基于BP神经网络的牛仔织物上浆率预测研究

2013-12-03黄马壮易长海

山东纺织科技 2013年4期

黄马壮，田磊，易长海，2

（1.广东省均安牛仔服装研究院，广东佛山528329；2.武汉纺织大学，湖北武汉430200）

牛仔布经纱上浆是牛仔布生产过程的一个重要环节，在生产过程中受到多种工艺因素的影响，其中主要可控因素为浆液浓度、浆槽温度、浆纱机速度和压浆辊压力。在浆纱过程中各工艺参数对上浆率都有不同程度的影响，而不同品种牛仔织物的原纱和织物其上浆率亦不同，因此在确定牛仔浆纱工艺时就应对其上浆率有准确的估测，以保证浆纱的可织性［1］。

本文采用BP神经网络建立工艺参数与上浆率之间的关系，根据已确定的工艺参数对上浆率进行预测，最后根据上浆率的大小调整工艺参数，从而保证准确控制上浆率。

1 BP神经网络概言

BP神经网络，即误差反向传播神经网络，是神经网络模型中应用最广泛的一种［2－3］。它由输入层、隐含层和输出层构成。假设BP神经网络每层有N个节点，作用函数为非线性的Sigmoid型函数，一般采用f（x）＝1／（1＋e－x），学习集包括M个样本模式（Xp，Yp）。对第P个学习样本（P＝1，2，...，M），节点j的输入总和记为netpj，输出记为Opj，则：

如果任意设置网络初始权值，那么对每个输入样本P，网络输出与期望输出（dpj）间的误差为：

BP网络的权值修正公式为：

上式中引入学习速率η，是为了加快网络的收敛速度。通常权值修正公式中还需加一个惯性参数a，从而有：

式中，a为一常数项，它决定上一次的权值对本次权值的影响。

2 上浆率预测模型的建立与训练

2.1 样本数据的选择

采用奔达纺织集团浆纱工艺的实际生产数据，其中样本品种为纯棉精梳纱卡，浆纱设备为祖克浆纱机（采用双浆槽）。根据以上原则，该网络模型只适用于纯棉精梳纱卡这一品种。样本产品原料相同，织物规格（包括经纬密度、经纬纱线密度、幅宽等）不同，因而上浆率大小有所差别。浆液浓度、浆槽温度、浆纱机速度和压浆辊压力4个因素作为输入向量，上浆率为输出向量。具体工艺参数如表1所示。

2.2 建立BP神经网络模型

第一，首先确立网络的结构，设置合理的网络参数（如学习速率），进行网络权值及阈值初始化。

表1 浆纱工艺参数及上浆率

采用3层BP神经网络：第一层是输入层，输入表1中1～10号共10个样本，每个样本有5个相关因素，分别是浆液浓度、浆槽温度、浆纱机速度、压浆辊压力（I，II），因此输入层设定5个神经元；第二层是隐含层，隐层神经元节点数是根据网络模型训练时所产生的误差大小而确定的；第三层是输出层，由于输出参数只有上浆率，因此输出层设1个神经元节点。

第二，确定模型所需的训练样本，对每个样本重复步骤第三～第六。

第三，计算网络的实际输出。

每个神经元上作用的函数常用Sigmoid型非线性函数：

其中，ωkj为从神经元Uk到上一层的神经元Uj的连接权重值；Oj为神经元Uj的输出，netk为神经元Uk的输入值；Ok为Uk神经元的输出；θk为神经元Uk的阈值。由式（7）和式（8）计算神经元Uk的输入值和输出值。中间隐层和输出层的神经元的输入／输出也采用这种计算方法。

第四，计算网络的反向误差。若样本容量是k，n是输出节点个数（在此n＝1），网络的收敛目标是网络输出层的输出值与实际值的总误差最小。

第五，权重学习，修改各层的权重值和阚值。

当误差不满足精度要求时，将方差对权重偏导，按梯度下降法修正层间权重值，不断迭代，致使直到满足精度E～0为止。权值的调整按下述方法进行，其中，η为学习速率。

式（12）中，为所有与隐层的神经元相连的输出层神经元Wli的反传误差，于是权值的修正公式为：

第六，若满足精度要求，可对上浆率进行预测，否则转向第二。

这里神经网络模型采用DPS数据处理系统的BP神经网络模型实现有指导下的训练，即以10组数据作为直接训练数据，2组数据作为训练检验和验证数据。学习算法采用动量法，学习率采用自适应调整算法。进入BP神经网络训练时，可按网络结构确定网络参数，这里输入层设定5个神经元，隐含层l层，隐层神经元节点数为20，Sigmoid参数为0.9，允许误差0.0001，最大训练次数2000，并对输入节点的数值进行标准化转换。

反复训练调整网络参数后确定该模型采用Lvenberg Marquardt算法，训练函数为trainlm。该网络的隐含层节点采用logsig作为传递函数，输出层节点采用purelin作为传递函数［5］。

图1为网络训练过程的误差变化曲线图。实验发现，模拟复杂程度不高的非线性关系采用这种网络结构可以达到比较好的效果，在训练10次后精度已达到10－4，该网络模型能满足预设精度，训练成功。