CN110656385B - 一种基于神经网络的静电纺丝纤维平均直径预测方法 - Google Patents

一种基于神经网络的静电纺丝纤维平均直径预测方法 Download PDF

Info

Publication number
CN110656385B
CN110656385B CN201911030831.2A CN201911030831A CN110656385B CN 110656385 B CN110656385 B CN 110656385B CN 201911030831 A CN201911030831 A CN 201911030831A CN 110656385 B CN110656385 B CN 110656385B
Authority
CN
China
Prior art keywords
neural network
network model
electrostatic spinning
layer
diameter
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911030831.2A
Other languages
English (en)
Other versions
CN110656385A (zh
Inventor
王晗
杨朋
陈新
王瑞洲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201911030831.2A priority Critical patent/CN110656385B/zh
Publication of CN110656385A publication Critical patent/CN110656385A/zh
Application granted granted Critical
Publication of CN110656385B publication Critical patent/CN110656385B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • D—TEXTILES; PAPER
    • D01—NATURAL OR MAN-MADE THREADS OR FIBRES; SPINNING
    • D01D—MECHANICAL METHODS OR APPARATUS IN THE MANUFACTURE OF ARTIFICIAL FILAMENTS, THREADS, FIBRES, BRISTLES OR RIBBONS
    • D01D5/00—Formation of filaments, threads, or the like
    • D01D5/0007—Electro-spinning

Abstract

本发明涉及静电纺丝技术领域，具体公开了一种基于神经网络的静电纺丝纤维平均直径预测方法，包括将静电纺丝工艺参数以及静电纺丝纤维的直径作为训练样本、建立BP神经网络模型、输入训练样本对BP神经网络模型进行训练、将静电纺丝工艺参数输入训练后的BP神经网络模型、训练后的BP神经网络模型对静电纺丝纤维的直径进行预测并得出直径预测值等步骤。本发明的基于神经网络的静电纺丝纤维平均直径预测方法，运用BP神经网络技术，建立建立预测模型得出静电纺丝纤维的平均直径，有效地提高了实验效率，方法简单高效，预测结果可信度较高，降低了试错成本。

Description

一种基于神经网络的静电纺丝纤维平均直径预测方法
技术领域
本发明涉及静电纺丝技术领域，尤其涉及一种基于神经网络的静电纺丝纤维平均直径预测方法。
背景技术
静电纺丝工艺中如何得到满足直径要求的静电纺丝纤维是一个比较复杂的问题，该工艺涉及到的用于生产符合直径要求的静电纺丝纤维的静电纺丝工艺参数较多，各个静电纺丝工艺参数之间相互作用关系复杂，科研人员通常都是借助于经验进行反复调试，从而得到各个静电纺丝工艺参数，所以在对静电纺丝工艺参数进行调试，从而能够生产符合直径要求的静电纺丝纤维难上加难。
发明内容
针对现有技术中的技术问题，本发明提供一种基于神经网络的静电纺丝纤维平均直径预测方法。
一种基于神经网络的静电纺丝纤维平均直径预测方法，包括：
将静电纺丝工艺参数以及静电纺丝纤维的直径作为训练样本；
建立BP神经网络模型；
输入训练样本对BP神经网络模型进行训练；
将静电纺丝工艺参数输入训练后的BP神经网络模型，训练后的BP神经网络模型对静电纺丝纤维的直径进行预测并得出直径预测值；
计算训练样本中静电纺丝纤维的直径与直径预测值的差值，若差值未超出设定值，则根据直径预测值计算静电纺丝纤维的平均直径，若差值超出设定值，则将差值回传BP神经网络模型，进行再次训练及预测。
进一步的，输入训练样本对BP神经网络模型进行训练包括：
对BP神经网络模型的参数进行初始化，BP神经网络模型包括输入层、隐藏层以及输出层，随机选取输入层到隐藏层之间的权重W[1]以及隐藏层到输出层之间的权重W[2]，其中W[1]与W[2]均为非零值；令隐藏层的阈值b[1]与输出层的阈值b[2]为零，并将b[1]和b[2]向量化；
将m个训练样本输入BP神经网络模型，则BP神经网络模型输出层的输入矩阵为：X＝(x(1),x(2),...,x(m)),BP神经网络模型输出层的输出矩阵为Y＝(y(1),y(2),...,y(m))；其中，第i个训练样本经过隐藏层的输出为a[1](i)＝f(W[1]x(i)+b[1])，第i个训练样本经过输出层的输出为
Figure GDA0002674416890000021
f为激活函数，且
Figure GDA0002674416890000022
计算BP神经网络模型的误差函数：
Figure GDA0002674416890000023
若误差函数满足要求则训练结束，若误差函数不满足要求则反向传播调整权重；其中，反向传播时输出层到隐藏层之间的权重为
Figure GDA0002674416890000024
隐藏层到输入层之间的权重为
Figure GDA0002674416890000025
ɑ为学习率。
进一步的，静电纺丝工艺参数包括：电压值、纺丝喷头与接收板之间的接收距离、纺丝收集速度、纺丝环境的气压值以及纺丝材料的质量分数。
本发明的基于神经网络的静电纺丝纤维平均直径预测方法，运用BP神经网络技术，建立预测模型得出静电纺丝纤维的平均直径，有效地提高了实验效率，方法简单高效，预测结果可信度较高，降低了试错成本。
附图说明
为了更清楚的说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明实施例的一种基于神经网络的静电纺丝纤维平均直径预测方法的步骤流程图；
图2为本发明实施例的一种基于神经网络的静电纺丝纤维平均直径预测方法中BP神经网络模型的结构示意图。
具体实施方式
下面将结合本发明中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通的技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例，都属于本发明的保护范围。
本发明实施例的一种基于神经网络的静电纺丝纤维平均直径预测方法，如图1所示，该方法包括：
步骤S10：将静电纺丝工艺参数以及静电纺丝纤维的直径作为训练样本；
步骤S20：建立BP神经网络模型；
步骤S30：输入训练样本对BP神经网络模型进行训练；
步骤S40：将静电纺丝工艺参数输入训练后的BP神经网络模型，训练后的BP神经网络模型对静电纺丝纤维的直径进行预测并得出直径预测值；
步骤S50：计算训练样本中静电纺丝纤维的直径与直径预测值的差值，若差值未超出设定值，则根据直径预测值计算静电纺丝纤维的平均直径，若差值超出设定值，则将差值回传BP神经网络模型，进行再次训练及预测。
本步骤中当训练样本中静电纺丝纤维的直径与直径预测值的差值超出设定值时，将差值回传BP神经网络模型，再次训练即执行步骤S30，而预测则是执行步骤S40，直至训练样本中静电纺丝纤维的直径与直径预测值的差值未超出设定值，则根据直径预测值计算出静电纺丝纤维的平均直径。
本发明实施例的基于神经网络的静电纺丝纤维平均直径预测方法，运用了BP神经网络技术，建立预测模型得出静电纺丝纤维的平均直径，预测方法简单高效，结果可信度较高，同时也降低了试错成本。
具体的，本实施例中步骤S30对BP神经网络模型进行训练具体包括以下步骤：
步骤S301：对BP神经网络模型的参数进行初始化，BP神经网络模型包括输入层、隐藏层以及输出层，随机选取输入层到隐藏层之间的权重W[1]以及隐藏层到输出层之间的权重W[2]，其中W[1]与W[2]均为非零值；令隐藏层的阈值b[1]与输出层的阈值b[2]为零，并将b[1]和b[2]向量化。
同时，本步骤还应当设定最大学习次数n，n为大于0的自然数。
步骤S302：将m个训练样本输入BP神经网络模型，则BP神经网络模型输出层的输入矩阵为：X＝(x(1),x(2),...,x(m)),BP神经网络模型输出层的输出矩阵为Y＝(y(1),y(2),...,y(m))；其中，第i个训练样本经过隐藏层的输出为a[1](i)＝f(W[1]x(i)+b[1])，第i个训练样本经过输出层的输出为
Figure GDA0002674416890000041
f为激活函数，且
Figure GDA0002674416890000042
步骤S303：计算BP神经网络模型的误差函数：
Figure GDA0002674416890000051
若误差函数满足要求则训练结束，若误差函数不满足要求则反向传播调整权重；其中，反向传播时输出层到隐藏层之间的权重为
Figure GDA0002674416890000052
隐藏层到输入层之间的权重为
Figure GDA0002674416890000053
ɑ为学习率。
具体的，静电纺丝工艺参数包括：电压值、纺丝喷头与接收板之间的接收距离、纺丝收集速度、纺丝环境的气压值以及纺丝材料的质量分数。本发明对静电纺丝设备的产品型号不作出具体的限定，以上工艺参数中，本领域人员可根据具体生产要求对纺丝时的电压值、纺丝喷头和接收板之间的距离、纺丝收集速度(喷头喷射溶液的速度)以及纺丝的环境等进行适当的调节，以上工艺参数均能够作为本发明训练样本中的数据，为提高BP神经网络模型预测的准确度，本领域人员还能够选用其他与纺丝工艺相关的参数共同作为静电纺丝工艺参数。
本发明的基于神经网络的静电纺丝纤维平均直径预测方法，运用BP神经网络技术，建立预测模型得出静电纺丝纤维的平均直径，有效地提高了实验效率，方法简单高效，预测结果可信度较高，降低了试错成本。
以上借助具体实施例对本发明做了进一步描述，但是应该理解的是，这里具体的描述，不应理解为对本发明的实质和范围的限定，本领域内的普通技术人员在阅读本说明书后对上述实施例做出的各种修改，都属于本发明所保护的范围。

Claims (2)

1.一种基于神经网络的静电纺丝纤维平均直径预测方法，其特征在于，所述方法包括：
将静电纺丝工艺参数以及静电纺丝纤维的直径作为训练样本；
建立BP神经网络模型；
输入所述训练样本对所述BP神经网络模型进行训练；
将所述静电纺丝工艺参数输入训练后的BP神经网络模型，所述训练后的BP神经网络模型对静电纺丝纤维的直径进行预测并得出直径预测值；
计算所述训练样本中静电纺丝纤维的直径与所述直径预测值的差值，若差值未超出设定值，则根据所述直径预测值计算静电纺丝纤维的平均直径，若差值超出设定值，则将所述差值回传所述BP神经网络模型，进行再次训练及预测；其中，输入所述训练样本对所述BP神经网络模型进行训练包括：
对所述BP神经网络模型的参数进行初始化，所述BP神经网络模型包括输入层、隐藏层以及输出层，随机选取所述输入层到所述隐藏层之间的权重W[1]以及所述隐藏层到所述输出层之间的权重W[2]，其中W[1]与W[2]均为非零值；令所述隐藏层的阈值b[1]与所述输出层的阈值b[2]为零，并将b[1]和b[2]向量化；
将m个所述训练样本输入所述BP神经网络模型，则所述BP神经网络模型输出层的输入矩阵为：X＝(x(1),x(2),...,x(m)),所述BP神经网络模型输出层的输出矩阵为Y＝(y(1),y(2),...,y(m))；其中，第i个训练样本经过所述隐藏层的输出为a[1](i)＝f(W[1]x(i)+b[1])，第i个训练样本经过所述输出层的输出为
Figure FDA0002674416880000011
Figure FDA0002674416880000012
f为激活函数，且
Figure FDA0002674416880000013
计算所述BP神经网络模型的误差函数：
Figure FDA0002674416880000014
若所述误差函数满足要求则训练结束，若所述误差函数不满足要求则反向传播调整权重；其中，反向传播时所述输出层到所述隐藏层之间的权重为
Figure FDA0002674416880000021
所述隐藏层到所述输入层之间的权重为
Figure FDA0002674416880000022
ɑ为学习率。
2.如权利要求1所述的一种基于神经网络的静电纺丝纤维平均直径预测方法，其特征在于，所述静电纺丝工艺参数包括：电压值、纺丝喷头与接收板之间的接收距离、纺丝收集速度、纺丝环境的气压值以及纺丝材料的质量分数。
CN201911030831.2A 2019-10-28 2019-10-28 一种基于神经网络的静电纺丝纤维平均直径预测方法 Active CN110656385B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911030831.2A CN110656385B (zh) 2019-10-28 2019-10-28 一种基于神经网络的静电纺丝纤维平均直径预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911030831.2A CN110656385B (zh) 2019-10-28 2019-10-28 一种基于神经网络的静电纺丝纤维平均直径预测方法

Publications (2)

Publication Number Publication Date
CN110656385A CN110656385A (zh) 2020-01-07
CN110656385B true CN110656385B (zh) 2021-01-12

Family

ID=69041889

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911030831.2A Active CN110656385B (zh) 2019-10-28 2019-10-28 一种基于神经网络的静电纺丝纤维平均直径预测方法

Country Status (1)

Country Link
CN (1) CN110656385B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113848706B (zh) * 2021-09-13 2024-01-12 无锡宏源机电科技股份有限公司 一种丝线张力检测方法、控制方法及控制装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104091045A (zh) * 2014-06-16 2014-10-08 华南理工大学 一种基于bp神经网络的空调长效性能预测方法
CN106874581A (zh) * 2016-12-30 2017-06-20 浙江大学 一种基于bp神经网络模型的建筑空调能耗预测方法
CN108977897A (zh) * 2018-06-07 2018-12-11 浙江天悟智能技术有限公司 基于局部内在可塑性回声状态网络的熔纺工艺控制方法
CN109034388A (zh) * 2018-07-27 2018-12-18 湖北中烟工业有限责任公司 一种基于遗传算法优化神经网络的卷烟材料与主流烟气成分的预测模型
CN109492287A (zh) * 2018-10-30 2019-03-19 成都云材智慧数据科技有限公司 一种基于bp神经网络的固态电解质离子电导率预测方法
CN109508498A (zh) * 2018-11-14 2019-03-22 青岛科技大学 基于bp人工神经网络的橡胶减振器配方设计系统及方法
CN110108443A (zh) * 2019-05-05 2019-08-09 大连理工大学 一种基于神经网络的压电陶瓷驱动器输出控制方法
CN110163616A (zh) * 2019-05-27 2019-08-23 河南科技大学 一种基于bp神经网络的移动支付风险预警方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104091045A (zh) * 2014-06-16 2014-10-08 华南理工大学 一种基于bp神经网络的空调长效性能预测方法
CN106874581A (zh) * 2016-12-30 2017-06-20 浙江大学 一种基于bp神经网络模型的建筑空调能耗预测方法
CN108977897A (zh) * 2018-06-07 2018-12-11 浙江天悟智能技术有限公司 基于局部内在可塑性回声状态网络的熔纺工艺控制方法
CN109034388A (zh) * 2018-07-27 2018-12-18 湖北中烟工业有限责任公司 一种基于遗传算法优化神经网络的卷烟材料与主流烟气成分的预测模型
CN109492287A (zh) * 2018-10-30 2019-03-19 成都云材智慧数据科技有限公司 一种基于bp神经网络的固态电解质离子电导率预测方法
CN109508498A (zh) * 2018-11-14 2019-03-22 青岛科技大学 基于bp人工神经网络的橡胶减振器配方设计系统及方法
CN110108443A (zh) * 2019-05-05 2019-08-09 大连理工大学 一种基于神经网络的压电陶瓷驱动器输出控制方法
CN110163616A (zh) * 2019-05-27 2019-08-23 河南科技大学 一种基于bp神经网络的移动支付风险预警方法

Also Published As

Publication number Publication date
CN110656385A (zh) 2020-01-07

Similar Documents

Publication Publication Date Title
CN109993299A (zh) 数据训练方法及装置、存储介质、电子装置
CN104751227B (zh) 用于语音识别的深度神经网络的构建方法及系统
CN106445915A (zh) 一种新词发现方法及装置
CN112732436B (zh) 一种多核处理器-单图形处理器的深度强化学习加速方法
CN109976911B (zh) 一种自适应资源调度方法
CN111309907A (zh) 一种基于深度强化学习的实时Bug分派方法
CN105678381A (zh) 一种性别分类网络训练方法、性别分类方法及相关装置
CN110656385B (zh) 一种基于神经网络的静电纺丝纤维平均直径预测方法
CN114492831A (zh) 联邦学习模型的生成方法及其装置
CN109409746A (zh) 一种生产调度方法及装置
CN111799808A (zh) 一种电网无功电压分布式控制方法及系统
CN107220449A (zh) 一种基于分段非线性函数的风机功率曲线建模方法
CN106326005A (zh) 一种迭代型MapReduce作业的参数自动调优方法
CN113987938A (zh) 工艺参数优化方法、装置、设备以及存储介质
CN109115446A (zh) 基于跨声速风洞风速精度控制方法及系统
CN112365003A (zh) 一种基于大数据调整nlp模型容量的方法
CN111626497A (zh) 人流量预测方法、装置、设备和存储介质
CN112149826B (zh) 深度神经网络推理计算中一种基于Profile图的优化方法
CN103927776A (zh) 动画曲线优化方法
CN114997417A (zh) 一种函数级作业分布式智能分解方法
CN113506360A (zh) 一种虚拟人物表情驱动方法和系统
CN109389216A (zh) 神经网络的动态裁剪方法、装置及存储介质
CN112738225A (zh) 基于人工智能的边缘计算方法
CN102438325B (zh) 基于认知无线终端重构系统的资源调度方法
CN116705026B (zh) 一种人工智能交互方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant