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技术

本发明专利技术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。

【技术实现步骤摘要】

本专利技术属于纺织领域，特别涉及一种。
技术介绍
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。
技术实现思路
本专利技术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。本专利技术是通过如下技术方案实现的一种，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。本专利技术的有益效果是本专利技术解决了准确、快速地预测聚合物挤出法非织造布纤维直径的问题。利用本专利技术，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。利用本专利技术，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。本专利技术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。具体实施例方式下面结合具体实施例，进一步阐述本专利技术。应理解，这些实施例仅用于说明本专利技术而不用于限制本专利技术的范围。此外应理解，在阅读了本专利技术讲授的内容之后，本领域技术人员可以对本专利技术作各种改动或修改，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利用本专利技术为20个聚合物挤出法非织造布试样建立纤维直径预测模型，按照本专利技术中的步骤依次进行。(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 (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 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，本专利技术能够准确、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，在提高非织造布产本文档来自技高网...

【技术保护点】
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 。

【技术特征摘要】

【专利技术属性】
技术研发人员：陈廷，陈霞，李立轻，郁沈铭，
申请(专利权)人：东华大学，
类型：发明
国别省市：31[中国|上海]