随机共振与神经网络结合的针刺材料强力预测*
2016-07-15朴锦兰钱晓明
邓 辉，周 浩，杨 森，朴锦兰，钱晓明
(1. 天津工业大学 纺织学院，天津 300387； 2. 天津工业大学 先进纺织复合材料教育部重点实验室，天津 300387)
随机共振与神经网络结合的针刺材料强力预测*
邓辉1,2，周浩1，杨森1，朴锦兰1，钱晓明1,2
(1. 天津工业大学 纺织学院，天津 300387； 2. 天津工业大学 先进纺织复合材料教育部重点实验室，天津 300387)
摘要:采用最优多级随机共振方法对针刺非织造材料生产过程中采集到的原始数据进行信息预处理，以RBF神经网络为训练方法，通过分析对针刺非织造材料生产有影响的各种因素，选择合适的输入层参数，完成对针刺非织造材料强力的预测. 通过涤纶和锦纶两种纤维实验证明： 经过最优多级随机共振预处理的 RBF 网络预测模型明显优于没有最优多级随机共振预处理的预测模型，相对误差缩小了1.7～9倍，大大提高了预测准确度.
关键词:针刺非织造材料； 强力性能； RBF神经网络； 最优多级随机共振
针刺非织造材料广泛应用于过滤、土工、合成革基材等产业中[1,2]. 强力性能是针刺非织造材料的最重要性能之一，其所有应用领域均需要满足相应的强力性能指标. 能够在针刺非织造材料生产过程中预知其强力性能是实现生产工艺优化，避免材料浪费、提高产品质量的前提和关键. 目前针刺非织造材料的强力值主要通过离线方式进行测量，也即生产完针刺非织造材料之后再进行强力测量，不能实现强力性能的在线监测，这不利于针刺非织造材料性能的在线改进，容易造成产品浪费.
材料制备的在线性能预测关键在于预测方法的研究. 目前预测方法主要采用神经网络的方法[3-5]，RBF神经网络因其具有强大的学习能力与良好的泛化推广能力，成为材料制备在线性能预测最常用的方法之一[6]. 但在针刺非织造材料生产过程中的在线强力性能预测中，由于其生产环境干扰较多，同时要求具有较高的预测准确性，这就需要在进行性能预测之前必须先将原始数据噪声去除，然后再选取最能反映其生产过程的输入层参数，以达到较高的预测精度. 随机共振[7,8]的概念是由Benzi等在研究古气象冰川问题时提出来的，其应用研究已涉及到诸如生物医学、化学反应、信息通讯、光学超导、电子机械等工程领域[9-13]，其中随机共振特别是变尺度随机共振方法对较短数据、较低信噪比的弱特征信号的处理有着独特的优势，在工程领域获得了大量的应用[14-16].
本文先采用最优多级联随机共振方法对原始数据进行噪声去除，然后再结合针刺非织造材料的生产过程选择最合适的输入层参数，最后采用RBF神经网络预测其强力性能，建立了一种预测针刺非织造材料强力性能的方法. 实验结果证明，该方法可以较好地预测出针刺非织造材料的纵横向强力性能.
1原始信息的最优随机共振预处理
1.1多级联随机共振算法
随机共振的主要特点可解释为信号和一定能量的噪声在非线性系统的作用下, 会产生与人们传统直觉相反的结论, 即噪声的引入不仅不会影响系统响应的质量, 在一定程度上还有可能加强系统响应输出, 提高系统输出信噪比, 反映出噪声和输入信号在非线性系统作用下的协作效应.
双随机共振系统结构如图1 所示. 图中Sn(t)代表双稳系统输入信号；s(t)为被测有用信号；n(t)为一定强度的白噪声信号.
图1 双稳随机共振系统示意图Fig.1 Diagram of SR system
对随机共振的数学描述，可用Langevin方程表示
(1)
式中：Acosωt为周期信号，ε(t)为白噪声. 二者之和可看作工程实测信号，其余部分可视为非线性双稳系统，其中b,c为系统参数. 式(1)描述了过阻尼的质点布朗运动. 当系统输入为零时，质点处于两个平衡点中的任意一个. 当A>0时，整个系统的平衡将被打破，势阱在信号的驱动下，按频率ω/2π发生周期性的倾斜变化，A只要处于临界值Ac以下，质点就只能在某个势阱内以相同的频率进行局域的周期性运动. 当噪声被引入后，即使在A
1.2最优变尺度多级联随机共振预处理方法
图2 多级联双稳SR系统示意图Fig.2 Diagram of multistage stochastic resonance system
将图1 所示的单个双稳系统进行多级串联(前一级输出对应后一级输入)便可构成如图2 所示的多级联随机共振系统. 多级联双稳系统相对于单级随机共振系统来说，具有更好的过滤噪声性能，但是随着级数的增加，会将原始信息中的有用信息也过滤掉，因此必须对多级联随机共振系统中的级数进行限制，以便能最大限度地发挥多级联随机共振的优点.
图3 最佳随机共振级数判断流程图Fig.3 Diagram of stage judging of optimal multistage stochastic resonance
基于上述原因，本文先采用“变尺度”的思想来研究信号的随机共振现象, 然后通过最优级数的自动判断来完成最优多级随机共振. 其步骤为： ① 对实测信号的频率进行线性压缩，以满足小频率参数的随机共振条件； ② 分析双稳系统的响应谱, 最佳随机共振级数判断流程图以得到驱动信号的频谱特征； ③ 按压缩尺度比还原实测数据. 这种思想的实质就是通过高频率到低频率的变换, 使得信号频率符合或接近随机共振所要求的小参数条件, 从而得到信号的随机共振. 其具体运算过程是： ① 确定一个频率压缩尺度比R； ② 根据R定义一个压缩采样频率fsr； ③ 由压缩采样频率fsr得到数值计算步长； ④ 数值求解双稳系统的响应输出.
为方便工程上的应用，在变尺度随机共振运算方法中嵌入最佳随机共振级数判断模块，如图3 所示，其判断条件为： 只要最后一级随机共振满足 “残余噪声幅度与整体信号有效平均幅度的比小于预先设定的要求精度值”，则认为该级为最优级数. 该方法在本文中得到应用，取得了较好的效果.
为清楚说明上述过程，以针刺频率为624 刺/min的针刺非织造材料加工过程为例，得到如图4 所示的数据图. 实验参数为： 原料纤维为涤纶(纤维细度： 0.78 Tex； 纤维长度： 55 mm)； 成网方式： 梳理成网； 铺网方式： 交叉铺网； 铺网层数： 6层； 喂入速度： 1.565 m/min； 针刺深度： 10 mm. 采集参数： 采样频率10 000 Hz，采样点数2 048点. 经最佳随机共振级数判断，本例最佳级数为2，其每级参数为： 1级级联参数取为：a=16，b=1，压缩采样频率为60 Hz； 2级联参数为：a=0.1，b=1，压缩采样频率8 Hz.
图4 最优多级联随机共振处理实例对比图Fig.4 Diagram of example comparison of optimal multistage stochastic resonance
从图4(a)可以看出，噪声虽然已经淹没了原始信号的信息，但是图4(b)的原始信号频谱图仍然可以看出其低频段的主要信息，噪声都集中在了高频段. 由于这些噪声信息的存在，会造成对原始信号的干扰，必然会影响原始信号里蕴含的有效信息的准确性. 从图4(c)可以看出，通过最优多级联随机共振的预处理之后，原始信号清楚地显露出来，而且图4(d)的频域信息也可以看出，其高频噪声明显被消除了很多，而低频信息也最大限度得到了保留.
可以看出，经过最佳多级随机共振预处理之后，从时域上看，其噪声得到了明显的抑制，从频域上看，其原始信号中的有效信息也得到了保留. 对于其他的针刺频率点本文均做了类似的处理，这里不再赘述.
2RBF神经网络原理
RBF 网络是一种单隐层的前馈单向网络，由输入层、隐含层和输出层构成，输入层和隐含层之间是一种非线性关系，隐含层和输出层之间是一种线性关系，具有学习速度快，非线性逼近能力强，能有效地避免局部最优等优点，可以为针刺非织造材料提供一种很好的非线性预测模型，其结构如图5 所示.
图5 RBF网络结构图Fig.5 Diagram of RBF neural network
RBF神经网络的基本思想是： 用径向基函数作为隐单元的“基”，构成隐含层空间，隐含层对输入矢量进行变换，将低维的模式输入数据变换到高维空间内，使得在低维空间内的线性不可分问题在高维空间内线性可分. RBF 神经网络的拓扑结构如图5 所示. RBF 网络从输入空间到隐含空间的变换是非线性的，而从隐含层空间到输出层空间的变换则是线性的.
RBF 网络隐节点激励函数φ(j= 1,2,…,N)定义为具有径向对称性质的基函数(即径向基函数)，通常采用式(1)形式的高斯函数
(1)
式中：x为输入向量；cj是j个隐节点的中心(称为中心向量)，与x具有相同维数的向量，x-cj是向量‖x-cj‖的范数，通常表示x与cj之间的距离；σj是第j个感知的变量，决定了该基函数围绕中心点的宽度. 正是由于径向基函数的特殊性质，才导致它对输入变量某一范围具有选择性的反应能力，从而造成了RBF 网络的局部调谐能力.
网络输出为
(2)
式中：wj是网络的输出权值，N是感知单元的个数(隐含层节点数).
2.1神经网络输入层参数的确定
针刺非织造材料在生产过程中的全部工艺参数都会影响其最终的产品性能，这些工艺参数作用到生产设备上就得到多个运行状态参量. 如果将所有的运行状态参量均用于作为神经网络的输入层参数，无疑会造成输入参数过多，网络运行速度变慢、收敛速度变慢等问题，因此必须要对这些参量进行化简，以避免上述问题.
本文根据针刺非织造材料的生产工艺特点，选取了运行状态参量中的峭度、裕度因数和脉冲因数作为网络输入层. 在针刺非织造材料加工过程中，其主要的加工形态就在于刺针对纤维原材料形成的纤网进行快速的冲击，在快速冲击中实现刺针对纤维的缠结. 峭度、裕度因数和脉冲因数这3种无量纲参数均反映了加工过程中刺针对纤维原材料形成的纤网造成冲击的变化性能，峭度反映了冲击的剧烈程度，裕度因数反映了冲击对系统稳定性的影响，而脉冲因数则反映了冲击过后回到初始状态的过程快慢.
2.2针刺频率点的选择
针刺非织造材料在生产过程中，其加工状态是从纤维态经过针刺形成具有一定强力的非织造材料，若对强力有进一步要求则再进行多次的针刺加工.
对于针刺过程而言，针刺速度为低速时，其针刺非织造材料往往处在半网半布的状态，随着针刺速度的上升，纤维网在针刺非织造材料中占的比重越来越少； 而当针刺速度为中高速时，针刺非织造材料已经形成具有一定固结度的非织造材料，其中的纤维网已基本消失； 针刺速度过高时，会对非织造材料中缠结程度很高的非织造材料造成损伤，从而导致强力下降.
由上所述，本文选取了中高速的针刺加工频率作为原始数据的采样点，这种频率点在实际生产中也是最常见的.
3结果与讨论
本文选取表1 数据的前19组作为训练数据，输入层为3种参数，输出层为纵横向强力，后3组作为比对数据，先对数据进行归一化，再进行反归一化，得到相应实验数据. 实验参数为： 加工纤维为涤纶纤维(纤维细度： 7.8 dTex； 纤维长度： 55 mm； 成网方式： 梳理成网； 铺网方式： 交叉铺网； 铺网层数： 6层； 喂入速度： 1.565 m/min； 针刺深度： 10 mm. 采集参数： 采样频率10 000 Hz，采样点数2 048点.)其经过最佳随机共振后分析得出的峭度指标、裕度因数和脉冲因数如表1 所示. 表2 和表3 显示了涤纶纤维在加工之后得到的非织造材料的横向强力和纵向强力的对比数据.
表1 涤纶和锦纶两种纤维加工经过最优随机共振预处理后的输入层数值
从表2和表3可以看出，通过最优多级随机共振预处理后的预测结果比没有经过预处理的预测结果，绝对误差和相对误差都得到了明显的降低. 其中，横向强力的预测结果的相对误差优化表现的尤为明显，特别是在583的频率点，其相对误差缩小了9倍之多. 为验证本方法的有效性，本文又以锦纶纤维作为实验材料做了类似的实验以证明该方法的准确性. 其经过最佳随机共振后分析得出的峭度指标、裕度因数、和脉冲因数如表1所示. 表4和表5显示了锦纶纤维在加工之后得到的非织造材料的纵横向强力对比数据.
表2 涤纶横向强力对比表
表3 涤纶纵向强力实验结果
从表4 和表5 可以看出，通过最优多级随机共振预处理后的预测结果比没有经过随机共振预处理的预测结果，绝对误差和相对误差同样也得到了明显的降低，证明该种预测方法是有效的.
表4 锦纶横向强力实验结果对比图
表5 锦纶纵向强力实验结果对比图
4结论
本文采用最优多级随机共振对原始数据进行预处理，以RBF神经网络为训练方法，通过选择合适的输入层参数，以涤纶和锦纶两种纤维进行实验得出的纵横向强力作为输出变量，对比了有无最优多级随机共振预处理的预测误差. 实验表明经过最优多级随机共振预处理的 RBF 网络预测模型明显优于没有最优多级随机共振预处理的预测模型，这就为后续实现针刺非织造材料强力在线预测系统打下了良好的理论基础.
参考文献：
[1]李熙，靳双林. 我国针刺过滤毡的现状及展望[J]. 产业用纺织品，2008，26(6)： 6-8.
Li Xi, Jin Shuanglin. Present situation and prospect of needle filtrated feh in China[J]. Technical Textiles, 2008, 26(6)： 6-8. (in Chinese)
[2]柯勤飞，靳向煜. 非织造学[M]. 上海： 东华大学出版社，2010.
[3]尹海莲，胡自力. 基于BP神经网络的复合材料性能预测[J]. 南京航空航天大学学报，2006, 38(2)： 234-238.
Yin Hailian, Hu Zili. Prediction of composite material properties based on BP algorithm of artificial neutral network[J]. Journal of Nanjing University of Aeronautics & Astronautics, 2006, 38(2)： 234-238. (in Chinese)
[4]乔英杰，尹海莲，梁军. 基于人工神经网络的碳/陶瓷复合材料性能预测[J]. 东南大学学报(自然科学版)，2005, 35(3)： 400-403.
Qiao Yingjie, Yin Hailian, Liang Jun. Property prediction of carbon-ceramics composite material based on artificial neutral network[J]. Journal of Southeast University(Natural Science Edition), 2005, 35(3)： 400-403. (in Chinese)
[5]曾广胜，孙刚. 基于BP神经网络的生物质发泡材料性能预测模型及应用[J]. 复合材料学报，2014，31(1)： 107-111.
Zeng Guangsheng , Sun Gang. Prediction model and application of biological foaming materials based on BP neural network[J]. Acta Materiae Compositae Sinica, 2014，31(1)： 107-111. (in Chinese)
[6]高隽. 人工神经网络原理及仿真实例[M]. 北京： 机械工业出版社，2006.
[7]Benzi R, Sutera A, Vulpiana A. The mechanism of stochastic resonance[J]. J. Phys. A, 1981, 14： 453-457.
[8]Benzi B, Parisi G, Sutera A, et al. Stochastic resonance in climatic change[J]. Tellus, 1982, 34： 10-16.
[9]Longtin A. Stochastic resonance in neuron models[J]. J. Stat. Phys., 1993, 70： 309-327.
[10]Stochastic L A. Resonance in multi-threshold systems[J]. 1995, Phys. Lett. A, 208： 315-322.
[11]Collins J J, Chow C C, Imhoff T T. Aperiodic stochastic resonance in excitable systems[J]. Phys. Rev. E, 1995, 52： 3321-3324.
[12]Collins J J. Aperiodic stochastic resonance[J]. Phys. Rev. E, 1996, 54： 5575-5584.
[13]Heneghan C, Chow C C. Information measures quantifying aperiodic stochastic resonance[J]. Phys. Rev. E, 1996, 54： 2228-2231.
[14]杨祥龙，汪乐宇. 一种强噪声背景下弱信号检测的非线性方法[J]. 电子与信息学报，2002，24(6)： 811-815.
Yang Xianglong, Wang Leyu. A new detection method of weak signals in strong background-noise level[J]. Journal of Electronics & Information Technology, 2002，24(6)： 811-815. (in Chinese)
[15]胡茑庆，陈敏，温熙森. 随机共振理论在转子碰摩故障早期检测中的应用[J]. 机械工程学报，2001，37(9)： 88-91.
Hu Niaoqing, Chen Min, Wen Xisen. Application of stochastic resonance theory for early detecting rub - impact fault of rotor system[J]. Journal of Mechanical Engineering, 2001, 37(9)： 88-91. (in Chinese)
[16]冷永刚，王太勇. 级联双稳系统的随机共振特性[J]. 物理学报，2005，54(3)： 1118-1125.
Leng Yonggang, Wang Taiyong. Stochastic resonance behaviors of bistable systems connected in series[J]. Acta Physica Sinica, 2005, 54(3)： 1118-1125. (in Chinese)
Needle Punching Nonwoven Strength Prediction on Combination of SR and Neural Network
DENG Hui1,2, ZHOU Hao1, YANG Sen1, PIAO Jinlan1, QIAN Xiaoming1,2
(1. School of Textiles, Tianjin Polytechnic University, Tianjin 300387, China；2. Key Laboratory of Advanced Textile Composites, Ministry of Education of China,Tianjin Polytechnic University，Tianjin 300387, China)
Abstract:The optimal multistage stochastic resonance is used to preprocess the raw data gathered in needle punching nonwoven production process, RBF neural network is selected as the training method and at the same time the appropriate input layer parameters is selected too, through analyzing a variety of the influential factors of the needle punching nonwovenproduction, strength performance of needle punching nonwoven is predicted. Experiments which the polyester and nylon fibers are usedshow that the RBF network prediction model through optimal multistage stochastic resonance pretreatment is significantly better than the prediction model without optimal multistage stochastic resonance pretreatment, and the relative error is reduced by 1.7 to 9 times.This method can greatly improve the prediction accuracy.
Key words:needle punching nonwoven; strength properties; RBF neural network; optimal multistage stochastic resonance
文章编号:1671-7449(2016)04-0277-07
收稿日期：2016-03-27
基金项目：国家自然科学基金资助项目(51005168)； 天津市应用基础与前沿技术研究计划重点资助项目(15JCZDJC38500)； 纺织工程国家重点学科优秀青年教师计划资助项目(13-06-01)
作者简介：邓辉(1979-)，男，副教授，硕士生导师，主要从事非织造材料与工程的研究.
中图分类号:TS171.9
文献标识码:A
doi:10.3969/j.issn.1671-7449.2016.04.001
