织物柔软度等级评价方法

织物的柔软度是织物品质评定的重要内容,它不仅影响织物的外观风格,而且影响织物的穿着性能。然而,目前还没有一套完整的体系用于评价织物的柔软度, 大多数还是采用主观评价的方法。王亚等对织物进行主成分分析,所得的综合评价值作为织物柔软度的评价指标,对织物柔软度进行等级划分,得到了一个较为客观完善的评价体系。但是这种方法在用主成分分析计算各子样的综合评价值时数据较多且算法复杂,因此有必要对此算法进一步改进,寻求简洁的方法评价织物柔软度。
织物的弯曲性能、剪切性能和压缩性能等与织物的柔软度存在着复杂的非线性关系 , 而 BP神经网络具有自学习 、自组织 、自适应和非线性动态处理等特性, 特别适合处理复杂的非线性过程。本文基于王亚等所建立的织物柔软度评价体系,提出以织物弯曲性能 、剪切性能和压缩性能等指标作为输入,以柔软度等级作为输出,建立一个织物力学指标与柔软度等级关系的 BP 神经网络模型,对织物柔软度进行评价。

2 柔软度评价体系模型的建立与训练
2 .1 试验数据
织物的柔软性与其弯曲性能、剪切性能和压缩性能有着密切的关系, 王亚等选取了 30 块柔软范围较大 、波动均匀 、较具代表性的织物进行测试。试验中利用 KES-F 风格仪对织物的弯曲刚度、弯曲滞后矩、剪切刚度 、剪切滞后矩 、厚度等12 项指标进行测试,并根据所求得的综合评价值对织物柔软度由软到硬划分为 6 个等级 , 1 级软 6 级硬。本文以此数据为基础 ,建立和训练模型 ,仍选用 F1 ～ F4 四块织物做模型检验 。测量数据及织物所属等级见表 1 、表 2 。
2 .2 设计 BP 神经网络
2 .2 .1 输入与输出层设计
根据 KES-F 风格仪所测得数据 , 共有 12 项参数共同影响织物的柔软度 , 对应于这些参数,BP 神经网络的输入神经元个数应为 12 。以柔软度等级作为输出,则输出神经元个数为 1 。
2 .2 .2 隐层的设计
一个三层 BP 网络可以完成任意 N 维到 M维的映射 ,简洁起见本文选取的网络层数为 3 层。
2 .3 模型的训练
由于原始数据中量纲不同, 数值差异较大对训练神经网络造成影响, 为了消除这种影响需要对原始数据进行归一化处理, 即将数据处理为在区间[ 0 , 1] 之间的数。
把经过归一化处理的数据输入网络进行训练,训练参数:大训练步数为 1000 ;允许误差为0.001 ;学习率为 0.001 。其训练过程曲线见图 2 。由图 2 可知,经过 4 步训练就达到了设定的允许误差值 , 模型迅速完成了学习 , 并且性能参数达0.717 %, 说明所建立的模型具有很高的精度和准确性 。
这是一个 4 ×12 的矩阵, 矩阵元 wij 表示第 j 个输入神经元与隐层中第 i 个神经元之间的连接权值。式(6)是隐层与输出层的连接权值 ,矩阵元依次表示隐层中第 1-4 个神经元与输出层的连接权值。至此 ,织物柔软度等级评价的 BP 神经网络模型已完全建立。

3 模型检验
根据上面训练好的 BP 神经网络, 对 F1-F4四块织物进行检验。首先对这四组数据进行归一化处理 ,然后代入训练好的模型中,得到网络输出并对其做还原处理后 , 就可得到经 BP 神经网络输出的织物柔软度等级 。
运用 BP 神经网络模型对织物的柔软度进行评价 ,训练输出等级表明 F1-F4 四块织物分别属于 1 级、6 级、3 级 、2 级 , 与王亚等的综合评价等级保持一致, 具有较高的准确性。在处理问题过程中神经网络只需以测试指标作为输入 ,通过网络的训练和学习, 自动决定影响织物柔软度的参数及其影响程度,形成模型,完成对织物柔软度等级的评价 。此方法客观、准确 、简洁 。

4 结论
织物柔软度是织物品质评定的重要内容, 依据织物的综合评价值对柔软度进行等级划分可以得到量化的结果 ,并且具有客观性和合理性 。用BP 神经网络对织物柔软度进行等级评价 ,建立织物力学指标与柔软度等级之间关系的模型 ,省略了中间的求解过程, 方法客观 、准确 、简洁,为快捷评价织物的柔软度提供了新思路。
 

上一篇: 影响苇浆卫生纸柔软度的因素分析