多工序遞階的棉紡過程質量智能控制模型

邵景峰， 馬創濤

(西安工程大學 管理學院， 陜西 西安 710048)

在中國制造2025戰略下，隨著我國棉紡企業數字化車間建設進程不斷推進和傳感器的大量應用，整個棉紡生產過程積累了大量的與質量相關的數據，而這些數據之間因存在自相關性，從而導致紡紗質量難以精準控制。

國外研究者對該問題的研究主要集中在基于質量預測的反饋控制方面。如：FATTAHI S等[1]利用穩健回歸和附加平方和提出了一種紡紗質量預測方法，并通過輸入纖維屬性來預測紡紗質量的拉伸、不勻和毛羽等性能指標；NURWAHA D等[2]研究了一種基于多層感知神經網絡、支持向量機(SVM)以及徑向基函數神經網絡的紗線質量智能控制系統，該系統通過模型對紗線的質量屬性等知識進行學習，從而實現紗線質量的控制，但不足之處在于其紗線控制精度較低;與此同時，SELVANAYAKI M等[3]提出了一種基于支持向量機的紗線強力波動行為預測與控制方法。隨著理論研究的不斷深入，研究聚焦于基于智能優化模型與專家系統相融合的紡紗質量智能控制方面。如MOZAFARY V等[4]提出了一種將聚類和人工神經網絡相結合的數據挖掘算法，并將其用于紡紗質量控制；ENGIN A B[5]通過實驗驗證了一種基于自動控制系統的材料均勻度控制方法，該方法減少了因原料問題而導致的紗線質量波動；ELASHMAWY I等[6]研究了基于模糊集的紡紗質量控制方法，可更加精確地控制紡紗質量。

國內研究者也探討了紡紗質量的控制問題，研究的焦點集中于單一工序的質量控制：呂志軍等[7]提出了基于SVM的紗線質量預測模型，解決了紗線質量控制過程中過多依賴領域專家和管理者經驗的問題，實現了對紗線質量的反饋與控制；張圣忠等[8]以梳棉機系列工藝試驗優化為例，探討了正交試驗、統計分析在紡紗質量控制中的具體應用；孫林[9]提出了一種基于加權最小二乘支持向量機(WLS-SVM)時間序列的產品質量控制方法。隨著紡織過程智能化水平的不斷提高，研究者著手研究多工序的紡紗質量預測與控制問題：李薈萃等[10]構建了面向紡織生產全生命周期的質量數據模型及質量控制系統，實現了對紡紗產品質量的預測與控制；楊建國等[11]建立了基于改進極限學習機(ELM)算法的預測模型，并將其用于毛紗條干CV值的預測，相對誤差可降低2.70%；KUO C F J等[12]采用模糊神經網絡對紡紗生產過程中多工序間的卷取輥速度等工藝參數進行學習和訓練，通過不斷調整網絡隸屬函數的平均值和標準偏差以及網絡間的連接加權值，從而控制紗線均勻度。

綜上，國內外學者們對紡紗質量控制的研究主要是基于2～3個紗線質量指標及其相關關系而構建的單一工序的紡紗質量控制模型；盡管近些年來有研究者從多工序的視角對紡紗質量進行了探討，但大多數研究集中在紡紗質量的預測上，而有關多工序紡紗質量控制的文獻報道甚少，尚未實現基于多工序遞階的棉紡過程質量控制。目前以下2個問題亟待解決：1)如何實現紡紗過程多工序間知識關聯的紡紗質量控制；2)如何發揮大量小數據在紡紗質量控制中的優勢。為此，本文在對棉紡質量波動行為進行分析的基礎上，選取斷裂強度為質量控制指標，并基于多工序質量控制點間的遞階關系模型，構建多工序遞階的紡紗質量控制模型，并借助棉紡過程產生的大量小數據及多目標煙花算法，實現紗線質量的多工序控制。

1 質量指標選擇及影響因素分析

1.1 紗線質量波動關鍵指標的辨識

根據紗線質量國家標準，用來表征紗線質量的主要指標可分為質量偏差、質量變異系數、單紗斷裂強度、棉結雜質粒數、捻系數、條干均勻度、粗節、細節、斷裂伸長率等。為選取影響紗線質量波動的關鍵指標進行控制，首先基于紡織企業紡紗車間生產統計管理系統中的紗線質量管理子系統，構建棉紡大量小數據存儲系統。然后，選取紗線細度不勻、粗節、細節、斷裂強度和斷裂伸長率5個紗線質量指標為主要質量指標。從構建的數據存儲系統中選取如表1所示的與紗線細度不勻、粗節、細節、斷裂強度和斷裂伸長率相關的25個試樣數據。其中誤差數據表示紡紗生產過程中不同紗線質量指標波動的大小，斷裂伸長率表示紡紗生產過程中斷裂伸長的波動。為此，對上述5個影響紗線質量波動的關鍵指標進行分析，圖1示出紡紗過程質量波動的統計結果。

表1 紗線質量波動試樣數據表Tab.1 Sample data of yarn quality fluctuation

圖1 紡紗過程質量波動過程統計結果Fig.1 Statistical results of quality fluctuation process in cotton spinning process based on data analysis

由圖1可知，在細度不勻、粗節、細節以及斷裂強度和斷裂伸長率這5個關鍵質量指標中，斷裂伸長率、斷裂強度以及細度不勻受異常因素影響較大，其中斷裂強度受異常因素影響波動最為顯著。同時，斷裂強度與纖維的種類、粗細、捻度、細度不勻率之間呈一種正相關關系，而且由于紗線在整個紡紗過程中受眾多復雜機械力的作用，易被拉伸、彎曲和扭轉，因此斷裂強度是影響紗線質量的關鍵指標。為此，選取紗線斷裂強度為主要控制指標，并在分析影響紗線斷裂強度關鍵因素的基礎上，構建基于多工序遞階的棉紡過程質量智能控制模型。

1.2 影響紗線強度關鍵因素分析

按照紡紗工藝理論，紗線強度主要由纖維性能和紗線結構決定[13]。拋開纖維種類影響因素，纖維性能和紗線結構很大程度上取決于紡紗生產過程中各個工序的工藝。現以棉精梳紗生產過程為例對各個工序中影響紗線強度的關鍵因素進行分析。

在精梳紗生產過程中，清棉工序中纖維的長度、整齊度以及斷裂強度越高，其對應的成紗強度越高[14]。梳理工序中刺輥和錫林轉速是影響梳理效果的主要因素之一[15]，隨著錫林轉速和刺輥轉速的提高，可減少棉結和雜質，進而提高纖維的整齊度與斷裂長度[16]；同時，減小精梳工序中梳理隔距可降低因纖維相互揉搓而產生的棉結，并提高紗線質量[17]。并條工序中羅拉轉速可通過影響并條工序中棉纖維混合的均勻度最終影響紗線強度[18]；同時適當控制回潮率可使生條中各種不同形狀的纖維充分混合，進而提高纖維分子間的抱合力及成紗強度[19]。粗紗工序中粗紗回潮率可通過影響紗線牽伸后纖維的應力并最終影響紗線強度[20]；同時粗紗捻系數會通過影響粗紗纖維間的抱合力進而影響紗線強力[21]。在細紗工序中，適當控制細紗工序中的牽伸倍數和細紗機的錠速，可提高紗線斷裂強度[22-23]。

為此，從紡紗流程出發，對影響紗線斷裂強度的關鍵因素總結如下：在清棉工序中，影響紗線斷裂強度的主要因素有纖維長度、纖維整齊度以及纖維斷裂長度；在梳棉工序中，影響紗線斷裂強度的主要因素有刺輥轉速、錫林轉速；在精梳工序中，影響紗線斷裂強度的主要因素有梳理隔距、羅拉轉速；在并條工序中，影響紗線斷裂強度的主要因素有回潮率、羅拉轉速；在粗紗工序中，影響紗線斷裂強度的主要因素有回潮率、捻系數；在細紗工序中，影響紗線斷裂強度的主要因素有牽伸倍數、錠速等。

2 棉紡過程質量控制模型

2.1 質量控制點及質量損失函數設計

在紗線質量指標選擇及對影響其波動關鍵因素進行分析的基礎上，構建了如圖2所示的面向紡紗過程多工序遞階紗線斷裂強度控制點框圖。

圖2 多工序遞階的紗線斷裂強度控制點框圖Fig.2 Diagram for yarn fracture control points based on multi-process hierarchy

這樣，每個工序Si都有對應的質量控制點Gi,j以及對應質量控制點的質量輸出特征值Oi,j。此外對于紡紗質量控制點集合G中的任一個質量控制點Gi,j，都有與其對應的工藝參數的實際值yi,j及其控制閾[L1(Gi,j),L2(Gi,j)]，即工序集合S、質量控制點集合G以及工藝參數集合間存在相互映射關系。基于此，利用人機系統工程學理論，從人、機、系統、料、工藝等角度著手，在文獻[24]中提出的改進的質量損失控制閾函數的基礎上，定義面向紡紗過程中各工序間表達紗線斷裂強度的多載荷影響因子：

(1)

在式(1)定義的多載荷影響因子的基礎之上，結合紡紗生產的具體工藝流程，定義如式(2)所示的第i個工序、第j個質量控制點的質量損失函數：

(2)

進而，在式(2)定義的每個工序質量控制點質量損失函數的基礎上，對于紡紗過程中具體工序而言，有如式(3)所示的質量損失函數：

(3)

式中：Ci(yi,j)表示第i個工序、第j個質量控制點的質量損失函數；fi(x)表示第i個紡紗工序的質量損失函數；0

2.2 質量控制模型構建

2.2.1模型構建

對于整個紡紗系統而言，上游工序的質量輸出對下游工序質量輸出以及最終紗線的質量輸出都會產生影響。當然，從根本上講，這種影響主要源于分布在不同工序質量控制點之間存在著相互作用關系，具體表現為從清梳聯、精梳、并條、粗紗以及細紗等生產工序中上游質量控制點到下游質量控制點依次向下傳遞和累加的過程。為表達紡紗系統中多工序質量控制點間的相互作用關系，基于文獻[25]提出的多階段質量預測模型，按照棉紡工藝流程中的各質量控制點間輸入—輸出關系，建立基于多工序遞階的紡紗質量輸出特征值知識關聯模型。

對于式(3)中定義的各工序質量控制點對應的質量損失函數f(x)={f1(x),f2(x),…,fi(x),…,fn(x)}，某一具體工序質量損失函數可表示為式(4)所示的單個工序內各個質量控制點質量損失函數的串聯關系：

∏[f1(x),f2(x),…,fi(x),…,fn(x)]

(4)

對于整個紡紗過程而言，紗線質量可視為一種以制品為載體的質量損失的傳遞和累加過程，因而紡紗質量控制問題可視為一種優化問題，通過不斷地迭代和尋優求解得出質量損失最小時對應的各個質量控制點工藝參數的最優解。為此，在上述定義的紡紗質量控制點及其耦合作用關系的基礎上，建立紡紗質量優化目標函數：

(5)

進而，基于式(1)～(4)展開式(5)的紡紗質量優化模型目標函數，可得到如式(6)所示的紡紗質量優化模型：

(6)

s.t.

式中：βi,j為考慮影響紗線斷裂強度的原料因素、工藝因素以及設備因素等多種因素間相互作用下的多載荷影響因子；Oi,j為紡紗生產過程中第i個工序中的第j個質量控制點的質量特征輸出值；Cmpt為工序能力指數。

2.2.2基于數據的反饋機制

2.5 兩組患者術后并發癥發生率比較 兩組患者術中均未見盆腔器官損傷發生。兩組患者術后并發癥發生率比較差異無統計學意義(χ2=0.519，P>0.05)。見表6。

在得到各個質量控制點優化后的工藝參數值的基礎上，采用自動過程控制(APC)技術[26]對紡紗生產過程進行反饋調整，構建如圖3所示的基于數據反饋的棉紡過程質量控制模型。

圖3 基于數據反饋的棉紡過程質量控制框圖Fig.3 Diagram for quality control based on data feedback

2.3 基于多目標煙花算法的控制模型求解

2.3.1約束條件的處理

對于非線性優化問題的求解，隨著實際工程應用中目標函數的不連續且不可微，使得傳統的求解優化問題的方法具有很大的局限。由于進化算法只要求目標函數值是可計算而不要求其具有連續可微的性質，因而其在處理復雜優化問題方面表現出了較優的性能。當然，進化算法作為一種無約束的進化搜索技術，在求解約束優化問題前需要對其約束條件進行處理[27]。為此，在式(6)求解過程中，需要構建一個懲罰函數，將單目標多約束優化問題轉換為雙目標優化問題，并實現對約束條件進行處理，具體步驟如下。

第1步，引入懲罰函數H(x)對模型中的約束條件進行處理：對于前q個等式約束條件gi(x)，需要通過引入等式約束違反的容忍值δ轉換成為不等式約束，對于其他的r-q+1個不等式約束條件hi(x)不做處理。

(7)

第2步，定義式(8)所示的雙目標函數：

(8)

式中：t1(x)為原模型中的目標函數，且t1(x)=f(x)；t2(x)為違反約束條件的最大懲罰度，且t2(x)=H(x)。當且僅當t2(x)≥0時，變量x滿足所有約束條件。同時，當t1(x)取得最小值時，可以搜索到紗線斷裂強度損失值最小時的最優工藝參數可行解集合。當t1(x)和t2(x)同時取得最小值時，不但可搜索到最優工藝參數集合的可行解，而且可確保各個質量控制點的工藝參數在對應控制閾范圍內，即可搜索到紗線斷裂強度損失值最小時的最優工藝參數解集合。

第3步，通過上述轉換策略將原單目標優化模型轉化為如下式所示的雙目標優化模型：

2.3.2模型求解算法

多目標進化算法在每次執行過程中可確定多個帕累托最優解[28]，被認為是求解多目標優化問題最有效的方式，為此，基于多目標煙花算法(MOFWA)在解決多目標優化問題時表現出的尋優性特性[29]，經過多次仿真實驗和結果的對比分析，采用MOFWA算法對基于多工序遞階的棉紡過程質量控制模型進行求解及控制，具體求解流程如圖4所示。

圖4 多工序遞階的棉紡過程質量控制流程圖Fig.4 Flow diagram of quality control for cotton spinning based on multi-process hierarchy

基于圖4中的流程圖，對具體的流程進行梳理，并從以下5個步驟進行具體闡釋。

在此基礎上，利用質量控制點Gi,j對應的控制閾函數中的實際工藝參數yi,j來初始化煙花算法。

第2步，選擇適應度函數。選取棉紡過程質量優化模型中的目標函數，將其作為多目標煙花算法的適應度函數，通過算法不斷地進化和迭代以及適應度函數的評估，獲得整個棉紡過程質量優化模型的最優解。具體適應度函數如式(11)所示。

(11)

第3步，煙花種群尋優。對于式(11)中任意解yi,j，計算初始煙花個數N、爆炸火花數m、最小煙花爆炸火花數Smin、最大煙花爆炸火花數Smax。進而，對于解空間中每個解，隨機選擇其他2個解，通過式(12)所示的變異策略進行差加權操作并得到變異解，同時利用式(13)的交叉策略對原解和變異解xi進行交叉操作，從而得到交叉解ui，即：

Vi=xc1+γ(xc2-xc3),c1,c2,c3∈{1,2,…,m}

(12)

(13)

式中：γ為常數且γ>0；θ為煙花個體交叉概率且θ∈[0,1]；ci為區間(0,N]內的隨機整數。

第4步，選擇最優解。在式(12)、(13)的基礎上，構建如式(14)所示的選擇策略。如果生成的交叉解ui的適應度值r(ui)>r(xi)，則用ui替換xi，并利用ui更新解空間，即從當前種群中選擇適應度值較好的個體組成新的煙花種群，并通過煙花種群的不斷迭代獲得最優解：

(14)

第5步，獲得最優解并進行反饋更新。如果滿足終止條件，則求解過程停止并獲得最優解及其工藝參數容差，若容差超出對應的質量控制閾，則利用最優解對工藝參數進行更新，實現對紗線質量的反饋控制。否則，返回執行第3步。

3 算例驗證與結果分析

3.1 數據選取

以咸陽某紡織廠為例，其主要紡紗工序為開清棉、梳棉、精梳、并條、粗紗、細紗及后加工等工序，因而將棉紡過程質量控制關鍵工序集合定義為S={S1,S2,S3,S4,S5,S6}。其中：S1表示清棉工序；S2表示梳棉工序；S3表示精梳工序；S4表示并條工序；S5表示粗紗工序；S6表示細紗工序。

為此，選取如表2～7所示的該企業紡紗車間精梳7.29 tex(JC7.29 tex)品種紗線的工藝數據作為實驗數據集。進而，采用多目標煙花算法對2.2節中建立的基于多控制點的棉紡過程質量優化控制模型進行求解，并進行具體的應用驗證分析。

表2 清棉工序JC7.29 tex工藝數據Tab.2 Process data of JC7.29 tex in cleaning process

表3 梳棉工序JC7.29 tex工藝數據Tab.3 Process data of JC7.29 tex in carding process

表4 精梳工序JC7.29 tex工藝數據Tab.4 Process data of JC7.29 tex in combing process

表5 并條工序JC7.29 tex工藝數據Tab.5 Process data of JC7.29 tex in drawing process

表6 粗紗工序JC7.29 tex工藝數據Tab.6 Process data of JC7.29 tex in roving process

表7 細紗工序JC7.29 tex工藝數據Tab.7 Process data of JC7.29 tex in spinning process

進而，在如圖2所示的多工序遞階的紗線斷裂強度控制點框圖的基礎上，結合該紡織企業歷史工藝數據，建立如表8所示的多工序遞階的紗線斷裂強度的質量控制點及其控制閾。

表8 紗線斷裂強度的質量控制點及其控制閾Tab.8 Quality control points and control threshold of yarn breaking strength

3.2 參數設置

3.2.1模型參數設置

對于模型參數的設置，主要包括工序能力指數Cmpt、多載荷影響因子βi,j以及質量損失函數中的系數k，具體計算如下。

1)工序能力指數。根據GB/T 398—2008《棉本色紗線》中的紗線質量標準以及該紡織企業紗線產品質量控制要求，得到JC7.29 tex品種的優等紗線產品單紗斷裂強度的質量規格為(16.40±0.02)cN/tex，取σ=0.025，則工序能力指數為

2)多載荷影響因子。根據該紡織企業歷史工藝設計數據顯示，對于JC7.29 tex品種紗線，當細紗工序中的錠速和牽伸倍數分別為12.72 kr/min、28.12時生產紗線斷裂強度最高；同時從細紗機讀取的實際錠速數據為13.765 kr/min。為此，在表8中建立的多工序質量控制點及控制閾的基礎上，結合該紡織企業JC7.29 tex紗線的歷史工藝數據，以細紗工序中的錠速控制點為例，并選取該質量控制點常數B=0.24,進而計算多載荷影響因子：

3.2.2多目標煙花算法參數設置

根據求解的具體問題以及在文獻[30]研究的基礎上，對多目標煙花算法的參數設置為：煙花個數N=25，最大爆炸火花數Smax=50，最小爆炸火花數Smin=20，常數γ=10，煙花個體交叉概率θ=0.85，算法最大迭代次數T=1 000。

3.3 算例分析與驗證

在計算得到的工序能力指數Cmpt和多載荷影響因子βi,j以及系數ki,j的基礎之上，以該企業生產的JC7.29 tex品種紗線為例，對本文提出的多工序遞階的棉紡過程質量控制模型進行具體驗證。

現以該紡織企業紡紗生產的細紗工序為例，結合紡紗生產過程中的歷史工藝數據以及上述計算得出的參數值，說明紡紗各工序中的質量損失值的計算過程。

首先，將細紗工序中細紗機的錠速實際的錠速值13.765 kr/min和控制閾函數目標錠速值12.72 kr/min代入式(2)中，計算細紗工序中細紗機錠速對應的質量控制點的質量損失值：

表9 紗線斷裂強度控制對比結果Tab.9 Comparison control results of breaking strength of yarn

類似地，分別計算細紗工序中其他質量控制點的質量損失值C6(y6,1)，并基于式(3)計算整個細紗工序的質量損失值：

進而，根據式(4)對整個棉紡生產過程的質量損失函數進行具體分析，得到結果如下：

f(x)=∏[f1(x),f2(x),…,f6(x)]

最后，將上述參數代入式(6)所定義的多工序遞階的棉紡過程質量優化模型，得到如下所示的棉紡過程質量控制模型的目標函數：

基于此，在MatLab R2014a的GUI集成開發環境下，開發了如圖5所示的基于多工序遞階的棉紡過程質量控制模型可視化實驗平臺。

圖5 棉紡過程質量控制模型可視化平臺Fig.5 Platform of spinning quality control system

基于上述平臺，選取該紡織企業紡紗車間5個批次JC7.29 tex品種紗線的質量及工藝數據，采用多目標煙花算法對上述建立的紡紗質量控制模型進行求解，經過20次迭代得到了如圖6所示的pareto前沿。

圖6 采用MOFWA得到的pareto前沿Fig.6 Pareto front based on MOFWA

由圖6可知：在解集的分布方面，整個解集的分布相對集中，并且當目標函數t2(x)對應的懲罰度值較小時，對應的質量損失函數t1(x)值較小；隨著目標函數t2(x)對應的懲罰度值越來越大，對應的質量損失函數t1(x)值也逐漸變大。

為驗證多工序遞階的棉紡過程質量控制模型的有效性，分別對考慮多工序間耦合作用的棉紡過程質量控制模型MPI-CON(multi process influence-control)的控制結果與未考慮多工序間耦合的棉紡過程質量控制模型CON(control)控制結果以及控制前NON-CON(non-control)的結果進行對比，并統計控制前后因紗線斷裂強度不符合標準而出現的不合格品率，得到了如表9所示的結果。

由表9可知，基于多工序遞階的棉紡過程質量控制模型控制結果與未考慮多工序間耦合作用的棉紡過程質量控制模型控制結果以及控制前的結果相比，紗線斷裂強度值分別提升了1.27%和3.40%，同時因紗線斷裂強度不符合標準而導致的紗線不合格品率分別降低了23.48%和50.00%。

同時，在表9所示控制對比結果的基礎上，分析得到了如圖7所示的不同控制模型各個質量控制點對應工藝參數優化控制結果對比圖。

圖7 優化控制前后工藝參數對比結果Fig.7 Comparison results before and after optimization control for technical parameters

由圖7可知，在紗線斷裂強度相同的條件下，采用基于考慮多工序間耦合作用關系的棉紡過程質量控制模型(MPI-CON)得到的控制結果與未考慮多工序間耦合作用關系的棉紡過程質量控制模型(CON)得到的控制結果以及控制前(NON-CON)的結果相比，在質量控制點3以及控制點4上對應的工藝參數要求有了降低。進而，也說明本文提出的質量控制模型可通過對各個質量控制點工藝參數的優化，提高紗線產品的斷裂強度。

本算例結果表明，本文提出的基于多工序遞階的棉紡過程質量控制模型，不僅提高了紗線斷裂強度，降低了紗線的不合格品率，而且也在保證紗線斷裂強度不下降的條件下，降低了紡紗生產過程中的原料、設備以及工藝參數等要求，實現了紗線斷裂強度的多工序控制。

4 結束語

本文從影響紗線質量異常波動的關鍵因素出發，對紗線斷裂機制和影響紗線斷裂強度波動的關鍵因素進行分析，并選取紗線斷裂強度為主要控制指標，建立紡紗質量控制點耦合知識的關聯表達方法及質量損失函數。進而，以質量損失函數為目標函數，構建基于多工序遞階的棉紡過程質量控制模型，并借助自動過程控制技術，實現了斷裂強度的控制。最后，以咸陽某紡織企業生產的JC7.29 tex紗線品種為例，對該模型進行了具體應用分析。結果表明：該模型可通過對各個質量控制點工藝參數的優化，提高紗線斷裂強度，降低因紗線斷裂強度不達標而導致的紗線不合格品率，實現了紡紗質量的多工序控制，由于棉紡過程質量控制是一種實時在線的反饋控制，當上游工序中棉紡過程質量輸出特征值波動時，需要及時地對下游工序中質量控制點的工藝參數進行在線反饋和調整，故研發棉紡過程質量在線控制系統將是下一步研究的重點。

FZXB