遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的紡熔無紡布性能預(yù)測

張偉國，陳長潔

（1.南通醋酸纖維有限公司紡絲生產(chǎn)部，江蘇 南通 226000；2.東華大學(xué) 紡織學(xué)院，上海 201620）

紡熔復(fù)合無紡布（Spunbond Meltblown Spunbond Nonwovens，SMS）是由外層紡黏無紡布和中間層熔噴無紡布經(jīng)過復(fù)合加工而成，是醫(yī)療和衛(wèi)生的主體材料，綜合了紡黏和熔噴二者的優(yōu)勢：既具有較高的機械性能（高強度），對微小的固體顆粒、液體等也有著較高的阻隔性[高耐靜水壓（HSH）][1-2]。紡熔復(fù)合無紡布的性能受到原料特性、紡絲溫度、擠出量、熱軋機溫度、熱軋機壓力、冷卻風(fēng)溫度、冷卻風(fēng)風(fēng)壓等參數(shù)的影響，各因素之間相互作用，通過重復(fù)實驗的方式對工藝進行優(yōu)化，效率低且難度大[3-5]。

BP神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network）即反向傳播神經(jīng)網(wǎng)絡(luò)，是以互連的神經(jīng)元來模擬大腦的學(xué)習(xí)過程。本研究選取對SMS產(chǎn)品性能影響較大的紡黏計量泵轉(zhuǎn)速、熔噴計量泵轉(zhuǎn)速、熱軋溫度、熱軋壓力和克重5種工藝參數(shù)作為輸入值[6]，機械方向斷裂強力（以下簡稱MD強力）和耐靜水壓（以下簡稱HSH）等作為輸出值，通過BP神經(jīng)網(wǎng)絡(luò)構(gòu)建預(yù)測模型，并在已經(jīng)建立的 BP網(wǎng)絡(luò)基礎(chǔ)上通過GA優(yōu)化，討論對兩大輸出性能的預(yù)測效果。

1 紡熔無紡布實驗

1.1 生產(chǎn)設(shè)備

實驗中，紡熔無紡布生產(chǎn)設(shè)備為萊芬豪舍的RF4型SMMMS五模頭紡熔無紡布生產(chǎn)線，5個模頭依次編號為A、B、C、D、E，其中，A、E為兩個紡黏頭，B、C、D為中間的熔噴頭。

1.2 材料

實驗的原材料為聚丙烯，紡黏料的熔融指數(shù)為（36±3）g/10 min；熔噴料熔融指數(shù)為（950±50）g/10 min。

1.3 測試方法

實驗樣品的斷裂強力和耐靜水壓測試分別參照GB/T 3923.1—2013《紡織品 織物拉伸性能 第1部分：斷裂強力和斷裂伸長率的測定（條樣法）》和GB/T 4744—2013《紡織品 防水性能的檢測和評價 靜水壓法》。

2 BP神經(jīng)網(wǎng)絡(luò)構(gòu)建

使用MATLAB建立預(yù)測模型，輸入向量是A/E擠出量、B/C/D擠出量、熱軋機溫度、熱軋機壓力和克重，是七維向量；輸出向量是MD（Machine Direction）強力和HSH（High Hydrostatic Pressure Resistance），是二維向量。隱含層單元數(shù)根據(jù)kolmogorov定理的參考公式（1）[7]確定：

式中：a為1~10的常數(shù)，m為輸入層神經(jīng)元的數(shù)量，n為隱含層節(jié)點數(shù)，k為輸出層神經(jīng)元數(shù)量。

經(jīng)實驗確定，隱含層節(jié)點數(shù)取13較為合適。所以，在這里引入了“7-13-2”結(jié)構(gòu)的網(wǎng)絡(luò)模型，輸入層到隱含層使用“tansig”函數(shù)傳遞，隱含層到輸出層使用“purelin”函數(shù)傳遞。實驗共采用114組原始數(shù)據(jù)，隨機抽取22組數(shù)據(jù)進行驗證，其余92組數(shù)據(jù)用來構(gòu)建神經(jīng)網(wǎng)絡(luò)。

3 遺傳算法優(yōu)化

遺傳算法根據(jù)每組實驗數(shù)據(jù)對應(yīng)的適應(yīng)度函數(shù)值的大小來判斷實驗數(shù)據(jù)質(zhì)量的優(yōu)劣。如果個體的適應(yīng)度值大，則有較大可能繁衍至下一代，一般選擇超過群體平均適應(yīng)度值的個體進行交叉、低于這一值的個體進行變異。通過交叉和變異，后代的平均適應(yīng)度值得到持續(xù)提高，即后代個體的性能變得更優(yōu)。實驗使用式（2）作為適應(yīng)度函數(shù)，以真實值與預(yù)測值的誤差矩陣的范數(shù)作為輸出[8]。

式中：h(x)(i)為模型預(yù)測輸出值，y(i)為實驗值。

遺傳算法先進行參數(shù)的初始化操作，如代溝概率、進化代數(shù)、交叉概率等（圖1）。實驗期間，各個參數(shù)的選擇：算法結(jié)束的條件—100代；變異概率—0.01；代溝概率—0.95；交叉概率-0.7；種群規(guī)?！?0。

圖1 遺傳算法優(yōu)化流程

以式（3）的值來討論神經(jīng)網(wǎng)絡(luò)的預(yù)測效果，絕對百分比誤差為：

4 結(jié)果與分析

實驗測得的MD強力值和預(yù)測的MD強力值對比結(jié)果如圖2所示，可以看到兩種網(wǎng)絡(luò)模型的預(yù)測值均與實驗值接近或重合，表明兩種網(wǎng)絡(luò)對MD強力均能實現(xiàn)較好的預(yù)測。

圖2 MD強力的真實值和預(yù)測值

引入實驗測得的HSH值和GA優(yōu)化后的神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)預(yù)測值，結(jié)果如圖3所示，可以看到預(yù)測值也與實驗值有很高的吻合度。BP神經(jīng)網(wǎng)絡(luò)預(yù)測時，實驗值與預(yù)測值最小誤差為0.72；GA優(yōu)化后再預(yù)測時，最小誤差為0.23，兩種網(wǎng)絡(luò)對HSH均能實現(xiàn)較好的預(yù)測。

圖3 HSH的測試結(jié)果和預(yù)測結(jié)果

從圖4~5可以得出，BP神經(jīng)網(wǎng)絡(luò)和GA優(yōu)化后的神經(jīng)網(wǎng)絡(luò)預(yù)測值與實際值的絕對百分比誤差，BP神經(jīng)網(wǎng)絡(luò)對紡熔非織造材料的MD強力和HSH的測試結(jié)果的最大絕對百分比誤差均小于6%；GA優(yōu)化神經(jīng)網(wǎng)絡(luò)對MD強力和HSH的測試結(jié)果的最大絕對百分比誤差均小于5%。兩種預(yù)測方式均能滿足實驗產(chǎn)品開發(fā)和生產(chǎn)的需要，GA優(yōu)化后的模型具有更強的適用性。

圖4 BP神經(jīng)網(wǎng)絡(luò)與GA優(yōu)化神經(jīng)網(wǎng)絡(luò)預(yù)測MD強力絕對百分比誤差對比

圖5 BP神經(jīng)網(wǎng)絡(luò)與GA優(yōu)化神經(jīng)網(wǎng)絡(luò)預(yù)測HSH絕對百分比誤差對比

5 結(jié)語

就紡熔復(fù)合無紡布來看，通過對工藝參數(shù)、性能指標(biāo)的對比分析，可以引入隱含層神經(jīng)元數(shù)為13的3層結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)來預(yù)測。未經(jīng)優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測的紡熔無紡布MD強力和HSH平均誤差不超過6%。通過遺傳算法優(yōu)化權(quán)值和閾值后，BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果變得更加精確，相應(yīng)的預(yù)測MD強力、HSH平均誤差不會大于5%。因此，經(jīng)過遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)能更好地滿足紡熔無紡布在開發(fā)和生產(chǎn)中的需求。