王 莉

(阿克蘇職業(yè)技術(shù)學(xué)院 紡織工程系，新疆 阿克蘇 843000)

基于GRNN的棉紗條干均勻度預(yù)測(cè)研究

王 莉

(阿克蘇職業(yè)技術(shù)學(xué)院 紡織工程系，新疆 阿克蘇 843000)

總結(jié)了神經(jīng)網(wǎng)絡(luò)技術(shù)在條干均勻度預(yù)測(cè)應(yīng)用上的研究成果，GRNN神經(jīng)網(wǎng)絡(luò)算法的基本原理，分析了棉紗條干均勻度的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果。檢驗(yàn)表明GRNN神經(jīng)網(wǎng)絡(luò)在輸入?yún)?shù)和樣本數(shù)據(jù)較少時(shí)，仍具有較好的預(yù)測(cè)準(zhǔn)確性。

GRNN神經(jīng)網(wǎng)絡(luò)；棉纖維性能；條干均勻度；預(yù)測(cè)

棉紡設(shè)備技術(shù)升級(jí)奠定了紡紗質(zhì)量穩(wěn)定的基礎(chǔ)，高檔紡織品對(duì)棉紗質(zhì)量的一致性提出了較高的要求[1]。紗線條干不勻是評(píng)價(jià)棉紗質(zhì)量的一項(xiàng)重要指標(biāo)，它不僅影響紗線強(qiáng)力和細(xì)紗斷頭，而且影響織物的外觀。纖維性能是影響棉紗條干均勻度的重要因素，通常，紡紗企業(yè)的配棉主要靠技術(shù)人員的經(jīng)驗(yàn)積累完成，配棉效率低，工作量大，已不能適應(yīng)現(xiàn)代紡紗企業(yè)生產(chǎn)的需要。棉紗條干均勻度的科學(xué)預(yù)測(cè)研究是實(shí)現(xiàn)計(jì)算機(jī)配棉、成紗質(zhì)量一致性和降低配棉成本的基礎(chǔ)。

1 用神經(jīng)網(wǎng)絡(luò)技術(shù)預(yù)測(cè)棉紗條干均勻度

人工神經(jīng)網(wǎng)絡(luò)技術(shù)規(guī)避了傳統(tǒng)建模方法存在的固有缺陷，給出輸入和輸出數(shù)據(jù)，通過網(wǎng)絡(luò)本身的學(xué)習(xí)功能就可以得到輸入與輸出的影射關(guān)系[2]，避免了配棉技術(shù)人員在實(shí)際操作中出現(xiàn)失誤及經(jīng)驗(yàn)不足造成的質(zhì)量波動(dòng)。近年來，BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)均在紡織品性能預(yù)測(cè)研究中得到應(yīng)用。李國(guó)鋒采用RBF神經(jīng)網(wǎng)絡(luò)對(duì)成紗條干指標(biāo)進(jìn)行預(yù)測(cè)，達(dá)到了預(yù)期效果[1]。但是BP神經(jīng)網(wǎng)絡(luò)存在收斂速度慢、訓(xùn)練時(shí)間長(zhǎng)、網(wǎng)絡(luò)的學(xué)習(xí)和記憶具有不穩(wěn)定性的缺陷；RBF神經(jīng)網(wǎng)絡(luò)需要不斷嘗試確定spread的最佳值，尤其在樣本量少的狀態(tài)時(shí)，效果并不理想。以某紡織企業(yè)為例，分析棉纖維性能與條干均勻度的定量關(guān)系，應(yīng)用GRNN神經(jīng)網(wǎng)絡(luò)技術(shù)建立棉紗條干均勻度預(yù)測(cè)模型，以達(dá)到對(duì)棉紗條干均勻度準(zhǔn)確預(yù)測(cè)的目的。

2 棉紗條干均勻度預(yù)測(cè)模型

2.1 GRNN神經(jīng)網(wǎng)絡(luò)算法

1991年，DonaldF.Specht提出了廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)[3]，GRNN在結(jié)構(gòu)上與RBF網(wǎng)絡(luò)較為相似，是一種新穎且有效的前饋式神經(jīng)網(wǎng)絡(luò)，由輸入層、模式層、求和層和輸出層等4層網(wǎng)絡(luò)組成[4]，它能夠根據(jù)樣本數(shù)據(jù)逼近其中隱含的映射關(guān)系，當(dāng)輸入信號(hào)靠近基函數(shù)的中央范圍時(shí)，隱層節(jié)點(diǎn)將產(chǎn)生較大的輸出，因此，在樣本數(shù)據(jù)稀少時(shí)，它的輸出結(jié)果仍能收斂于最優(yōu)回歸表面，具有最佳逼近性質(zhì)[5]。它具有很強(qiáng)的柔性網(wǎng)絡(luò)結(jié)構(gòu)以及高度的容錯(cuò)性，適用于解決非線性問題[6]，在逼近能力和學(xué)習(xí)速度上較RBF網(wǎng)絡(luò)有更強(qiáng)的優(yōu)勢(shì)[7]，在預(yù)測(cè)控制等方面得到了廣泛應(yīng)用。

2.2 試驗(yàn)部分

2.2.1 試驗(yàn)指標(biāo)

棉紗試驗(yàn)均在相同生產(chǎn)設(shè)備、環(huán)境下進(jìn)行，各項(xiàng)指標(biāo)測(cè)試均按GB/T 398-2008《棉本色紗》標(biāo)準(zhǔn)檢驗(yàn)。棉纖維各性能指標(biāo)測(cè)試采用GB 19635-2005《棉花 長(zhǎng)絨棉》標(biāo)準(zhǔn)檢驗(yàn)。

2.2.2 訓(xùn)練及預(yù)測(cè)樣本

收集某紡織企業(yè)30組CJ7.3 tex數(shù)據(jù)，數(shù)據(jù)采集均保證同原料同參數(shù)同機(jī)臺(tái)。同時(shí)考慮棉花性能與成紗條干內(nèi)在規(guī)律，第1組和第2組選取6個(gè)變量作為輸入層，結(jié)點(diǎn)數(shù)為6，以馬克隆值、上半部平均長(zhǎng)度、短纖維率、斷裂比強(qiáng)度、棉結(jié)和紡紗一致性系數(shù)6個(gè)參數(shù)指標(biāo)作為輸入端，棉紗條干均勻度為輸出參數(shù)；第3組和第4組選取4個(gè)變量作為輸入進(jìn)行訓(xùn)練，輸入層結(jié)點(diǎn)以馬克隆值、上半部平均長(zhǎng)度、短纖維率和紡紗一致性系數(shù)4個(gè)參數(shù)指標(biāo)作為輸入端，棉紗條干均勻度為輸出參數(shù)，構(gòu)建GRNN神經(jīng)網(wǎng)絡(luò)模型。

2.2.3 模型與參數(shù)

由于棉花性能、棉紗條干均勻度各指標(biāo)具有不同的量綱，物理意義差別也很大，對(duì)原始數(shù)據(jù)先進(jìn)行歸一化處理，使數(shù)據(jù)范圍在[0，1]之間，以改善網(wǎng)絡(luò)學(xué)習(xí)過程中的收斂速度和收斂誤差。第1組選取6個(gè)變量作為輸入，選取25組訓(xùn)練數(shù)據(jù)用來訓(xùn)練，5組的訓(xùn)練數(shù)據(jù)用來檢驗(yàn)，spread的設(shè)置是一個(gè)關(guān)鍵問題，過大的spread意味著需要非常多的神經(jīng)元以適應(yīng)函數(shù)的快速變化；若spread設(shè)定過小，設(shè)計(jì)的網(wǎng)絡(luò)性能就不會(huì)很好。因此，需要不斷嘗試spread的最佳值，經(jīng)過對(duì)輸出結(jié)果的檢查發(fā)現(xiàn)，spread最佳值為0.20，網(wǎng)絡(luò)達(dá)到最佳預(yù)測(cè)效果，預(yù)測(cè)輸出結(jié)果如表1所示。第2組選取15組訓(xùn)練數(shù)據(jù)用來訓(xùn)練，5組的訓(xùn)練數(shù)據(jù)用來檢驗(yàn)，經(jīng)過對(duì)輸出結(jié)果的檢查發(fā)現(xiàn)，spread最佳值為0.10，得到的輸出結(jié)果如表2所示。第3組選取4個(gè)變量作為輸入進(jìn)行訓(xùn)練作為輸入端，選取25組訓(xùn)練數(shù)據(jù)用來訓(xùn)練，5組的訓(xùn)練數(shù)據(jù)用來檢驗(yàn)，經(jīng)過對(duì)輸出結(jié)果的檢查發(fā)現(xiàn)，spread最佳值為0.10，得到的輸出結(jié)果如表3所示；第4組選取4個(gè)變量作為輸入進(jìn)行訓(xùn)練作為輸入端，選取15組訓(xùn)練數(shù)據(jù)用來訓(xùn)練，5組的訓(xùn)練數(shù)據(jù)用來檢驗(yàn)，經(jīng)過對(duì)輸出結(jié)果的檢查發(fā)現(xiàn)，spread最佳值為0.10，得到的輸出結(jié)果如表4所示。

表1 第1組預(yù)測(cè)值與實(shí)際值的比較

表2 第2組預(yù)測(cè)值與實(shí)際值的比較

表3 第3組預(yù)測(cè)值與實(shí)際值的比較

表4 第4組預(yù)測(cè)值與實(shí)際值的比較

2.3 結(jié)果分析

預(yù)測(cè)結(jié)果顯示所構(gòu)建的GRNN棉紗條干均勻度神經(jīng)網(wǎng)絡(luò)模型有較好的預(yù)測(cè)性能，平均相對(duì)誤差均能控制在1%以內(nèi)；輸入節(jié)點(diǎn)和輸入樣本對(duì)預(yù)測(cè)結(jié)果影響較小，因此，在輸入?yún)?shù)和樣本數(shù)據(jù)較少時(shí)，GRNN神經(jīng)網(wǎng)絡(luò)仍具有較好的預(yù)測(cè)準(zhǔn)確性。

3 結(jié)語(yǔ)

棉纖維存在的不均勻性，導(dǎo)致了紗條隨機(jī)不勻的產(chǎn)生。GRNN神經(jīng)網(wǎng)絡(luò)在樣本數(shù)據(jù)缺乏時(shí)，在逼近能力和學(xué)習(xí)速度上較BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)有較強(qiáng)的優(yōu)勢(shì)。紗線條干均勻度的GRNN神經(jīng)網(wǎng)絡(luò)模型，很好地解決了預(yù)測(cè)紗線條干均勻度影響因素復(fù)雜情況下的配棉問題，避免人為主觀配棉對(duì)成紗質(zhì)量的影響，能夠較好地預(yù)測(cè)成紗質(zhì)量和降低用棉成本。

[1] 李國(guó)鋒，黃機(jī)質(zhì).基于RBF神經(jīng)網(wǎng)絡(luò)的棉紗條干均勻度預(yù)測(cè)[J].上海紡織科技,2016，(1):53-55.

[2] 楊興華.民航機(jī)場(chǎng)動(dòng)態(tài)分級(jí)預(yù)警模式的研究[D].沈陽(yáng):沈陽(yáng)航空航天大學(xué),2009.

[3] 王莉靜，郭 潔，李建軍.基于廣義回歸神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測(cè)模型[J].天津城市建設(shè)學(xué)院學(xué)報(bào),2007，(1):25-28.

[4] 崔東文.幾種神經(jīng)網(wǎng)絡(luò)模型在湖庫(kù)富營(yíng)養(yǎng)化程度評(píng)價(jià)中的應(yīng)用[J].水資源保護(hù),2012，(6):12-18.

[5] 楊小輝,徐穎強(qiáng),李世杰,等.廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)在AMT擋位判別中的應(yīng)用[J].機(jī)械設(shè)計(jì)與制造,2009,(5):72-74.

[6] 陳 端，曹 陽(yáng)，梅一韜,等.GRNN神經(jīng)網(wǎng)絡(luò)在大壩滲流預(yù)測(cè)中的應(yīng)用[C]//2012年中國(guó)水力發(fā)電工程學(xué)會(huì)大壩安全監(jiān)測(cè)專委會(huì)年會(huì)暨學(xué)術(shù)交流會(huì),2012.

[7] 丁 碩，常曉恒，巫慶輝,等.GRNN與RBFNN的二元函數(shù)逼近性能對(duì)比研究[J].計(jì)算機(jī)與現(xiàn)代化,2014，(4):92-96.

Prediction of Cotton Yarn Evenness Based on GRNN

WANG Li

(Department of Textile Engineering, Aksu Vocational and Technical College, Aksu 843000, China)

The research results of neural network technology in evenness prediction and the basic theory of GRNN neural network algorithm were summarized. The neural network prediction results of cotton yarn evenness were analyzed. The inspections showed that GRNN neural network still had good prediction accuracy when put fewer parameters and sample data.

GRNN neural network; cotton fiber performance; evenness; prediction

2017-01-20；

2017-02-06

阿克蘇地區(qū)科技興阿項(xiàng)目(2014-71)；阿克蘇地區(qū)人才項(xiàng)目(2015-106)；新疆維吾爾自治區(qū)高?？蒲杏?jì)劃項(xiàng)目(XJEDU2016S116)

王 莉(1980-)，女，河南延津人，講師，碩士，研究方向?yàn)榧徔椩O(shè)備、工藝及計(jì)算機(jī)應(yīng)用。

TS101.92

A

1673-0356(2017)03-0039-02