在紡織加工過程中，紡紗是一道關鍵工序，紗線質量對于后道工序以及織物的品質有著很大的影響。而纖維性質和紡紗工藝與紗線質量存在著復雜的非線性關系，使得根據產品要求來調整工藝的難度較大[1]。目前，國內大多數紡紗企業還是基于歷史生產經驗并結合大量試紡試驗來調整工藝方案[2]，這導致了較低的生產效率和較高的生產成本，不利于產業升級。研究工藝參數與紗線質量關系，對紗線質量進行智能預測有利于提高生產效率及科學合理地設定工藝參數，以實現對生產工藝的優化。BP神經網絡由于結構相對簡單，容錯能力較好，自學習和自適應能力較強，適合對原料質量和紗線質量之間復雜的非線性關系進行處理[3]。但BP神經網絡需要大量數據樣本，若樣本數量少，則會出現收斂速度慢、過擬合、易陷入局部極小等問題[4]。由于實際生產中工廠產品種類有限，可供神經網絡訓練的數據樣本少，因此探究在小樣本容量下較高精度地實現紗線質量預測在生產實踐中具有重要意義。本文采用灰色關聯分析法和基于輸入對輸出影響程度的數據優選方法對小容量樣本的工藝參數進行選擇，選出對質量影響較大的前4項工藝參數作為神經網絡的輸入變量，以紗線條干不勻率和斷裂強度為輸出變量，分別建立小規模樣本的精梳毛紡紗線質量預測模型。該優選方法支持小樣本學習，能夠排除干擾因素，選擇最相關的參數建立神經網絡，有利于充分發揮BP神經網絡的優點，為實際生產中毛紡紗線質量的預測提供新方法。

　　1工藝參數的選擇

　　為了將本文研究與工業應用緊密聯系起來，所用的樣品數據皆來自于國內一家大型毛紡企業，由于生產規模有限，故可供模型訓練的數據樣本較少，僅為23組。樣本中的紡紗參數為:纖維直徑、纖維長度、鋼絲圈號數、牽伸倍數、錠子轉速、細紗捻度和成紗細度;紗線的質量指標為:條干不勻率和斷裂強度。由于生產精梳毛紡紗線的各項工藝參數會不同程度地影響模型的性能，因此在建模之前，需要根據與2項紗線質量指標的相關程度對工藝參數進行排序，以便找出對輸出變量影響最大的幾項輸入變量建立小規模神經網絡模型，并對模型進行訓練與仿真。本文研究使用一種基于少量數據即可處理輸入參數與輸出參數之間非線性關系，并獲得二者關聯程度的計算方法，計算結果的排序即為各輸入參數相對于輸出參數的關聯度排序。該輸入參數排序方法分為2部分:第1部分利用灰色關聯分析法(其計算結果為VAk)和基于輸入對輸出影響程度的數據優選方法(其計算結果為Sk)分別進行排序;第2部分將2個排序結果融合為最終排序。為了對給定輸出yj的相關輸入xk進行排序，將評價指標Fk定義為:Fk=g1·VAkxk，yj()+g2·Sk，k∈{1，2，…，n}，j∈1，2，…，m}{(1)式中:g1和g2為正系數。該評價指標旨在將使用灰色關聯分析法和基于輸入對輸出影響程度的數據優選方法獲得的2個優選結果根據權重進行融合，獲得各項工藝參數對紗線質量影響程度的最優排序[5]。1.1灰色關聯分析法灰色關聯分析法是使用灰色關聯度對各因素之間的關系進行描述的一種統計分析方法。該方法結合多種因素，根據系統中的2個因素發展變化趨勢的相似或相異程度，即序列的幾何接近程度，可獲得各因素之間的影響程度以及對目標因素的貢獻程度，即灰色關聯度，能夠有效地彌補常用統計分析法的缺點和不足。該標準的具體計算步驟[6]如下:①確定參考數列與比較數列。設數列x0={x0(k)|k=1，2，…，n}為參考序列，和x0相關的m個數列xi={xi(k)|k=1，2，…，n}(i=1，2，…，m)為比較數列。②無量綱化處理變量。在灰色關聯計算之前，需要對數列進行無量綱化處理以消除量綱取值范圍差異帶來的影響。計算所得灰色關聯度VAk數值越大，則代表比較數列對參考數列的影響程度越大。1.2基于輸入對輸出影響程度的數據優選方法該方法考察的是不同的變量作為輸入參數與輸出變量之間的關聯程度大小。Sk代表數據敏感度，遵循以下法則:①若微小的輸入參數變化使得輸出變量出現較大變化，則將該輸入參數視作敏感量。②若較大的輸入參數變化對應較小的輸出變量變化，則將該輸入參數視作不敏感量。計算公式如下:根據以上法則，計算所得Sk值越大，代表較小的輸入參數能導致輸出的較大變化，則認為該輸入參數與輸出變量的相關性更強。同理，Sk值越小，代表該輸出參數與輸出變量的相關性越弱。1.3結果融合采用以下2種方法確定式(1)中的權重g1、g2。如式(8)(9)所示，方法1分別使用VAk和Sk的變異系數作為其權重g*11和g*21(g*11和g*21的第2個下標“1”表示方法1)，該方法的原理為:較大的變異系數意味著相應的數據優選方法具有更強的區分樣本能力，所以該方法應該被賦予更大的權重[5]。如式(10)(11)所示，方法2使用離差最大化決策原理來確定權重g*12和g*22(g*12和g*22的第2個下標“2”表示方法2)的大小，離差越大意味著權重越大。對上述權重進行歸一化后，計算由2種方法確定的權重的算術平均值，即最終權重，如式(12)(13)所示。計算VAk、Sk和權重g1、g2后，可以根據式(1)進一步計算給定輸出yj對應的每個輸入xk的評價指標Fk，再將所有Fk都按降序排列。Fk值越大，則代表輸入xk與yj的相關性就越大，Fk值的排列順序對應所有輸入變量的關聯度排列順序，即Fk最大的工藝參數是與對應質量指標最相關的工藝參數。2種優選方法的權重計算結果見表2，條干不勻率融合排序結果見表3，斷裂強度融合排序結果見表4。由表3、4可知，對條干不勻率影響最大的4項工藝參數分別為纖維直徑、錠子轉速、牽伸倍數和細紗捻度;對斷裂強度影響最大的4項工藝參數分別為纖維直徑、纖維長度、鋼絲圈號數和細紗捻度。融合后的參數排序結果可根據紡紗原理解釋:纖維直徑越小，紗線截面內纖維根數越多，使得紗線的橫截面積不勻率降低，條干更均勻[8]。且纖維直徑越小，纖維之間接觸面積增加，抱合更加緊密，纖維之間的抱合力和摩擦力提高，則拉伸紗線時，滑脫纖維減少，成紗強度提高，斷裂強度增加[9]。合適的牽伸倍數使得紗條緊密，減少了粗節和細節，有利于提高條干不勻率。加捻使纖維對紗軸的向心壓力加大，紗線間摩擦力增加，紗線滑脫減少[10]。綜上所述，排序結果基本符合紡紗學原理。

　　2BP神經網絡模型

　　BP神經網絡通過將模擬過程中的系統誤差進行反饋，并不斷調整各神經元權值來訓練，是一種多層前饋神經網絡。工作過程包括正向傳播信號和反向傳播誤差2個部分[11]，其結構由輸入層、隱含層以及輸出層組成，而各層神經元的數目由解決的具體問題決定，網絡通過不斷修正各層神經元的權值使網絡的輸出值相對于目標輸出值的誤差最小[12]。由于樣本較少，所以本文研究建模時采用單隱層的3層BP神經網絡，將優選后相關度最大的前4項精梳毛紡工藝參數和紗線質量指標分別作為神經網絡模型的輸入和輸出，對條干不勻率和斷裂強度分別建立模型。2.1神經網絡的設計本文研究在進行紗線條干不勻率和斷裂強度預測過程中，2個模型下的3層BP神經網絡均采用4-3-1的神經網絡結構:輸入層有4個神經元，隱層有3個神經元，輸出層有1個神經元。應用MatLab神經網絡工具箱建立神經網絡模型，網絡參數為:選擇traindm為網絡訓練函數，選擇tansig和purelin作為傳遞函數，訓練目標為0.001，網絡訓練步數為10000。2.2訓練與仿真共采用23組紡紗數據建立模型，將所有的試驗數據分成一個訓練集(20個樣本)和一個測試集(3個樣本)，訓練集用于訓練神經網絡，測試集用于測試神經網絡，最后將預測結果與試驗數據進行比較并計算預測誤差。

　　3仿真結果

　　3.1條干不勻率模型根據表3的排序結果，條干不勻率預測模型選擇的4項輸入參數分別為纖維直徑、錠子轉速、牽伸倍數和細紗捻度。條干不勻率預測結果見表5。可見該神經網絡條干不勻率預測值相對于實際樣本數據的平均誤差僅為0.25%，表明該神經網絡模型是準確的。3.2斷裂強度模型根據表4的結果，斷裂強度預測模型選擇的4項輸入參數分別為纖維直徑、纖維長度、鋼絲圈號數和細紗捻度。斷裂強度預測結果見表6。可見神經網絡對于斷裂強度預測值的誤差平均值為3.03%，表明該神經網絡模型是有效的。

　　《小規模樣本精梳毛紡紗線質量分析》來源：《毛紡科技》，作者：張羽彤 沈卓爾 代利花 陳廷