淺析毛精紡前紡工藝參數(shù)網絡定量評價法

毛精紡前紡工藝參數(shù)重要性的BP網絡定量評價法小二黑體，居中，3倍行距劉 貴收稿日期（黑體小五）：2007-03-10 修回日期：2007-05-16（由編輯部填寫）基金項目（黑體小五）：國家經貿委創(chuàng)新項目（02CJ-14-05-01）基金名稱（基金編號）(楷體小五)作者簡介（黑體小五）：劉貴（1983），男，博士生。主要研究方向為毛精紡加工過程建模及其職能決策預報與控制。于偉東，通訊作者，E-mail:。第一作者姓名（出生年），性別，職稱，學歷。主要研究方向。通訊作者姓名，E-mail。，于偉東1,2四號楷體，居中，單倍行距(1. 東華大學 紡織材料與技術實驗室,上海; 武漢科技學院 紡織與材料學院,湖北 武漢)小五號宋體，居中，單倍行距摘 要摘要寫作方法：請用第三人稱的語氣陳述該文研究目的（即為了，或者針對問題，）、過程、方法（即采用的手段和方法）、結果和結論（即研究得出的結論），重點是結果和結論，背景信息、基本概念及對文章的自我評價不應出現(xiàn)在摘要中，要達到只看摘要而不必看文章就可理解全文主要內容的程度；摘要字數(shù)應控制在200300 字，英文要與中文相對應。（小五黑體）在BP神經網絡建模技術的基礎上,提出利用神經網絡輸入層與輸出層之間的網絡權值及其分布來求各輸入?yún)?shù)重要程度的方法。將采集到的毛精紡企業(yè)前紡工藝參數(shù)運用BP神經網絡分別建立了粗紗CV值和粗紗單重的預測模型。結果表明：所建模型的平均相對誤差都低于3%；采用樣本數(shù)據(jù)驗證,其預報值與實測值間的相關系數(shù)都高于0.95。對所建模型的網絡權重進行提取,分別計算出13個輸入?yún)?shù)對粗紗CV值和粗紗單重的重要性,挖掘出顯著而有效的參數(shù)。經對比認為，BP網絡法比多元回歸顯著性分析(MRSA)更為精準，可用于對實際生產加工的預報和控制。（小五宋體）關鍵詞（小五黑體）毛精紡；前紡工藝參數(shù)；模型；BP神經網絡；定量評價法（小五宋體）中圖分類號（小五黑體）： TS 131.9（小五宋體） 文獻標志碼（小五黑體）： Quantitative evaluation method for the significance of worstedfore-spinning parameters based on BP neural network小四Times New Rome,3倍行距LIU Gui1，YU Weidong1,2（五號）(1.Textile Materials andTechnology Laboratory Donghua University, Shanghai,China;2.Department of Textiles and Materials, Wuhan University of Science and Engineering, Wuhan, Hubei,China）小五，居中 Abstract Based on BP neural network model technology, a new approach was developed and applied to appraise the input parameterssignificant degree through the weightiness and its distribution between the input and output layer. Usingthe fore-spinningworking procedure data gathered fromtheworsted textiles enterprise, the roving unevenness and weight prediction models were established respectively. The results indicated that the modelsmean relative errors are all less than 3%; the correlation coefficientR2between the prediction value and the actual are all more than 095. Using the weightiness extracted fromthe established models, the 13 input parameterssignificance to the roving unevenness and weight were calculated respectively, and the remarkable and effective parameters are excavated out. Meanwhile contrasting to the multivariate regression significance analysis (MRSA), the BP neural network method is more exact than MRSA and can be used in the forecast and control of the actual produce and manufacture (小五)Key words Double glow; Artificial neural network; Prediction model (小五)此處排正文。請選擇A4紙型，上、下頁邊距為2.5cm，左、右頁邊距為2.0cm，1.0倍行距。正文部分請雙欄排版。2019整理的各行業(yè)企管，經濟，房產，策劃，方案等工作范文，希望你用得上，不足之處請指正（正文五號宋體,單倍行距）對精毛紡織廠而言,前紡工序作為整個加工過程的第一環(huán)節(jié),其加工質量對后道工序將產生直接影響。根據(jù)實際生產經驗,細紗的條干不勻率和細紗機的斷頭率相對于末道粗紗的質量呈顯著的線性關系1,故控制前紡各工序的半制品不勻率,特別是末道粗紗的不勻率是毛紡廠十分重要的質量監(jiān)控措施2。目前企業(yè)主要以經驗為主,通過傳統(tǒng)的測量和記錄、肉眼觀看與估計、設備的調整和人力的補充等原始的方法實現(xiàn),不能對大量積累和不斷產生的數(shù)據(jù)進行系統(tǒng)整理、綜合分析與客觀決斷,也無法確切地找出產生問題的原因及實際解決方法3。本文針對影響粗紗質量的毛條回潮率、毛條含油率、纖維平均直徑、直徑離散系數(shù)、纖維平均長度等13個指標參數(shù),將采集到的企業(yè)實際生產數(shù)據(jù),運用BP網絡建立預測模型,提出利用網絡各層間的權重及其分布,計算出各參數(shù)對產量質量指標的影響程度,并對比多元回歸分析,效果較好。引言(或前言)應簡要說明您進行該研究工作的目的、范圍、相關領域的前人工作和知識空白、理論基礎和分析、研究設想、研究方法與手段和預期結果及意義等。應簡要回顧本文所涉及的科學問題的研究歷史，尤其是近三年的研究成果，需引用參考文獻；并在此基礎上提出論文所要解決的問題。引言部分不加小標題。1網絡定量評價法學報采用4級標題制，為便于排版，一級標題的字數(shù)不超出15個漢字，二、三級標題的字數(shù)不超出17個漢字（四號黑體，3倍行距）BP神經網絡(Back-Propagation)是指基于誤差反向傳播算法的多層前向人工神經網絡4。對于任何在閉區(qū)間的1個連續(xù)函數(shù)都可以用含有1個隱層的BP網絡來逼近,因而1個3層結構的BP網絡可以完成任意N維到M維的映射5。從其學習過程來輸入?yún)?shù)對輸出結果的影響完全由網絡權值決定,因此,知道網絡各層間的權重及其分布,就可計算輸入?yún)?shù)的確定度(輸入對輸出影響作用的相對大小,即貢獻率)。依照誤差反向傳播方法,輸入層節(jié)點對輸出層節(jié)點的影響是由各層權值的復合作用。由于輸出反映的是其本身,它不需要再進行對后層節(jié)點影響大小的區(qū)分,故可將其確定度看作是相同的,然后參照反向傳播算法從輸出層向輸入層反向求出各輸入?yún)?shù)的確定度。2重要性評價過程21試驗數(shù)據(jù)和參數(shù)（小四黑體，單倍行距）本文以山東某精毛紡廠采集到的100組數(shù)據(jù)為建模依據(jù)。數(shù)據(jù)采集分2部分,一部分從實際生產工藝設計單中提取,主要是工藝流程參數(shù)、設備加工參數(shù);另一部分為測試數(shù)據(jù),來自不同的生產線。任意選80組數(shù)據(jù)用于模型建立,其中70組用于模型訓練,10組作為檢驗數(shù)據(jù),而未參與建模的20組數(shù)據(jù)則用于對模型的驗證。影響前紡粗紗質量的參數(shù)有毛條回潮率(X1)、毛條含油率(X2)、纖維平均直徑(X3)、直徑離散系數(shù)(X4)、纖維平均長度(X5)、長度離散系數(shù)(X6)、短毛率(X7)、毛條質量(X8)、毛條質量不勻率(X9)、毛條毛粒(X10)、前紡總并合次數(shù)(X11)、前紡總牽伸倍數(shù)(X12)和粗紗捻系數(shù)(X13)6。運用BP網路建模分析時,以這些參數(shù)作為網絡的輸入層參數(shù),輸入節(jié)點數(shù)為13,中間包含1個隱層,分別以R1和R2作為網絡輸出層建立多輸入單輸出子網組7模式進行預報。隱層節(jié)點數(shù)的選取根據(jù)式(1)8進行計算:文章中的所有字母變量用斜體 (1)式中：m為輸入層節(jié)點數(shù);n為輸出層節(jié)點數(shù)S為隱層節(jié)點數(shù),本文取隱層節(jié)點數(shù)為7。這樣就可以建立2個13-7-1結構的BP神經網絡模型。同時,為消除原變量的量綱不同、數(shù)值差異太大帶來的影響,需要對原變量作標準化處理。即 （2）式中 （3）22模型的建立和訓練根據(jù)模型結構,在Mtalab 6.5的環(huán)境下建立2個13-7-1型BP網絡模型。利用式(2)對輸入樣本數(shù)據(jù)進行預處理。將標準化后的數(shù)據(jù)輸入網絡進行訓練,訓練參數(shù):訓練最大步數(shù)為50;精度目標值為1.010-3;學習率為0.019。其訓練過程曲線見圖1。由圖可知,分別經過25和47步左右的訓練,平均誤差平方和便達到了設定的目標值。10組檢驗樣本的預報結果和實際結果的相對誤差分別為2.28%和2.39%。這說明所建立的模型具有很高的精度和準確性。2.3模型的驗證根據(jù)上面訓練好的BP神經網絡,對20組驗圖1 粗紗CV和單重預報模型訓練曲線（小五宋體）Fig.1 Robing unevenness (a) and the roving weight (b) forecast models training curve (小五Rome)證樣本數(shù)據(jù)進行預報檢驗。首先對這20組數(shù)據(jù)利用前面的標準化方法進行預處理,然后代入訓練好的模型中進行預報模擬,得到網絡輸出并對其做還原量綱的處理,就可得到粗紗質量指標的預測值。其實測值與預報值間的關系見圖2。圖中預報值與真實值之間的相關系數(shù)均高于0.95,說明模型是可靠和準確的。2.4重要性計算和評價設前面的13-7-1型BP網絡經LM算法訓練一定的次數(shù)后收斂,令wij為輸入層j和隱含層i之間的連接權值,wi1為隱含層i和輸出層之間的連接權值,具體步驟如下。1)初始化輸出節(jié)點確定度P,若輸出節(jié)點數(shù)為O,則一般取為P=1/O,這里輸出節(jié)點數(shù)為1,因此輸出節(jié)點確定度為1。2)反向求穩(wěn)含層節(jié)點的確定度,即將輸出層節(jié)點確定度經權值作用向前傳播。因為輸出節(jié)點確定度為1,故隱含層節(jié)點的確定度為1wi1=wi1。3)求輸入層的確定度,對每個隱含層的節(jié)點i,每個輸入層節(jié)點j,將權值wij和wi1相乘,得到文中圖請用高分辨率的TIF或JPG格式，并注意圖的制作格式：不能用彩圖；圖中橫縱坐標線粗0.5磅，曲線粗0.75磅；圖的尺寸固定后圖上所有注解文字要統(tǒng)一用6號宋體；坐標刻度線方向向內，橫縱坐標必須有名稱和單位；圖中的網格（底紋）線和上、右邊框線要刪掉，只保留橫縱坐標線。（若是顯微鏡或電鏡照片，圖內一定要有比例標尺） 圖2 粗紗CV和單重預報值與實測值相關分析Fig.2 Relevant analysis between the predict and measured value of the roving unevenness (a) and weight (b) (4)將Pij當量化后得到 (5)對于每一個輸入層節(jié)點j,將Qij求和,得到輸入層的確定度 (6)可以得到各輸入變量(因子)對輸出變量的影響比例，即輸入因子的貢獻率 (7)在模型可靠和準確的條件下，把訓練好的BP網絡模型的網絡權重取出來，運用上面提到的方法，分別計算得出各輸入因子對粗紗CV值和粗紗單重的貢獻率，如下表1所示。對與粗紗CV值(R1)而言，長度離散系數(shù)(X6)、粗紗捻系數(shù)(X13)、纖維平均直徑(X3)為其影響作用最大的3個因素，貢獻率分別為20.7%、13.9%和10.3%。對粗紗單重(R2)來說，對其影響最大的幾個參數(shù)是長度離散系數(shù)(X6)、毛條毛粒(X10)、毛條回潮率(X1)，貢獻率分別為19.1%、18.1%和17.5%。表1 各輸入因子的貢獻率小五宋體，加黑 Tab. 1 Each input parameters contribution ratio %粗紗質量毛條原料參數(shù)前紡工藝參數(shù)X1X2X3X4X5X6X7X8X9X10X11X12X13R13.9R6.03.519.16.04.05.79.6表格用三線表25多元線性回歸對比評價作為比較,運用多元線性回歸法(MLR)分別建立上述13個輸入?yún)?shù)與R1和R2間的多元線性回歸方程。由于這些原始數(shù)據(jù)的數(shù)量級相差很大,可能會造成回歸系數(shù)很小,為此需要對原始數(shù)據(jù)進行當量化處理,即把原始數(shù)據(jù)標準化到01區(qū)間。采用最小最大值的標準化,可以使數(shù)據(jù)在01區(qū)間上獲得良好的分布,如式(8)。 （8）將標準化后的數(shù)據(jù)進行多元線性回歸擬合,分別得到R1和R2的回歸方程,并經顯著性檢驗,說明2個方程都有顯著性。通過回歸可以看出，對粗紗CV值(R1)影響因素由大到小依次為：X13 X6 X3 X5 X7 X8 X10 X9 X2 X4 X1 X12 X11；而對于粗紗單重(R2)來說，依次為：X6 X8 X1 X9 X11 X7 X2 X3 X10 X13 X4 X5 X12。顯然重要性和次序是不同的，表明各自變量間有交互或相關性。3 結 論結論應是以正文中的實驗或考察得到的現(xiàn)象、數(shù)據(jù)的闡述分析為依據(jù)，完整、準確、簡潔地指出以下內容：a. 由對研究對象進行考察或實驗得到的結果所揭示的原理及其普遍性；b. 研究中有無發(fā)現(xiàn)例外或本論文尚難以解釋和解決的問題；c. 與先前已發(fā)表過的（包括他人和作者自己）研究工作的異同；d. 本論文在理論上和實用上的意義及價值；e. 進一步深入研究本課題的建議。通過BP人工神經網絡技術，直接利用生產歷史數(shù)據(jù)，建立粗紗CV值、粗紗單重預測模型，以實現(xiàn)對粗紗加工和質量的預報，所建模型的平均相對誤差都低于3%。采用未參與建模訓練的樣本數(shù)據(jù)驗證，其預報模型的預報結果與實測結果間的相關關系R2都高于0.95。利用所建立的模型對粗紗工序各輸入?yún)?shù)的重要性分析，將輸入?yún)?shù)重要性分成3個系列重要參數(shù)、較為重要參數(shù)和不重要參數(shù)，具體結果如下：1) 對與粗紗CV值(R1)而言，重要參數(shù)為長度離散系數(shù)(X6)、粗紗捻系數(shù)(X13)和纖維平均直徑(X3)，其貢獻率分別為20.7%、13.9%和10.3%。較為重要的影響因子(5%10%)依次為短毛率(X7)、直徑離散系數(shù)(X4)、毛條重量(X8)、前紡總并合次數(shù)(X11)、毛條含油率(X2)、毛條毛粒(X10)。不重要的參數(shù)(5%)依次為纖維平均長度(X5)、前紡總牽伸倍數(shù)(X12)、毛條重量不勻率(X9)、毛條回潮率(X1)；2)對粗紗單重(R2)來說，重要參數(shù)為長度離散系數(shù)(X6)、毛條毛粒(X10)和毛條回潮率(X1)，其貢獻率分別為19.1%、18.1%和17.5%。較為重要的影響因子(5%10%)依次為粗紗捻系數(shù)(X13)、前紡總牽伸倍數(shù)(X12)、直徑離散系數(shù)(X4)、短毛率(X7)、毛條重量不勻率(X9)。不重要的參數(shù)(5%)依次為毛條重量(X8)、纖維平均長度(X5)、毛條含油率(X2)、纖維平均直徑(X3)、前紡總并合次數(shù)(X11)。對比多元線性回歸分析，對粗紗CV值來說，最重要的3個影響因子都是長度離散系數(shù)(X6)、粗紗捻系數(shù)(X13)和纖維平均直徑(X3)。對粗紗單重而言，采用BP網絡權重法得出最重要的3個參數(shù)為長度離散系數(shù)(X6)、毛條毛粒(X10)和毛條回潮率(X1)。而多元回歸分析得出的是長度離散系數(shù)(X6)、毛條重量(X8)和毛條回潮率(X1)，兩者略有差異，可見兩種參數(shù)重要性評價具有較好的一致性，而且BP網絡法可以量化。粗紗工序輸入?yún)?shù)重要性定量評價法，通過運用歷史數(shù)據(jù)的BP網絡建模技術，找出了各參數(shù)對其質量的重要程度，為合理調配粗紗工藝，達到最優(yōu)的粗紗質量提供了參考。參考文獻(五號黑體，1.5倍行距)1 劉曾賢.精毛紡前紡各過程理論不勻率指數(shù)的研討J.毛紡科技, 1999(6): 5-12.（小五宋體） LIU Cengxian. A study on the theoretical irregularity index for the preparatory passages of worsted spinningJ. Wool Textile Journal，1999（6）：5-12. 2 DONG Kuiyong, YU Weidong. A worsted yarn virtualproduction system based on BP neural networkJ.Journal of Donghua University:Eng Ed, 2004, 21(4): 34-37.（小五 Rome）3 于偉東,楊建國.紡織工業(yè)中的虛擬加工技術與模式J.紡織導報, 2005(7): 10-16, 22. YU Weidong, YANG Jianguo. Virtual manufacturing technology and models for textile industryJ. China Textile Leader, 2005(7): 10-16, 22.4 David ERumelhart, Geoffrey EHinton, Ronald JWilliams.Learning representations by back-propagating errors J.Nature, 1986(323): 533-536.5 Hecht-Nielson R. Theory of the back-propagation neural network C/IEEE. International Joint Conference on Neural networks. Washington: s.n. 1989:53.6 LV Z J, XIANG Q, YIN X G,et al. Aknowledge-reuse based intelligent reasoning model for worsted process optimizationJ. Journal of Donghua University: Eng Ed,2006,23(1):4-7.7 王秀坤,張曉峰.用一組單輸出的子網絡代替多輸出的BP網絡J.計算機科學, 2001, 28(10): 61-63. WANG Xiukun, ZHANG Xiaofeng. A new architecture of neural networks array replacing of a multiple outputs BP model networksJ. Computer Science, 2001, 28(10): 61-63.8 高大啟.有教師的線性基本函數(shù)前向三層神經網絡結構研究J.計算機學報, 1998, 21(1): 80-86. GAO Daqi. On structures of supervised linear basis function feed forward three-layered neural networksJ. Computer Science, 1998, 21(1): 80-86.9 吳輝，錢國坻，華兆哲，等. 新型堿性果膠酶用于棉針織物精練的工藝優(yōu)化J. 紡織學報，2008，29（5）：59-63. WU Hui，QIAN Guodi，HUA Zhaozhe，et al. Optimization of scouring of knitted cotton fabrics with a new-type alkaline pectinaseJ. Journal of Textile Research, 2008，29（5）：59-63.10 Wu C T，McCullough R LConstitutive relationships for heterogeneous materials C/Holister G SDevelopments in Composite MaterialsLondon：Applied Science Publishers Ltd，1997：119-187參考文獻格式 參考文獻的數(shù)目應大于10篇，且盡量少引用圖書類(M類)文獻,多引用近兩年來在國內外連續(xù)出版物上刊登的論文文獻。若參考過本刊論文的請勿忘標注在參考文獻中。參考文獻執(zhí)行中華人民共和國國家標準GB 77142005文后參考文獻著錄規(guī)則，只列主要的，未公開發(fā)表的資料勿引用，著錄格式采用順序編碼制。 即日起,凡參考文獻為中文類的（包括專著、期刊、報紙、論文集、專利、標準、電子文獻等）要有一一對應的英文內容，即需將各著錄項目均翻譯成英文，且必須按原發(fā)期刊英文形式標注，如原發(fā)刊物不含英文題目，自行翻譯時請注意其準確性；若參考文獻為非中文類的（如英文），則無需翻譯。英文內容要另起一行標注。要求英文姓全部大寫?！臼纠?1 吳輝，錢國坻，華兆哲，等. 新型堿性果膠酶用于棉針織物精練的工藝優(yōu)化J. 紡織學報，2008，29（5）：59-63.WU Hui，QIAN Guodi，HUA Zhaozhe，et al. Optimization of scouring of knitted cotton fabrics with a new-type alkaline pectinaseJ. Journal of Textile Research, 2008，29（5）：59-63.1）文后以“參考文獻：”(左頂格)作為標識，參考文獻表按文中引用的先后順序編碼依次排列，頂格編排，編碼用阿拉伯數(shù)字著錄，加方括號、不用標點，后空一字，按著錄要求規(guī)定依次著錄，回行時與首行著錄項齊平。每條文獻單獨排，最后均以“.”結束。2）文中引用的參考文獻必須在正文中有標注，如2，3-5不宜寫成345等。3）題名、摘要、標題中不得標注參考文獻，文末按引用順序著錄。作者一律采用姓前名后的方式著錄(外文作者名應縮寫)，作者間用“，”間隔，作者少于3人應全部寫出，3人以上只列出前3人，后加“等”或“et al”。4）文獻的作者，期刊名的縮寫一律不加縮寫點，縮寫的單詞要國際通用的縮寫方法，不可隨意縮寫。5）多次引用同一著者的同一文獻時，在正文中標注首次引用的文獻序號，并在序號的“”外著錄引文頁碼，如3123。6）凡是從期刊中析出的文獻，應在刊名之后注明其年份、卷、期、部分號、頁碼。如2006，27（8）：25-28.如查不到卷數(shù)僅有期數(shù)，則寫成2006（8）：25-26。7）凡是從報紙中析出的文獻，應在報紙名后著錄其出版日期與版次。如2000-03-14（1）8）題名之后如有其他題名信息，包括副題名、多卷書的分卷書名、卷次、冊次等，則之間用“：”隔開。如東華大學學報：自然科學版，世界出版業(yè)：美國卷等。著錄格式例舉如下。例1 專著(圖書、學位論文，技術報告，多卷書等)序號 主要責任者. 題名：其他題名信息文獻類型標志（電子文獻必備，其他文獻任選）.其他責任者（任選）. 版本項. 出版地: 出版者, 出版年：引文頁碼引用日期（聯(lián)機文獻必備，其他電子文獻任選）.獲取和訪問路徑.（聯(lián)機文獻必備）.1 姚穆,周錦芳,黃淑珍,等. 紡織材料學M. 2版.北京: 中國紡織出版社, 1997：147.2 李慧敏.面向電子化量身定制服裝eMTM三維人體測量數(shù)據(jù)庫德研究與實現(xiàn)D.上海：東華大學，2005.3 Hinton E, Owen D RFinite Element Programming MNew York：Academik Press Inc，1977：124-140例2 專著中的析出文獻（論文集、匯編等）序號 析出文獻主要責任者.析出文獻題名文獻類型標志 . 析出文獻其他責任者/專著主要責任者.專著題名：其他題名信息. 版本項. 出版地: 出版者, 出版年:析出文獻的頁碼引用日期.獲取和訪問路徑.4 馬克思.關于工資、價格和利潤的報告禮記M/馬克思，恩格斯.馬克思恩格斯全集：第44卷.北京：人民出版社，1982：505.5 胡伯陶.天然彩色棉的狀況和產業(yè)發(fā)展的研究C/ 劉樹梅，尹耐冬，李瑞萍，等. 第九屆全國花式紗線及其織物技術進步研討會論文集. 北京: 中國紡織信息中心