高曉艷，郁崇文

(1.煙臺南山學院，山東 煙臺 265706；2.東華大學，上海 201620)

苧麻紡紗各工序性能指標的預(yù)測

高曉艷1，郁崇文2

(1.煙臺南山學院，山東 煙臺 265706；2.東華大學，上海 201620)

文章運用灰色關(guān)聯(lián)分析法分析了苧麻紡紗過程中前道工序的性能指標對下道工序性能指標的影響，并結(jié)合BP神經(jīng)網(wǎng)絡(luò)建立了梳麻、精梳、末道并條、二道粗紗、細紗各工序中半成品或成品的性能指標的預(yù)測模型，各模型的平均預(yù)測誤差均低于10%，這表明這些模型用于預(yù)測是可行的。

苧麻；BP神經(jīng)網(wǎng)絡(luò)；灰關(guān)聯(lián)分析；預(yù)測

苧麻紡紗是一個復(fù)雜的長工序、多參數(shù)的動態(tài)加工過程，產(chǎn)品的質(zhì)量和加工狀態(tài)與纖維原料、設(shè)備、工藝流程、加工參數(shù)等眾多因素密切相關(guān)，因此成紗各工序性能指標的預(yù)測是一個很困難的問題。針對這種情況，很多學者進行了研究，建立了統(tǒng)計模型和人工神經(jīng)網(wǎng)絡(luò)模型來根據(jù)纖維性能預(yù)測成紗性能[1]。李曉峰[2]運用灰色系統(tǒng)分析了苧麻纖維原料品質(zhì)與成紗品質(zhì)指標之間的關(guān)系。

本文采用灰色關(guān)聯(lián)分析結(jié)合BP神經(jīng)網(wǎng)絡(luò)建立梳麻、精梳、末道并條、二道粗紗、細紗各工序中半成品或成品的主要性能指標的預(yù)測模型，灰色關(guān)聯(lián)分析可以得出各工序性能指標對下一工序的性能指標影響的重要程度。

1　灰色關(guān)聯(lián)分析

灰色關(guān)聯(lián)分析通過比較各個因素之間的相似程度來衡量它們之間的關(guān)系?？蓪⑵r麻各工序性能指標與下一工序的性能指標視為一個系統(tǒng)，由于在這一系統(tǒng)的部分信息已知(如各工序性能指標對下一工序的性能指標都有一定的影響已知)，但是這一系統(tǒng)的大部分信息又未知(如各工序性能指標對下一工序的性能指標的影響大小未知)，故這一系統(tǒng)為灰色系統(tǒng)，因此可對各工序性能指標與下一工序的性能指標進行灰關(guān)聯(lián)分析。

假設(shè)參考序列(下一工序的性能指標)為：

(1) 數(shù)據(jù)預(yù)處理：為消除原變量的量綱、數(shù)值差異的影響，需要先對數(shù)據(jù)進行規(guī)格化處理

(1)

(2) 計算灰色關(guān)聯(lián)系數(shù)

γj,i(k) =

(2)

(3) 計算灰色關(guān)聯(lián)度，由于關(guān)聯(lián)系數(shù)是點對點的系數(shù)，數(shù)據(jù)多，不利于系統(tǒng)分析結(jié)論，因此定義灰色關(guān)聯(lián)度為：

(3)

計算得到的xi與Y的灰色關(guān)聯(lián)度越大，則表明xi對Y的影響程度越大。

2　各工序預(yù)測模型的建立

2.1BP人工神經(jīng)網(wǎng)絡(luò)模型

BP網(wǎng)絡(luò)(也稱前向網(wǎng)絡(luò))是應(yīng)用最為廣泛的一種神經(jīng)網(wǎng)絡(luò)。BP網(wǎng)絡(luò)可以看成是輸入和輸出集合之間的一種非線性映射，而實現(xiàn)這種非線性映射關(guān)系只需要通過對有限多個樣本的學習來達到對所研究系統(tǒng)內(nèi)部結(jié)構(gòu)的模擬[4]。

首先需要確定神經(jīng)網(wǎng)絡(luò)的輸入層、隱層、輸出層的個數(shù)以及每層中節(jié)點的個數(shù)。一般具有1個輸入層、1個隱層、1個輸出層的三層神經(jīng)網(wǎng)絡(luò)較為常用[5]。輸入層節(jié)點的個數(shù)=前一工序中產(chǎn)品的性能指標的個數(shù)，輸出層節(jié)點個數(shù)的確定方法是：對各個性能指標分別建立預(yù)測模型，因此輸出層節(jié)點數(shù)為1。隱層的節(jié)點數(shù)根據(jù)公式(4)[6]進行計算：

S=

(4)

m—輸出層的節(jié)點數(shù)；n—輸入層的節(jié)點數(shù)。

輸入層和隱層之間的傳遞函數(shù)為：f(x)=2/(1+e-2x)-1；隱層和輸出層之間的傳遞函數(shù)為：f(x)=x(式中x是神經(jīng)元的加權(quán)輸入函數(shù))；訓練次數(shù)：5000；訓練精度：0.001；訓練函數(shù)：traingdx，該函數(shù)是梯度下降法訓練函數(shù)，學習速率是自適應(yīng)的。

本文共有42組數(shù)據(jù)，采用其中的36組數(shù)據(jù)訓練建模，其他的6組數(shù)據(jù)用于檢驗?zāi)Ｐ偷木?。這些數(shù)據(jù)是在湖南華升株洲雪松有限公司收集的，都用于紡相同號數(shù)27.8 tex的苧麻紗，為簡化起見，假設(shè)紡紗時的環(huán)境及工藝參數(shù)相同，本文只采用各工序的性能指標建立預(yù)測模型。

2.2根據(jù)精干麻和開松麻餅的性能指標預(yù)測梳麻條的性能指標

目前，苧麻廠測試的精干麻的性能指標有：纖維號數(shù)、纖維強度，開松麻餅的性能指標有：麻餅回潮率；精干麻經(jīng)過機械軟麻、給油加濕、堆倉后，還需要進行開松，制成開松麻餅喂入梳麻機，因此麻餅回潮率對梳麻工序的影響很大。

所要預(yù)測的梳麻條的性能指標有：硬條率、麻粒。梳麻條各性能指標與上述精干麻性能指標的灰關(guān)聯(lián)分析結(jié)果分別為：硬條率：γ=[0.6896 0.6456 0.7173]；麻粒：γ=[0.6906 0.7124 0.7302]。

灰關(guān)聯(lián)度越大，表明該指標對梳麻指標的影響越大，當梳麻的某項性能指標出現(xiàn)了波動，應(yīng)首先考慮調(diào)整對其影響大的精干麻的性能指標。用神經(jīng)網(wǎng)絡(luò)進行預(yù)測時，按照灰關(guān)聯(lián)度從大到小依次輸入精干麻的各個性能指標。

2.2.1梳麻條硬條率預(yù)測

BP神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)依次為：麻餅回潮率、纖維號數(shù)、纖維強度，結(jié)構(gòu)為：“3-4-1”。預(yù)測結(jié)果如表1所示。

表1　梳麻條硬條率預(yù)測結(jié)果

2.2.2梳麻條麻粒預(yù)測

BP神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)依次為：麻餅回潮率、纖維強度、纖維號數(shù)，結(jié)構(gòu)為：“3-4-1”。預(yù)測結(jié)果如表2所示。

表2　梳麻條麻粒預(yù)測結(jié)果

2.3根據(jù)梳麻條的性能指標預(yù)測精梳條的性能指標

梳麻條的性能指標有：梳麻條硬條、硬條率、麻粒；預(yù)測的精梳條的性能指標有：精梳條麻粒、短纖率、重量不勻率，二者灰關(guān)聯(lián)分析的結(jié)果為：精梳條麻粒：γ=[0.6514 0.6409 0.6265]；精梳條短纖率：γ=[0.6698 0.6559 0.7031]；精梳條重量不勻率：γ=[0.7123 0.6942 0.7556]。

2.3.1精梳條麻粒預(yù)測

BP神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)依次為：梳麻條硬條、硬條率、麻粒，結(jié)構(gòu)為：“3-4-1”。預(yù)測結(jié)果如表3所示。

2.3.2精梳條短纖率預(yù)測

BP神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)依次為：梳麻條麻粒、硬條、硬條率，結(jié)構(gòu)為：“3-4-1”。預(yù)測結(jié)果如表4所示。

表3　精梳條麻粒預(yù)測結(jié)果

表4　精梳條短纖率預(yù)測結(jié)果

2.3.3精梳條重量不勻率預(yù)測

BP神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)依次為：梳麻條麻粒、硬條、硬條率，結(jié)構(gòu)為：“3-4-1”。預(yù)測結(jié)果如表5所示。

2.4根據(jù)精梳條的性能指標預(yù)測末道并條的性能指標

精梳條的性能指標有：精梳條麻粒、硬條、硬條率、短纖率、回潮率、重量偏差、重量不勻；末并條的性能指標：條干，其與精梳各性能指標的灰關(guān)聯(lián)分析結(jié)果為：γ=[0.6010 0.7356 0.7208 0.7337 0.7314 0.7161 0.7453]。

精梳條的性能指標較多(7個)，用BP神經(jīng)網(wǎng)絡(luò)建模時，若輸入節(jié)點較多，則學習速率和預(yù)測精度等會受到影響，因此為了提高模型的預(yù)測精度，選與末并條干灰關(guān)聯(lián)度較大的性能指標作為神經(jīng)網(wǎng)絡(luò)的輸入。按照灰關(guān)聯(lián)度的大小依次輸入各參數(shù)，結(jié)果表明，輸入?yún)?shù)為5個時的預(yù)測結(jié)果最好。輸入?yún)?shù)為7個時，根據(jù)公式(7)計算可得隱層節(jié)點數(shù)s=4.65，神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為：“7-5-1”；輸入?yún)?shù)為5個時，s=3.96，神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為：“5-4-1”。輸入?yún)?shù)依次為：精梳條重量不勻、硬條、短纖率、回潮率、硬條率、重量偏差、麻粒。預(yù)測結(jié)果如表6所示。

表6　末并條條干預(yù)測結(jié)果

2.5根據(jù)末并條性能指標預(yù)測二道粗紗的性能指標

末并條的性能指標有：回潮率、重量偏差、重量不勻、條干；二道粗紗的性能指標：條干，其與末并性能指標的灰關(guān)聯(lián)分析結(jié)果為：γ=[0.7287 0.6420 0.6526 0.7534]。

BP神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)依次為：末并條條干、回潮率、重量不勻、重量偏差，結(jié)構(gòu)為：“4-3-1”。預(yù)測結(jié)果如表7所示。

表7　二道粗紗條干預(yù)測結(jié)果

2.6根據(jù)二道粗紗的性能指標預(yù)測細紗的性能指標

二道粗紗的性能指標有：回潮率、重量偏差、重量不勻、條干；細紗的性能指標有：重量不勻、烏斯特條干。細紗各指標與二道粗紗性能指標的灰關(guān)聯(lián)分析結(jié)果為：細紗重量不勻：γ=[0.6785 0.6946 0.7329 0.6795]；細紗烏斯特條干：γ=[0.6853 0.6759 0.6784 0.6973]。

2.6.1細紗重量不勻預(yù)測

BP神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)依次為：二道粗紗重量不勻、重量偏差、條干、回潮率，結(jié)構(gòu)為：“4-4-1”。預(yù)測結(jié)果如表8所示。

表8　細紗重量不勻預(yù)測結(jié)果

2.6.2細紗烏斯特條干預(yù)測

BP神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)依次為：二道粗紗條干、回潮率、重量偏差、重量不勻，結(jié)構(gòu)為：“4-3-1”。預(yù)測結(jié)果如表9所示。

表9　細紗烏斯特條干預(yù)測結(jié)果

3　結(jié)論

在建立各工序預(yù)測模型時，通過灰色關(guān)聯(lián)分析方法可對前一工序的性能指標與下一工序的性能指標間的影響的重要性進行排序。依據(jù)與預(yù)測指標間的重要程度，由重要到次要依次作為神經(jīng)網(wǎng)絡(luò)的輸入，建立的各個工序的模型的預(yù)測結(jié)果的平均誤差均小于10%，這表明用這些模型進行預(yù)測是可行的。當神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)較多時，通過灰色關(guān)聯(lián)分析方法可選擇對指標影響較大的幾個參數(shù)作為輸入，可簡化神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，提高預(yù)測結(jié)果的準確性。

[1]Zeguang Pei, Chongwen Yu. Prediction of the vortex yarn tenacity from some process and nozzle parameters based on numerical simulation and artificial neural network[J].Textile Research Journal,2011,0(00):1—12.

[2]李曉峰.苧麻纖維原料品質(zhì)與成紗品質(zhì)指標的灰關(guān)聯(lián)分析[J].紡織學報，2006，27(1)：20—22.

[3]劉思峰，謝乃明.灰色系統(tǒng)理論及其應(yīng)用[M].北京：科學出版社，2008.

[4]董長虹.Matlab神經(jīng)網(wǎng)絡(luò)與應(yīng)用[M].北京：國防工業(yè)出版社，2005.

[5]Guifen Yao, Jiansheng Guo, and Yongyuan Zhou. Predicting the warp breakage rate in weaving by neural network techniques[J].Textile Research Journal,2005，75(3)：274—278.

[6]Daqi Guo, Study on the linear primary function forword three layers neural .network’s architecture with teachers[J].Journal of Computers, 1998，21(1):80—86.

Prediction on Yarn Performance in Ramie Spinning Process by BP Neural Network

Gao Xiaoyan1，Yu Chongwen2

(1.Yantai Nanshan University,Yantai 265706,China;2.Donghua University,Shanghai 201620,China)

The grey relational analysis was applied to analyze the effect of performances in former process to the next process, then combined with BP neural network to set up the forecast models of the products’ performances in the carding, combing, finishing drawing, roving and spinning processes. The mean relative error between the predicted results and measured values was less than 10%, which shows that these models were available in practice.

ramie spinning;BP neural network;grey relational analysis;prediction

2015-09-25

山東省教育廳第三批科技計劃項目(項目編號：J06K63)

高曉艷(1987—)，女，山東煙臺人，助教。

TS124.31

A

1009-3028(2015)06-0004-04