纺织加工是一个非常复杂的过程,尤其对于精纺后整理过程来说,其工艺流程的复杂和多变性为我们所共知;而对最后成品织物质量的影响,除了纤维原料、纱线品质、织物规格和织物组织之外,后整理是影响织物质量和风格最为关键的因素,而目前对后整理工作机理和各工序之间的相互作用关系的研究少之又少,而这些因素与织物质量之间存在大量的非线性关系,因此找一贴切的方法来表征这些关系,具有重要的理论意义。目前,全球范围激烈的市场竞争使得国内纺织业面临严峻形势,如何通过质量预测和监控加工工艺过程,获得低耗、优质、高附加值的纺织品,是我国纺织工业急需解决的重要课题,而“面向毛纺织加工的工艺智能设计和质量预测”真是解决上述问题的关键技术和基本途径,因具有实际意义。 现有织物质量的评价主要集中在基于织物规格和某些性能的测量及对织物的风格或手感的评价,或对织物某些力学性能指标进行预测。本文通过对企业所用的加工过程参数进行筛选与确定,结合灰色关联度分析确定了对织物质量影响较为重要的参数,通过建立人工神经网络模型虚拟实现了从坯布到最后成品的全过程加工。在研究和建模过程中,简化了后整理加工过程,着重把握原料端和后整理重点工序端,通过选择合适的模型并对网络进行训练,完成了对离散样本的学习并获取存在于离散样本之中的规律,实现了正向的质量预测过程和反向原料参数选择的反演过程。而对传统的数学方法因建模过程中需做各种假设和简化导致模型适应性差的问题,采用了回归分析与神经网络预测的对比,得出神经网络预测效果优于回归分析预测的结论。 通过大量的预测对比发现,在所用的78组训练样本对网络训练学习后预测,其效果不及用30组训练样本时预测效果,于是提出了对训练样本进行残差分析以提高网络的运行效率和预测精度,实验证明该法是一有效提高网络效果的途径,同时以此方法验证了神经网络的容错性能。这样的做法唯一目的就是去除在训练样本中的“伪”数掘,从而保证数据的真实有效性;同时也发现神经网络具有很好解决线性可分问题的能力。通过利用神经网络建立了织物质量与纤维原料、纱线品质、织物规格以及后整理重要工序的参数或工序道数选择的反演模型,并获得很好的效果,