本發明涉及紡織策略優化，具體為基于多目標遺傳算法的面料毛羽剪切參數優化方法。
背景技術：
1、在紡織領域，面料毛羽的剪切清理是決定印花表面質量與色彩精度的核心前處理工序。面料的毛羽剪切是一個高度復雜的動力學問題，其剪切質量（毛羽去除率）、面料安全性（面料損傷度）與生產效率受到刀軸轉速、布速、剪刃間隙及織物張力等多維連續變量的深度耦合影響。隨著工業互聯網與人工智能技術的演進，現有技術開始引入演化計算等啟發式算法進行工藝參數的全局尋優。特別是針對“提高毛羽去除率”、“降低面料損傷”與“提高加工效率”這一典型的多目標沖突問題，業界普遍采用多目標遺傳算法來代替早期的線性加權模型。現有的多目標演化機制通過在計算機內部構建決策變量的初始種群，并依賴交叉、變異及非支配排序等遺傳算子，在多維參數空間中不斷進行迭代演化，旨在逼近真實的帕累托最優前沿，從而為印染設備提供一組在多個生產指標間達到動態平衡的最優加工參數組合。
2、然而，現有技術在實際應用中存在著固有缺陷。標準的多目標遺傳算法本質上是一種基于大樣本空間的隨機搜索算法，其種群在逼近高維空間全局最優解的過程中，需要經歷成百上千代的進化迭代，這直接導致算法需要頻繁且海量地調用“適應度函數”來評估每一個參數個體的優劣。在純數學仿真環境中，這種高頻調用僅消耗算力；但在真實的面料剪毛加工場景中，由于缺乏精確的解析數學方程來映射“機器參數”與“毛羽剪切凈度/面料損傷”之間的關系，每一次個體適應度的準確評估，都必須依賴真實的印花面料在剪毛機上進行實際的物理試切實驗。這種密集的真實物理評估不僅導致算法運行周期極度冗長，更會在尋優試錯過程中消耗并損毀真實面料，產生廢布成本與能耗代價。由于無法承擔全量種群物理評估的高昂代價，現有技術被迫大幅削減種群規?；蛱崆敖K止迭代，這不可避免地導致喪失全局搜索能力，陷入局部最優。
3、綜上所述，由于沒有在演化操作的適應度評估環節引入學習預測層，所以無法用虛擬粗篩替代真實物理試切，難以在缺乏真實樣本且物理試錯代價高的搜索空間中實現面向印花面料在不同圖案區域對于顏料固化的局部適應優化。
4、為此，提出了基于多目標遺傳算法的面料毛羽剪切參數優化方法。
技術實現思路
1、本發明的目的在于提供基于多目標遺傳算法的面料毛羽剪切參數優化方法，對印花面料的毛羽剪切進行參數優化。
2、為實現上述目的，本發明提供如下技術方案：
3、基于多目標遺傳算法的面料毛羽剪切參數優化方法，包括：
4、獲取印花面料進行試切時的毛羽去除率及面料損傷度，結合印花顏料固化分布圖譜計算出印花面料在不同圖案區域對于顏料固化的局部適應度；
5、提取剪毛設備包含刀軸轉速、布速與剪刃間隙的工藝參數流并通過流體力學耦合轉換為表征毛羽吸附與拉伸強度的剪毛負壓矩陣；構建以所述剪毛負壓矩陣為輸入、局部適應度為約束的虛擬演化空間，利用多目標遺傳算法進行演化操作生成子代參數種群；
6、對所述子代參數種群進行虛擬評估，以相鄰印花圖案區域間的剪切參數為平滑過渡閾值，生成虛擬參數解集；將所述虛擬參數解集輸入深度學習代理網絡中，根據剪毛設備實際輸出的工藝參數流，預測不同印花圖案區域的剪切參數；
7、基于所述剪切參數執行非支配尋優生成虛擬帕累托解集，并下發至剪毛設備進行試切；利用試切產生的真實驗證反饋流校正所述深度學習代理網絡，持續優化印花面料的剪切參數。
8、優選的，獲取印花面料進行試切時的毛羽去除率及面料損傷度，結合印花顏料固化分布圖譜計算出印花面料在不同圖案區域對于顏料固化的局部適應度的具體實現過程包括：
9、采集經過物理試切后的印花面料表面圖像，經由計算機視覺處理提取表面殘留毛羽特征圖譜與纖維結構斷裂拓撲圖譜，并分別計算出毛羽去除率及面料損傷度；接收印花顏料固化分布圖譜，提取各局部印花圖案在面料深度的顏料滲透矢量與表面硬化密度矢量；以所述毛羽去除率及面料損傷度為目標變量、以所述顏料滲透矢量與表面硬化密度矢量為懲罰項進行適應度映射，輸出印花面料在不同圖案拓撲區域內對于顏料固化程度的局部適應度。
10、優選的，提取剪毛設備包含刀軸轉速、布速與剪刃間隙的工藝參數流并通過流體力學耦合轉換為表征毛羽吸附與拉伸強度的剪毛負壓矩陣的具體實現過程包括：
11、捕獲剪毛設備在動態運轉狀態下包含刀軸轉速、布速與剪刃間隙的工藝參數流；構建內嵌流體力學映射關系的空氣動力學邊界耦合模型，將所述工藝參數流作為動力學初始邊界條件輸入至所述空氣動力學邊界耦合模型中，解算在幾何逼近距離約束下流場空間內的靜壓降分布矢量；提取所述靜壓降分布矢量中垂直于物料表面的法向氣流應力分量與平行于物料表面的切向氣流剪切分量，依據法向氣流應力分量計算表征毛羽立起狀態的吸附力場張量，結合切向氣流剪切分量推演表征毛羽被拖拽變形的拉伸強度張量；將所述吸附力場張量與拉伸強度張量歸一化后進行特征張量拼接，生成剪毛負壓矩陣。
12、優選的，構建以所述剪毛負壓矩陣為輸入、局部適應度為約束的虛擬演化空間，利用多目標遺傳算法進行演化操作生成子代參數種群的具體實現過程包括：
13、初始化包含多組虛擬剪切工藝參數的父代決策變量集合，并實例化為多維度的虛擬演化空間；將所述剪毛負壓矩陣嵌入至虛擬演化空間的動力學評估節點中，同時將所述局部適應度設定為虛擬演化空間的空間約束邊界；在所述虛擬演化空間內對父代決策變量集合模擬交叉重組與變異擾動，生成候選子代個體序列；剔除處于所述空間約束邊界之外的候選子代個體序列，持續重復交叉重組與變異擾動演化循環直至演化收斂節點，輸出子代參數種群。
14、優選的，對所述子代參數種群進行虛擬評估，以相鄰印花圖案區域間的剪切參數為平滑過渡閾值，生成虛擬參數解集的具體實現過程包括：
15、解析所述子代參數種群并映射至印花圖案區域預設的空間拓撲網格圖中；計算所述空間拓撲網格圖中空間相鄰的印花圖案區域所對應的局部剪切參數之間的絕對差值波動值，設定允許設備執行機構產生動態物理響應而不引起機械損傷的參數變化極值作為平滑過渡閾值；比對所述絕對差值波動值與平滑過渡閾值，對超出所述平滑過渡閾值的局部剪切參數應用平滑濾波進行參數值衰減與空間插值重構，生成虛擬參數解集。
16、優選的，將所述虛擬參數解集輸入深度學習代理網絡中，根據剪毛設備實際輸出的工藝參數流，預測不同印花圖案區域的剪切參數的具體實現過程包括：
17、采用時序預測網絡架構與全連接映射層級聯構建深度學習代理網絡模型，并對所述虛擬參數解集進行序列化處理，輸入至所述深度學習代理網絡模型中；采集剪毛設備在當前加工工況環境中產生的工藝參數流，并轉換為條件狀態約束張量輸入至所述深度學習代理網絡模型中；利用所述深度學習代理網絡模型隱層節點內部的非線性激活函數擬合虛擬參數解集與工藝參數流之間的映射關系，推理出在當前物理工況干擾下各個局部印花圖案區域的最優加工調節傾向，通過解碼反演計算出適用于所述空間拓撲網格圖中各對應物理位置的剪切參數。
18、優選的，基于所述剪切參數執行非支配尋優生成虛擬帕累托解集，并下發至剪毛設備進行試切的具體實現過程包括：
19、提取所述剪切參數中表征預期表面毛羽去除率的增益目標函數張量與表征預期纖維面料損傷度的損耗目標函數張量，構建多目標尋優拓撲空間；在所述多目標尋優拓撲空間中，對所述剪切參數中的各個候選參數解進行成對支配關系比較，識別出無法在不劣化損耗目標函數張量前提下提升增益目標函數張量的絕對非劣解集合；提取所述絕對非劣解集合在多目標尋優拓撲空間中的多維坐標映射并構建連續的非劣前沿曲面，將位于所述非劣前沿曲面上的絕對非劣解集合確立為虛擬帕累托解集；將所述虛擬帕累托解集編譯為剪毛設備下位機底層機器驅動指令，驅動設備的執行機構對印花面料實施試切操作。
20、優選的，利用試切產生的真實驗證反饋流校正深度學習代理網絡，持續優化印花面料的剪切參數的具體實現過程包括：
21、在試切操作后，捕獲經過試切的印花面料的真實毛羽去除狀態分布圖譜與真實底層纖維結構損傷圖譜，并進行特征融合轉換為真實驗證反饋流；將所述真實驗證反饋流與剪切參數所對應的理論狀態預期目標值進行空間差分對齊比對，計算出預測網絡誤差梯度矩陣；將所述預測網絡誤差梯度矩陣作為網絡反向傳播的損失函數優化源，沿網絡整體拓撲結構反向更新時序預測網絡架構與全連接映射層隱層節點間的連接權重矩陣與節點偏置參數，持續優化后續生產批次印花面料的毛羽剪切參數。
22、與現有技術相比，本發明的有益效果為：
23、1.本發明通過在多目標遺傳算法演化過程中引入深度學習代理網絡與虛擬演化空間，利用虛擬評估替代傳統依賴真實物理試切的適應度計算方式，有效降低了對實際面料反復試切的依賴程度，減少了試驗成本與材料損耗，同時縮短算法收斂周期，從而提升整體參數尋優效率。
24、2.本發明基于印花顏料固化分布圖譜構建局部適應度，并結合空間拓撲網格與平滑過渡約束，實現不同印花圖案區域的差異化剪切參數優化，使毛羽去除率與面料損傷度在空間上達到動態平衡，提升了印花面料的表面質量與加工精度。
25、3.本發明通過構建剪毛負壓矩陣表征氣動吸附與拉伸作用，并結合多目標非支配排序與真實反饋閉環校正機制，實現剪切參數的持續自適應優化，不僅增強了全局尋優能力，避免陷入局部最優，還提高了在復雜工況下的長期穩定性。