搜索
毛精纺前纺工艺参数重要性的BP网络定量评价法刘贵1，于伟东1,2(1.东华大学纺织材料与技术实验室,上海201620;武汉科技学院纺织与材料学院,湖北武汉430073)摘要（小五黑体）在BP神经网络建模技术的基础上,提出利用神经网络输入层与输出层之间的网络权值及其分布来求各输入参数重要程度的方法。将采集到的毛精纺企业前纺工艺参数运用BP神经网络分别建立了粗纱CV值和粗纱单重的预测模型。结果表明：所建模型的平均相对误差都低于3%；采用样本数据验证,其预报值与实测值间的相关系数都高于0.95。对所建模型的网络权重进行提取,分别计算出13个输入参数对粗纱CV值和粗纱单重的重要性,挖掘出显著而有效的参数。经对比认为，BP网络法比多元回归显著性分析(MRSA)更为精准，可用于对实际生产加工的预报和控制。（小五宋体）关键词（小五黑体）毛精纺；前纺工艺参数；模型；BP神经网络；定量评价法（小五宋体）中图分类号（小五黑体）：TS131.9（小五宋体）文献标志码（小五黑体）：Quantitativeevaluationmethodforthesignificanceofworstedfore-spinningparametersbasedonBPneuralnetworkLIUGui1，YUWeidong1,2（五号）(1.TextileMaterialsandTechnologyLaboratoryDonghuaUniversity,Shanghai201620,China;2.DepartmentofTextilesandMaterials,WuhanUniversityofScienceandEngineering,Wuhan,Hubei430073,China）AbstractBasedonBPneuralnetworkmodeltechnology,anewapproachwasdevelopedandappliedtoappraisetheinputparameters′significantdegreethroughtheweightinessanditsdistributionbetweentheinputandoutputlayer.Usingthefore-spinningworkingproceduredatagatheredfromtheworstedtextilesenterprise,therovingunevennessandweightpredictionmodelswereestablishedrespectively.Theresultsindicatedthatthemodels′meanrelativeerrorsarealllessthan3%;thecorrelationcoefficientR2betweenthepredictionvalueandtheactualareallmorethan0·95.Usingtheweightinessextractedfromtheestablishedmodels,the13inputparameters′significancetotherovingunevennessandweightwerecalculatedrespectively,andtheremarkableandeffectiveparametersareexcavatedout.Meanwhilecontrastingtothemultivariateregressionsignificanceanalysis(MRSA),theBPneuralnetworkmethodismoreexactthanMRSAandcanbeusedintheforecastandcontroloftheactualproduceandmanufacture(小五)KeywordsDoubleglow;Artificialneuralnetwork;Predictionmodel(小五)收稿日期（黑体小五）：2007-03-10修回日期：2007-05-16（由编辑部填写）基金项目（黑体小五）：国家经贸委创新项目（02CJ-14-05-01）基金名称（基金编号）(楷体小五)作者简介（黑体小五）：刘贵（1983—），男，博士生。主要研究方向为毛精纺加工过程建模及其职能决策预报与控制。于伟东，通讯作者，E-mail:wdyu@dhu.edu.cn。第一作者姓名（出生年—），性别，职称，学历。主要研究方向。通讯作者姓名，E-mail。此处排正文。请选择A4纸型，上、下页边距为2.5cm，左、右页边距为2.0cm，1.0倍行距。正文部分请双栏排版。（正文五号宋体,单倍行距）对精毛纺织厂而言,前纺工序作为整个加工过程的第一环节,其加工质量对后道工序将产生直接影响。根据实际生产经验,细纱的条干不匀率和细纱机的断头率相对于末道粗纱的质量呈显著的线性关系[1],故控制前纺各工序的半制品不匀率,特别是末道粗纱的不匀率是毛纺厂十分重要的质量监控措施[2]。目前企业主要以经验为主,通过传统的测量和记录、肉眼观看与估计、设备的调整和人力的补充等原始的方法实现,不能对大量积累和不断产生的数据进行系统整理、综合分析与客观决断,也无法确切地找出产生问题的原因及实际解决方法[3]。本文针对影响粗纱质量的毛条回潮率、毛条含油率、纤维平均直径、直径离散系数、纤维平均长度等13个指标参数,将采集到的企业实际生产数据,运用BP网络建立预测模型,提出利用网络各层间的权重及其分布,计算出各参数对产量质量指标的影响程度,并对比多元回归分析,效果较好。1网络定量评价法（四号黑体，3倍行距）BP神经网络(Back-Propagation)是指基于误差反向传播算法的多层前向人工神经网络[4]。对于任何在闭区间的1个连续函数都可以用含有1个隐层的BP网络来逼近,因而1个3层结构的BP网络可以完成任意N维到M维的映射[5]。从其学习过程来输入参数对输出结果的影响完全由网络权值决定,因此,知道网络各层间的权重及其分布,就可计算输入参数的确定度(输入对输出影响作用的相对大小,即贡献率)。依照误差反向传播方法,输入层节点对输出层节点的影响是由各层权值的复合作用。由于输出反映的是其本身,它不需要再进行对后层节点影响大小的区分,故可将其确定度看作是相同的,然后参照反向传播算法从输出层向输入层反向求出各输入参数的确定度。2重要性评价过程2．1试验数据和参数（小四黑体，单倍行距）本文以山东某精毛纺厂采集到的100组数据为建模依据。数据采集分2部分,一部分从实际生产工艺设计单中提取,主要是工艺流程参数、设备加工参数;另一部分为测试数据,来自不同的生产线。任意选80组数据用于模型建立,其中70组用于模型训练,10组作为检验数据,而未参与建模的20组数据则用于对模型的验证。影响前纺粗纱质量的参数有毛条回潮率(X1)、毛条含油率(X2)、纤维平均直径(X3)、直径离散系数(X4)、纤维平均长度(X5)、长度离散系数(X6)、短毛率(X7)、毛条质量(X8)、毛条质量不匀率(X9)、毛条毛粒(X10)、前纺总并合次数(X11)、前纺总牵伸倍数(X12)和粗纱捻系数(X13)[6]。运用BP网路建模分析时,以这些参数作为网络的输入层参数,输入节点数为13,中间包含1个隐层,分别以R1和R2作为网络输出层建立多输入单输出子网组[7]模式进行预报。隐层节点数的选取根据式(1)[8]进行计算:20.430.122.540.770.350.51Smnnmn(1)式中：m为输入层节点数;n为输出层节点数S为隐层节点数,本文取隐层节点数为7。这样就可以建立2个13-7-1结构的BP神经网络模型。同时,为消除原变量的量纲不同、数值差异太大带来的影响,需要对原变量作标准化处理。即,1,2,...,kiikiiiXXXkmS（2）式中11;nikikXXn2111niikiikSXXn1,2,...,im（3）2．2模型的建立和训练根据模型结构,在Mtalab6.5的环境下建立2个13-7-1型BP网络模型。利用式(2)对输入样本数据进行预处理。将标准化后的数据输入网络进行训练,训练参数:训练最大步数为50;精度目标值为1.0×10-3;学习率为0.01[9]。其训练过程曲线见图1。由图可知,分别经过25和47步左右的训练,平均误差平方和便达到了设定的目标值。10组检验样本的预报结果和实际结果的相对误差分别为2.28%和2.39%。这说明所建立的模型具有很高的精度和准确性。2.3模型的验证根据上面训练好的BP神经网络,对20组验图1粗纱CV和单重预报模型训练曲线（小五宋体）Fig.1Robingunevenness(a)andtherovingweight(b)forecastmodel’strainingcurve(小五Rome)证样本数据进行预报检验。首先对这20组数据利用前面的标准化方法进行预处理,然后代入训练好的模型中进行预报模拟,得到网络输出并对其做还原量纲的处理,就可得到粗纱质量指标的预测值。其实测值与预报值间的关系见图2。图中预报值与真实值之间的相关系数均高于0.95,说明模型是可靠和准确的。2.4重要性计算和评价设前面的13-7-1型BP网络经LM算法训练一定的次数后收敛,令wij为输入层j和隐含层i之间的连接权值,wi1为隐含层i和输出层之间的连接权值,具体步骤如下。1)初始化输出节点确定度P,若输出节点数为O,则一般取为P=1/O,这里输出节点数为1,因此输出节点确定度为1。2)反向求稳含层节点的确定度,即将输出层节点确定度经权值作用向前传播。因为输出节点确定度为1,故隐含层节点的确定度为1×wi1=wi1。3)求输入层的确定度,对每个隐含层的节点i,每个输入层节点j,将权值wij和wi1相乘,得到图2粗纱CV和单重预报值与实测值相关分析Fig.2Relevantanalysisbetweenthepredictandmeasuredvalueoftherovingunevenness(a)andweight(b)1ijijiPww(4)将Pij当量化后得到1ijijNijjPQP(5)对于每一个输入层节点j,将Qij求和,得到输入层的确定度1MiijiSQ(6)可以得到各输入变量(因子)对输出变量的影响比例，即输入因子的贡献率1100%ijNijSRIS(7)在模型可靠和准确的条件下，把训练好的BP网络模型的网络权重取出来，运用上面提到的方法，分别计算得出各输入因子对粗纱CV值和粗纱单重的贡献率，如下表1所示。对与粗纱CV值(R1)而言，长度离散系数(X6)、粗纱捻系数(X13)、纤维平均直径(X3)为其影响作用最大的3个因素，贡献率分别为20.7%、13.9%和10.3%。对粗纱单重(R2)来说，对其影响最大的几个参数是长度离散系数(X6)、毛条毛粒(X10)、毛条回潮率(X1)，贡献率分别为19.1%、18.1%和17.5%。表1各输入因子的贡献率Tab.1Eachinputparameterscontributionratio%粗纱质量毛条原料参数前纺工艺参数X1X2X3X4X5X6X7X8X9X10X11X12X13R11.96.110.37.94.120.78.77.43.35.96.33.513.9R217.51.51.56.03.519.16.04.05.718.10.57.09.62．5多元线性回归对比评价作为比较,运用多元线性回归法(MLR)分别建立上述13个输入参数与R1和R2间的多元线性回归方程。由于这些原始数据的数量级相差很大,可能会造成回归系数很小,为此需要对原始数据进行当量化处理,即把原始数据标准化到[01]区间。采用最小最大值的标准化,可以使数据在[01]区间上获得良好的分布,如式(8)。()min()'()max()min()viiviii（8）将标准化后的数