（纺织工程专业论文）神经网络技术在浆纱质量预测中的应用研究.pdf

神经网络技术在浆纱质量预测中的应用研究摘要神经网络技术在浆纱质量预测中的应用研究摘要本文在分析研究影响浆纱质量因素的复杂性及各因素与浆纱质量之间关系的基础上，认为用传统的数学模型或经验公式等方法很难精确表达各因素与浆纱质量之间的关系。而用神经网络技术来预测浆纱的质量，对改善和提高原纱质量，优化浆纱工艺，提高浆纱管理水平将收到事半功倍的效果。在认真学习研究神经网络技术原理的基础上，对神经网络技术的应用，尤其是神经网络技术在纺织中应用的历史和现状进行分析，确定了预测浆纱质量的神经网络结构、网络的样本数据及网络的预测模型。在网络结构的选择上，采用了有导师训练的b p 神经网络。网络根据导师信号的输入计算输出然后将导师信号的输出结果与髑络预期的输出结果进行比较，计算误差，最后根据网络的算法不断地调整内部参数，从而建立符合要求的网络模型。在网络的样本数据选择上，由于时间和实验条件的限制，所以在影响浆纱质量的主要因素( 原纱质量，浆料性能及浆纱工艺) 中，在浆料和浆纱工艺优化的情况下，只考虑原纱质量指标对浆纱质量的影响。在研究过程中选择了盐城某厂提供的浆纱实际生产数据进行分析。在神经网络浆纱质量预测建模上，建立了不同框架结构的网络模型，即单项指标的网络预测模型和多项指标的网络预测模型，通过实际的网络训练、仿真过程，比较了两种模型的速度和准确性。从而确定了所要采用的网络模型框架一单项指标的网络预测模型。实验结果表明，运用神经网络模型对浆纱质量进行预测具有较好的准确性，相对误差可以控制在土2 ，而且网络运行性能良好，这对于提高企业的生产效率、提高信息管理系统的智能化水平都起着重要的作用。关键词：原纱质量浆纱可织性浆纱质量预测b p 神经网络作者：张林龙指导教师：俞加林张荣华t h es t u d yo i lt h en e u r a ln e t w o r kt e c h n o l o g ya p p l i e di nt h es i z i n gq u a l i t yf o r e c a s ta b s t r a c to nt h eb a s i so fa n a l y z i n gt h ec o m p l c x i t yo ft h ef a c t o r si n f l u e n c i n gt h es i z i n gq u a l i t ya n dt h er e l a t i o nb e t w e e nt h ev a r i o u sf a c t o r sa n dt h es i z i n gq u a l i t y - i tc a nb e c o n c l u d e dt h a ti ti sv e r yd i f f i c u l tt oe x p r e s st h er e l a t i o nb e t w e e nt h ev a r i o u sf a c t o r sa n dt h es i z i n gq u a l i t yp r e c i s e l yw i t i lt r a d i t i o n a lm a t h e m a t i c a lm o d e lo re m p i r i c a lf o r m u l a ，b u tt h ea p p l i c a d o no fn e u r a ln e t w o r kt e c h n o l o g yt ot h es i z i n gq u a l i t yf o r e c a s tc a nr e c e i v et w i c er e s u l t sw i t hh a l fe f f o r t si no p t i m i z i n gt h es i z i n gp r o c e s sa n dr a i s i n gt h es i z i n gm a n a g e m e n tl e v e l i nt h ef o u n d a t i o no f l e a r n i n gt h en e u r a ln e t w o r kt e c h n o l o g yp r i n c i p l e ，t h eh i s t o r ya n dp r e s e n ts i t u a t i o no f t h en e u r a ln e t w o r kt e c h n o l o g ya p p h c a t i o ne s p e c i a l l yi nt e x t i l ei n d u s t r ya r ca n a l y z e d ，a n dt h en e u r a ln e t w o r ks t r u c t u r e ，s a m p l ed a t aa n dt h ef o r e c a s tm o d e lo f t h es i z i n gq u a l i t yf o r e c a s td e t e r m i n e d i nt h ea s p e c to fn e t w o r ks t r u c t u r e ，t h eb pn e u r a ln e t w o r kt r a i n e db yt e a c h e ri ss e l e c t e d t h en e t w o r kc a l c u l a t e st h eo u t p u ta c c o r d i n gt ot h et e a c h e r ss i z i n gi n p u t c o m p a r e st h et e a c h e r ss i z i n go u t p u tw i t ht h en e t w o r ka n t i c i p a t e do u 单u tr e s u l t ，t h e nc o m p u t e st h ee l t o ra n da d j u s tt h ei n t e r n a lp a r a m e t e ru n c e a s i n g l ya c c o r d i n gt ot h en e t w o r ka l g o r i t h m ，t h u se s t a b l i s ht h en e t w o r km o d e lc o n f o r m e dt ot h er e q u e s t i nt h ea s p e c to f n e t w o r ks a m p l ed a t a ，a sar e s u l to f t i m ea n de x p e r i m e n t a ll i m i t a t i o n ，t h eo r i g i n a ly a r nq u a l i t yi so n l yc o n s i d e r e du n d e rt h es u b s t a n c eo fo p t i m i z a t i o no fs i z i n gp u l pa n dp r o c e s s ，a l t h o u g hv a r i o u sf a c t o r si n f l u e n c et h es i z i n gq u a l i t y i nt h er e s e a r c hp r o c e s s ，t h ea c t u a ls i z i n gp r o d u c t i o nd a t ai sc h o s e na n da n a l y z e d ，w h i c hc o m e sf i o maf a c t o r yi ny a n c h e n g i nt h ea s p e c to fb u i l d i n gm o d e lo ft h en e u r a ln e t w o r ks i z i n gq u a l i t yf o r e c a s t ，t h ed i f f e r e n tf r o ms t r u c t u r e sa r ee s t a b l i s h e d ，w h i c ha r es i n g l et a r g e tn e t w o r kf o r e c a s tm o d e la n dm u l t i - t a r g e tn e t w o r kf o r e c a s tm o d e lpt h r o u g ha c t u a ln e t w o r kt r a i n i n g ，s i m u l a t i o np r o c e s s ，a n dc o m p a r i s o no fs p e e da n da c c u r a c yo ft w ok i n d so fm o d e l s ，s i n g l e - t a r g e tm o d e li sd e t e r m i n e di nt h i sa r t i c l e t h ee x p e r i m e n t a lr e s u l ti n d i c a t e dt h a tt h en e u r a ln e t w o r km o d e lc a nf o r e c a s tt h es i z i n gq u a l i t ya c c u r a t e l ya n dt h er e l a t i v ee r r o rm a yc o n t r o li nt h ec o n t e n t i o no f 圭2 k e yw o r d ：o r i g i n a ly a r nq u a l i t ys i z i n gw e a v i n ga b i l i t ys i z i n gq u a l i t yf o r e c a s tb pn e u r a ln e t w o r kw r i t t e nb y ：z h u n gl i n l o n gs u p e r v i s e db y ：y uj i a l i n gz h a n gr o n g h u ai i苏州大学学位论文独创性声明及使用授权的声明学位论文独创性声明本人郑重声明：所提交的学位论文是本人在导师的指导下，独立进行研究工作所取得的成果。除文中已经注明引用的内容外，本论文不含其他个人或集体已经发表或撰写过的研究成果，也不含为获得苏州大学或其它教育机构的学位证书而使用过的材料。对本文的研究作出重要贡献的个人和集体，均已在文中以明确方式标明。本人承担本声明的法律责任。研究生签名：弧丛生日期：i ! ： ! ：= l 星学位论文使用授权声明苏州大学、中国科学技术信息研究所、国家图书馆、清华大学论文合作部、中国社科院文献信息情报中心有权保留本人所送交学位论文的复印件和电子文档，可以采用影印、缩印或其他复制手段保存论文。本人电子文档的内容和纸质论文的内容相一致。除在保密期内的保密论文外，允许论文被查阅和借阅，可以公布( 包括刊登) 论文的全部或部分内容。论文的公布( 包括刊登) 授权苏州大学学位办办理。研究生签名：篮丛五5 t 期：立! ( ：麓导师签名：套趣日期；岛“j 叫神经网络技术在浆纱质量预测中的应用研究第一章绪论1 1浆纱与织造的关系第一章绪论，1 1 浆纱的可织性在织造过程中，经纱要承受由拉伸、弯曲、摩擦，扭转等引起的复合应力经纱能够承受这些复合应力的能力称为经纱的可织性f l 】随着人们对产品质量要求的不断提高，以及喷射、剑杆和片梭等新型织机转速和入纬率的不断提高，对经纱可织性的要求越来越高浆纱工序是织前的最后一道准备工序，上浆的好坏直接影响到经纱可织性为此，研究经纱的可织性也就是研究浆纱的可织性浆纱的可织性不仅影响到织造效率、增加工人劳动强度，而且直接影响到产品的质量。因此，浆纱质量的好坏一直以来是各生产企业重点研究的课题上浆的主要目的是为了增加经纱强力、贴伏毛羽、保持弹性，以达到降低经纱断头，增加经纱的耐磨性，提高织造效率和产品质量。为达到上浆的目的，首先要了解经纱在织造过程中的断裂机理，傲到有的放矢1 1 2 经纱在织造过程中的断裂机理经纱在织造过程中受到的作用可分为两大类：摩擦和应变摩擦作用主要来自，与综眼、停经片阃摩擦。引纬时与引纬器间摩擦，打纬时与钢筘和纬纱问摩擦。开口过程中相邻经纱问摩擦，与后粱、分绞棒的摩擦等。应变主要来自上机张力、周期性的开口和打纬作用引起的经纱张力，其中。打纬引起的应变较大。经纱在织造过程中所受到的应力和磨损都可能发生的断裂经纱在织造过程中的断裂有如下几种情况。- 纤维断裂而引起的经纱颤裂在织造过程中，由于给经纱所加上机张力仅为纱线断裂强度的1 5 左右，加之开口，打纬等运动给经纱的张力一般还不足以使经纱断裂，除非如扎梭等意外冲击，所以，在织造过程中由纤维整体断裂而造成的经纱断裂现象是非常少的，一般不予考虑。b 纤维滑移引起的经纱断头经纱织造断裂是由于纤维的滑移和断裂引起的。经纱上浆的主要目的是为了提高纤维的耐滑移性和保护纱线表面的纤维免受各种摩擦引起的纤维抽出而断裂从纤维神经网络技术在浆纱质量预测中的应用研宠第一章绪论成纱的原理中不难发现，纤维束通过加捻而使纤维间产生摩擦力而成纱对于未上浆的纱，当其受到各种摩擦作用时，会使一些纤维从纱线中被抽拔出来，经纱结构变得较松散，这势必导致内部纤维滑移，使经纱产生不可恢复的伸长随着摩擦作用的持续，越来越多的纤维被抽拔出来，直至纱中剩下的较少纤维不能承受所受应力而使纱线解体，即经纱断头纱线内部纤维滑移趋势主要受内部纤维摩擦力和纤维间的咬合力所控制 2 1 但对于上浆纱，被覆的浆液使纱线表面的纤维伏贴，毛羽减少，敌纤维不易从纱线中抽拔出来；同时因浸透到纱线内部的浆液对纱线内的纤维具有粘附作用，延迟了纱线内纤维的滑移因此，根据不同品种选择不同质量的原纱和比较合理的被覆与渗透工艺，可有效地防止因滑移而造成的经纱断裂。c 纱线中薄弱环节引起断裂在织造过程中，经纱断裂通常是由于纱线中薄弱环节引起的断裂短纤纱在通过机器元件对，其上粗节和细节部位会产生摩擦和应力集中，从而在薄弱环节引起断头。瑞士乌斯特公司曾对造成纱线强力弱环的因素作了全面分析，结论是；细节占5 7 、租节9 、杂质1 6 、籽屑壳7 、其它棉结占l ，异纤占6 c 3 3 织机织造效率的降低与经纱中薄弱环节的增加有极大的关系d 疲劳引起的经纱断裂在循环应力作用下纱线的断裂称为疲劳断裂在经纱受较小的应力作用时，甚至在应力远远小于其断裂强度时反复加载和卸载常常引起纱线上某些部位应力集中，进而降低其抵抗性直至纱线断裂。由于破坏的累积作用，随着应力循环次数的增加，经纱抵抗断裂的能力逐渐降低为此，经纱断裂的根本原因不是因为加在经纱上的负荷太高，而是由于累积破坏使纱线交得太弱【1 1 起球引起断裂在织造过程中纱线受到持续的摩擦作用，表面纤维脱离出来。纱的结构变得松散，脱离出来的纤维纤维相互纠缠而形成结或球，并随着织造的进行而增多，增大而通不过综眼或脱离出的纤维缠绕综眼，最终导致经纱断裂。对于浆料被覆率很低的浆纱其耐磨性较差，在织造过程中将产生大量毛羽。很容易因出现严重的起球现象而引起断裂f 纱疵与接头弓l 起的经纱断裂纱疵是引起经纱织造断头的一个主要原因一些疵点，特别是那些长而大的疵点，签丝曼鳖堇垄垄鏊丝巫曼塑型丝璧旦墅壅蔓= 兰缝堡其强度和伸长率很低，在承受织造负荷时，会持续或问断地松开。纱线上的瘤节，如粗节、棉结或其它结节的存在会影响开口时相邻经纱的运动，当其导致经纱张力非常高时，将引起经纱断头因此，在织造前消除经纱上的粗节是非常必要的。为此要正确预测经纱织造断头必须考虑纱线上疵点的出现频率接头包括打结和捻接接头，目前基本上采用后者，因为捻接与打结相比不仅可减少经纱断头，而且还可提高织物外观质量捻接纱的断裂强度、断裂伸长和断裂功低于原纱捻接纱的强度是原纱的6 0 9 0 捻接处直径增加2 5 3 6 ，而纱线毛羽则大大减少当捻接纱在捻接区域断裂时。在拉伸曲线上当达到最大负荷时出现明显的粘滑现象，最后像正常纱一样断裂但当在捻接区域以外断裂时，几乎不会出现粘滑现象与采用打结接头相比，经纱和纬纱均采用捻按接头时可减少约5 0 的经纱断头率捻接接头导致的经纱断头占总断头的1 0 左右【1 1 1 1 。3 影响浆纱质量的因素从经纱的断裂机理和统计资料不难看出，在织造过程中引起经纱断头的原因很多且复杂，主要原因有：经纱的耐磨性，经纱的强力经纱上浆是克服经纱强力、耐磨性不足的有效途径为保证经纱上浆质量，提高浆纱的可织性，弄清影响浆纱质量的因素是非常必要的。原纱质量对浆纱质量的影响根据不同品种和织造条件，选择不同要求的原纱是保证浆纱质量的基础条件选择原纱的主要参数有单纱强力、毛羽、条干、纱疵等。单纱强力指标包括平均强力、强力不匀率、平均伸长率、伸长率不匀率、强力弱环等，尤其是强力弱环统计资料表明，原纱细节所造成的经、纬囱停台占到总停台的6 0 对于高转速、经纱开口小，开口频率高的无梭织机来讲，长度大于3 m m 的有害毛羽存在。严重影响经纱开口，使纬纱飞行受阻而造成停台毛羽不仅造成织造效率低下，还会影响美观，给浆纱造成很大影响尽管浆纱的耐磨性平均值比原纱提高较多，但浆纱后，耐磨次数低于其平均值的比例有所增大，这些耐磨性较差的浆纱是经纱断头的潜在来源。纱线中的薄弱纱段不会通过上浆而得到显著的增强。与耐磨性好的纱相比，耐磨性差的纱上浆后，其耐磨性的改善较小。对于捻接纱，与强度较大的捻接接头相比，薄弱捻接接头的浆纱增强率很小。这意味着浆纱工艺不能很好地改善薄弱的捻接接头纱的强度【4 1 。故其易于在神经网络技术在浆纱质量顶涮中的应用研究第一章绪论织造时断头捻接工艺不仅减小了浆纱拉伸强度和耐磨性指标的平均值，还增加了纱的弱环频率不同种类的疵点纱线，上浆效果不同较大疵点获得较大的上浆增强率，归结于其较蓬松因为较蓬松的结构可吸收更多的浆液，因而获得较高的上浆率和强度因此，根据不同品种选择不同参数的原纱是保证浆纱质量的基础b 浆料选择对浆纱质量的影响选择合适的浆料形成浆液的浸透与被覆是提高浆纱可织性的关键被覆所形成的浆膜保护浆纱表面免受磨损和伏贴毛羽；浸透使纤维相互粘结防止纱线结构解体，而且使被覆可靠浆料浸透率优化范围在2 0 3 0 之间，当浸透率超过4 0 时，浆纱弹性大大降低【l 】当浸透率太低时，浆纱耐磨性差且织造落物多，但当浆料浸透太高时，会导致浆纱脆而硬，容易产生应力疲劳和断裂。通过浆料被覆来伏贴毛羽是非常重要的，尤其是在用喷气织机织造时随着浆膜完整度的增大，经纱能更好地承受织造时的摩擦力，浆纱可织性能得到提高浆纱被覆差且扁平时，易引起织造问题及影响织物质量当浆科浸透较少，却又主要集中在纱线周围时，限制了其保护浆纱抵抗磨损的能力o 浆纱工艺对浆纱质量的影响经纱上浆机理z 纱线在一定粘度的浆液中浸浆时，浆液首先对纱线表面的纤维进行润湿、粘附，并有少量浆液向纱线内部渗透，带有一定量浆液的纱线进入上浆辊和压浆辊的挤压区。经受压浆辊的挤压作用，一部分浆液被挤压进纱线内部，使纤维相互粘结，一部分浆液被覆在纱线表面形成浆膜。渗透到纱线内部的浆液使纤维相互粘结而增加强力，被覆在纱线表面的浆膜贴伏毛羽而增加耐磨性纱线上浆液渗透与被覆量根据品种而定渗透与被覆量的调节由浆液的浓度和粘度、浆液的温度、车速、压浆辊压力、浸没辊高低等工艺参数来调节浓度和粘度的影响：在同一条件下，粘附性愈好，粘着量愈大；对达到某一粘度的同一浆料，上浆率与浆液的浓度成正比关系。浆液浓度增大，一般浆液粘度也会增加，粘度增加，其渗透能力下降。结果纱线上浆率高，渗透到纱线内部的浆液少而被覆在纱线表面当浆液粘度过大时，会引起上浆率过高，使纱线弹性下降，减伸率增大，织造时脆断头。相反，粘度过小，上浆率偏低，被覆少而引起轻浆起毛，织机开口不清而断头4神经网络技术在浆纱质量预测中的应用研兰l第一章绪论温度的影响：温度高低可影响到浆液的粘度。因为温度，分子热运动加快。浆液流动性好，表现为浆液的粘度下降，所以温度的变化会引起粘度的变化而影响上浆率的变化车速的影响；车速高，浸浆时间、压浆时间短，渗透不足，被覆过量，上浆率高，形成表面浆压浆辊压力大小和形态的影响：压力大小和压浆辊形态直接影响到浆液的渗透量和挤压区大小，对纱线的二次吸浆产生影响从以上分析中可以看出影响浆纱质量的因素是错综复杂的，它既有原纱的因素，又有浆料选择、调浆工艺和上浆工艺的因素同时，浆纱质量的指标又不是单一的，各质量指标与各因子之间都存在一定的关联性，而这种关联也无规律可循。因此，有必要研究新的更可靠的预测或检测浆纱质量的新方法1 2 本课题研究背景浆纱是经纱准备工程的重要工序，也是整个织造生产过程中提高质量，降低经向断头，提高织机效率，增加经济效益的关键工片；。此外，随着市场对于高档纺织品需求量的不断增长，纺织产品的品种结构调整已经成为一种必然，许多高附加值，生产难度大的细号高密产品倍受青昧，这也给浆纱覆量提出了更新、更高的要求鉴于对后道工序成品质量的影响，如果能通过经纱上浆前原纱的性能指标和一些工艺参数，预测相应的浆纱质量，不仅可以提高经纱质量控制的水平，还将有助于提高浆纱工序生产效率、改善浆纱生产工艺关予原纱质量与上浆后浆纱质量之间的关系，目前传统的方法是借助于数学模型或者经验圣跨来建立在建立数学模型的过程中，我们一般要求各因素之间具有相互独立性准【是在浆纱的实际生产过程中，很多因素与上浆后的经纱质量之间都具有不同程度的髑关性，并且这些因素对于目标因素所产生的影响滩以用统计方法表现出来。使用传统的回归分析、模糊数学、灰色系统等技术，效果都没有达到理想的程度近年来，伴随着人工神经网络技术的日益成熟和广泛应用，全世界几乎所有的重要大学都涉及了此项技术，我国也将该项技术广泛应用于纺织工业领域。并逐步开始研究、开发了应用于纺织企业的计算机管理系绕“在纺织领域中，以b p 网络的应用塑堑旦鳖垫术在浆纱质量预测! 盟堡旦堑塞第一章绪论最为广泛，本课题就是使用改进b p 算法下的多层前馈神经网络结构达到预测浆纱质量这一目的1 3 本课题国内外研究现状神经网络技术的理论出现于2 0 世纪4 0 年代，但由于自身的不完善，其应用有很大的局限性，2 0 世纪8 0 年代以后出现了应用高潮，但在纺织领域中的应用主要在2 0世纪9 0 年代以后，至今仅仅有1 5 年左右的时间1 。3 1 国外研究现状目前，神经网络技术在纺织工业中的应用在国外已较为普遍并逐步趋于成熟，可概括为以下方面：客观评价：染色疵点的分类；针织物手感的客观评价；织物质量、疵点自动检测系统；假捻变形纱卷装的等级评定；服装接缝等级评定# 棉花颜色分等l 棉花色泽分级；棉花杂质分类# 棉网疵点( 棉结、杂质) 分类；回收或混合纤维非破坏性的在线的鉴别分析；褶皱恢复的客观评定，棉网密度的控制和确定；织物在线分类；织物手感评定；针织花边的在线检测等【1 1 1 预测：玻璃纤维增强复合材料的疲劳寿命预测；多层机织物弹性模量等的预测；服装成本预测；棉平针针织物顶破强力的预测；针织物手感预测；碳纤维增强复合材料累积疲劳损伤预测；纵向张力脉冲下纺织产品的截面运动学；阴离子水溶性染料对生物量亲和性的预测；针刺非织造布伸长性预铡模型；荧光染科计算机匹配预测；喷气纺、转杯纺等各种纱线质量、性质预测；预测纱线均匀度、强伸性；黑白纤维混合的颜色匹配预测( 灰色) ；洗衣机喷水的预测；碳纤维增强复合材料管在轴向和扭转力作用下失效预测；纱线性质与织物性质的关系预测；毛织物质量预测；环锭纱、转杯纱的毛羽预测；织物手感预测；混合染料浓度预测。纱线松弛模型f 给定纤维性质的纤维可纺性预测；纺织质量预测；热塑性共聚物杨氏模量的预测；服装市场分析预测等【i l 】优化设计与控制；染料的分子设计；化纤生产的自动控制；纺织生产管理的优化；毛织物夹层的优化选择；摩擦盘的设计；服装生产与销售的智能化：从质量与价格的角度优选混纺比；纺纱转杯的参数优化；聚碳酸酯的合理性分子设计# 复杂机件的设6塑丝塑鳖楚查垄篓丝巫曼塑曼笪堡旦要塞苎= ! 堑丝计；假捻变形机械优化；匹染的实时分析和控制；缝纫过程中的工艺优化与调整；纺纱工艺优化；优化纱线加工的利润；织机控制使织造条件优化；颜色匹配优化等【l i 】。a 在线质量控制系统利用神经网络软件研制的纺织生产在线质量控制系统，可在印染线上控制色差的产生在织物宽度方向设置c c d 多个摄像头，将织物宽度方向不同位置的颜色通过c c d 摄像头，经a d 转换器转换后输入计算机，用三层的神经网络进行处理，根据色差情况通过a d 转换器将控制信号输入印染设备进行实时控制田在线生产参数自动选择在识别织物种类和厚薄的基础上控制缝纫机采用相应的工艺参数进行生产b 纤维自动分拣系统纤维自动分拣是建立在神经芯片板进行纤维识别的由红外测量头获取纤维信息，经n i r 处理后输入p c 机再由三片神经网络板进行识别，控制分拣装置进行分拣。该装置由于采用硬件进行信息处理，所以速度快，能满足实时处理的要求。c 采用神经网络研究纤维结构与纱线强度的关系选择纤维的不同参数，如长度、长度整齐度、细度、强度等作神经网络输入系数，选择0 、2 、3 、4 、5 和6 个隐含层进行比较训练，经有不同层次的神经网络训练，研究不同隐含层对两者相关系数的影响。d 人工神经网络在纺纱工艺优化领域中的应用纺纱工艺优化是人工神经网络在纺织中应用得最多的领域。一般使用b p 网络来实现纺纱工艺优化，用5 项机器工艺参数指标和1 4 项棉纤维指标构成输入矢量，输出矢量为纱线强度和伸长指标，神经网络采用有两个隐含层的b p 网，经训练后，纱线强度和伸长指标预测结果误差仅分别为5 7 9 6 和3 5 ，结果明显优于多元回归结果用遗传算法可优化纺纱过程，得到其最佳工艺配置。在气流纺纱中人工神经网络能用来预测纺出纱线的拉伸特性，用只含一个隐含层的人工神经网络使用反向传播算法建立原料特性、纺纱工艺参数与最终纱线拉抻特性的关系，从而进行预测，其预测误差很小”f 人工神经网络在纺织分类评级中的应用用神经网络进行棉色泽等级评级研究，据u s d a 陆地棉国际标准，棉的色泽分5个主级和基于一个主级的3 8 个次级，直接用色度计的h v i ( h i g hv o l u m e神经网络技术在浆纱质量预测中的应用赶塞第一章绪论i n s t r u m e n t ) 进行分级，发现不一致率高达5 4 0 8 ，用神经网络( a n n ) 分级的不一致率约2 0 用多层网络m l p ( m u l t i l a y e rp e r c e p t r o n ) 及概率神经网络p n n( p r o b a b i l i s t i cn e u r a ln e t w o r k s ) 对棉的色泽进行研究，采用概率神经网络的目的是用小的训练样本获得高识别率概率神经网络由四层组成网络中输入单元是分配指向不作处理，模仿层则用特定函数处理，总和层对所有矢量求和，输出层对总和层的输出状态对比较，给出分级嘲| 3 2 国内研究现状用于客观评价( 准确性、容错性、适应性较传统方法好) ，如手感评定用于预测：亚麻纤维品质与成纱质量的分析方法；纺纱技术预报；织物的服装加工性能预测；织物拉伸性能预测；苎麻织物透气性能预测；生丝抱合与其结构关系研究；纤维增强复合材料力学性能研究等。用于优化设计与控制；人工神经网络控制粗梳毛纺质量的研究( 称重自动控制) l 熔喷非织造布在线检测智能系统( 预测控制优化) ；动态分光测色仪中的反射率误差修正( 仪器研究) ；印染布轧光整理金属探测装置( 自动控制) ；纺织厂空调自控系统；定形机温度智能控制系统的设计等“”本课题利用神经网络预测浆纱质量，目前国内外研究报道的较少，在报道中，较多的是提到了神经网络用于纺纱工艺中纱线质量的预测模型，通过仔细的分析和对比，我们发现浆纱质量预测模型与纱线质量预测的神经网络模型，在一定程度上，有其相似之处因此。我们参考纺纱工艺中纱线质量预测的神经网络模型，建立了适合于浆纱工艺的质量预测模型。1 4 本课题研究的主要内容本课题探讨7 人工神经网络在纺织浆纱质量预测中的应用方法和过程具体内容如下。i ) 神经网络浆纱质量模型的建立，需要大量的训练样本即导师信号对网络进行训练，调整网络的内部参数以适应网络实际预测的需要由于导师信号对于网络仿真程度的影响非常大，所以我们首先结合实际的预测结果研究数据的选择问题，总结这一基础环节的原则，方法探索符合浆纱工艺生产特点的数据选取方式，为网络模型提供最优的导师信号神经网络技术在浆纱质量预测中豹应用研定第一章鳖垫2 ) 网络预测模型设计t 针对神经网络浆纱质量预测的准确性、稳定性，我们试验以单项指标预测模型的组合取代复杂的多指标输出网络模型结构，同时研究网络模型的算法、隐含层的神经元数目选择等问题。本课题的研究中心是神经网络浆纱质量预测系统的基础模块设计，即浆纱质量预测模块部分的设计，程序在m a t l a b 6 5 环境中实现有关该系统细节的设计问题，网络补充训练模块、网络更新系统模块等各项综合功能，有待进一步的研究和完善1 5 本课题研究的现实意义和理论意义由于浆纱工艺生产技术多工序，多流程特点和经纱上浆后物理结构指标的复杂性，对产品最终质量影响因素很多，利用以前传统方法进行浆纱质量预测，一方面不可能考虑各个因素，另一方面调整生产工艺和实验因子也将浪费很多人力物力如果利用神经网络技术的系统自适性和容镨能力进行生产系统调整，则会得到比较理想的结果衡量原纱质量的指标参数较多，利用人工神经网络技术预测，可以很有效地处理原纱质量与浆纱质量指标之间的非线性关系“”传统上借助于数学模型或着经验公式建立它们之间的关系往往是不精确的，数学模型往往要求各因子之间相互独立，而在浆纱的实际过程中，很多因子又具有不同程度的相关性。它们对目标因子所产生的影响也难以用统计方法表现出来神经阿络的优点就在于处理和解决问题时，不需要精确的数学模型，而是通过其强大的自学能力和结构的可交性，逐步适应外部环境各因素的作用，不断修改自身行为，以达到最终解决问题的目的因此把神经网络的特点与浆纱过程相联系，将使神经网络这项技术更能符合实际过程中的浆纱质量预测在对神经网络进行训练时，将原纱的质量指标作为输入参数( 由于时问有限。本课题只考虑原纱质量指标对浆纱质量的影响，不考虑浆料及浆纱工艺的变化) ，预期的浆纱质量指标( 增强率、减伸率、毛羽降低搴、耐磨率) 作为输出参数。网络首先根据原纱的质量指标对浆纱质量进行预报，并将其与预期输出值进行比较，得出的误差作为下次预报的修正依据，不断重复这个预报修正的循环，从各对数据中获得有关信息，当网络给出的预报值与预期输出值之间的误差达到所要求的数值时，训练宣告结束，经过训练的网络即可进入询问模式，能对其它原纱的质量指标进行分析，而9神经同络技术在浆纱质量预测中的应用研究第一章绪论给出对应于新的原纱的浆纱质量预报其中输入结点数和输出结点数取决于本课题研究中的原纱质量的指标个数及其要预报的浆纱质量有关指标的个数。1 8 计算机硬件及软件硬件p c 机lc p t 】( p 1 5 0 0r枷1 2 8 m硬盘1 6 0 g显示器1 0 2 4 x 7 6 8软件lw i n d o w s 2 0 0 3 操作系统蛐盯l a b 6 5神经网络技术在浆纱质量预潮中的应用研究第二章人工神经网络原理2 1 人工神经网络第二章人工神经网络原理2 1 1 基本概念和特征人工神经网络( a r t i f i c a ln e u r a ln e t w o r k s 。简称a n n ) 是以工程技术手段模拟人脑神经网络的结构与功能特征以及若干基本特性，结合某种理论抽象、简化和模拟而构成的一种信息处理系统它是基于神经科学研究的最新成果发展起来的新兴边缘学科它利用大量的非线性并行处理器来模拟人脑众多神经元，利用处理器间错综灵活的连接关系来模拟人脑神经元之间的突触行为阚人工神经网络吸取了生物神经网络的许多优点，因而有其固有的特点：( 1 ) 高度的并行处理性人工神经网络是由许多相同的简单处理单元并联组合而成，网络的每个神经元网络在结构上是并行的，而且网络的各个单元可以同时进行类似的处理过程，因此，网络中的信息处理是在大量单元中平行而有层次地进行，运算速度高，大大超过传统的序列式运算数字机( 2 ) 知识的分布存储和容错性在神经网络中，知识不是存储在特定的存储单元中，而是按内容分布在整个网络系统中，网络某一处不是只存储一个外部知识信息，而是每个神经元存储多种知识信息的一部分内容在计算机中只要给定一个地址就可以得到一个或一组数据在神经网络中要获得存储的知识则采用“联想”的方法，这类似人类和动物的联想记忆当一个神经网络输入一个激励时，它要在已存储的知识中寻找与该输入匹配最好的存储知识为其解在知识信息的输出时，知识不是直接从记忆中提取。而是需要通过一定的处理，因此这种存储方式有其自身的优点，当部分知识信息不完全。或丢失或损坏甚至有错误的知识信息存在时，人工神经网络仍能恢复出原来正确完整的知识信息。并且还可以从不完善的数据和图形中进行学习和做出决定，从而使系统照常运行这便是人工苎丝曼垡垫查垄茎竺堕苎塑型箜窒旦堕塞苎三! 三苎丝曼丝堡堡神经网络不同于普通计算机的一大特征一容错性【1 3 1 ( 3 ) 较强的非线性全局作用人工神经网络每个神经元接受大量其他神经元的输入，并通过并行网络产生输出。影响其他神经元网络之间的这种互相制约和互相影响，实现了从输入状态到输出状态空间的非线性映射( 4 ) 自学习、自组织和自适应学习和适应要求在时间过程中系统内部结构和联系方式有改变，神经元网络是一种变结构系统，恰好能完成对环境的适应和对外界事物的学习能力。神经元之间的连接多种多样，各个神经元之间连接强度具有一定的可塑性，相当于突触传递信息能力的变化，这样，网络可以通过学习和训练进行自组织以适应不同信息处理的要求2 2 人工神经网络的工作方式神经网络的工作方式，由两个阶段组成t( 1 ) 学习期t 神经元之间的联接权值和阈值，可由学习规则进行惨改，以使目标函数达到最小，即神经网络通过各种输入输出信号，调整自己的内部参数，以适应输入输出的环境( 2 ) 工作期：联接权值和阈值保持不变，由网络的输入得到相应的输出2 1 3 人工神经网络的分类神经网络的类别有很多种分法，下面是神经网络的一些分类；( 1 ) 按性能分；连续型与离散型；确定型与随机型 静态型与动态网络( 2 ) 按照网络结构分，前馈型与反馈型( 3 ) 按照突触联接的性质分，一阶线性关联和高阶非线性关联网络( 4 ) 按照逼近特性分：全局逼近型与局部逼近型。( 5 ) 按照学习方式分：有导师的学习、无导师的学习和再励学习三种它们都是模拟人适应环境的学习过程的一种机器学习模型，因此，是具有学习能力的系统，称为学习系统，或者学习机。有导师学习( s l s u p e r v i s c dl e a r n i n g ) 在学习过程中，网络根据实际输出与期望输出的比较，进行联接权值和阈值的调整，将期望输出称为导师信号，它是评价的标准无导师学习：( n s l - n o n s u p o r v i s c dl e a r n i n g ) ：无导师信号提供给网络，网络能根1 2神经网络技术在浆纱质量预涮中的应用研究第- t 人工神经弼络原理据其特有的结构和学习规则，进行联接权系的调整，此时网络的评价标准隐含于其内部再励学习( r l - r e i a f o r c e m e n t l e a r n i n g ) - 它把学习看作试探评价( 奖获惩) 过程，学习机选择一个动作( 输出) 作用于环境之后，使环境的状态改变，并产生一个再励信号( 奖获惩) 反馈至学习机，学习机根据再励信号与环境当前的状态，再选择下一动作作用予环境，选择的原则是要使受到奖励的可能性增大嗍纺织领域常用的是b p 神经网络，采用的是有导师的学习规则。通过输入输出修改网络的权值和阈值，建立合适的网络模型z2 阴神经网络2 2 1 即网络概述、2 0 世纪8 0 年代中期，u c a d 的p d p ( p a r a l i c id i s t r i b u t e dn e 鲻i i l g ) 研究小组的r u m e l h a r t 、h i n t o n 和w i l l i a m s 提出了向后传播算法( 简称b p 算法) ，b p ( b a c k p r o p a g a t i o n ) 算法在于利用输出层的误差来估计输出层的直接前导层的误差，再用这个误差估计更前一层的误差。这样就形成了将输出端表现出的误差沿着与输入信号传送相反的方向逐级向网络的输入端传递的过程使用b p 算法进行学习的多级非循环网络称为b p 网络【1 啊( 如图2 1 所示)期翘：粕图2 1 b p 神经网络，i垤y 一2 2 。2 基本阻算法b p 算法是非循环多级网络的训练算法，它是有导师的学习，是梯度下降法在多层前馈中的应用b e 学习算法由正向传播和反向传播组成。正向传播是输入信号从输入层经隐含层传向输出层，若输出层得到了期望的输出。则学习算法结束；否则，1 3神经两络技术在浆纱质量预测中的应用研究第二章人工神经肘络原理转至反向传播反向传播就是将误差信号( 样本输出与网络输出之差) 按原联接通路反向计算，由梯度下降法调整各层神经元的权值和阈值，使误差信号减小【1 0 1 。具体的b p 算法为：1 ) 初始权值和阈值；2 ) 给定输入x 和目标输出，i3 ) 计算实际输出yy j = f ( w q x l )j = l ，2 ，n修正权值，从输出层开始，将误差信号沿连接通路反向传播。通过修正各权值，使误差最t j s w q ( t + 1 ) f f i w u ( t ) + t 1 5 口y j + o 【w o ( t ) 一w - ( t 一1 ) 1其中w o 为联接点第i 和j 层间的权值，i i 为步长大小，t 为权值修正次数a 为动量因子，6p j 为j 节点p 模式的局部误差，由目标输出夕与系统输出y j 的差值直接求得这里误差定义为：e i - - z 0 。l i 为动量因子，0 l l 1 ( 2 ) 自适应调整学习率法：- ( k + 1 ) - - w ( k ) + d ( k ) d ( k )a k ) - 2 。a ( k 1 ) = s i g n d ( k ) d ( k - 1 ) ( 3 ) l e v e n b e r g - m a r q u a r d t 优化算法l 权值调整率l 肛( j 了+ l ii ) 1 j f e其中j 为误差对权值微分的矩阵，c 为误差向量，p 为一个标量2 3 即神经网络的建立b p 神经网络的建立主要有两个阶段，一是网络的训练阶段；二是网络的仿真阶段。具体如下t( 一) 丑p 网络的训练在使用神经网络对浆纱质量进行预测之前，首先需要通过一组样本数据对我们事先设计好的b p 网络模型进行训练，当训练完成以后，我们对网络输入一个不是训练样本集合中的矢量，网络才可以以泛化的方式给出输出结果，从而达到预测的目的网络的训练过程是一个根据样本集对李串经元之间的联接权进行调整的过程，即网络计算加权输入矢量以及网络输出和误差矢量。然后求得误差平方和当所训练矢量1 5苎丝塑竺苎查堡丝壁苎堡型主塑窒星至塞蔓三主三塑丝里竺曼墨的误差平方和小于误差目标，训练则停止，否则在输出层计算误差变化。且采用反向传播学习规则来调整权值，并重复此过程。因为b p 网络执行的是有导师的训练，所以，其样本集是由形如：( 输入矢量，理想输出矢量) 的向量对构成的。所有这些向量对，都应该是来源于网络即将模拟( 或预测) 的系统的实际“运行”结果。即样本集的数据采集来源于实际运行的系统本文中的样本集则来源于实际实验中的测试结果在开始训练前，所有的权都应该用一些不同的小随机数进行初始化。小随机数”用来保证网络不会因为权过大而进入饱和状态，从而导致训练失败；“不同”用来保证网络可以正常地学习实际上，如果采用相同的数去初始化矩阵，则网络将无能力学习【l 町。b p 算法的训练阶段( 或仿真阶段) 主要包含4 步，这4 步被分为两个阶段嘲t1 向前传播阶段( 1 ) 从样本集中取一个样本( x p ，y p ) ，将x p 输入网络；( 2 ) 计算相应的实际输出o p 在此阶段，信息从输入层经过逐级的变换，传送到输出层这个过程也是网络在完成训练后正常运行时执行的过程。在此过程中，网络执行的是下列运算：o p = f n ( ( f 2 ( f l ( x p w _ ( 1 】) w 唧) w 哆2 向后传播阶段( 1 ) 计算实际输出0 p 与相应的理想输出y p 的差；( 2 ) 按极小化误差的方式调整权矩阵。这两个阶段韵工作一般应受到精度要求的控制，在这里，取e p ，i i - ( y d o d ) 2扣i作为网络关于第p 个样本的误差测度其中m 为节点的个数，而将网络关于整个样本集的误差测度定为e = 局下面我们以本文模型中的三层b p 网络为例来叙述网络的训练步骤：( i ) 用小的随机数对每一层的权值w 和偏差b 初始化，以保证网络不被大的加权输入饱和；并进行以下参数的设定或初始化：神经阿络技术在浆纱质量预测中的应用研究第二章人工神经网络原理a ) 期望误差最小值b ) 最大循环次数c ) 修正权值的学习速率l r ，一般情况下h - - 0 0 1 o 。7( 2 ) 用函数n e w f f m 或n e w c f m 建立一个多层前向网络，例如：n e t - - n e w f f ( m i n m a x ( p ) 【3 ，4 ，1 】， t a n s i g ，l o g s i g ，t a n s i g ) ，t r a i n l m ) ：其中 341 分别表示输入、隐含层和输出层的节点数；t a n s i g ，1 0 9 s i g 是b p网络训练过程中每层之间的传递函数3 ) 可以用n e t = t r a i n ( n e t ，p ，t ) 来训练网络( 二) b p 网络的仿真保持网络连接权值和阈值不变，输入原纱性能指标数据( 即网络仿真阶段程序中p 的数值) 以及相对应的浆纱质量指标的预期输出值( 即网络仿真阶段程序中t 的值) ，则网