專利名稱：基于免疫神經網絡的紡絲工藝智能優化設計方法
技術領域：
本發明屬纖維紡絲生產技術領域，特別是涉及一種針對差別化纖維紡絲過程的基
于免疫神經網絡專家系統的智能優化設計方法。
背景技術：
纖維生產是一個具有高度復雜性的工業過程，其產品包括各種纖維及其制品。它 需要高精度、長時間的連續性生產，因此對生產線及生產線上各個環節的環境和工藝設計 要求較高。對普通化纖生產廠家而言，其進行生產線工藝設計的基礎大多來源于經驗及領 域設計手冊。為保險起見，生產線工藝設計所采用的方案往往留有較大的冗余量，一般可占 總生產能力的20% 30%，造成設備投入、動力消耗等方面的浪費。目前，我國擁有年產 1. 5萬噸/年和年產3萬噸/年的各類纖維生產線近70條，產能達300萬噸。如果能夠通 過某些技術改造，合理地控制和減少冗余量，提高效率，例如通過優化增加產能10 % ，就可 增加產量近30萬噸，相當于10條3萬噸/年的生產線，能夠節約大量的成本。
目前，對纖維生產工藝進行改進的方法大多基于生產線上某個環節的具體實現， 或由生產經驗總結得來的工藝的細微調整。對生產線上某個環節具體實現的改進，主要是 通過生產線長時間運行后所顯現出的不足，或者是工業新技術在紡絲工業中的逐漸應用而 做出的，包括凝固和牽伸設備的更新及改良、牽伸方法和驅動方法的改進、側吹風和環吹風 工藝的改進(用于長纖維)等；后者主要包括對紡絲液配比的變換、牽伸率的變化、以及各 個環節生產環境的變化(如空氣改為高溫蒸汽)等；而對工藝的細微調整則主要依賴生產 人員積累的經驗，對生產線上某個或某些工藝參數進行數值上的調節，從而形成感性的、特 定于生產線的優化內容。這些方法都屬于局部過程的優化，沒有一個統一的、確定的指導系 統進行配置，因此優化效果有限，不易與生產線整體進行配合，也無法通過生產線的運行得 到指導生產進一步優化的有效信息，限制了生產線的進一步發展。
發明內容
本發明所要解決的技術問題是提供一種基于免疫神經網絡的紡絲工藝智能優化 設計方法，來解決上述背景技術中所提及的紡絲生產工藝優化設計問題。利用免疫優化的 神經網絡建立模型，對生產數據進行處理和分析，得到紡絲生產線參數的合理配置方案，繼 而將模型和方案整合于專家系統中，并與生產線進行上線連接以根據實時生產數據同步修 正所述的免疫神經網絡模型及專家系統，對紡絲生產線上各參數進行統一配置，并根據生 產線的運行情況對生產過程進行及時、有效的優化。本發明所述的紡絲工藝優化設計，是指 根據需要優化的纖維主要質量指標，經過工藝優化方法的調整，得到達到這些質量指標所 需要的生產過程諸環節的最優參數。 本發明解決其技術問題所采用的技術方案是提供一種基于免疫神經網絡的紡絲 工藝智能優化設計方法，包括下列步驟 (l)RBF神經網絡的建立采用雙模型結構的RBF神經網絡，一個模型用于自學習，24小時學習一次；另一個模型用于在線校正，為當前運行模型；它的輸入層由信號源節點 組成；第二層為隱含層；第三層為輸出層； (2)紡絲工藝優化設計的免疫神經網絡模型的建立對RBF神經網絡進行優化，集 散控制系統采集紡絲生產線上的生產參數和主要質量指標，其中主要質量指標簡稱為采集 值，將生產參數作為神經網絡的輸入，主要質量指標作為神經網絡的輸出；在所述的RBF神 經網絡中，引入免疫優化算法，得到免疫神經網絡優化模型； (3)紡絲工藝專家系統的建立紡絲工藝優化設計的免疫神經網絡模型建立后， 將輸出結果傳送到裝有紡絲工藝專家系統的上位機，專家系統根據自身的規則知識庫和推 理機分析生產參數和采集值，得出一組主要質量指標的目標值，目標值和采集值進行比較 得出誤差，專家系統再根據誤差，給出生產參數的調整值及原因解釋； (4)專家系統與纖維生產線的實時連接專家系統采用工廠總線系統與纖維生產 線實時連接，以多層數據網絡為基礎，將各種不同的設備掛接在網絡上，實現各部分的協調 工作及數據和信息的共享，共同完成綜合控制與管理的功能。 所述步驟(1)中，無論自學習模型還是在線校正模型都是六個小時校正一次，使 之迅速跟蹤當前工況，并比較兩個模型的精度；如果在線校正模型精度小于當前自學習模 型，則用自學習模型代替當前運行模型，稱為新的當前模型；否則，保留當前運行模型。
所述步驟(2)中，對RBF神經網絡模型進行的優化包括采集300組數據進行RBF 神經網絡模型的訓練與預測，前200組數據用于RBF神經網絡模型的建立，后100組數據對 其進行檢驗，具體步驟包括
a.初始化； b.輸入訓練樣本對，計算各層輸出；
c.計算RBF網絡模型的輸出誤差；
d.計算各層誤差信號；
e.調整各層權值； f.檢查網絡總誤差是否達到精度要求，滿足，則訓練結束；不滿足，則返回步驟 (b)。所述的步驟(2)中得到免疫神經網絡優化模型包括學習階段和工作階段
所述的學習階段包括選定采集到的前200組數據作為數據樣本進行學習；RBF神 經網絡模型的學習結果以網絡神經元連接權值的方式存儲在網絡結構之中，其步驟包括
a.初始化所述RBF神經網絡模型的初始權值，并以初始權值為內容創建記憶抗體 集合M和初始抗體集合AbS，每組權值稱為一個抗體；所述單個數據樣本中包含的質量指標 值稱為一個抗原；利用抗體生成具有所述結構的RBF神經網絡模型，并利用所述數據樣本 代入模型計算，進而比較模型計算值和樣本中包含的真實采集值的過程稱為抗原對抗體的 剌激；多個抗體重復進行剌激所得到的誤差的總和稱為剌激強度；
b.免疫優化 1)克隆選擇對M中的每一個抗體Ab，決定它們與抗原Ag的親和度，根據親和度
值選擇高親和度的記憶細胞M。，并克隆記憶細胞，將記憶細胞加入到AbS中； 2)親和度成熟通過隨機地或依照一定規則對抗體中部分權值進行改變以形成
抗體變異，變異的對象是具有高親和度的記憶細胞，將變異后的抗體加入到AbS中； 3) AbS庫更新清除受到較少剌激的Ab，計算對每個Ab的平均剌激，檢查中止條件； 4)克隆選擇和親和度成熟根據剌激水平，克隆和突變AbS中的一部分抗體；
5)循環如果AbS中的平均剌激值小于給定的剌激閾值時，返回到步驟步驟3);
6)記憶細胞庫更新選擇與抗原作用的高親和度的抗體Ab，如果Ab的親和度大 于M中的記憶細胞Mc與抗原的親和度，則將新的Ab記為Mc-new加入到M中，如果Mc和 Mc-new的親和度小于親和度閾值，則將Mc從記憶集合M中刪除； c.循環檢查終止條件，如果滿足終止條件，優化過程結束；否則返回到步驟(h)， 直至條件滿足為止； 所述的工作階段為當后IOO組數據樣本輸入RBF神經網絡時，將訓練好的具有 一定泛型的網絡對該100組數據樣本利用內插和外推的方式進行自適應，完成特征匹配過 程。 所述的步驟(3)中的規則知識庫包括紡絲模型建立輔助知識庫、品種研發輔助 知識庫、性能預測輔助知識庫、工藝優化輔助知識庫。在規則知識庫中，根據輔助知識庫中 的專家經驗和知識以及國家規定的紡絲性能質量標準，建立規則集。 所述的步驟(3)中的推理機采用基于規則推理機，根據知識的語義，對找到的知 識進行解釋執行，并把結果記錄到動態庫的適當空間中，并對紡絲工藝優化誤差作出評價。
所述的步驟(3)中的紡絲工藝專家還包括人機界面系統，是系統與用戶進行交流 時的界面，通過該界面，用戶輸入基本信息、回答系統提出的相關問題、系統輸出推理結果 及相關的解釋。
所述的步驟(4)中的工廠總線系統的具體構成單元包括 1)現場控制站主要由主控組件和輔助組建構成，主控組建包括主控模板、I/O模 板、系統電源模板、總線底板和插件箱；輔助組件包括1/0模板、系統電源模板、總線底板和 插件箱；現場控制站主要完成現場信號的輸入輸出及回路的控制；一個現場控制站由一個 主控組件及多個輔助組件構成；通過1/0模板實現紡絲工藝專家系統與生產總線的數據通 信； 2)操作員站由工控機及操作員站軟件構成，它主要完成系統與操作員之間的人 機界面功能，包括現場狀態的顯示、報警、報表及操作命令的執行功能；通過操作命令的執 行實現紡絲專家系統對生產線的參數調整控制。 3)工程師站由IBM PC兼容微機及工程師組態軟件構成，它主要完成工廠總線系 統的配置、控制回路組態及下載目標運行系統到操作員站和現場控制站的功能，工程師站 中裝載了操作員站軟件后也可以作為操作員站使用。
有益效果 本發明由于采用了上述的技術方案，本方法與現有技術相比，具有以下的優點和 積極效果 1)紡絲生產工藝參數的免疫神經網絡優化 RBF神經網絡不但在理論上是前向網絡中的最優網絡，并且由于該網絡輸出層是 對隱層的線性加權，避免了反向傳播方法的冗長計算，因而具有較高的運算速度。本發明將 生產參數作為RBF神經網絡模型的輸入，主要質量指標作為模型的輸出值，建立紡絲工藝 優化的免疫神經網絡模型，給生產參數的設定提供依據。
2)采用紡絲工藝專家系統對結果集進行分析和評價，并用于指導生產，且專家系 統的知識庫、規則集可以不斷地添加和改進，使系統具有自學習的功能。
圖1是三層RBF神經網絡示意圖；
圖2是本發明DCS系統的紡絲工藝優化示意圖；
圖3是本發明的紡絲工藝專家系統的模塊設計圖；
圖4為本發明人機顯示界面示意圖。 圖中X表示紡絲生產主要質量指標A表示"EYS(倍半伸長率)"，^表示 "EYSCV(倍半伸長率不均率)"，X3表示"DT(絲條強度)"，X4表示"DE(伸長能力)";Y表 示紡絲生產工藝參數yi表示"紡絲速度"，y2表示"紡絲溫度"，y3表示"吹風溫度"，y4表示 "吹風速度"。 圖中標號分別為 1 :輸入層；2 :隱層；3 :輸出層；4 :紡絲生產線；5 :傳送數據；6 :DCS控制系統；7 : 免疫神經網絡；8 :紡絲工藝專家系統；9 :DCS系統控制生產；10 :紡絲工藝專家系統直接作 用于紡絲生產線；11 :紡絲工藝專家系統作用于DCS控制系統；12 :用戶；13 :紡絲工藝專家 系統人機交互接口 ；14 :解釋模塊；15 :推理機接口 ；16 :基于規則的推理機；17 :規則知識 庫；18 :品種開發輔助決策知識庫；19 :紡絲模型建立輔助決策知識庫；20 :專家/知識工程 師；21 :知識獲取模塊；22 :知識分析模塊；23 :事實數據庫；24 :性能預測輔助決策知識庫； 25 :工藝優化輔助決策知識庫。
具體實施例方式
下面結合具體實施例，進一步闡述本發明。應理解，這些實施例僅用于說明本發明 而不用于限制本發明的范圍。此外應理解，在閱讀了本發明講授的內容之后，本領域技術人 員可以對本發明作各種改動或修改，這些等價形式同樣落于本申請所附權利要求書所限定 的范圍。 本發明所涉及的一種基于免疫神經網絡專家系統的紡絲工藝智能優化設計方法， 主要包括以下部分 (1)利用所要優化的纖維主要質量指標及生產線上對其具有影響的諸因素的監測 數據，通過徑向基函數(Radial Base F皿ction， RBF)神經網絡進行學習，掌握上述主要質 量指標和影響因素之間的隱含關系。 (2)在上述RBF神經網絡中，引入免疫優化算法，增強該神經網絡模型的適應性和 學習能力。 (3)建立針對紡絲過程的專家系統，將上述免疫神經網絡優化模型嵌入專家系統 中，形成基于免疫神經網絡的專家系統，利用免疫神經網絡的學習能力和專家系統的知識 儲備和推理能力，基于上述主要質量指標對生產過程中的影響因素進行統一調節和配置。
(4)將上述免疫神經網絡專家系統與纖維生產線進行實時連接，利用生產線的實 時運行數據，動態調整免疫神經網絡模型，動態更新專家系統的知識儲備，更好地對生產過 程進行優化。
—、RBF神經網絡 RBF神經網絡是一種性能良好的前向網絡，它具有很強的生物背景和逼近任意非 線性函數的能力。與其它前向神經網絡相比，RBF神經網絡在非線性系統建模方面不存在 BP網絡學習的局部最優問題，學習復雜性低，效率高，在結構上具有輸出-權值線性關系， 同時訓練方法快速易行。利用在線學習方法，完全能使RBF神經網絡作為建模工具。RBF神 經網絡的結構如圖l所示。它的輸入層由信號源節點組成；第二層為隱含層，其節點的多少 視具體問題而定；第三層為輸出層。 與傳統的機理建模方法相比，用RBF神經網絡建立雙模型結構的時變非線性系統 自校正模型不僅極為簡便，而且具有更高的精度和自適應能力，因而在過程建模中得到了 廣泛的應用。為此本系統也采用雙模型結構一個模型用于自學習，24小時學習一次；另一 個模型用于在線校正，它是當前運行模型。無論自學習模型還是在線校正模型都是六個小 時校正一次，使之迅速跟蹤當前工況，并要比較兩個模型的精度。如果在線校正模型精度小 于當前自學習模型，則用自學習模型代替當前運行模型，稱為新的當前模型；否則，保留當 前運行模型。 二、紡絲工藝優化設計的免疫神經網絡模型
1. BRF神經網絡的建立過程 集散控制系統(DCS)采集紡絲生產線上的生產參數和主要質量指標(主要質量指 標我們簡稱為采集值。對于短纖維，采集值種類包括倍半伸長率，倍半伸長率的不均率，絲 條強度，伸長能力；對于長纖維，采集值種類包括斷裂伸長率，斷裂強度，CVEYS1. 5， CVDE， CVDT，倍半伸長率)。 將生產參數作為神經網絡的輸入，主要質量指標作為神經網絡的輸出值，建立紡 絲工藝優化設計的RBF神經網絡模型； 采集300組數據進行RBF神經網絡模型的訓練與預測。其中，前200組數據用于 RBF神經網絡模型的建立；后100組數據對其進行檢驗，并對RBF神經網絡進行進一步改 進。
以短纖維為例具體方法如下 根據紡絲生產工藝，采用一個具有4個輸入節點，4個隱藏節點，4個輸出節點的三 層RBF神經網絡，如圖l所示。輸入層節點的作用只是傳遞輸入數據^，^，X3，X4到隱含層 節點。隱含層節點即RBF節點，由常見的高斯函數構成。輸出節點通常是簡單的線性函數。 隱含節點的作用函數(核函數)對輸入信號將在局部產生響應，當輸入信號靠近核函數的 中央范圍時，隱含節點就產生較大的輸出；反之，則產生較小的輸出，高斯核函數的表示形 式如下 =闊--^~~， j = 1 ， 2，......Nh。 (1)2。 式中，Uj是第j個隱含節點的輸出，X = (Xl， x2，......， xn)T是輸入樣本，Cj是高
斯函數的中心值，Oj是標準化常數，Nh是隱層節點數，由式(1)可知，節點的輸出范圍在0
到1之間，且輸入樣本愈靠近節點的中心，輸出值愈大。 所述RBF神經網絡模型的輸出為隱層節點的線性組合，即
8^ ， 乂 = H w一y — P = w) "， i = 1 ， 2......， m。 (2) 式中，= (wn， w,2......， w," — (9)7 ，w = (w,,w2......， wW(] l)7 所述RBF神經網絡模型在軟件上的具體實現步驟如下
1)初始化； 2)輸入訓練樣本對，計算各層輸出；
3)計算RBF網絡的輸出誤差；
4)計算各層誤差信號；
5)調整各層權值； 6)檢查網絡總誤差是否達到精度要求，滿足，則訓練結束；不滿足，則返回步驟 2)。 2. RBF神經網絡的工作原理 RBF神經網絡的工作原理分為兩個階段，這里利用免疫優化算法對神經網路進一 步優化。 (1)學習階段。選定采集到的前200組數據作為數據樣本進行學習。RBF神經網 絡學習結果以權值存儲在網絡結構之中。 RBF神經網絡的學習過程又分為兩個階段。第一階段，根據所有的輸入樣本決定隱 層各節點的高斯核函數的中心值Cj和標準化常數o j;第二階段，在決定好隱層的參數后， 根據樣本利用最小二乘原則，求出輸出層的權值Wi。在完成第二階段的學習后，再根據樣本 信號校正隱層和輸出層的參數，進一步提高網絡精度。 在RBF神經網絡的學習中，利用免疫優化算法優化神經網絡。將RBF神經網絡的 目標函數E看作免疫優化算法中的抗原，將神經網絡權值看作抗體，通過對抗體的復制、交 叉及變異等操作，得到最佳適應度函數f ( )。 步驟1 :初始化。初始化RBF神經網絡的初始權值，并創建記憶抗體集合(M)和初 始抗體集合(AbS); 步驟2 :網絡優化。利用免疫優化算法優化RBF神經網絡； 步驟3 :循環。檢查終止條件，如果滿足終止條件，優化過程結束；否則重復步驟2， 直至條件滿足為止。
免疫優化算法的基本步驟如下 步驟1 :初始化。初始化所述RBF神經網絡模型的初始權值，并以初始權值為內容 創建記憶抗體集合M和初始抗體集合AbS，每組權值稱為一個抗體；所述單個數據樣本中包 含的質量指標值稱為一個抗原；利用抗體生成具有所述結構的RBF神經網絡模型，并利用 所述數據樣本代入模型計算，進而比較模型計算值和樣本中包含的真實采集值的過程稱為 抗原對抗體的剌激；多個抗體重復進行剌激所得到的誤差的總和稱為剌激強度；
步驟2:免疫優化 1)克隆選擇。對M中的每一個抗體Ab，決定它們與抗原Ag的親和度，根據親和度 值選擇高親和度的記憶細胞M。，并克隆記憶細胞，將記憶細胞加入到AbS中；
2)親和度成熟。變異具有高親和度的記憶細胞，將變異后的抗體加入到AbS中；
3) AbS庫更新。清除受到較少剌激的Ab，計算對每個Ab的平均剌激，檢查中止條件； 4)克隆選擇和親和度成熟。根據剌激水平，克隆和突變AbS中的一部分抗體；
5)循環。如果AbS中的平均剌激值小于給定的剌激閾值時，返回到步驟步驟2的 3); 6)記憶細胞庫更新。選擇與抗原作用的高親和度的抗體Ab，如果Ab的親和度大 于M中的記憶細胞Mc與抗原的親和度，則將新的Ab (記為Mc-new)加入到M中，如果Mc和 Mc-new的親和度小于親和度閾值，則將Mc從記憶集合M中刪除； 步驟3 :循環。檢查終止條件，如果滿足終止條件，優化過程結束；否則返回到步驟 2，直至條件滿足為止。 (2)工作階段。當后100組數據樣本輸入RBF神經網絡時，將訓練好的具有一定泛 型的網絡對該100組數據樣本利用內插和外推的方式進行自適應，完成特征匹配過程。
三、紡絲工藝專家系統 紡絲工藝優化的RBF神經網絡建立后，將輸出結果傳送到裝有紡絲工藝專家系統 的上位機，專家系統會根據自身的知識庫和推理機分析生產參數和采集值，得出一組主要 質量指標的目標值，目標值和采集值進行比較得出誤差。專家系統再根據誤差，給出生產參 數的調整值及原因解釋。 紡絲工藝專家系統最主要的兩部分為規則知識庫和推理機。 規則知識庫包括"紡絲模型建立輔助知識庫"，"品種研發輔助知識庫"，"性能預 測輔助知識庫"，"工藝優化輔助知識庫"。規則集主要根據輔助知識庫中的專家經驗和知識 以及國家規定的紡絲性能質量標準來確定，建立多條規則集。 推理機采用"基于規則推理機"，根據知識的語義，對找到的知識進行解釋執行，并 把結果記錄到動態庫的適當空間中，并對紡絲工藝優化誤差作出評價。 人機界面是系統與用戶進行交流時的界面。通過該界面，用戶輸入基本信息、回答 系統提出的相關問題。系統輸出推理結果及相關的解釋也是通過人機交互界面。
四、專家系統與纖維生產線的實時連接 專家系統與纖維生產線的實時連接采用工廠總線HS2000系統。HS2000系統是一 套分層分布式的大型綜合自動化系統，它以多層數據網絡為基礎，將各種不同的設備掛接 在網絡上，實現各部分的協調工作及數據和信息的共享，共同完成綜合控制與管理的功能。
需要指出的是，此處作為所述發明的應用實例選擇HS2000工廠總線系統，技術人 員在閱讀本專利后，也可根據實際需要，選擇其他不同類型的工廠總線系統實現本發明所
述的功能。 HS2000系統的具體構成單元 1)現場控制站主要由主控組件和輔助組建構成，主控組建包括主控模板、I/O模 板、系統電源模板、總線底板和插件箱。輔助組件除不包括主控模板外，其余部分和主控組 件一樣。現場控制站主要完成現場信號的輸入輸出及回路的控制。 一個現場控制站由一個 主控組件及多個輔助組件構成。通過1/0模板實現紡絲工藝專家系統與生產總線的數據通 信。 2)操作員站由工控機及操作員站軟件構成，它主要完成系統與操作員之間的人 機界面功能，包括現場狀態的顯示、報警、報表及操作命令的執行等功能。通過操作命令的
10執行實現紡絲專家系統對生產線的參數調整控制。 3)工程師站由IBM PC兼容微機及工程師組態軟件構成，它主要完成HS2000系 統的配置、控制回路組態及下載目標運行系統到操作員站和現場控制站的功能。工程師站 中裝載了操作員站軟件后也可以作為操作員站使用。 如圖2所示，本方法采用DCS系統監控紡絲生產線。下位機采集所需的樣本數據。
用采集到的樣本數據建立免疫優化的RBF神經網絡模型，并用預測樣本集進行檢驗。 作為實例，免疫優化的RBF神經網絡模型算法由C#編程實現，在Microsoft
VisualStudio開發環境下編譯生成DLL動態鏈接庫供其它程序調用；同時編制程序，對紡
絲性能預測，絲條各工序點參數顯示等功能進行實現。技術人員也可以根據實際情況，選擇
其它的軟硬件工具進行實現。 免疫優化的RBF神經網絡模型建立后，下位機采集到的數據直接傳入RBF神經網 絡進行紡絲工藝設計，得出結果集后將結果集傳入裝有專家系統的上位機，專家系統通過 自身的知識庫和推理機進行分析，給出所得到的紡絲參數的分析和評價，并用來指導生產。
以短纖維為例，工藝優化首先建立免疫優化的RBF神經網絡模型，然后利用此網 絡進行工藝優化，得出理想的生產參數。 具體軟件操作步驟如下在如圖4所示的軟件界面中，點擊"工藝優化"按鈕，進行 以下操作 1.選擇工藝(只可選擇下拉菜單中的工藝) 2.輸入主要質量指標(準確范圍為下拉菜單中的范圍，可以超出，但不要偏離過 大) 3.點擊"優化計算"按鈕，在下方的"顯示生產參數"中會顯示計算得到的生產參 數，在"顯示設備參數"中會顯示設備參數。(注如果沒有生產參數顯示，說明輸入的某個 主要質量指標超過允許范圍，可根據下拉菜單中的范圍進行調整再優化計算。)
如圖1所示，是本發明的應用實例所述的RBF三層神經網絡網絡模型。所述模型 選取隨機采集到生產參數的前200組數據作為樣本數據，后100組數據作為測試樣本，建立 三層免疫優化的RBF神經網絡。 如圖3所示，本方法的紡絲工藝專家系統。經過免疫優化的RBF神經網絡優化后 得出的結果集，會傳入裝有紡絲工藝專家系統的上位機，專家系統對得出的結果集，進行分 析和評價，并用反饋指導生產。 上述方法首先用免疫優化的RBF神經網絡對紡絲生產工藝進行優化，并將優化后
的結果集傳入到紡絲工藝專家系統，專家系統會給出結果集的分析和評價。 上述方法采用下位機對數據采集和傳送，上位機主要存儲專家系統知識庫和規則集。 上述方法中，專家系統的知識庫和規則集可以增加和改進，具有自學習功能。
上述方法專家系統給出的結果分析和評價可以直接作用于生產線或者返回DCS 系統，由DCS對生產線進行調控。
權利要求
一種基于免疫神經網絡的紡絲工藝智能優化設計方法，包括下列步驟(1)RBF神經網絡的建立采用雙模型結構的RBF神經網絡，一個模型用于自學習，24小時學習一次；另一個模型用于在線校正，為當前運行模型；它的輸入層由信號源節點組成；第二層為隱含層；第三層為輸出層；(2)紡絲工藝優化設計的免疫神經網絡模型的建立對RBF神經網絡進行優化，集散控制系統采集紡絲生產線上的生產參數和主要質量指標，其中主要質量指標簡稱為采集值，將生產參數作為神經網絡的輸入，主要質量指標作為神經網絡的輸出；在所述的RBF神經網絡中，引入免疫優化算法，得到免疫神經網絡優化模型；(3)紡絲工藝專家系統的建立紡絲工藝優化設計的免疫神經網絡模型建立后，將輸出結果傳送到裝有紡絲工藝專家系統的上位機，專家系統根據自身的規則知識庫和推理機分析生產參數和采集值，得出一組主要質量指標的目標值，目標值和采集值進行比較得出誤差，專家系統再根據誤差，給出生產參數的調整值及原因解釋；(4)專家系統與纖維生產線的實時連接專家系統采用工廠總線與纖維生產線實時連接，以多層數據網絡為基礎，將各種不同的設備掛接在網絡上，實現各部分的協調工作及數據和信息的共享，共同完成綜合控制與管理的功能。
2. 根據權利要求1所述的一種基于免疫神經網絡的紡絲工藝智能優化設計方法，其特 征在于所述的步驟(1)中無論自學習模型還是在線校正模型都是六個小時校正一次，使 之迅速跟蹤當前工況，并同時比較兩個模型的精度；如果在線校正模型精度小于當前自學 習模型，則用自學習模型代替當前運行模型，稱為新的當前模型；否則，保留當前運行模型。
3. 根據權利要求1所述的一種基于免疫神經網絡的紡絲工藝智能優化設計方法，其特 征在于所述的步驟(2)對RBF神經網絡模型進行優化包括采集300組生產參數的采集值 數據進行RBF神經網絡訓練與預測，前200組數據用于RBF神經網絡模型的建立，后100組 數據對其進行檢驗，具體步驟包括a. 初始化；b. 輸入訓練樣本對，計算各層輸出；c. 計算RBF網絡模型的輸出誤差；d. 計算各層誤差信號；e. 調整各層權值；f. 檢查網絡總誤差是否達到精度要求，滿足，則訓練結束；不滿足，則返回步驟(b)。
4. 根據權利要求1所述的一種基于免疫神經網絡的紡絲工藝智能優化設計方法，其特 征在于所述的步驟(2)中得到免疫神經網絡優化模型包括學習階段和工作階段所述的學習階段包括選定采集到的前200組數據作為數據樣本進行學習；RBF神經網 絡模型的學習結果以網絡神經元連接權值的方式存儲在網絡結構之中，其步驟包括a. 初始化初始化所述RBF神經網絡模型的初始權值，并以初始權值為內容創建記憶 抗體集合M和初始抗體集合AbS，每組權值稱為一個抗體；所述單個數據樣本中包含的質量 指標值稱為一個抗原；利用抗體生成具有所述結構的RBF神經網絡模型，并利用所述數據 樣本代入模型計算，進而比較模型計算值和樣本中包含的真實采集值的過程稱為抗原對抗體的剌激；多個抗體重復進行剌激所得到的誤差的總和稱為剌激強度；b. 免疫優化1) 克隆選擇對M中的每一個抗體Ab，決定它們與抗原Ag的親和度，根據親和度值選 擇高親和度的記憶細胞M。，并克隆記憶細胞，將記憶細胞加入到AbS中；2) 親和度成熟通過隨機地或依照一定規則對抗體中部分權值進行改變以形成抗體 變異，變異的對象是具有高親和度的記憶細胞，將變異后的抗體加入到AbS中；3) AbS庫更新清除受到較少剌激的Ab，計算對每個Ab的平均剌激，檢查中止條件；4) 克隆選擇和親和度成熟根據剌激水平，克隆和突變AbS中的一部分抗體；5) 循環如果AbS中的平均剌激值小于給定的剌激閾值時，返回到步驟步驟3);6) 記憶細胞庫更新選擇與抗原作用的高親和度的抗體Ab，如果Ab的親和度大于M中 的記憶細胞Mc與抗原的親和度，則將新的Ab記為Mc-new加入到M中，如果Mc和Mc-new 的親和度小于親和度閾值，則將Mc從記憶集合M中刪除；c.循環檢查終止條件，如果滿足終止條件，優化過程結束；否則返回到步驟(h)，直至 條件滿足為止；所述的工作階段為當后IOO組數據樣本輸入RBF神經網絡時，將訓練好的具有一定泛 型的網絡對該100組數據樣本利用內插和外推的方式進行自適應，完成特征匹配過程。
5. 根據權利要求1所述的一種基于免疫神經網絡的紡絲工藝智能優化設計方法，其特征在于所述的步驟(3)中的規則知識庫包括紡絲模型建立輔助知識庫、品種研發輔助知 識庫、性能預測輔助知識庫、工藝優化輔助知識庫，在規則知識庫中，根據輔助知識庫中的 專家經驗和知識以及國家規定的紡絲性能質量標準，建立規則集。
6. 根據權利要求1所述的一種基于免疫神經網絡的紡絲工藝智能優化設計方法，其特征在于所述的步驟(3)中的推理機采用基于規則推理機，根據知識的語義，對找到的知識 進行解釋執行，并把結果記錄到動態庫的適當空間中，并對紡絲工藝優化誤差作出評價。
7. 根據權利要求1所述的一種基于免疫神經網絡的紡絲工藝智能優化設計方法，其特征在于所述的步驟(3)中的紡絲工藝專家還包括人機界面系統，是系統與用戶進行交流 時的界面，通過該界面，用戶輸入基本信息、回答系統提出的相關問題、系統輸出推理結果 及相關的解釋。
8. 根據權利要求1所述的一種基于免疫神經網絡的紡絲工藝智能優化設計方法，其特征在于所述的步驟(4)中的工廠總線系統的具體構成單元包括1) 現場控制站主要由主控組件和輔助組建構成，主控組建包括主控模板、1/0模板、 系統電源模板、總線底板和插件箱；輔助組件包括1/0模板、系統電源模板、總線底板和插 件箱；現場控制站主要完成現場信號的輸入輸出及回路的控制；一個現場控制站由一個主 控組件及多個輔助組件構成；通過I/O模板實現紡絲工藝專家系統與生產總線的數據通 信；2) 操作員站由工控機及操作員站軟件構成，它主要完成系統與操作員之間的人機界 面功能，包括現場狀態的顯示、報警、報表及操作命令的執行功能；通過操作命令的執行實 現紡絲專家系統對生產線的參數調整控制。3) 工程師站由IBM PC兼容微機及工程師組態軟件構成，它主要完成所述工廠總線系 統的配置、控制回路組態及下載目標運行系統到操作員站和現場控制站的功能，工程師站 中裝載了操作員站軟件后也可以作為操作員站使用。
全文摘要
本發明涉及一種基于免疫神經網絡的紡絲工藝智能優化設計方法，利用免疫優化的神經網絡建立模型，對生產數據進行處理和分析，得到紡絲生產線參數的合理配置方案，繼而將模型和方案整合于專家系統中，并與生產線進行上線連接以根據實時生產數據同步修正所述的免疫神經網絡模型及專家系統，對紡絲生產線上各參數進行統一配置，并根據生產線的運行情況對生產過程進行及時、有效的優化。本發明采用紡絲工藝專家系統對結果集進行分析和評價，并用于指導生產，專家系統的知識庫、規則集可以不斷地添加和改進，使系統具有自學習的功能。
文檔編號G06N3/04GK101782771SQ20101012651
公開日2010年7月21日 申請日期2010年3月17日 優先權日2010年3月17日
發明者丁永生, 任立紅, 朱匯中, 李保卿, 梁霄, 王華平, 郝礦榮 申請人:東華大學