论文部分内容阅读
活性染料以其色泽鲜艳、色牢度好而在纤维素纤维染色中得到广泛应用。但是,工厂应用活性染料浸染棉/氨针织物,不仅需要进行多次打样才能进行放样,而且在放样时常常发生大小样色泽不符现象,产生这种现象的原因与企业的综合管理水平、设备因素、染化料因素、工艺因素、漂染工程师技术素质、操作因素以及所给大样配方不准确有关。本文认为染化料因素和工艺因素是关键的可控因素,选用符合染色质量标准的配伍性好的三原色染料是染色的根本前提,在复样配方基础上能够给出合理正确的大样配方可有效提高染色一次成功率,从而为工厂节省能源,提高经济效益。
本课题来源于锦兴纺织漂染有限公司,此公司主要从事棉/氨纶针织物的活性染料的染色加工。工厂染色一般是依靠染料生产厂家提供的资料来选择拼色组合,但在实际生产中,常常因为染色条件不同,并不能达到预期的效果,以及经济方面的因素,因此不能单纯的应用染料公司所提供的配方及工艺。
本文首先对公司推荐的四种活性染料即Monozol Yellow F3R150%,Monozol RedF38150%.Cibacron Blue FNR,Sunmifix Brill Blue R100%进行了染色性能研究,然后研究了染料的染色工艺,最后进行大样配方预测系统研究。
染色性能方面,主要通过分析染色特征参数S(直接性)、E(竭染率)、R(反应性)、T<,50>(半固时间)、F(最终固色率)、MI(移染指数)、LDF(匀染因子)、WF(易洗涤因子)、BDI(提升力指数)、Ek、Er、Fr等值来确定染色性能。根据活性染料三原色筛选方法,即上染、固色速率曲线相似,染色特征值S,E,R,F相近法和配伍因子(RCM)法,选择出配伍性较好的一组三原色。
染料染色工艺方面,首先分析了三原色拼染时染料间的关系、染料吸附速率与同步性、染料的键合反应速率与同步性、染料一纤维键的稳定性等,然后采用正交实验法研究染料的最佳染色工艺。
在上述研究工作完成后,进行工厂三原色实践染色,跟踪参与三原色的大、中、小样染色,运用流程数据统计法,统计三原色配方系数,建立课题基础数据,而后对数据进行非线性回归分析和BP神经网络分析预测,得出中、大样配方差异的规律。
通过研究得出以下结论:
由上染速率曲线和固色速率曲线,通过分析染色特征值S、E、F、R等和速率曲线走势,得到与活性染料Monozol Yellow F3R150%,Monoz01.Red F38150%配伍性较好的蓝色染料为Cibacron Blue FNR。
由染料的MI值、LDF值、WF值、Rf值及BDI曲线,根据配伍因子(RCM)法筛选三原色,得到:Monozol Yellow F3R150%,Monozol Red F38150%、Cibacron BlueFNR的MI值、LDF值、T<,50>、S值较为相容,适合拼染,与前种方法所确定的三原色是一致的,且此三原色较为适合染中、浅色,匀染性好。另外,采用较简单的分步浸染法,比较了染料的配伍性,试验结果佐证了前述两种方法所确定的三原色配伍性较好。
实验研究三原色拼混染色时在染浴中浓度比例的变化,得到三原色在染浴中的比例变化曲线,显示出,这三只染料上染于织物上的染料浓度比例基本不变,表现为样品色差基本不变,只是浓度加深。研究碱效应大小与同步性的实验结果表明,三只染料在加入碱剂的第二次吸色阶段,染料的吸附上色速率较温和,色光变化波动很小;固色率稳步提高,匀染性表现好;该组合的染料一纤维键耐酸碱稳定性好。
用正交实验法确定的三原色最佳染色工艺条件为:染料用量(o.w.f.)3%,盐Na2S04浓度40g/L,染色温度60"C,碱Na<,2>CO<,3>浓度20g/L。
采用MATLAB工具箱的Regress命令,对活性染料三元色染色中、大样配方系数进行非线性回归分析预测,所建回归模型为:黄色染料 Y=0.0064+1.0278x+0.0107x<2> 红色染料 Y=.0.0039+1.0797x.0.0115x<2> 蓝色染料 Y=.0.0003+1.1052x.0.1522x<2>式中:Y表示大样配方系数:x表示中样配方系数通过对R<2>,F,P的检验得到回归模型成立。将各x值返带回到回归方程得到预测值与实际值的相对误差率分别为7.7%、7.1%、7.1%,模型满足实际应用。
BP神经网络是人工神经网络中的一种。根据中、大样染色配方系数特点,分别构建了黄、红、蓝三个染料的以中样的配方系数为网络输入,大样为网络输出,单隐层的BP神经网络。网络的基本属性是,输入层到输出层的传递函数为TANSIG,隐含层到输出层的传递函数为PURELIN,网络训练函数为TRAINLM,自适应学习函数为LEARNGDM;黄、红色染料的网络隐含层神经元数为5,蓝色的网络隐含层神经元数为8。用训练好的网络模型进行预测,预测仿真结果,黄、红、蓝三个模型的预测值与实际值的相对误差分别为3.1%、3.6%、3.1%,比非线性回归模型预测精度高四个百分点,较为满足工厂实际应用。