專利名稱：基于免疫神經(jīng)網(wǎng)絡(luò)的紡絲工藝智能優(yōu)化設(shè)計方法
技術(shù)領(lǐng)域：
本發(fā)明屬纖維紡絲生產(chǎn)技術(shù)領(lǐng)域，特別是涉及一種針對差別化纖維紡絲過程的基
于免疫神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的智能優(yōu)化設(shè)計方法。
背景技術(shù)：
纖維生產(chǎn)是一個具有高度復(fù)雜性的工業(yè)過程，其產(chǎn)品包括各種纖維及其制品。它 需要高精度、長時間的連續(xù)性生產(chǎn)，因此對生產(chǎn)線及生產(chǎn)線上各個環(huán)節(jié)的環(huán)境和工藝設(shè)計 要求較高。對普通化纖生產(chǎn)廠家而言，其進行生產(chǎn)線工藝設(shè)計的基礎(chǔ)大多來源于經(jīng)驗及領(lǐng) 域設(shè)計手冊。為保險起見，生產(chǎn)線工藝設(shè)計所采用的方案往往留有較大的冗余量，一般可占 總生產(chǎn)能力的20% 30%，造成設(shè)備投入、動力消耗等方面的浪費。目前，我國擁有年產(chǎn) 1. 5萬噸/年和年產(chǎn)3萬噸/年的各類纖維生產(chǎn)線近70條，產(chǎn)能達300萬噸。如果能夠通 過某些技術(shù)改造，合理地控制和減少冗余量，提高效率，例如通過優(yōu)化增加產(chǎn)能10 % ，就可 增加產(chǎn)量近30萬噸，相當于10條3萬噸/年的生產(chǎn)線，能夠節(jié)約大量的成本。
目前，對纖維生產(chǎn)工藝進行改進的方法大多基于生產(chǎn)線上某個環(huán)節(jié)的具體實現(xiàn)， 或由生產(chǎn)經(jīng)驗總結(jié)得來的工藝的細微調(diào)整。對生產(chǎn)線上某個環(huán)節(jié)具體實現(xiàn)的改進，主要是 通過生產(chǎn)線長時間運行后所顯現(xiàn)出的不足，或者是工業(yè)新技術(shù)在紡絲工業(yè)中的逐漸應(yīng)用而 做出的，包括凝固和牽伸設(shè)備的更新及改良、牽伸方法和驅(qū)動方法的改進、側(cè)吹風和環(huán)吹風 工藝的改進(用于長纖維)等；后者主要包括對紡絲液配比的變換、牽伸率的變化、以及各 個環(huán)節(jié)生產(chǎn)環(huán)境的變化(如空氣改為高溫蒸汽)等；而對工藝的細微調(diào)整則主要依賴生產(chǎn) 人員積累的經(jīng)驗，對生產(chǎn)線上某個或某些工藝參數(shù)進行數(shù)值上的調(diào)節(jié)，從而形成感性的、特 定于生產(chǎn)線的優(yōu)化內(nèi)容。這些方法都屬于局部過程的優(yōu)化，沒有一個統(tǒng)一的、確定的指導(dǎo)系 統(tǒng)進行配置，因此優(yōu)化效果有限，不易與生產(chǎn)線整體進行配合，也無法通過生產(chǎn)線的運行得 到指導(dǎo)生產(chǎn)進一步優(yōu)化的有效信息，限制了生產(chǎn)線的進一步發(fā)展。

發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問題是提供一種基于免疫神經(jīng)網(wǎng)絡(luò)的紡絲工藝智能優(yōu)化 設(shè)計方法，來解決上述背景技術(shù)中所提及的紡絲生產(chǎn)工藝優(yōu)化設(shè)計問題。利用免疫優(yōu)化的 神經(jīng)網(wǎng)絡(luò)建立模型，對生產(chǎn)數(shù)據(jù)進行處理和分析，得到紡絲生產(chǎn)線參數(shù)的合理配置方案，繼 而將模型和方案整合于專家系統(tǒng)中，并與生產(chǎn)線進行上線連接以根據(jù)實時生產(chǎn)數(shù)據(jù)同步修 正所述的免疫神經(jīng)網(wǎng)絡(luò)模型及專家系統(tǒng)，對紡絲生產(chǎn)線上各參數(shù)進行統(tǒng)一配置，并根據(jù)生 產(chǎn)線的運行情況對生產(chǎn)過程進行及時、有效的優(yōu)化。本發(fā)明所述的紡絲工藝優(yōu)化設(shè)計，是指 根據(jù)需要優(yōu)化的纖維主要質(zhì)量指標，經(jīng)過工藝優(yōu)化方法的調(diào)整，得到達到這些質(zhì)量指標所 需要的生產(chǎn)過程諸環(huán)節(jié)的最優(yōu)參數(shù)。 本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是提供一種基于免疫神經(jīng)網(wǎng)絡(luò)的紡絲 工藝智能優(yōu)化設(shè)計方法，包括下列步驟 (l)RBF神經(jīng)網(wǎng)絡(luò)的建立采用雙模型結(jié)構(gòu)的RBF神經(jīng)網(wǎng)絡(luò)，一個模型用于自學(xué)習，24小時學(xué)習一次；另一個模型用于在線校正，為當前運行模型；它的輸入層由信號源節(jié)點 組成；第二層為隱含層；第三層為輸出層； (2)紡絲工藝優(yōu)化設(shè)計的免疫神經(jīng)網(wǎng)絡(luò)模型的建立對RBF神經(jīng)網(wǎng)絡(luò)進行優(yōu)化，集 散控制系統(tǒng)采集紡絲生產(chǎn)線上的生產(chǎn)參數(shù)和主要質(zhì)量指標，其中主要質(zhì)量指標簡稱為采集 值，將生產(chǎn)參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入，主要質(zhì)量指標作為神經(jīng)網(wǎng)絡(luò)的輸出；在所述的RBF神 經(jīng)網(wǎng)絡(luò)中，引入免疫優(yōu)化算法，得到免疫神經(jīng)網(wǎng)絡(luò)優(yōu)化模型； (3)紡絲工藝專家系統(tǒng)的建立紡絲工藝優(yōu)化設(shè)計的免疫神經(jīng)網(wǎng)絡(luò)模型建立后， 將輸出結(jié)果傳送到裝有紡絲工藝專家系統(tǒng)的上位機，專家系統(tǒng)根據(jù)自身的規(guī)則知識庫和推 理機分析生產(chǎn)參數(shù)和采集值，得出一組主要質(zhì)量指標的目標值，目標值和采集值進行比較 得出誤差，專家系統(tǒng)再根據(jù)誤差，給出生產(chǎn)參數(shù)的調(diào)整值及原因解釋； (4)專家系統(tǒng)與纖維生產(chǎn)線的實時連接專家系統(tǒng)采用工廠總線系統(tǒng)與纖維生產(chǎn) 線實時連接，以多層數(shù)據(jù)網(wǎng)絡(luò)為基礎(chǔ)，將各種不同的設(shè)備掛接在網(wǎng)絡(luò)上，實現(xiàn)各部分的協(xié)調(diào) 工作及數(shù)據(jù)和信息的共享，共同完成綜合控制與管理的功能。 所述步驟(1)中，無論自學(xué)習模型還是在線校正模型都是六個小時校正一次，使 之迅速跟蹤當前工況，并比較兩個模型的精度；如果在線校正模型精度小于當前自學(xué)習模 型，則用自學(xué)習模型代替當前運行模型，稱為新的當前模型；否則，保留當前運行模型。
所述步驟(2)中，對RBF神經(jīng)網(wǎng)絡(luò)模型進行的優(yōu)化包括采集300組數(shù)據(jù)進行RBF 神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練與預(yù)測，前200組數(shù)據(jù)用于RBF神經(jīng)網(wǎng)絡(luò)模型的建立，后100組數(shù)據(jù)對 其進行檢驗，具體步驟包括
a.初始化； b.輸入訓(xùn)練樣本對，計算各層輸出；
c.計算RBF網(wǎng)絡(luò)模型的輸出誤差；
d.計算各層誤差信號；
e.調(diào)整各層權(quán)值； f.檢查網(wǎng)絡(luò)總誤差是否達到精度要求，滿足，則訓(xùn)練結(jié)束；不滿足，則返回步驟 (b)。所述的步驟(2)中得到免疫神經(jīng)網(wǎng)絡(luò)優(yōu)化模型包括學(xué)習階段和工作階段
所述的學(xué)習階段包括選定采集到的前200組數(shù)據(jù)作為數(shù)據(jù)樣本進行學(xué)習；RBF神 經(jīng)網(wǎng)絡(luò)模型的學(xué)習結(jié)果以網(wǎng)絡(luò)神經(jīng)元連接權(quán)值的方式存儲在網(wǎng)絡(luò)結(jié)構(gòu)之中，其步驟包括
a.初始化所述RBF神經(jīng)網(wǎng)絡(luò)模型的初始權(quán)值，并以初始權(quán)值為內(nèi)容創(chuàng)建記憶抗體 集合M和初始抗體集合AbS，每組權(quán)值稱為一個抗體；所述單個數(shù)據(jù)樣本中包含的質(zhì)量指標 值稱為一個抗原；利用抗體生成具有所述結(jié)構(gòu)的RBF神經(jīng)網(wǎng)絡(luò)模型，并利用所述數(shù)據(jù)樣本 代入模型計算，進而比較模型計算值和樣本中包含的真實采集值的過程稱為抗原對抗體的 剌激；多個抗體重復(fù)進行剌激所得到的誤差的總和稱為剌激強度；
b.免疫優(yōu)化 1)克隆選擇對M中的每一個抗體Ab，決定它們與抗原Ag的親和度，根據(jù)親和度
值選擇高親和度的記憶細胞M。，并克隆記憶細胞，將記憶細胞加入到AbS中； 2)親和度成熟通過隨機地或依照一定規(guī)則對抗體中部分權(quán)值進行改變以形成
抗體變異，變異的對象是具有高親和度的記憶細胞，將變異后的抗體加入到AbS中； 3) AbS庫更新清除受到較少剌激的Ab，計算對每個Ab的平均剌激，檢查中止條件； 4)克隆選擇和親和度成熟根據(jù)剌激水平，克隆和突變AbS中的一部分抗體；
5)循環(huán)如果AbS中的平均剌激值小于給定的剌激閾值時，返回到步驟步驟3);
6)記憶細胞庫更新選擇與抗原作用的高親和度的抗體Ab，如果Ab的親和度大 于M中的記憶細胞Mc與抗原的親和度，則將新的Ab記為Mc-new加入到M中，如果Mc和 Mc-new的親和度小于親和度閾值，則將Mc從記憶集合M中刪除； c.循環(huán)檢查終止條件，如果滿足終止條件，優(yōu)化過程結(jié)束；否則返回到步驟(h)， 直至條件滿足為止； 所述的工作階段為當后IOO組數(shù)據(jù)樣本輸入RBF神經(jīng)網(wǎng)絡(luò)時，將訓(xùn)練好的具有 一定泛型的網(wǎng)絡(luò)對該100組數(shù)據(jù)樣本利用內(nèi)插和外推的方式進行自適應(yīng)，完成特征匹配過 程。 所述的步驟(3)中的規(guī)則知識庫包括紡絲模型建立輔助知識庫、品種研發(fā)輔助 知識庫、性能預(yù)測輔助知識庫、工藝優(yōu)化輔助知識庫。在規(guī)則知識庫中，根據(jù)輔助知識庫中 的專家經(jīng)驗和知識以及國家規(guī)定的紡絲性能質(zhì)量標準，建立規(guī)則集。 所述的步驟(3)中的推理機采用基于規(guī)則推理機，根據(jù)知識的語義，對找到的知 識進行解釋執(zhí)行，并把結(jié)果記錄到動態(tài)庫的適當空間中，并對紡絲工藝優(yōu)化誤差作出評價。
所述的步驟(3)中的紡絲工藝專家還包括人機界面系統(tǒng)，是系統(tǒng)與用戶進行交流 時的界面，通過該界面，用戶輸入基本信息、回答系統(tǒng)提出的相關(guān)問題、系統(tǒng)輸出推理結(jié)果 及相關(guān)的解釋。
所述的步驟(4)中的工廠總線系統(tǒng)的具體構(gòu)成單元包括 1)現(xiàn)場控制站主要由主控組件和輔助組建構(gòu)成，主控組建包括主控模板、I/O模 板、系統(tǒng)電源模板、總線底板和插件箱；輔助組件包括1/0模板、系統(tǒng)電源模板、總線底板和 插件箱；現(xiàn)場控制站主要完成現(xiàn)場信號的輸入輸出及回路的控制；一個現(xiàn)場控制站由一個 主控組件及多個輔助組件構(gòu)成；通過1/0模板實現(xiàn)紡絲工藝專家系統(tǒng)與生產(chǎn)總線的數(shù)據(jù)通 信； 2)操作員站由工控機及操作員站軟件構(gòu)成，它主要完成系統(tǒng)與操作員之間的人 機界面功能，包括現(xiàn)場狀態(tài)的顯示、報警、報表及操作命令的執(zhí)行功能；通過操作命令的執(zhí) 行實現(xiàn)紡絲專家系統(tǒng)對生產(chǎn)線的參數(shù)調(diào)整控制。 3)工程師站由IBM PC兼容微機及工程師組態(tài)軟件構(gòu)成，它主要完成工廠總線系 統(tǒng)的配置、控制回路組態(tài)及下載目標運行系統(tǒng)到操作員站和現(xiàn)場控制站的功能，工程師站 中裝載了操作員站軟件后也可以作為操作員站使用。
有益效果 本發(fā)明由于采用了上述的技術(shù)方案，本方法與現(xiàn)有技術(shù)相比，具有以下的優(yōu)點和 積極效果 1)紡絲生產(chǎn)工藝參數(shù)的免疫神經(jīng)網(wǎng)絡(luò)優(yōu)化 RBF神經(jīng)網(wǎng)絡(luò)不但在理論上是前向網(wǎng)絡(luò)中的最優(yōu)網(wǎng)絡(luò)，并且由于該網(wǎng)絡(luò)輸出層是 對隱層的線性加權(quán)，避免了反向傳播方法的冗長計算，因而具有較高的運算速度。本發(fā)明將 生產(chǎn)參數(shù)作為RBF神經(jīng)網(wǎng)絡(luò)模型的輸入，主要質(zhì)量指標作為模型的輸出值，建立紡絲工藝 優(yōu)化的免疫神經(jīng)網(wǎng)絡(luò)模型，給生產(chǎn)參數(shù)的設(shè)定提供依據(jù)。
2)采用紡絲工藝專家系統(tǒng)對結(jié)果集進行分析和評價，并用于指導(dǎo)生產(chǎn)，且專家系 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(xué)習的功能。


圖1是三層RBF神經(jīng)網(wǎng)絡(luò)示意圖；
圖2是本發(fā)明DCS系統(tǒng)的紡絲工藝優(yōu)化示意圖；
圖3是本發(fā)明的紡絲工藝專家系統(tǒng)的模塊設(shè)計圖；
圖4為本發(fā)明人機顯示界面示意圖。 圖中X表示紡絲生產(chǎn)主要質(zhì)量指標A表示"EYS(倍半伸長率)"，^表示 "EYSCV(倍半伸長率不均率)"，X3表示"DT(絲條強度)"，X4表示"DE(伸長能力)";Y表 示紡絲生產(chǎn)工藝參數(shù)yi表示"紡絲速度"，y2表示"紡絲溫度"，y3表示"吹風溫度"，y4表示 "吹風速度"。 圖中標號分別為 1 :輸入層；2 :隱層；3 :輸出層；4 :紡絲生產(chǎn)線；5 :傳送數(shù)據(jù)；6 :DCS控制系統(tǒng)；7 : 免疫神經(jīng)網(wǎng)絡(luò)；8 :紡絲工藝專家系統(tǒng)；9 :DCS系統(tǒng)控制生產(chǎn)；10 :紡絲工藝專家系統(tǒng)直接作 用于紡絲生產(chǎn)線；11 :紡絲工藝專家系統(tǒng)作用于DCS控制系統(tǒng)；12 :用戶；13 :紡絲工藝專家 系統(tǒng)人機交互接口 ；14 :解釋模塊；15 :推理機接口 ；16 :基于規(guī)則的推理機；17 :規(guī)則知識 庫；18 :品種開發(fā)輔助決策知識庫；19 :紡絲模型建立輔助決策知識庫；20 :專家/知識工程 師；21 :知識獲取模塊；22 :知識分析模塊；23 :事實數(shù)據(jù)庫；24 :性能預(yù)測輔助決策知識庫； 25 :工藝優(yōu)化輔助決策知識庫。
具體實施例方式
下面結(jié)合具體實施例，進一步闡述本發(fā)明。應(yīng)理解，這些實施例僅用于說明本發(fā)明 而不用于限制本發(fā)明的范圍。此外應(yīng)理解，在閱讀了本發(fā)明講授的內(nèi)容之后，本領(lǐng)域技術(shù)人 員可以對本發(fā)明作各種改動或修改，這些等價形式同樣落于本申請所附權(quán)利要求書所限定 的范圍。 本發(fā)明所涉及的一種基于免疫神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的紡絲工藝智能優(yōu)化設(shè)計方法， 主要包括以下部分 (1)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)，通過徑向基函數(shù)(Radial Base F皿ction， RBF)神經(jīng)網(wǎng)絡(luò)進行學(xué)習，掌握上述主要質(zhì) 量指標和影響因素之間的隱含關(guān)系。 (2)在上述RBF神經(jīng)網(wǎng)絡(luò)中，引入免疫優(yōu)化算法，增強該神經(jīng)網(wǎng)絡(luò)模型的適應(yīng)性和 學(xué)習能力。 (3)建立針對紡絲過程的專家系統(tǒng)，將上述免疫神經(jīng)網(wǎng)絡(luò)優(yōu)化模型嵌入專家系統(tǒng) 中，形成基于免疫神經(jīng)網(wǎng)絡(luò)的專家系統(tǒng)，利用免疫神經(jīng)網(wǎng)絡(luò)的學(xué)習能力和專家系統(tǒng)的知識 儲備和推理能力，基于上述主要質(zhì)量指標對生產(chǎn)過程中的影響因素進行統(tǒng)一調(diào)節(jié)和配置。
(4)將上述免疫神經(jīng)網(wǎng)絡(luò)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)整免疫神經(jīng)網(wǎng)絡(luò)模型，動態(tài)更新專家系統(tǒng)的知識儲備，更好地對生產(chǎn)過 程進行優(yōu)化。
—、RBF神經(jīng)網(wǎng)絡(luò) RBF神經(jīng)網(wǎng)絡(luò)是一種性能良好的前向網(wǎng)絡(luò)，它具有很強的生物背景和逼近任意非 線性函數(shù)的能力。與其它前向神經(jīng)網(wǎng)絡(luò)相比，RBF神經(jīng)網(wǎng)絡(luò)在非線性系統(tǒng)建模方面不存在 BP網(wǎng)絡(luò)學(xué)習的局部最優(yōu)問題，學(xué)習復(fù)雜性低，效率高，在結(jié)構(gòu)上具有輸出-權(quán)值線性關(guān)系， 同時訓(xùn)練方法快速易行。利用在線學(xué)習方法，完全能使RBF神經(jīng)網(wǎng)絡(luò)作為建模工具。RBF神 經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖l所示。它的輸入層由信號源節(jié)點組成；第二層為隱含層，其節(jié)點的多少 視具體問題而定；第三層為輸出層。 與傳統(tǒng)的機理建模方法相比，用RBF神經(jīng)網(wǎng)絡(luò)建立雙模型結(jié)構(gòu)的時變非線性系統(tǒng) 自校正模型不僅極為簡便，而且具有更高的精度和自適應(yīng)能力，因而在過程建模中得到了 廣泛的應(yīng)用。為此本系統(tǒng)也采用雙模型結(jié)構(gòu)一個模型用于自學(xué)習，24小時學(xué)習一次；另一 個模型用于在線校正，它是當前運行模型。無論自學(xué)習模型還是在線校正模型都是六個小 時校正一次，使之迅速跟蹤當前工況，并要比較兩個模型的精度。如果在線校正模型精度小 于當前自學(xué)習模型，則用自學(xué)習模型代替當前運行模型，稱為新的當前模型；否則，保留當 前運行模型。 二、紡絲工藝優(yōu)化設(shè)計的免疫神經(jīng)網(wǎng)絡(luò)模型
1. BRF神經(jīng)網(wǎng)絡(luò)的建立過程 集散控制系統(tǒng)(DCS)采集紡絲生產(chǎn)線上的生產(chǎn)參數(shù)和主要質(zhì)量指標(主要質(zhì)量指 標我們簡稱為采集值。對于短纖維，采集值種類包括倍半伸長率，倍半伸長率的不均率，絲 條強度，伸長能力；對于長纖維，采集值種類包括斷裂伸長率，斷裂強度，CVEYS1. 5， CVDE， CVDT，倍半伸長率)。 將生產(chǎn)參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入，主要質(zhì)量指標作為神經(jīng)網(wǎng)絡(luò)的輸出值，建立紡 絲工藝優(yōu)化設(shè)計的RBF神經(jīng)網(wǎng)絡(luò)模型； 采集300組數(shù)據(jù)進行RBF神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練與預(yù)測。其中，前200組數(shù)據(jù)用于 RBF神經(jīng)網(wǎng)絡(luò)模型的建立；后100組數(shù)據(jù)對其進行檢驗，并對RBF神經(jīng)網(wǎng)絡(luò)進行進一步改 進。
以短纖維為例具體方法如下 根據(jù)紡絲生產(chǎn)工藝，采用一個具有4個輸入節(jié)點，4個隱藏節(jié)點，4個輸出節(jié)點的三 層RBF神經(jīng)網(wǎng)絡(luò)，如圖l所示。輸入層節(jié)點的作用只是傳遞輸入數(shù)據(jù)^，^，X3，X4到隱含層 節(jié)點。隱含層節(jié)點即RBF節(jié)點，由常見的高斯函數(shù)構(gòu)成。輸出節(jié)點通常是簡單的線性函數(shù)。 隱含節(jié)點的作用函數(shù)(核函數(shù))對輸入信號將在局部產(chǎn)生響應(yīng)，當輸入信號靠近核函數(shù)的 中央范圍時，隱含節(jié)點就產(chǎn)生較大的輸出；反之，則產(chǎn)生較小的輸出，高斯核函數(shù)的表示形 式如下 =闊--^~~， j = 1 ， 2，......Nh。 (1)2。 式中，Uj是第j個隱含節(jié)點的輸出，X = (Xl， x2，......， xn)T是輸入樣本，Cj是高
斯函數(shù)的中心值，Oj是標準化常數(shù)，Nh是隱層節(jié)點數(shù)，由式(1)可知，節(jié)點的輸出范圍在0
到1之間，且輸入樣本愈靠近節(jié)點的中心，輸出值愈大。 所述RBF神經(jīng)網(wǎng)絡(luò)模型的輸出為隱層節(jié)點的線性組合，即
8^ ， 乂 = H w一y — P = w) "， i = 1 ， 2......， m。 (2) 式中，= (wn， w,2......， w," — (9)7 ，w = (w,,w2......， wW(] l)7 所述RBF神經(jīng)網(wǎng)絡(luò)模型在軟件上的具體實現(xiàn)步驟如下
1)初始化； 2)輸入訓(xùn)練樣本對，計算各層輸出；
3)計算RBF網(wǎng)絡(luò)的輸出誤差；
4)計算各層誤差信號；
5)調(diào)整各層權(quán)值； 6)檢查網(wǎng)絡(luò)總誤差是否達到精度要求，滿足，則訓(xùn)練結(jié)束；不滿足，則返回步驟 2)。 2. RBF神經(jīng)網(wǎng)絡(luò)的工作原理 RBF神經(jīng)網(wǎng)絡(luò)的工作原理分為兩個階段，這里利用免疫優(yōu)化算法對神經(jīng)網(wǎng)路進一 步優(yōu)化。 (1)學(xué)習階段。選定采集到的前200組數(shù)據(jù)作為數(shù)據(jù)樣本進行學(xué)習。RBF神經(jīng)網(wǎng) 絡(luò)學(xué)習結(jié)果以權(quán)值存儲在網(wǎng)絡(luò)結(jié)構(gòu)之中。 RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習過程又分為兩個階段。第一階段，根據(jù)所有的輸入樣本決定隱 層各節(jié)點的高斯核函數(shù)的中心值Cj和標準化常數(shù)o j;第二階段，在決定好隱層的參數(shù)后， 根據(jù)樣本利用最小二乘原則，求出輸出層的權(quán)值Wi。在完成第二階段的學(xué)習后，再根據(jù)樣本 信號校正隱層和輸出層的參數(shù)，進一步提高網(wǎng)絡(luò)精度。 在RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習中，利用免疫優(yōu)化算法優(yōu)化神經(jīng)網(wǎng)絡(luò)。將RBF神經(jīng)網(wǎng)絡(luò)的 目標函數(shù)E看作免疫優(yōu)化算法中的抗原，將神經(jīng)網(wǎng)絡(luò)權(quán)值看作抗體，通過對抗體的復(fù)制、交 叉及變異等操作，得到最佳適應(yīng)度函數(shù)f ( )。 步驟1 :初始化。初始化RBF神經(jīng)網(wǎng)絡(luò)的初始權(quán)值，并創(chuàng)建記憶抗體集合(M)和初 始抗體集合(AbS); 步驟2 :網(wǎng)絡(luò)優(yōu)化。利用免疫優(yōu)化算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)； 步驟3 :循環(huán)。檢查終止條件，如果滿足終止條件，優(yōu)化過程結(jié)束；否則重復(fù)步驟2， 直至條件滿足為止。
免疫優(yōu)化算法的基本步驟如下 步驟1 :初始化。初始化所述RBF神經(jīng)網(wǎng)絡(luò)模型的初始權(quán)值，并以初始權(quán)值為內(nèi)容 創(chuàng)建記憶抗體集合M和初始抗體集合AbS，每組權(quán)值稱為一個抗體；所述單個數(shù)據(jù)樣本中包 含的質(zhì)量指標值稱為一個抗原；利用抗體生成具有所述結(jié)構(gòu)的RBF神經(jīng)網(wǎng)絡(luò)模型，并利用 所述數(shù)據(jù)樣本代入模型計算，進而比較模型計算值和樣本中包含的真實采集值的過程稱為 抗原對抗體的剌激；多個抗體重復(fù)進行剌激所得到的誤差的總和稱為剌激強度；
步驟2:免疫優(yōu)化 1)克隆選擇。對M中的每一個抗體Ab，決定它們與抗原Ag的親和度，根據(jù)親和度 值選擇高親和度的記憶細胞M。，并克隆記憶細胞，將記憶細胞加入到AbS中；
2)親和度成熟。變異具有高親和度的記憶細胞，將變異后的抗體加入到AbS中；
3) AbS庫更新。清除受到較少剌激的Ab，計算對每個Ab的平均剌激，檢查中止條件； 4)克隆選擇和親和度成熟。根據(jù)剌激水平，克隆和突變AbS中的一部分抗體；
5)循環(huán)。如果AbS中的平均剌激值小于給定的剌激閾值時，返回到步驟步驟2的 3); 6)記憶細胞庫更新。選擇與抗原作用的高親和度的抗體Ab，如果Ab的親和度大 于M中的記憶細胞Mc與抗原的親和度，則將新的Ab (記為Mc-new)加入到M中，如果Mc和 Mc-new的親和度小于親和度閾值，則將Mc從記憶集合M中刪除； 步驟3 :循環(huán)。檢查終止條件，如果滿足終止條件，優(yōu)化過程結(jié)束；否則返回到步驟 2，直至條件滿足為止。 (2)工作階段。當后100組數(shù)據(jù)樣本輸入RBF神經(jīng)網(wǎng)絡(luò)時，將訓(xùn)練好的具有一定泛 型的網(wǎng)絡(luò)對該100組數(shù)據(jù)樣本利用內(nèi)插和外推的方式進行自適應(yīng)，完成特征匹配過程。
三、紡絲工藝專家系統(tǒng) 紡絲工藝優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)建立后，將輸出結(jié)果傳送到裝有紡絲工藝專家系統(tǒng) 的上位機，專家系統(tǒng)會根據(jù)自身的知識庫和推理機分析生產(chǎn)參數(shù)和采集值，得出一組主要 質(zhì)量指標的目標值，目標值和采集值進行比較得出誤差。專家系統(tǒng)再根據(jù)誤差，給出生產(chǎn)參 數(shù)的調(diào)整值及原因解釋。 紡絲工藝專家系統(tǒng)最主要的兩部分為規(guī)則知識庫和推理機。 規(guī)則知識庫包括"紡絲模型建立輔助知識庫"，"品種研發(fā)輔助知識庫"，"性能預(yù) 測輔助知識庫"，"工藝優(yōu)化輔助知識庫"。規(guī)則集主要根據(jù)輔助知識庫中的專家經(jīng)驗和知識 以及國家規(guī)定的紡絲性能質(zhì)量標準來確定，建立多條規(guī)則集。 推理機采用"基于規(guī)則推理機"，根據(jù)知識的語義，對找到的知識進行解釋執(zhí)行，并 把結(jié)果記錄到動態(tài)庫的適當空間中，并對紡絲工藝優(yōu)化誤差作出評價。 人機界面是系統(tǒng)與用戶進行交流時的界面。通過該界面，用戶輸入基本信息、回答 系統(tǒng)提出的相關(guān)問題。系統(tǒng)輸出推理結(jié)果及相關(guān)的解釋也是通過人機交互界面。
四、專家系統(tǒng)與纖維生產(chǎn)線的實時連接 專家系統(tǒng)與纖維生產(chǎn)線的實時連接采用工廠總線HS2000系統(tǒng)。HS2000系統(tǒng)是一 套分層分布式的大型綜合自動化系統(tǒng)，它以多層數(shù)據(jù)網(wǎng)絡(luò)為基礎(chǔ)，將各種不同的設(shè)備掛接 在網(wǎng)絡(luò)上，實現(xiàn)各部分的協(xié)調(diào)工作及數(shù)據(jù)和信息的共享，共同完成綜合控制與管理的功能。
需要指出的是，此處作為所述發(fā)明的應(yīng)用實例選擇HS2000工廠總線系統(tǒng)，技術(shù)人 員在閱讀本專利后，也可根據(jù)實際需要，選擇其他不同類型的工廠總線系統(tǒng)實現(xiàn)本發(fā)明所
述的功能。 HS2000系統(tǒng)的具體構(gòu)成單元 1)現(xiàn)場控制站主要由主控組件和輔助組建構(gòu)成，主控組建包括主控模板、I/O模 板、系統(tǒng)電源模板、總線底板和插件箱。輔助組件除不包括主控模板外，其余部分和主控組 件一樣?，F(xiàn)場控制站主要完成現(xiàn)場信號的輸入輸出及回路的控制。 一個現(xiàn)場控制站由一個 主控組件及多個輔助組件構(gòu)成。通過1/0模板實現(xiàn)紡絲工藝專家系統(tǒng)與生產(chǎn)總線的數(shù)據(jù)通 信。 2)操作員站由工控機及操作員站軟件構(gòu)成，它主要完成系統(tǒng)與操作員之間的人 機界面功能，包括現(xiàn)場狀態(tài)的顯示、報警、報表及操作命令的執(zhí)行等功能。通過操作命令的
10執(zhí)行實現(xiàn)紡絲專家系統(tǒng)對生產(chǎn)線的參數(shù)調(diào)整控制。 3)工程師站由IBM PC兼容微機及工程師組態(tài)軟件構(gòu)成，它主要完成HS2000系 統(tǒng)的配置、控制回路組態(tài)及下載目標運行系統(tǒng)到操作員站和現(xiàn)場控制站的功能。工程師站 中裝載了操作員站軟件后也可以作為操作員站使用。 如圖2所示，本方法采用DCS系統(tǒng)監(jiān)控紡絲生產(chǎn)線。下位機采集所需的樣本數(shù)據(jù)。
用采集到的樣本數(shù)據(jù)建立免疫優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)模型，并用預(yù)測樣本集進行檢驗。 作為實例，免疫優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)模型算法由C#編程實現(xiàn)，在Microsoft
VisualStudio開發(fā)環(huán)境下編譯生成DLL動態(tài)鏈接庫供其它程序調(diào)用；同時編制程序，對紡
絲性能預(yù)測，絲條各工序點參數(shù)顯示等功能進行實現(xiàn)。技術(shù)人員也可以根據(jù)實際情況，選擇
其它的軟硬件工具進行實現(xiàn)。 免疫優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)模型建立后，下位機采集到的數(shù)據(jù)直接傳入RBF神經(jīng)網(wǎng) 絡(luò)進行紡絲工藝設(shè)計，得出結(jié)果集后將結(jié)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(dǎo)生產(chǎn)。
以短纖維為例，工藝優(yōu)化首先建立免疫優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)模型，然后利用此網(wǎng) 絡(luò)進行工藝優(yōu)化，得出理想的生產(chǎn)參數(shù)。 具體軟件操作步驟如下在如圖4所示的軟件界面中，點擊"工藝優(yōu)化"按鈕，進行 以下操作 1.選擇工藝(只可選擇下拉菜單中的工藝) 2.輸入主要質(zhì)量指標(準確范圍為下拉菜單中的范圍，可以超出，但不要偏離過 大) 3.點擊"優(yōu)化計算"按鈕，在下方的"顯示生產(chǎn)參數(shù)"中會顯示計算得到的生產(chǎn)參 數(shù)，在"顯示設(shè)備參數(shù)"中會顯示設(shè)備參數(shù)。(注如果沒有生產(chǎn)參數(shù)顯示，說明輸入的某個 主要質(zhì)量指標超過允許范圍，可根據(jù)下拉菜單中的范圍進行調(diào)整再優(yōu)化計算。)
如圖1所示，是本發(fā)明的應(yīng)用實例所述的RBF三層神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)模型。所述模型 選取隨機采集到生產(chǎn)參數(shù)的前200組數(shù)據(jù)作為樣本數(shù)據(jù)，后100組數(shù)據(jù)作為測試樣本，建立 三層免疫優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)。 如圖3所示，本方法的紡絲工藝專家系統(tǒng)。經(jīng)過免疫優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)優(yōu)化后 得出的結(jié)果集，會傳入裝有紡絲工藝專家系統(tǒng)的上位機，專家系統(tǒng)對得出的結(jié)果集，進行分 析和評價，并用反饋指導(dǎo)生產(chǎn)。 上述方法首先用免疫優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)對紡絲生產(chǎn)工藝進行優(yōu)化，并將優(yōu)化后
的結(jié)果集傳入到紡絲工藝專家系統(tǒng)，專家系統(tǒng)會給出結(jié)果集的分析和評價。 上述方法采用下位機對數(shù)據(jù)采集和傳送，上位機主要存儲專家系統(tǒng)知識庫和規(guī)則集。 上述方法中，專家系統(tǒng)的知識庫和規(guī)則集可以增加和改進，具有自學(xué)習功能。
上述方法專家系統(tǒng)給出的結(jié)果分析和評價可以直接作用于生產(chǎn)線或者返回DCS 系統(tǒng)，由DCS對生產(chǎn)線進行調(diào)控。
權(quán)利要求
一種基于免疫神經(jīng)網(wǎng)絡(luò)的紡絲工藝智能優(yōu)化設(shè)計方法，包括下列步驟(1)RBF神經(jīng)網(wǎng)絡(luò)的建立采用雙模型結(jié)構(gòu)的RBF神經(jīng)網(wǎng)絡(luò)，一個模型用于自學(xué)習，24小時學(xué)習一次；另一個模型用于在線校正，為當前運行模型；它的輸入層由信號源節(jié)點組成；第二層為隱含層；第三層為輸出層；(2)紡絲工藝優(yōu)化設(shè)計的免疫神經(jīng)網(wǎng)絡(luò)模型的建立對RBF神經(jīng)網(wǎng)絡(luò)進行優(yōu)化，集散控制系統(tǒng)采集紡絲生產(chǎn)線上的生產(chǎn)參數(shù)和主要質(zhì)量指標，其中主要質(zhì)量指標簡稱為采集值，將生產(chǎn)參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入，主要質(zhì)量指標作為神經(jīng)網(wǎng)絡(luò)的輸出；在所述的RBF神經(jīng)網(wǎng)絡(luò)中，引入免疫優(yōu)化算法，得到免疫神經(jīng)網(wǎng)絡(luò)優(yōu)化模型；(3)紡絲工藝專家系統(tǒng)的建立紡絲工藝優(yōu)化設(shè)計的免疫神經(jīng)網(wǎng)絡(luò)模型建立后，將輸出結(jié)果傳送到裝有紡絲工藝專家系統(tǒng)的上位機，專家系統(tǒng)根據(jù)自身的規(guī)則知識庫和推理機分析生產(chǎn)參數(shù)和采集值，得出一組主要質(zhì)量指標的目標值，目標值和采集值進行比較得出誤差，專家系統(tǒng)再根據(jù)誤差，給出生產(chǎn)參數(shù)的調(diào)整值及原因解釋；(4)專家系統(tǒng)與纖維生產(chǎn)線的實時連接專家系統(tǒng)采用工廠總線與纖維生產(chǎn)線實時連接，以多層數(shù)據(jù)網(wǎng)絡(luò)為基礎(chǔ)，將各種不同的設(shè)備掛接在網(wǎng)絡(luò)上，實現(xiàn)各部分的協(xié)調(diào)工作及數(shù)據(jù)和信息的共享，共同完成綜合控制與管理的功能。
2. 根據(jù)權(quán)利要求1所述的一種基于免疫神經(jīng)網(wǎng)絡(luò)的紡絲工藝智能優(yōu)化設(shè)計方法，其特 征在于所述的步驟(1)中無論自學(xué)習模型還是在線校正模型都是六個小時校正一次，使 之迅速跟蹤當前工況，并同時比較兩個模型的精度；如果在線校正模型精度小于當前自學(xué) 習模型，則用自學(xué)習模型代替當前運行模型，稱為新的當前模型；否則，保留當前運行模型。
3. 根據(jù)權(quán)利要求1所述的一種基于免疫神經(jīng)網(wǎng)絡(luò)的紡絲工藝智能優(yōu)化設(shè)計方法，其特 征在于所述的步驟(2)對RBF神經(jīng)網(wǎng)絡(luò)模型進行優(yōu)化包括采集300組生產(chǎn)參數(shù)的采集值 數(shù)據(jù)進行RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練與預(yù)測，前200組數(shù)據(jù)用于RBF神經(jīng)網(wǎng)絡(luò)模型的建立，后100組 數(shù)據(jù)對其進行檢驗，具體步驟包括a. 初始化；b. 輸入訓(xùn)練樣本對，計算各層輸出；c. 計算RBF網(wǎng)絡(luò)模型的輸出誤差；d. 計算各層誤差信號；e. 調(diào)整各層權(quán)值；f. 檢查網(wǎng)絡(luò)總誤差是否達到精度要求，滿足，則訓(xùn)練結(jié)束；不滿足，則返回步驟(b)。
4. 根據(jù)權(quán)利要求1所述的一種基于免疫神經(jīng)網(wǎng)絡(luò)的紡絲工藝智能優(yōu)化設(shè)計方法，其特 征在于所述的步驟(2)中得到免疫神經(jīng)網(wǎng)絡(luò)優(yōu)化模型包括學(xué)習階段和工作階段所述的學(xué)習階段包括選定采集到的前200組數(shù)據(jù)作為數(shù)據(jù)樣本進行學(xué)習；RBF神經(jīng)網(wǎng) 絡(luò)模型的學(xué)習結(jié)果以網(wǎng)絡(luò)神經(jīng)元連接權(quán)值的方式存儲在網(wǎng)絡(luò)結(jié)構(gòu)之中，其步驟包括a. 初始化初始化所述RBF神經(jīng)網(wǎng)絡(luò)模型的初始權(quán)值，并以初始權(quán)值為內(nèi)容創(chuàng)建記憶 抗體集合M和初始抗體集合AbS，每組權(quán)值稱為一個抗體；所述單個數(shù)據(jù)樣本中包含的質(zhì)量 指標值稱為一個抗原；利用抗體生成具有所述結(jié)構(gòu)的RBF神經(jīng)網(wǎng)絡(luò)模型，并利用所述數(shù)據(jù) 樣本代入模型計算，進而比較模型計算值和樣本中包含的真實采集值的過程稱為抗原對抗體的剌激；多個抗體重復(fù)進行剌激所得到的誤差的總和稱為剌激強度；b. 免疫優(yōu)化1) 克隆選擇對M中的每一個抗體Ab，決定它們與抗原Ag的親和度，根據(jù)親和度值選 擇高親和度的記憶細胞M。，并克隆記憶細胞，將記憶細胞加入到AbS中；2) 親和度成熟通過隨機地或依照一定規(guī)則對抗體中部分權(quán)值進行改變以形成抗體 變異，變異的對象是具有高親和度的記憶細胞，將變異后的抗體加入到AbS中；3) AbS庫更新清除受到較少剌激的Ab，計算對每個Ab的平均剌激，檢查中止條件；4) 克隆選擇和親和度成熟根據(jù)剌激水平，克隆和突變AbS中的一部分抗體；5) 循環(huán)如果AbS中的平均剌激值小于給定的剌激閾值時，返回到步驟步驟3);6) 記憶細胞庫更新選擇與抗原作用的高親和度的抗體Ab，如果Ab的親和度大于M中 的記憶細胞Mc與抗原的親和度，則將新的Ab記為Mc-new加入到M中，如果Mc和Mc-new 的親和度小于親和度閾值，則將Mc從記憶集合M中刪除；c.循環(huán)檢查終止條件，如果滿足終止條件，優(yōu)化過程結(jié)束；否則返回到步驟(h)，直至 條件滿足為止；所述的工作階段為當后IOO組數(shù)據(jù)樣本輸入RBF神經(jīng)網(wǎng)絡(luò)時，將訓(xùn)練好的具有一定泛 型的網(wǎng)絡(luò)對該100組數(shù)據(jù)樣本利用內(nèi)插和外推的方式進行自適應(yīng)，完成特征匹配過程。
5. 根據(jù)權(quán)利要求1所述的一種基于免疫神經(jīng)網(wǎng)絡(luò)的紡絲工藝智能優(yōu)化設(shè)計方法，其特征在于所述的步驟(3)中的規(guī)則知識庫包括紡絲模型建立輔助知識庫、品種研發(fā)輔助知 識庫、性能預(yù)測輔助知識庫、工藝優(yōu)化輔助知識庫，在規(guī)則知識庫中，根據(jù)輔助知識庫中的 專家經(jīng)驗和知識以及國家規(guī)定的紡絲性能質(zhì)量標準，建立規(guī)則集。
6. 根據(jù)權(quán)利要求1所述的一種基于免疫神經(jīng)網(wǎng)絡(luò)的紡絲工藝智能優(yōu)化設(shè)計方法，其特征在于所述的步驟(3)中的推理機采用基于規(guī)則推理機，根據(jù)知識的語義，對找到的知識 進行解釋執(zhí)行，并把結(jié)果記錄到動態(tài)庫的適當空間中，并對紡絲工藝優(yōu)化誤差作出評價。
7. 根據(jù)權(quán)利要求1所述的一種基于免疫神經(jīng)網(wǎng)絡(luò)的紡絲工藝智能優(yōu)化設(shè)計方法，其特征在于所述的步驟(3)中的紡絲工藝專家還包括人機界面系統(tǒng)，是系統(tǒng)與用戶進行交流 時的界面，通過該界面，用戶輸入基本信息、回答系統(tǒng)提出的相關(guān)問題、系統(tǒng)輸出推理結(jié)果 及相關(guān)的解釋。
8. 根據(jù)權(quán)利要求1所述的一種基于免疫神經(jīng)網(wǎng)絡(luò)的紡絲工藝智能優(yōu)化設(shè)計方法，其特征在于所述的步驟(4)中的工廠總線系統(tǒng)的具體構(gòu)成單元包括1) 現(xiàn)場控制站主要由主控組件和輔助組建構(gòu)成，主控組建包括主控模板、1/0模板、 系統(tǒng)電源模板、總線底板和插件箱；輔助組件包括1/0模板、系統(tǒng)電源模板、總線底板和插 件箱；現(xiàn)場控制站主要完成現(xiàn)場信號的輸入輸出及回路的控制；一個現(xiàn)場控制站由一個主 控組件及多個輔助組件構(gòu)成；通過I/O模板實現(xiàn)紡絲工藝專家系統(tǒng)與生產(chǎn)總線的數(shù)據(jù)通 信；2) 操作員站由工控機及操作員站軟件構(gòu)成，它主要完成系統(tǒng)與操作員之間的人機界 面功能，包括現(xiàn)場狀態(tài)的顯示、報警、報表及操作命令的執(zhí)行功能；通過操作命令的執(zhí)行實 現(xiàn)紡絲專家系統(tǒng)對生產(chǎn)線的參數(shù)調(diào)整控制。3) 工程師站由IBM PC兼容微機及工程師組態(tài)軟件構(gòu)成，它主要完成所述工廠總線系 統(tǒng)的配置、控制回路組態(tài)及下載目標運行系統(tǒng)到操作員站和現(xiàn)場控制站的功能，工程師站 中裝載了操作員站軟件后也可以作為操作員站使用。
全文摘要
本發(fā)明涉及一種基于免疫神經(jīng)網(wǎng)絡(luò)的紡絲工藝智能優(yōu)化設(shè)計方法，利用免疫優(yōu)化的神經(jīng)網(wǎng)絡(luò)建立模型，對生產(chǎn)數(shù)據(jù)進行處理和分析，得到紡絲生產(chǎn)線參數(shù)的合理配置方案，繼而將模型和方案整合于專家系統(tǒng)中，并與生產(chǎn)線進行上線連接以根據(jù)實時生產(chǎn)數(shù)據(jù)同步修正所述的免疫神經(jīng)網(wǎng)絡(luò)模型及專家系統(tǒng)，對紡絲生產(chǎn)線上各參數(shù)進行統(tǒng)一配置，并根據(jù)生產(chǎn)線的運行情況對生產(chǎn)過程進行及時、有效的優(yōu)化。本發(fā)明采用紡絲工藝專家系統(tǒng)對結(jié)果集進行分析和評價，并用于指導(dǎo)生產(chǎn)，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(xué)習的功能。
文檔編號G06N3/04GK101782771SQ20101012651
公開日2010年7月21日 申請日期2010年3月17日 優(yōu)先權(quán)日2010年3月17日
發(fā)明者丁永生, 任立紅, 朱匯中, 李保卿, 梁霄, 王華平, 郝礦榮 申請人:東華大學(xué)