BP神经网络预测环境对丝织物力学性能的影响

杨梦星，张 毅，郑秋婷

(天津工业大学纺织学部，天津 300387)

丝织物具有优良的服用性能和装饰效果，近年来以其独特的优势逐渐步入百姓生活之中。蚕丝属天然蛋白质纤维，对外界环境变化具有较高的敏感性，这是导致丝织物易老化的重要原因。针对丝织物的老化问题，张聚华等［1］利用X射线衍射仪及衰减全反射红外光谱仪，研究了柞蚕丝织物在酸碱条件下水解老化后的结构变化，结果表明柞蚕丝织物在不同pH值条件下的水解老化作用表现为β-折叠结构含量的下降，而且酸性条件下水解时α-螺旋结构的含量小于碱性条件下水解时α-螺旋结构的含量。王芳芳等［2］对柞蚕丝纤维进行了人工加速老化损伤的研究，认为光、热、氧化和水解都对丝织物起到不同程度的老化作用。

本文选取湿度、温度和pH值作为影响因素，以丝织物经过老化处理后的平均断裂强力值作为训练样本，利用BP神经网络较强的自适应模式识别能力和非线性拟合能力，预测环境对丝织物力学性能的影响。研究结果不仅有助于对丝绸制品的日常保养，而且对古代丝绸织物的保护工作具有参考价值。

1 试验数据的获取

以经纬密度为822根/10 cm×452根/10 cm的双绉组织柞蚕丝织物作为试验材料，沿经向裁成6 cm×25 cm的试样条，共90条。选取湿度、温度和pH值作为L9(34)正交试验的3个因素，每个因素选取3个水平，即湿度为50%、70%、90%，温度为40、70、100 ℃，pH 值为 5、7、9。由于试验所用的DWS型老化仪(天津市天宇实验仪器有限公司)只能满足湿和热的变化要求，无法提供指定pH值的酸碱环境，所以必须对试样进行预处理，即将试样条分为A、B、C 3组，每组各30条，A组浸泡在pH值为5的H2SO4溶液中，B组浸泡在pH值为7的去离子水中，C组浸泡在pH值为9的NaOH溶液中，3组试样均浸泡24 h，然后取出常温干燥。

根据表1所示的湿度、温度和pH值交互环境，分别对试样进行24 h连续老化处理。使用美国3365型Instron万能材料试验机，隔距为15 mm，拉伸速度为100 mm/min，测试样老化后的断裂强力，所得平均断裂强力如表1所示。

表1 L9(34)表及平均断裂强力Tab.1 L9(34)table and average breaking strength

2 BP神经网络的预测

2.1 模型构建

湿度、温度和pH值对丝织物的老化及其力学性能表现出非线性复杂变化，因此利用BP神经网络能够逼近任意函数且能将训练经验保存在联接权重中的功能［3］，可科学全面地进行丝织物老化力学性能预测。

采用MatLab7.0建立BP神经网络数学模型。利用试验数据对网络模型进行训练，然后用训练成功的模型预测织物在湿度、温度和pH值交互环境下力学性能的变化。在BP神经网络模型的建立中，以影响丝织物老化的湿度、温度和pH值作为输入层，丝织物老化后力学性能指标断裂强力值作为输出层［4－5］。

BP神经网络采用traingd算法(自适应学习速率梯度下降法)来实现［6］，对正交试验获得的9组数据进行训练仿真，其中前8组数据作为直接训练数据，最后1组数据作为验证数据。BP神经网络模型采用3层的网络结构，输入层维数为3，输出层维数为1，隐含层为1层，其节点数为8;隐藏层计算函数tansig，输出层计算函数purelin，反算时的计算函数 traingd［7－8］;最小训练速率为 0.1，允许误差为0.001，最大训练次数为5 000［9］。

2.2 模型训练

BP神经网络设计流程如图1所示。训练输入数据:

图1 BP神经网络设计流程图Fig.1 BP neural network design flow chart

训练输出数据

为了消除输入层数据数量级和单位的差异对预测精度的干扰，改善网络学习过程中的收敛速度和收敛误差，在BP神经网络训练前，采用最大值和最小值对数据进行预处理，先由premnmx函数将输入数据做归一化处理，再由postmnmx函数将预测值还原为原始数据［10］。

2.3 结果与分析

BP神经网络运行168次后，样本误差达到0.001，其收敛情况如图2所示。

图2 BP神经网络训练结果Fig.2 Training result of BP neural network

将训练样本(1～8)的拟合值与实际试验值，以及检验样本(9)预测结果与实际试验值列于表2。

表2 BP神经网络训练及预测结果Tab.2 Training and prediction results of BP neural network

由训练成功的BP神经网络模型来预测样本9的断裂强力，再将样本1～8的实际试验值作为BP神经网络模型的输入数据，得到样本1～8的拟合值。由表 2可见，预测的绝对误差最大为0.004 6%，最小为0.000 1%，呈现中间大两头小的正态分布。预测结果表明:运用BP神经网络模型预测环境因素对丝织物力学性能的影响，具有较好的准确性(相对误差＜0.005%)，不仅对学习样本的拟合程度较高，而且检验样本的预测结果与试验值也非常接近。

3 结论

1)环境中湿度、温度和pH值以及它们之间的交互作用会加速丝织物的老化，BP神经网络较强的自适应模式识别和非线性拟合能力，可以有效地预测环境因素对丝织物力学性能的影响。

2)通过正交试验获取的丝织物断裂强力数据具有较强的代表性，以此作为BP神经网络模型的训练样本，能提高预测结果的可靠性。

3)建立3层神经网络模型进行迭代训练及预测，所获得的训练输出值与实际试验值的相对误差均小于0.005%，预测结果准确。

［1］ 张聚华，傅吉全，李秀艳.柞蚕丝织物酸碱条件下水解老化过程的结构分析［J］.北京服装学院学报，2010，30(2):48 －53.ZHANG Juhua，BO Jiquan，LI Xiuyan.Structural analysis of the silk fabric aging process under PH conditions［J］.Journal of Beijing Institute of Clothing Technology，2010，30(2):48 －53.

［2］ 王芳芳，傅吉全.柞蚕丝纤维人工加速老化损伤研究［J］.北京服装学院学报，2008，28(3):32 －36.WANG Fangfang，FU Jiquan.Artificial accelerated aging research of tussah silk fibers［J］.Journal of Beijing Institute of Clothing Technolog，2008，28(3):32 －36.

［3］ 何勇，项利国.基于模糊聚类的BP神经网络模型研究及应用［J］.系统工程理论与实践，2002，21(3):79－82.HE Yong，XIANG Liguo.Study of application model on BP neural network optimized by fuzzy clustering［J］.Systems Engineering Theory and Practice，2002，21(3):79－82.

［4］ 狄宏静，刘冬云，吴志明.基于BP神经网络的春夏女装流行色预测［J］.纺织学报，2011，32(7):113－117.DI Hongjing，LIU Dongyun，WU Zhiming.Forecast of women's spring/summer fashion color based on BP neural networks.［J］.Journal of Textile Research，2011，32(7):113 －117.

［5］ 成玲，万振凯，张毅.BP神经网络在织物风格评价中的应用［J］.天津工业大学学报，2001，20(3):41－43.CHENG Ling，WAN Zhenkai，ZHANG Yi.Application of BP neural networks in fabric handle assessment［J］.Journal of Tianjin Polytechnic University，2001，20(3):41－43.

［6］ 明律法.桑蚕丝抗紫外老化性能研究［D］.苏州:苏州大学，2011:87－89.MING Lüfa.Study on ultraviolet aging properties of bombyx mori silk fabric［D］.Suzhou: Soochow University，2011:87 －89.

［7］ 陈颖，陈汝栋.基于BP神经网络的水刺非织造布刚柔性能的研究［J］.天津工业大学学报，2012，31(1):29－32.CHEN Ying，CHEN Rudong.On spunlaced nonwovens flexible study by BP neural network［J］.Journal of Tianjin Polytechnic University，2012，31(1):29 －32.

［8］ 韩力群.人工神经网络理论、设计及应用［M］.2版.北京:化学工业出版社，2007:101－107.HAN Liqun.Theory，Design and Application of Artificial Neural Network［M］.2nd ed. Beijing:Chemistry Industry Press，2007:101 －107.

［9］ 李翔，彭志勤，金凤英.基于神经网络的精纺毛纱性能预测模型比较［J］.纺织学报，2012，31(1):51－56.LI Xiang，PENG Zhiqin，JIN Fengying. Comparing prediction models for worsted yarn performances based on neutral networks［J］.Journal of Textile Research，2012，31(1):51 －56.

［10］ 倪红，潘永惠.基于BP神经网络的织物斜向弯曲性能的预测［J］.纺织学报，2009，30(2):48 －51.NIHong，PAN Yonghui.Prediction of fabric diagonal bending rigidity by BP neural network［J］.Journal of Textile Research，2009，30(2):48 －51.