基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)普梳純棉紗斷裂強(qiáng)力

楊　陳

(江西服裝學(xué)院， 江西 南昌 330201)

基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)普梳純棉紗斷裂強(qiáng)力

楊陳

(江西服裝學(xué)院， 江西 南昌 330201)

通過構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型，尋求棉纖維斷裂比強(qiáng)力、細(xì)度、長度、表面摩擦系數(shù)、紗線捻度、毛羽量及條干均勻度與普梳純棉紗斷裂強(qiáng)力之間的關(guān)系。

BP神經(jīng)網(wǎng)絡(luò)；棉紗；斷裂強(qiáng)力；影響因素

紗線的斷裂強(qiáng)力即紗線在受力條件下保持紗線力學(xué)特性的一個(gè)重要性能指標(biāo)，它不僅能夠影響紗線在織造過程中上機(jī)工藝的設(shè)計(jì)，還能夠影響織物的力學(xué)性能、耐磨、起毛起球等多項(xiàng)織物服用性能指標(biāo)[1]。影響紗線斷裂強(qiáng)力的因素眾多，對(duì)普梳純棉紗而言，影響棉紗斷裂強(qiáng)力的因素主要由棉纖維本身的強(qiáng)度、棉纖維的細(xì)度、棉纖維的長度、棉纖維表面摩擦系數(shù)、紗線的捻度、棉紗的毛羽數(shù)量及條干均勻度等7個(gè)主要因素，可以說棉紗的斷裂強(qiáng)力是由一個(gè)多自變量因素構(gòu)成的目標(biāo)函數(shù)。本文通過BP神經(jīng)網(wǎng)絡(luò)構(gòu)建棉紗斷裂強(qiáng)度與多自變量影響因素的BP神經(jīng)網(wǎng)絡(luò)模型以預(yù)測(cè)棉紗與多自變量影響因素之間的函數(shù)關(guān)系，進(jìn)而對(duì)普梳純棉紗的斷裂強(qiáng)力在紡制前能夠定量地精確分析，為生產(chǎn)實(shí)踐提供一定的參考依據(jù)。

1　BP神經(jīng)網(wǎng)絡(luò)工作原理

Back Propagation(BP)神經(jīng)網(wǎng)絡(luò)是由McCelland和Rumelhart提出的一種無須事前分析計(jì)算目標(biāo)函數(shù)與多自變量因素中的每個(gè)因素之間的函數(shù)關(guān)系，而是從網(wǎng)絡(luò)層面通過網(wǎng)絡(luò)函數(shù)關(guān)系誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋映射建立起來的網(wǎng)絡(luò)函數(shù)關(guān)系。BP神經(jīng)網(wǎng)絡(luò)的使用可以在構(gòu)建目標(biāo)函數(shù)與多因素自變量函數(shù)反向傳播誤差運(yùn)算時(shí)，不斷調(diào)整目標(biāo)函數(shù)與多因素自變量函數(shù)網(wǎng)絡(luò)的閥值與權(quán)值，而使得函數(shù)模型的誤差平方和最小，從而獲得較高的相關(guān)性[2～3]。BP神經(jīng)網(wǎng)絡(luò)的模型的結(jié)構(gòu)主要包含函數(shù)關(guān)系的輸入層、隱層與輸出層，其主要的工作原理是通過大量自變量信息協(xié)同處理的一個(gè)非線性函數(shù)關(guān)系系統(tǒng)。目標(biāo)函數(shù)的輸出層每經(jīng)過一次訓(xùn)練后，即把所得期望值與實(shí)際輸出的差距通過BP神經(jīng)網(wǎng)絡(luò)反向傳播，進(jìn)而對(duì)自變量函數(shù)進(jìn)行調(diào)整，通過中間隱層函數(shù)可以不斷調(diào)整目標(biāo)函數(shù)模擬的閥值與權(quán)值進(jìn)而不斷提高目標(biāo)函數(shù)與實(shí)際測(cè)試值之間的相關(guān)性。

2　實(shí)驗(yàn)部分

2.1實(shí)驗(yàn)材料及儀器

實(shí)驗(yàn)材料為棉纖維與由該棉纖維紡制出來的18.2 tex的普梳棉紗，儀器為Y162A型束纖維強(qiáng)力機(jī)、Y151型纖維摩擦系數(shù)測(cè)定儀、LL881Y-4型電熱恒溫鼓風(fēng)干燥箱、HFB-408S可程式恒溫恒濕試驗(yàn)箱、Y331A型電子紗線捻度儀、Y162A型束纖維強(qiáng)力機(jī)、PTT-A+200千分之一電子天平、YG171D型紗線毛羽測(cè)試儀、YG133型條干均勻度儀。

2.2實(shí)驗(yàn)方法

2.2.1棉纖維影響因素指標(biāo)測(cè)試

將棉纖維在溫度105℃的LL881Y-4型電熱恒溫鼓風(fēng)干燥箱中烘至恒重后，將其放置到溫度為20℃，相對(duì)濕度為65%的HFB-408S可程式恒溫恒濕試驗(yàn)箱中平衡24 h，以下實(shí)驗(yàn)測(cè)定數(shù)據(jù)的棉纖維均是使用經(jīng)標(biāo)準(zhǔn)大氣壓平衡后的棉纖維。

(1)棉纖維斷裂強(qiáng)力測(cè)試

利用Y162A型束纖維強(qiáng)力機(jī)夾持棉樣為8 mm，棉束寬帶為4 mm，斷裂強(qiáng)力精確為9.8 cN，下降速度為300 mm/min條件下測(cè)試棉纖維的斷裂強(qiáng)力，實(shí)驗(yàn)次數(shù)為45組。

(2)棉纖維細(xì)度測(cè)試

利用PTT-A+200千分之一電子天平稱取平衡后的棉纖維稱取8～10 mg，棉纖維根數(shù)在1500～2000根，利用中段稱重法測(cè)試棉纖維的平均細(xì)度，實(shí)驗(yàn)次數(shù)為45組。

(3)棉纖維長度測(cè)試

利用PTT-A+200千分之一電子天平稱取平衡后的棉纖維50 mg，采取羅拉法棉纖維長度測(cè)試的方法測(cè)試棉纖維的長度，實(shí)驗(yàn)次數(shù)為45組。

(4)棉纖維表面摩擦系數(shù)測(cè)試

參照實(shí)驗(yàn)說明書，制作棉纖維輥，使用Y151型纖維摩擦系數(shù)測(cè)定儀測(cè)定棉纖維與棉纖維輥之間的纖維表面摩擦系數(shù)，測(cè)定過程中張力夾選擇100 mg，棉纖維動(dòng)態(tài)表面摩擦系數(shù)測(cè)定過程中，纖維輥的轉(zhuǎn)速為30 rpm，靜態(tài)表面摩擦系數(shù)測(cè)定過程中，保持棉纖維轉(zhuǎn)速為0，記錄棉纖維與棉纖維輥瞬間滑移時(shí)的扭力天平計(jì)數(shù)，棉纖維的動(dòng)態(tài)與靜態(tài)表面摩擦系數(shù)均測(cè)試45組。

2.2.2棉紗影響因素指標(biāo)測(cè)試

將普梳純棉紗在溫度105℃的LL881Y-4型電熱恒溫鼓風(fēng)干燥箱中烘至恒重后，將其放置到溫度為20℃，相對(duì)濕度為65%的HFB-408S可程式恒溫恒濕試驗(yàn)箱中平衡24 h。分別采用加捻退捻法使用Y331A型電子紗線捻度儀測(cè)試棉紗的捻度，使用YG171D型紗線毛羽測(cè)試儀測(cè)試毛羽指數(shù)，使用YG133型條干均勻度儀測(cè)試棉紗的條干均勻度。

2.3實(shí)驗(yàn)數(shù)據(jù)的處理

棉纖維斷裂比強(qiáng)度(cN/dtex)、棉纖維細(xì)度(dtex)、棉纖維長度(mm)、棉纖維表面摩擦系數(shù)、紗線捻度(捻/10cm)、棉紗毛羽數(shù)量及條干均勻度(%)等7個(gè)影響因素的數(shù)據(jù)指標(biāo)參數(shù)如表1所示。

表1　影響普梳純棉紗斷裂強(qiáng)力因素指標(biāo)參數(shù)

本次實(shí)驗(yàn)棉紗數(shù)據(jù)組數(shù)共45組，其中9組數(shù)據(jù)為測(cè)試數(shù)據(jù)，另外36組數(shù)據(jù)為BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)。BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建前，首先對(duì)所收集實(shí)驗(yàn)數(shù)據(jù)均按照最大值為1，最小值為0設(shè)置，將目標(biāo)變化與各自變量實(shí)驗(yàn)數(shù)據(jù)按照公式1進(jìn)行歸一化處理，使之均在[0,1]的區(qū)間范圍內(nèi)[4]。本次研究所構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型為3層BP神經(jīng)網(wǎng)絡(luò)模型，BP神經(jīng)網(wǎng)絡(luò)模型中的目標(biāo)函數(shù)即為棉紗斷裂強(qiáng)力，而自變量因素為上述所收集的7個(gè)棉紗強(qiáng)力影響因素指標(biāo)(BP神經(jīng)網(wǎng)絡(luò)隱層神經(jīng)元數(shù)目的多少是根據(jù)公式2確定的，隱層神經(jīng)元過多會(huì)引起學(xué)習(xí)時(shí)間過長而導(dǎo)致目標(biāo)函數(shù)與多因素自變量之間過度擬合的情況發(fā)生，而隱層神經(jīng)元數(shù)目過少又會(huì)導(dǎo)致BP神經(jīng)網(wǎng)絡(luò)模型精度的下降，因此，依據(jù)公式2確定隱層神經(jīng)元數(shù)目為4～13個(gè)較為合適)。

(1)

其中，xi—目標(biāo)函數(shù)及各自變量歸一后數(shù)據(jù)，數(shù)據(jù)分布的區(qū)間為[0,1]；x—未經(jīng)歸一化處理的目標(biāo)函數(shù)及各自變量；xmin—未經(jīng)歸一化處理的目標(biāo)函數(shù)及各自變量數(shù)據(jù)中的最小值；xmax—未經(jīng)歸一化處理的目標(biāo)函數(shù)及各自變量數(shù)據(jù)中的最大值

(2)

其中，n1—BP神經(jīng)網(wǎng)絡(luò)模型中隱層神經(jīng)元數(shù)；n—BP神經(jīng)網(wǎng)絡(luò)模型中輸入層神經(jīng)元數(shù)；m—BP神經(jīng)網(wǎng)絡(luò)模型中輸出層神經(jīng)元數(shù)；a—1～10之間的常數(shù)。

2.4BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建編程

實(shí)驗(yàn)數(shù)據(jù)歸一處理完成后，調(diào)用MATLAB中按照下列參數(shù)對(duì)BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行構(gòu)建，在神經(jīng)網(wǎng)絡(luò)模型中設(shè)置BP神經(jīng)網(wǎng)絡(luò)的層數(shù)為3層，其中輸出層所用傳遞函數(shù)為logsig(s型的對(duì)數(shù)函數(shù))，隱層傳遞函數(shù)為tansig(s型正切函數(shù))，訓(xùn)練方法采用traing-cg算法，均方誤差采用mse函數(shù)算法。神經(jīng)網(wǎng)絡(luò)模型的算法采用標(biāo)準(zhǔn)的BP算法。數(shù)據(jù)訓(xùn)練次數(shù)上限為50000次，數(shù)據(jù)預(yù)測(cè)精度為0.005。

3　實(shí)驗(yàn)結(jié)果與BP神經(jīng)網(wǎng)絡(luò)模型分析

3.1BP神經(jīng)網(wǎng)絡(luò)模型隱層神經(jīng)元個(gè)數(shù)確定

以棉纖維的強(qiáng)度、棉纖維的細(xì)度、棉纖維的長度、棉纖維表面摩擦系數(shù)、紗線的捻度、棉紗的毛羽數(shù)量及條干均勻度等7個(gè)影響因素的數(shù)據(jù)為BP神經(jīng)網(wǎng)絡(luò)模型的輸入?yún)?shù)，以棉紗斷裂強(qiáng)力H為BP神經(jīng)網(wǎng)絡(luò)的輸出層參數(shù)，BP神經(jīng)網(wǎng)絡(luò)中隱層的神經(jīng)元個(gè)數(shù)的取值范圍在4～13區(qū)間變化，分別構(gòu)建10個(gè)BP神經(jīng)棉紗斷裂強(qiáng)力BP神經(jīng)網(wǎng)絡(luò)模型。使用歸一處理后36組數(shù)據(jù)對(duì)所構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，訓(xùn)練后統(tǒng)計(jì)不同隱層神經(jīng)元個(gè)數(shù)時(shí)BP神經(jīng)網(wǎng)絡(luò)的模型誤差。測(cè)試結(jié)果如圖1所示。從圖1可以明顯看出，當(dāng)BP神經(jīng)網(wǎng)絡(luò)模型中隱層神經(jīng)元個(gè)數(shù)的數(shù)目為10個(gè)時(shí)，BP神經(jīng)網(wǎng)絡(luò)輸出層的均方誤差為0.02916，為該BP神經(jīng)網(wǎng)絡(luò)誤差的最小值。因此，確定為BP神經(jīng)網(wǎng)絡(luò)隱層神經(jīng)元個(gè)數(shù)為9個(gè)，構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)為7-9-1。

3.2BP神經(jīng)網(wǎng)絡(luò)模型隱預(yù)測(cè)結(jié)果與實(shí)驗(yàn)數(shù)據(jù)相關(guān)性

BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)棉線斷裂強(qiáng)力預(yù)測(cè)值與棉紗斷裂強(qiáng)力實(shí)驗(yàn)值結(jié)果如表2所示。使用公式3對(duì)BP神經(jīng)網(wǎng)絡(luò)模型隱預(yù)測(cè)結(jié)果與實(shí)驗(yàn)數(shù)據(jù)相關(guān)性進(jìn)行計(jì)算可知，BP神經(jīng)網(wǎng)絡(luò)模型隱預(yù)測(cè)結(jié)果與實(shí)驗(yàn)數(shù)據(jù)相關(guān)性系數(shù)為0.91132。由此可知，在訓(xùn)練次數(shù)為50000次，數(shù)據(jù)預(yù)測(cè)精度為0.005的條件下，BP神經(jīng)網(wǎng)絡(luò)模型對(duì)棉紗斷裂強(qiáng)力具有很強(qiáng)的預(yù)測(cè)性。

圖1　BP神經(jīng)網(wǎng)絡(luò)隱層神經(jīng)元個(gè)數(shù)與均方誤差關(guān)系曲線

(3)

其中，r-BP神經(jīng)網(wǎng)絡(luò)模型隱預(yù)測(cè)結(jié)果與實(shí)驗(yàn)數(shù)據(jù)相關(guān)系數(shù)；x-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)棉線斷裂強(qiáng)力值/cN；y-棉紗斷裂強(qiáng)力實(shí)驗(yàn)值/cN；n-實(shí)驗(yàn)組數(shù)。

表2　BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)棉線斷裂強(qiáng)力預(yù)測(cè)值與棉紗斷裂強(qiáng)力實(shí)驗(yàn)值結(jié)果

4　結(jié)論

通過BP神經(jīng)網(wǎng)絡(luò)構(gòu)建棉紗斷裂強(qiáng)力與棉纖維的強(qiáng)度、棉纖維的細(xì)度、棉纖維的長度、棉纖維表面摩擦系數(shù)、紗線的捻度、棉紗的毛羽數(shù)量及條干均勻度等7個(gè)影響因素網(wǎng)絡(luò)模型表明當(dāng)BP神經(jīng)網(wǎng)絡(luò)模型中隱層神經(jīng)元個(gè)數(shù)為9個(gè)時(shí)，預(yù)測(cè)值與實(shí)驗(yàn)值之間的誤差最小為0.02916，相關(guān)系數(shù)為0.91132，具有較強(qiáng)的預(yù)測(cè)性。

[1]毛萃萃，張弦，王廷榮.捻系數(shù)和毛羽值與棉紗強(qiáng)力的相關(guān)性分析[J].現(xiàn)代紡織技術(shù)，2012,32(1):1—3.

[2]張黎明，張秉森.改進(jìn)LMNP神經(jīng)網(wǎng)絡(luò)在織物染色配色中的應(yīng)用[J].青島大學(xué)學(xué)報(bào)(工程技術(shù)版)，2010,25(1): 15—17.

[3]史步海，朱學(xué)峰.LMBP神經(jīng)網(wǎng)絡(luò)改進(jìn)算法的研究[J].控制工程，2008,15(2):164—167.

[4]Babay A, Cheikhrouhou M, Vermeulen B, et al.Selecting the optimal neural network architecture for predicting cotton yarn hairiness[J].Journal of the Textile Institute, 2005,96(3):185—192.

Predict Breaking Strength of Pure Cotton Carded Yarn by BP Neural Network

YangChen

(Jiangxi Institute of Fashion Technology, Nanchang 330201, China)

The model of BP neural network was set up to explore the the relation of breaking strength of pure cotton corded yarn with the factors of cotton fiber breaking strength,fineness,length,surface friction coefficient,yarn twist,hairiness and irregnlarity.

BP neural network;cotton yarn;breaking strength;influential factors

2015-07-19

楊陳(1980—)，男，重慶人，講師。

TS101.9

A

1009-3028(2015)06-0025-04