在紡織加工過程中，紡紗是一道關鍵工序，紗線質量對于后道工序以及織物的品質有著很大的影響。而纖維性質和紡紗工藝與紗線質量存在著復雜的非線性關系，使得根據(jù)產(chǎn)品要求來調整工藝的難度較大[1]。目前，國內大多數(shù)紡紗企業(yè)還是基于歷史生產(chǎn)經(jīng)驗并結合大量試紡試驗來調整工藝方案[2]，這導致了較低的生產(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)與紗線質量關系，對紗線質量進行智能預測有利于提高生產(chǎn)效率及科學合理地設定工藝參數(shù)，以實現(xiàn)對生產(chǎn)工藝的優(yōu)化。BP神經(jīng)網(wǎng)絡由于結構相對簡單，容錯能力較好，自學習和自適應能力較強，適合對原料質量和紗線質量之間復雜的非線性關系進行處理[3]。但BP神經(jīng)網(wǎng)絡需要大量數(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]。由于實際生產(chǎn)中工廠產(chǎn)品種類有限，可供神經(jīng)網(wǎng)絡訓練的數(shù)據(jù)樣本少，因此探究在小樣本容量下較高精度地實現(xiàn)紗線質量預測在生產(chǎn)實踐中具有重要意義。本文采用灰色關聯(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)進行選擇，選出對質量影響較大的前4項工藝參數(shù)作為神經(jīng)網(wǎng)絡的輸入變量，以紗線條干不勻率和斷裂強度為輸出變量，分別建立小規(guī)模樣本的精梳毛紡紗線質量預測模型。該優(yōu)選方法支持小樣本學習，能夠排除干擾因素，選擇最相關的參數(shù)建立神經(jīng)網(wǎng)絡，有利于充分發(fā)揮BP神經(jīng)網(wǎng)絡的優(yōu)點，為實際生產(chǎn)中毛紡紗線質量的預測提供新方法。

　　1工藝參數(shù)的選擇

　　為了將本文研究與工業(yè)應用緊密聯(lián)系起來，所用的樣品數(shù)據(jù)皆來自于國內一家大型毛紡企業(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)、錠子轉速、細紗捻度和成紗細度;紗線的質量指標為:條干不勻率和斷裂強度。由于生產(chǎn)精梳毛紡紗線的各項工藝參數(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項紗線質量指標的相關程度對工藝參數(shù)進行排序，以便找出對輸出變量影響最大的幾項輸入變量建立小規(guī)模神經(jīng)網(wǎng)絡模型，并對模型進行訓練與仿真。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)之間非線性關系，并獲得二者關聯(lián)程度的計算方法，計算結果的排序即為各輸入?yún)��?shù)相對于輸出參數(shù)的關聯(lián)度排序。該輸入?yún)��?shù)排序方法分為2部分:第1部分利用灰色關聯(lián)分析法(其計算結果為VAk)和基于輸入對輸出影響程度的數(shù)據(jù)優(yōu)選方法(其計算結果為Sk)分別進行排序;第2部分將2個排序結果融合為最終排序。為了對給定輸出yj的相關輸入xk進行排序，將評價指標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)。該評價指標旨在將使用灰色關聯(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)選結果根據(jù)權重進行融合，獲得各項工藝參數(shù)對紗線質量影響程度的最優(yōu)排序[5]。1.1灰色關聯(lián)分析法灰色關聯(lián)分析法是使用灰色關聯(lián)度對各因素之間的關系進行描述的一種統(tǒng)計分析方法。該方法結合多種因素，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因素的貢獻程度，即灰色關聯(lián)度，能夠有效地彌補常用統(tǒng)計分析法的缺點和不足。該標準的具體計算步驟[6]如下:①確定參考數(shù)列與比較數(shù)列。設數(shù)列x0={x0(k)|k=1，2，…，n}為參考序列，和x0相關的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。在灰色關聯(lián)計算之前，需要對數(shù)列進行無量綱化處理以消除量綱取值范圍差異帶來的影響。計算所得灰色關聯(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)變化對應較小的輸出變量變化，則將該輸入?yún)��?shù)視作不敏感量。計算公式如下:根據(jù)以上法則，計算所得Sk值越大，代表較小的輸入?yún)��?shù)能導致輸出的較大變化，則認為該輸入?yún)��?shù)與輸出變量的相關性更強。同理，Sk值越小，代表該輸出參數(shù)與輸出變量的相關性越弱。1.3結果融合采用以下2種方法確定式(1)中的權重g1、g2。如式(8)(9)所示，方法1分別使用VAk和Sk的變異系數(shù)作為其權重g*11和g*21(g*11和g*21的第2個下標“1”表示方法1)，該方法的原理為:較大的變異系數(shù)意味著相應的數(shù)據(jù)優(yōu)選方法具有更強的區(qū)分樣本能力，所以該方法應該被賦予更大的權重[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重g*12和g*22(g*12和g*22的第2個下標“2”表示方法2)的大小，離差越大意味著權重越大。對上述權重進行歸一化后，計算由2種方法確定的權重的算術平均值，即最終權重，如式(12)(13)所示。計算VAk、Sk和權重g1、g2后，可以根據(jù)式(1)進一步計算給定輸出yj對應的每個輸入xk的評價指標Fk，再將所有Fk都按降序排列。Fk值越大，則代表輸入xk與yj的相關性就越大，F(xiàn)k值的排列順序對應所有輸入變量的關聯(lián)度排列順序，即Fk最大的工藝參數(shù)是與對應質量指標最相關的工藝參數(shù)。2種優(yōu)選方法的權重計算結果見表2，條干不勻率融合排序結果見表3，斷裂強度融合排序結果見表4。由表3、4可知，對條干不勻率影響最大的4項工藝參數(shù)分別為纖維直徑、錠子轉速、牽伸倍數(shù)和細紗捻度;對斷裂強度影響最大的4項工藝參數(shù)分別為纖維直徑、纖維長度、鋼絲圈號數(shù)和細紗捻度。融合后的參數(shù)排序結果可根據(jù)紡紗原理解釋:纖維直徑越小，紗線截面內纖維根數(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，成紗強度提高，斷裂強度增加[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，排序結果基本符合紡紗學原理。

　　2BP神經(jīng)網(wǎng)絡模型

　　BP神經(jīng)網(wǎng)絡通過將模擬過程中的系統(tǒng)誤差進行反饋，并不斷調整各神經(jīng)元權值來訓練，是一種多層前饋神經(jīng)網(wǎng)絡。工作過程包括正向傳播信號和反向傳播誤差2個部分[11]，其結構由輸入層、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)絡通過不斷修正各層神經(jīng)元的權值使網(wǎng)絡的輸出值相對于目標輸出值的誤差最小[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，將優(yōu)選后相關度最大的前4項精梳毛紡工藝參數(shù)和紗線質量指標分別作為神經(jīng)網(wǎng)絡模型的輸入和輸出，對條干不勻率和斷裂強度分別建立模型。2.1神經(jīng)網(wǎng)絡的設計本文研究在進行紗線條干不勻率和斷裂強度預測過程中，2個模型下的3層BP神經(jīng)網(wǎng)絡均采用4-3-1的神經(jīng)網(wǎng)絡結構: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。應用MatLab神經(jīng)網(wǎng)絡工具箱建立神經(jīng)網(wǎng)絡模型，網(wǎng)絡參數(shù)為:選擇traindm為網(wǎng)絡訓練函數(shù)，選擇tansig和purelin作為傳遞函數(shù)，訓練目標為0.001，網(wǎng)絡訓練步數(shù)為10000。2.2訓練與仿真共采用23組紡紗數(shù)據(jù)建立模型，將所有的試驗數(shù)據(jù)分成一個訓練集(20個樣本)和一個測試集(3個樣本)，訓練集用于訓練神經(jīng)網(wǎng)絡，測試集用于測試神經(jīng)網(wǎng)絡，最后將預測結果與試驗數(shù)據(jù)進行比較并計算預測誤差。

　　3仿真結果

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

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