【技術實現步驟摘要】
本申請屬于工業自動化，尤其涉及一種噴氣織機輔噴耗氣量預測方法、裝置、設備及介質。
技術介紹
1、在現代紡織工業中，噴氣織機因其高效的織造能力被廣泛應用，然而其能耗問題始終是業界關注的重點，噴嘴作為噴氣織機中的關鍵部件，用于將緯紗有效地引導穿過經紗形成的梭口，噴嘴的耗氣量是衡量噴氣織機的性能和效率的重要參數，其大小直接影響噴氣織機的能耗。
2、目前現有的耗氣量預測方法多基于經驗公式或傳統的數值模擬技術。
3、然而，上述方法難以在復雜的工業環境下準確預測。
技術實現思路
1、本申請旨在至少解決現有技術中存在的技術問題之一。為此，本申請提出一種噴氣織機輔噴耗氣量預測方法、裝置、設備及介質，能夠在復雜的工業環境下對噴嘴的耗氣量進行精準地預測。
2、第一方面，本申請提供了一種噴氣織機輔噴耗氣量預測方法，該方法包括：
3、獲取噴氣織機中待測噴嘴的待測結構參數，所述待測結構參數包括入口直徑、直管直徑、噴口錐度、橢圓出口長軸和橢圓出口短軸；
4、將所述待測結構參數輸入至氣流量預測模型，得到由所述氣流量預測模型輸出的所述待測噴嘴的噴嘴耗氣量，所述氣流量預測模型是基于樣本噴嘴的樣本結構參數和耗氣量標簽訓練得到。
5、根據本申請的一個實施例，所述氣流量預測模型包括輸入層、隱藏層和輸出層，隱藏層包括卷積層、池化層和全連接層；
6、所述將所述待測結構參數輸入至氣流量預測模型，得到由所述氣流量預測模型輸出的所述待測噴嘴的噴嘴耗
7、通過所述輸入層接收所述待測結構參數；
8、通過所述卷積層對所述待測結構參數進行特征提取，得到所述待測噴嘴的第一形態特征；
9、通過所述池化層對所述第一形態特征進行數據壓縮，通過所述卷積層對壓縮的所述第一形態特征進行特征提取，得到所述待測噴嘴的第二形態特征；
10、通過所述全連接層對所述第一形態特征和所述第二形態特征進行特征融合并映射至噴嘴流量特征，生成所述噴嘴耗氣量；
11、通過所述輸出層將所述噴嘴耗氣量輸出。
12、根據本申請的一個實施例，所述氣流量預測模型基于以下步驟得到：
13、基于所述輸入層、所述隱藏層和所述輸出層，構建卷積神經網絡模型；
14、對所述卷積神經網絡模型的學習率，以及所述卷積層的卷積核大小和卷積個數進行優化；
15、對優化后的所述卷積神經網絡模型進行訓練，得到所述氣流量預測模型。
16、根據本申請的一個實施例，所述對所述卷積神經網絡模型的學習率，以及所述卷積層的卷積核大小和卷積個數進行優化，包括：
17、確定優化所述卷積神經網絡模型的適應度函數，得到種群中每個個體的第一搜索代理位置對應的第一適應度值，所述個體表征為所述卷積神經網絡模型的待優化超參數組；
18、對所述每個個體進行訓練，計算所述每個個體的第二搜索代理位置，并基于所述第一適應度值，對所述種群進行分組；
19、對分組后的所述每個個體進行小組訓練，更新所述種群，以基于所述第二搜索代理位置和所述適應度函數，得到所述每個個體的第二適應度值；
20、基于所述第二適應度值，在所述種群中確定第一目標個體；
21、對所述第一目標個體進行訓練，以更新所述種群，得到所述第一目標個體的最佳搜索代理位置；
22、重復得到多個最佳搜索代理位置，直至達到最大迭代次數，得到第二目標個體，通過所述第二目標個體對應的目標超參數組對所述卷積神經網絡模型的所述學習率、所述卷積核大小和所述卷積個數進行優化。
23、根據本申請的一個實施例，所述計算所述每個個體的第二搜索代理位置，包括：
24、
25、其中， k為當前訓練的迭代次數，為第 i個所述個體在維度 j上的第 k次迭代后的所述第二搜索代理位置，為第 i個所述個體在維度 j上的第 k次迭代前的所述第一搜索代理位置，為第 k次迭代在維度 j上的最佳搜索代理位置；為范圍內的隨機數，為范圍內的隨機數，均為黃金分割系數。
26、根據本申請的一個實施例，所述對分組后的所述每個個體進行小組訓練，更新所述種群，包括：
27、確定所述小組訓練的學習概率、交流概率和誤差概率；
28、基于所述學習概率、所述交流概率和所述誤差概率，對所述每個個體進行小組訓練，確定所述每個個體的訓練狀態，以根據所述訓練狀態，對所述種群進行更新。
29、根據本申請的一個實施例，所述對所述第一目標個體進行訓練，以更新所述種群，得到所述第一目標個體的最佳搜索代理位置，包括：
30、
31、
32、其中，是自適應參數，用于調整 t分布生成的隨機數的尺度，以控制所述每個個體在每次迭代中的搜索步長； m是正整數， k是當前訓練的迭代次數，是所述種群的數量， t()是生成 t分布隨機數的函數，是所述第一目標個體的初始化階段的搜索代理位置，是所述第一目標個體在第 k次迭代前的最佳搜索代理位置；是所述第一目標個體在第 k次迭代后的最佳搜索代理位置。
33、第二方面，本申請提供了一種噴氣織機輔噴耗氣量預測裝置，該裝置包括：
34、獲取模塊，用于獲取噴氣織機中待測噴嘴的待測結構參數，所述待測結構參數包括入口直徑、直管直徑、噴口錐度、橢圓出口長軸和橢圓出口短軸；
35、處理模塊，用于將所述待測結構參數輸入至氣流量預測模型，得到由所述氣流量預測模型輸出的所述待測噴嘴的噴嘴耗氣量，所述氣流量預測模型是基于樣本噴嘴的樣本結構參數和耗氣量標簽訓練得到。
36、第三方面，本申請提供了一種電子設備，包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，所述處理器執行所述計算機程序時實現如上述第一方面所述的噴氣織機輔噴耗氣量預測方法。
37、第四方面，本申請提供了一種非暫態計算機可讀存儲介質，其上存儲有計算機程序，所述計算機程序被處理器執行時實現如上述第一方面所述的噴氣織機輔噴耗氣量預測方法。
38、第五方面，本申請提供了一種芯片，所述芯片包括處理器和通信接口，所述通信接口和所述處理器耦合，所述處理器用于運行程序或指令，實現如第一方面所述的噴氣織機輔噴耗氣量預測方法。
39、第六方面，本申請提供了一種計算本文檔來自技高網...
【技術保護點】
1.一種噴氣織機輔噴耗氣量預測方法，其特征在于，包括：
2.根據權利要求1所述的噴氣織機輔噴耗氣量預測方法，其特征在于，所述氣流量預測模型包括輸入層、隱藏層和輸出層，隱藏層包括卷積層、池化層和全連接層；
3.根據權利要求2所述的噴氣織機輔噴耗氣量預測方法，其特征在于，所述氣流量預測模型基于以下步驟得到：
4.根據權利要求3所述的噴氣織機輔噴耗氣量預測方法，其特征在于，所述對所述卷積神經網絡模型的學習率，以及所述卷積層的卷積核大小和卷積個數進行優化，包括：
5.根據權利要求4所述的噴氣織機輔噴耗氣量預測方法，其特征在于，所述計算所述每個個體的第二搜索代理位置，包括：
6.根據權利要求4所述的噴氣織機輔噴耗氣量預測方法，其特征在于，所述對分組后的所述每個個體進行小組訓練，更新所述種群，包括：
7.根據權利要求4所述的噴氣織機輔噴耗氣量預測方法，其特征在于，所述對所述第一目標個體進行訓練，以更新所述種群，得到所述第一目標個體的最佳搜索代理位置，包括：
8.一種噴氣織機輔噴耗氣量預測裝置，其特征在于，包括
9.一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執行所述程序時實現如權利要求1-7任一項所述噴氣織機輔噴耗氣量預測方法。
10.一種非暫態計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該計算機程序被處理器執行時實現如權利要求1-7任一項所述的噴氣織機輔噴耗氣量預測方法。
...【技術特征摘要】
1.一種噴氣織機輔噴耗氣量預測方法，其特征在于，包括：
2.根據權利要求1所述的噴氣織機輔噴耗氣量預測方法，其特征在于，所述氣流量預測模型包括輸入層、隱藏層和輸出層，隱藏層包括卷積層、池化層和全連接層；
3.根據權利要求2所述的噴氣織機輔噴耗氣量預測方法，其特征在于，所述氣流量預測模型基于以下步驟得到：
4.根據權利要求3所述的噴氣織機輔噴耗氣量預測方法，其特征在于，所述對所述卷積神經網絡模型的學習率，以及所述卷積層的卷積核大小和卷積個數進行優化，包括：
5.根據權利要求4所述的噴氣織機輔噴耗氣量預測方法，其特征在于，所述計算所述每個個體的第二搜索代理位置，包括：
6.根據權利要求4所述的噴氣織機輔噴耗氣量預測方...
【專利技術屬性】
技術研發人員：沈敏，曹永博，邵寧，熊小雙，余聯慶，胡峰，
申請(專利權)人：武漢紡織大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。