棉針織物前處理過程LS－SVM軟測量模型研究

周麗春，金福江

（華僑大學 信息科學與工程學院，福建 廈門361021）

棉針織物前處理過程的目的是使織物獲得良好的吸水性與白度，增加對染料的吸收性能，為完成染色創造良好的條件。如果能夠對織物吸水性和白度進行在線實時測量和估計，對于提高前處理加工質量、降低染色生產水資源和助劑消耗具有十分重要的作用和意義。由于前處理過程工藝機理復雜，影響因素多，質量指標與影響因素之間具有較強非線性，難以建立精確軟測量模型，實現皂洗過程在線測量一直是染整行業未能解決的技術難題。本文基于統計學習理論的最小二乘支持向量機（LS－SVM），利用核技術和結構風險最小化原則提高了學習機的泛化能力［1］，建立了棉針織物前處理過程在線軟測量模型，并以某染整廠棉針織物前處理過程為研究對象，通過實驗證明了該軟測量模型的有效性。

1 棉針織物皂洗指標與影響因素分析

棉針織物皂洗過程主要通過煮練、漂白兩步去除織物上的雜質，因而液堿和雙氧水用量的控制是前處理過程工藝控制的關鍵。其中，在高溫堿性條件下，雙氧水進行漂白時會形成氧化性很強的HO－2，該離子是參與反應的主要成分，而液堿在前處理過程中不但起到煮練的作用，同時也是雙氧水的激活劑［2］。此外，溫度、時間都是堿氧一浴前處理的工藝要素。雙氧水的分解率隨溫度的升高而增加，因而前處理過程對于溫度的控制是保證半成品質量的一個重要前提。綜上所述，確定試驗主要因素為溫度、時間、液堿質量濃度、雙氧水質量濃度4個因素。

2 LS－SVM建模方法

LS－SVM的基本思想是通過非線性變換將輸入空間變換為高維空間［3］。在高維空間中求取最優線性分類超平面，而這個非線性變換是通過內積核函數實現的。

設樣本為n維向量，某區域的l個樣本可表示為（x1，y1），（x2，y2），...，（xl，yl）。首先用一個非線性映射φ（·）把樣本從原空間Rn映射到特征空間φ（xl），在這個高維特征空間中構造最優決策函數y（x）＝wφ（x）＋b，這樣就將非線性估計函數轉化為高維特征空間的線性估計函數。LS－SVM以誤差ξi的二次項為優化目標函數，故優化問題為

s.t. yi＝φ（xi）w＋b＋ξi（i＝1，2，...，l）

用拉格朗日法求解該問題，有：

式中：αi—— 拉格朗日乘子，i＝1，2，...，l。根據優化條件：

通過式（3）可求得w和ξ，直接采用核函數K（xi，x）代替內積φ（xi）φ（x）。求得α和b，最后應用LS－SVM對非線性函數進行回歸分析的結果為

3 前處理過程工藝技術指標建模

3.1 皂洗質量指標測試方法

a）白度。儀器校正后，將織物折疊成4層，在DatacolorSF600X型測色儀上測定，在織物上取3個不同點，測定后取平均值。

b）吸水性（毛效）。取長30cm，寬5cm的布條，在布條下端穿一根約2g的玻璃棒，用鉛筆劃一平直線，上端夾在夾板上，使其下端鉛筆線與液面相齊，記錄30min后液面上升的高度［4］。

3.2 皂洗過程建模

通過工藝機理研究結合實驗分析，忽略影響較小的擾動變量，如：穩定劑的選擇、pH值、光線照射等。確定影響前處理過程工藝技術指標的主要因素：溫度、時間、液堿質量濃度、雙氧水質量濃度為軟測量模型的輸入，織物的吸水性和白度分別為模型的輸出，設計實驗方案，并完成實驗分別得到吸水性、白度的各51組實驗數據，其中44組數據用于模型訓練，部分訓練數據見表1所列，其余7組用于模型檢驗。

表1 基于LS－SVM前處理過程模型訓練的部分數據

本文基于LS－SVM的棉針織物前處理過程模型以Matlab6.5為平臺，運用LS－SVMLab工具箱1.5bw版完成對數據樣本的訓練以及預測［5］，步驟如下：

a）對要訓練的數據進行歸一化預處理。由表1的數據可知，要訓練的輸入和輸出數據值相差比較大，因而對要訓練的數據進行一定的預處理，可以加快訓練速度。文中選用歸一化處理，把每組數據都變換為－1～1之間的數，當訓練得到輸出時，還必須進行數據的反歸一化。

b）根據樣本集建立目標函數并求解參數：選取樣本數l＝44，用非線性映射把樣本從原空間映射到特征空間，將非線性估計函數轉化為高維特征空間的線性估計函數。選取高斯徑向基函數作為支持向量機分類機的核函數：

相對來說，高斯徑向基在測試中表現出相對較小的錯誤率、較強的學習能力。因此，直接采用高斯徑向基函數K（xi，x）代替內積φ（xi）φ（x），求得參數，吸水性－0.443；白度－0.384；

c）選擇LS－SVM 的最佳參數（γ，σ2）：其中超參數γ決定了訓練誤差大小和泛化能力強弱；核參數σ2反映了訓練樣本數據的分布或范圍特性。通過二次格點搜索法和交叉驗證對訓練集進行訓練得到參數（γ，σ2）。再以該組參數為中心進行細搜索，找到吸水性最優參數（γ，σ2）＝（600，0.6）；白度最優參數（γ，σ2）＝（500，0.4）。

通過以上步驟，得到吸水性：

白度：

最后以Matlab6.5為平臺，用LS－SVMLab工具箱1.5bw版進行編程，完成對前處理過程質量指標的預測。

3.3 模型測試結果及分析

將用LS－SVM方法得到的吸水性、白度預測值與通過實驗得到的實際值進行對比，見表2所列。通過樣本訓練得到模型的擬合系數，吸水性：R2＝0.999；白度：R2＝0.999，擬合效果較好。另外，作為比較，本文也應用BP神經網絡法得出了預測結果，并通過表2進行對比。

表2 基于LS－SVM法與BP神經網絡法的吸水性預測結果比較

結果表明，采用LS－SVM建立的棉針織物前處理質量指標毛效和白度模型具有較高的擬合精度，模型預測精度較高，相對誤差不超過1%，可以滿足染色生產對前處理加工質量在線測量的要求。

4 結束語

本文在分析棉針織物前處理過程工藝技術指標吸水性和白度相關影響因素的基礎上，采用最小二乘支持向量機建立了棉針織物前處理過程吸水性和白度軟測量模型。應用該模型可以實現棉針織物前處理過程在線測量和控制，對提高前處理加工質量，降低前處理生產水和助劑消耗具有重要作用。

［1］姜會鈺，楊鋒，王振東.BP神經網絡預測活性染色織物K／S值［J］.印染，2007，8（09）：23－24.

［2］王菊生，孫鎧.染整工藝原理［M］.北京：中國紡織出版社，1983：56－61.

［3］鄧乃揚，田英杰.數據挖掘中的新方法－支持向量機［M］.北京：科學出版社，2004：24－26.

［4］金咸穰.染整工藝實驗［M］.北京：紡織工業出版社，1987：74－93.

［5］閻威武，朱宏棟，邵惠鶴.基于最小二乘支持向量機的軟測量建模［J］.系統仿真學報，2003，15（10）：149－150.