在紡織加工過程中，紡紗是一道關(guān)鍵工序，紗線質(zhì)量對于后道工序以及織物的品質(zhì)有著很大的影響。而纖維性質(zhì)和紡紗工藝與紗線質(zhì)量存在著復(fù)雜的非線性關(guān)系，使得根據(jù)產(chǎn)品要求來調(diào)整工藝的難度較大[1]。目前，國內(nèi)大多數(shù)紡紗企業(yè)還是基于歷史生產(chǎn)經(jīng)驗(yàn)并結(jié)合大量試紡試驗(yàn)來調(diào)整工藝方案[2]，這導(dǎo)致了較低的生產(chǎn)效率和較高的生產(chǎn)成本，不利于產(chǎn)業(yè)升級。研究工藝參數(shù)與紗線質(zhì)量關(guān)系，對紗線質(zhì)量進(jìn)行智能預(yù)測有利于提高生產(chǎn)效率及科學(xué)合理地設(shè)定工藝參數(shù)，以實(shí)現(xiàn)對生產(chǎn)工藝的優(yōu)化。BP神經(jīng)網(wǎng)絡(luò)由于結(jié)構(gòu)相對簡單，容錯能力較好，自學(xué)習(xí)和自適應(yīng)能力較強(qiáng)，適合對原料質(zhì)量和紗線質(zhì)量之間復(fù)雜的非線性關(guān)系進(jìn)行處理[3]。但BP神經(jīng)網(wǎng)絡(luò)需要大量數(shù)據(jù)樣本，若樣本數(shù)量少，則會出現(xiàn)收斂速度慢、過擬合、易陷入局部極小等問題[4]。由于實(shí)際生產(chǎn)中工廠產(chǎn)品種類有限，可供神經(jīng)網(wǎng)絡(luò)訓(xùn)練的數(shù)據(jù)樣本少，因此探究在小樣本容量下較高精度地實(shí)現(xiàn)紗線質(zhì)量預(yù)測在生產(chǎn)實(shí)踐中具有重要意義。本文采用灰色關(guān)聯(lián)分析法和基于輸入對輸出影響程度的數(shù)據(jù)優(yōu)選方法對小容量樣本的工藝參數(shù)進(jìn)行選擇，選出對質(zhì)量影響較大的前4項(xiàng)工藝參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入變量，以紗線條干不勻率和斷裂強(qiáng)度為輸出變量，分別建立小規(guī)模樣本的精梳毛紡紗線質(zhì)量預(yù)測模型。該優(yōu)選方法支持小樣本學(xué)習(xí)，能夠排除干擾因素，選擇最相關(guān)的參數(shù)建立神經(jīng)網(wǎng)絡(luò)，有利于充分發(fā)揮BP神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，為實(shí)際生產(chǎn)中毛紡紗線質(zhì)量的預(yù)測提供新方法。

　　1工藝參數(shù)的選擇

　　為了將本文研究與工業(yè)應(yīng)用緊密聯(lián)系起來，所用的樣品數(shù)據(jù)皆來自于國內(nèi)一家大型毛紡企業(yè)，由于生產(chǎn)規(guī)模有限，故可供模型訓(xùn)練的數(shù)據(jù)樣本較少，僅為23組。樣本中的紡紗參數(shù)為:纖維直徑、纖維長度、鋼絲圈號數(shù)、牽伸倍數(shù)、錠子轉(zhuǎn)速、細(xì)紗捻度和成紗細(xì)度;紗線的質(zhì)量指標(biāo)為:條干不勻率和斷裂強(qiáng)度。由于生產(chǎn)精梳毛紡紗線的各項(xiàng)工藝參數(shù)會不同程度地影響模型的性能，因此在建模之前，需要根據(jù)與2項(xiàng)紗線質(zhì)量指標(biāo)的相關(guān)程度對工藝參數(shù)進(jìn)行排序，以便找出對輸出變量影響最大的幾項(xiàng)輸入變量建立小規(guī)模神經(jīng)網(wǎng)絡(luò)模型，并對模型進(jìn)行訓(xùn)練與仿真。本文研究使用一種基于少量數(shù)據(jù)即可處理輸入?yún)��?shù)與輸出參數(shù)之間非線性關(guān)系，并獲得二者關(guān)聯(lián)程度的計(jì)算方法，計(jì)算結(jié)果的排序即為各輸入?yún)��?shù)相對于輸出參數(shù)的關(guān)聯(lián)度排序。該輸入?yún)��?shù)排序方法分為2部分:第1部分利用灰色關(guān)聯(lián)分析法(其計(jì)算結(jié)果為VAk)和基于輸入對輸出影響程度的數(shù)據(jù)優(yōu)選方法(其計(jì)算結(jié)果為Sk)分別進(jìn)行排序;第2部分將2個排序結(jié)果融合為最終排序。為了對給定輸出yj的相關(guān)輸入xk進(jìn)行排序，將評價(jià)指標(biāo)Fk定義為:Fk=g1·VAkxk，yj()+g2·Sk，k∈{1，2，…，n}，j∈1，2，…，m}{(1)式中:g1和g2為正系數(shù)。該評價(jià)指標(biāo)旨在將使用灰色關(guān)聯(lián)分析法和基于輸入對輸出影響程度的數(shù)據(jù)優(yōu)選方法獲得的2個優(yōu)選結(jié)果根據(jù)權(quán)重進(jìn)行融合，獲得各項(xiàng)工藝參數(shù)對紗線質(zhì)量影響程度的最優(yōu)排序[5]。1.1灰色關(guān)聯(lián)分析法灰色關(guān)聯(lián)分析法是使用灰色關(guān)聯(lián)度對各因素之間的關(guān)系進(jìn)行描述的一種統(tǒng)計(jì)分析方法。該方法結(jié)合多種因素，根據(jù)系統(tǒng)中的2個因素發(fā)展變化趨勢的相似或相異程度，即序列的幾何接近程度，可獲得各因素之間的影響程度以及對目標(biāo)因素的貢獻(xiàn)程度，即灰色關(guān)聯(lián)度，能夠有效地彌補(bǔ)常用統(tǒng)計(jì)分析法的缺點(diǎn)和不足。該標(biāo)準(zhǔn)的具體計(jì)算步驟[6]如下:①確定參考數(shù)列與比較數(shù)列。設(shè)數(shù)列x0={x0(k)|k=1，2，…，n}為參考序列，和x0相關(guān)的m個數(shù)列xi={xi(k)|k=1，2，…，n}(i=1，2，…，m)為比較數(shù)列。②無量綱化處理變量。在灰色關(guān)聯(lián)計(jì)算之前，需要對數(shù)列進(jìn)行無量綱化處理以消除量綱取值范圍差異帶來的影響。計(jì)算所得灰色關(guān)聯(lián)度VAk數(shù)值越大，則代表比較數(shù)列對參考數(shù)列的影響程度越大。1.2基于輸入對輸出影響程度的數(shù)據(jù)優(yōu)選方法該方法考察的是不同的變量作為輸入?yún)��?shù)與輸出變量之間的關(guān)聯(lián)程度大小。Sk代表數(shù)據(jù)敏感度，遵循以下法則:①若微小的輸入?yún)��?shù)變化使得輸出變量出現(xiàn)較大變化，則將該輸入?yún)��?shù)視作敏感量。②若較大的輸入?yún)��?shù)變化對應(yīng)較小的輸出變量變化，則將該輸入?yún)��?shù)視作不敏感量。計(jì)算公式如下:根據(jù)以上法則，計(jì)算所得Sk值越大，代表較小的輸入?yún)��?shù)能導(dǎo)致輸出的較大變化，則認(rèn)為該輸入?yún)��?shù)與輸出變量的相關(guān)性更強(qiáng)。同理，Sk值越小，代表該輸出參數(shù)與輸出變量的相關(guān)性越弱。1.3結(jié)果融合采用以下2種方法確定式(1)中的權(quán)重g1、g2。如式(8)(9)所示，方法1分別使用VAk和Sk的變異系數(shù)作為其權(quán)重g*11和g*21(g*11和g*21的第2個下標(biāo)“1”表示方法1)，該方法的原理為:較大的變異系數(shù)意味著相應(yīng)的數(shù)據(jù)優(yōu)選方法具有更強(qiáng)的區(qū)分樣本能力，所以該方法應(yīng)該被賦予更大的權(quán)重[5]。如式(10)(11)所示，方法2使用離差最大化決策原理來確定權(quán)重g*12和g*22(g*12和g*22的第2個下標(biāo)“2”表示方法2)的大小，離差越大意味著權(quán)重越大。對上述權(quán)重進(jìn)行歸一化后，計(jì)算由2種方法確定的權(quán)重的算術(shù)平均值，即最終權(quán)重，如式(12)(13)所示。計(jì)算VAk、Sk和權(quán)重g1、g2后，可以根據(jù)式(1)進(jìn)一步計(jì)算給定輸出yj對應(yīng)的每個輸入xk的評價(jià)指標(biāo)Fk，再將所有Fk都按降序排列。Fk值越大，則代表輸入xk與yj的相關(guān)性就越大，F(xiàn)k值的排列順序?qū)��?yīng)所有輸入變量的關(guān)聯(lián)度排列順序，即Fk最大的工藝參數(shù)是與對應(yīng)質(zhì)量指標(biāo)最相關(guān)的工藝參數(shù)。2種優(yōu)選方法的權(quán)重計(jì)算結(jié)果見表2，條干不勻率融合排序結(jié)果見表3，斷裂強(qiáng)度融合排序結(jié)果見表4。由表3、4可知，對條干不勻率影響最大的4項(xiàng)工藝參數(shù)分別為纖維直徑、錠子轉(zhuǎn)速、牽伸倍數(shù)和細(xì)紗捻度;對斷裂強(qiáng)度影響最大的4項(xiàng)工藝參數(shù)分別為纖維直徑、纖維長度、鋼絲圈號數(shù)和細(xì)紗捻度。融合后的參數(shù)排序結(jié)果可根據(jù)紡紗原理解釋:纖維直徑越小，紗線截面內(nèi)纖維根數(shù)越多，使得紗線的橫截面積不勻率降低，條干更均勻[8]。且纖維直徑越小，纖維之間接觸面積增加，抱合更加緊密，纖維之間的抱合力和摩擦力提高，則拉伸紗線時，滑脫纖維減少，成紗強(qiáng)度提高，斷裂強(qiáng)度增加[9]。合適的牽伸倍數(shù)使得紗條緊密，減少了粗節(jié)和細(xì)節(jié)，有利于提高條干不勻率。加捻使纖維對紗軸的向心壓力加大，紗線間摩擦力增加，紗線滑脫減少[10]。綜上所述，排序結(jié)果基本符合紡紗學(xué)原理。

　　2BP神經(jīng)網(wǎng)絡(luò)模型

　　BP神經(jīng)網(wǎng)絡(luò)通過將模擬過程中的系統(tǒng)誤差進(jìn)行反饋，并不斷調(diào)整各神經(jīng)元權(quán)值來訓(xùn)練，是一種多層前饋神經(jīng)網(wǎng)絡(luò)。工作過程包括正向傳播信號和反向傳播誤差2個部分[11]，其結(jié)構(gòu)由輸入層、隱含層以及輸出層組成，而各層神經(jīng)元的數(shù)目由解決的具體問題決定，網(wǎng)絡(luò)通過不斷修正各層神經(jīng)元的權(quán)值使網(wǎng)絡(luò)的輸出值相對于目標(biāo)輸出值的誤差最小[12]。由于樣本較少，所以本文研究建模時采用單隱層的3層BP神經(jīng)網(wǎng)絡(luò)，將優(yōu)選后相關(guān)度最大的前4項(xiàng)精梳毛紡工藝參數(shù)和紗線質(zhì)量指標(biāo)分別作為神經(jīng)網(wǎng)絡(luò)模型的輸入和輸出，對條干不勻率和斷裂強(qiáng)度分別建立模型。2.1神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)本文研究在進(jìn)行紗線條干不勻率和斷裂強(qiáng)度預(yù)測過程中，2個模型下的3層BP神經(jīng)網(wǎng)絡(luò)均采用4-3-1的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu):輸入層有4個神經(jīng)元，隱層有3個神經(jīng)元，輸出層有1個神經(jīng)元。應(yīng)用MatLab神經(jīng)網(wǎng)絡(luò)工具箱建立神經(jīng)網(wǎng)絡(luò)模型，網(wǎng)絡(luò)參數(shù)為:選擇traindm為網(wǎng)絡(luò)訓(xùn)練函數(shù)，選擇tansig和purelin作為傳遞函數(shù)，訓(xùn)練目標(biāo)為0.001，網(wǎng)絡(luò)訓(xùn)練步數(shù)為10000。2.2訓(xùn)練與仿真共采用23組紡紗數(shù)據(jù)建立模型，將所有的試驗(yàn)數(shù)據(jù)分成一個訓(xùn)練集(20個樣本)和一個測試集(3個樣本)，訓(xùn)練集用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)，測試集用于測試神經(jīng)網(wǎng)絡(luò)，最后將預(yù)測結(jié)果與試驗(yàn)數(shù)據(jù)進(jìn)行比較并計(jì)算預(yù)測誤差。

　　3仿真結(jié)果

　　3.1條干不勻率模型根據(jù)表3的排序結(jié)果，條干不勻率預(yù)測模型選擇的4項(xiàng)輸入?yún)��?shù)分別為纖維直徑、錠子轉(zhuǎn)速、牽伸倍數(shù)和細(xì)紗捻度。條干不勻率預(yù)測結(jié)果見表5。可見該神經(jīng)網(wǎng)絡(luò)條干不勻率預(yù)測值相對于實(shí)際樣本數(shù)據(jù)的平均誤差僅為0.25%，表明該神經(jīng)網(wǎng)絡(luò)模型是準(zhǔn)確的。3.2斷裂強(qiáng)度模型根據(jù)表4的結(jié)果，斷裂強(qiáng)度預(yù)測模型選擇的4項(xiàng)輸入?yún)��?shù)分別為纖維直徑、纖維長度、鋼絲圈號數(shù)和細(xì)紗捻度。斷裂強(qiáng)度預(yù)測結(jié)果見表6。可見神經(jīng)網(wǎng)絡(luò)對于斷裂強(qiáng)度預(yù)測值的誤差平均值為3.03%，表明該神經(jīng)網(wǎng)絡(luò)模型是有效的。

　　《小規(guī)模樣本精梳毛紡紗線質(zhì)量分析》來源：《毛紡科技》，作者：張羽彤 沈卓爾 代利花 陳廷