遗传算法优化BP神经网络的纺熔无纺布性能预测

张伟国，陈长洁

（1.南通醋酸纤维有限公司纺丝生产部，江苏 南通 226000；2.东华大学 纺织学院，上海 201620）

纺熔复合无纺布（Spunbond Meltblown Spunbond Nonwovens，SMS）是由外层纺黏无纺布和中间层熔喷无纺布经过复合加工而成，是医疗和卫生的主体材料，综合了纺黏和熔喷二者的优势：既具有较高的机械性能（高强度），对微小的固体颗粒、液体等也有着较高的阻隔性[高耐静水压（HSH）][1-2]。纺熔复合无纺布的性能受到原料特性、纺丝温度、挤出量、热轧机温度、热轧机压力、冷却风温度、冷却风风压等参数的影响，各因素之间相互作用，通过重复实验的方式对工艺进行优化，效率低且难度大[3-5]。

BP神经网络（Back Propagation Neural Network）即反向传播神经网络，是以互连的神经元来模拟大脑的学习过程。本研究选取对SMS产品性能影响较大的纺黏计量泵转速、熔喷计量泵转速、热轧温度、热轧压力和克重5种工艺参数作为输入值[6]，机械方向断裂强力（以下简称MD强力）和耐静水压（以下简称HSH）等作为输出值，通过BP神经网络构建预测模型，并在已经建立的 BP网络基础上通过GA优化，讨论对两大输出性能的预测效果。

1 纺熔无纺布实验

1.1 生产设备

实验中，纺熔无纺布生产设备为莱芬豪舍的RF4型SMMMS五模头纺熔无纺布生产线，5个模头依次编号为A、B、C、D、E，其中，A、E为两个纺黏头，B、C、D为中间的熔喷头。

1.2 材料

实验的原材料为聚丙烯，纺黏料的熔融指数为（36±3）g/10 min；熔喷料熔融指数为（950±50）g/10 min。

1.3 测试方法

实验样品的断裂强力和耐静水压测试分别参照GB/T 3923.1—2013《纺织品 织物拉伸性能 第1部分：断裂强力和断裂伸长率的测定（条样法）》和GB/T 4744—2013《纺织品 防水性能的检测和评价 静水压法》。

2 BP神经网络构建

使用MATLAB建立预测模型，输入向量是A/E挤出量、B/C/D挤出量、热轧机温度、热轧机压力和克重，是七维向量；输出向量是MD（Machine Direction）强力和HSH（High Hydrostatic Pressure Resistance），是二维向量。隐含层单元数根据kolmogorov定理的参考公式（1）[7]确定：

式中：a为1~10的常数，m为输入层神经元的数量，n为隐含层节点数，k为输出层神经元数量。

经实验确定，隐含层节点数取13较为合适。所以，在这里引入了“7-13-2”结构的网络模型，输入层到隐含层使用“tansig”函数传递，隐含层到输出层使用“purelin”函数传递。实验共采用114组原始数据，随机抽取22组数据进行验证，其余92组数据用来构建神经网络。

3 遗传算法优化

遗传算法根据每组实验数据对应的适应度函数值的大小来判断实验数据质量的优劣。如果个体的适应度值大，则有较大可能繁衍至下一代，一般选择超过群体平均适应度值的个体进行交叉、低于这一值的个体进行变异。通过交叉和变异，后代的平均适应度值得到持续提高，即后代个体的性能变得更优。实验使用式（2）作为适应度函数，以真实值与预测值的误差矩阵的范数作为输出[8]。

式中：h(x)(i)为模型预测输出值，y(i)为实验值。

遗传算法先进行参数的初始化操作，如代沟概率、进化代数、交叉概率等（图1）。实验期间，各个参数的选择：算法结束的条件—100代；变异概率—0.01；代沟概率—0.95；交叉概率-0.7；种群规模—40。

图1 遗传算法优化流程

以式（3）的值来讨论神经网络的预测效果，绝对百分比误差为：

4 结果与分析

实验测得的MD强力值和预测的MD强力值对比结果如图2所示，可以看到两种网络模型的预测值均与实验值接近或重合，表明两种网络对MD强力均能实现较好的预测。

图2 MD强力的真实值和预测值

引入实验测得的HSH值和GA优化后的神经网络、BP神经网络预测值，结果如图3所示，可以看到预测值也与实验值有很高的吻合度。BP神经网络预测时，实验值与预测值最小误差为0.72；GA优化后再预测时，最小误差为0.23，两种网络对HSH均能实现较好的预测。

图3 HSH的测试结果和预测结果

从图4~5可以得出，BP神经网络和GA优化后的神经网络预测值与实际值的绝对百分比误差，BP神经网络对纺熔非织造材料的MD强力和HSH的测试结果的最大绝对百分比误差均小于6%；GA优化神经网络对MD强力和HSH的测试结果的最大绝对百分比误差均小于5%。两种预测方式均能满足实验产品开发和生产的需要，GA优化后的模型具有更强的适用性。

图4 BP神经网络与GA优化神经网络预测MD强力绝对百分比误差对比

图5 BP神经网络与GA优化神经网络预测HSH绝对百分比误差对比

5 结语

就纺熔复合无纺布来看，通过对工艺参数、性能指标的对比分析，可以引入隐含层神经元数为13的3层结构的BP神经网络来预测。未经优化的BP神经网络模型预测的纺熔无纺布MD强力和HSH平均误差不超过6%。通过遗传算法优化权值和阈值后，BP神经网络预测结果变得更加精确，相应的预测MD强力、HSH平均误差不会大于5%。因此，经过遗传算法优化的BP神经网络能更好地满足纺熔无纺布在开发和生产中的需求。