纺织学报论文模板

《纺织学报论文模板》由会员分享，可在线阅读，更多相关《纺织学报论文模板（6页珍藏版）》请在装配图网上搜索。

1、毛精纺前纺工艺参数重要性的 BP 网络定量评价法刘 贵1 ，于伟东 1,2（1. 东华大学 纺织材料与技术实验室,上海 201620; 武汉科技学院 纺织与材料学院,湖北 武汉 430073） 摘 要（小五黑体）在 BP 神经网络建模技术的基础上,提出利用神经网络输入层与输出层之间的网络权值 及其分布来求各输入参数重要程度的方法。将采集到的毛精纺企业前纺工艺参数运用 BP 神经网络分别建 立了粗纱CV值和粗纱单重的预测模型。结果表明：所建模型的平均相对误差都低于3%；采用样本数据验 证,其预报值与实测值间的相关系数都高于0.95。对所建模型的网络权重进行提取,分别计算出13个输入 参数对粗纱C

2、V值和粗纱单重的重要性，挖掘出显著而有效的参数。经对比认为，BP网络法比多元回归显 著性分析（MRSA ）更为精准，可用于对实际生产加工的预报和控制（小五宋体） 关键词（小五黑体）毛精纺；前纺工艺参数；模型； BP 神经网络；定量评价法（小五宋体） 中图分类号（小五黑体 ： TS 131.9（小五宋体）文献标志码（小五黑体 ：Quantitative evaluation method for the significance of worstedfore-spinning parameters based on BP neural networkLIU Guii, YU Weidongu （

3、五号）（1.Textile Materials andTechnology Laboratory Donghua University, Shanghai 201620,China;2.Department of Textiles and Materials, Wuhan University of Science and Engineering, Wuhan, Hubei 430073,China）Abstract Based on BP neural network model technology, a new approach was developed and applied to

4、appraise the input parameters significant degree through the weightiness and its distribution between the input and output layer. Usingthe fore-spinningworking procedure data gathered fromtheworsted textiles enterprise, the roving unevenness and weight prediction models were established respectively

5、. The results indicated that the models mean relative errors are all less than 3%; the correlation coefficientR2between the prediction value and the actual are all more than 095. Using the weightiness extracted fromthe established models, the 13 input parameters significance to the roving unevenness

6、 and weight were calculated respectively, and the remarkable and effective parameters are excavated out. Meanwhile contrasting to the multivariate regression significance analysis （MRSA）, the BP neural network method is more exact than MRSA and can be used in the forecast and control of the actual p

7、roduce and manufacture （小五）Key words Double glow; Artificial neural network; Prediction model （小五）请选择A4纸型，上、下页边距为2.5cm,左、右页边距为2.0cm, 1.0倍 行距。正文部分请双栏排版。收稿日期（黑体小五 ：2007-03-10修回日期：2007-05-16（由编辑部填写）基金项目（黑体小五：国家经贸委创新项目（02CJ-14-05-01 ）基金名称（基金编号）（楷体小五）作者简介（黑体小五 ： 刘贵（1983），男，博士生。主要研究方向为毛精纺加工过程建模及其职能决策预报与控

8、制。于伟东，通讯作者，E-mail:.cn。第一作者姓名（出生年一），性别，职称，学历。主要研究方向。通讯作者姓名， E-mail。网络定量评价法四号黑体，3 倍行距)Xki2)(正文五号宋体,单倍行距)对精毛纺织厂 而言,前纺工序作为整个加工过程的第一环节,其 加工质量对后道工序将产生直接影响。根据实际 生产经验,细纱的条干不匀率和细纱机的断头率 相对于末道粗纱的质量呈显著的线性关系 1,故 控制前纺各工序的半制品不匀率,特别是末道粗 纱的不匀率是毛纺厂十分重要的质量监控措施 2。目前企业主要以经验为主,通过传统的测量和 记录、肉眼观看与估计、设备的调整和人力的补 充等原始的方法实现,不能对

9、大量积累和不断产 生的数据进行系统整理、综合分析与客观决断, 也无法确切地找出产生问题的原因及实际解决 方法3。本文针对影响粗纱质量的毛条回潮率、 毛条含油率、纤维平均直径、直径离散系数、纤 维平均长度等13个指标参数,将采集到的企业实 际生产数据,运用 BP 网络建立预测模型,提出利 用网络各层间的权重及其分布,计算出各参数对 产量质量指标的影响程度,并对比多元回归分析, 效果较好。BP神经网络(Back-Propagation)是指基于误 差反向传播算法的多层前向人工神经网络4。对 于任何在闭区间的1个连续函数都可以用含有1 个隐层的BP网络来逼近，因而1个3层结构的 BP网络可以完成任意

10、N维到M维的映射5。从 其学习过程来输入参数对输出结果的影响完全 由网络权值决定，因此，知道网络各层间的权重及 其分布，就可计算输入参数的确定度 (输入对输 出影响作用的相对大小，即贡献率)。依照误差反 向传播方法，输入层节点对输出层节点的影响是 由各层权值的复合作用。由于输出反映的是其本 身，它不需要再进行对后层节点影响大小的区分， 故可将其确定度看作是相同的 ，然后参照反向传 播算法从输出层向输入层反向求出各输入参数 的确定度。2 重要性评价过程21 试验数据和参数(小四黑体，单倍行距) 本文以山东某精毛纺厂采集到的 100 组数 据为建模依据。数据采集分 2 部分，一部分从实 际生产工艺

11、设计单中提取 ，主要是工艺流程参 数、设备加工参数;另一部分为测试数据，来自不 同的生产线。任意选 80 组数据用于模型建立， 其中 70 组用于模型训练，10 组作为检验数据，而 未参与建模的 20 组数据则用于对模型的验证。影响前纺粗纱质量的参数有毛条回潮率(X)、毛 条含油率(X2)、纤维平均直径(X3)、直径离散系 数(X4)、纤维平均长度(X5)、长度离散系数(X6)、 短毛率(X7)、毛条质量(X8)、毛条质量不匀率(X9)、 毛条毛粒(X10)、前纺总并合次数(X)、前纺总牵 伸倍数(X12)和粗纱捻系数(X13)6。运用BP网路 建模分析时，以这些参数作为网络的输入层参数， 输

12、入节点数为 13，中间包含 1 个隐层，分别以 R1 和R2作为网络输出层建立多输入单输出子网组 7模式进行预报。隐层节点数的选取根据式(1)8 进行计算:S = 0.43mn+0.12n2 + 2.54m + 0.77n + 0.35 + 0.51(1) 式中：m为输入层节点数;n为输出层节点数S 为隐层节点数，本文取隐层节点数为7。这样就可 以建立2个13-7-1结构的BP神经网络模型。同 时，为消除原变量的量纲不同、数值差异太大带 来的影响，需要对原变量作标准化处理。即X - X 7ki一 i , k 1,2,.,式中X - - X X ; S * 丫(X - X)2i nki ii n

13、 - 1ki ik 1k 1i 1,2,., m(3)22 模型的建立和训练根据模型结构，在Mtalab 6.5的环境下建立2 个13-7-1型BP网络模型。利用式(2)对输入样本 数据进行预处理。将标准化后的数据输入网络进 行训练,训练参数:训练最大步数为 50;精度目标 值为1.0X10-3；学习率为0.019。其训练过程曲 线见图1。由图可知,分别经过25和47步左右的 训练,平均误差平方和便达到了设定的目标值。10 组检验样本的预报结果和实际结果的相对误 差分别为 2.28%和 2.39%。这说明所建立的模型 具有很高的精度和准确性。2.3 模型的验证根据上面训练好的BP神经网络，对2

14、0组验(b)粗尼5r壮基图1粗纱CV和单重预报模型训练曲线(小五宋体)Fig.1 Robing unevenness (a) and the roving weight (b) forecast modeltraining curve (小五 Rome) 证样本数据进行预报检验。首先对这20组 数据利用前面的标准化方法进行预处理,然后代 入训练好的模型中进行预报模拟,得到网络输出 并对其做还原量纲的处理,就可得到粗纱质量指 标的预测值。其实测值与预报值间的关系见图 2。图中预报值与真实值之间的相关系数均高于 0.95,说明模型是可靠和准确的。2.4重要性计算和评价设前面的13-7-1型BP网络

15、经LM算法训练 一定的次数后收敛，令w.为输入层j和隐含层i j之间的连接权值,w订为隐含层i和输出层之间的 连接权值，具体步骤如下。1) 初始化输出节点确定度P,若输出节点数 为O,则一般取为P=1/O,这里输出节点数为1,因 此输出节点确定度为1。2) 反向求稳含层节点的确定度，即将输出层 节点确定度经权值作用向前传播。因为输出节点确 定度为1,故隐含层节点的确定度为1闪订=如订。3) 求输入层的确定度,对每个隐含层的节点 i,每个输入层节点j,将权值w.和w订相乘，得到_翠ECti)创纱肇堕图2粗纱CV和单重预报值与实测值相关分析Fig.2 Relevant analysis betwe

16、en the predict and measuredvalue of the roving unevenness (a) and weight (b)P = w x w(4)ijij订将P.当量化后得到jPQ =-.(5)j pijj=1对于每一个输入层节点j,将Q,求和，得到输入层 j的确定度S. = Qiji=1可以得到各输入变量(因子)对输出变量的 影响比例，即输入因子的贡献率SRI =xlOO%j邙lJ=1表1各输入因子的贡献率Tab. 1 Each input parameters contribution ratio在模型可靠和准确的条件下，把训练好的 BP网络模型的网络权重取出

17、来，运用上面提到 的方法，分别计算得出各输入因子对粗纱CV值 和粗纱单重的贡献率，如下表1所示。对与粗纱 CV值(R,)而言，长度离散系数(X6)、粗纱捻系数 (X、纤维平均直径(X3)为其影响作用最大的3 个因素，贡献率分别为20.7%、13.9%和10.3%。 对粗纱单重(R2)来说，对其影响最大的几个参数 是长度离散系数(x6)、毛条毛粒(X10)、毛条回潮 率(X1)，贡献率分别为19.1%、18.1%和17.5%。%粗纱毛条原料参数前纺工艺参数质量X1X2X3XX6禺X8X9X10X11X12X13R11.96.110.37.94.120.78.77.43.35.96.33.513.

18、9R217.51.51.56.03.519.16.04.05.718.10.57.09.6(8)2. 5多元线性回归对比评价作为比较,运用多元线性回归法(MLR)分别 建立上述13个输入参数与R1和R2间的多元线 性回归方程。由于这些原始数据的数量级相差很 大，可能会造成回归系数很小，为此需要对原始数 据进行当量化处理，即把原始数据标准化到0 1区间。采用最小最大值的标准化，可以使数据 在0 1区间上获得良好的分布，如式(8)。v (l)=心诚叩)max(l) - min(l)将标准化后的数据进行多元线性回归拟合, 分别得到R1和R2的回归方程，并经显著性检验, 说明2个方程都有显著性。R =

19、 0. 028 + 0.073(+ 0 I49X2 + 0 42173 +0 2Xi- D.4I3.Y. + 也 473氛- 0 3I7X -0. 2320 162氛- (1. 23OA .D- 0 01IX,-0. 017.V12+ 0. m. |3(9|R： = 0. 616- (). l9ttV, - 0 1101： - (). II0A :-0 (磁+ D. m.X- - 0. 237A ；. + 0 I58X +0. IWW- 0. L7SA.f4 a IOSA|O+ 0. IWA；-0.(). OSiXu 10通过回归可以看出，对粗纱CV值(R/影响 因素由大到小依次为：x13 x

20、6 x3 x5 x7 x8 x10 x9 x2 x4 x1 x12 x11；而对于粗 纱单重(R2)来说，依次为：X6 X8 X1 X9 X11 X7 X2 X3 X10 X13 X4 X5 X12o 显然 重要性和次序是不同的，表明各自变量间有交互或相关性。3结论通过BP人工神经网络技术,直接利用生产 历史数据，建立粗纱CV值、粗纱单重预测模型， 以实现对粗纱加工和质量的预报，所建模型的 平均相对误差都低于3%。采用未参与建模训 练的样本数据验证，其预报模型的预报结果与 实测结果间的相关关系R2都高于0.95。利用所 建立的模型对粗纱工序各输入参数的重要性分 析，将输入参数重要性分成3个系列

21、重要参数、 较为重要参数和不重要参数，具体结果如下：1) 对与粗纱CV值(R1)而言，重要参数为 长度离散系数(X6)、粗纱捻系数(X和纤维平 均直径(X3)，其贡献率分别为20.7%、13.9%和 10.3%。较为重要的影响因子(5%10%)依次为 短毛率(X7)、直径离散系数(X4)、毛条重量(X&)、 前纺总并合次数(X11)毛条含油率(X2)、毛条毛 粒(X10)。不重要的参数(5%)依次为纤维平均 长度(X5)、前纺总牵伸倍数(x12)、毛条重量不 匀率(X9)、毛条回潮率(X1)；2) 对粗纱单重(R2)来说，重要参数为长度 离散系数(X6)、毛条毛粒(X10)和毛条回潮率 (X1

22、)，其贡献率分别为19.1%、18.1%和17.5%。 较为重要的影响因子(5%10%)依次为粗纱捻 系数(X、前纺总牵伸倍数(x12)、直径离散系数(X4)、短毛率(X7)、毛条重量不匀率(X9)。不 重要的参数(5%)依次为毛条重量(X8)、纤维平 均长度(X5)、毛条含油率(X2)、纤维平均直径(X3)、 前纺总并合次数(X11)o对比多元线性回归分析，对粗纱CV值来说，最 重要的3个影响因子都是长度离散系数(X6)、粗纱 捻系数(X和纤维平均直径(X3)。对粗纱单重而言， 采用BP网络权重法得出最重要的3个参数为长度离 散系数(X6)、毛条毛粒(X10)和毛条回潮率(X1)o而多 元回

23、归分析得出的是长度离散系数(X6)、毛条重量 (X8)和毛条回潮率(X1)，两者略有差异，可见两种参 数重要性评价具有较好的一致性，而且BP网络法可 以量化。粗纱工序输入参数重要性定量评价法，通 过运用历史数据的 BP 网络建模技术，找出了各参 数对其质量的重要程度，为合理调配粗纱工艺，达 到最优的粗纱质量提供了参考。参考文献(五号黑体，1.5 倍行距)1 刘曾贤精毛纺前纺各过程理论不匀率指数的研讨J.毛纺科技, 1999(6): 5-12.(小五宋体)Liu Cengxian. A study on the theoretical irregularity index for the pre

24、paratory passages of worsted spinningJ. Wool Textile Journal，1999(6)：5-12.2 DONG Kuiyong, YU Weidong. A worsted yarn virtualproduction system based on BP neural networkJ.Journal of Donghua University:Eng Ed, 2004, 21(4): 34-37. (小五 Rome)3 于伟东,杨建国.纺织工业中的虚拟加工技术与模式 J. 纺织导报, 2005(7): 10-16, 22.YU Weidon

25、g, Yang Jianguo. Virtual manufacturing technology and models for textile industryJ. China Textile Leader, 2005(7): 10-16, 22.4 David ERumelhart, Geoffrey EHinton, Ronald JWilliams.Learning representations by back-propagating errors J.Nature, 1986(323): 533-536.5 Hecht-Nielson R. Theory of the back-p

26、ropagation neural network C/IEEE. International Joint Conference on Neural networks. Washington: s.n. 1989:53.6 Lv Z J, XiangQ, Yin X G ,et al. Aknowledge-reuse based intelligent reasoning model for worsted process optimizationJ. Journal of Donghua University: Eng Ed,2006,23(1):4-7.7 王秀坤,张晓峰.用一组单输出的

27、子网络代替多输出的BP 网络J.计算机科学,2001, 28(10): 61-63.Wang Xiukun, Zhang Xiaofeng. A New Architecture of Neural Networks Array Replacing of a Multiple Outputs BP Model NetworksJ. Computer Science, 2001, 28(10): 61-63.8 高大启.有教师的线性基本函数前向三层神经网络结构 研究J.计算机学报，1998, 21(1): 80-86.Gao Daqi. On structures of supervised l

28、inear basis function feed forward three-layered neural networksJ. Computer Science, 1998, 21(1): 80-86.9 吴辉，钱国坻，华兆哲，等. 新型碱性果胶酶用于棉针织物精练的工艺优化J.纺织学报，2008，29 (5)： 59-63.WU Hui ， QIAN Guodi ， HUA Zhaozhe ， et al. Optimization of scouring of knitted cotton fabrics with a new-type alkaline pectinaseJ. Jour

29、nal of Textile Research, 2008， 29(5)： 59-63.10 Wu C T， McCullough R LConstitutive relationships forheterogeneous materials C/Holister G SDevelopments in Composite Materials London ： Applied Science Publishers Ltd， 1997： 119-187其他：三级标题： 1.1.1 XXXXXXXXXXX (五号黑体，单倍行距)四级标题： 1.1.1.1XXXXXXXXXXX (五号楷体，空格后接排正 文)