基于粒子群优化-反向传播神经网络和非支配排序遗传算法II的棉花短纤维拉拔过程多目标优化与熵加权偏好排序技术:该方法借鉴了理想解决策方法的思想 彭来虎、 吴志文、 齐玉宝、 李建强、 鲁欣

《Applied Sciences》:Multi-Objective Optimization and Entropy-Weighted Technique for Order of Preference by Similarity to Ideal Solution Decision Making for Cotton Sliver Drawing Process Based on Particle Swarm Optimization–Backpropagation Neural Network and Non-Dominated Sorting Genetic Algorithm II Laihu Peng, Zhiwen Wu, Yubao Qi, Jianqiang Li and Xin Ru

【字体: 大 中 小 】 时间:2026年03月11日 来源:Applied Sciences 2.5

编辑推荐:

  摘要:近年来,由于涡流纺纱具有高效率和优质的纱线质量,因此受到了广泛关注。然而,牵伸过程涉及多个相互关联的参数,不同的参数组合会显著影响后续的纺纱性能。为了解决这个问题,本研究引入了一种新颖的混合优化算法,通过合理协调牵伸参数来提高纺纱质量。首先,进行了正交实验,以牵伸比和滚筒中

  摘要:近年来,由于涡流纺纱具有高效率和优质的纱线质量,因此受到了广泛关注。然而,牵伸过程涉及多个相互关联的参数,不同的参数组合会显著影响后续的纺纱性能。为了解决这个问题,本研究引入了一种新颖的混合优化算法,通过合理协调牵伸参数来提高纺纱质量。首先,进行了正交实验,以牵伸比和滚筒中心距离作为变量,使用实验后银色图像的平均灰度值和灰度标准差作为多目标函数来评估牵伸效果。随后,利用粒子群优化-反向传播神经网络(PSO-BP)算法建立了牵伸参数与牵伸结果之间的回归模型,然后通过非支配排序遗传算法II(NSGA-II)进行多目标优化,以获得帕累托最优解集。最后,应用了基于相似性到理想解的熵加权偏好排序(TOPSIS)方法来全面评估帕累托最优解集,并确定工艺参数的最佳组合。结果表明,在最佳参数组合下,牵伸后的纱条测量质量指标与预测值之间的偏差保持在6%以内,证实了所提出模型作为优化牵伸参数配置的有效方法。

1. 引言
1.1. 研究背景
纺织工业是人类文明的重要基石,是社会经济发展的关键支柱,也是保障公共福利的重要手段[1]。它具有多种功能:满足全球服装消费需求、提供工业纺织品以及促进国际贸易。如图1所示,在各种纺纱技术中,涡流纺纱因其卓越的纱线质量和极高的纺纱效率而成为现代纺纱系统中的重要选择[2,3,4]。在涡流纺纱机中,牵伸区的工艺参数对纱线质量起着至关重要的作用[5]。因此,这些参数的合理配置一直是纺织工艺研究的核心焦点[6,7]。
图1. (a) 涡流纺纱系统的整体结构。(b) 涡流纺纱系统的牵伸区。(c) 涡流纺纱系统的纺纱区。

1.2. 文献综述
1.2.1. 牵伸区参数的优化研究
传统的牵伸区研究主要采用示踪纤维方法,分析该区域内不同速度点上的纤维分布,以探索工艺参数的优化[8,9]。然而,这种方法需要中断正常的牵伸操作来获取样本,容易破坏纤维的运动状态并引入实验误差。此外,漫长的实验周期阻碍了系统的和高效的定量分析。
1.2.2. 人工神经网络在纱线质量预测中的应用
为了解决这些限制,研究人员转向人工神经网络(ANNs)来分析牵伸参数影响纱线质量的机制。ANNs是一种受生物神经系统启发的计算架构,通过相互连接的人工神经元模拟信息处理,实现分布式表示和复杂非线性关系的学习[10]。鉴于纱线质量的复杂性,ANN模型已成为预测纱线性能的有效方法[11]。值得注意的是,Farooq和Cherif基于Levenberg–Marquardt算法和贝叶斯正则化构建了一个神经网络模型。通过精确映射牵伸框架的核心牵伸参数与纱线质量指标之间的复杂非线性关系,他们实现了对棉/聚酯混纺系统纱条均匀度、纱线强度和伸长率的高精度预测[12]。Abd-Ellatif通过构建多层前馈神经网络模型解决了牵伸框架中自调节水平点的优化问题。该模型以纤维牵伸过程参数和纱条质量为输入,以最优水平调节点值为输出。与回归模型的性能比较表明,神经网络在优化自动水平参数方面是可行的[13]。Farooq等人使用环纺牵伸参数作为输入,纱线质量作为输出,构建了一个反向传播(BP)神经网络模型。他们的研究表明,神经网络可以准确预测纱线质量[14]。Elhamied等人对纱线进行图像处理以提取特征,并将其输入到多层反向传播神经网络中,建立了环纺和紧密纱线性能的通用预测框架。他们的研究表明,采用多层网络架构可以提高模型性能,从而实现更优的参数建模[15]。
虽然上述大多数研究使用神经网络构建纱线质量预测模型,但训练过程经常遇到梯度下降陷入次优局部解的问题。为了解决这个问题,Zhang等人提出使用粒子群优化(PSO)算法来改进BP神经网络模型,从而提高了纱线强度的预测精度——这是传统神经网络的一个局限性[16]。然而,这种方法仅关注纱线强度的单指标预测,没有扩展到多目标预测和优化。
1.2.3. 多目标优化在纱线质量优化中的应用
为了解决多目标纱线优化问题,一些研究人员引入了遗传算法作为解决方案[17]。Das等人提出了一种混合架构:首先通过ANNs建立纤维与纱线质量之间的非线性映射,然后使用遗传算法(GA)反向搜索满足目标纱线质量的最佳纤维参数组合[18]。Majumdar等人利用ANNs和GA分别建立了棉纱性能的预测模型和棉纤维属性的优化模型,以解决纤维属性与纱线质量之间的复杂非线性关系。这种方法能够预测纱线强度和不均匀度,实现了纱线性能的逆向工程优化[19]。Ghosh等人通过构建ANN-NSGA-II混合模型,实现了最大化纱线强度和最小化原材料成本的双目标协同优化[20]。Barzoki等人使用ANN-NSGA-II混合模型实现了最大化强度和耐磨性,同时最小化转子纺纱纱线的毛羽度[21]。Amiri等人结合响应面方法(RSM)实验设计、ANN建模和GA优化,改进了环纺机中的牵伸区参数,从而减少了聚酯纱线的不均匀度和缺陷指数[22]。

1.3. 本研究的局限性和挑战
在上述研究中,尽管将ANN与先进算法(如PSO和NSGA-II)相结合显著提高了纱线质量预测和多目标优化能力,但仍存在以下局限性:首先,纺纱工艺参数通常被分为牵伸区和纺纱区参数。现有研究主要将这些类别结合起来进行讨论,未能明确阐明不同工艺阶段参数对纱线性能的独立影响机制。其次,大多数研究仅使用NSGA-II等多目标算法来获得帕累托解集,缺乏从这些解集中选择最佳工艺参数的决策方法。最后,多目标优化通常只解决纱线均匀度、强度和毛羽度等指标之间的“弱冲突”,未能解决“强冲突”的多目标问题。

1.4. 研究目标和贡献
在涡流纺纱的牵伸过程中,要实现更高的纱支数需要较大的牵伸力以减小纱条厚度。然而,过大的牵伸力会降低纱条的均匀度,从而影响纱条进入纺纱区时的纺纱效率。这表明了“提高纱线细度”与“改善纱条均匀度”之间的工艺冲突。因此,为了明确阐明牵伸工艺参数对纱线性能的独立影响机制,本研究基于涡流纺纱工艺的特点构建了一个BP神经网络预测模型。该模型以牵伸比(前/中/后区)和滚筒中心距离(前/中/后区)作为输入变量,以纱条均匀度和厚度作为输出指标。为了提高模型精度,采用了粒子群优化(PSO)算法来优化网络的初始权重和阈值。此外,基于该模型建立了一个多目标优化框架,旨在“最大化纱线均匀度”和“最小化纱条厚度”。NSGA-II算法用于识别帕累托最优解集。最后,熵加权的TOPSIS方法客观地从帕累托最优解中选择全局最优的工艺参数组合。这为配置高支数纱线的牵伸工艺参数提供了一种客观的决策方法。

总之,本文的贡献体现在以下几个方面:(1) 将神经网络模型引入牵伸工艺参数的建模中,建立了牵伸区工艺参数与纱条质量之间的非线性映射关系。(2) 构建了结合PSO-BP、NSGA-II和熵加权TOPSIS的混合优化算法,以优化牵伸工艺参数的组合。(3) 为后续的牵伸区参数优化研究提供了系统化的解决方案。

2. 材料与方法
2.1. 获取棉条信息的方法
在保持质量的同时纺制高支数纱线对工艺提出了严格的要求。作为关键阶段,牵伸区的工艺参数直接决定了纤维的排列。该区域内纤维分布的更大均匀性和牵伸后的纱条厚度减小可以带来更高的纱支数,同时提高纱线均匀度和降低毛羽度指数。以往的研究通常使用纱线均匀度测试仪根据纺纱后的纱线参数来评估牵伸效果。然而,纺纱框架传统上被划分为牵伸区和纺纱区。直接分析通过纺纱区的纱线无法清晰地揭示牵伸阶段对纱线性能的独立影响。本文提出了一种棉条信息采集系统。该系统通过捕获牵伸后的银色图像来获取指标。当白色纱条置于蓝色无阴影光源下时,可以清晰地捕捉到由于纤维分布不均匀而产生的亮度不均匀现象。然而,由于彩色图像信息对银色形态检测的贡献有限,以及RGB三通道数据引入的显著计算复杂性,本文采用了灰度转换方法。该方法将原始图像从RGB颜色空间映射到单通道灰度空间,从而提高了图像处理效率[23]。
如图2所示,在完成牵伸测试后,首先将棉条放置在蓝色无阴影光源平台上,使用工业相机进行图像捕捉。接下来,裁剪掉不必要的部分,仅保留棉条的主体。裁剪后的图像经过灰度处理,最后选择图像中心900像素×300像素的区域作为检测区域,以获取关键指标信息。转换为灰度后,由于棉纤维分布不均匀而产生的明暗变化变得可见。灰度值的标准差反映了图像内的亮度分散程度,从而可以通过这一指标表征纤维分布的均匀性。同时,平均灰度值代表了图像的整体亮度,因此可以作为棉条厚度的指标。
图2. (a) 梳理过的硫处理棉纤维。(b) 牵伸测试平台。(c) 图像采集设备。(d) 计算机。(e) 收集的棉条。(f) 棉条的灰度处理。

2.1.1. 纤维分布均匀性
标准差是衡量数据分散程度的核心指标,计算公式如下:
σ=√∑(aij?μ)2 / (n×m)
其中σ是图像的标准差,μ是图像的平均灰度值,i是图像像素矩阵的行数,j是图像像素矩阵的列数,aij是第i行第j列的灰度值。
在图像分析中,可以通过计算灰度直方图的标准差来评估灰度值的分散程度。较小的标准差表示灰度值分布更集中,纤维分布更均匀。因此,本研究采用标准差作为纤维分布均匀性的定量指标,最小化标准差是优化目标之一。

2.1.2. 棉条厚度
图像由像素矩阵组成,每个像素的灰度值代表该点的亮度信息。可以通过计算整个图像所有像素的灰度平均值来量化条带的厚度,公式如下:
μ=∑(aji) / (n×m)
其中μ是图像的平均灰度值,i是图像像素矩阵的行数,j是图像像素矩阵的列数,aji是第i行第j列的灰度值。
因此,本研究采用平均灰度值作为棉条厚度的定量指标,最小化平均灰度值是优化目标之一。

2.2.正交实验设计
拉拔过程参数系统非常复杂,参数之间存在多种耦合关系。不同的参数组合对最终纱线质量会产生非线性影响。为了高效地构建神经网络的训练样本,本研究采用了正交实验设计方法。通过科学地安排多因素和多水平的实验组合,以最少的实验次数覆盖整个参数空间,确保样本集的代表性和多样性[24]。预拉拔区作为主要的拉伸区域,负责细化和延长棉条。因此,其拉拔比范围较广,在实际应用中通常不超过50倍,因此在设置过程中被划分为九个级别。中间拉拔区主要作为过渡区域,用于进一步细化棉条。其拉拔比较小,范围较窄,因此被划分为五个级别。后拉拔区作为预拉伸部分,主要调整棉条的张力,以确保纱线保持最佳张力——既不太紧也不太松——防止在后续纺纱过程中出现张力不均或断裂。因此,后拉拔区通常采用较小的拉拔比,并被划分为五个级别。最后,由于滚筒中心距离参数的范围有限,这些参数也被划分为五个级别。因此,选择了??81?(91 ×58)正交阵列来设计81个拉拔参数组合。正交实验的因素水平如表1所示。

2.3 多目标优化算法
本文提出了一种多目标优化模型,结合了PSO-BP神经网络、NSGA-II遗传算法和熵加权TOPSIS决策方法来解决拉拔过程参数的最优配置问题。以拉拔区和滚筒中心距离作为输入,棉条的均匀度和厚度作为输出,构建了一个BP神经网络模型。同时,使用PSO算法全局优化BP神经网络的权重,从而提高预测准确性。此外,由于“提高纱线细度”和“改善棉条均匀度”之间存在过程冲突,因此采用了遗传算法(NSGA-II)。该算法旨在最小化棉条厚度并最大化棉条均匀度,以获得一组帕累托最优解。最后,引入熵加权TOPSIS方法,根据目标权重标准从帕累托解集中选择最佳的过程参数组合。图3展示了这一多目标优化框架的总体工作流程。

2.3.1 PSO-BP神经网络模型
BP神经网络是一种通过误差反向传播算法训练的多层循环神经网络。它们是深度学习的基础架构之一,广泛应用于回归预测等任务[25]。损失函数的梯度相对于每个神经元进行计算,并在梯度BP误差过程中更新权重。这种迭代持续进行,直到收敛[26]。权重迭代公式如下:
?????????(??)=????????????????(??)+???????????(???1),??∈??+,?????=1,2,?,??,??=1,2,?,??
(3)
其中,?????????(??)表示第n次的权重更新,??表示损失函数,??是学习率,???????????(???1)构成动量项。??是动量系数。索引??属于正整数集??+,表示迭代次数。
BP神经网络包括输入层、隐藏层和输出层,其中隐藏层通常根据经验公式得出:
??=√??+??+??
(4)
这里,??表示隐藏层中的神经元数量,??表示输入层中的神经元数量,??表示输出层中的神经元数量。??是1到10之间的任意常数。
在本研究中,预拉拔区、拉拔区和后拉拔区的拉拔力以及滚筒之间的中心距离被用作输入变量。收集的灰度平均值和灰度标准差作为评估指标,用于建立回归模型,其结构如图4所示。

2.3.2 NSGA-II多目标优化
NSGA-II最初由K. Deb提出。该方法在迭代过程中结合了快速非支配排序机制、精英保留策略和更高效的拥挤距离计算方法。这加速了收敛过程,提高了收敛效率,同时保持了种群解的多样性[27,28]。因此,该算法被广泛采用,并在处理多目标或高度复杂的优化任务时表现出高适用性[29,30,31]。NSGA-II的总体原理如图5所示。

2.3.3 熵加权TOPSIS算法
在本研究中,使用拉拔后的平均灰度和灰度标准差作为评估拉拔效果的两个指标。然而,由于它们的数值范围和大小不同,采用熵加权方法为这些指标分配目标权重,从而消除了主观权重偏差。随后,应用TOPSIS方法计算它们的遵从进度并对方案进行排名,以得出最佳解。
作为一种基于信息熵理论的目标加权方法,熵加权方法量化了指标观测的信息熵,从而分析它们的固有信息内容,进而确定每个指标的权重系数。指标内的数据变化越小,表示信息熵越高;变化越大,表示信息熵越低。较高的信息熵表明该指标在区分提案时提供的信息较少,因此权重较低;相反,较低的信息熵表明该指标在区分时提供的信息较多,因此权重较高。
该方法表现出显著的对象性和数学严谨性,有效减少了人为因素在权重分配中的主观干扰[32,33]。
给定m个待评估的对象,每个对象有n个评估指标,计算步骤如下:
1. 建立评估矩阵Xmn
????=?? ? ? ????11??12???1?????21??22???2????????????1?????2?????????? ? ? ??
(5)
2. 使用范围方法对数据进行标准化。
?????????=??????????min????max?????min??,?????=1,2,?,??,??=1,2,?,??
?????????=??max????????????max?????min??,?????=1,2,?,??
(6)
方程(6)是正指标,意味着较高的???????值更受青睐;方程(7)是负指标,其中较低的???????值更受偏好。???????是第i行第j列的值,??max??和??min??分别表示第j列的最大值和最小值。
此时标准化的矩阵??如下:
????=?? ? ? ????11??12???1?????21??22???2????????????1?????2?????????? ? ? ??
(8)
3. 计算第i个对象在第j个指标下的比例Pij:
?????????=???????/??∑??=1???????,?????=1,2,?,??,??=1,2,?,??
(9)
4. 计算第j个指标的熵值????,当??????? =0时:
??????=?1ln??????∑??=1????????l?n????????,?????=1,2,?,??
(10)
5. 计算第j个指标的变异系数????:
??????=1?????,?????=1,2,?,??
(11)
6. 计算第j个指标的权重????:
??????=??∑??=1????????????,?????=1,2,?,??,??=1,2,?,??
(12)
在获得每个棉条指标的权重值后,通过构建以“最大化棉条均匀性”和“最小化棉条厚度”为目标的加权矩阵来确定最优解和最不理想的解。然后通过测量这两个解之间的距离来计算接近度得分,最终根据接近度得分的大小得出最优解。
TOPSIS是一种经典的多标准决策方法,通过根据备选方案与理想解的相对接近程度对其进行排序来解决多目标决策分析[35,36]。具体步骤如下:
1. 构建加权矩阵??*:
?????????=????×???????,?????=1,2,?,??,??=1,2,?,??
????*=?? ? ? ????1×??11??2×??12?????×??1?????1×??21??2×??22?????×??2?????????1×?????1??2×?????2?????×????????? ? ? ??
(14)
其中Z是加权决策矩阵。
方程(13)定义了加权操作,将权重????应用于每个标准化指标。
方程(14)将所有加权数据组合成加权决策矩阵??*,为后续的理想解计算做准备。
2. 确定正理想解和负理想解:
????+=(??+1,??+2,?,??+??)
?????=(???1,???2,?,?????)
(16)
这里,??+和???分别代表理想解和负理想解向量,通过选择每个指标的最优值和最差值来定义。
3. 计算计算对象与正理想解和负理想解之间的距离:
????+??=√√ √ √ √???∑??=1(??+?????*?????)2,?????=1,2,?,??
???????=√√ √ √ √???∑??=1(????????*?????)2,?????=1,2,?,??
(17)
(17)和(18)通过计算每个决策对象与理想解和负理想解之间的距离来量化解决方案的质量,为后续的相对接近度计算提供基础。
4. 计算相对接近度:
??????=???????+??+?????,?????=1,2,?,??
(19)
相对接近度????表示解决方案与正理想解的接近程度。值越高,解决方案越好。

3. 结果与讨论
如图6所示,拉拔比是前后滚筒的旋转速度之比,而滚筒中心距离是前后滚筒中点的距离。这两个都是拉拔区的核心过程参数。为了研究这些过程参数对拉拔性能的单独影响,本节进行了单因素实验并分析了结果。

3.1 影响棉条的过程参数
3.1.1 拉拔比对棉条拉拔的影响
拉拔比是拉拔区的关键参数之一。它通过设置前后滚筒的速度差来产生拉拔力,从而对棉条施加拉伸应力,从而细化和延长其中的纤维。为了研究拉拔比对纤维拉拔的影响,在严格保持滚筒中心距离固定的情况下,对滚筒中心距离进行了逐步调整,并进行了拉拔实验。使用视觉系统收集了拉拔后的棉条指标。
如图7a所示,在滚筒中心距离参数不变的情况下,增加拉拔比通常会使棉条图像的平均灰度值呈上升趋势。如图7b所示,当拉拔比从50倍增加到70倍时,棉条灰度的标准差呈上升趋势。这表明随着拉拔比的增加,纤维束得到了充分细化,有效提高了棉条的均匀度。当拉拔比逐渐从70倍增加到90倍时,灰度标准差开始上升,均匀度开始恶化。

3.1.2 滚筒中心距离对棉条拉拔的影响
滚筒中心距离是拉拔区内的关键参数之一,直接影响拉拔棉条的均匀度和厚度。为了研究滚筒中心距离对纤维拉拔性能的影响,在严格保持拉拔比固定的情况下,对滚筒中心距离进行了逐步调整,并进行了拉拔实验。使用图像采集系统收集了拉拔后的棉条指标。
实验结果如图8a所示。在总拉拔比不变的情况下,仅改变滚筒中心距离会导致棉条图像的平均灰度值在一定范围内波动。如图8b所示,随着滚筒中心距离从25毫米增加到35毫米,棉条灰度的标准差逐渐减小。然而,当中心距离继续增加时,标准差开始逐渐上升并最终稳定。

3.2 结论
结果表明,合理的拉拔比增加可以有效提高纤维控制,减少杂散纤维的比例,并集中纤维的速度变化区,从而提高棉条的均匀度。然而,过度增加拉拔比虽然有效减少了飞散纤维,但会导致纤维之间的间距增加,从而导致拉拔后棉条分布不均。这种力量差异造成了张力不均,导致纤维在棉条内部的分布不均匀。在第三个实验中,当滚筒中心距离为35毫米时,棉条的均匀性最佳。因此,适当的滚筒中心距离可以有效增强纤维控制,减少松散纤维的比例,集中纤维加速点,并提高棉条的均匀性。在第四和第五个实验中,过大的滚筒中心距离削弱了纤维控制,显著增加了杂散纤维的比例。根据拉伸理论,拉伸力进一步加剧了杂散纤维与受控纤维之间的距离,分散了纤维加速点,最终降低了棉条的均匀性。因此,滚筒之间的距离与棉条纤维的长度直接相关。通过合理设置滚筒之间的距离,可以有效提高棉条的均匀性。

3.1.3 棉条干燥不均匀的原因
对工艺参数的分析表明,当滚筒中心距离没有根据输入棉条的纤维配置进行适当设置时,无论是过大的还是过小的滚筒中心距离都会对拉伸后的棉条均匀性产生不利影响。此外,当拉伸区内的拉伸力分布不当时,纤维无法得到有效控制,导致速度变化点分散,进一步加剧了棉条的不均匀性。因此,在拉伸力和滚筒中心距离设置不当导致棉条不均匀的情况下,不均匀的程度会随着拉伸工艺参数的调整而动态变化。因此,这种导致棉条不均匀的原因可以归类为动态不均匀。

实验中使用的棉条是通过结合、拉伸和混合单个纤维束形成的。在这个过程中,纤维束之间可能会形成大小不一的随机间隙。尽管理想情况下棉条内的纤维长度应该均匀,但实际上纤维长度存在随机变化,无法标准化。从制造角度来看,拉伸框架工艺执行初步拉伸以延长纤维。理想情况下,纤维应该完全拉直,长度相等,并在整个棉条中均匀分布。然而,在实际纺纱过程中,纤维并不处于完全拉直的理想状态。相反,许多纤维带有钩状结构,其在棉条中的分布是随机的。因此,我们将这种固有特性称为静态棉条不均匀。

我们将导致棉条均匀性变化的因素分为上述两种主要类型。在特定的拉伸过程中,动态棉条变化占主导地位。这意味着设置合理的拉伸工艺参数可以有效减少静态棉条变化的影响,而不合理的参数则会进一步加剧这种固有的静态变化。因此,正确设置拉伸工艺参数尤为重要。

3.2 PSO-BP预测结果
在本小节中,我们使用上述正交实验??81的数据构建了一个基于PSO-BP的预测模型。采用灰度处理来提取关于棉条的关键信息,提取的棉条数据的灰度平均值和标准差作为PSO-BP模型的输出层。输入层包括实验参数的前区、中区和后区的拉伸比和滚筒中心距离。由于本研究使用三个拉伸区内的拉伸比和滚筒中心距离作为输入层,以及平均灰度值和灰度方差作为输出层,BP神经网络模型结构由六个输入层节点和两个输出层节点组成。根据经验公式(2),隐藏层节点的数量设置为六个。

为了解决BP神经网络在训练过程中倾向于收敛到局部最优解的问题,本研究采用了PSO算法来优化网络模型的权重值。参数设置如表2所示。图9a,b显示了PSO迭代过程中灰度平均值和灰度标准差的适应度值收敛曲线。在迭代的早期阶段,两个适应度值都迅速下降,表明算法具有强大的全局探索能力和快速接近最优解附近的能力。随着迭代次数的增加,适应度值的变化率逐渐减小。灰度平均值的适应度值在38次迭代后稳定在最低水平,而灰度标准差的适应度值在32次迭代后稳定。此时,算法收敛到了全局最优权重组合。

表2. PSO-BP参数表。
图9. (a) 灰度平均值的迭代适应度曲线。(b) 灰度标准差的迭代适应度曲线。(c) 灰度平均值样本值与预测值的比较图。(d) 灰度标准差样本值与预测值的比较图。(e) 灰度平均值的散点图拟合。(f) 灰度标准差的散点图拟合。PSO-BP的决定系数R2的范围是[0, 1],接近1的值表示替代模型的预测准确性更高[38]。如图9c,d所示,16个随机选定的验证样本与PSO-BP预测有一定的重叠。尽管一些测试样本组与预测值存在误差,但结果仍在可接受范围内。如图9e,f所示,灰度平均值和灰度标准差的R2值分别为0.9442和0.9236。数据点紧密分布在回归线周围。这些结果表明,所构建的PSO-BP神经网络模型具有较高的预测准确性和可靠性,适用于后续分析和优化。

所有实验都在配备AMD Ryzen 7 5800H处理器、16 GB内存和NVIDIA GTX 3060 GPU的计算机上进行。软件环境包括MATLAB,神经网络模型使用MATLAB 2020b版本实现,并结合了用于粒子群优化的自定义代码。

3.3 多目标优化
本节采用NSGA-II对拉伸区工艺参数进行多目标优化,设置如下:初始种群数量为100个个体,迭代次数为200次,交叉概率为0.9,变异概率为0.1。经过200代的迭代计算后,最终得到了一条由帕累托解组成的平滑曲线。如图10所示,最初可以同时优化灰度平均值和标准差。然而,在达到某个点后,这两个参数变得相互制约:增加灰度平均值会导致灰度标准差的增加。帕累托前沿上的每个个体都是非支配的。实际上,选择最优解通常依赖于经验和个人偏好,这使得该方法具有主观性,无法保证找到最优解。为了解决这个问题,采用了熵权重方法来确定最优解。

图10. (a) 帕累托前沿解的数据图。(b) 帕累托解集的相对接近度。
为了从帕累托前沿确定拉伸区工艺参数的最优解,本研究使用熵加权TOPSIS方法进行决策分析。首先构建一个包含200个非支配解的决策矩阵,并根据信息熵理论计算每个目标指标的权重,以客观反映它们的相对重要性。接下来,对决策矩阵进行加权归一化,从而确定理想解和负理想解。如图10a所示,然后计算每个帕累托解与理想解和负理想解之间的欧几里得距离,并据此获得相对接近度。在所有候选解中,第182个解显示出最高的相对接近度,因此被认为是最佳的整体性能。因此,它被选为拉伸工艺参数的最优组合,具体参数见表3。

表3. 拉伸过程的帕累托最优解参数集。
为了验证多目标算法获得的最优解的可靠性,使用最优解的工艺参数进行了三次平行实验。实验结果图像显示在图11c中,实验数据分别展示在图11a,b中。实验表明,所有测量值都在每个参数预测范围的94%置信区间内。这验证了NSGA-II结合熵加权TOPSIS方法在拉伸区工艺参数多目标优化设计中的有效性和可靠性。

4. 结论
本文提出了一种混合算法,将NSGA-II多目标遗传算法与基于PSO-BP神经网络的熵加权TOPSIS决策方法相结合。该算法旨在最大化棉条的均匀性并最小化厚度,通过优化拉伸比和滚筒中心距离来实现最佳工艺参数组合。其主要结论总结如下:
(1) 提出了一种基于图像的棉条质量评估方法,利用平均灰度值表示棉条厚度,并通过灰度标准差量化棉条的均匀性。
(2) 基于正交实验获得的实验数据,建立了一个PSO-BP神经网络模型来预测棉条的拉伸性能。结果表明,该模型具有合理的预测准确性。
(3) 根据棉条分布不均匀的原因,将其分为静态和动态两种类型进行分析。通过应用熵加权方法和TOPSIS决策方法,确定了前区、中区和后区的拉伸比以及前区、中区和后区滚筒的中心距离的最优值分别为33.38毫米、1.46毫米、2.24毫米、30.08毫米、33.58毫米和35.30毫米,从而在灰度平均值和标准差之间取得了良好的平衡。

然而,上述研究仍存在一些局限性。本文仅通过模型和相应实验得出的最优工艺参数组合来证明该方法的有效性。虽然这一优化过程为自卸卡车的发展和设计提供了技术指导,但其全部优化潜力尚未得到充分发挥。因此,未来的研究应将该方法与其他优化方法进行比较,以证明其优越性。此外,还将采用不同的优化算法来寻找帕累托解,并进行广泛的敏感性分析,以实现更好的拉伸效果。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号