棉纱毛羽根数和毛羽H 值的相关性研究

庄粟裕 韩家宝 马宏庆 徐 阳

［1.江南大学，江苏无锡，214122；2.乌斯特技术（苏州）有限公司，江苏苏州，215122］

毛羽是指纤维头尾端或中间段暴露在纱线主体以外的部分，有端毛羽、圈毛羽和浮游毛羽3种基本形态［1］。毛羽过多不仅会影响纱线表面的光洁程度和光泽，还会影响织造工序的生产效率以及成品的性能和外观质量［2］，因此，纱线毛羽是反映纱线质量的重要指标之一［3］。传统的毛羽评价主要包含毛羽根数（S1+2，S3）、毛羽H 值等指标。毛羽根数S1+2，指100 m 纱线上单侧面1 mm和2 mm 长度级别内的毛羽数量，S3则指100 m 纱线上单侧面3 mm 及3 mm 以上的毛羽根数总和；而毛羽H 值是指1 cm 单位长度纱线中毛羽长度之和与1 cm 的比值，无量纲［4］。毛羽根数可对毛羽进行分级，并能反映长短毛羽对纱线的危害程度，主要用于指导纺纱生产过程质量控制，但存在可重现性较差、准确性较差等缺点；而毛羽H值能表示单位长度上总体毛羽量，且测试结果稳定，常用于纱线贸易及质量说明，但不能反映长短毛羽的数量，因此两个指标经常综合使用来进行毛羽评价［5］。

在实际生产中，常见的毛羽测试仪器有乌斯特UT5 型条干仪，HL400 型毛羽仪、YG172B 型毛羽仪等。传统仪器在测试毛羽根数时，易因毛羽自然卷曲、毛羽各方向分布不匀以及空气阻力等因素使毛羽形态发生改变，导致测试结果不能如实反映真实毛羽长度，准确度和可重复性较差。针对这一点，乌斯特研发了UT6 型条干仪，并提出了真实毛羽根数S1+2u和S3u等新的输出指标。

本研究对毛羽根数和毛羽H 值之间的关系进行探讨，重点探究两者间的相关性，建立回归模型，为企业更合理地评价毛羽提供理论基础。

1 试验

1.1 测试试样

本研究的试验原料为由各个厂家送到乌斯特实验室测试的样品，批次各不相同，所以得到的试验数据具有普遍代表性，样本具体见表1。

表1 不同纺纱方式的棉纱样本信息

1.2 测试方法

1.2.1 测试原理

UT6 HL 模块的测试原理是基于FZ/T 01086—2000《纺织品 纱线毛羽测定方法 投影计数法》改进的新投影计数法。工作原理：在纱线经过测试区域时，将压缩空气吹入到测试区域，使纱体上的突出纤维达到其真正长度以确定实际的毛羽分级。

UT6 OH 模块测试毛羽采用的是漫反射法。工作原理：一束持续的单色平行光源照射在纱线上，纱体暗，而纱体上的毛羽亮，散射光被透镜系统集聚并被光学传感器检测到，输出为电信号［6］，进而被UT6 的计算机评估为毛羽H 值。

1.2.2 试验条件

由经过标准培训的乌斯特实验室工程师进行试验，采用同一试验员和统一标准操作手法。

试验条件满足GB/T 6529—2008《纺织品调湿和试验用标准大气》：相对湿度（65±4）%，温度（20±2）℃，且仪器和样品处于同一室，同一温湿度环境中。UT6 型条干仪每周进行校准检查，数据合格后才能进行其他试验的测试。

1.2.3 试验仪器及相关参数

采集不同纺纱形式生产的棉纱（具体参数见表1），运用UT6 型条干仪的毛羽测试模块（HL模块和OH 模块）对各管纱进行测试，测试速度400 m/min，测试时间2.5 min，测试长度1 000 m。HL 模块输出的毛羽根数指标：1 mm、2 mm、3 mm、4 mm、6 mm、8 mm、10 mm、S1+2u和S3u根数；OH 模块输出毛羽H 值。为了方便计算，将S1+2u和S3u除以1 000，获得对应的S1+2u/1 000 和S3u/1 000。

2 测试结果与分析

2.1 一元回归分析

运用统计分析软件SPSS 中给出的10 种曲线模型对不同纺纱方式生产的棉纱毛羽数据进行一元回归分析，经过决定系数比较以及预测模型显著性判断，选择出其中预测效果最优的模型，结果见表2 和表3。

表2 S1+2u/1 000 与毛羽H 值一元回归分析结果

表3 S3u/1 000 与毛羽H 值的一元回归分析结果

设具有相关关系的两个变量分别为x、y，其中y 为因变量，代表UT6 OH 模块输出结果毛羽H值，x1为UT6 HL 模 块 输 出 结 果S1+2u，x2为UT6 HL 模块输出结果S3u。

由表2 和表3 可知，对纯棉纱整体数据进行一元回归模型拟合的结果中，S1+2u的预测效果优于S3u，可能是由于纯棉纱中短毛羽量占比较多，有研究表明占65%以上［7］，更贴近测量整体毛羽的毛羽值。对于S1+2u预测模型的决定系数，环锭纺>赛络纺>集聚纺>全部数据>转杯纺，其中前三者的决定系数均大于0.800，说明UT6两模块的预测稳定性很好，全部数据和转杯纺的预测结果也较好；对于S3u预测模型的相关系数，环锭纺>全部数据>集聚纺>赛络纺，转杯纺无最优预测模型。

表4 是不同纺纱方式的纯棉28.1 tex 纱的毛羽与对应的环锭纱的比较结果。毛羽H´值指不同纺纱形式毛羽H 值/环锭纺毛羽H 值；S1+2u´指不同纺纱形式S1+2u/环锭纺S1+2u；S3u´指不同纺纱形式S3u/环锭纺S3u。

表4 纯棉28.1 tex 样本的毛羽数据平均值及比较值

2.2 多元回归分析

由于赛络纺、转杯纺样本的一元回归分析效果相对较差，考虑到多元线性回归可选择多个自变量进行分析，于是选用多元线性回归模型进一步建立预测模型，以获得影响毛羽H 值的最优预测方程。研究显示，逐步回归分析能够建立最优线性回归模型，其结果不仅优于进入和向后，而且简单易行，预测精度较高，因此本研究选用逐步回归分析的方法［8］。先计算各影响变量与毛羽H 值的相关性，然后确认对因变量具有较强影响的变量作为输入变量。

表5 所示为1 mm、2 mm、3 mm、4 mm、6 mm、S3u/1 000（1.038S3u/1000）与毛羽H 值的双变量皮尔逊相关性分析。根据分析结果筛选多元回归分析的输入变量为：1 mm、2 mm、3 mm 毛羽根数 和 逆S1+2u/1 000、幂S3u/1 000。表5 中，**表示α<0.01 水平显著；*表示α<0.05 水平显著，下同。赛络纺样本多元回归分析结果见表6 和表7。表6 中，a 表示预测变量，常量，逆S1+2u/1 000；b表示预测变量，常量，逆S1+2u/1 000，幂S3u/1 000；c 表示因变量，毛羽H 值。

表5 赛络纺双变量相关性分析

表6 赛络纺样本多元回归分析参数汇总

根据逐步回归分析回归系数结果，获得两个模型，两者显著性均在α<0.05 水平显著。且模型2 的自变量的容差为0.87，VIF 为1.14，接近于1，说明这些自变量之间共线性弱；残差项差异德宾⁃沃森值为2.59，接近2，说明残差项之间不相关；且模型2 的决定系数高于模型1，为0.955，体现了很高的回归模型的解释百分比。因此获得最优 预 测 模 型 为2.486×1.038S3u/1000。

表7 赛络纺多元回归分析回归系数

表8 所示为转杯纺双变量皮尔逊相关性分析。表8 中，a 表示预测变量，常量，S1+2u/1 000；b表示因变量，毛羽H 值。根据分析结果筛选多元回归分析的输入变量为1 mm、2 mm 毛羽根数和S1+2u/1 000。转杯纺样本多元回归分析结果：R20.585a，ΔR20.54，标准误差0.02，显著性F 变化量0.01，德宾⁃沃森值1.72。由此可知，多元回归分析结果与一元回归分析对于转杯纺的预测效果均不理想，这可能与转杯纺独特的成纱方式及结构有关。转杯纺纱线具有独特的三层结构，中心区紧密，外层较松，表面外包缠绕纤维，表面的毛羽以圈毛羽为主，在UT6 型条干仪进行毛羽测量的过程中，转杯纺圈毛羽因其结构相对松散而对气流吹直毛羽进行毛羽长度测量的结果产生影响，进而导致其预测效果不理想。集聚纺、赛络纺本质上均为传统环锭纺，纱体结构较转杯纺纱线更紧密，表面的毛羽以端毛羽为主，因此在毛羽测试过程中采用压缩空气吹直毛羽与普通光电测量的数据间关联性相对较好。

表8 转杯纺双变量相关性分析

3 结论

针对本研究的测试样品和测试条件，得出的具体结论如下。

（1）利用回归分析模型对毛羽根数值与毛羽H 值之间的相关性分析，对不同纺纱方式有选择性，并不具备普遍适用性。

（2）一元回归分析显示S1+2u对毛羽H 值的预测效果优于S3u，环锭纺、集聚纺和赛络纺S1+2u对毛羽H 值的决定系数R2均大于0.80，环锭纺、集聚纺S3u和毛羽H 值的决定系数R2均在0.70 以上，转杯纺的一元回归结果较差。

（3）对赛络纺的多元回归分析得到R2为0.955的多元回归模型，但对于转杯纺棉纱的预测结果较差。