家居服常用面料服用性能研究及保暖性预测

范玉婷

(北京服装学院 服装艺术与工程学院,北京100000)

舒适的面料能使服用者在穿着过程中保持轻松愉悦的心情,家居服面料的性能对家居服舒适性起到重要作用,并影响人体着装后的生理舒适性[1-5]。在对家居服面料的研究中,不少学者把关注点放在了保健功能上,如抑菌、凉爽等,并强调家居服的多功能性,如防辐射、防火等[6-8],而忽视了秋冬季家居服面料本身的保暖性。基于在对织物保暖性的研究中,保暖试验的时间成本相对较高,本文以保温率为指标分别建立BP神经网络和投影寻踪模型对织物的保暖性能进行了预测和分析[9],对该类织物的选购和保暖性能的预测具有一定的借鉴意义。

1 试验部分

1.1 材料

通过查阅文献资料、实体市场调研及各大电商网站调研,选取了当前秋冬季节家居服中常见的8种针织面料和2种梭织面料进行研究,共计10种面料。试验面料规格参数见表1。

表1 织物规格参数

1.2 试验方案

面料的服用性能包括力学性能、保形性能、舒适性能等。选取合适的面料对其服用性能进行了测试,试验方案见表2。所有试样在试验前均按照GB/T 6529-2008规定的相对湿度65%±4%、温度(20±2)℃的标准大气环境,在恒温恒湿箱中进行至少12 h以上的调湿[10]。

表2 测试项目

2 服用性能分析

2.1 力学性能

对试样的弯曲刚度、断裂强度和顶破强力进行了测试。力学性能测试结果见表3。抗弯刚度越大表示织物越硬挺,面料不易弯曲。试样3#抗弯刚度最好,7#纬向抗弯刚度最差,9#经向抗弯刚度最差;从试样断裂强度看出,3#经向强力、纬向强力均为最大,7#经向强力最小,1#纬向强力最小。这主要是因为3#为起绒织物较为厚实,织物组织结构紧密,不易破坏,而1#同为起绒织物,纬向强力最小主要是由于织物组织较为稀疏造成的,7#则是由于面料较为疏松,较易破坏。9#、10#为梭织面料,且织物组织为平纹,纱线间较为紧密,故强力良好;顶破强力越大,表示织物受外力破坏的可能越小,坚牢度就越好。试样3#的顶破强力最大,其织物组织结构较为紧密,不易破坏,试样7#的顶破强力最小,纱线较为疏松,较易破坏。其余试样的顶破强力相差不大。

表3 试样力学性能测试结果

2.2 保形性能

对试样的悬垂性、耐磨性、起毛起球性进行了测试。保形性能测试结果见表4。织物的悬垂性表示面料因为自身重力而下垂的性能,其中3#的悬垂系数最大,7#的悬垂系数最小,其余试样悬垂系数较为均匀;耐磨性测试中,试样8#的耐磨指数最大,面料纱线品质较高,原料成分为天然彩棉和有机棉混纺,在试验过程中几乎不产生质量差。反之,试样1#所产生的质量差最大,耐磨指数最小,其耐磨性较差,这主要是由于1#为起绒织物且较易掉绒,所以产生的质量差大;抗起毛起球性测试结果表示:虽然起绒织物的原料都为涤纶,长丝纱线较为光滑,相对不易起毛起球,但由于织物种类较为特殊,由于所选起绒织物的绒毛较长,较易打结从而形成小球,其中3#的绒毛较短,故不易起毛起球。7#、8#的主要原料为棉,短纤维表面有较多细小的绒毛,起毛起球现象较为适中,莫代尔混纺面料表面光滑,富有光泽,起毛起球现象最不明显。从织物组织方面来看,针织面料的起毛起球程度普遍大于梭织面料。

表4 试样保形性能测试结果

2.3 舒适性能

对试样的透气性、透湿性、保暖性进行了测试。舒适性能测试结果见表5。试样的透气率为织物在规定的时间、面积等因素下,气流垂直通过织物的速率。可以看出所选面料的透气率普遍良好,其中3#的透气率最好,9#的透气率最差,9#、10#为梭织面料且为平纹,透气率相对较差,相反,针织面料的透气率较优,这是由于针织面料的线圈间间距较大,利于空气的流通,梭织面料的平纹织物纱线间的排列较为紧凑,对空气的阻碍较大。织物的透湿量和织物组织、织物的表层结构、厚度等因素有关。从表5可以观察到,选取试样的透湿量相差并不大,其中5#的透湿量最少,主要是由于该面料厚度值最大且原料成分为涤纶,涤纶面料的透湿性较差。10#的透湿量最多,为莫代尔混纺面料,这主要是由原料本身的性质决定的。其他面料透湿量相差不大,透湿性相对良好。热阻越大,传热系数越小,克罗值越大,保温率越大,织物的保暖性越好。保暖性最好的是5#,最差的是9#,5#是10种试样中厚度值最大的面料,9#是10种试样中厚度值最小的面料,1#～6#为起绒织物,起绒织物普遍较厚,保暖性较好。织物保暖性的优劣是由多种因素共同作用的结果,厚度只是其影响因素之一。

表5 试样舒适性能测试结果

3 保暖性能预测

为了建立保暖性预测模型,基于BP人工神经网络和投影寻踪回归对家居服常用面料的保暖性进行了预测。

3.1 预测方法

对家居服常用面料的服用性能进行研究,采取灰色关联度分析对其中影响保暖性较大的性能进行整合,用于BP人工神经网络和投影寻踪回归。

3.1.1 BP人工神经网络

神经网络(ANN),也可称为类神经网络或人工神经网络,可用于建立某种用于预测的模型。对家居服常用面料的13种性质进行了研究,通过灰色关联度选取其中5个对织物保暖性影响较大的性能用于预测:厚度、克重、透气率、透湿量和耐磨性。其中,试样1#～10#用于训练,1#、2#试样用于预测。

预测部分主要选用DPS,输入层为5个神经元,为厚度、克重、透气率、透湿量和耐磨性,输出层为1个神经元,为保暖性,在建立BP人工神经网络模型过程中,最为重要的环节是隐含层节点数的选取,根据经验选取再进行大量操作计算不同节点数产生结果的误差来择优会消耗大量的时间与精力,效果却不尽人意。因此,采用了基于黄金分割BP网络隐含层节点数优化算法,通过计算得出隐含层节点数为8。算法中所需设置的参数见表6。

表6 BP神经网络分析参数

3.1.2 投影寻踪回归

投影寻踪回归(Pr ojection Pursuit Regression)常用来分析高维数据,是一种高效方法用于探索性数据分析,由Peter Hall提出。投影寻踪回归网络模型参数采用系统默认值。表7为投影寻踪参数设置。

3.2 预测结果

3.2.1 神经网络预测结果

BP人工神经网络用于预测织物保暖性的网络模型所采用的算法是基于动量项法来进行的。基于表7网络模型,试样1#～10#用于训练,1#、2#试样用于预测。试样1#、2#的预测结果见表8。

表7 投影寻踪参数设置

表8 1#和2#观察值及预测值

通过训练,织物的预测值和测试值存在一些误差。其中,织物1#的误差为0.246 3,织物2#的误差为0.066,还需加强训练,通过多方面研究来把误差降到最低。

3.2.2 投影寻踪回归预测结果

投影寻踪回归预测结果:1#的预测值为55.209 9,2#的预测值为54.769 9。其中,试样1#的预测误差为0.000 1,与实际值相差值较小,试样2#的预测误差为0.000 1,较为准确。

3.2.3 预测结果对比分析

将PPR模型与BP人工神经网络模型对比,结果见表9。对于BP人工神经网络模型,试样7#、9#拟合值与实际值的差值相对较大,这是由于用于训练的样本大多数为针织面料,且为起绒织物,而7#虽然是针织面料,但不是起绒织物;9#为梭织面料,既不是起绒织物,也不是针织面料,所以拟合值结果相对较差。PPR模型的相对误差较为稳定,误差较小。PPR模型预测结果的相对误差小于BP神经网络模型,说明PPR模型较优,但仍需通过训练来提高精确度。

表9 基于不同模型的拟合(预测)值与相对误差

4 结语

研究了家居服常用面料的服用性能,对服用性能参数进行测试,从所研究的13项服用性能指标中选取了对保暖性影响最为密切的5项用于建立保暖性网络模型,利用BP人工神经网络和投影寻踪回归对家居服常用面料的保暖性进行预测。在此网络模型建立的基础上方便业内人士对保暖性进行研究。此网络模型可代替YG606E型纺织品热(湿)阻测试仪进行织物保暖性的粗略测量。

研究还存在一些问题有待深化,试验选取的试样不能完全代表家居服常用面料,有一定的局限性,样本有待于进一步研究。同时,利用BP人工神经网络和投影寻踪回归建立保暖性网络模型用于预测虽具有可行性,但样本数量有限,要提高准确性,还需要进一步的研究。