BP神經網絡預測環(huán)境對絲織物力學性能的影響

楊夢星，張 毅，鄭秋婷

(天津工業(yè)大學紡織學部，天津 300387)

絲織物具有優(yōu)良的服用性能和裝飾效果，近年來以其獨特的優(yōu)勢逐漸步入百姓生活之中。蠶絲屬天然蛋白質纖維，對外界環(huán)境變化具有較高的敏感性，這是導致絲織物易老化的重要原因。針對絲織物的老化問題，張聚華等［1］利用X射線衍射儀及衰減全反射紅外光譜儀，研究了柞蠶絲織物在酸堿條件下水解老化后的結構變化，結果表明柞蠶絲織物在不同pH值條件下的水解老化作用表現為β-折疊結構含量的下降，而且酸性條件下水解時α-螺旋結構的含量小于堿性條件下水解時α-螺旋結構的含量。王芳芳等［2］對柞蠶絲纖維進行了人工加速老化損傷的研究，認為光、熱、氧化和水解都對絲織物起到不同程度的老化作用。

本文選取濕度、溫度和pH值作為影響因素，以絲織物經過老化處理后的平均斷裂強力值作為訓練樣本，利用BP神經網絡較強的自適應模式識別能力和非線性擬合能力，預測環(huán)境對絲織物力學性能的影響。研究結果不僅有助于對絲綢制品的日常保養(yǎng)，而且對古代絲綢織物的保護工作具有參考價值。

1 試驗數據的獲取

以經緯密度為822根/10 cm×452根/10 cm的雙縐組織柞蠶絲織物作為試驗材料，沿經向裁成6 cm×25 cm的試樣條，共90條。選取濕度、溫度和pH值作為L9(34)正交試驗的3個因素，每個因素選取3個水平，即濕度為50%、70%、90%，溫度為40、70、100 ℃，pH 值為 5、7、9。由于試驗所用的DWS型老化儀(天津市天宇實驗儀器有限公司)只能滿足濕和熱的變化要求，無法提供指定pH值的酸堿環(huán)境，所以必須對試樣進行預處理，即將試樣條分為A、B、C 3組，每組各30條，A組浸泡在pH值為5的H2SO4溶液中，B組浸泡在pH值為7的去離子水中，C組浸泡在pH值為9的NaOH溶液中，3組試樣均浸泡24 h，然后取出常溫干燥。

根據表1所示的濕度、溫度和pH值交互環(huán)境，分別對試樣進行24 h連續(xù)老化處理。使用美國3365型Instron萬能材料試驗機，隔距為15 mm，拉伸速度為100 mm/min，測試樣老化后的斷裂強力，所得平均斷裂強力如表1所示。

表1 L9(34)表及平均斷裂強力Tab.1 L9(34)table and average breaking strength

2 BP神經網絡的預測

2.1 模型構建

濕度、溫度和pH值對絲織物的老化及其力學性能表現出非線性復雜變化，因此利用BP神經網絡能夠逼近任意函數且能將訓練經驗保存在聯(lián)接權重中的功能［3］，可科學全面地進行絲織物老化力學性能預測。

采用MatLab7.0建立BP神經網絡數學模型。利用試驗數據對網絡模型進行訓練，然后用訓練成功的模型預測織物在濕度、溫度和pH值交互環(huán)境下力學性能的變化。在BP神經網絡模型的建立中，以影響絲織物老化的濕度、溫度和pH值作為輸入層，絲織物老化后力學性能指標斷裂強力值作為輸出層［4－5］。

BP神經網絡采用traingd算法(自適應學習速率梯度下降法)來實現［6］，對正交試驗獲得的9組數據進行訓練仿真，其中前8組數據作為直接訓練數據，最后1組數據作為驗證數據。BP神經網絡模型采用3層的網絡結構，輸入層維數為3，輸出層維數為1，隱含層為1層，其節(jié)點數為8;隱藏層計算函數tansig，輸出層計算函數purelin，反算時的計算函數 traingd［7－8］;最小訓練速率為 0.1，允許誤差為0.001，最大訓練次數為5 000［9］。

2.2 模型訓練

BP神經網絡設計流程如圖1所示。訓練輸入數據:

圖1 BP神經網絡設計流程圖Fig.1 BP neural network design flow chart

訓練輸出數據

為了消除輸入層數據數量級和單位的差異對預測精度的干擾，改善網絡學習過程中的收斂速度和收斂誤差，在BP神經網絡訓練前，采用最大值和最小值對數據進行預處理，先由premnmx函數將輸入數據做歸一化處理，再由postmnmx函數將預測值還原為原始數據［10］。

2.3 結果與分析

BP神經網絡運行168次后，樣本誤差達到0.001，其收斂情況如圖2所示。

圖2 BP神經網絡訓練結果Fig.2 Training result of BP neural network

將訓練樣本(1～8)的擬合值與實際試驗值，以及檢驗樣本(9)預測結果與實際試驗值列于表2。

表2 BP神經網絡訓練及預測結果Tab.2 Training and prediction results of BP neural network

由訓練成功的BP神經網絡模型來預測樣本9的斷裂強力，再將樣本1～8的實際試驗值作為BP神經網絡模型的輸入數據，得到樣本1～8的擬合值。由表 2可見，預測的絕對誤差最大為0.004 6%，最小為0.000 1%，呈現中間大兩頭小的正態(tài)分布。預測結果表明:運用BP神經網絡模型預測環(huán)境因素對絲織物力學性能的影響，具有較好的準確性(相對誤差＜0.005%)，不僅對學習樣本的擬合程度較高，而且檢驗樣本的預測結果與試驗值也非常接近。

3 結論

1)環(huán)境中濕度、溫度和pH值以及它們之間的交互作用會加速絲織物的老化，BP神經網絡較強的自適應模式識別和非線性擬合能力，可以有效地預測環(huán)境因素對絲織物力學性能的影響。

2)通過正交試驗獲取的絲織物斷裂強力數據具有較強的代表性，以此作為BP神經網絡模型的訓練樣本，能提高預測結果的可靠性。

3)建立3層神經網絡模型進行迭代訓練及預測，所獲得的訓練輸出值與實際試驗值的相對誤差均小于0.005%，預測結果準確。

［1］ 張聚華，傅吉全，李秀艷.柞蠶絲織物酸堿條件下水解老化過程的結構分析［J］.北京服裝學院學報，2010，30(2):48 －53.ZHANG Juhua，BO Jiquan，LI Xiuyan.Structural analysis of the silk fabric aging process under PH conditions［J］.Journal of Beijing Institute of Clothing Technology，2010，30(2):48 －53.

［2］ 王芳芳，傅吉全.柞蠶絲纖維人工加速老化損傷研究［J］.北京服裝學院學報，2008，28(3):32 －36.WANG Fangfang，FU Jiquan.Artificial accelerated aging research of tussah silk fibers［J］.Journal of Beijing Institute of Clothing Technolog，2008，28(3):32 －36.

［3］ 何勇，項利國.基于模糊聚類的BP神經網絡模型研究及應用［J］.系統(tǒng)工程理論與實踐，2002，21(3):79－82.HE Yong，XIANG Liguo.Study of application model on BP neural network optimized by fuzzy clustering［J］.Systems Engineering Theory and Practice，2002，21(3):79－82.

［4］ 狄宏靜，劉冬云，吳志明.基于BP神經網絡的春夏女裝流行色預測［J］.紡織學報，2011，32(7):113－117.DI Hongjing，LIU Dongyun，WU Zhiming.Forecast of women's spring/summer fashion color based on BP neural networks.［J］.Journal of Textile Research，2011，32(7):113 －117.

［5］ 成玲，萬振凱，張毅.BP神經網絡在織物風格評價中的應用［J］.天津工業(yè)大學學報，2001，20(3):41－43.CHENG Ling，WAN Zhenkai，ZHANG Yi.Application of BP neural networks in fabric handle assessment［J］.Journal of Tianjin Polytechnic University，2001，20(3):41－43.

［6］ 明律法.桑蠶絲抗紫外老化性能研究［D］.蘇州:蘇州大學，2011:87－89.MING Lüfa.Study on ultraviolet aging properties of bombyx mori silk fabric［D］.Suzhou: Soochow University，2011:87 －89.

［7］ 陳穎，陳汝棟.基于BP神經網絡的水刺非織造布剛柔性能的研究［J］.天津工業(yè)大學學報，2012，31(1):29－32.CHEN Ying，CHEN Rudong.On spunlaced nonwovens flexible study by BP neural network［J］.Journal of Tianjin Polytechnic University，2012，31(1):29 －32.

［8］ 韓力群.人工神經網絡理論、設計及應用［M］.2版.北京:化學工業(yè)出版社，2007:101－107.HAN Liqun.Theory，Design and Application of Artificial Neural Network［M］.2nd ed. Beijing:Chemistry Industry Press，2007:101 －107.

［9］ 李翔，彭志勤，金鳳英.基于神經網絡的精紡毛紗性能預測模型比較［J］.紡織學報，2012，31(1):51－56.LI Xiang，PENG Zhiqin，JIN Fengying. Comparing prediction models for worsted yarn performances based on neutral networks［J］.Journal of Textile Research，2012，31(1):51 －56.

［10］ 倪紅，潘永惠.基于BP神經網絡的織物斜向彎曲性能的預測［J］.紡織學報，2009，30(2):48 －51.NIHong，PAN Yonghui.Prediction of fabric diagonal bending rigidity by BP neural network［J］.Journal of Textile Research，2009，30(2):48 －51.