苎麻纺纱各工序性能指标的预测

高晓艳，郁崇文

(1.烟台南山学院，山东 烟台 265706；2.东华大学，上海 201620)

苎麻纺纱各工序性能指标的预测

高晓艳1，郁崇文2

(1.烟台南山学院，山东 烟台 265706；2.东华大学，上海 201620)

文章运用灰色关联分析法分析了苎麻纺纱过程中前道工序的性能指标对下道工序性能指标的影响，并结合BP神经网络建立了梳麻、精梳、末道并条、二道粗纱、细纱各工序中半成品或成品的性能指标的预测模型，各模型的平均预测误差均低于10%，这表明这些模型用于预测是可行的。

苎麻；BP神经网络；灰关联分析；预测

苎麻纺纱是一个复杂的长工序、多参数的动态加工过程，产品的质量和加工状态与纤维原料、设备、工艺流程、加工参数等众多因素密切相关，因此成纱各工序性能指标的预测是一个很困难的问题。针对这种情况，很多学者进行了研究，建立了统计模型和人工神经网络模型来根据纤维性能预测成纱性能[1]。李晓峰[2]运用灰色系统分析了苎麻纤维原料品质与成纱品质指标之间的关系。

本文采用灰色关联分析结合BP神经网络建立梳麻、精梳、末道并条、二道粗纱、细纱各工序中半成品或成品的主要性能指标的预测模型，灰色关联分析可以得出各工序性能指标对下一工序的性能指标影响的重要程度。

1　灰色关联分析

灰色关联分析通过比较各个因素之间的相似程度来衡量它们之间的关系。可将苎麻各工序性能指标与下一工序的性能指标视为一个系统，由于在这一系统的部分信息已知(如各工序性能指标对下一工序的性能指标都有一定的影响已知)，但是这一系统的大部分信息又未知(如各工序性能指标对下一工序的性能指标的影响大小未知)，故这一系统为灰色系统，因此可对各工序性能指标与下一工序的性能指标进行灰关联分析。

假设参考序列(下一工序的性能指标)为：

(1) 数据预处理：为消除原变量的量纲、数值差异的影响，需要先对数据进行规格化处理

(1)

(2) 计算灰色关联系数

γj,i(k) =

(2)

(3) 计算灰色关联度，由于关联系数是点对点的系数，数据多，不利于系统分析结论，因此定义灰色关联度为：

(3)

计算得到的xi与Y的灰色关联度越大，则表明xi对Y的影响程度越大。

2　各工序预测模型的建立

2.1BP人工神经网络模型

BP网络(也称前向网络)是应用最为广泛的一种神经网络。BP网络可以看成是输入和输出集合之间的一种非线性映射，而实现这种非线性映射关系只需要通过对有限多个样本的学习来达到对所研究系统内部结构的模拟[4]。

首先需要确定神经网络的输入层、隐层、输出层的个数以及每层中节点的个数。一般具有1个输入层、1个隐层、1个输出层的三层神经网络较为常用[5]。输入层节点的个数=前一工序中产品的性能指标的个数，输出层节点个数的确定方法是：对各个性能指标分别建立预测模型，因此输出层节点数为1。隐层的节点数根据公式(4)[6]进行计算：

S=

(4)

m—输出层的节点数；n—输入层的节点数。

输入层和隐层之间的传递函数为：f(x)=2/(1+e-2x)-1；隐层和输出层之间的传递函数为：f(x)=x(式中x是神经元的加权输入函数)；训练次数：5000；训练精度：0.001；训练函数：traingdx，该函数是梯度下降法训练函数，学习速率是自适应的。

本文共有42组数据，采用其中的36组数据训练建模，其他的6组数据用于检验模型的精度。这些数据是在湖南华升株洲雪松有限公司收集的，都用于纺相同号数27.8 tex的苎麻纱，为简化起见，假设纺纱时的环境及工艺参数相同，本文只采用各工序的性能指标建立预测模型。

2.2根据精干麻和开松麻饼的性能指标预测梳麻条的性能指标

目前，苎麻厂测试的精干麻的性能指标有：纤维号数、纤维强度，开松麻饼的性能指标有：麻饼回潮率；精干麻经过机械软麻、给油加湿、堆仓后，还需要进行开松，制成开松麻饼喂入梳麻机，因此麻饼回潮率对梳麻工序的影响很大。

所要预测的梳麻条的性能指标有：硬条率、麻粒。梳麻条各性能指标与上述精干麻性能指标的灰关联分析结果分别为：硬条率：γ=[0.6896 0.6456 0.7173]；麻粒：γ=[0.6906 0.7124 0.7302]。

灰关联度越大，表明该指标对梳麻指标的影响越大，当梳麻的某项性能指标出现了波动，应首先考虑调整对其影响大的精干麻的性能指标。用神经网络进行预测时，按照灰关联度从大到小依次输入精干麻的各个性能指标。

2.2.1梳麻条硬条率预测

BP神经网络的输入参数依次为：麻饼回潮率、纤维号数、纤维强度，结构为：“3-4-1”。预测结果如表1所示。

表1　梳麻条硬条率预测结果

2.2.2梳麻条麻粒预测

BP神经网络的输入参数依次为：麻饼回潮率、纤维强度、纤维号数，结构为：“3-4-1”。预测结果如表2所示。

表2　梳麻条麻粒预测结果

2.3根据梳麻条的性能指标预测精梳条的性能指标

梳麻条的性能指标有：梳麻条硬条、硬条率、麻粒；预测的精梳条的性能指标有：精梳条麻粒、短纤率、重量不匀率，二者灰关联分析的结果为：精梳条麻粒：γ=[0.6514 0.6409 0.6265]；精梳条短纤率：γ=[0.6698 0.6559 0.7031]；精梳条重量不匀率：γ=[0.7123 0.6942 0.7556]。

2.3.1精梳条麻粒预测

BP神经网络的输入参数依次为：梳麻条硬条、硬条率、麻粒，结构为：“3-4-1”。预测结果如表3所示。

2.3.2精梳条短纤率预测

BP神经网络的输入参数依次为：梳麻条麻粒、硬条、硬条率，结构为：“3-4-1”。预测结果如表4所示。

表3　精梳条麻粒预测结果

表4　精梳条短纤率预测结果

2.3.3精梳条重量不匀率预测

BP神经网络的输入参数依次为：梳麻条麻粒、硬条、硬条率，结构为：“3-4-1”。预测结果如表5所示。

2.4根据精梳条的性能指标预测末道并条的性能指标

精梳条的性能指标有：精梳条麻粒、硬条、硬条率、短纤率、回潮率、重量偏差、重量不匀；末并条的性能指标：条干，其与精梳各性能指标的灰关联分析结果为：γ=[0.6010 0.7356 0.7208 0.7337 0.7314 0.7161 0.7453]。

精梳条的性能指标较多(7个)，用BP神经网络建模时，若输入节点较多，则学习速率和预测精度等会受到影响，因此为了提高模型的预测精度，选与末并条干灰关联度较大的性能指标作为神经网络的输入。按照灰关联度的大小依次输入各参数，结果表明，输入参数为5个时的预测结果最好。输入参数为7个时，根据公式(7)计算可得隐层节点数s=4.65，神经网络的结构为：“7-5-1”；输入参数为5个时，s=3.96，神经网络的结构为：“5-4-1”。输入参数依次为：精梳条重量不匀、硬条、短纤率、回潮率、硬条率、重量偏差、麻粒。预测结果如表6所示。

表6　末并条条干预测结果

2.5根据末并条性能指标预测二道粗纱的性能指标

末并条的性能指标有：回潮率、重量偏差、重量不匀、条干；二道粗纱的性能指标：条干，其与末并性能指标的灰关联分析结果为：γ=[0.7287 0.6420 0.6526 0.7534]。

BP神经网络的输入参数依次为：末并条条干、回潮率、重量不匀、重量偏差，结构为：“4-3-1”。预测结果如表7所示。

表7　二道粗纱条干预测结果

2.6根据二道粗纱的性能指标预测细纱的性能指标

二道粗纱的性能指标有：回潮率、重量偏差、重量不匀、条干；细纱的性能指标有：重量不匀、乌斯特条干。细纱各指标与二道粗纱性能指标的灰关联分析结果为：细纱重量不匀：γ=[0.6785 0.6946 0.7329 0.6795]；细纱乌斯特条干：γ=[0.6853 0.6759 0.6784 0.6973]。

2.6.1细纱重量不匀预测

BP神经网络的输入参数依次为：二道粗纱重量不匀、重量偏差、条干、回潮率，结构为：“4-4-1”。预测结果如表8所示。

表8　细纱重量不匀预测结果

2.6.2细纱乌斯特条干预测

BP神经网络的输入参数依次为：二道粗纱条干、回潮率、重量偏差、重量不匀，结构为：“4-3-1”。预测结果如表9所示。

表9　细纱乌斯特条干预测结果

3　结论

在建立各工序预测模型时，通过灰色关联分析方法可对前一工序的性能指标与下一工序的性能指标间的影响的重要性进行排序。依据与预测指标间的重要程度，由重要到次要依次作为神经网络的输入，建立的各个工序的模型的预测结果的平均误差均小于10%，这表明用这些模型进行预测是可行的。当神经网络的输入参数较多时，通过灰色关联分析方法可选择对指标影响较大的几个参数作为输入，可简化神经网络的结构，提高预测结果的准确性。

[1]Zeguang Pei, Chongwen Yu. Prediction of the vortex yarn tenacity from some process and nozzle parameters based on numerical simulation and artificial neural network[J].Textile Research Journal,2011,0(00):1—12.

[2]李晓峰.苎麻纤维原料品质与成纱品质指标的灰关联分析[J].纺织学报，2006，27(1)：20—22.

[3]刘思峰，谢乃明.灰色系统理论及其应用[M].北京：科学出版社，2008.

[4]董长虹.Matlab神经网络与应用[M].北京：国防工业出版社，2005.

[5]Guifen Yao, Jiansheng Guo, and Yongyuan Zhou. Predicting the warp breakage rate in weaving by neural network techniques[J].Textile Research Journal,2005，75(3)：274—278.

[6]Daqi Guo, Study on the linear primary function forword three layers neural .network’s architecture with teachers[J].Journal of Computers, 1998，21(1):80—86.

Prediction on Yarn Performance in Ramie Spinning Process by BP Neural Network

Gao Xiaoyan1，Yu Chongwen2

(1.Yantai Nanshan University,Yantai 265706,China;2.Donghua University,Shanghai 201620,China)

The grey relational analysis was applied to analyze the effect of performances in former process to the next process, then combined with BP neural network to set up the forecast models of the products’ performances in the carding, combing, finishing drawing, roving and spinning processes. The mean relative error between the predicted results and measured values was less than 10%, which shows that these models were available in practice.

ramie spinning;BP neural network;grey relational analysis;prediction

2015-09-25

山东省教育厅第三批科技计划项目(项目编号：J06K63)

高晓艳(1987—)，女，山东烟台人，助教。

TS124.31

A

1009-3028(2015)06-0004-04