基于窗口波动模式识别的纺纱过程质量波动异常预警.pdf

研究与技术丝绸 基于窗口波动模式识别的纺纱过程质量波动异常预警 胡 胜 陈 臣 李 文 汪成龙(西安工程大学 机电工程学院西安)摘要:纺纱过程受到多因素的影响其质量波动呈现复杂性 文章针对纺纱过程质量波动异常难以及时预警的问题提出一种基于窗口波动模式识别的纺纱过程质量波动异常预警方法 首先对纺纱过程参数时序集进行窗口分解定义异常波动率对窗口序列的波动程度进行表征然后根据窗口是否存在异常预期信号对模式进行判别并构建参数优化的随机森林模型对窗口波动模式进行识别据此构建纺纱过程质量波动异常预警策略 通过细纱过程数据集进行验证结果显示所提方法在实现对纺纱质量异常波动进行预警的同时还能够准确追溯异常波动源头为纺纱生产质量稳定提供保证关键词:纺纱过程质量波动异常预警随机森林移动窗口中图分类号:.文献标志码:文章编号:()引用页码:./.收稿日期:修回日期:基金项目:国家自然科学基金项目()陕西省自然科学基础研究计划项目()西安工程大学研究生创新基金项目()作者简介:胡胜()男副教授博士主要从事复杂工业过程建模与优化、质量管理与质量工程的研究 纺纱过程由于其复杂环境及多源信息交互性等特点其各环节中的成纱质量受到多种质量参数影响且目前纱线质量控制方法还停留在事后质检的水平上只能发现废品而不能预防废品的产生其结果直接导致企业的制造成本增加并造成更多经济损失 因此针对纺纱过程质量波动问题从早期挖掘异常波动的角度出发对纺纱过程出现异常波动的时刻及异常原因进行预警分析及时对纺纱过程稳定性进行判别具有重要意义目前国内外学者围绕异常预警问题主要从以下两种实现方式进行了深入研究并取得一系列成果:一是基于历史数据及先验知识进行健康监测与状态评估实现异常预警 等提出了一种合适的模糊下推自动机控制方法以实现纱线质量控制 徐继亚等提出了一种基于融合核主元分析与模糊信息粒化的支持向量机预测方法通过跟踪性能退化指标的变化趋势及波动范围实现轴承故障预警 为解决单一工序的纺纱质量控制模型难以实现对纺纱质量的精准控制问题邵景峰等构建了一种基于多工序知识关联的纺纱质量智能控制模型 胡胜等提出一种基于节点敏感波动分析的质量稳定性评估方法通过计算误差因素的敏感波动率实现异常质量状态的敏感波动分析 刘伟强等提出一种基于脆性度和云模型的健康状态评估方法在发动机缸盖装配系统评估过程中提供准确及时的状态信息 王梓齐等提出一种基于模糊软聚类和集成的状态监测方法通过构造健康指数反映齿轮箱的早期故障及其发展趋势 邓丽等提出一种融合数据流时空特征和多分类模型的异常检测算法对传感器数据流进行异常检测及异常类型识别 严英杰等构建了一种基于滑动窗口和聚类的融合算法实现对变电设备的异常情况进行检测 倪广县等提出了一种滚动轴承高维随机矩阵的状态异常检测算法 等提出了基于稀疏贝叶斯学习和假设检验的齿轮箱油温异常检测方法 赵庆兵等设计并开发了一种基于参数自回归算法的用于核电厂关键设备早期预警的方法通过动态阈值对设备状态进行监测 等采用多变异状态估计技术构建描述设备正常状态的非参数模型将状态的滑动窗口相似性作为故障预警的评价标准 另一种是基于数据建模的预测方法其基本思想是通过分析历史运行数据的关联关系对后续参数趋势进行短时预测并设置阈值实现异常预警 等提出一种基于多元回归模型的纺纱质量预测方法通过大量的纺纱历史数据构建预测模型实现对纱质量的精准预测 王明达.等建立基于支持向量机的在线异常预测模型和基于贝叶斯网络的故障诊断模型在数据采集与监视控制系统()上实现异常判别 董海鹰等构建自回归求和滑动平均模型对风力发电机轴承寿命进行预测 王庆锋等提出一种基于谱距离指标运行可靠性曲线趋势滤波的旋转设备性能退化预测模型实验表明该方法能够在不依赖专家先验知识的前提下准确预测和追踪旋转设备性能退化趋势的发生和发展 胡胜等提出基于变点识别的纺纱过程质量波动异常预警方法通过移动窗口分析和多核学习技术对纺纱过程质量特性波动的分布变点进行识别实现纺纱质量波动预警以上研究发现目前针对生产过程异常预警问题的研究主要集中在设备或零件故障预警及产品质量特性异常监测而针对纺纱生产过程的质量稳定性问题鲜有研究在实际的纺织生产过程中其过程波动稳定性是掌握纱线质量的有效途径从预防异常影响扩大的角度及时推断纺纱过程的异常波动进行早期预警和异常溯源分析仍是当前研究的重要方向基于此本文在前述研究成果的基础上重点聚焦纺纱过程中的多质量因素波动异常预警问题提出一种基于窗口波动模式识别的纺纱过程质量波动异常预警方法通过均方根误差表征相邻窗口的质量因素波动程度在引起质量特性波动前实现纺纱过程异常的早期预警并对异常波动源头进行追溯最后通过实例验证所提方法的有效性 纺纱过程多质量参数波动表征.纺纱过程质量波动表征纺纱过程质量波动异常预警的基础是对多质量监测参数进行波动模式表征 纺纱过程处于正常波动模式时其监测数据在合理的区间内波动当出现异常因素时监测点间的波动幅度及波动趋势会出现显著变化 为有效表征纺纱过程质量波动变化同时消减随机波动对异常预警结果的影响本文进行质量波动表征与窗口序列分解记 维度样本容量为 的纺纱过程多质量参数序列其质量波动表征流程如图 所示图 纺纱过程质量波动表征.具体步骤如下:)设滑动窗口由目标时刻及前 个时刻的监测数据组成()()表示监测参数 在 个时刻内的窗口序列窗口大小为 当新数据产生时滑动窗口整体向前滑动一个位置将原窗口最末端的数据删减并加入新数据实现滑动窗口的迭代更新 设滑动窗口的宽度为 窗口每次移动一个时间点对于 个样本数量的纺纱过程多质量参数序列 共有 个滑动子窗口对其采用滑动窗口处理得到窗口状态矩阵由下式确定 ()式中:表示 时刻形成滑动子窗口)计算窗口 的过程参数 向前一个正常波动时间窗内的均方根误差 基于均方根误差对滑动子窗口的波动程度进行表征由下式计算第 卷 第 期基于窗口波动模式识别的纺纱过程质量波动异常预警()()()()()将 进行概率映射并基于下式定义异常波动率:()式中:为参数 正常波动时的均方根误差平均值由 ()计算得到由式()可以看出当均方根误差 时反映出该过程参数在窗口内始终在正常范围内波动其纺纱过程越稳定当 等于均值时 .故以此值为基准当 远大于该值时异常波动率 越靠近 当前纺纱过程越不稳定反映出异常因素导致过程波动加剧.质量波动窗口序列分解通过对子窗口内数据波动进行表征得到能反映过程质量波动程度的子窗口异常波动率向量 据此进行质量波动子窗口序列分解如下式所示:()采用多个连续的子窗口异常波动率向量来表征纺纱过程波动状况当滑动窗口中的监测数据波动稳定时指标异常波动率也处于合理的波动范围该子窗口的质量波动为正常波动 当纺纱过程滑动窗口中出现异常监测数据时由于质量波动出现异常预期信号其对应的指标异常波动率也出现剧烈变化此时将包含异常监测数据的子窗口序列标记为异常波动模式因此纺纱过程质量波动异常预警问题就可以转变为纺纱过程多质量参数子窗口模式识别问题通过对纺纱过程进行子窗口序列分解识别出现异常预期信号的子窗口时刻 根据其指标异常波动率向量与正常纺纱过程异常波动率向量间的差异及时判别出现异常波动模式的窗口序列识别预期异常信号并对异常原因进行追溯完成纺纱质量波动异常预警 质量波动异常预警建模.基于随机森林的窗口波动模式识别基于以上分析本文将纺纱过程质量波动异常预警建模问题转变为多质量参数子窗口模式识别问题 其实质是在纺织过程的正常波动模式与异常波动模式之间构造决策面依据构造的决策面对质量波动的不同特征模式进行识别然后对识别出的异常波动模式进行报警 随机森林能够处理非线性高维特征数据且形成的决策树对非训练样本仍能表现较高的识别精度鉴于此本文采用随机森林对异常波动窗口模式进行识别对于子窗口序列 和对应的标签其中 为 维子窗口异常波动率向量基于随机森林的窗口波动模式识别过程如下:)选定适宜的随机森林参数包括决策树个数、最大特征数目 通过 对进行有放回抽样共抽取 个样本形成训练子集未抽到的样本构成袋外数据)从 个监测参数中随机选取()个特征参数按照基尼系数进行节点分裂分裂不进行剪枝 重复步骤 和步骤 建立 棵决策树的随机森林)使用 棵决策树对 中的窗口波动类型进行预测采用简单多数投票原则计算出最终的分类结果并与实际运行状态的标签比对得到 的分类误差 ()式中:和 分别随机森林预测值和实际值随机森林模型的最优参数选择通过最大化分类精度来获得在基于随机森林算法做窗口模式分类时在训练样本一定的情况下影响分类精度与时间复杂度的主要因素有两个:生成一棵决策树所随机选取的属性特征数量(简称特征数量)和最终生成的决策树数量 因此以最大化分类精度为优化目标采用四折交叉及网格化搜索法对()两种参数进行参数选择.纺纱过程质量波动异常预警策略纺纱过程质量波动异常预警模型由质量波动表征和质量波动异常识别两部分组成构建如图 所示的质量波动异常预警策略具体实施过程如下:)给定纺纱过程中多维质量监测参数 对其归一化后构建窗口宽度为、步长为 的滑动窗口并进行子窗口划分得到窗口状态矩阵 )基于波动表征原理对各子窗口序列进行均方根误差的求取并完成的异常概率映射后得到纺纱过程的窗口序列 并根据子窗口是否含有异常数据进行标记得到对应.图 纺纱过程质量波动异常预警策略.的窗口波动模式 )以为随机森林的训练样本对子序列波动模式进行随机森林建模结合网格化搜索确定窗口波动模式识别模型的最优参数)对实时的监测数据进行新窗口序列的构建并完成波动程度的表征后输入到随机森林的窗口波动模式识别模型中输出具体的波动模式 )以连续出现异常波动窗口为预警条件对实时监测数据进行质量波动异常预警降低偶然波动对预警精度的影响确定警告发生时刻及异常原因)发送预警信息后人工核验纺纱过程实时状态并进行识别模型的更新 实例分析以纺纱过程的细纱工序为例验证质量波动异常预警方法的有效性 细纱工序是纺纱生产过程中的最后一道工序其过程稳定程度决定了纱线质量的好坏主要涉及到 个质量影响参数参考优化后的部分最优工艺条件并根据实际细纱工序的关键影响参数进行正态分布的数据采样参数分布如表 所示 其中细纱工序异常采用定点施加扰动产生采样数据包含正常波动的细纱数据和施加扰动的异常细纱数据两种数据类型共计 组样本异常细纱过程数据包括:第一段(组)和第二段(组)其中异常数据为对毛条含油施加均值为.、标准差为.的异常扰动数据及对纤维细度施加均值和标准差均为 的异常扰动数据表 细纱工序的关键质量影响参数分布.参数毛条含油/毛条回潮率/纤维细度/细度离散/纤维长度/纤维不匀率/粗纱捻系数细纱牵伸/倍钢丝圈直径/细纱车速/()均值.标准差.纺纱过程质量波动表征为分析纺纱过程质量波动表征的有效性首先以 组的毛条含油数据为例进行滑动窗口分解与波动表征通过对.进行窗口宽度为、步长为 的子窗口划分得到 个毛条含油窗口子序列:.和.然后由式()求得当前窗口对于上一窗口的均方根误差.计算正常波动的毛条含油数据的均方根误差平均值并根据式()求得子窗口 的毛条含油异常波动率为:.()以窗口宽度为、步长为 的滑动窗口重复上述滑动窗口分解与波动表征过程对第 组的毛条含油数据进行波动表征分析数据从第 组开始异常 图 显示了毛条含油异常波动率变化曲线可以看出该段细纱过程起初在均值.附近上下波动从第 个窗口开始出现异常数据此时滑动窗口移动到第 组(异常)样本处异常数据的出现导致指标异常波动率出现较大波动之后的异常波动率持续变大 说明采用异常波动率对窗口序列进行波动表征的同时可及时甄别异常信号实现了质量波动的有效度量图 毛条含油异常波动率变化.第 卷 第 期基于窗口波动模式识别的纺纱过程质量波动异常预警.不同窗口宽度对异常波动表征的影响为分析不同窗口宽度对异常波动表征的影响分别对 组的细纱数据 个指标进行纺纱过程质量波动表征 首先对该段细纱过程进行滑动窗口分解分别选取滑动窗口的宽度为、窗口每次移动一个时间点对 组细纱数据集进行移动窗口分解然后计算子窗口所有指标的异常波动率每个子窗口的质量波动程度由 个指标的异常波动率表征 考虑到图片的可读性仅对 组数据的毛条含油、毛条回潮、纤维细度及纤维离散指标异常波动率进行展示其指标异常波动率的分布变化如图 所示 对比图 的()()()三个子图可以看出不同的窗口宽度对波动表征效果具有一定的影响:窗口宽度过小容易导致其波动率的变化范围较大其表征结果容易受到偶然波动的影响导致对加工状态的误判窗口宽度过大也会造成表征结果对异常数据不敏感图 细纱过程各指标异常波动率分布变化.基于随机森林的纺纱波动预警建模进行细纱过程质量波动异常预警模型构建时首先提取 组样本数据建立随机森林子序列波动模式识别模型并采用网格化搜索及交叉验证对随机森林模型进行()、()的参数优化 设置、的网格大小分别为、进行粗略搜寻搜寻后锁定()、()然后设置网格大小均为 对该区间进行精确寻优两次寻优过程如图 和图 所示最后确定 、为随机森林模型的最优参数图 网格大小为、的区间锁定.图 网格大小均为 的精确寻优.为选择合适的窗口宽度基于构建的随机森林模型对不同窗口宽度构成的子窗口序列进行识别 图 显示了不同窗口的波动表征对识别精度的影响可以看出窗口宽度过小容易导致其波动率的变化范围较大造成对子窗口的波动模式的误判而产生误警现象而窗口宽度过大时对异常数据的感知能力较弱影响了异常波动预警的及时性 因此采用窗口宽度为、步长为 构建纺纱质量波动表征模型.图 不同窗口的波动表征对识别精度的影响.基于窗口宽度为、步长为 的波动表征模型及优化随机森林模型对 组样本进行质量波动异常预警以一个窗口为单位进行该段细纱过程的窗口子序列划分形成 个窗口序列并计算其指标异常波动率依次对各子窗口进行模式识别其波动模式输出结果和滑动窗口移动过程分别如图 和图 所示 由图 可以看出实际窗口模式在第 个滑动窗口处发生波动模式的转变 结合图 的滑动窗口在样本序列中的移动过程可知此时滑动窗口移动到第 组(异常信号出现)样本处而提出的随机森林预警方法在异常信号出现后的第二个窗口识别出波动模式的转变此时滑动窗口移动到第 组样本处且此后一直维持异常波动模式按照连续出现异常波动模式的预警策略在第 个窗口发出预警信息该模型的窗口波动模式识别率达到.图 质量波动模式输出结果.图 滑动窗口模式识别图解.不同算法对纺纱质量波动预警效果的影响为了分析构建的质量波动异常预警模型效果采用窗口宽度为、步长为 作为波动表征模型参数分别选取支持向量机()和 最近邻算法()对 组数据进行窗口模式识别效果的对比分析 图 和图 显示了不同算法的纺纱质量波动模式识别结果可以看出基于 和 的纺纱过程质量波动模式识别在异常初期无法及时预警且在后续模式识别中还会将异常窗口模式误判为正常窗口模式导致漏警问题图 基于 的纺纱质量波动模式识别.图 基于 的纺纱质量波动模式识别.为进一步说明本文提出方法的有效性表 统计了不同算法模型在波动模式识别过程中的效果对比 由表 可以看出在波动模式识别准确率指标层面基于 和 的纺纱过程质量波动模式识别方法要远低于基于随机森林的方法较易造成漏警和虚警问题在预警时刻及时性的指标层面所提方法在出现异常信号后的第 个窗口(第 个子窗口)就给出预警信息相比 和 算法均提前进行了报警说明所提方法可以对纺纱过程异常波动进行提前预警在建模时间上本文提出的方法略高于其他几种算法这是由于随机森林属于集成方法所致但各方法建模时间均为毫秒级并不会增加实际应用的建模难度 综上本文所提方法在提高波动模式识别准确率和提前实现预警同时不会增加实际应用难度较其他方法具有一定的优异性第 卷 第 期基于窗口波动模式识别的纺纱过程质量波动异常预警表 不同算法的纺纱质量波动模式识别效果对比.算法类型参数设置波动模式识别准确率/准确识别出异常模式的窗口序号建模时间/径向基核函数 .欧氏距离.随机森林.纺纱质量异常波动溯源分析基于细纱过程质量波动异常预警结果对其中的异常波动模式窗口进行异常溯源分析 对识别为异常窗口的 个窗口子序列的异常原因进行识别识别结果如图 所示 由图 可以看出前 个窗口子序列均为毛条含油异常中间 个窗口为纤维细度异常后续窗口为两种异常波动的复合异常 识别结果与实际异常类型相符合且识别精度达到说明提出的方法能够在进行异常波动预警的同时实现异常波动源头的精准判断从而为生产人员提供了异常源信息有效保证了纱线生产过程的持续稳定图 纺纱质量异常波动溯源分析.结 论本文针对纺纱过程质量波动异常预警问题提出了基于窗口波动模式识别的纺纱过程质量波动异常预警方法 以纺纱过程中的细纱加工为例进行验证结果表明所提方法能够有效对细纱过程的异常质量波动进行及时准确的早期预警并能实现异常信息的准确溯源为保障整个纺纱生产过程的安全稳定提供理论依据丝绸官网下载中国知网下载参考文献:.():.赵薇玲 章军辉 陈明亮 等.人工智能技术驱动的纺纱质量预测研究进展.丝绸 ():.():.:.():.徐继亚 王艳 严大虎 等.融合 与信息粒化的滚动轴承性能退化 预测.系统仿真学报 ():.():.邵景峰 马创涛.一种多工序知识关联的纺纱质量智能控制模型.控制理论与应用 ():.():.胡胜 赵丽萍 要义勇.基于节点敏感波动分析的质量状态稳定性评估.计算机集成制造系统 ():.():.刘伟强 金智献 徐立云.基于脆性度和云模型的发动机缸盖装配系统健康状态评估.计算机集成制造系统 ():.():.王梓齐 刘长良 刘帅.基于集成 和模糊软聚类的风电机组齿轮箱状态监测.仪器仪表学报 ():.():.邓丽 刘庆连 邬群勇 等.基于数据流时空特征的 异常检测及异常类型识别.传感技术学报 ():.():.严英杰 盛戈皞 刘亚东 等.基于滑动窗口和聚类算法的变压器状态异常检测.高电压技术 ():.():.倪广县 陈金海 王恒.滚动轴承高维随机矩阵状态异常检测算法.西安交通大学学报 ():.():.():.赵庆兵 魏士源 翟小飞 等.基于参数自回归算法的核电厂关键设备早期预警方法研究.核动力工程 ():.():.:.():.王明达 韦永健 王建军 等.基于 的天然气长输管道燃气轮机故障预警方法研究.天然气工业 ():.():.董海鹰 王瑞军 顾瑶琴.基于自回归求和滑动平均模型的风力发电机轴承寿命预测.系统仿真技术 ():.():.王庆锋 刘家赫 刘晓金 等.数据驱动的旋转设备性能退化趋势预测方法.计算机集成制造系统 ():.():.胡胜 张守京.基于变点识别的纺纱过程质量波动异常预警模型.工业工程与管理 ():.():.徐兰.复杂生产过程质量智能预报与控制技术研究.上海:东华大学.:.第 卷 第 期基于窗口波动模式识别的纺纱过程质量波动异常预警 .