【技ｌ科纺纱质量预测研究邵战领周俊（东南大学自动化学院江苏南京２０９１０６）【要】摘分析了影响纺纱质量的诸多因素。建立了一个Ｂ神经网Ｐ络预测模型，了提高模型的效率对原模型进行了一定的分解。选为挑了合适的样本数据归一化处理后进行训练学习，训练好的神经网在络上进行了预测测试。测试结果表示Ｂ神经网络能够较精确的预测Ｐ纺纱质量。【词】关键纺纱质量预报；Ｐ经网络Ｂ神［中图分类号】Ｓ０．ｌ４Ｔ１１９纱的生产过程很长，半制品与成品的质量模型保持了原有的输入输出关系，同时提高了网络的收敛速度。［］２指标影响因素十分复杂，中包括原料、其工艺路线、各工序机型和工艺参数等，本文主要研究各工序工艺设计对纱半制品、成品的质量影响。工艺参数与各质量指标问的关系十分复杂，使得我们难以建立精确的数学模型来描述它们之间的关系。找到合适的方法来描述这些关系，并实施纺纱质量预报，对工艺人员改善各工序工艺参数，减少试纺次数，提高产品质量１预测模型１１Ｐ．Ｂ神经网络基本模型的建立纱的生产要分很多工序，如清花、梳棉、并条、精梳、粗纱、细纱等。由于纱是按工序进行生产的，我们对不同的工序分开建立数学模型才有实际意义【，３本文以细沙工序为例进行建模，］细纱机选择常用的Ｆ５６Ａ０。研究表明三层的Ｂ网络可以完成任意的ｎＰ维到ｍ的映射，维网络层次太多会影响网络收敛速度，本文将采用三层网络结构。输入层以部分有重要的理论与实际意义。１［】本文将采用神经网络建立关系模型，神经网络（ＮＳ可通过ＡＮ）样本的学习来构建输入和输出的关系，经过一段时间的学习后，再用学习好的网络模型来预测纺纱质量。在诸多的神经网络中，应用最广泛的是Ｂ神经网络模型和其变化形式。实际中，Ｐ根据输入与输出直接建立的Ｂ网络很复杂，Ｐ运行效率低，需要对其进行结构分解。分解后的收稿日期：０１０―１２１―８２原料指标与工艺参数作为输入量：强度，技术长度，成熟度，号数，捻度，捻系数，锭子转速，口钳隔距，钢领直径，钢丝圈，皮带轮；中前三项为其比较重要的原料指标，后面八项为对成纱质量有江苏纺织ＪＩＡＮＧＳＴＥＸＴＩＥＵＬｌ技】科较大影响的细纱机的工艺参数指标。输出层以受关注较高的纱线质量指标作为输出量，这里选择强力、变异系数、断头率、伸长率四项做研究。隐层神经元个数的确定采用经验公式Ｓ＝Ｖ０４ｍ０１ｎ＋．４＋．＋．．ｍ＋．一２ｍ０７０３３２５７５＋０１来．５子网络的输出组合而成。对于任意个多输出ＢＰ网络都能够建立相应的子网组结构。其中子网组结构所包含的每一个子网络与原Ｂ网络都有相Ｐ同的输入节点个数、相同的隐层数、相同的隐层节点数，但是每一个子网络的输出维数都为一。原Ｂ网络的每个输入样本同时作为每一个子网Ｐ的输入样本。图（）分解后的一个子网。【】２为４确定，中ｍ其为输入维数，为输出维数，ｎ计算得到隐层维数Ｓ＝７根据实际训练时的收敛时间和，迭代次数修正为Ｓ９下图为建立的神经网络模＝。型图。２Ｂ算法实现ＰＢ算法又称误差反向传播算法，目前被广Ｐ泛应用于训练复杂的前馈网络模型，在多输入、多输出的场合，具有其他数学方法所没用的优势。ＰＢ学习过程分为正向传播和反向传播。正向传播过程中，输入经过层层处理后产生输出作为网络的实际响应，在这一过程中网络中各权值是固定的；反向传播是一个利用误差修正权值的过程，出误差从输出层开始向左逐层传播，计输并（）经网络模型１神算修改相应的权值。在样本丰富合理的前提下，经过多次这样的学习后神经网络就可以建立比较精确的输入输出映射。标准Ｂ算法依据可靠、Ｐ推导过程严谨、通用性较好、精度较高，而且一个３的Ｂ网络可以完成任意的ｎ层Ｐ维到ｍ维的映射，但标准Ｂ算法也存在着以下的缺点：收敛速度Ｐ缓慢；容易陷入局部极小值；泛化能力的不确定性等。［为解决这一问题我们采用加动量Ｂ算５】Ｐ法，这种算法会在权值修正量上加前一时刻权值（）经网络子纽中的一个子网。２神１２神经网络结构分解＿修改方向的记忆，从而加快收敛速度，提高网络的整体性能。．２１训练参数设置．纱线质量指标很多，响纱线质：影量的因素更多。在上文中，虽然我们只选择了其中的重要质量指标和影响因素来建模型，但模型：起来依然看很复杂。而神经网络结构的复杂性会对泛化能有巨大影响。如果直接以这些质量指标作为输出节点，整个神经网络模型会显的臃肿不堪，网络的运行效率等也会大大的降低。为了提高网络的运行效率和精度，必须对神经网络进行结构分解。神经网络分解最有效的是对输出的分解，输出分隐层和输出层采用单极一Ｓｍｉｌ￣ｉｏａ为激活ｇｄ函数，即ｆ）ｌｌｅ（＝／＋ｕ在神经网络训练阶段还需要对输入和输出进行归一化处理到ｆ，】归一化函数采用函数：０１，ｙ（ＭｉＶｌｅｆｘａｅＭｉＶ