng)驗的專業(yè)人員作為專家參與交互式評價與改進。初始的種群大小設置為5，克隆擴增的參考比率設置為10，即mp。p=5和Hirelmal=10。算法迭代15次，即mgm=15。本發(fā)明采用以下規(guī)則進行評分1)每個專家對于每個候選設計方案都作出評分；2)每個候選設計方案的總分是對專家組的評分的均值。在條件允許的情況下，可設計更加復雜的評分方案。從表3可以看出，在種群進化的前5代，最高的評分迅速上升，然后上升逐漸趨緩。在第11代之后，曲線基本保持水平，不再有改進。然而直到15代，平均得分依然在上升。說明在第5代之后，接近最佳的設計方案已經(jīng)產(chǎn)生，但很難再突破，而其他的設計依然在持續(xù)改進。因此，即使最優(yōu)方案的分數(shù)上升緩慢，但平均分在依然在上升。交互式算法的另一個重要的性能評價標準是專家評價的次數(shù)。為防止專家因長時間持續(xù)評價產(chǎn)生疲勞而影響評價效果，評價的次數(shù)應盡量少。本發(fā)明的設計初衷之一就是減少評價次數(shù)。作為一種新穎的交互式方法，交互式改進應帶有建議性，這對于改善設計方案的質(zhì)量有直接的指導意義。分別輸入表3中所列的EYS1.5、EYSCV1.5值，運行后得到的工藝優(yōu)化參數(shù)值如表4所示，其誤差值如表5所示。表3半敞開式開發(fā)運行參數(shù)實際值？EYS,5EYSCV,5，強，能紡ξ溫，速^溫吹風速度號_S_Λ_S_S_S_12268.136.5022.0283110023.51142217_8/71_6.3021.0_287_110023.0_10332089.336.4023.5289120023.511242118.996.2322.62891150201305222_9^7_6.3421.5_289_110020.5_112表4智能系統(tǒng)優(yōu)化參數(shù)值一序號絲條強度伸長能力紡絲溫度紡絲速度吹風溫度吹風速度1_^50_22_285_1072_23^_109<table>tableseeoriginaldocumentpage12</column></row><table>表5優(yōu)化后的工藝參數(shù)值與實際值的誤差<table>tableseeoriginaldocumentpage12</column></row><table>從表4和表5可以看出，經(jīng)過本發(fā)明所述的智能優(yōu)化方法優(yōu)化后得出的紡絲溫度最大誤差不超過3%，紡絲速度最大誤差不超過4.5%，吹風溫度最大誤差不超過5%，吹風速度最大誤差不超過4.5%，智能優(yōu)化效果良好。本發(fā)明的智能優(yōu)化方法由VisualC#編程實現(xiàn)，在MicrosoftVisualStudio中編譯生成動態(tài)鏈接庫(DLL)供軟件的主程序調(diào)用。此外，軟件還包括紡絲性能預測，絲條各工序點參數(shù)顯示等輔助程序。本發(fā)明的智能優(yōu)化模型建立后，下位機采集到的數(shù)據(jù)直接傳入模型紡絲工藝設計，得出結果集后將結果集傳入裝有專家系統(tǒng)的上位機，專家系統(tǒng)通過自身的知識庫和推理機進行分析，給出所得到的紡絲參數(shù)的分析和評價，并用來指導生產(chǎn)。權利要求一種基于數(shù)據(jù)驅(qū)動的差別化纖維紡絲工藝交互式設計方法，其特征在于，步驟為步驟1、初始化對生產(chǎn)過程的約束條件進行分析，得到生產(chǎn)工藝設計方案所處的問題域，該問題域是一個多維空間，多維空間的維數(shù)與約束條件的規(guī)模相關，在該問題域中通過隨機的方式或工藝設計師的初步設計方案生成至少5個的備選工藝設計方案，每個備選工藝設計方案相當于多維空間中的一個向量，即一個抗體，所有抗體的集合形成初始抗體種群A，而所期望的纖維性能指標作為抗原；步驟2、通過免疫進化算子對抗體種群進化以實現(xiàn)對抗原最大可能的匹配，并在此過程中通過方案評價模塊由工藝設計專家對于每一個設計方案給出性能優(yōu)劣的評價值，或在給出評價值的同時針對方案中的不足之處提出改進建議；步驟3、根據(jù)步驟2中工藝設計專家對備選方案的評價意見，結合專家系統(tǒng)中存儲的優(yōu)秀歷史方案與當前備選方案的近似程度，判斷進化是否結束，若是則退出，此時的抗體種群中保存了由本專利所述方法得到的優(yōu)化后的工藝設計方案(由之前選取的需要進行優(yōu)化的工藝參數(shù)構成)；否則從步驟2開始重新進行本專利所述方法的迭代操作。2.如權利要求1所述的一種基于數(shù)據(jù)驅(qū)動的差別化纖維紡絲工藝交互式設計方法，其特征在于，步驟2中所述方案評價模塊包括專家評價模塊，專家評價模塊的評價步驟為步驟A2.1、根據(jù)用戶所關心的纖維性能指標，在Delphi方法和模糊綜合評價的基礎上，建立一個2級層級，每個層級有至少一個指標，共m個指標的綜合評價模型，其中每個指標都有一個評價等級，依據(jù)該模型制作咨詢表；步驟A2.2、選擇至少3名專家，共同研究、制定各個指標各個定性等級的大致標準；步驟A2.3、發(fā)送咨詢表格，讓上述專家在充分了解優(yōu)化系統(tǒng)具體情況的基礎上，以無記名方式填表；步驟A2.4、依據(jù)咨詢表格，統(tǒng)計和計算權值分配向量W和模糊評判矩陣，并通過模糊算子得到對各備選方案的最終評價結果。3.如權利要求2所述的一種基于數(shù)據(jù)驅(qū)動的差別化纖維紡絲工藝交互式設計方法，其特征在于，步驟A2.4中所述權值分配向量W的計算步驟為步驟2.4.1、根據(jù)各個專家給出的Wu的次序，以每個Wu的序號總和得出各個一級指標的綜合序號，其中i=1，2為一級指標序號，j=1,2,......m為二級指標序號，當出現(xiàn)兩個指標的序號總和相等時，以其在各評價人員排序的第一序號、第二序號......的數(shù)目差來決定它們的相對位置，從而得出綜合次序=Wil>V12>V13...>Wiffl;步驟2.4.2、對上述綜合次序進行對稱排序，得到對稱排序序列Wi0rt)......Wi2WilWi3..步驟2.4.3、對對稱排序序列重新編號為Wri，Wr2,......，W，其中r=1，2為一級序號，得出J^O'-1，每個二級指標的權值取為各專家給值的總和的平均。4.如權利要求2所述的一種基于數(shù)據(jù)驅(qū)動的差別化纖維紡絲工藝交互式設計方法，其特征在于，步驟A2.4中所述模糊評判矩陣的獲取方法為將指標相對于評價等級的隸屬度取為該評價等級被選中的專家人數(shù)占總專家人數(shù)的比率，然后對各個指標內(nèi)各等級的隸屬度作歸一化處理。5.如權利要求1所述的一種基于數(shù)據(jù)驅(qū)動的差別化纖維紡絲工藝交互式設計方法，其特征在于，步驟2中所述免疫進化算子的具體步驟為步驟B2.1、計算抗體與抗原之間的親和度AffAbAg以表示個體之間的相對評價值，并計算抗體之間的親和度AffAbAb以表示個體之間的相似性，基于親和度AffAbAg及親和度AffAbAb對抗體種群A進行克隆擴增，對于抗體種群中的每一個X，都可能被選擇克隆CLONALS(χ)個副本，其中，CLONALS(χ)=int[mrcl。nal.AfTAbAg(x).AfTAbAb(χ)]，mrclonal是一個參考的克隆擴增系數(shù)，克隆后的抗體種群A變?yōu)榭贵w種群B；步驟B2.2、對抗體種群B進行超頻變異，抗體種群B中每個個體χ的超頻變異率定義為=Pmut=l/(AffAb:Ab(x)+l)，超頻變異后得到抗體種群C，|B<C|；步驟B2.3、通過基于協(xié)作的交叉算子和通過個體之間的競爭耐受弱勢個體對抗體種群B進行協(xié)同進化；步驟B2.4、為得到穩(wěn)定的種群規(guī)模，通過免疫清除算子對質(zhì)量較差的個體進行清除，個體的質(zhì)量通過親和度AffAbAg和親和度AffAbAb衡量。6.如權利要求5所述的一種基于數(shù)據(jù)驅(qū)動的差別化纖維紡絲工藝交互式設計方法，其,、Evaluationiχ)特征在于，步驟Β2。1中所述親和度㈨=^Evaluation(y)，其中，Evaluation(x)是專家針對第χ個抗體的評價值，ΣyeAEValUati0n(y)是指對本代種群的所有抗體的專min/,,ηv||)家評價值進行求和；計算抗體之間的親和度4€&413，4^^#(1)=^M{;”、〈，其匪兄:HI)+1中，llx-yll表示第χ個抗體與第y個抗體之間的歐式距離，minye(Α_ω)(Ilx-yII)表示種群中除去抗體χ外的所有抗體兩兩之間歐氏距離的最小值，lly-zll表示第y個抗體與第Z個抗體之間的歐式距離，maxy,zeA(Ily-z||)+1表示種群中的所有抗體兩兩之間歐氏距離的最大值。7.如權利要求5所述的一種基于數(shù)據(jù)驅(qū)動的差別化纖維紡絲工藝交互式設計方法，其特征在于，在步驟B2.3中所述交叉算子中，僅僅選擇克隆擴增過程中生成的個體進行交叉，個體參與交叉的可能性P。r。ss。VCT(x)=AffAbAg(x)·[AffAbAb(x)+l]。全文摘要本發(fā)明提供了一種基于數(shù)據(jù)驅(qū)動的差別化纖維紡絲工藝交互式設計方法，其步驟為首先初始化產(chǎn)生抗體種群及抗原，隨后通過隨機的方式或工藝設計師的初步設計方案生成初始種群；再通過免疫進化算子對抗體種群進化以實現(xiàn)對抗原最大可能的匹配，并在此過程中通過方案評價模塊由工藝設計專家對于每一個設計方案給出性能優(yōu)劣的評價值，或在給出評價值的同時針對方案中的不足之處提出改進建議；最后根據(jù)工藝設計專家對備選方案的評價意見，結合專家系統(tǒng)中存儲的優(yōu)秀歷史方案與當前備選方案的近似程度，判斷進化是否結束，若是則退出，否則重新進行本發(fā)明所述優(yōu)化方法的各步驟。本發(fā)明的優(yōu)點是1、建立紡絲工藝的交互式智能優(yōu)化模型，為生產(chǎn)參數(shù)的設定提供依據(jù)。2、采用紡絲工藝專家系統(tǒng)對結果集進行分析和評價，并用于指導生產(chǎn)；所述專家系統(tǒng)的知識庫、規(guī)則集可以不斷地添加和改進，使系統(tǒng)具有自學習的功能。文檔編號G05B13/02GK101819408SQ20101015033公開日2010年9月1日申請日期2010年4月16日優(yōu)先權日2010年4月16日發(fā)明者丁永生,任立紅,李鶯鶯,梁霄,王華平,郝礦榮申請人:東華大學