纺织学报 ›› 2019, Vol. 40 ›› Issue (8): 157-163.doi: 10.13475/j.fzxb.20180606307

• 机械与器材 • 上一篇    下一篇

基于机器学习的整体穿刺加压参数预测方法

杨景朝1, 蒋秀明1,2(), 董九志1,2, 陈云军2,3, 梅宝龙1   

  1. 1.天津工业大学 机械工程学院, 天津 300387
    2.天津工业大学 天津市现代机电装备技术重点实验室,天津 300387
    3.天津工业大学 电气工程与自动化学院, 天津 300387
  • 收稿日期:2018-06-21 修回日期:2019-04-04 出版日期:2019-08-15 发布日期:2019-08-16
  • 通讯作者: 蒋秀明
  • 作者简介:杨景朝(1984—),男,博士生。主要研究方向为机器学习在智能制造中的应用。
  • 基金资助:
    天津市科技支撑重点计划项目(15ZCZDGX00840)

Prediction method of integrated piercing pressure parameters based on machine learning

YANG Jingzhao1, JIANG Xiuming1,2(), DONG Jiuzhi1,2, CHEN Yunjun2,3, MEI Baolong1   

  1. 1. School of Mechanical Engineering, Tianjin Polytechnic University, Tianjin 300387, China
    2. Advanced Mechatronics Equipment Technology Tianjin Area Major Laboratory, Tianjin Polytechnic University, Tianjin 300387, China
    3. School of Electrical Engineering and Automation, Tianjin Polytechnic University, Tianjin 300387, China
  • Received:2018-06-21 Revised:2019-04-04 Online:2019-08-15 Published:2019-08-16
  • Contact: JIANG Xiuming

摘要:

针对整体穿刺加压密实过程中碳布回弹导致平均层高波动范围较大,影响立体织物性能的问题,提出一种基于机器学习理论的加压参数预测方法,将平均层高与加压参数之间复杂建模转换为多元回归问题,使用适合计算机运算的无约束优化迭代方法求解。基于scikit-learn类库对特征变量进行特征选择,对比6种回归模型的预测性能得分后选择K近邻回归作为基学习器,使用集成算法提升模型的预测性能。预测模型部署到生产环境后的实验结果表明:使用机器学习预测后,加压参数对整体穿刺过程平均层高均值变化的响应速度得到提高,且均值变化幅度得到降低,实验样本平均层高波动范围均值从12.0%降低至6.8%,标准差从0.008 3降低至0.006 6。

关键词: 立体织物, 整体穿刺, 控制参数预测, 机器学习

Abstract:

In view of the problem that the spring back of carbon cloth leads to a large fluctuation range of average layer height and thus affects the performance of three-dimensional fabric during pressurized compaction process of integrated piercing, a real-time prediction method of pressure parameters based on machine learning theory was proposed. The complex modeling of the relationship between the average layer height and the pressurized parameters was transformed into multiple regression problems, and an unconstrained optimization iteration method suitable for computer operation was adopted to solve the problem. Based on the scikit-learn class library, the feature variables were selected. After comparing the predictive performance scores of the six regression models, the K nearest neighbor regression were selected as the base learners, and the prediction performance of the model was improved by using the integration algorithm. The experimental results after the prediction model was deployed to the production environment show that owing to the use of the machine learning prediction, the response speed of the pressure parameters to the average level in the integrated piercing process is improved, and the mean change amplitude is reduced. The average height fluctuation range of the experimental sample product is reduced from 12.0% to 6.8%, and the standard deviation from 0.008 3 to 0.006 6.

Key words: three-dimensional fabric, integrated piercing, control parameter prediction, machine learning

中图分类号: 

  • TP181

图1

整体穿刺工艺流程示意图"

图2

整体穿刺加压示意图"

表1

机器学习建模变量定义"

含义 变量 说明
输入特征 x x=[x1,x2,,x11]
输出特征 y y=[x12]
训练集 D={(x(i),y(i));i=1,2,,m} i为样本序号
输入变量空间 X={x(i);i=1,2,,m} i为样本序号
输出变量空间 Y={y(i);i=1,2,,m} i为样本序号

图3

监督学习流程示意图"

图4

过拟合和拟合对比图"

图5

全特征的多模型拟合图"

表2

多样本在3种模型下的均方误差得分表"

模型 性能度量标准 得分
线性回归 MSE(均方误差) 11.599
5阶多项式回归 MSE(均方误差) 3.935
30阶多项式回归 MSE(均方误差) 0.164

图6

机器学习流程示意图"

表3

数据特征的标签编码"

特征类型名称 特征值 标签编码
助剂类型 A 0
B 1
碳布类别 I 0
II 1
III 2
IV 3
加压间隔 2层 0
4层 1
6层 2
8层 3

表4

数据特征的独热编码"

特征类型名称 特征值 特征编码
助剂类型 A 10
B 01
碳布类型 I 1000
II 0100
III 0010
IV 0001
加压间隔 2层 1000
4层 0100
6层 0010
8层 0001

表5

移除低方差的数据特征"

特征名称 特征说明 方差 是否保留
CT-1 碳布类型独热编码特征1 0.237
CT-2 碳布类型独热编码特征2 0.140
CT-3 碳布类型独热编码特征3 0.140
CT-4 碳布类型独热编码特征4 0.140
AT-1 助剂类型独热编码特征1 0.140
AT-2 助剂类型独热编码特征2 0.140
PI-1 加压间隔独热编码特征1 0.300
PI-2 加压间隔独热编码特征2 0.400
PI-3 加压间隔独热编码特征3 0.458
PI-4 加压间隔独热编码特征4 0.489

表6

皮尔逊系数相关程度分类表"

绝对值范围 相关性程度 是否保留
0.800~1.000 极强相关
0.600~0.800 强相关
0.400~0.600 中等强度相关
0.200~0.400 弱相关
0.000~0.200 极弱相关或无相关

表7

单变量特征选择处理结果"

特征 皮尔逊系数 F回归 是否保留
加压循环 -0.946 42 897.173
当前层数 0.981 130 261.670
压力增加 0.093 43.738
时间增加 0.014 1.003
高度增加 -0.704 4 915.491
当前高度 0.981 126 421.006
平均高度 -0.265 377.436
加压时间 0.999 2 068 838.071

表8

6种模型在3种准则下的评估矩阵"

评价
准则
回归
模型
得分
平均值
得分
标准差
是否
保留
MAE 线性回归 -3.280×10-2 2.000×10-5
MAE 岭回归 -3.235×10-2 1.000×10-5
MAE 套索回归 -8.695×10-1 0
MAE 弹性网络回归 -4.992×10-1 2.400×10-4
MAE K近邻回归 -2.117×10-2 1.880×10-3
MAE 支持向量机回归 -4.186×10-2 2.620×10-3
MSE 线性回归 -1.180×10-3 0
MSE 岭回归 -1.180×10-3 0
MSE 套索回归 -1 0
MSE 弹性网络回归 -3.276×10-1 4.200×10-4
MSE K近邻回归 -6.100×10-4 1.100×10-4
MSE 支持向量机回归 -2.530×10-3 3.000×10-4
R2 线性回归 9.988×10-1 0
R2 岭回归 9.988×10-1 0
R2 套索回归 0 0
R2 弹性网络回归 6.724×10-1 4.200×10-4
R2 K近邻回归 9.994×10-1 1.100×10-2
R2 支持向量机回归 9.975×10-1 3.000×10-4

图7

2种模型在3种评估准则下的箱线图"

表9

集成算法提升模型预测性能的结果"

评价
准则
基模型 得分
平均值
得分
标准差
MAE K近邻回归 -2.092×10-2 3.140×10-3
MSE K近邻回归 -5.900×10-4 1.200×10-4
R2 K近邻回归 9.994×10-1 1.200×10-4

表10

整体穿刺加压预测的工艺参数"

层数
区间
层数 加压间
隔/层
加压循
环/次
压力
范围/N
时间范
围/s
0~320 320 8 40 980~1 666 10~30
320~500 180 6 30 1 666~2 352 30~50
500~580 80 4 20 2 352~2 744 50~60
580~600 20 2 10 2 744~2 940 60~70

图8

整体穿刺加压参数预测系统"

图9

机器学习预测模型前后的平均层高"

图10

机器学习预测模型前后产品平均层高"

[1] ROINCIK P G . Properties and application of mod-3 pierced fabric reinforced carbon/carbon compo-sites[J]. Carbon, 1973,11(6):690.
[2] 朱建勋 . 细编穿刺织物的结构特点及性能[J]. 宇航材料工艺, 1998(1):41-43.
ZHU Jianxun . The structural characteristics and prop-erties of fine weave pierced fabric[J]. Aerospace Materials & Technology, 1998(1):41-43.
[3] 朱建勋 . 碳布整体穿刺织物编织工艺与结构参数优化[D]. 南京: 东南大学, 2004: 17-24.
ZHU Jianxun . Carbon fiber integrated piercing fabrics braiding technology and parameter optimization[D]. Nanjing: Southeast University, 2004: 17-24.
[4] 邢晓熙, 徐澄 . 台达PLC与触摸屏在细编穿刺机上的应用[J]. 机械设计与制造工程, 2013,42(2):84-85.
XING Xiaoxi, XU Cheng . The application of delta's PLC and touch screen in fine weave pierced ma-chine[J]. Machine Design and Manufacturing Engeering, 2013,42(2):84-85.
[5] 董九志, 蒋秀明, 杨建成 , 等. 立体织物整体穿刺钢针阵列布放装置研制及实验验证[J]. 纺织学报, 2015,36(3):115-120.
DONG Jiuzhi, JIANG Xiuming, YANG Jiancheng , et al. Development and experimental verification of steel needle array placement device for solid fabric punc-ture[J]. Journal of Textile Research, 2015,36(3):115-120.
[6] 陈盛洪 . 细编穿刺C/C复合材料热物理性能的模拟研究[D]. 哈尔滨: 哈尔滨工业大学, 2008: 53-56.
CHEN Shenghong . Simulation on the physical properties of fine weave pierced C/C composite[D]. Harbin: Harbin Institute of Technology, 2008: 53-56.
[7] 周钰博, 李艳霞, 李敏 , 等. 细编穿刺织物的数学建模理论与实例[J]. 材料工程, 2017,45(4):102-107.
ZHOU Yubo, LI Yanxia, LI Min , et al. Mathematical modeling theory and example of fine woven fabric[J]. Journal of Material Engineering, 2017,45(4):102-107.
[8] LEE S D, JUN C H . Fast incremental learning of logistic model tree using least angle regression[J]. Expert Systems with Applications, 2018(97):137-145.
[9] AMIN M J, RIZA N A . Machine learning enhanced optical distance sensor[J]. Optics Communications, 2018(407):262-270.
[10] ARUN M K, GHANSHYAM P, RAMPI R . Critical assessment of regression-based mahine learning methods for polymer dielectrics[J]. Computational Materials Science, 2016(125):123-135.
[11] SUNIL K J, ZULFIQAR A . Soil microbial dynamics prediction using machine learning regression methods[J]. Computers and Electronics in Agriculture, 2018(147):158-165.
[12] 朱建勋, 何建敏, 王海燕 , 等. 基于纤维弯曲伸长模式的Z向钢针针尖形态优化[J]. 中国工程科学, 2003,5(9):18-21.
ZHU Jianxun, HE Jianmin, WANG Haiyan , et al. Optimization of Z oriented needle tip shape based on fiber bending elongation model[J]. Strategic Study of CAE, 2003,5(9):18-21.
[13] 朱建勋, 何建敏, 王海燕 . 正交叠层机织布整体穿刺工艺的纤维弯曲伸长机理[J]. 中国工程科学, 2003,5(5):59-62.
ZHU Jianxun, HE Jianmin, WANG Haiyan . The mechanism of fiber bending and elongation in the Integrated piercing process of orthogonal laminated woven fabrics[J]. Strategic Study of CAE, 2003,5(5):59-62.
[14] KRISHNAN N M A, MANGALATHU S, SMEDSKJAER M M , et al. Predicting the dissolution kinetics of silicate glasses using machine learning solids[J]. Journal of Non-Crystalline Solids, 2018(487):37-45.
[15] PENG Xinjun, CHEN De . PTSVRs:regression models via projection twin support vector machine[J]. Information Sciences, 2018(435):1-14.
[1] 焦亚男, 杨志, 张世浩. 实验参数对高性能石英纤维摩擦性能的影响[J]. 纺织学报, 2019, 40(07): 38-43.
[2] 董九志 梅宝龙 蒋秀明 杨景朝. 用于含 Z 向钢针立体织物的钢针置换夹持器设计[J]. 纺织学报, 2018, 39(12): 101-106.
[3] 董九志 蒋秀明 杨建成 赵世海 袁汝旺. 立体织物整体穿刺钢针阵列布放装置研制及实验验证[J]. 纺织学报, 2015, 36(03): 115-120.
[4] 李献鑫 孙颖 陈利 李嘉禄 潘宁. 立体织物在二氧化硅基复合材料方面的应用前景[J]. 纺织学报, 2013, 34(1): 143-150.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
[1] 胡觉亮. 基于贝叶斯方法的织物分类研究[J]. 纺织学报, 2004, 25(01): 48 -49 .
[2] 吉苏玉. 涤纶混纺织物弹性与褶裥性能试验[J]. 纺织学报, 1983, 4(10): 45 -46 .
[3] 黄晨;丽韩;兆芳;银地. 丝胶浸渍棉质非织造地膜的制备与表征[J]. 纺织学报, 2007, 28(11): 52 -55 .
[4] 许云辉;林红;陈宇岳. 选择性氧化棉纤维的聚集态结构[J]. 纺织学报, 2006, 27(11): 1 -5 .
[5] 杨锁廷;刘建中;姚金波;王晓红;杨声强. 拉伸改性羊毛性能的研究[J]. 纺织学报, 2002, 23(03): 32 -33 .
[6] 潘寿民. 台车弯纱轮啮合分析与工艺计算[J]. 纺织学报, 1986, 7(06): 34 -38 .
[7] 张森林. 电子提花龙头的设计和实现[J]. 纺织学报, 2001, 22(05): 25 -26 .
[8] 田军;刘吉平;郝向阳. 纳米材料的制备技术与在纺织上的应用[J]. 纺织学报, 2001, 22(05): 60 -62 .
[9] 张健飞;邵改芹. 紫外线照射白腐菌对己内酰胺分解及聚酰胺6降解的影响[J]. 纺织学报, 2008, 29(1): 9 -13 .
[10] 郭红;夏正兴. 镀铝反辐射热材料隔热性能的研究[J]. 纺织学报, 1990, 11(07): 4 -7 .