• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看

      ?

      基于LS-SVM棉針織物軋烘軋蒸染色工藝的預測模型

      2020-04-10 11:08陶開鑫俞成丙劉引烽梁珊珊
      現(xiàn)代紡織技術 2020年1期

      陶開鑫 俞成丙 劉引烽 梁珊珊

      摘要:為優(yōu)化活性染料對棉針織物的軋烘軋蒸染色工藝,基于最小二乘支持向量機(LS-SVM),以氯化鈉質量濃度、碳酸鈉質量濃度、烘干時間和汽蒸時間作為預測模型的輸入變量,染色織物K/S值作為輸出變量,建立了多因素模型并進行預測。結果表明,織物實驗K/S值和模型預測值的相關系數(shù)高達0.999 96,平均相對誤差小于0.5%,說明該模型具有較高的精度,該建模方法可用于染色織物K/S值的預測,可以用于棉針織物軋烘軋蒸染色工藝的預測和優(yōu)化。

      關鍵詞:活性染料;軋烘軋蒸工藝;最小二乘支持向量機;多因素模型;棉針織物

      中圖分類號:TS193文獻標志碼:A文章編號:1009-265X(2020)01-0071-05Paddrypadsteam Dyeing Prediction Model of

      Cotton Knitting Fabric Based on LS-SVM

      TAO Kaixin, YU Chengbing, LIU Yinfeng, LIANG Shanshan

      Abstract:In order to optimize the paddrypadsteam dyeing process with reactive dyes for cotton knitting fabrics, a multifactor model based on least squares support vector machine (LS-SVM) was built with sodium chloride concentration, sodium carbonate concentration, drying time and steaming time as input variables and K/S value of dyed fabrics as output variable, and prediction was carried out with it. The results show that the correlation coefficient between the experimental K/S value and the predicted values of the model is up to 0.999 96 with a mean relative error less than 0.5%, which indicates that the model is of high precision. The modeling method can be applied to predict K/S value of dyed fabric and to predict and optimize of paddrypadsteam dyeing process for cotton knitted fabric.

      Key words:reactive dye; paddrypadsteam process; LS-SVM; multifactor model; cotton knitting fabrics

      軋烘軋蒸工藝是一種常用的連續(xù)染色方法,和軋烘焙染色工藝及軋烘蒸染色工藝相比,這種染色方法穩(wěn)定性好,固色率高,非常適用于批量大、顏色深濃條件下的染色,已經廣泛應用于活性染料對棉織物的染色加工中[13]。針對棉織物的活性染料軋蒸理論和染色加工工藝的研究業(yè)已成熟,包括浸軋作用過程,連續(xù)浸軋產生頭尾色差的原因和主要控制措施,預烘引起染料泳移的原因和控制方法,浸軋染液的織物在飽和蒸汽、過熱蒸汽和熱空氣中的固色作用,對織物的固色方式、升溫過程等的研究,已經在相關文獻中作了較全面的綜述[49]。

      在軋烘軋蒸工藝中,各種染色條件對棉織物K/S值的影響是非線性的,且較為復雜。最小二乘支持向量機(LS-SVM)是一種數(shù)據(jù)驅動建模方法,它基于統(tǒng)計學習理論和結構風險最小化原理,比標準支持向量機更容易,計算更為簡單;與神經網絡法相比,LS-SVM具有更好的泛化性能[10];LS-SVM建模具有解決非線性問題的優(yōu)點[11],已被廣泛地應用于很多不同領域中,并取得了不錯的效果[10,12,13],但在染色工藝中尚無看到有相關應用的報道。

      本研究采用雷馬素紅RGB對棉針織物用軋烘軋蒸工藝進行染色,基于Matlab R2017b軟件平臺,通過對染色效果的分析,運用LS-SVM工具箱(1.8版本)進行編程、建模和驗證,建立了氯化鈉質量濃度、碳酸鈉質量濃度、烘干時間和汽蒸時間為因素與響應值染色織物K/S值間的數(shù)學模型,并對染色織物的K/S值進行預測和評價。

      1試驗

      1.1試驗材料與儀器

      試驗材料:純棉14.6 tex雙面棉毛漂白半制品(平方米質量180 g/m2,南通新西爾克針織服裝有限公司);染料:雷馬素紅RGB(德司達(上海)貿易有限公司);試劑:無水碳酸鈉、氯化鈉(均為化學純,國藥集團化學試劑有限公司)。

      試驗儀器:Color i5型臺式分光測色儀(美國XRite公司);DP型均勻小軋車(紹興縣威達機械有限公司);DHG型電熱鼓風烘箱(上海一恒科學儀器有限公司);DE型微型萬能汽蒸機(瑞士 Mathis)。

      1.2試驗方法

      工藝流程:浸軋染液(染料20 g/L,二浸二軋,帶液率60%)→預烘(120 ℃熱風,一定時間)→浸軋固色液(氯化鈉x g/L,碳酸鈉y g/L,二浸二軋,帶液率70%)→汽蒸(100~102 ℃,飽和蒸汽,一定時間)→冷水洗→熱水洗→皂洗(標準皂片3 g/L,浴比為1∶50,90℃處理15min)→熱水洗→冷水洗→烘干。

      K/S值的測試:織物染色后在XRite I5臺式分光測色儀上測定K/S值,測試前先用白磚、黑鏡和待染棉毛漂白織物進行校驗,然后用D65光源在10°視場下測試染色試樣。每個被測染色試樣折疊成8層,任意選取試樣上8個不同部位進行測試,結果取平均值。

      2染色模型的建立和結果分析

      2.1LS-SVM染色模型的構筑

      選用雷馬素紅RGB進行軋烘軋蒸染色試驗,這種染料屬二氟一氯嘧啶基活性染料,具有中等反應活性。按照軋烘軋蒸染色工藝,雷馬素紅在染色過程中,由于染液中沒有堿劑,染液和浸軋染液后的織物上所帶染料會很穩(wěn)定,不會發(fā)生水解,這樣織物在浸軋固色液后,汽蒸前、后織物顏色基本沒有發(fā)生變化,因而采用這種工藝染色,色相非常穩(wěn)定,可以達到很高的給色量。另外,通過增加染液中染料質量濃度,可以得到色澤很深的織物。

      按照紡織色彩學理論,織物顏色的深淺可用其K/S值的大小來判定,反映了某一染色條件下染料在織物的固色率,它們之間有很大的關聯(lián)性,即K/S值越大,染料固色率越高,反之,染料固色率就越低。按照100組實驗方案進行染色實驗后,在最大吸收波長540 nm處測得各個棉針織物試樣的K/S值。

      選取軋烘軋蒸工藝過程中4個影響K/S值的主要因素A(氯化鈉質量濃度,g/L),B(碳酸鈉質量濃度,g/L),C(烘干時間,s)和D(汽蒸時間,s)作為LS-SVM預測模型的輸入,染色織物的K/S值作為LS-SVM預測模型的輸出。基于軋烘軋蒸工藝的初步研究,限定了4種K/S值影響因素的取值范圍為:氯化鈉質量濃度125~175 g/L,碳酸鈉質量濃度20~40 g/L,烘干時間40~80 s,汽蒸時間80~140 s。在100組實驗數(shù)據(jù)中,隨機選取了80組實驗數(shù)據(jù)作為預測模型的訓練數(shù)據(jù),如圖1所示。

      使用LS-SVM建模方法,可以很好地解決一些多輸入單輸出的建模問題?;贛atlab R2017b軟件平臺,運用LS-SVM工具箱(1.8版本)進行建模,工具箱內包含以下所有函數(shù)。為了構建LS-SVM模型,第一步是導入訓練數(shù)據(jù)。第二步是輸入命令type=‘function estimation和kernel=‘RBF_kernel,這里的高斯徑向基函數(shù)(RBF)是一個非線性核函數(shù),廣泛應用于解決非線性問題和作為核函數(shù)來降低訓練模型程序的計算復雜性。第三步是使用‘initlssvm函數(shù)來初始化模型,然后在‘tunelssvm函數(shù)接口中,聯(lián)用‘simplex函數(shù)和‘crossvalidatelssvm函數(shù)兩次,一次得到一組參數(shù)也就是一個預測模型,兩次分別確定了具有最佳組合γ和σ2的兩個預測模型LS-SVM1和LS-SVM2。建立預測模型的關鍵是最佳組合γ和σ2的尋找,上述過程就是這組參數(shù)的尋優(yōu)過程。每次使用‘simplex函數(shù)和‘crossvalidatelssvm函數(shù)時,都會為相同的訓練數(shù)據(jù)確定不同γ和σ2的組合,也就是得到不同的LS-SVM模型。相似地,使用‘gridsearch函數(shù)和‘crossvalidatelssvm函數(shù)兩次,確定了具有最佳組合γ和σ2的另外兩個預測模型LS-SVM3和LS-SVM4。還有另外一個優(yōu)化程序是‘linesearch函數(shù),但它一般只適用于線性核函數(shù)。再使用‘trainlssvm函數(shù)分別訓練這4個LS-SVM模型,訓練結束后,將圖2中的20組測試數(shù)據(jù)的輸入分別代入到這4個訓練好的LS-SVM模型中,再使用‘simlssvm函數(shù)會分別得到對應的4組作為輸出的預測K/S值。最后,通過比較上述4種LS-SVM模型的預測K/S值來確定一個最佳的LS-SVM預測模型。上述具體的LS-SVM方法在文獻中已全部涉及[1416]。

      2.2LS-SVM染色模型的調試與結果分析

      從圖1可以得到,80組染色實驗K/S值的變化范圍為12.10~19.54。從圖2中可以得到,20組染色實驗K/S的值變化范圍為7.95~17.01。

      使用LS-SVM建模方法,可獲得4個不同的LS-SVM預測模型,它們之間的區(qū)別在于所使用的優(yōu)化程序在建模過程中是不同的。LS-SVM1模型和LS-SVM2模型使用的是‘simplex函數(shù),而LS-SVM3模型和LS-SVM4模型使用的則是‘gridsearch函數(shù)。不同的優(yōu)化程序產生不同的參數(shù)以影響模型預測的正確性。如表1所示,4個LS-SVM模型有4組不同的參數(shù)。其中γ是正則化參數(shù),它影響LS-SVM模型的泛化性能;σ2是RBF的寬度,它影響回歸誤差。在LS-SVM建模中,正則化參數(shù)和核函數(shù)及其相應的核參數(shù)的選擇起著至關重要的作用。

      將圖2中測試數(shù)據(jù)的輸入分別代入到上述4個LS-SVM模型中,獲得4組預測的K/S值,其預測結果見表2。從圖3(a)中可知,LS-SVM1模型的相對誤差范圍為[-0.49%,1.38%],平均相對誤差為0.39%,而LS-SVM2模型的相對誤差范圍為[-0.49%,3.27%],平均相對誤差為0.64%。從圖3(b)中可知,LS-SVM3模型的相對誤差范圍為[-0.77%,7.55%],平均相對誤差為1.31%,而LS-SVM4模型的相對誤差范圍為[-0.42%,1.13%],平均相對誤差為0.35%。顯然,LS-SVM1模型的預測性能優(yōu)于LS-SVM2模型,LS-SVM4模型的預測性能優(yōu)于LS-SVM3模型。再比較LS-SVM1模型和LS-SVM4模型的預測性能。從圖3中可知,使用LS-SVM1模型預測K/S值時,在20個樣本中有17個樣本的K/S預測值的相對誤差在[-0.5%,0.5%]范圍中,而使用LS-SVM4模型時有18個樣本的相對誤差在[-0.5%,0.5%]范圍中。因此,LS-SVM4模型的預測性能比LS-SVM1模型略好。

      為了進一步比較LS-SVM1模型和LS-SVM4模型,選取多個評價LS-SVM模型預測性能的典型指標如表3所示,其中包括平均相對誤差(ARE),均方根誤差(RMSE),最大相對誤差(Emax),相關系數(shù)(R),判定系數(shù)(R2)和精度(Ep)。

      越小的ARE值意味著LS-SVM模型的預測精度越高,并且對于RMSE和Emax也是這樣的。相反,越小的R值意味著LS-SVM模型的預測準確性越差,并且對于R2和EP也是如此[6,11]。從表3可以看出,LS-SVM4模型中ARE,RMSE和Emax這3個評價指標分別小于LS-SVM1模型中對應的評價指標,這意味著LS-SVM4模型預測誤差較小。LS-SVM4模型中ARE,RMSE和Emax這3個評價指標分別為0.35%,0.048和1.13%。同時,LS-SVM4模型中R2和Ep這兩個評價指標分別大于LS-SVM1模型中對應的評價指標,表明LS-SVM4模型擬合效果更好。LS-SVM4模型中R2和Ep的評價指標分別為0.999 92和99.64%,可知LS-SVM4模型中的R為0.999 96,而LS-SVM1模型中的R為0.999 94。以上分析表明,LS-SVM4模型具有很好的精度,可以為棉針織物軋烘軋蒸染色工藝的優(yōu)化和選擇提供依據(jù)。

      3結論

      a)建立了LS-SVM多因素模型并在棉針織物軋烘軋蒸染色工藝中,使用該模型來預測染色織物的K/S值。

      b)預測實驗結果表明,染色織物的K/S實驗值和預測值的相關系數(shù)R為0.999 96,平均相對誤差小于0.5%,說明該模型具有很高的精度,可以用于棉針織物活性染料軋烘軋蒸染色工藝中的預測和優(yōu)化。

      參考文獻:

      [1] 孫冰,王賢瑞,武生春,等.活性染料軋烘軋蒸工藝實踐[J].印染,2005(15):14-16.

      [2] 李連穎,王天靖,陳志華,等.ECO活性染料濕蒸短流程和軋烘軋烘軋蒸染色工藝[J].印染助劑,2010,27(2):39-42.

      [3] 程穎,程衍銘,孫稚源.里奧竹寬幅織物的染整加工[J].印染,2015(14):28-30.

      [4] 宋心遠.纖維素纖維紡織品活性染料軋染理論和工藝(一)[J].印染,2007(23):44-46.

      [5] 宋心遠.纖維素纖維紡織品活性染料軋染理論和工藝(二)[J].印染,2007(24):42-46,51.

      [6] 宋心遠.纖維素纖維紡織品活性染料軋染理論和工藝(三)[J].印染,2008(1):39-41.

      [7] 宋心遠.纖維素纖維紡織品活性染料軋染理論和工藝(四)[J].印染,2008(2):35-39.

      [8] 宋心遠.纖維素纖維紡織品活性染料軋染理論和工藝(五)[J].印染,2008(3):37-41.

      [9] 宋心遠.纖維素纖維紡織品活性染料軋染理論和工藝(六)[J].印染,2008(4):41-45.

      [10] GIORGI MGD, CAMPILONGO S, FICARELLA A, et al. Comparison between wind power prediction models based on wavelet decomposition with leastsquares support vector machine (LS-SVM) and artificial neural network (ANN)[J]. Energies, 2014,7(8):5251-5272.

      [11] HU J, WU M, CHEN X, et al. A multilevel prediction model of carbon efficiency based on differential evolution algorithm for iron ore sintering process[J]. IEEE Transactions on Industrial Electronics, 2018,65(11):8778-8787.

      [12] YIN M, YE X, TIAN Y. Research of fault prognostic based on LSSVM for electronic equipment [C]// Prognostics and System Health Management Conference (PHM). New York: IEEE, 2015:1-5.

      [13] DONG S, LUO T. Bearing degradation process prediction based on the PCA and optimized LS-SVM model[J]. Measurement,2013,46(9):3143-3152.

      [14] ABDESSALEM A B, JENSON F, CALMON P. Quantifying uncertainty in parameter estimates of ultrasonic inspection system using Bayesian computational framework[J]. Mechanical Systems & Signal Processing, 2018,109:89-110.

      [15] FARROKH M. Hysteresis simulation using leastsquares support vector machine[J]. Journal of Engineering Mechanics,2018,144(9):1-6.

      [16] SHEN Y, DU C, ZHOU J, et al. Release profile predictions of controlled release fertilisers: least squares support vector machines[J]. Biosystems Engineering, 2018,172:67-74.

      收稿日期:2018-11-07網絡出版日期:2019-03-20

      基金項目:國家十三五重大科技專項(2017YFB0309700)

      作者簡介:陶開鑫(1995-),男,安徽滁州人,碩士研究生,主要從事先進紡織材料的制備和性能方面的研究。

      通信作者:俞成丙,Email: ycb101@shu.edu.cn

      西青区| 凤阳县| 梅州市| 工布江达县| 胶州市| 高要市| 马鞍山市| 休宁县| 古田县| 高青县| 大名县| 社会| 信宜市| 清远市| 全州县| 鹤庆县| 普兰店市| 巍山| 湘潭市| 海安县| 宣汉县| 凤庆县| 广平县| 昌都县| 丹棱县| 嘉黎县| 郴州市| 方山县| 昂仁县| 潮州市| 北安市| 资阳市| 周口市| 甘南县| 嘉义市| 马关县| 太谷县| 澄江县| 徐闻县| 江都市| 青海省|