棉针织物前处理过程LS－SVM软测量模型研究

周丽春，金福江

（华侨大学 信息科学与工程学院，福建 厦门361021）

棉针织物前处理过程的目的是使织物获得良好的吸水性与白度，增加对染料的吸收性能，为完成染色创造良好的条件。如果能够对织物吸水性和白度进行在线实时测量和估计，对于提高前处理加工质量、降低染色生产水资源和助剂消耗具有十分重要的作用和意义。由于前处理过程工艺机理复杂，影响因素多，质量指标与影响因素之间具有较强非线性，难以建立精确软测量模型，实现皂洗过程在线测量一直是染整行业未能解决的技术难题。本文基于统计学习理论的最小二乘支持向量机（LS－SVM），利用核技术和结构风险最小化原则提高了学习机的泛化能力［1］，建立了棉针织物前处理过程在线软测量模型，并以某染整厂棉针织物前处理过程为研究对象，通过实验证明了该软测量模型的有效性。

1 棉针织物皂洗指标与影响因素分析

棉针织物皂洗过程主要通过煮练、漂白两步去除织物上的杂质，因而液碱和双氧水用量的控制是前处理过程工艺控制的关键。其中，在高温碱性条件下，双氧水进行漂白时会形成氧化性很强的HO－2，该离子是参与反应的主要成分，而液碱在前处理过程中不但起到煮练的作用，同时也是双氧水的激活剂［2］。此外，温度、时间都是碱氧一浴前处理的工艺要素。双氧水的分解率随温度的升高而增加，因而前处理过程对于温度的控制是保证半成品质量的一个重要前提。综上所述，确定试验主要因素为温度、时间、液碱质量浓度、双氧水质量浓度4个因素。

2 LS－SVM建模方法

LS－SVM的基本思想是通过非线性变换将输入空间变换为高维空间［3］。在高维空间中求取最优线性分类超平面，而这个非线性变换是通过内积核函数实现的。

设样本为n维向量，某区域的l个样本可表示为（x1，y1），（x2，y2），...，（xl，yl）。首先用一个非线性映射φ（·）把样本从原空间Rn映射到特征空间φ（xl），在这个高维特征空间中构造最优决策函数y（x）＝wφ（x）＋b，这样就将非线性估计函数转化为高维特征空间的线性估计函数。LS－SVM以误差ξi的二次项为优化目标函数，故优化问题为

s.t. yi＝φ（xi）w＋b＋ξi（i＝1，2，...，l）

用拉格朗日法求解该问题，有：

式中：αi—— 拉格朗日乘子，i＝1，2，...，l。根据优化条件：

通过式（3）可求得w和ξ，直接采用核函数K（xi，x）代替内积φ（xi）φ（x）。求得α和b，最后应用LS－SVM对非线性函数进行回归分析的结果为

3 前处理过程工艺技术指标建模

3.1 皂洗质量指标测试方法

a）白度。仪器校正后，将织物折叠成4层，在DatacolorSF600X型测色仪上测定，在织物上取3个不同点，测定后取平均值。

b）吸水性（毛效）。取长30cm，宽5cm的布条，在布条下端穿一根约2g的玻璃棒，用铅笔划一平直线，上端夹在夹板上，使其下端铅笔线与液面相齐，记录30min后液面上升的高度［4］。

3.2 皂洗过程建模

通过工艺机理研究结合实验分析，忽略影响较小的扰动变量，如：稳定剂的选择、pH值、光线照射等。确定影响前处理过程工艺技术指标的主要因素：温度、时间、液碱质量浓度、双氧水质量浓度为软测量模型的输入，织物的吸水性和白度分别为模型的输出，设计实验方案，并完成实验分别得到吸水性、白度的各51组实验数据，其中44组数据用于模型训练，部分训练数据见表1所列，其余7组用于模型检验。

表1 基于LS－SVM前处理过程模型训练的部分数据

本文基于LS－SVM的棉针织物前处理过程模型以Matlab6.5为平台，运用LS－SVMLab工具箱1.5bw版完成对数据样本的训练以及预测［5］，步骤如下：

a）对要训练的数据进行归一化预处理。由表1的数据可知，要训练的输入和输出数据值相差比较大，因而对要训练的数据进行一定的预处理，可以加快训练速度。文中选用归一化处理，把每组数据都变换为－1～1之间的数，当训练得到输出时，还必须进行数据的反归一化。

b）根据样本集建立目标函数并求解参数：选取样本数l＝44，用非线性映射把样本从原空间映射到特征空间，将非线性估计函数转化为高维特征空间的线性估计函数。选取高斯径向基函数作为支持向量机分类机的核函数：

相对来说，高斯径向基在测试中表现出相对较小的错误率、较强的学习能力。因此，直接采用高斯径向基函数K（xi，x）代替内积φ（xi）φ（x），求得参数，吸水性－0.443；白度－0.384；

c）选择LS－SVM 的最佳参数（γ，σ2）：其中超参数γ决定了训练误差大小和泛化能力强弱；核参数σ2反映了训练样本数据的分布或范围特性。通过二次格点搜索法和交叉验证对训练集进行训练得到参数（γ，σ2）。再以该组参数为中心进行细搜索，找到吸水性最优参数（γ，σ2）＝（600，0.6）；白度最优参数（γ，σ2）＝（500，0.4）。

通过以上步骤，得到吸水性：

白度：

最后以Matlab6.5为平台，用LS－SVMLab工具箱1.5bw版进行编程，完成对前处理过程质量指标的预测。

3.3 模型测试结果及分析

将用LS－SVM方法得到的吸水性、白度预测值与通过实验得到的实际值进行对比，见表2所列。通过样本训练得到模型的拟合系数，吸水性：R2＝0.999；白度：R2＝0.999，拟合效果较好。另外，作为比较，本文也应用BP神经网络法得出了预测结果，并通过表2进行对比。

表2 基于LS－SVM法与BP神经网络法的吸水性预测结果比较

结果表明，采用LS－SVM建立的棉针织物前处理质量指标毛效和白度模型具有较高的拟合精度，模型预测精度较高，相对误差不超过1%，可以满足染色生产对前处理加工质量在线测量的要求。

4 结束语

本文在分析棉针织物前处理过程工艺技术指标吸水性和白度相关影响因素的基础上，采用最小二乘支持向量机建立了棉针织物前处理过程吸水性和白度软测量模型。应用该模型可以实现棉针织物前处理过程在线测量和控制，对提高前处理加工质量，降低前处理生产水和助剂消耗具有重要作用。

［1］姜会钰，杨锋，王振东.BP神经网络预测活性染色织物K／S值［J］.印染，2007，8（09）：23－24.

［2］王菊生，孙铠.染整工艺原理［M］.北京：中国纺织出版社，1983：56－61.

［3］邓乃扬，田英杰.数据挖掘中的新方法－支持向量机［M］.北京：科学出版社，2004：24－26.

［4］金咸穰.染整工艺实验［M］.北京：纺织工业出版社，1987：74－93.

［5］阎威武，朱宏栋，邵惠鹤.基于最小二乘支持向量机的软测量建模［J］.系统仿真学报，2003，15（10）：149－150.