我国大多数棉纺企业,目前基本上靠经验进行工艺设计、靠试加工进行加工参数优化、靠人工被动滞后的检验进行质量控制。这会造成生产让步处理的盲目性、产品生产效率的波动和低下。以东华大学的于伟东和杨建国等为代表的团队都对虚拟智能加工技术进行了研究,出现“毛精纺织造虚拟加工系统”、“棉纺织智能工艺设计平台”、“棉纺纱线质量预报与控制系统”、“纺织品智能工艺设计与质量预报系统”、“纺织品智能化工艺辅助设计系统WebPQC”等。这些虚拟智能加工系统应用了多种智能算法,在一定程度上解决了上述问题。本文将在上述研究的基础上,进一步研究和分析算法模型的特征和高精准建模,主要成果在以下五个方面:(1)CBR案例库的建立与其算法的改进基于案例推理(Case Based Reasoning,CBR)的纺织工艺设计需要解决工艺实例结构表示,工艺特征的提取,工艺相似性搜索算法等关键问题。本文基于采集数据提取纱线特征:纱线规格(Nm)、回潮率(%)、捻度(捻/m)、捻系数与断裂强度(cN/tex),将每种纱线以该特征向量建立案例库。基于案例推理的检索方式目的是找出新案例与案例库中最相似的案例,重要的是其算法,本文在原有算法基础上,提出其改进算法,使算法中不含有跟案例特征无关的变量,使算法具有适用性。(2)验证主成分分析(pca)对提高bp神经网络精度的作用主成分分析(principalcomponentanalysis,简称pca)利用降维的思想,把多指标转化为少数几个不相关的综合指标的一种多元统计分析方法。本文利用主成分分析将13个原棉指标(分别是马克隆值(x1)、公制支数(x2)、断裂强度(x3)、成熟度指数(x4)、主体长度(x5)、品质长度(x6)、基数(x7)、均匀度(x8)、短绒率(x9)、回潮率(x10)、含杂率(x11)、带纤籽屑(x12)和破籽(x13))减少到5个综合指标,即长度均匀度、细度、力学与长度、含杂含水和轧花加工,并给出其线性组合方式。很多文献都指出,主成分分析能够降维,减小bp神经网络输入端的维度,可以提高bp神经网络预报精度。本文通过单一bp神经网络(模型1)和pca与bp神经网络结合(模型2)的性能曲线、误差分布以及mep分析可知,主成分分析只是降维但对精度提高帮助不大。另外通过mep分析的3个模型对比,说明主成分分析是可以降维,但在隐层节点数上增长,本质上依然在考察主成分本身所涉及的各变量的作用。(3)用遗传算法(ga)优化神经网络的训练参数单一的神经网络在进行预报时由于参数的设置很难达到理想的预报结果,因此很多学者采用遗传算法(ga)对神经网络的权值和阈值进行优化,而笔者应用matlab2014a在人工智能计算方面的优势和神经网络工具箱函数的特点,分析了影响bp神经网络精度的因素,包括数据分配、隐层节点数以及训练参数trainlm的设置,并将这些影响因素作为ga优化的对象。pca与ga优化后的bp神经网络结合(模型p-3)的断裂强度(y2)的预报精度相对主成分分析加神经网络(模型p-2)改善最为明显,mep达1.21%,提高率为61.09%,捻度cv值(y3)的mep达2.2%,提高率为48.19%(对模型1)和50.65%(对模型p-2);fbs与ga优化后的bp神经网络结合(模型f-3)条干cv值(y1)的预报精度相对多元逐步回归加神经网络(模型f-2)改善最为明显,mep达0.85%,提高率为61.71%,捻度cv值(y3)的mep达1.86%,提高率为57.92%(对模型1)和58.39%(对模型f-2),这些都证明引入遗传算法(ga)的重要性。在进行神经网络预报时,对预报结果产生影响的因素进行遗传算法优化而得到最佳组合,比使用固定参数设置的神经网络的预报结果要理想的多。(4)组合神经网络时以fbs为输入端的优越性组合神经网络时,若对网络的输入端进行降维时,采用的主成分分析(pca)得到主成分和多元逐步回归(fbs)得到变量组合两种输入端方式,经过这两种模型的mep对比分析,采用多元逐步回归(fbs)得到变量组合的方式更能提高精度,其原因在于fbs得到的是相互独立的影响因子权重系数最大的几个因子。(5)采用matlabgui进行操作界面开发首次采用matlabgui工具箱对棉纺成纱质量预报系统进行开发,对系统开发的方式进行了探索,能够充分发挥Matlab在数值计算方面的优势。本文基于采集数据和实现预报功能的特点,分为用户管理、数据管理和预报模型三大板块,其中用户管理和数据管理板块能够很好地实现管理功能,使得用户能够计算机实现交互,方便其操作。