4．2碱减量率对织物透气性的影响
涤纶织物经碱减量处理后，纤维表面受到碱的剥蚀作用而变细，产生凹坑使得涤纶纤维之间的孔隙增加，同时由于减量后织物结构疏松，处理后织物的透气性增大。将热定型后的织物进行碱减量处理，在不同的碱减量条件下，测得织物减量率和减量处理后的总缩率。由于织物在前道工序已产生较为充分的收缩，因此织物的总缩率变化不大。取表2中11—34号试样，建立碱减量率对透气性的影响回归方程：
4．3缩率及减量率对透气性的影响
在碱减量处理中，织物的收缩和减量同时进行，这2个因素同时影响织物的透气率。为确切反映这2个因素对透气率的影响程度，将缩率茗．和减量率省：作为自变量，透气率作因变量，对表2中1．24号试样进行多元非线性回归。
4．4利用神经网络预测透气率
量处理过程中，织物会产生少量收缩，对织物结构的紧密程度存在一定影响，而织物的紧密程度直接影响碱减量率。织物结构疏松，碱液容易渗透，碱减量率会随之增加，因此织物缩率与碱减量率之间存在一定的相关性。用回归分析进行预测，需要消除多元共线性问题，当自变量之间存在相关性时，求解精度较低。神经网络是经过有限次迭代计算而获得一个反映实验数据内在规律的数学模型，通过网络学习使其输入与期望输出相符合。特别适合处理需要同时考虑多重因素的不精确和模糊的信息处理问题，有效地解决了自变量之间的相关性问题。
本文采用BP神经网络对织物的透气率进行预测。先将表2中ll一34号试样进行归一化处理。建立3层BP神经网络：第l层是输入层，共输入表2中织物缩率和碱减量率的归一化值，每个试样有2个相关因素，因此输入层设定2个神经元；第2层是隐含层，隐层神经元节点数是根据网络模型训练时所产生的误差大小而确定，设为7个神经元。第3层是输出层，输出参数为透气率，设1个神经元节点。反复训练调整网络参数后确定该模型采用kvenbe曙Marquardt算法，实验中发现，模拟复杂程度不高的非线性关系，采用这种网络结构可以达到比较好的效果，在训练25次后精度已达到10～，满足预设精度，训练成功，如图5所示。
固定以上训练模型的各权值和阈值作为预测模型的参数，见表4。对表2中35～39号试样进行预测，结果见表5。
5 结论
在前处理加工中涤纶织物会多次受到物理及化学作用，这些作用的工艺条件综合反映在缩率和碱减量率2个方面。织物结构的变化导致织物的透气性发生变化。通过对缩率和碱减量率的一元非线性回归，认为缩率与透气率呈负相关，即缩率越大，透气率越小；而碱减量率与透气率呈正相关，碱减量越大，透气率越大。对缩率和碱减量率进行多元非线性回归，结果表明碱减量率的影响程度更为显著。采用多元回归方程和BP神经网络对织物的透气率进行预测，预测值与实测值较为接近，BP神经网络的相对误差更小，预测精度更高。
<<上一页[1][2]
相关信息 
推荐企业 推荐企业
推荐企业
您所在的位置：
