论文部分内容阅读
兔毛(绒)具有轻、滑、暖、光泽好等优点,其产品外表美观、色泽鲜艳、手感柔软、绒毛丛立、穿着轻便,深受人们的喜爱。然而,兔毛(绒)纤维鳞片开角小,鳞片层彼此紧压,鳞片与鳞片之间的界线不够分明,且纤维长度短、卷曲少、波峰浅、甚至无弯曲等原因导致了兔毛(绒)纤维之间的抱合力较小,难以成纱。许多企业经过多年研究探索,虽然逐步优化了纺制高支纯兔绒精纺纱的工艺路线,到粗纱时兔绒纤维的平均长度、平均直径等指标在一定程度上达到了纺制高支纯兔绒精纺纱的要求,但部分企业在细纱阶段仍存在一个问题,即毛纺细纱机上粗纱的退绕方式是消极式,在纺制高支纯兔绒精纺纱时,易出现吊锭到导纱杆阶段粗纱的粗细不匀或断头,不利于纺制高品质高支纯兔绒纱。传统上许多企业都是采用单啧试纺的方法来确定纺纱的工艺参数与成纱的性能值,耗费了大量人力、物力和时间。为了提高效率,后来陆续出现了一些建立数学模型或经验公式的预测方法,但预测结果十分不正确。人工神经网络在处理和解决问题时,不需要精确的数学模型,本身具有强大的自学能力和结构可变性,非常适合纺织厂对纱线性能的预测。但是,目前关于在较大输入层样本数、较多输入层节点数条件下的纱线性能的人工神经网络预测模型的深入研究还较少。针对因兔绒纤维之间抱合力较小而导致毛纺细纱机吊锭到导纱杆阶段粗纱的条干不匀与断头的现象,本文设计了一种适用于毛纺细纱机上的积极式退绕机构,其工作原理是使粗纱筒粗纱退绕时的表面线速度与牵伸区后罗拉的表面线速度相等。实现粗纱筒回转时的粗纱微张力或零张力,从而降低粗纱断头率和条干不匀率,达到提高高支纯兔绒精纺纱品质的目的。分别对毛纺环锭细纱机上使用了此机构和未使用此机构纺制的高支纯兔绒精纺纱,进行了强力、弹性和条干不匀率等指标的对比分析。实验结果表明,使用此积极式退绕机构所纺制的高支精纺纯兔绒纱在各项性能方面都有一定的提高,从而验证了此机构的有效性。本文使用了BP与RBF神经网络对毛精纺纱(不仅包含安装此机构纺制的高支纯兔绒精纺纱,同时也包含了羊毛精纺纱、羊绒精纺纱等其它类型的纱线)的性能进行了预测。分析比较了不同人工神经网络模型的预测性能,确定了适合工厂的最优模型。首先,在输入层样本数较大、输入层节点数较多的条件下,使用了单、双隐层BP神经网络对毛精纺纱的条干不匀率、断裂强力进行了预测,从预测精度、稳定性、训练速度等三个方面比较分析两种BP神经网络模型的预测性能。实验结果表明,在预测毛精纺纱的条干不匀率时,隐含层数为2、隐含层节点数为9的BP神经网络模型为首选模型,表征预测精度的相关系数值为0.9849;在预测毛精纺纱的断裂强力时,隐含层数为2、隐含层节点数为8的BP神经网络模型为首选模型,相关系数值为0.9888。两个首选模型的相关系数值都十分接近1,表明在输入层样本数较大、输入层节点较多的条件下,BP神经网络有较高的预测精度。另外,在输入样本数较大、输入层维数较高的条件下,本文也使用了RBF神经网络对毛精纺纱的条干不匀率、断裂强力进行预测,并从训练步数、模型建立难度、预测精度等三个方面综合评价BP神经网络与RBF神经网络模型的预测性能。实验结果表明,在输入层维数较高的情况下,RBF神经网络模型的训练速度要快于BP神经网络模型。RBF神经网络模型散步系数值需要通过一定的实验量才能确定,并需要判断是否有异常样本的存在,以达到精确预测的目的,因此,使用RBF神经网络构建模型比较复杂。剔除异常样本后表征条干不匀率、断裂强力模型预测精度的相关系数值分别为0.9438与0.9423,BP神经网络的预测能力要略强于RBF神经网络。综上所述,在输入样本数较大、输入层维数较多的条件下,BP神经网络模型的综合预测性能要略优于RBF神经网络模型,BP神经网络更适合工厂技术人员对纱线质量的预测。