基于GRNN的棉紗條干均勻度預測研究

王 莉

(阿克蘇職業技術學院 紡織工程系，新疆 阿克蘇 843000)

基于GRNN的棉紗條干均勻度預測研究

王 莉

(阿克蘇職業技術學院 紡織工程系，新疆 阿克蘇 843000)

總結了神經網絡技術在條干均勻度預測應用上的研究成果，GRNN神經網絡算法的基本原理，分析了棉紗條干均勻度的神經網絡預測結果。檢驗表明GRNN神經網絡在輸入參數和樣本數據較少時，仍具有較好的預測準確性。

GRNN神經網絡；棉纖維性能；條干均勻度；預測

棉紡設備技術升級奠定了紡紗質量穩定的基礎，高檔紡織品對棉紗質量的一致性提出了較高的要求[1]。紗線條干不勻是評價棉紗質量的一項重要指標，它不僅影響紗線強力和細紗斷頭，而且影響織物的外觀。纖維性能是影響棉紗條干均勻度的重要因素，通常，紡紗企業的配棉主要靠技術人員的經驗積累完成，配棉效率低，工作量大，已不能適應現代紡紗企業生產的需要。棉紗條干均勻度的科學預測研究是實現計算機配棉、成紗質量一致性和降低配棉成本的基礎。

1 用神經網絡技術預測棉紗條干均勻度

人工神經網絡技術規避了傳統建模方法存在的固有缺陷，給出輸入和輸出數據，通過網絡本身的學習功能就可以得到輸入與輸出的影射關系[2]，避免了配棉技術人員在實際操作中出現失誤及經驗不足造成的質量波動。近年來，BP神經網絡和RBF神經網絡均在紡織品性能預測研究中得到應用。李國鋒采用RBF神經網絡對成紗條干指標進行預測，達到了預期效果[1]。但是BP神經網絡存在收斂速度慢、訓練時間長、網絡的學習和記憶具有不穩定性的缺陷；RBF神經網絡需要不斷嘗試確定spread的最佳值，尤其在樣本量少的狀態時，效果并不理想。以某紡織企業為例，分析棉纖維性能與條干均勻度的定量關系，應用GRNN神經網絡技術建立棉紗條干均勻度預測模型，以達到對棉紗條干均勻度準確預測的目的。

2 棉紗條干均勻度預測模型

2.1 GRNN神經網絡算法

1991年，DonaldF.Specht提出了廣義回歸神經網絡(GRNN)[3]，GRNN在結構上與RBF網絡較為相似，是一種新穎且有效的前饋式神經網絡，由輸入層、模式層、求和層和輸出層等4層網絡組成[4]，它能夠根據樣本數據逼近其中隱含的映射關系，當輸入信號靠近基函數的中央范圍時，隱層節點將產生較大的輸出，因此，在樣本數據稀少時，它的輸出結果仍能收斂于最優回歸表面，具有最佳逼近性質[5]。它具有很強的柔性網絡結構以及高度的容錯性，適用于解決非線性問題[6]，在逼近能力和學習速度上較RBF網絡有更強的優勢[7]，在預測控制等方面得到了廣泛應用。

2.2 試驗部分

2.2.1 試驗指標

棉紗試驗均在相同生產設備、環境下進行，各項指標測試均按GB/T 398-2008《棉本色紗》標準檢驗。棉纖維各性能指標測試采用GB 19635-2005《棉花 長絨棉》標準檢驗。

2.2.2 訓練及預測樣本

收集某紡織企業30組CJ7.3 tex數據，數據采集均保證同原料同參數同機臺。同時考慮棉花性能與成紗條干內在規律，第1組和第2組選取6個變量作為輸入層，結點數為6，以馬克隆值、上半部平均長度、短纖維率、斷裂比強度、棉結和紡紗一致性系數6個參數指標作為輸入端，棉紗條干均勻度為輸出參數；第3組和第4組選取4個變量作為輸入進行訓練，輸入層結點以馬克隆值、上半部平均長度、短纖維率和紡紗一致性系數4個參數指標作為輸入端，棉紗條干均勻度為輸出參數，構建GRNN神經網絡模型。

2.2.3 模型與參數

由于棉花性能、棉紗條干均勻度各指標具有不同的量綱，物理意義差別也很大，對原始數據先進行歸一化處理，使數據范圍在[0，1]之間，以改善網絡學習過程中的收斂速度和收斂誤差。第1組選取6個變量作為輸入，選取25組訓練數據用來訓練，5組的訓練數據用來檢驗，spread的設置是一個關鍵問題，過大的spread意味著需要非常多的神經元以適應函數的快速變化；若spread設定過小，設計的網絡性能就不會很好。因此，需要不斷嘗試spread的最佳值，經過對輸出結果的檢查發現，spread最佳值為0.20，網絡達到最佳預測效果，預測輸出結果如表1所示。第2組選取15組訓練數據用來訓練，5組的訓練數據用來檢驗，經過對輸出結果的檢查發現，spread最佳值為0.10，得到的輸出結果如表2所示。第3組選取4個變量作為輸入進行訓練作為輸入端，選取25組訓練數據用來訓練，5組的訓練數據用來檢驗，經過對輸出結果的檢查發現，spread最佳值為0.10，得到的輸出結果如表3所示；第4組選取4個變量作為輸入進行訓練作為輸入端，選取15組訓練數據用來訓練，5組的訓練數據用來檢驗，經過對輸出結果的檢查發現，spread最佳值為0.10，得到的輸出結果如表4所示。

表1 第1組預測值與實際值的比較

表2 第2組預測值與實際值的比較

表3 第3組預測值與實際值的比較

表4 第4組預測值與實際值的比較

2.3 結果分析

預測結果顯示所構建的GRNN棉紗條干均勻度神經網絡模型有較好的預測性能，平均相對誤差均能控制在1%以內；輸入節點和輸入樣本對預測結果影響較小，因此，在輸入參數和樣本數據較少時，GRNN神經網絡仍具有較好的預測準確性。

3 結語

棉纖維存在的不均勻性，導致了紗條隨機不勻的產生。GRNN神經網絡在樣本數據缺乏時，在逼近能力和學習速度上較BP神經網絡和RBF神經網絡有較強的優勢。紗線條干均勻度的GRNN神經網絡模型，很好地解決了預測紗線條干均勻度影響因素復雜情況下的配棉問題，避免人為主觀配棉對成紗質量的影響，能夠較好地預測成紗質量和降低用棉成本。

[1] 李國鋒，黃機質.基于RBF神經網絡的棉紗條干均勻度預測[J].上海紡織科技,2016，(1):53-55.

[2] 楊興華.民航機場動態分級預警模式的研究[D].沈陽:沈陽航空航天大學,2009.

[3] 王莉靜，郭 潔，李建軍.基于廣義回歸神經網絡的交通流預測模型[J].天津城市建設學院學報,2007，(1):25-28.

[4] 崔東文.幾種神經網絡模型在湖庫富營養化程度評價中的應用[J].水資源保護,2012，(6):12-18.

[5] 楊小輝,徐穎強,李世杰,等.廣義回歸神經網絡(GRNN)在AMT擋位判別中的應用[J].機械設計與制造,2009,(5):72-74.

[6] 陳 端，曹 陽，梅一韜,等.GRNN神經網絡在大壩滲流預測中的應用[C]//2012年中國水力發電工程學會大壩安全監測專委會年會暨學術交流會,2012.

[7] 丁 碩，常曉恒，巫慶輝,等.GRNN與RBFNN的二元函數逼近性能對比研究[J].計算機與現代化,2014，(4):92-96.

Prediction of Cotton Yarn Evenness Based on GRNN

WANG Li

(Department of Textile Engineering, Aksu Vocational and Technical College, Aksu 843000, China)

The research results of neural network technology in evenness prediction and the basic theory of GRNN neural network algorithm were summarized. The neural network prediction results of cotton yarn evenness were analyzed. The inspections showed that GRNN neural network still had good prediction accuracy when put fewer parameters and sample data.

GRNN neural network; cotton fiber performance; evenness; prediction

2017-01-20；

2017-02-06

阿克蘇地區科技興阿項目(2014-71)；阿克蘇地區人才項目(2015-106)；新疆維吾爾自治區高校科研計劃項目(XJEDU2016S116)

王 莉(1980-)，女，河南延津人，講師，碩士，研究方向為紡織設備、工藝及計算機應用。

TS101.92

A

1673-0356(2017)03-0039-02