CN109868660B - 一种染料复配的方法 - Google Patents

Abstract

本发明涉及一种染料复配的方法，确定染料i的种类和质量后，从染料数据库中查找包含染料i的历史染料配方，按历史染料配方确定与染料i复配的其他染料的种类后，随机生成其他染料的质量得到多个候选染料配方，再从中筛选出一个候选染料配方后，按该候选染料配方进行复配，筛选过程为：首先将候选染料配方中各染料质量占染料总质量的百分比同时输入到同一BP神经网络模型中，由其输出候选染料配方中各染料的K₀值，然后计算D_max，D_max＝|K_0max‑K_0min|，最后将各候选染料配方的D_max进行比较，找到D_max最小的候选染料配方。本发明方法简单、配色精准度高、配色速度快且复配染料配伍性好。

Description

一种染料复配的方法

技术领域

本发明属于染料配色技术领域，涉及一种染料复配的方法。

背景技术

染料通过复配可以提高染料本身的提升力、匀染性、耐碱稳定性和染色牢度等染料性能。复配染料的基本原理可用两句话概括：相似相容易复配，结构相远可互补。染料的复配要根据各染料的结构特征来筛选，结构相似的染料可以增强染料间相互作用，特别是在纤维上相互作用产生的协同效应可以大大提高染料的提升力和固色率，并达到增深和增艳效应，是一种清洁生产技术，适用于当前低污染、低成本的市场需求。然而在固定复配染料中一种染料种类及质量的前提下，如何找到与其配伍性好的另一种染料种类及质量至关重要。

近年来染料的复配研究主要是为了提高染料的提升力、耐碱性、匀染性以及染色牢度等，但同时也需要复配的染料具有较好的配伍性才能达到较好的重现性。目前染料复配的配伍性主要是通过染料特征值SERF以及无机性值/有机性值(I/O)来表征的，其主要考察的是染料单独染色时的性能，该种方法对染料复配来说工作量大，同时复配染料在实际应用中会因染色工艺等因素的改变使其相互作用发生变化，导致最终染色的重现性变差。

因此，亟待需要研究一种精准度高、速度快且得到的复配染料配伍性好的染料复配的方法。

发明内容

本发明的目的是克服现有技术的不足，提供一种精准度高、速度快且得到的复配染料配伍性好的染料复配的方法。

为达到上述目的，本发明采用的技术方案如下：

一种染料复配的方法，确定染料i的种类和质量后，从染料数据库中查找包含染料i的历史染料配方，按历史染料配方确定与染料i复配的其他染料的种类后，随机生成其他染料的质量得到多个候选染料配方，再从中筛选出一个候选染料配方后，按该候选染料配方进行复配；

筛选过程为：首先将候选染料配方中各染料质量占染料总质量的百分比同时输入到同一BP神经网络模型中，由其输出候选染料配方中各染料的K₀值，然后计算D_max(配伍性)，D_max＝|K_0max-K_0min|，K_0max和K_0min分别为候选染料配方中的染料K₀值的最大值和最小值，最后将各候选染料配方的D_max进行比较，找到D_max最小的候选染料配方，本发明用D_max来表征染料配方中各染料的配伍性，D_max越小，配伍性越好；反之，则配伍性较差；

BP神经网络模型是由染料数据库训练后的BP神经网络，染料数据库包含多个历史染料配方及历史染料配方中各染料的K₀值，多个历史染料配方的染料种类相同，同种染料质量占染料总质量的百分比不同，训练时分别以各历史染料配方中各染料质量占染料总质量的百分比及其对应的K₀值为输入项和输出项，由于候选染料配方中各染料的种类是根据历史染料配方确定的，因此候选染料配方和历史染料配方对应的染料种类相同，用历史染料配方训练后的BP神经网络能够预测出候选染料配方中各染料的K₀值；

历史染料配方中各染料的K₀值为染色过程中单位质量的织物上各染料的初始上染速率，染色使用的染液按历史染料配方配制而成。

作为优选的技术方案：

如上所述的一种染料复配的方法，染料i的种类和质量是通过在染料数据库中随机挑选一种染料后随机生成该染料的质量得到的。

如上所述的一种染料复配的方法，所述染液的浓度(染液浓度是指染液中所有染料的质量与染液的体积之比)为0.01～200g/L，pH值为0.1～14.0；所述染色的温度为10～250℃，浴比为1:1～200，中性盐用量(中性盐的质量与水的体积之比)为0～300g/L，染色的温度、浴比和中性盐用量并不仅限于此，此处仅给出本发明适用的部分范围，染色工艺不限于此，还可以是湿短蒸等等，本发明方法适用范围较广，不受染色工艺的限制；工艺为轧染、浸染、冷轧堆染色或高温高压染色，染料不限于此，还可以是其他适合拼色的染料；所述染料为活性染料、酸性染料、直接染料或分散染料，织物不限于此，还可以是其他适合上述染料或者其他可与其拼色的染料染色的所有织物。

如上所述的一种染料复配的方法，历史染料配方中各染料的K₀值是通过以下过程得到的：

首先在线监测染液中各染料浓度随时间变化的数据，然后进行数据处理得到单位质量的织物上各染料上染量随时间变化的数据，接着对数据进行拟合得到各染料对应的上染量-时间拟合曲线，最后计算0时刻时上染量-时间拟合曲线的斜率得到各染料的K₀值；

所述上染量W_T的计算公式如下：

式中，C₀为染液中染料的初始浓度，单位为g/L，C_T为T时刻染液中染料的浓度，单位为g/L，m为染色开始时染液中染料的质量，单位为mg，M为织物的质量，单位为g；

所述K₀值的单位为mg·g^-1·min^-1。

如上所述的一种染料复配的方法，所述在线监测采用拉曼光谱仪，本发明的保护范围不限于此，其他能够实现在线监测的仪器都可适用于本发明，例如紫外可见分光光度计等等，所述拉曼光谱仪的光纤探头插入到染液中，或者可以通过其他方式实现在线监测，例如直接监测，即将染液直接放置在拉曼激光下监测，只要是采用拉曼光谱仪在线监测染液中各染料浓度随时间变化的数据都在本发明的保护范围内；所述在线监测时拉曼光谱仪的激光器波长范围为200～1500nm，激光功率为0.01mW～3kW，曝光时间为0.0167～100sec，所述在线监测时拉曼光谱仪的测试条件范围并不局限于此，其也为根据激光器原始功率与滤光片组合方式的不同所能到达的最大范围；所述染液中各染料浓度是利用拉曼光谱通过化学计量学方法建立定量分析模型分析得到的。测试的激光器波长、激光功率及曝光时间等工艺参数可根据实际情况进行不同设置。

如上所述的一种染料复配的方法，所述化学计量学方法为偏最小二乘法、主成分回归法、逐步多元线性回归法或经典最小二乘法；所述定量分析模型共有两个准确性评估指标，一个是校正相关系数(R²)，最大值为1，越接近1准确性越高，另一种是均方差(RMSEC)，最小值是0，越接近0准确性越高，可通过变换化学计量学方法和光谱预处理方法使其R²或RMSEC无限接近1或者0。

如上所述的一种染料复配的方法，所述拟合采用Origin软件、Excel软件或CurveExpert Pro软件，本发明的保护范围不限于此，其他拟合软件同样适用于本发明。

如上所述的一种染料复配的方法，所述上染量-时间拟合曲线的相关系数不低于0.90；所述0时刻时上染量-时间拟合曲线的斜率是通过对上染量-时间拟合曲线进行一阶求导处理得到的。

如上所述的一种染料复配的方法，采用染料数据库训练BP神经网络时训练的终止条件为：被错误识别的训练样本的数量占训练样本总数的比例不高于5％，被错误识别的训练样本是指BP神经网络输出的K₀值与实际K₀值不一致的训练样本。

发明机理：

本发明通过引入D_max＝|K_0max-K_0min|表征配伍性，利用染料数据库中的历史染料配方确定与染料i复配的其他染料的种类后，随机生成其他染料的质量得到多个候选染料配方，再利用训练好的BP神经网络模型预测得到候选染料配方中各染料的K₀值，并进一步计算得到D_max，D_max＝|K_0max-K_0min|，然后将各候选染料配方的D_max进行比较得到配伍性好的染料复配配方A，D_max值越小，染料的配伍性越好，本发明无需进行染料配伍性测试(如通过测试比较渗圈和比移值大小)即可保证各染料之间的配伍性，速度快、效率高且配色精准度高。

有益效果：

(1)本发明的一种染料复配的方法，方法简单，配色精准度高，配色速度快；

(2)本发明的一种染料复配的方法，得到的复配染料配伍性好，极具应用前景。

附图说明

图1为本发明染料复配的方法的流程图，其中，染料配方B为历史染料配方，染料配方A为候选染料配方。

具体实施方式

下面结合具体实施方式，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

一种染料复配的方法，如图1所示，步骤如下：

(1)确定染料i的种类和质量；

即在染料数据库中随机挑选一种染料后随机生成该染料的质量；

(2)从染料数据库中查找包含染料i的历史染料配方；

(3)按历史染料配方确定与染料i复配的其他染料的种类；

当染料数据库中包含染料i的历史染料配方为多个时，随机选择一个历史染料配方确定与染料i复配的其他染料的种类即可；

(4)随机生成其他染料的质量得到多个候选染料配方；

(5)从多个候选染料配方中筛选出一个候选染料配方后，按该候选染料配方进行复配，筛选的具体步骤如下：

(5.1)训练BP神经网络模型：

(a)获取多个历史染料配方中各染料的K₀值(染色过程中单位质量的织物上各染料的初始上染速率)，染色使用的染液按历史染料配方配制而成，多个历史染料配方的染料种类相同，各染料的质量占染料总质量的百分比不同；

首先按历史染料配方配制染液，使用该染液对织物进行染色，其次采用拉曼光谱仪在线监测染液中各染料浓度随时间变化的数据，然后进行数据处理得到单位质量的织物上各染料上染量随时间变化的数据，接着用Origin软件(也可用Excel软件或CurveExpertPro软件)对数据进行拟合得到各染料对应的上染量-时间拟合曲线，上染量-时间拟合曲线的相关系数不低于0.90，最后通过对上染量-时间拟合曲线进行一阶求导处理得到0时刻时上染量-时间拟合曲线的斜率，进而得到该历史染料配方中各染料的K₀值，依次针对多个历史染料配方进行以上操作获取多个历史染料配方中各染料的K₀值，在线监测时拉曼光谱仪的激光器波长范围为200～1500nm，激光功率为0.01mW～3kW，曝光时间为0.0167～100sec，各染料浓度是利用拉曼光谱通过化学计量学方法建立定量分析模型分析得到的，化学计量学方法为偏最小二乘法、主成分回归法、逐步多元线性回归法或经典最小二乘法，定量分析模型共有两个准确性评估指标，一个是校正相关系数(R²)，最大值为1，越接近1准确性越高，另一种是均方差(RMSEC)，最小值是0，越接近0准确性越高，可通过变换化学计量学方法和光谱预处理方法使其R²或RMSEC无限接近1或者0；

其中，染液的浓度为0.01～200g/L，pH值为0.1～14.0，染色的温度为10～250℃，浴比为1:1～200，中性盐用量为0～300g/L，工艺为轧染、浸染、冷轧堆染色或高温高压染色，染料为活性染料、酸性染料、直接染料或分散染料；织物为棉织物或粘胶织物，上染量W_T的计算公式如下：

式中，C₀为染液中染料的初始浓度，单位为g/L，C_T为T时刻染液中染料的浓度，单位为g/L，m为染色开始时染液中染料的质量，单位为mg，M为织物的质量，单位为g；K₀值的单位为mg·g^-1·min^-1；

(b)采用染料数据库训练BP神经网络得到BP神经网络模型，染料数据库包含步骤(a)中的多个历史染料配方及多个历史染料配方中各染料的K₀值，训练时分别以各历史染料配方中各染料的质量占染料总质量的百分比及其对应的K₀值为输入项和输出项，训练的终止条件为：被错误识别的训练样本的数量占训练样本总数的比例不高于5％，被错误识别的训练样本是指BP神经网络输出的K₀值与实际K₀值不一致的训练样本；

(5.2)将候选染料配方中各染料质量占染料总质量的百分比同时输入到训练好的同一BP神经网络模型中，由其输出候选染料配方中各染料的K₀值；

(5.3)计算D_max，D_max＝|K_0max-K_0min|，K_0max和K_0min分别为候选染料配方中的染料K₀值的最大值和最小值；

(5.4)将各候选染料配方的D_max进行比较，找到D_max最小的候选染料配方；

采用上述方法分别对染料i进行染料复配，具体见实施例1～3。

实施例1

活性红239质量为5g时的复配方法，首先从染料数据库中查找包含活性红239的历史染料配方，按历史染料配方得到可与活性红239复配的活性黄176，并随机生成活性黄176的质量得到多个候选染料配方，逐个染料配方确定D_max，即将候选染料配方中活性红239和活性黄176的质量占染料总质量的百分比同时输入到上述已经训练好的同一BP神经网络模型中(其中，训练BP神经网络模型过程中，染液的浓度为5g/L，pH值为7，染色的温度为60℃，浴比为1:10，中性盐用量60g/L，工艺为浸染，织物为棉织物，拉曼光谱仪的激光器波长为785nm，激光功率为20mW，曝光时间为0.2sec，化学计量学方法为偏最小二乘法)，得到候选染料配方中活性红239和活性黄176的K₀值，并通过计算得到D_max，具体数值如表1所示，找到D_max最小的候选染料配方，即与5g活性红239复配的活性黄176的质量为5g。

表1

实施例2

活性红239质量为5g时的复配方法，首先从染料数据库中查找包含活性红239的历史染料配方，按历史染料配方得到可与活性红239复配的活性蓝194，并随机生成活性蓝194的质量得到多个候选染料配方，逐个染料配方确定D_max，即将候选染料配方中活性红239和活性蓝194的质量占染料总质量的百分比同时输入到上述已经训练好的同一BP神经网络模型中(训练过程与实施例1一致)，得到候选染料配方中活性红239和活性蓝194的K₀值，并通过计算得到D_max，具体数值如表2所示，找到D_max最小的候选染料配方，即与5g活性红239复配的活性蓝194的质量为2g。

表2

实施例3

活性黄176质量为13g时的复配方法，首先从染料数据库中查找包含活性黄176的历史染料配方，按历史染料配方得到可与活性黄176复配的活性蓝194，并随机生成活性蓝194的质量得到多个候选染料配方，逐个染料配方确定D_max，即将候选染料配方中活性黄176和活性蓝194的质量占染料总质量的百分比同时输入到上述已经训练好的同一BP神经网络模型中(训练过程与实施例1一致)，得到活性黄176和活性蓝194的K₀值，并通过计算得到D_max，具体数值如表3所示，找到D_max最小的候选染料配方，即与13g活性黄176复配的活性蓝194的质量为7g。

表3

经验证，本发明的染料复配的方法，配色精准度高，处理速度快，生产成本低廉，得到的复配染料配伍性好，极具应用前景。

Claims (8)

1.一种染料复配的方法，其特征是：确定染料i的种类和质量后，从染料数据库中查找包含染料i的历史染料配方，按历史染料配方确定与染料i复配的其他染料的种类后，随机生成其他染料的质量得到多个候选染料配方，再从中筛选出一个候选染料配方后，按该候选染料配方进行复配；

筛选过程为：首先将候选染料配方中各染料质量占染料总质量的百分比同时输入到同一BP神经网络模型中，由其输出候选染料配方中各染料的K₀值，然后计算D_max，D_max＝|K_0max-K_0min|，K_0max和K_0min分别为候选染料配方中的染料K₀值的最大值和最小值，最后将各候选染料配方的D_max进行比较，找到D_max最小的候选染料配方；

BP神经网络模型是由染料数据库训练后的BP神经网络，染料数据库包含多个历史染料配方及历史染料配方中各染料的K₀值，多个历史染料配方的染料种类相同，同种染料质量占染料总质量的百分比不同，训练时分别以各历史染料配方中各染料质量占染料总质量的百分比及其对应的K₀值为输入项和输出项；

历史染料配方中各染料的K₀值为染色过程中单位质量的织物上各染料的初始上染速率，染色使用的染液按历史染料配方配制而成；

历史染料配方中各染料的K₀值是通过以下过程得到的：

首先在线监测染液中各染料浓度随时间变化的数据，然后进行数据处理得到单位质量的织物上各染料上染量随时间变化的数据，接着对数据进行拟合得到各染料对应的上染量-时间拟合曲线，最后计算0时刻时上染量-时间拟合曲线的斜率得到各染料的K₀值；

所述上染量W_T的计算公式如下：

式中，C₀为染液中染料的初始浓度，单位为g/L，C_T为T时刻染液中染料的浓度，单位为g/L，m为染色开始时染液中染料的质量，单位为mg，M为织物的质量，单位为g；

所述K₀值的单位为mg·g^-1·min^-1。

2.根据权利要求1所述的一种染料复配的方法，其特征在于，染料i的种类和质量是通过在染料数据库中随机挑选一种染料后随机生成该染料的质量得到的。

3.根据权利要求1所述的一种染料复配的方法，其特征在于，所述染液的浓度为0.01～200g/L，pH值为0.1～14.0；所述染色的温度为10～250℃，浴比为1:1～200，中性盐用量为0～300g/L，工艺为轧染、浸染、冷轧堆染色或高温高压染色；所述染料为活性染料、酸性染料、直接染料或分散染料；所述织物为棉织物或粘胶织物。

4.根据权利要求1所述的一种染料复配的方法，其特征在于，所述在线监测采用拉曼光谱仪；所述在线监测时拉曼光谱仪的激光器波长范围为200～1500nm，激光功率为0.01mW～3kW，曝光时间为0.0167～100sec；所述染液中各染料浓度是利用拉曼光谱通过化学计量学方法建立定量分析模型分析得到的。

5.根据权利要求4所述的一种染料复配的方法，其特征在于，所述化学计量学方法为偏最小二乘法、主成分回归法、逐步多元线性回归法或经典最小二乘法；所述定量分析模型共有两个准确性评估指标，一个是校正相关系数，最大值为1，越接近1准确性越高，另一种是均方差，最小值是0，越接近0准确性越高。

6.根据权利要求1所述的一种染料复配的方法，其特征在于，所述拟合采用Origin软件、Excel软件或CurveExpert Pro软件。

7.根据权利要求1所述的一种染料复配的方法，其特征在于，所述上染量-时间拟合曲线的相关系数不低于0.90；所述0时刻时上染量-时间拟合曲线的斜率是通过对上染量-时间拟合曲线进行一阶求导处理得到的。

8.根据权利要求1所述的一种染料复配的方法，其特征在于，采用染料数据库训练BP神经网络时训练的终止条件为：被错误识别的训练样本的数量占训练样本总数的比例不高于5％，被错误识别的训练样本是指BP神经网络输出的K₀值与实际K₀值不一致的训练样本。

Images