計(jì)算機(jī)輔助配棉技術(shù)研究進(jìn)展

王夢(mèng)蕾, 王靜安, 高衛(wèi)東

(生態(tài)紡織教育部重點(diǎn)實(shí)驗(yàn)室(江南大學(xué)), 江蘇 無錫 214122)

在制造強(qiáng)國(guó)建設(shè)持續(xù)推進(jìn)下,數(shù)字化、網(wǎng)絡(luò)化、智能化制造已成為紡織行業(yè)轉(zhuǎn)型升級(jí)的重要力量。全面加速行業(yè)數(shù)字化轉(zhuǎn)型,優(yōu)化生產(chǎn)工藝,提高生產(chǎn)效益,實(shí)現(xiàn)精益制造,是紡織行業(yè)“十四五”發(fā)展綱要對(duì)紡織智能制造提出的重要任務(wù)[1]。作為棉紡廠的一項(xiàng)基礎(chǔ)工作,配棉決定的原料選配對(duì)穩(wěn)定生產(chǎn)、保證質(zhì)量[2]、控制成本至關(guān)重要,與原料采購(gòu)及檢驗(yàn)、產(chǎn)品試制與生產(chǎn)、企業(yè)管理與運(yùn)維等工作息息相關(guān)。在傳統(tǒng)的生產(chǎn)模式下,配棉工作主要依賴于人工經(jīng)驗(yàn)完成。在產(chǎn)品品種發(fā)生變化,或當(dāng)前配棉方案中部分棉種即將耗盡時(shí),配棉必須考慮到原棉選擇的連續(xù)性、穩(wěn)定性,以及企業(yè)產(chǎn)品特點(diǎn)、庫(kù)存情況、生產(chǎn)工藝、訂單情況、機(jī)臺(tái)狀況等各方面因素,實(shí)現(xiàn)優(yōu)棉優(yōu)用、差棉巧用,減少性能過剩、保持質(zhì)量穩(wěn)定、降低原料成本。但棉紡過程具有工序多、周期長(zhǎng)、信息反饋滯后、生產(chǎn)連續(xù)性強(qiáng)等特點(diǎn),使得人工配棉存在著一定的片面性和偶然性。

早在20世紀(jì)70年代,有研究者提出采用計(jì)算機(jī)輔助技術(shù)替代或輔助人工配棉,但受限于當(dāng)時(shí)紡織產(chǎn)業(yè)較低的信息化水平,并未形成系統(tǒng)性的研究成果與推廣應(yīng)用[3]。隨著原棉供應(yīng)體系的信息化程度不斷提高,以及新一代信息技術(shù)的加速創(chuàng)新與推廣應(yīng)用[4],計(jì)算機(jī)輔助配棉迎來了新的發(fā)展契機(jī)。目前,國(guó)內(nèi)外研究者采用機(jī)器學(xué)習(xí)、啟發(fā)式進(jìn)化算法等先進(jìn)人工智能技術(shù)建立紗線質(zhì)量預(yù)測(cè)模型和配棉最優(yōu)化模型。這些研究成果一方面有效地根據(jù)配棉方案預(yù)測(cè)成紗質(zhì)量,減少了紡紗生產(chǎn)中的試錯(cuò)成本;另一方面在充分考慮原料成本與產(chǎn)品質(zhì)量需要的基礎(chǔ)上,實(shí)現(xiàn)配棉方案的計(jì)算機(jī)輔助制定,緩解了配棉工作對(duì)人員經(jīng)驗(yàn)的依賴。隨著產(chǎn)業(yè)信息化程度的不斷提高,當(dāng)前研究成果在模型準(zhǔn)確性、高效性與泛用性等方面仍須進(jìn)一步提升[5-7]。

本文首先簡(jiǎn)要介紹計(jì)算機(jī)輔助配棉的系統(tǒng)框架及技術(shù)內(nèi)涵;其次對(duì)計(jì)算機(jī)輔助配棉過程中的2個(gè)關(guān)鍵模塊—紗線質(zhì)量預(yù)測(cè)、配棉最優(yōu)化模型中所采用的核心技術(shù)進(jìn)行綜述與問題分析;最后,從計(jì)算機(jī)輔助配棉的方法創(chuàng)新、產(chǎn)業(yè)數(shù)據(jù)規(guī)范與互聯(lián)2個(gè)方面展望進(jìn)一步研究方向,為紡織生產(chǎn)科學(xué)化指導(dǎo)、精益化生產(chǎn)、信息化管理提供具有啟迪意義的參考。

1 計(jì)算機(jī)輔助配棉系統(tǒng)框架

計(jì)算機(jī)輔助配棉系統(tǒng)能夠結(jié)合企業(yè)產(chǎn)品特點(diǎn)、庫(kù)存情況、生產(chǎn)工藝、訂單情況、機(jī)臺(tái)狀況、市場(chǎng)行情等信息,根據(jù)企業(yè)產(chǎn)品質(zhì)量管理與原料成本控制的需要,制定合理的配棉方案,其中核心技術(shù)模塊包括紗線質(zhì)量預(yù)測(cè)及配棉方案制定。紗線質(zhì)量預(yù)測(cè)是依據(jù)企業(yè)實(shí)際生產(chǎn)的歷史數(shù)據(jù),建立原棉指標(biāo)到紗線質(zhì)量指標(biāo)的映射模型如圖1所示。

圖1 原棉指標(biāo)到紗線質(zhì)量指標(biāo)的映射關(guān)系Fig. 1 Mapping relationship between raw cotton index and yarn quality index

該模型能夠從配棉方案預(yù)測(cè)紗線質(zhì)量,用于從產(chǎn)品質(zhì)量的角度評(píng)價(jià)各種配棉方案的優(yōu)劣。目前,普遍采用的紗線質(zhì)量預(yù)測(cè)技術(shù)包括人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、線性回歸方法等。

在紗線質(zhì)量預(yù)測(cè)模型的基礎(chǔ)上,建立配棉最優(yōu)化模型,用于描述在特定生產(chǎn)需求下最合理的配棉方案,該模型包含目標(biāo)函數(shù)、約束條件、求解算法。其中目標(biāo)函數(shù)和約束條件可根據(jù)企業(yè)實(shí)際生產(chǎn)側(cè)重進(jìn)行權(quán)重分配,在采用優(yōu)化算法實(shí)現(xiàn)目標(biāo)函數(shù)的最優(yōu)化后,形成一系列推薦配棉方案,并顯示各方案預(yù)測(cè)得的紗線質(zhì)量參數(shù),以供配棉人員參考。

最終,圖2示出一套配棉技術(shù)管理決策支持系統(tǒng)[6,8-9],集成原棉庫(kù)存數(shù)據(jù)庫(kù)維護(hù)、紗線質(zhì)量預(yù)測(cè)與管理、配棉方案的制定、配棉與紗線質(zhì)量檔案4個(gè)功能模塊,以及供使用者查詢、維護(hù)與反饋的人機(jī)交互界面,滿足棉紡企業(yè)對(duì)于紗線質(zhì)量管理、質(zhì)量監(jiān)督的需求,實(shí)現(xiàn)原料成本的控制、配棉方案的優(yōu)化以及生產(chǎn)效益的提升。

圖2 計(jì)算機(jī)輔助配棉系統(tǒng)框架示意圖Fig. 2 Framework of computer aided cotton blending system

2 紗線質(zhì)量預(yù)測(cè)模型

紗線質(zhì)量預(yù)測(cè)的目的是從原棉指標(biāo)預(yù)測(cè)成紗后的各類紗線質(zhì)量指標(biāo),方法是建模原棉指標(biāo)與紗線質(zhì)量指標(biāo)間的復(fù)雜的非線性映射關(guān)系。長(zhǎng)期以來,國(guó)內(nèi)外學(xué)者關(guān)于紗線質(zhì)量預(yù)測(cè)開展了大量工作,主要采用的建模方法包括線性回歸、支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)等。

2.1 線性回歸

紗線質(zhì)量預(yù)測(cè)是一種多元線性回歸建模問題。多元線性回歸預(yù)測(cè)紗線質(zhì)量的步驟主要包括:原棉指標(biāo)提取、線性回歸方程建立、回歸模型的參數(shù)估計(jì)、模型參數(shù)的估計(jì)值檢驗(yàn);最優(yōu)回歸方程的確定以及模型的實(shí)際預(yù)測(cè)檢驗(yàn)。其中,回歸模型的參數(shù)估計(jì)常采用最小二乘法;回歸模型的檢驗(yàn)可包括擬合度檢驗(yàn)、估計(jì)標(biāo)準(zhǔn)誤差、回歸方程的顯著性檢驗(yàn)、回歸系數(shù)的顯著性檢驗(yàn)。

由于線性回歸方程中的權(quán)系數(shù)直觀地表達(dá)了各原棉指標(biāo)在預(yù)測(cè)任務(wù)中的重要性,使得線性模型具有很好的可解釋性;且模型形式簡(jiǎn)單、易于建模。早期關(guān)于紗線質(zhì)量預(yù)測(cè)的方法主要集中在線性模型上。儲(chǔ)才元等[10]采用相關(guān)性分析和多元線性回歸方法建立了原棉指標(biāo)與紗線質(zhì)量指標(biāo)之間的映射關(guān)系模型。Krupincova等[11]基于棉纖維HVI(high volume instrumen)數(shù)據(jù),同時(shí)考慮紗線特?cái)?shù)和紗線捻度的影響,建立了從纖維、紗線結(jié)構(gòu)參數(shù)預(yù)測(cè)紗線毛羽的線性回歸模型。繼而,Ureye等[12]則引入包括特?cái)?shù)、捻度的紗線結(jié)構(gòu)參數(shù),以及粗紗性能指標(biāo),通過線性回歸預(yù)測(cè)紗線質(zhì)量,并以方差分析技術(shù)檢驗(yàn)了模型的顯著水平。上述研究表明,除了原棉質(zhì)量指標(biāo),紗線規(guī)格參數(shù)以及由紡紗工藝參數(shù)決定的粗紗性能指標(biāo)對(duì)紗線質(zhì)量指標(biāo)也存在影響。但由于原棉指標(biāo)與紗線質(zhì)量指標(biāo)之間是非線性映射關(guān)系,線性回歸方法難以準(zhǔn)確表達(dá),存在較大的預(yù)測(cè)誤差。

2.2 支持向量機(jī)

針對(duì)紗線質(zhì)量預(yù)測(cè)問題的非線性特點(diǎn),有研究者采用支持向量機(jī)SVM(support vector machine)方法。SVM能夠使用核函數(shù)技巧將特征映射到高維空間,以實(shí)現(xiàn)對(duì)非線性問題的建模。SVM模型的參數(shù)求解能夠獲取全局最優(yōu),對(duì)樣本量的依賴度較低,泛化能力較強(qiáng),在小樣本預(yù)測(cè)中表現(xiàn)突出。關(guān)于SVM方法的紗線質(zhì)量預(yù)測(cè)研究主要集中在樣本數(shù)據(jù)處理、模型超參數(shù)優(yōu)化、核函數(shù)改良上。

在樣本數(shù)據(jù)處理上,Doran等[13]采用主成分分析和方差分析對(duì)樣本數(shù)據(jù)進(jìn)行降維,使用平均絕對(duì)百分比誤差、平均絕對(duì)誤差和相關(guān)系數(shù)來評(píng)估SVM模型的預(yù)測(cè)能力,研究結(jié)果顯示該模型在棉/氨綸包芯紗的質(zhì)量變異系數(shù)和毛羽的預(yù)測(cè)上都表現(xiàn)出較高的準(zhǔn)確率。王東平等[14]采用灰色關(guān)聯(lián)分析得到原棉成熟度、斷裂強(qiáng)度、均勻度等7個(gè)灰色關(guān)聯(lián)度最大的指標(biāo)作為SVM模型的輸入,預(yù)測(cè)紗線的強(qiáng)力和條干CV,獲得了良好的預(yù)測(cè)結(jié)果。進(jìn)一步地,項(xiàng)前等[15]的研究表明基于灰色關(guān)聯(lián)分析的SVM在小樣本和“噪聲”數(shù)據(jù)環(huán)境下仍能保持一定的預(yù)測(cè)精度,驗(yàn)證了該方法的魯棒性。

典型的SVM包含若干超參數(shù),如正則化項(xiàng)、核寬度。為選擇最佳的超參數(shù)組合,有研究者采用網(wǎng)格搜索法、交叉驗(yàn)證法等傳統(tǒng)方法對(duì)模型參數(shù)尋優(yōu),如前文王東平等的研究[14]。此外,亦有采用智能算法進(jìn)行超參數(shù)尋優(yōu)的研究,如宋楚平[16]、呂志軍等[17]使用遺傳算法,有效提高了SVM模型的預(yù)測(cè)精度。

在核函數(shù)改良方面,Abakar等[18]建立基于Pearson VII核函數(shù)的SVM紗線質(zhì)量指標(biāo)預(yù)測(cè)模型,從棉纖維的強(qiáng)度、長(zhǎng)度、含雜量等11個(gè)指標(biāo)預(yù)測(cè)紗線強(qiáng)力,研究結(jié)果表明,與徑向基函數(shù)的SVM模型相比,該模型具有更高的預(yù)測(cè)精度。

2.3 人工神經(jīng)網(wǎng)絡(luò)

另一類常用于紗線質(zhì)量預(yù)測(cè)的機(jī)器學(xué)習(xí)方法為人工神經(jīng)網(wǎng)絡(luò)ANN(artificial neural network)。人工神經(jīng)網(wǎng)絡(luò)是由具有適應(yīng)性的簡(jiǎn)單單元(神經(jīng)元)組成的廣泛并行互連的網(wǎng)絡(luò),它的組織能夠模擬生物神經(jīng)系統(tǒng)對(duì)真實(shí)世界物體所做出的交互反應(yīng)。Hornik等[19]研究證明只需一個(gè)包含足夠多神經(jīng)元的隱層,多層前饋網(wǎng)絡(luò)就能以任意精度逼近任意復(fù)雜度的連續(xù)函數(shù)。由于人工神經(jīng)網(wǎng)絡(luò)強(qiáng)大的表示能力,在各類非線性預(yù)測(cè)任務(wù)中得到廣泛應(yīng)用。目前在紗線質(zhì)量預(yù)測(cè)領(lǐng)域,研究者主要從網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)和優(yōu)化方法2個(gè)方面開展研究,以保障模型的預(yù)測(cè)精度和泛用性。最常見的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)是多層感知機(jī)MLP(multi-layer perceptron)單隱層結(jié)構(gòu)[20],隱藏層的神經(jīng)元個(gè)數(shù)決定了模型的擬合能力。Mwasiagi等[21]構(gòu)建了預(yù)測(cè)環(huán)錠紗斷裂伸長(zhǎng)率的ANN模型,并研究了不同的網(wǎng)絡(luò)結(jié)構(gòu)、權(quán)重/偏差學(xué)習(xí)函數(shù)、激活函數(shù)、反向傳播訓(xùn)練函數(shù)和隱藏層神經(jīng)元數(shù)量對(duì)模型精度的影響,獲得了一組最優(yōu)的模型結(jié)構(gòu)參數(shù)。查劉根等[22]提出了具有雙隱藏層的四層前饋神經(jīng)網(wǎng)絡(luò)來預(yù)測(cè)棉紗成紗質(zhì)量,進(jìn)一步提高了前饋神經(jīng)網(wǎng)絡(luò)在紗線質(zhì)量預(yù)測(cè)時(shí)的精度和訓(xùn)練速度。Hao等[23]研究了采用隨機(jī)向量函數(shù)鏈接神經(jīng)網(wǎng)絡(luò)RVFLNN(random vector functional link neural network)預(yù)測(cè)紗線的不勻率,研究結(jié)果表明,RVFLNN有效地消除了多層神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程過長(zhǎng)的缺點(diǎn),同時(shí)也保證了函數(shù)逼近的泛化能力。Turhan等[24]引入徑向基函數(shù)RBF(radial basis function)神經(jīng)元計(jì)算結(jié)構(gòu)進(jìn)行模型改進(jìn),有效提高了網(wǎng)絡(luò)的預(yù)測(cè)精度。胡臻龍[25]提出通過增加網(wǎng)絡(luò)深度提升模型的擬合能力,為此將模型輸入?yún)?shù)構(gòu)建成矩陣形式,引入卷積神經(jīng)元結(jié)構(gòu),以在增加網(wǎng)絡(luò)深度的同時(shí)避免過多的模型參數(shù);同時(shí)引入廣義回歸神經(jīng)結(jié)構(gòu),建立了隱藏層數(shù)超過5層的卷積神經(jīng)網(wǎng)絡(luò)CNN(convolutional neural network)模型,在避免模型“過擬合”的同時(shí)取得了性能的提升;為了緩解CNN模型對(duì)訓(xùn)練數(shù)據(jù)樣本量的依賴,引入了對(duì)抗學(xué)習(xí)技術(shù),實(shí)現(xiàn)數(shù)據(jù)樣本量的擴(kuò)增。

通常ANN模型參數(shù)優(yōu)化采用誤差反向傳播技術(shù)BP(back-propagation),利用梯度法進(jìn)行迭代尋優(yōu)。梯度法在搜索過程中優(yōu)化方向可控,但是容易陷入局部最優(yōu),且模型超參數(shù)選取較為困難。為此,很多研究者提出采用群體智能算法替代梯度法。針對(duì)紗線質(zhì)量預(yù)測(cè)問題,Zhang Baowei[26]、熊經(jīng)緯[27]、項(xiàng)前[28]、王軍[29]、劉貴[30]、Amin[31]、Soltani P[32]、Hadavandi[33]等分別采用粒子群算法、遺傳算法、蝴蝶優(yōu)化算法、灰狼算法來訓(xùn)練ANN,研究表明這些群體智能算法均明顯地提高了模型訓(xùn)練速度與預(yù)測(cè)性能[34]。群體智能算法雖然能夠在一定程度上避免模型陷入局部最優(yōu),但其優(yōu)化方向不可控,局部搜索能力與穩(wěn)定性欠佳。因此,有研究者提出將群體智能算法與梯度法相結(jié)合,通過混合訓(xùn)練算法來優(yōu)化ANN模型,實(shí)現(xiàn)兩者的優(yōu)勢(shì)互補(bǔ)。Mwasiagi等[35]提出采用微分進(jìn)化算法的全局尋優(yōu)能力,首先在全局范圍求取ANN參數(shù),繼而以此作為初值,利用Levenberg-Marquardt算法對(duì)參數(shù)進(jìn)行局部尋優(yōu),獲得了模型預(yù)測(cè)精度與訓(xùn)練穩(wěn)定性的綜合提升。

2.4 紗線質(zhì)量預(yù)測(cè)存在的問題

當(dāng)前研究中采用的各類建模方法均屬于有監(jiān)督機(jī)器學(xué)習(xí)模型,在實(shí)踐中表現(xiàn)出一定的預(yù)測(cè)效果。但有監(jiān)督機(jī)器學(xué)習(xí)模型的訓(xùn)練依賴于大量的數(shù)據(jù)樣本,以及有效的輸入數(shù)據(jù)特征表達(dá)。當(dāng)前很多企業(yè)仍面臨數(shù)據(jù)采集不充分與訓(xùn)練樣本不足的問題。

此外,當(dāng)前研究中的預(yù)測(cè)模型未充分考慮配棉方案。在實(shí)際生產(chǎn)中,配棉方案中包含了各原棉的產(chǎn)地、批次、種類、配比等信息。但是,當(dāng)前研究?jī)H采用各原棉指標(biāo)的加權(quán)平均值作為混合棉指標(biāo),再輸入模型進(jìn)行預(yù)測(cè),忽略了配棉方案中的大量信息,在一定程度上影響模型精度及實(shí)用性。造成該問題的主要原因是,當(dāng)前研究所采用的機(jī)器學(xué)習(xí)模型只能輸入定長(zhǎng)特征,無法對(duì)長(zhǎng)度變化的配棉方案進(jìn)行通用性的預(yù)測(cè);同時(shí)如何從維度較高且長(zhǎng)度變化的配棉方案提取有效的特征表達(dá)仍缺乏探討。

3 配棉方案制定

原棉的主要物理性質(zhì),如上半部分長(zhǎng)度、整齊度、斷裂比強(qiáng)度、馬克隆值等與對(duì)紗線質(zhì)量有很大影響[7]。棉紡企業(yè)關(guān)注的原棉指標(biāo)也有很大差異,配棉時(shí)要根據(jù)產(chǎn)品需求、原棉庫(kù)存、原棉特點(diǎn)制定出原棉用量及混合比。

傳統(tǒng)棉紡企業(yè)使用的配棉方案制定方法是分類排隊(duì)法[36]和組合方案法[37]。分類排隊(duì)法是根據(jù)原棉的特性和各種紗線的不同要求把適合紡制某類紗的原棉劃分為一類,排隊(duì)即是將同一類的原棉,按照地區(qū)、性質(zhì)、質(zhì)量基本接近的排在一隊(duì)中,以便交替使用。最后與配棉日程相結(jié)合編制成配棉排隊(duì)表[38]。組合方案法是一種排列組合方法,即對(duì)多種可選原棉的多種可用混合比進(jìn)行組合。早期的計(jì)算機(jī)輔助配棉工作,是將這種方法的操作流程數(shù)字化,由計(jì)算機(jī)查表輔助人工完成配棉,并未實(shí)現(xiàn)配棉方案的智能化制定。繼而研究者提出構(gòu)建配棉最優(yōu)化模型,結(jié)合實(shí)際生產(chǎn)需要制定約束條件,采用最優(yōu)化方法進(jìn)行求解。這種配棉最優(yōu)化模型包括目標(biāo)函數(shù)、約束條件及求解方法。

3.1 配棉目標(biāo)函數(shù)

從企業(yè)的實(shí)際生產(chǎn)需要考慮,配棉方案應(yīng)實(shí)現(xiàn)質(zhì)量與成本的統(tǒng)一,研究者常采用2種目標(biāo)函數(shù)來描述配棉目標(biāo),一種為原棉成本最小目標(biāo),一種為原棉質(zhì)量成本控制目標(biāo)。

原棉成本最小目標(biāo)是指配棉方案中涉及的各原棉成本之和最小,可依據(jù)配棉方案中各項(xiàng)原棉的成本及其用量求得[39]。為了保證紗線質(zhì)量達(dá)到指定要求且避免過剩造成浪費(fèi),研究者提出原棉質(zhì)量成本控制目標(biāo)。該目標(biāo)通過限定混合棉的指標(biāo)范圍來實(shí)現(xiàn),即控制混合棉指標(biāo)與標(biāo)準(zhǔn)棉指標(biāo)間的差值最小,其中標(biāo)準(zhǔn)棉指標(biāo)通過反向求解紗線質(zhì)量預(yù)測(cè)模型的最優(yōu)輸入獲取[40]。

此外,有研究者對(duì)原棉質(zhì)量成本控制評(píng)價(jià)方法作了進(jìn)一步改進(jìn)。通過原棉指標(biāo)與紗線質(zhì)量指標(biāo)的相關(guān)性分析,對(duì)混合棉指標(biāo)進(jìn)行賦權(quán),即對(duì)混合棉指標(biāo)影響紗線質(zhì)量指標(biāo)的程度進(jìn)行評(píng)價(jià),此方法能夠更好地描述原棉質(zhì)量的成本控制[41]。

在實(shí)際建立配棉最優(yōu)化模型時(shí),研究者通常有2種思路:一是將原棉成本最小目標(biāo)作為單一目標(biāo)函數(shù),質(zhì)量成本控制作為模型中的一種約束[40];二是將原棉成本最小目標(biāo)與原棉質(zhì)量成本控制目標(biāo)作為一類多目標(biāo)問題進(jìn)行優(yōu)化[41]。多目標(biāo)的優(yōu)化通常采用優(yōu)先等級(jí)法或加權(quán)系數(shù)法將其轉(zhuǎn)化為單目標(biāo)進(jìn)行求解。優(yōu)先等級(jí)法是將各目標(biāo)按照其重要程度賦予不同的優(yōu)先等級(jí),轉(zhuǎn)化為多個(gè)單目標(biāo)模型再逐步求解。加權(quán)系數(shù)法是為每一個(gè)目標(biāo)賦一個(gè)權(quán)系數(shù),把多目標(biāo)模型轉(zhuǎn)化為單目標(biāo)模型,其難點(diǎn)在于權(quán)系數(shù)的合理化選定,通常是根據(jù)配棉人員的經(jīng)驗(yàn)確定[42]。

3.2 配棉約束條件

配棉的過程還需考慮紗線質(zhì)量控制、原棉庫(kù)存控制、配棉總量控制等問題,因此配棉最優(yōu)化模型中還需包含相應(yīng)的各項(xiàng)約束,以滿足不同企業(yè)的生產(chǎn)與管理需求。當(dāng)前研究提出的關(guān)于配棉最優(yōu)化模型的約束條件主要包括以下幾種[40-42],可依據(jù)實(shí)際需求指定優(yōu)先級(jí)。

紗線質(zhì)量約束:根據(jù)配棉方案紡制的紗線各項(xiàng)質(zhì)量指標(biāo)需滿足產(chǎn)品需求。紗線各質(zhì)量指標(biāo)由紗線質(zhì)量預(yù)測(cè)模型進(jìn)行預(yù)測(cè),模型輸入為混合棉質(zhì)量指標(biāo)。

配棉庫(kù)存約束:配棉方案中每種原棉的用量必須小于其庫(kù)存量。

配棉總量約束:配棉方案中單種原棉的總量可以不加限定,但要求各原棉所使用的總量必須與設(shè)定的配棉總量保持一致,或配棉方案中各批棉所占的比重之和為1。

配棉種類約束:為了方便快捷地調(diào)度庫(kù)存原棉,配棉方案中所使用的原棉種類不宜過多,最大種類數(shù)應(yīng)小于設(shè)定的數(shù)量。

原棉品質(zhì)指標(biāo)約束:配棉方案中原棉質(zhì)量指標(biāo)平均值或者基于配比的加權(quán)平均值必須在規(guī)定的范圍內(nèi)。即將上述配棉目標(biāo)函數(shù)中的原棉質(zhì)量成本控制的目標(biāo)函數(shù)轉(zhuǎn)化為約束條件。

3.3 配棉模型求解

配棉最優(yōu)化模型的求解是典型的多目標(biāo)多約束非線性優(yōu)化問題,無法采用線性規(guī)劃法實(shí)現(xiàn)快速求解,為此研究者普遍采用啟發(fā)式算法或機(jī)器學(xué)習(xí)技術(shù)進(jìn)行求解。

1)啟發(fā)式算法。啟發(fā)式算法是一種基于直觀或經(jīng)驗(yàn)構(gòu)造的算法,在可接受的計(jì)算時(shí)間和空間下給出待解決組合優(yōu)化問題每一個(gè)實(shí)例的一個(gè)可行解,該可行解與最優(yōu)解的偏離程度一般不能被預(yù)計(jì)。張?jiān)鰪?qiáng)[42]、Das S[43]、杜兆芳[39]等分別采用粒子群算法(PSO)、模擬退火算法(SA)、微分進(jìn)化算法求解配棉問題的目標(biāo)函數(shù),研究結(jié)果表明,在保證紗線質(zhì)量的前提下,啟發(fā)式算法有效地降低了原棉成本。圍繞所構(gòu)建的配棉最優(yōu)化模型的特點(diǎn),研究者對(duì)典型的啟發(fā)式算法提出了一系列改進(jìn)。例如,宋楚平等[41]通過改進(jìn)遺傳算法的初始種群生成策略、遺傳算子和進(jìn)化收斂條件,將配棉約束條件動(dòng)態(tài)融合到種群進(jìn)化過程中,在保證配棉約束條件的前提下,兼顧求解的效率和效果。陳懷忠等[44]采用慣性權(quán)重遞減和學(xué)習(xí)因子自適應(yīng)策略改進(jìn)粒子群算法,使得改進(jìn)的PSO在配棉問題尋優(yōu)過程中更快更精,局部和全局尋優(yōu)能力都得到了有效提高。易文峰等[45]采用一種螢火蟲-粒子群混合算法對(duì)配棉問題進(jìn)行求解,結(jié)果表明,混合算法的求解效率優(yōu)于傳統(tǒng)的粒子群算法。

2)機(jī)器學(xué)習(xí)技術(shù)。機(jī)器學(xué)習(xí)技術(shù)是通過學(xué)習(xí)算法從配棉經(jīng)驗(yàn)數(shù)據(jù)建立優(yōu)化模型,在面對(duì)新的紡紗需求時(shí),制定新的配棉方案。Majumdar A等[46]通過使用人工神經(jīng)網(wǎng)絡(luò)建立紗線到纖維的“反向”模型,采用所需紗線質(zhì)量作為ANN的輸入,“反向”預(yù)測(cè)所需的混合棉指標(biāo),繼而使用線性規(guī)劃法對(duì)配棉方案進(jìn)行最優(yōu)化求解。

3.4 配棉最優(yōu)化模型存在的問題

在目標(biāo)函數(shù)與約束條件的構(gòu)建上,當(dāng)前研究圍繞實(shí)際生產(chǎn)對(duì)原棉成本、原棉庫(kù)存、紗線質(zhì)量的需求提出了一系列方法,但具體目標(biāo)與約束的選用及權(quán)重分配仍依賴于主觀判斷,尚未形成智能化模型構(gòu)建方法。此外,當(dāng)前研究采用的配棉方案表示方法均為混合棉質(zhì)量指標(biāo),對(duì)變化原棉品種與配比的表示能力欠佳,導(dǎo)致模型對(duì)原棉種類及配比變化的優(yōu)化求解能力受限。

在模型的求解方法上,啟發(fā)式算法強(qiáng)大的全局搜索能力表現(xiàn)出顯著優(yōu)勢(shì),但隨著原棉品種的增加與產(chǎn)品需求的豐富,此類方法的優(yōu)化效率還需進(jìn)一步提升。采用人工神經(jīng)網(wǎng)絡(luò)“反向”模型的優(yōu)化方法雖然能夠解決效率問題,但是靈活性和普適性不足。

4 計(jì)算機(jī)輔助配棉技術(shù)發(fā)展趨勢(shì)

隨著信息技術(shù)的不斷發(fā)展,計(jì)算機(jī)輔助配棉技術(shù)在效率和精度上都有了明顯地提升,未來可從以下方面進(jìn)一步開展研究。

4.1 紗線質(zhì)量預(yù)測(cè)

在建模方法上,當(dāng)前研究圍繞模型結(jié)構(gòu)與優(yōu)化方法開展了一系列探索。隨著人工智能技術(shù)的不斷發(fā)展,更多建模與優(yōu)化方法的創(chuàng)新將進(jìn)一步提高預(yù)測(cè)模型的精度與效率。此外,當(dāng)前研究采用的訓(xùn)練與驗(yàn)證數(shù)據(jù)還較為局限,隨著生產(chǎn)信息化程度的提高,采用更充分的實(shí)際生產(chǎn)數(shù)據(jù)對(duì)各類模型進(jìn)行訓(xùn)練與實(shí)踐驗(yàn)證亦是一個(gè)發(fā)展方向。

在數(shù)據(jù)特征表達(dá)上,紗線質(zhì)量預(yù)測(cè)模型的輸入包括生產(chǎn)工藝參數(shù)、產(chǎn)品規(guī)格參數(shù)以及配棉方案信息三類數(shù)據(jù)。前兩類數(shù)據(jù)均可向量化表達(dá),但配棉方案信息結(jié)構(gòu)復(fù)雜,當(dāng)前研究普遍采用原棉平均質(zhì)量指標(biāo)或加權(quán)平均質(zhì)量指標(biāo)作為其特征,配棉方案信息表達(dá)不完整。未來,可尋找有效的配棉方案信息表達(dá)方法,包括各原棉質(zhì)量指標(biāo)、配比、產(chǎn)地、批次等信息的表達(dá)方法,結(jié)合預(yù)測(cè)模型結(jié)構(gòu)的改進(jìn),進(jìn)一步實(shí)現(xiàn)紗線質(zhì)量預(yù)測(cè)的精度和效率的提升。如何選擇并引入生產(chǎn)工藝參數(shù)與產(chǎn)品規(guī)格參數(shù)也是重要的研究?jī)?nèi)容。

4.2 配棉方案制定

配棉方案的制定關(guān)鍵在于智能化的配棉最優(yōu)化模型。在建模方法上,當(dāng)前研究仍面臨個(gè)性化與普適性之間的矛盾,研究個(gè)性化需求的規(guī)范性建模形式可有效支撐技術(shù)的推廣,是未來的重要發(fā)展方向。另一方面,在原料品種不斷增加,產(chǎn)品需求復(fù)雜度不斷提高的背景下,當(dāng)前普遍采用的啟發(fā)式算法的效率面臨巨大挑戰(zhàn),構(gòu)建兼顧效率與精度的優(yōu)化方法將是未來的研究熱點(diǎn)。

目前配棉研究的對(duì)象普遍針對(duì)紡紗廠自身庫(kù)存。若將原棉庫(kù)存與市場(chǎng)數(shù)據(jù)聯(lián)通,一方面能夠增加原料選擇面,提高配棉方案的綜合效益,另一方面可基于配棉工作科學(xué)地“反向”指導(dǎo)原棉采購(gòu)。但這也必將帶來問題復(fù)雜度的增加,當(dāng)前方法難以直接適用。未來研究可借助深度強(qiáng)化學(xué)習(xí)技術(shù),建立高效智能化配棉策略模型,或可先解決原棉采購(gòu)方案優(yōu)化問題,再整合至配棉最優(yōu)化模型中。

4.3 產(chǎn)業(yè)數(shù)據(jù)規(guī)范與互聯(lián)

計(jì)算機(jī)輔助配棉技術(shù)的適用性很大程度上取決于原棉數(shù)據(jù)的規(guī)范性,以及對(duì)個(gè)性化數(shù)據(jù)的通用表達(dá)。如何從配棉與生產(chǎn)實(shí)際需要出發(fā),構(gòu)建更具通用性的原棉標(biāo)準(zhǔn)化指標(biāo),并針對(duì)不同企業(yè)的個(gè)性化需求建立原棉指標(biāo)的篩選及表征方法,是進(jìn)一步的研究方向。

隨著產(chǎn)業(yè)數(shù)據(jù)的規(guī)范化與通用化,計(jì)算機(jī)輔助配棉系統(tǒng)將在產(chǎn)業(yè)互聯(lián)平臺(tái)中成為原棉供應(yīng)與紗線用戶間的媒介,發(fā)揮重要的供需調(diào)配作用,促進(jìn)解決精準(zhǔn)購(gòu)棉和精確用棉的行業(yè)難題,實(shí)現(xiàn)原棉供應(yīng)、紡紗生產(chǎn)、產(chǎn)品用戶的宏觀統(tǒng)籌,為構(gòu)建智慧工廠體系打下基礎(chǔ)。

5 結(jié)束語(yǔ)

計(jì)算機(jī)輔助配棉系統(tǒng)既為棉紡企業(yè)穩(wěn)定生產(chǎn)、保證質(zhì)量、控制成本提供可行方案,也為紡織行業(yè)降低人員依賴、提高生產(chǎn)效益,實(shí)現(xiàn)精益制造提供新思路。此外,計(jì)算機(jī)輔助配棉系統(tǒng)圍繞對(duì)原棉大數(shù)據(jù)的深度運(yùn)用,一方面持續(xù)推動(dòng)原棉質(zhì)檢的標(biāo)準(zhǔn)化發(fā)展;另一方面有望加速推動(dòng)紡織產(chǎn)業(yè)的智能化轉(zhuǎn)型升級(jí)。目前,計(jì)算機(jī)輔助配棉系統(tǒng)研究仍然處于發(fā)展階段,隨著大數(shù)據(jù)與人工智能技術(shù)的不斷進(jìn)步,未來研究有望在以下方面取得實(shí)質(zhì)性進(jìn)展:

1)在紗線質(zhì)量預(yù)測(cè)的方法上,構(gòu)建更具通用性的原棉標(biāo)準(zhǔn)化指標(biāo),針對(duì)企業(yè)個(gè)性化生產(chǎn)模式建立原棉指標(biāo)篩選及配棉方案特征表達(dá)方法,改進(jìn)預(yù)測(cè)模型結(jié)構(gòu)與模型優(yōu)化算法,進(jìn)一步提升模型的預(yù)測(cè)精度和泛用性。

2)在配棉方案的制定上,一方面研究具有普適性且兼顧個(gè)性化生產(chǎn)需求的配棉最優(yōu)化模型,同時(shí)探索更具準(zhǔn)確性與高效性的優(yōu)化方法,另一方面將原棉庫(kù)存與市場(chǎng)數(shù)據(jù)聯(lián)通并引入最優(yōu)化模型中,增加原料選擇面的同時(shí),“反向”指導(dǎo)原棉采購(gòu)。