在纺织加工过程中，纺纱是一道关键工序，纱线质量对于后道工序以及织物的品质有着很大的影响。而纤维性质和纺纱工艺与纱线质量存在着复杂的非线性关系，使得根据产品要求来调整工艺的难度较大[1]。目前，国内大多数纺纱企业还是基于历史生产经验并结合大量试纺试验来调整工艺方案[2]，这导致了较低的生产效率和较高的生产成本，不利于产业升级。研究工艺参数与纱线质量关系，对纱线质量进行智能预测有利于提高生产效率及科学合理地设定工艺参数，以实现对生产工艺的优化。BP神经网络由于结构相对简单，容错能力较好，自学习和自适应能力较强，适合对原料质量和纱线质量之间复杂的非线性关系进行处理[3]。但BP神经网络需要大量数据样本，若样本数量少，则会出现收敛速度慢、过拟合、易陷入局部极小等问题[4]。由于实际生产中工厂产品种类有限，可供神经网络训练的数据样本少，因此探究在小样本容量下较高精度地实现纱线质量预测在生产实践中具有重要意义。本文采用灰色关联分析法和基于输入对输出影响程度的数据优选方法对小容量样本的工艺参数进行选择，选出对质量影响较大的前4项工艺参数作为神经网络的输入变量，以纱线条干不匀率和断裂强度为输出变量，分别建立小规模样本的精梳毛纺纱线质量预测模型。该优选方法支持小样本学习，能够排除干扰因素，选择最相关的参数建立神经网络，有利于充分发挥BP神经网络的优点，为实际生产中毛纺纱线质量的预测提供新方法。
1工艺参数的选择
为了将本文研究与工业应用紧密联系起来，所用的样品数据皆来自于国内一家大型毛纺企业，由于生产规模有限，故可供模型训练的数据样本较少，仅为23组。样本中的纺纱参数为:纤维直径、纤维长度、钢丝圈号数、牵伸倍数、锭子转速、细纱捻度和成纱细度;纱线的质量指标为:条干不匀率和断裂强度。由于生产精梳毛纺纱线的各项工艺参数会不同程度地影响模型的性能，因此在建模之前，需要根据与2项纱线质量指标的相关程度对工艺参数进行排序，以便找出对输出变量影响最大的几项输入变量建立小规模神经网络模型，并对模型进行训练与仿真。本文研究使用一种基于少量数据即可处理输入参数与输出参数之间非线性关系，并获得二者关联程度的计算方法，计算结果的排序即为各输入参数相对于输出参数的关联度排序。该输入参数排序方法分为2部分:第1部分利用灰色关联分析法(其计算结果为VAk)和基于输入对输出影响程度的数据优选方法(其计算结果为Sk)分别进行排序;第2部分将2个排序结果融合为最终排序。为了对给定输出yj的相关输入xk进行排序，将评价指标Fk定义为:Fk=g1·VAkxk，yj()+g2·Sk，k∈{1，2，…，n}，j∈1，2，…，m}{(1)式中:g1和g2为正系数。该评价指标旨在将使用灰色关联分析法和基于输入对输出影响程度的数据优选方法获得的2个优选结果根据权重进行融合，获得各项工艺参数对纱线质量影响程度的最优排序[5]。1.1灰色关联分析法灰色关联分析法是使用灰色关联度对各因素之间的关系进行描述的一种统计分析方法。该方法结合多种因素，根据系统中的2个因素发展变化趋势的相似或相异程度，即序列的几何接近程度，可获得各因素之间的影响程度以及对目标因素的贡献程度，即灰色关联度，能够有效地弥补常用统计分析法的缺点和不足。该标准的具体计算步骤[6]如下:①确定参考数列与比较数列。设数列x0={x0(k)|k=1，2，…，n}为参考序列，和x0相关的m个数列xi={xi(k)|k=1，2，…，n}(i=1，2，…，m)为比较数列。②无量纲化处理变量。在灰色关联计算之前，需要对数列进行无量纲化处理以消除量纲取值范围差异带来的影响。计算所得灰色关联度VAk数值越大，则代表比较数列对参考数列的影响程度越大。1.2基于输入对输出影响程度的数据优选方法该方法考察的是不同的变量作为输入参数与输出变量之间的关联程度大小。Sk代表数据敏感度，遵循以下法则:①若微小的输入参数变化使得输出变量出现较大变化，则将该输入参数视作敏感量。②若较大的输入参数变化对应较小的输出变量变化，则将该输入参数视作不敏感量。计算公式如下:根据以上法则，计算所得Sk值越大，代表较小的输入参数能导致输出的较大变化，则认为该输入参数与输出变量的相关性更强。同理，Sk值越小，代表该输出参数与输出变量的相关性越弱。1.3结果融合采用以下2种方法确定式(1)中的权重g1、g2。如式(8)(9)所示，方法1分别使用VAk和Sk的变异系数作为其权重g*11和g*21(g*11和g*21的第2个下标“1”表示方法1)，该方法的原理为:较大的变异系数意味着相应的数据优选方法具有更强的区分样本能力，所以该方法应该被赋予更大的权重[5]。如式(10)(11)所示，方法2使用离差最大化决策原理来确定权重g*12和g*22(g*12和g*22的第2个下标“2”表示方法2)的大小，离差越大意味着权重越大。对上述权重进行归一化后，计算由2种方法确定的权重的算术平均值，即最终权重，如式(12)(13)所示。计算VAk、Sk和权重g1、g2后，可以根据式(1)进一步计算给定输出yj对应的每个输入xk的评价指标Fk，再将所有Fk都按降序排列。Fk值越大，则代表输入xk与yj的相关性就越大，Fk值的排列顺序对应所有输入变量的关联度排列顺序，即Fk最大的工艺参数是与对应质量指标最相关的工艺参数。2种优选方法的权重计算结果见表2，条干不匀率融合排序结果见表3，断裂强度融合排序结果见表4。由表3、4可知，对条干不匀率影响最大的4项工艺参数分别为纤维直径、锭子转速、牵伸倍数和细纱捻度;对断裂强度影响最大的4项工艺参数分别为纤维直径、纤维长度、钢丝圈号数和细纱捻度。融合后的参数排序结果可根据纺纱原理解释:纤维直径越小，纱线截面内纤维根数越多，使得纱线的横截面积不匀率降低，条干更均匀[8]。且纤维直径越小，纤维之间接触面积增加，抱合更加紧密，纤维之间的抱合力和摩擦力提高，则拉伸纱线时，滑脱纤维减少，成纱强度提高，断裂强度增加[9]。合适的牵伸倍数使得纱条紧密，减少了粗节和细节，有利于提高条干不匀率。加捻使纤维对纱轴的向心压力加大，纱线间摩擦力增加，纱线滑脱减少[10]。综上所述，排序结果基本符合纺纱学原理。
2BP神经网络模型
BP神经网络通过将模拟过程中的系统误差进行反馈，并不断调整各神经元权值来训练，是一种多层前馈神经网络。工作过程包括正向传播信号和反向传播误差2个部分[11]，其结构由输入层、隐含层以及输出层组成，而各层神经元的数目由解决的具体问题决定，网络通过不断修正各层神经元的权值使网络的输出值相对于目标输出值的误差最小[12]。由于样本较少，所以本文研究建模时采用单隐层的3层BP神经网络，将优选后相关度最大的前4项精梳毛纺工艺参数和纱线质量指标分别作为神经网络模型的输入和输出，对条干不匀率和断裂强度分别建立模型。2.1神经网络的设计本文研究在进行纱线条干不匀率和断裂强度预测过程中，2个模型下的3层BP神经网络均采用4-3-1的神经网络结构:输入层有4个神经元，隐层有3个神经元，输出层有1个神经元。应用MatLab神经网络工具箱建立神经网络模型，网络参数为:选择traindm为网络训练函数，选择tansig和purelin作为传递函数，训练目标为0.001，网络训练步数为10000。2.2训练与仿真共采用23组纺纱数据建立模型，将所有的试验数据分成一个训练集(20个样本)和一个测试集(3个样本)，训练集用于训练神经网络，测试集用于测试神经网络，最后将预测结果与试验数据进行比较并计算预测误差。
3仿真结果
3.1条干不匀率模型根据表3的排序结果，条干不匀率预测模型选择的4项输入参数分别为纤维直径、锭子转速、牵伸倍数和细纱捻度。条干不匀率预测结果见表5。可见该神经网络条干不匀率预测值相对于实际样本数据的平均误差仅为0.25%，表明该神经网络模型是准确的。3.2断裂强度模型根据表4的结果，断裂强度预测模型选择的4项输入参数分别为纤维直径、纤维长度、钢丝圈号数和细纱捻度。断裂强度预测结果见表6。可见神经网络对于断裂强度预测值的误差平均值为3.03%，表明该神经网络模型是有效的。
《小规模样本精梳毛纺纱线质量分析》来源：《毛纺科技》，作者：张羽彤 沈卓尔 代利花 陈廷
