企业论文格式排版.docVIP

毛精纺前纺工艺参数重要性的BP网络定量评价法 刘 贵，于伟东1,2 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）： TS 131.9（小五宋体） 文献标志码（小五黑体）： （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: (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 （2） 式中 （3） 2．2　模型的建立和训练 根据模型结构,在Mtalab 6.5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