【導(dǎo)讀】UniversitätDresden.Dresden,Germany. Abstract. actionpoint. parameters.FarooqandC.Cherif

　　

【正文】 Main Draft zone:主要牽伸區(qū) Scanning Rollers:檢測羅拉 Break Draft zone:前牽伸區(qū) Pressuere Bar:壓力棒 leveling action point：勻整作用點 此前，棉條樣品必須在實驗室在不同的條件下進(jìn)行，在測試儀上進(jìn)行檢測棉條均勻度，直到找到最好的勻整作用點（手動進(jìn)行檢測）， RSB40并條機的自調(diào)勻整具有自動搜索確定最好的勻整作用點這一功能，棉條在進(jìn)行此功能期間，棉條被自動檢測是通過調(diào)整臨時的勻整作用點和被記錄的有用的數(shù)據(jù)，在此過程中，不斷的監(jiān)測的質(zhì)量參數(shù)和通過選擇棉條的最低點的棉條的 CV%，通過一種算法自動計算出最佳的自調(diào)勻整作用點 ， 目前的一個搜索 檢測 范圍是 120毫米，例如在每檢查 100m的棉條是 21點，因此 2100m的棉條必須進(jìn)行搜索功能，這是一種比較費時的方法，材料和生產(chǎn)的損失會直接影響成本，在這項工作中，我們試圖找出一種能夠預(yù)測出勻整的作用點，利用 人工神經(jīng)網(wǎng)絡(luò)、限制自動搜索范圍和減少上述缺點。 人工神經(jīng)網(wǎng)絡(luò) 利用人工神經(jīng)網(wǎng)絡(luò)的目的在于他們的靈活性和信息處理能力，傳統(tǒng)的計算方法不具備。神經(jīng)網(wǎng)絡(luò)系統(tǒng)可以 由用戶提供的輸入 輸出模式通過 ―經(jīng)驗和學(xué)習(xí) ‖ 這種方式來解決 問題， 在紡織品領(lǐng)域，人工神經(jīng)網(wǎng)絡(luò) (主要使用反向傳播 )在過去20年已經(jīng)在廣泛的研究，在紡織 領(lǐng)域之前的研究領(lǐng)域一直專注于預(yù)測紗線性能和紡紗纖維工藝使用性能或結(jié)合纖維的性能和機器型號作為的人工神經(jīng)網(wǎng)絡(luò)的輸入。反向傳播 是一種監(jiān)督學(xué)習(xí)技術(shù)，頻繁用于人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。 反向傳播算法是基于 Widrow 的霍夫三角洲學(xué)習(xí) 法則， 其中 權(quán)重是通過 樣輸出到樣品輸入之間的 響應(yīng) 的 平 方差 進(jìn)行調(diào)整 。 這系列單一模式 ,反復(fù)提供給網(wǎng)絡(luò) ,直到誤差值最小化。誤差反向傳播算法采用最 快下降法 ,這實質(zhì)上是一個一階的方法確定一個合適的梯度運動方向。 過度擬合 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練的目標(biāo)是產(chǎn)生一個網(wǎng)絡(luò)，在這個開發(fā)的網(wǎng)絡(luò)上產(chǎn)生較小的錯 誤 ,并且 這種情況依然可能會反映出的是一個異常的輸入。當(dāng)一種網(wǎng)絡(luò)模式異常的輸入作為研發(fā)系統(tǒng)的輸入 ,這種網(wǎng)絡(luò)被認(rèn)為是廣義 的網(wǎng)絡(luò)。很大程度上是受到網(wǎng)絡(luò)的泛化能力的網(wǎng)絡(luò)架構(gòu) (一些隱藏的神經(jīng)元 )這在開發(fā)過程中起著至關(guān)重要的作用 ,而網(wǎng)絡(luò)是太復(fù)雜的，不足以來收集的所有信息數(shù)據(jù)，這被認(rèn)為是不充分?jǐn)M合 ,而當(dāng)一個網(wǎng)絡(luò)是過于復(fù)雜 ,那么很難適應(yīng)與紊亂的數(shù)據(jù)，這將會導(dǎo)致過度擬合。 ―噪音 ‖的意思是從一個特定的網(wǎng)絡(luò)中的輸入值中變化的目標(biāo)值 是預(yù)測不到的。所有的標(biāo)準(zhǔn)，例如完全連接的多層感應(yīng)器神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)容易出現(xiàn)過擬合。此外，從紡織行業(yè)它是很難獲得沒 有紊亂的數(shù)據(jù)，由于最終產(chǎn)品依賴于固有材料變化和環(huán)境條件等問題，解決這個問題最普遍的方法是阻止這些問題的出現(xiàn)。 這包括訓(xùn)練的數(shù)據(jù)劃分成的三 個組 ,即一個訓(xùn)練集 ,驗證集和測試集 ,這其中有個缺點是一個大量的數(shù)據(jù)部分 (驗證系統(tǒng) )不可能是訓(xùn)練的部分。 正規(guī)化 另一個過擬合解決方案是正規(guī)化 ,這是提高泛化通過約束網(wǎng)絡(luò)的權(quán)值的大小的方法。 麥凱討論了一個實用的貝葉斯框架網(wǎng) ——反向傳播網(wǎng)絡(luò) ,連續(xù)生產(chǎn)的網(wǎng)絡(luò)具有良好的泛化。 最初的開發(fā)的過程中目標(biāo)是是求最小平方誤差的總和 : ?? ??ni iiD atE 12)( （ 1） 其中 t是目標(biāo)函數(shù)和 a是神經(jīng)網(wǎng)絡(luò)反應(yīng)各自的目標(biāo)。通常情況下，開發(fā)的目標(biāo)是減少平方差和 F=Ed。然而正規(guī)化增加了一個額外的長期目標(biāo)函數(shù)。這是由以下函數(shù)得到的： WD EEF ?? ?? （ 2） 在方程（ 2）中，是網(wǎng)絡(luò)權(quán)重的平方的總和， ? 和 ? 都是目標(biāo)函數(shù)的參數(shù)，目標(biāo)函數(shù)參數(shù)的相對大小決定了訓(xùn)練的重點，如果 ? ? ,然后訓(xùn)練的算法就會產(chǎn)生較小的誤差，如果 ? ? 訓(xùn)練的神經(jīng)網(wǎng)絡(luò)就會在網(wǎng)絡(luò)錯誤代價強調(diào)權(quán)重的減小，從而產(chǎn)生一個流暢的網(wǎng)絡(luò)響應(yīng)。 貝葉斯學(xué)校的統(tǒng)計數(shù)據(jù)是基于一個完全不同的角度來獲取數(shù)據(jù) ,其中的概率是用來表示關(guān)系的不確定性有學(xué)問。 看到任何數(shù)據(jù)之前。 先前的看法可能是真正 的關(guān)系可以用概率分布來表示，通過網(wǎng)絡(luò)權(quán)值來定義這種關(guān)系。 方案構(gòu)思后的數(shù)據(jù)，修訂后的觀點通過之后的網(wǎng)絡(luò)權(quán)值分布來捕獲，在以前網(wǎng)絡(luò) 權(quán)重似乎有道理，但是與數(shù)據(jù)不相符，現(xiàn)在被看做是不太可能，而對不適合數(shù)據(jù)的權(quán)重值的概率將增加。 在貝葉斯框架的權(quán)重網(wǎng)絡(luò)被認(rèn)為是隨機變量。數(shù)據(jù)被采取后 ,后驗概率密度函數(shù)的權(quán)重可以根據(jù)貝葉斯規(guī)則更新 : ),/( ),/(),/(),/( MDP MwPMwDPMDwP ?? ????? ? （ 3） 在方程 (3),D代表數(shù)據(jù) 集 ,M是使用于特定的神經(jīng)網(wǎng)絡(luò)模型和 w是網(wǎng)絡(luò)權(quán)值向量。),/( MwP ? 是先驗概率 ,代表我們的知識收集數(shù)據(jù)之前權(quán)重。 ),/( MwDP ? 是似然函數(shù) ,這是數(shù)據(jù)的可能性發(fā)生 ,由于重量 w . ),/( MwP ?? 是一個標(biāo)準(zhǔn)化的因素 ,它可以保證總概率是 1。 在這項研究中 ,我們使用矩陣神經(jīng)微機網(wǎng)絡(luò)化工具箱函數(shù) ‖trainbr‖,這是一個公司 麥夸特法 和貝葉斯正則化定理 (或貝葉斯學(xué)習(xí) )融入到反向傳播來訓(xùn)練神經(jīng)網(wǎng)絡(luò)來減少計算超過海森矩陣的近似值和產(chǎn)生好的的泛化能力。這種算法提供了一個網(wǎng)絡(luò)參數(shù)量度 (權(quán)值和偏差 )，被網(wǎng)絡(luò)有效的利用。不考慮在網(wǎng)絡(luò)中參數(shù)的總數(shù)，有效的參數(shù)的數(shù)量應(yīng)該保持相同的 ,。這就消除了猜測需要在確定最優(yōu)網(wǎng) 絡(luò)大小。 測試 實驗數(shù)據(jù)可從立達(dá) ,戈爾的制造商（并條機 RSBD40）得到。對于這些實驗 , 在紡織行業(yè)材料的選擇和實驗設(shè)計是基于特定的材料使用的頻率。例如 ,粗梳棉紗是使用最為頻繁的材料 ,所以它被作為標(biāo)準(zhǔn)和實驗研究在棉花的所有可能的設(shè)置 , 它不同于其他材料。同時 ,認(rèn)清這個事實 ,所有的材料無法進(jìn)行輥壓力和牽伸裝置 ,不同紡紗是事先是設(shè)置好的。材料的處理方案計在表 1中給出。 標(biāo)準(zhǔn)的程序適用于所有的材料和標(biāo)準(zhǔn)程序?qū)τ谧哉{(diào)勻整裝置 (棉條線密度、強度 )也被采納。手動和自動搜索進(jìn)行比較，從 RSBD40自動搜索搜索功能獲得了了更好的 CV %結(jié)果。因此，勻整作用點搜索時候由立達(dá)質(zhì)量監(jiān)控器（ RQM）完成的。一個實驗?zāi)Ｐ偷某橄竺枋鋈鐖D 2所示。 這里主要考慮的一點是在機械上調(diào)整勻整作用點主要影響因素是不可能的，例如，喂棉速度，因此給棉速度被認(rèn)為是棉條傳送速度和并條支數(shù)直接相關(guān)的，可以根據(jù)公式（ 4）來計算。棉條傳送速度是在 300m/min和 1100m/min之間變化，并條數(shù)是從 5到 7之間變化，通過這種方法可以獲得不同的喂棉速度。 喂棉速度 =傳送棉條紗線支數(shù) *傳送速度 /（并條數(shù) *喂入紗線支數(shù)） 訓(xùn)練和測試環(huán)境 神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練 ,實 驗數(shù)據(jù)分為三個階段。第一階段包括初始編譯的數(shù)據(jù)和隨后的分析。事先了解影響勻整作用點的因素 ,即喂棉速度 ,送棉速度 ,后區(qū)牽伸 ,記長器和主牽伸 ,而導(dǎo)條的設(shè)置通常是選擇數(shù)據(jù)。所以第一階段包含了實驗 ,標(biāo)準(zhǔn)的選取作為基本參照 ,然后在每一次實驗 時改變影響勻整作用點的參數(shù)。 在第二階段，實驗選擇應(yīng)該是更多的影響參數(shù)改變，這種網(wǎng)絡(luò)被允許學(xué)習(xí)復(fù)雜的關(guān)系，這個選擇是是確定影響參數(shù)的基礎(chǔ)上，增加或減少勻整作用點的距離，第三階段是參與試點規(guī)模機上進(jìn)行試驗，通過機器制造商來獲得獲得不同的參數(shù)設(shè)置，因此，這些結(jié)果被選定評估神經(jīng)網(wǎng)絡(luò)的 性能。 預(yù)處理數(shù)據(jù) 規(guī)范的輸入和目標(biāo)變量往往可以通過改善數(shù)值條件的問題讓學(xué)習(xí)過程表現(xiàn)更好的 。 它可能學(xué)習(xí)的更快和和減少 保留在局部最小值的可能性。 因此 ,對神經(jīng)網(wǎng)絡(luò)的訓(xùn)練 ,因為大跨度的網(wǎng)絡(luò)數(shù)據(jù)的輸入，輸入值和目標(biāo)值進(jìn)行調(diào)整以獲得更好的性能。起初 ,輸入值和目標(biāo)值標(biāo)定的時間間隔是在 (1,1)之間內(nèi) ,它并沒有表現(xiàn)出任何比較好的結(jié)果。后來數(shù)據(jù)標(biāo)定的間隔時間在 [0,1]之間和神經(jīng)網(wǎng)絡(luò)的訓(xùn)練成功了。 神經(jīng)網(wǎng)絡(luò)訓(xùn)練 我們訓(xùn)練了了五個不同的神經(jīng)網(wǎng)絡(luò)，通過逐步增加數(shù)量的訓(xùn)練數(shù)據(jù)集來預(yù)測自調(diào)勻整的作用點。數(shù)據(jù)集被分 成訓(xùn)練集和測試集 ,如表 2所示。訓(xùn)練的實施通過訓(xùn)練集和測試集進(jìn)行判斷神經(jīng)網(wǎng)絡(luò)在形式中的錯誤。圖 3描述了 5個開發(fā)神經(jīng)網(wǎng)絡(luò)的性能。 結(jié)果和討論 正如表 2中已經(jīng)提到的 ,不 同的數(shù)據(jù)集組合被用來訓(xùn)練五個神經(jīng)網(wǎng)絡(luò)密切監(jiān)測他們測試性能 ,例如，表現(xiàn)在看不見的數(shù)據(jù)。根據(jù)貝葉斯法則對于適當(dāng)數(shù)量的隱藏層和含隱藏層神經(jīng)元消除猜測性的工作 ,這些隱藏的神經(jīng)元從 14到 22之間變動 ,選擇兩個層來進(jìn)行網(wǎng)絡(luò)訓(xùn)練。背后的基本想法網(wǎng)絡(luò)拓?fù)溥x擇 ,該網(wǎng)絡(luò)應(yīng)該是足夠的復(fù)雜來了解所有的關(guān)系數(shù)據(jù)作為過擬合問題解決的可能性與正規(guī)化。在訓(xùn)練期間的表現(xiàn)和測試數(shù) 據(jù)集性能可以從圖 48看到。 Figure 4 Testing performance of NN 1. Figure 5 Testing performance ofNN 2. Figure 6 Testing performance of NN 3. Figure 7 Testing performance of NN 4. Figure 8 Testing performance of NN 5. 平均絕對誤差計算是預(yù)測值與實際值之間的比較 ,訓(xùn)練和測試 ,結(jié)果如圖 9所示?？傮w的結(jié)果通過考 慮存在或不存在訓(xùn)練的數(shù)據(jù)輸入輸出關(guān)系和增加訓(xùn)練數(shù)據(jù)集來增加預(yù)測性能可以解釋。圖 9澄清了增加測試錯誤 ,與增加的訓(xùn)練總數(shù)一樣、數(shù)據(jù)集從不同階段訓(xùn)練和測試數(shù)據(jù)集上執(zhí)行 (NN2 amp。 NN4,見表 2)。然而 ,當(dāng)階段數(shù)據(jù)部分被用來訓(xùn)練神經(jīng)網(wǎng)絡(luò)，其他的被用來進(jìn)行測試時，錯誤呈現(xiàn)下降 ,就像在NN 3， NN 5和 2， 4 NN神經(jīng)網(wǎng)絡(luò)比較。 ,不同的輸入輸出關(guān)系存在于在不同階段解釋這種趨勢。在 NN1神經(jīng)網(wǎng)絡(luò)的異常行為，就上述事實是歸因于相對少量的數(shù)據(jù)集 。 Figure 9 Error parison between training and test sets. 為了評估神經(jīng)網(wǎng)絡(luò) 5的擬合度 , 10倍的交叉驗證是被預(yù)制，即使用 90%的數(shù)據(jù)進(jìn)行訓(xùn)練 ,10%用于測試 ,重復(fù) 10次的訓(xùn)練和測試網(wǎng)絡(luò) ,每次都在 10%的數(shù)據(jù)看不見。平方 2R = 。采用同樣的方法 80%作為訓(xùn)練 ,20%的測試集和計算值 2R 是 。性能的降低是由于 80%的數(shù)據(jù)集提供訓(xùn)練。然而 ,這些值確定神經(jīng)網(wǎng)絡(luò)模型 5模型非常合適的。 結(jié)論 人工神經(jīng)網(wǎng)絡(luò)模型的 研究和網(wǎng)絡(luò)的訓(xùn)練是在的紡織品研究所和服裝技術(shù)、德累斯頓技術(shù)大學(xué)。 使用貝葉斯正則化降低測試誤差，對實際應(yīng)用表明結(jié)果很不錯的。 從 NN 5測試的性能的如表 3所示 ,一個最大偏差約 2毫米是可觀的 , 屬于微不足道的 3毫米范圍內(nèi)。因此 ,神經(jīng)網(wǎng)絡(luò)可以應(yīng)用于未來的快速計算這一行列 ,快速調(diào)整和節(jié)約材料和時間占優(yōu)勢。在計算精度可以帶來更好的棉條和更好的成紗質(zhì)量。