CN1963824A - 基于神经网络的聚合物挤出法非织造布纤维直径预测方法 - Google Patents
基于神经网络的聚合物挤出法非织造布纤维直径预测方法 Download PDFInfo
- Publication number
- CN1963824A CN1963824A CN 200610118442 CN200610118442A CN1963824A CN 1963824 A CN1963824 A CN 1963824A CN 200610118442 CN200610118442 CN 200610118442 CN 200610118442 A CN200610118442 A CN 200610118442A CN 1963824 A CN1963824 A CN 1963824A
- Authority
- CN
- China
- Prior art keywords
- neural network
- predicting
- fibers
- data
- weaving fabric
- 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.)
- Pending
Links
Landscapes
- Extrusion Moulding Of Plastics Or The Like (AREA)
Abstract
本发明涉及一种基于神经网络的聚合物挤出法非织造布纤维直径预测方法。包括步骤:(1)获取有关工艺参数和纤维直径数据;(2)建立误差反向传播神经网络;(3)对神经网络进行训练和测试;(4)利用通过测试的神经网络进行预测。该方法能准确、快速地预测聚合物挤出法非织造布纤维直径,提高聚合物挤出法非织造布的产品质量。
Description
技术领域
本发明属于纺织领域,特别涉及一种基于神经网络的聚合物挤出法非织造布纤维直径预测方法。
背景技术
非织造布按加工方法可分为干法、湿法和聚合物挤出法。其中,聚合物挤出法是发展速度最快、最有发展潜力的一种非织造布加工方法。聚合物挤出法主要包括熔喷法和纺粘法两种。纤维直径是衡量聚合物挤出法非织造布产品质量最重要的参数之一,在纺织行业和有关应用领域都受到极大的关注。由于一直没有建立聚合物挤出法非织造布纤维直径的预测方法,因此,生产中只能依靠经验推测非织造布纤维直径。当原料或加工条件发生变化时,靠经验推测出来的结果往往与实际情况差异很大,这时必须进行探索性试验,根据试验结果对工艺与设备进行调整,然后再进行试验,循环往复直到试验结果达到要求。这种方式将显著增加物料、人力、能源的消耗,使成本明显提高,并且还耗费了大量时间。
发明内容
本发明提供一种基于神经网络的聚合物挤出法非织造布纤维直径的预测方法,该方法能准确、快速地预测聚合物挤出法非织造布纤维直径,提高聚合物挤出法非织造布的产品质量。
本发明是通过如下技术方案实现的:
一种基于神经网络的聚合物挤出法非织造布纤维直径预测方法,包括如下步骤:
(1)获取有关工艺参数和纤维直径数据;
(2)建立误差反向传播神经网络;
(3)对神经网络进行训练和测试;
(4)利用通过测试的神经网络进行预测。
所述的获取有关工艺参数和纤维直径数据,必须通过获取聚合物流量、聚合物初始温度、气流初始速度、气流初始温度及相应的纤维直径测量值来实现;
所述的工艺参数和纤维直径数据,必须通过获取至少20组工艺参数和纤维直径测量值才能实现,还必须将所有数据归一化到-1和1之间;
所述的神经网络由一个输入层、一个隐层和一个输出层组成。输入层有4个神经元(对应聚合物流量、聚合物初始温度、气流初始速度、气流初始温度这四个工艺参数),隐层有2个神经元,输出层有1个神经元(对应纤维直径);
所述的隐层神经元的传递函数采用正切Sigmoid函数,输出层神经元的传递函数采用线性函数;
所述的对神经网络进行训练和测试是将步骤(1)获取的数据分成两批,占总数三分之二的数据为一批,用于训练神经网络,占总数三分之一的数据为另一批,用于测试神经网络。
所述的神经网络利用误差反向传播算法进行训练;
所述的在训练神经网络时采用贝叶斯正则化方法,以提高神经网络的推广能力;
所述的神经网络在各组测试数据的预测误差均低于规定水平时即通过测试,可以用于预测工作;
所述的利用通过测试的神经网络进行预测必须将输入数据归一化到-1和1之间,再输入到通过测试的神经网络中,并将计算出来的网络输出进行反归一化,就得到纤维直径预测值。
神经网络是由大量、同时也是简单的处理单元(即神经元)广泛地相互连接而形成的复杂网络系统。各个神经元之间的连接不仅是传送信号的通道,但更重要的是在每对神经元之间的连接上有一个加权系数(即权值),它可以加强或减弱上一个神经元的输出对下一个神经元的刺激。每个神经元的输入是与该神经元相连的所有神经元传递给该神经元信号的加权和。每个神经元还有一个传递函数,传递函数作用于该神经元的输入,就得到了该神经元的输出。应用神经网络技术建立预测模型,不象统计模型那样对数据有严格的要求,只需进行有限次试验,就可以建立模型,而且对含有噪声的数据也能实现有效拟台。有了这种基于神经网络的预测方法,只需进行有限次试验,就可以建立有关工艺参数与纤维直径关系的预测模型,利用该模型就可以准确、快速地预测聚合物挤出法非织造布的纤维直径。利用这种预测方法,通过计算机仿真试验得到较优的工艺组合,从而能够大大减少探索性试验的数量,显著减少物料、人力、能源的消耗。
利用误差反向传播算法对神经网络进行训练。为了提高神经网络的推广能力,训练时还采用了贝叶斯正则化方法。此时,神经网络的训练性能函数除了包含各层输出误差平方和的平均值外,还包含所有网络权值和阈值平方和的平均值,贝叶斯正则化方法依据Levenberg-Marquardt优化理论对神经网络的权值和阈值进行调整,在保证网络训练误差尽可能小的情况下使网络具有较小的权值和阈值,从而缩小了网络的规模,提高了网络的推广能力。当各组测试数据的预测误差均低于规定水平时,该神经网络即通过测试,可以用于预测工作。
本发明的有益效果是:本发明解决了准确、快速地预测聚合物挤出法非织造布纤维直径的问题。利用本发明,只需进行有限次试验,就可以建立有关工艺参数与纤维直径关系的预测模型。利用本发明,可以通过计算机仿真试验得到较优的工艺组合,用以指导生产实际,使最终产品的纤维直径达到期望水平,从而大大减少探索性试验的数量,显著减少物料、人力、能源的消耗,进一步提高聚合物挤出法非织造布的产品质量。本发明在训练神经网络时采用了贝叶斯正则化方法,因而提高了神经网络的推广能力。
附图说明
图1是神经网络结构图。
具体实施方式
下面结合具体实施例,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。
实施例1
利用本发明基于神经网络的聚合物挤出法非织造布纤维直径预测方法为20个聚合物挤出法非织造布试样建立纤维直径预测模型,按照本发明中的步骤依次进行。
(1)获取有关工艺参数和纤维直径数据
20个聚合物挤出法非织造布试样的聚合物流量、聚合物初始温度、气流初始速度、气流初始温度及相应的纤维直径测量值见表1。将所有数据归一化到-1和1之间。
表1工艺参数的变化情况和纤维直径的测量值
试样 | 聚合物流量(g/s) | 聚合物初始温度(℃) | 气流初始速度(m/s) | 气流初始温度(℃) | 纤维直径测量值(μm) |
1 | 0.06 | 240 | 140 | 260 | 6.562 |
2 | 0.02 | 240 | 140 | 260 | 2.148 |
3 | 0.12 | 240 | 140 | 260 | 12.238 |
4 | 0.24 | 240 | 140 | 260 | 19.928 |
5 | 0.06 | 200 | 140 | 260 | 18.038 |
6 | 0.06 | 270 | 140 | 260 | 5.494 |
7 | 0.06 | 320 | 140 | 260 | 3.124 |
8 | 0.06 | 240 | 100 | 260 | 10.996 |
9 | 0.06 | 240 | 200 | 260 | 4.182 |
10 | 0.06 | 240 | 250 | 260 | 3.282 |
11 | 0.06 | 240 | 140 | 220 | 9.158 |
12 | 0.06 | 240 | 140 | 300 | 4.968 |
13 | 0.06 | 240 | 140 | 340 | 4.104 |
14 | 0.02 | 200 | 140 | 220 | 7.970 |
15 | 0.24 | 270 | 250 | 340 | 5.308 |
16 | 0.06 | 240 | 200 | 300 | 3.426 |
17 | 0.24 | 300 | 250 | 340 | 4.541 |
18 | 0.06 | 240 | 200 | 340 | 3.018 |
19 | 0.12 | 270 | 140 | 300 | 5.672 |
20 | 0.12 | 270 | 200 | 340 | 4.056 |
(2)建立误差反向传播神经网络
该神经网络由一个输入层、一个隐层和一个输出层组成。输入层有4个神经元,隐层有2个神经元,输出层有1个神经元。隐层神经元的传递函数采用正切Sigmoid函数,输出层神经元的传递函数采用线性函数。神经网络结构见图1。
(3)对神经网络进行训练和测试
将步骤(1)获取的数据分成两批,一批为14个试样,试样编号为1、3、4、5、7、8、9、10、12、13、15、16、18、20,用于训练神经网络;另一批为6个试样,试样编号为2、6、11、14、17、19,用于测试神经网络。利用误差反向传播算法对神经网络进行训练。表2给出了用于测试的6个试样的纤维直径测量值与预测值。
表2用于测试的6个试样的纤维直径测量值与预测值
试样 | 纤维直径测量值(μm) | 纤维直径预测值(μm) | 纤维直径预测误差(%) |
2 | 2.148 | 1.977 | -7.94 |
6 | 5.494 | 4.993 | -9.13 |
11 | 9.158 | 8.628 | -5.79 |
14 | 7.970 | 8.691 | 9.05 |
17 | 4.541 | 4.084 | -10.07 |
19 | 5.672 | 6.189 | 9.12 |
平均预测误差:-2.46% |
表2中纤维直径预测误差的计算公式为
由表2可见,对于这6个非织造布试样,纤维直径预测值与测量值吻合得相当好,纤维直径预测误差的绝对值最大不超过11%(试样17),平均预测误差仅为-2.46%。以上结果说明所建立的神经网络通过了测试。
(4)利用通过测试的神经网络进行预测
在这21个聚合物挤出法非织造布试样以外,再拿出一个试样,其有关工艺参数为:聚合物流量0.12g/s,聚合物初始温度240℃,气流初始速度200m/s,气流初始温度260℃;纤维直径测量值为7.678μm。将输入数据归一化到-1和1之间,输入到通过测试的神经网络中,将计算出来的网络输出进行反归一化,得出纤维直径预测值为8.196μm,预测误差为6.74%。以上结果说明,所建立的神经网络对训练组和测试组以外的数据也有很好的预测效果,因而具有较强的推广能力。本实施例表明,本发明能够准确、快速地预测聚合物挤出法非织造布的纤维直径,且预测方法有较强的推广能力,在提高非织造布产品质量和优化非织造工艺与设备方面有广阔的应用前景。
Claims (11)
1.一种基于神经网络的聚合物挤出法非织造布纤维直径预测方法,包括如下步骤:
(1)获取有关工艺参数和纤维直径数据;
(2)建立误差反向传播神经网络;
(3)对神经网络进行训练和测试;
(4)利用通过测试的神经网络进行预测。
2.根据权利要求1所述的一种基于神经网络的聚合物挤出法非织造布纤维直径预测方法,其特征在于:获取有关工艺参数和纤维直径数据必须通过获取聚合物流量、聚合物初始温度、气流初始速度、气流初始温度及相应的纤维直径测量值来实现。
3.根据权利要求2所述的一种基于神经网络的聚合物挤出法非织造布纤维直径预测方法,其特征在于:工艺参数和纤维直径数据必须通过获取至少20组工艺参数和纤维直径测量值才能实现,还必须将所有数据归一化到-1和1之间。
4.根据权利要求1所述的一种基于神经网络的聚合物挤出法非织造布纤维直径预测方法,其特征在于:神经网络由一个输入层、一个隐层和一个输出层组成。
5.根据权利要求4所述的一种基于神经网络的聚合物挤出法非织造布纤维直径预测方法,其特征在于:输入层有4个神经元,隐层有2个神经元,输出层有1个神经元。
6.根据权利要求5所述的一种基于神经网络的聚合物挤出法非织造布纤维直径预测方法,其特征在于:隐层神经元的传递函数采用正切Sigmoid函数,输出层神经元的传递函数采用线性函数。
7.根据权利要求1所述的一种基于神经网络的聚合物挤出法非织造布纤维直径预测方法,其特征在于:对神经网络进行训练和测试是将步骤(1)获取的数据分成两批,占总数三分之二的数据为一批,用于训练神经网络,占总数三分之一的数据为另一批,用于测试神经网络。
8.根据权利要求1或7所述的一种基于神经网络的聚合物挤出法非织造布纤维直径预测方法,其特征在于:神经网络利用误差反向传播算法进行训练。
9.根据权利要求1所述的一种基于神经网络的聚合物挤出法非织造布纤维直径预测方法,其特征在于:训练神经网络时采用贝叶斯正则化方法。
10.根据权利要求1所述的一种基于神经网络的聚合物挤出法非织造布纤维直径预测方法,其特征在于:神经网络在各组测试数据的预测误差均低于规定水平时即通过测试,可以用于预测工作。
11.根据权利要求1或10所述的一种基于神经网络的聚合物挤出法非织造布纤维直径预测方法,其特征在于:利用通过测试的神经网络进行预测必须将输入数据归一化到-1和1之间,再输入到通过测试的神经网络中,并将计算出来的网络输出进行反归一化,就得到纤维直径预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 200610118442 CN1963824A (zh) | 2006-11-17 | 2006-11-17 | 基于神经网络的聚合物挤出法非织造布纤维直径预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 200610118442 CN1963824A (zh) | 2006-11-17 | 2006-11-17 | 基于神经网络的聚合物挤出法非织造布纤维直径预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN1963824A true CN1963824A (zh) | 2007-05-16 |
Family
ID=38082873
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 200610118442 Pending CN1963824A (zh) | 2006-11-17 | 2006-11-17 | 基于神经网络的聚合物挤出法非织造布纤维直径预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN1963824A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101893541A (zh) * | 2010-06-09 | 2010-11-24 | 哈尔滨工业大学 | 建立纤维增强树脂基复合材料孔隙问题的表征与评价模型的方法 |
CN102662039A (zh) * | 2012-04-17 | 2012-09-12 | 戴会超 | 一种基于bp神经网络的水体溶解氧饱和度预测方法 |
CN104217085B (zh) * | 2014-09-24 | 2015-05-13 | 中原工学院 | 一种计算机辅助精梳工艺设计与精梳棉网质量预测的方法 |
CN106096558A (zh) * | 2016-06-16 | 2016-11-09 | 长安大学 | 一种基于神经网络的钢筋捆扎方法 |
CN108537323A (zh) * | 2018-03-30 | 2018-09-14 | 滁州学院 | 一种基于人工神经网络的铝电解电容器卷芯直径计算方法 |
CN110084134A (zh) * | 2019-04-03 | 2019-08-02 | 东华大学 | 一种基于级联神经网络和特征融合的人脸考勤系统 |
US10482202B2 (en) | 2016-06-30 | 2019-11-19 | The Procter & Gamble Company | Method for modeling a manufacturing process for a product |
CN112149618A (zh) * | 2020-10-14 | 2020-12-29 | 紫清智行科技(北京)有限公司 | 适用于巡检车的行人异常行为检测方法与装置 |
CN112513561A (zh) * | 2018-04-06 | 2021-03-16 | 布拉斯科美国有限公司 | 用于质量控制的拉曼光谱法和机器学习 |
-
2006
- 2006-11-17 CN CN 200610118442 patent/CN1963824A/zh active Pending
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101893541A (zh) * | 2010-06-09 | 2010-11-24 | 哈尔滨工业大学 | 建立纤维增强树脂基复合材料孔隙问题的表征与评价模型的方法 |
CN102662039A (zh) * | 2012-04-17 | 2012-09-12 | 戴会超 | 一种基于bp神经网络的水体溶解氧饱和度预测方法 |
CN104217085B (zh) * | 2014-09-24 | 2015-05-13 | 中原工学院 | 一种计算机辅助精梳工艺设计与精梳棉网质量预测的方法 |
CN106096558B (zh) * | 2016-06-16 | 2019-08-30 | 长安大学 | 一种基于神经网络的钢筋捆扎方法 |
CN106096558A (zh) * | 2016-06-16 | 2016-11-09 | 长安大学 | 一种基于神经网络的钢筋捆扎方法 |
US10482202B2 (en) | 2016-06-30 | 2019-11-19 | The Procter & Gamble Company | Method for modeling a manufacturing process for a product |
CN108537323A (zh) * | 2018-03-30 | 2018-09-14 | 滁州学院 | 一种基于人工神经网络的铝电解电容器卷芯直径计算方法 |
CN108537323B (zh) * | 2018-03-30 | 2022-04-19 | 滁州学院 | 一种基于人工神经网络的铝电解电容器卷芯直径计算方法 |
CN112513561A (zh) * | 2018-04-06 | 2021-03-16 | 布拉斯科美国有限公司 | 用于质量控制的拉曼光谱法和机器学习 |
CN112513561B (zh) * | 2018-04-06 | 2022-04-15 | 布拉斯科美国有限公司 | 用于质量控制的拉曼光谱法和机器学习 |
CN110084134A (zh) * | 2019-04-03 | 2019-08-02 | 东华大学 | 一种基于级联神经网络和特征融合的人脸考勤系统 |
CN112149618A (zh) * | 2020-10-14 | 2020-12-29 | 紫清智行科技(北京)有限公司 | 适用于巡检车的行人异常行为检测方法与装置 |
CN112149618B (zh) * | 2020-10-14 | 2022-09-09 | 紫清智行科技(北京)有限公司 | 适用于巡检车的行人异常行为检测方法与装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1963824A (zh) | 基于神经网络的聚合物挤出法非织造布纤维直径预测方法 | |
CN100367300C (zh) | 一种基于人工神经网络的特征选择方法 | |
CN101782771B (zh) | 基于免疫神经网络的纺丝工艺智能优化设计方法 | |
CN100461210C (zh) | 一种基于模糊逻辑的神经网络输入参数筛选方法 | |
CN102788696B (zh) | 基于改进bp神经网络和模糊集理论的轴承健康度评价方法 | |
CN106570525A (zh) | 一种基于贝叶斯网络的在线商品评价质量评估方法 | |
Beltran et al. | Predicting worsted spinning performance with an artificial neural network model | |
CN105701280B (zh) | 南美白对虾围塘养殖水质预测方法 | |
Jin et al. | A neural network model used in continuous grain dryer control system | |
CN116562171B (zh) | 一种温湿度在线计量的误差评估方法 | |
CN103675006B (zh) | 最小二乘的工业熔融指数软测量仪表和方法 | |
CN103675011A (zh) | 最优支持向量机的工业熔融指数软测量仪表和方法 | |
CN115510967A (zh) | 一种基于重构相似性的复杂装备不均衡异常检测方法 | |
CN101364277A (zh) | 基于区间ⅱ型模糊集的t-s模糊模型的建模系统 | |
CN103675010B (zh) | 支持向量机的工业熔融指数软测量仪表及方法 | |
CN107885914A (zh) | 工业反应器运行状态可视化在线监测方法 | |
CN117009841A (zh) | 一种模型训练方法、电机故障诊断方法和微控制器 | |
CN103675012B (zh) | Bp粒子群优化的工业熔融指数软测量仪表和方法 | |
CN205617133U (zh) | 纱线条干不匀率预测装置 | |
Lian | Wind speed prediction based on CEEMD-SE and multiple echo state network with Gauss–Markov fusion | |
Mwasiagi et al. | The use of k-means and artificial neural network to classify cotton lint | |
Bo | Prediction of end breakage rates of cotton yarn in ring spinning processing by applying neural network approach and regression analysis theory | |
CN113591384B (zh) | 一种基于门控卷积网络的水泥成品比表面积预测方法 | |
CN103630568B (zh) | Bp网络的工业熔融指数软测量仪表及方法 | |
Bo | Prediction of fiber diameter on spunbonding fabric using neural network and physical model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |