毛精纺前纺工艺参数重要性的BP网络定量评价法(小二黑体，居中).docVIP

工艺参数重要性的BP网络定量评价法 摘 要（五黑体）在BP神经网络建模技术的基础上,提出利用神经网络输入层与输出层之间的网络权值及其分布来求各输入参数重要程度的方法。将采集到的毛精纺企业前纺工艺参数运用BP神经网络分别建立了粗纱CV值和粗纱单重的预测模型。…………。（五宋体） 关键词（五黑体）毛精纺；前纺工艺参数；模型；BP神经网络；定量评价法（五宋体） Quantitative evaluation method for the significance of worsted fore-spinning parameters based on BP neural network Abstract Based on BP neural network model technology, a new approach was developed and applied to appraise the input parameters′…………………………………(五Times New Rome) Key words Double glow; Artificial neural network; Prediction model (五Times New Rome) （正文小四号宋体，1.5倍行距。请选择A4纸型，上、下页边距为2.5cm，左、右页边距为2.0cm。）根据实际生产经验,细纱的条干不匀率和细纱机的断头率相对于末道粗纱的质量呈显著的线性关系[1],故控制前纺各工序的半制品不匀率,特别是末道粗纱的不匀率是毛纺厂十分重要的质量监控措施[2]。目前企业主要以经验为主,通过传统的测量和记录、肉眼观看与估计、设备的调整和人力的补充等原始的方法实现,不能对大量积累和不断产生的数据进行系统整理、综合分析与客观决断,也无法确切地找出产生问题的原因及实际解决方法[3]。本文针对影响粗纱质量的毛条回潮率、……………………………。 1　网络定量评价法（四号黑体，3倍行距） BP神经网络(Back-Propagation)是指基于误差反向传播算法的多层前向人工神经网络[4]。对于任何在闭区间的1个连续函数都可以用含有1个隐层的BP网络来逼近,因而1个3层结构的BP网络可以完成任意N维到M维的映射[5]。从其学习过程来输入参数对输出结果的影响完全由网络权值决定,因此,知道网络各层间的权重及其分布,就可计算输入参数的确定度(输入对输出影响作用的相对大小,即贡献率)。 1．1　试验数据和参数（小四黑体，1.5倍行距） 证样本数据进行预报检验。首先对这20组数据利用前面的标准化方法进行预处理,然后代入训练好的模型中进行预报模拟,得到网络输出并对其做还原量纲的处理,就可得到粗纱质量指标的预测值。其实测值与预报值间的关系见图2。图中预报值与真实值之间的相关系数均高于0.95,说明模型是可靠和准确的。 图2 粗纱CV和单重预报值与实测值相关分析（五宋体） 在模型可靠和准确的条件下，把训练好的BP网络模型的网络权重取出来，运用上面提到的方法，分别计算得出各输入因子对粗纱CV值和粗纱单重的贡献率，如下表1所示。 表1 各输入因子的贡献（五宋体） 粗纱 质量 毛条原料参数 前纺工艺参数 X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 X13 R1 1.9 6.1 10.3 7.9 4.1 20.7 8.7 7.4 3.3 5.9 6.3 3.5 13.9 R2 17.5 1.5 1.5 6.0 3.5 19.1 6.0 4.0 5.7 18.1 0.5 7.0 9.6 3 结 论 通过BP人工神经网络技术，直接利用生产历史数据，建立粗纱CV值、粗纱单重预测模型，以实现对粗纱加工和质量的预报，所建模型的平均相对误差都低于3%。采用未参与建模训练的样本数据验证，其预报模型的预报结果与实测结果间的相关关系R2都高于0.95。利用所建立的模型对粗纱工序各输入参数的重要性分析，将输入参数重要性分成3个系列重要参数、较为重要参数和不重要参数，具体结果如下： 1) 对与粗纱CV值(R1)而言，重要参数为长度离散系数(X6)、粗纱捻系数(X13)和纤维平均直径(X3)，……………………； 2)对粗纱单重(R2)来说，重要参数为长度离散系数(X6)、毛条毛粒(X10)和毛条回潮……… 参考文献(四号黑体，1.5倍行距) [1] 刘曾贤.精毛纺前纺各过程理论不匀率指数的研讨[J].毛纺科技, 1999(6): 5-12.（五宋体，1.5倍） [2] DONG Kuiyong, YU Weidong. A worsted yarn virtualproduction system based on BP neural n