在整个纺织产业链中,纱线生产是其中关键的环节之一,它对纺织服装等成品质量的影响非常大。长期以来,纺织业界一直希望有一种纱线质量预测技术,可以根据原材料和生产工艺等已知条件来准确预测最终生产出来的纱线质量指标,也就是所谓的虚拟纺纱技术。实际上这种技术的本质是通过预测模型来揭示原材料性能指标、生产工艺等因素与纱线质量指标之间的关系。由于纱线生产过程复杂,影响纱线质量的因素众多,因此很难通过简单的数学模型来准确表达它们之间的复杂关系。纺织科技工作者在该领域做了很多研究工作,从物理模型、统计方法到人工神经网络,也有了不少进展,但是总体上预测精度和适用性不够。随着计算能力的提升,深度神经网络(即深度学习)因其优良的性能而得到重视。深度神经网络可以解决浅层网络因为受网络层数限制而出现的不能精准表达非线性复杂关系的问题。本文就是在这种背景下,采用深度神经网络来建立相关预测模型,以期能够更加精准地表达纱线质量指标与生产该产品的原材料和生产工艺等因素之间的关系,从而可以较好地预测纱线质量指标,因而具有潜在的应用价值。本文的主要研究工作有三方面:(1)从加工时序对纱线质量影响的角度和通过卷积神经网络中的卷积和池化层来优化特征值的角度,设计了三种模型分别是CNN-BP、CNN-GRNN和CNN-LSTM。CNN代表卷积神经网络的卷积、池化运算,它主要是从优化特征值角度设计的;LSTM是从考虑加工时序对纱线质量影响的角度设计的;BP和GRNN是在不考虑加工时序对纱线质量影响的角度设计的,其中GRNN是针对小样本数据集而设计的。(2)分别研究了三个模型的参数确定、预测效果等。(3)对几种纺纱方法的纱线质量预测进行验证。全文一共八章,下面将分别介绍:第一章是绪论。主要有四方面内容:第一是研究背景和意义;第二是研究内容和目标;第三是研究思路和技术路线;第四是论文的总体框架。主要提出了基于考虑与不考虑纺纱时序性的深度神经网络模型设计的三种情况。第二章是文献综述。本章主要是对纱线质量预测技术的历史研究进行总结和分析回顾。纱线质量预测技术的发展历程是从数理统计技术发展到灰色理论再到机器学习技术;机器学习技术主要包括支持向量机和人工神经网络。通过文献分析可知目前纱线质量指标预测的最大问题是如何提高预测精度和广泛适用性的问题,从而为本文研究目标指明了方向。第三章是纱线的数据仓库设计与实现。首先是针对纱线质量指标预测主题设计数据仓库,然后以具体的转杯纱为例,建立个案数据仓库,为后续的纱线质量预测提供支持。第四章是基于CNN-BP深度神经网络纱线质量预测模型。CNN-BP模型是在不考虑工艺时序对纱线质量影响因素的假设下,提出的一种深度神经网络纱线质量预测模型。CNN是对输入原始特征值的优化,BP是对优化后特征值一种回归拟合。CNN-BP模型的输入是纤维性能指标和工艺参数按顺序组成一个N×N的矩阵,经过2倍从1×1到N×N二维卷积核,实现特征值从部分到整体组合优化,最终将优化后的特征值通过BP神经网络拟合,从而预测相应的纱线质量指标。通过对输入特征值排序、纤维性能指标、工艺参数、卷积核、激活函数和BP神经元个数等因素的试验与分析,得出了转杯纺实例中CNN-BP模型的参数配置。采用200组转杯纱数据集的训练与测试,表明CNN-BP模型的预测精度高于传统的BP神经网络和线性回归纱线质量预测方法。在此基础上考虑到CNN-BP模型参数较多,200组数据集尚不能充分训练模型参数,提出了使用生成对抗网络(GAN)根据原有的用于训练的180组数据集生成20000组数据来对CNN-BP模型进行训练。实验结果表明,经过20180组数据集训练的CNN-BP模型的预测精度高于只经过180组数据集训练的CNN-BP模型。第五章是基于CNN-GRNN深度神经网络纱线质量预测模型研究。在目前行业内对纺纱数据采集中还存在一定困难,往往得到的是小样本数据集。为解决这个问题,将CNN-BP模型做了相应的改进。首先是CNN部分改进,将原来的二维卷积改为一维卷积,即从1到N的一维卷积,这样可以更加充分的实现从部分到整体的特征值的组合优化。其次,将全局拟合参数较多的BP神经网络改为局部拟合的只有一个超参数的GRNN神经网络。通过对CNN-GRNN输入纤维性能指标参数、工艺参数、卷积核参数、GRNN网络的超参数等进行了讨论与分析,最终可确定CNN-GRNN模型的各个参数。同样在转杯纱实例的200组数据进行实验,表明CNN-GRNN模型在180组训练集上的预测精度高于CNN-BP模型,与采用20180组训练集CNN-BP模型预测精度相近。第六章是基于CNN-LSTM深度神经网络纱线质量预测模型。该模型是在考虑纺织工艺时序对纱线质量影响的假设下,提出的CNN-LSTM模型。CNN是通过一维卷积和池化对输入特征值优化,LSTM是根据加工时序将优化过的纤维性能指标与工艺参数按照时间序列进行拟合,从而实现预测纱线质量指标。研究了输入纤维性能指标、工艺参数、卷积核参数、池化核参数、LSTM单元个数、LSTM层数等因素对预测精度的影响,确定了CNN-LSTM模型的各参数。在转纺纱数据集上的实验表明,CNN-LSTM模型预测精度高于CNN-GRNN模型的预测精度,即意味着CNN-LSTM模型是本文提出的三种深度神经网络模型中预测精度最高,当然这需要有纺纱流程中相关的工艺参数数据来支撑。第七章是对本文提出的三种模型在其他纺纱系统纱线质量预测中应用与验证。本章提出了四种试验方案来验证三种深度神经网络模型的有效性与适用性,四种方案测试数据集分别是有动态工艺数据的环锭纱数据集、无动态工艺数据的环锭纱数据集、有动态工艺数据的毛纺纱数据集和无动态工艺数据的喷气涡流纱数据集。通过具有动态工艺时序的环锭纱数据集和毛纺纱数据集上的实验表明,CNN-LSTM模型在本文提出的三种深度神经网络模型中预测精度最高。在无动态工艺数据的环锭纱和喷气涡流纱的数据集上,只有CNN-BP模型和CNN-GRNN模型参与实验;实验结果表明CNN-GRNN模型预测精度较高。通过四组实验,可以得出在具有动态工艺数据的纱线数据集上,本文提出的三种模型均可进行预测,其中CNN-LSTM模型预测精度最高;在无动态工艺时序的纱线数据集上,只适合CNN-BP模型和CNN-GRNN模型;其中CNN-GRNN模型因其网络特殊结构适合小样本数据集,预测精度高于CNN-BP模型。第八章是结论。本文提出的三种深度神经网络纱线质量指标预测模型在多种纺纱系统上的应用验证表明都是有效的。同时也发现了三种模型的应用适用场景,分别是CNN-LSTM模型在具有动态工艺数据的纱线数据集上表现最优;CNN-GRNN模型适合在小样本无动态工艺纱线数据的情景;CNN-BP模型则在大样本无动态工艺的条件下适用。本文提出的三种基于深度神经网络的模型是对其在纱线质量预测上的一次探索,研究对该技术在纱线质量领域的应用有一定的指导和借鉴意义,特别是发现将关键工艺参数的引入,具有较好的效果。当然未来还需要对于纺纱工艺参数的选择、训练参数的确定等方面进行深入研究。