精梳毛紡錠子轉速神經網絡反演研究

曹麗艷，陳 廷

(蘇州大學紡織與服裝工程學院，江蘇 蘇州 215021)

精梳毛紡加工過程的特點是工序復雜，成紗質量的好壞與加工設備、原料選擇以及工藝設計等密切相關。為了提前預知成紗質量情況，方便進一步對加工過程實現有效調控，國內外不少專家、學者就此開展了研究與實踐，并取得了較多的成果[1-2]。針對成紗質量的預測研究可以理解為在確定原料和設備工藝參數條件下，通過計算和求解加工系統提前得到產品質量指標[3]，但是針對毛紡紡紗參數的反演研究卻少人問津。

紡織企業的生產經營離不開對生產成本的合理控制，這時候對成紗過程的逆向研究就顯得尤為必要，在提高產品工藝設計針對性的同時，還要在保證產品質量要求前提下盡可能降低生產成本[3]。

精梳毛紡的紡紗參數和成紗質量指標間的關系屬于非線性關系。目前大多數紡織企業在紗線的實際生產過程中，技術人員對于紡紗元件的調節力度并不大，通常情況下只是憑借經驗調節錠子轉速，但是僅憑經驗實現成紗過程的調控，缺乏科學計算基礎，容易造成生產出來的紗線質量不符合目標需求的后果[4]。

針對精梳毛紡的紡紗參數反演研究可以理解為非線性問題的最優化改進方案。在所有的非線性反演研究中，利用窮舉法選擇輸入參數通常被認為是最有效和最直接的方法，但是這種方法的使用范圍較為局限，比如面對海量數據的篩選和優化時工作量大到難以完成，哪怕通過計算機處理也是見效甚微。因此本文提出首先采用合適的數據優選方法確定輸入參數，再通過神經網絡進行驗證分析，這在國內外反演領域內也一度成為研究熱點。

紗線生產過程中，所有紡紗參數和紗線質量之間時刻發生著不定向變化，兩者之間的函數關系難以確切表達出來。本文采用輸入對輸出影響程度的數據優選方法得出不同成紗質量指標和錠子轉速的關系密切程度，以此確定神經網絡的輸入參數，通過構建神經網絡反演模型對優選結果實現驗證分析，為進一步優化工藝奠定基礎。

1 實驗測試

本次試驗原料為羊毛纖維，測試環境條件為溫度(20±2) ℃，相對濕度(65±3)%，羊毛纖維在測試環境中平衡24 h后再測試纖維性能指標。實驗使用Uster-3型烏斯特測試儀測試成紗條干不勻率、細節和粗節，采用YG020A型電子單紗強力儀測試成紗斷裂強度和斷裂伸長率；本次共采集23組試樣，成紗質量指標7個，分別是斷裂強度(cN/tex)、斷裂強度不勻率(%)、斷裂伸長率(%)、斷裂伸長不勻率(%)、粗節(+50%/km)、細節(-50%/km)和條干不勻率(%)。成紗質量指標和錠子轉速見表1。

表1 成紗質量指標和錠子轉速

2 輸入參數優選

考慮到神經網絡本身的運行特性，輸入參數越多越容易致使網絡性能不穩定，運行和收斂速度慢，可能進一步造成反演結果精確度和可信度過低。所以本文采用輸入對輸出影響程度的數據優選方法篩選出與錠子轉速關聯性較大的成紗質量指標作為顯著影響因子，數據優選排序靠后的成紗質量指標作為非顯著影響因子，通過把顯著影響因子作為神經網絡的輸入參數，提高網絡模型的穩定性和收斂性能，同時提升模型反演的精確度和結論可信度。

2.1 輸入對輸出影響程度的數據優選方法

為研究輸入參數的變化趨勢對輸出參數的影響程度，Chen等[5]提出以下兩個假設：(1)如果一個輸入變量參數發生微弱的變化，導致輸出變量參數發生顯著的變化，那么，一般把這個輸入變量參數叫作敏感變量參數[5]；(2)如果一個輸入變量參數發生顯著的變化，結果輸出變量參數發生微弱的變化，那么，一般把這個輸入變量參數叫作非敏感變量參數[5]。運用文獻[5]優選理論可計算出錠子轉速神經網絡輸入參數優選結果。

2.2 錠子轉速神經網絡輸入參數排序結果

成紗質量指標和錠子轉速的敏感值見表2。

表2 錠子轉速神經網絡輸入參數優選結果

采用輸入對輸出影響程度的數據優選方法對成紗質量指標排序見表2。

由上表最終排序結果可以知道，與錠子轉速關系最為密切的前4個輸入參數為：斷裂強度、斷裂伸長不勻率、斷裂強度不勻率、斷裂伸長率。密切程度相對靠后的4個輸入參數為：斷裂伸長率、細節、粗節和條干不勻率。

3 錠子轉速神經網絡反演模型的構建

3.1 BP神經網絡設計

早在20世紀就有研究者證明：采用單隱層BP網絡可以實現任意封閉區間內非間斷函數的連接，由此不難得出三層結構的神經網絡可以滿足多維到多維的映射[6]。本文采用的BP神經網絡反演模型就是三層網絡結構，輸入層4個神經元，隱層3個神經元，輸出層1個神經元，網絡結構為4-3-1，如圖1所示。

圖1 神經網絡反演模型示意圖

輸入層神經元分別對應的是斷裂強度、斷裂伸長不勻率、斷裂強度不勻率、斷裂伸長率這4個質量指標，輸出層神經元對應錠子轉速參數。采用不同函數訓練網絡，運行結果會略有不同，本文采用“trainlm”函數訓練和調整精梳毛紡錠子轉速神經網絡權值和閾值，采用正切S型和線性函數實現網絡傳遞；網絡參數配置如下：設置網絡誤差l×10-3，設置訓練步數l×104。

3.2 構建反演模型驗證優選結果有效性

通過建立精梳毛紡錠子轉速反演模型對優選結果可靠性加以驗證，運用Matlab(R2017a)軟件工具實現編程。本文研究以成紗質量指標作為輸入參數，以錠子轉速作為輸出參數，具體數據見表1；針對錠子轉速建立兩個神經網絡反演模型，兩個反演模型的輸入參數有所區別，一個反演模型的輸入參數采用排序前4位的成紗質量指標，分別是斷裂強度、斷裂伸長不勻率、斷裂強度不勻率、斷裂伸長率，余下一個反演模型采用排序靠后4位的成紗質量指標，分別是斷裂伸長率、細節、粗節和條干不勻率。

通過觀察驗證結果對比實際值，分析得出前后兩個神經網絡的反演誤差大??；假設以排序前四位的成紗質量指標作為輸入參數建立的反演模型反演精度高于以排序后4位成紗質量指標作為輸入參數建立的反演模型，那么可以認定采用輸入對輸出影響程度的數據優選方法得到的優選結果是可靠的，反之則可以認定為不可靠。

本文通過使用Matlab(R2017a)進行編程建模，從共計23組試驗數據中選用具備代表性水平數據(即為試樣11#、12#、13#和21#)作為測試水平組用以測試網絡，剩下的19個試樣用以訓練網絡，實現錠子轉速的反演研究，結合反演值和實際值進行比對分析。

輸入對輸出影響程度排序在1～4的成紗質量指標作輸入參數時，錠子轉速的反演值和實際值誤差為4.95%(表3)；輸入對輸出影響程度排序在4～7的成紗質量指標作輸入參數時，錠子轉速的反演值和實際值誤差為7.33%(表4)；可知采用排序前4位的成紗質量指標作為精梳毛紡錠子轉速神經網絡的輸入參數時，錠子轉速的反演值和實際值誤差值更小，反演結果更精確，這說明采用輸入對輸出影響程度的數據優選方法得到的優選結果是可靠的。

表3 輸入對輸出影響程度排序在1～4的成紗質量指標作輸入參數時的反演結果

表4 輸入對輸出影響程度排序在4～7的成紗質量指標作輸入參數時的反演結果

最后，仔細觀察表中數據可以發現，試樣11#和21#的反演誤差較其他試驗樣本的反演誤差較大，

究其原因，源于訓練網絡中類似樣本的數量較小，進而影響了反演模型的精確性。

4 結論

通過數據優選結果確定輸入參數構建兩個4-3-1網絡結構的BP神經網絡模型，模型以錠子轉速作為輸出參數，實現紡紗參數的反演研究，驗證結果表明，優選結果有效且可靠。結果顯示，兩個模型的反演值與實際值誤差均控制在10%以內，反演精度較高，所以可以確定，利用神經網絡原理構建精梳毛紡錠子轉速反演模型是切實可行的。依據反演結果動態調控加工過程，優化工藝，提高產品質量，同時對企業新產品工藝設計的快速決策也具有很好的借鑒作用。

實踐證明，成紗質量指標與錠子轉速的關聯程度有大有小，加之在數據的實際采集中能獲得的樣本量容易受到限制，故采用有限的數據樣本建立紡紗參數神經網絡反演模型已經成為本領域研究工作的現實需求。