基于LS-SVM棉针织物轧烘轧蒸染色工艺的预测模型

陶开鑫 俞成丙 刘引烽 梁珊珊

摘要：为优化活性染料对棉针织物的轧烘轧蒸染色工艺，基于最小二乘支持向量机（LS-SVM），以氯化钠质量浓度、碳酸钠质量浓度、烘干时间和汽蒸时间作为预测模型的输入变量，染色织物K/S值作为输出变量，建立了多因素模型并进行预测。结果表明，织物实验K/S值和模型预测值的相关系数高達0.999 96，平均相对误差小于0.5%，说明该模型具有较高的精度，该建模方法可用于染色织物K/S值的预测，可以用于棉针织物轧烘轧蒸染色工艺的预测和优化。

关键词：活性染料;轧烘轧蒸工艺;最小二乘支持向量机;多因素模型;棉针织物

中图分类号：TS193文献标志码：A文章编号：1009-265X（2020）01-0071-05Paddrypadsteam Dyeing Prediction Model of

Cotton Knitting Fabric Based on LS-SVM

TAO Kaixin， YU Chengbing， LIU Yinfeng， LIANG Shanshan

Abstract：In order to optimize the paddrypadsteam dyeing process with reactive dyes for cotton knitting fabrics， a multifactor model based on least squares support vector machine （LS-SVM） was built with sodium chloride concentration， sodium carbonate concentration， drying time and steaming time as input variables and K/S value of dyed fabrics as output variable， and prediction was carried out with it. The results show that the correlation coefficient between the experimental K/S value and the predicted values of the model is up to 0.999 96 with a mean relative error less than 0.5%， which indicates that the model is of high precision. The modeling method can be applied to predict K/S value of dyed fabric and to predict and optimize of paddrypadsteam dyeing process for cotton knitted fabric.

Key words：reactive dye; paddrypadsteam process; LS-SVM; multifactor model; cotton knitting fabrics

轧烘轧蒸工艺是一种常用的连续染色方法，和轧烘焙染色工艺及轧烘蒸染色工艺相比，这种染色方法稳定性好，固色率高，非常适用于批量大、颜色深浓条件下的染色，已经广泛应用于活性染料对棉织物的染色加工中[13]。针对棉织物的活性染料轧蒸理论和染色加工工艺的研究业已成熟，包括浸轧作用过程，连续浸轧产生头尾色差的原因和主要控制措施，预烘引起染料泳移的原因和控制方法，浸轧染液的织物在饱和蒸汽、过热蒸汽和热空气中的固色作用，对织物的固色方式、升温过程等的研究，已经在相关文献中作了较全面的综述[49]。

在轧烘轧蒸工艺中，各种染色条件对棉织物K/S值的影响是非线性的，且较为复杂。最小二乘支持向量机（LS-SVM）是一种数据驱动建模方法，它基于统计学习理论和结构风险最小化原理，比标准支持向量机更容易，计算更为简单;与神经网络法相比，LS-SVM具有更好的泛化性能[10];LS-SVM建模具有解决非线性问题的优点[11]，已被广泛地应用于很多不同领域中，并取得了不错的效果[10，12，13]，但在染色工艺中尚无看到有相关应用的报道。

本研究采用雷马素红RGB对棉针织物用轧烘轧蒸工艺进行染色，基于Matlab R2017b软件平台，通过对染色效果的分析，运用LS-SVM工具箱（1.8版本）进行编程、建模和验证，建立了氯化钠质量浓度、碳酸钠质量浓度、烘干时间和汽蒸时间为因素与响应值染色织物K/S值间的数学模型，并对染色织物的K/S值进行预测和评价。

1试验

1.1试验材料与仪器

试验材料：纯棉14.6 tex双面棉毛漂白半制品（平方米质量180 g/m2，南通新西尔克针织服装有限公司）;染料：雷马素红RGB（德司达（上海）贸易有限公司）;试剂：无水碳酸钠、氯化钠（均为化学纯，国药集团化学试剂有限公司）。

试验仪器：Color i5型台式分光测色仪（美国XRite公司）;DP型均匀小轧车（绍兴县威达机械有限公司）;DHG型电热鼓风烘箱（上海一恒科学仪器有限公司）;DE型微型万能汽蒸机（瑞士 Mathis）。

1.2试验方法

工艺流程：浸轧染液（染料20 g/L，二浸二轧，带液率60%）→预烘（120 ℃热风，一定时间）→浸轧固色液（氯化钠x g/L，碳酸钠y g/L，二浸二轧，带液率70%）→汽蒸（100～102 ℃，饱和蒸汽，一定时间）→冷水洗→热水洗→皂洗（标准皂片3 g/L，浴比为1∶50，90℃处理15min）→热水洗→冷水洗→烘干。

K/S值的测试：织物染色后在XRite I5台式分光测色仪上测定K/S值，测试前先用白砖、黑镜和待染棉毛漂白织物进行校验，然后用D65光源在10°视场下测试染色试样。每个被测染色试样折叠成8层，任意选取试样上8个不同部位进行测试，结果取平均值。

2染色模型的建立和结果分析

2.1LS-SVM染色模型的構筑

选用雷马素红RGB进行轧烘轧蒸染色试验，这种染料属二氟一氯嘧啶基活性染料，具有中等反应活性。按照轧烘轧蒸染色工艺，雷马素红在染色过程中，由于染液中没有碱剂，染液和浸轧染液后的织物上所带染料会很稳定，不会发生水解，这样织物在浸轧固色液后，汽蒸前、后织物颜色基本没有发生变化，因而采用这种工艺染色，色相非常稳定，可以达到很高的给色量。另外，通过增加染液中染料质量浓度，可以得到色泽很深的织物。

按照纺织色彩学理论，织物颜色的深浅可用其K/S值的大小来判定，反映了某一染色条件下染料在织物的固色率，它们之间有很大的关联性，即K/S值越大，染料固色率越高，反之，染料固色率就越低。按照100组实验方案进行染色实验后，在最大吸收波长540 nm处测得各个棉针织物试样的K/S值。

选取轧烘轧蒸工艺过程中4个影响K/S值的主要因素A（氯化钠质量浓度，g/L），B（碳酸钠质量浓度，g/L），C（烘干时间，s）和D（汽蒸时间，s）作为LS-SVM预测模型的输入，染色织物的K/S值作为LS-SVM预测模型的输出。基于轧烘轧蒸工艺的初步研究，限定了4种K/S值影响因素的取值范围为：氯化钠质量浓度125～175 g/L，碳酸钠质量浓度20～40 g/L，烘干时间40～80 s，汽蒸时间80～140 s。在100组实验数据中，随机选取了80组实验数据作为预测模型的训练数据，如图1所示。

使用LS-SVM建模方法，可以很好地解决一些多输入单输出的建模问题。基于Matlab R2017b软件平台，运用LS-SVM工具箱（1.8版本）进行建模，工具箱内包含以下所有函数。为了构建LS-SVM模型，第一步是导入训练数据。第二步是输入命令type=‘function estimation和kernel=‘RBF_kernel，这里的高斯径向基函数（RBF）是一个非线性核函数，广泛应用于解决非线性问题和作为核函数来降低训练模型程序的计算复杂性。第三步是使用‘initlssvm函数来初始化模型，然后在‘tunelssvm函数接口中，联用‘simplex函数和‘crossvalidatelssvm函数两次，一次得到一组参数也就是一个预测模型，两次分别确定了具有最佳组合γ和σ2的两个预测模型LS-SVM1和LS-SVM2。建立预测模型的关键是最佳组合γ和σ2的寻找，上述过程就是这组参数的寻优过程。每次使用‘simplex函数和‘crossvalidatelssvm函数时，都会为相同的训练数据确定不同γ和σ2的组合，也就是得到不同的LS-SVM模型。相似地，使用‘gridsearch函数和‘crossvalidatelssvm函数两次，确定了具有最佳组合γ和σ2的另外两个预测模型LS-SVM3和LS-SVM4。还有另外一个优化程序是‘linesearch函数，但它一般只适用于线性核函数。再使用‘trainlssvm函数分别训练这4个LS-SVM模型，训练结束后，将图2中的20组测试数据的输入分别代入到这4个训练好的LS-SVM模型中，再使用‘simlssvm函数会分别得到对应的4组作为输出的预测K/S值。最后，通过比较上述4种LS-SVM模型的预测K/S值来确定一个最佳的LS-SVM预测模型。上述具体的LS-SVM方法在文献中已全部涉及[1416]。

2.2LS-SVM染色模型的调试与结果分析

从图1可以得到，80组染色实验K/S值的变化范围为12.10～19.54。从图2中可以得到，20组染色实验K/S的值变化范围为7.95～17.01。

使用LS-SVM建模方法，可获得4个不同的LS-SVM预测模型，它们之间的区别在于所使用的优化程序在建模过程中是不同的。LS-SVM1模型和LS-SVM2模型使用的是‘simplex函数，而LS-SVM3模型和LS-SVM4模型使用的则是‘gridsearch函数。不同的优化程序产生不同的参数以影响模型预测的正确性。如表1所示，4个LS-SVM模型有4组不同的参数。其中γ是正则化参数，它影响LS-SVM模型的泛化性能;σ2是RBF的宽度，它影响回归误差。在LS-SVM建模中，正则化参数和核函数及其相应的核参数的选择起着至关重要的作用。

将图2中测试数据的输入分别代入到上述4个LS-SVM模型中，获得4组预测的K/S值，其预测结果见表2。从图3（a）中可知，LS-SVM1模型的相对误差范围为[-0.49%，1.38%]，平均相对误差为0.39%，而LS-SVM2模型的相对误差范围为[-0.49%，3.27%]，平均相对误差为0.64%。从图3（b）中可知，LS-SVM3模型的相对误差范围为[-0.77%，7.55%]，平均相对误差为1.31%，而LS-SVM4模型的相对误差范围为[-0.42%，1.13%]，平均相对误差为0.35%。显然，LS-SVM1模型的预测性能优于LS-SVM2模型，LS-SVM4模型的预测性能优于LS-SVM3模型。再比较LS-SVM1模型和LS-SVM4模型的预测性能。从图3中可知，使用LS-SVM1模型预测K/S值时，在20个样本中有17个样本的K/S预测值的相对误差在[-0.5%，0.5%]范围中，而使用LS-SVM4模型时有18个样本的相对误差在[-0.5%，0.5%]范围中。因此，LS-SVM4模型的预测性能比LS-SVM1模型略好。

为了进一步比较LS-SVM1模型和LS-SVM4模型，选取多个评价LS-SVM模型预测性能的典型指标如表3所示，其中包括平均相对误差（ARE），均方根误差（RMSE），最大相对误差（Emax），相关系数（R），判定系数（R2）和精度（Ep）。

越小的ARE值意味着LS-SVM模型的预测精度越高，并且对于RMSE和Emax也是这样的。相反，越小的R值意味着LS-SVM模型的预测准确性越差，并且对于R2和EP也是如此[6，11]。从表3可以看出，LS-SVM4模型中ARE，RMSE和Emax这3个评价指标分别小于LS-SVM1模型中对应的评价指标，这意味着LS-SVM4模型预测误差较小。LS-SVM4模型中ARE，RMSE和Emax这3个评价指标分别为0.35%，0.048和1.13%。同时，LS-SVM4模型中R2和Ep这两个评价指标分别大于LS-SVM1模型中对应的评价指标，表明LS-SVM4模型拟合效果更好。LS-SVM4模型中R2和Ep的评价指标分别为0.999 92和99.64%，可知LS-SVM4模型中的R为0.999 96，而LS-SVM1模型中的R为0.999 94。以上分析表明，LS-SVM4模型具有很好的精度，可以为棉针织物轧烘轧蒸染色工艺的优化和选择提供依据。

3结论

a）建立了LS-SVM多因素模型并在棉针织物轧烘轧蒸染色工艺中，使用该模型来预测染色织物的K/S值。

b）预测实验结果表明，染色织物的K/S实验值和预测值的相关系数R为0.999 96，平均相对误差小于0.5%，说明该模型具有很高的精度，可以用于棉针织物活性染料轧烘轧蒸染色工艺中的预测和优化。

参考文献：

[1] 孙冰，王贤瑞，武生春，等.活性染料轧烘轧蒸工艺实践[J].印染，2005（15）：14-16.

[2] 李连颖，王天靖，陈志华，等.ECO活性染料湿蒸短流程和轧烘轧烘轧蒸染色工艺[J].印染助剂，2010，27（2）：39-42.

[3] 程颖，程衍铭，孙稚源.里奥竹宽幅织物的染整加工[J].印染，2015（14）：28-30.

[4] 宋心远.纤维素纤维纺织品活性染料轧染理论和工艺（一）[J].印染，2007（23）：44-46.

[5] 宋心远.纤维素纤维纺织品活性染料轧染理论和工艺（二）[J].印染，2007（24）：42-46，51.

[6] 宋心远.纤维素纤维纺织品活性染料轧染理论和工艺（三）[J].印染，2008（1）：39-41.

[7] 宋心远.纤维素纤维纺织品活性染料轧染理论和工艺（四）[J].印染，2008（2）：35-39.

[8] 宋心远.纤维素纤维纺织品活性染料轧染理论和工艺（五）[J].印染，2008（3）：37-41.

[9] 宋心远.纤维素纤维纺织品活性染料轧染理论和工艺（六）[J].印染，2008（4）：41-45.

[10] GIORGI MGD， CAMPILONGO S， FICARELLA A， et al. Comparison between wind power prediction models based on wavelet decomposition with leastsquares support vector machine （LS-SVM） and artificial neural network （ANN）[J]. Energies， 2014，7（8）：5251-5272.

[11] HU J， WU M， CHEN X， et al. A multilevel prediction model of carbon efficiency based on differential evolution algorithm for iron ore sintering process[J]. IEEE Transactions on Industrial Electronics， 2018，65（11）：8778-8787.

[12] YIN M， YE X， TIAN Y. Research of fault prognostic based on LSSVM for electronic equipment [C]// Prognostics and System Health Management Conference （PHM）. New York： IEEE， 2015：1-5.

[13] DONG S， LUO T. Bearing degradation process prediction based on the PCA and optimized LS-SVM model[J]. Measurement，2013，46（9）：3143-3152.

[14] ABDESSALEM A B， JENSON F， CALMON P. Quantifying uncertainty in parameter estimates of ultrasonic inspection system using Bayesian computational framework[J]. Mechanical Systems & Signal Processing， 2018，109：89-110.

[15] FARROKH M. Hysteresis simulation using leastsquares support vector machine[J]. Journal of Engineering Mechanics，2018，144（9）：1-6.

[16] SHEN Y， DU C， ZHOU J， et al. Release profile predictions of controlled release fertilisers： least squares support vector machines[J]. Biosystems Engineering， 2018，172：67-74.

收稿日期：2018-11-07網络出版日期：2019-03-20

基金项目：国家十三五重大科技专项（2017YFB0309700）

作者简介：陶开鑫（1995-），男，安徽滁州人，硕士研究生，主要从事先进纺织材料的制备和性能方面的研究。

通信作者：俞成丙，Email： ycb101@shu.edu.cn