学报格式
-
2023年2月12日发(作者：)毛精纺前纺工艺参数重要性的BP网络定量评价法
刘贵1，于伟东1,2
(1.东华大学纺织材料与技术实验室,上海201620;武汉科技学院纺织与材料学院,湖北武汉430073)
摘要（小五黑体）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。结果表明：所建模型的平均相对误差都低于3%；采用样本数据验
证,其预报值与实测值间的相关系数都高于0.95。对所建模型的网络权重进行提取,分别计算出13个输入
参数对粗纱CV值和粗纱单重的重要性,挖掘出显著而有效的参数。经对比认为，BP网络法比多元回归显
著性分析(MRSA)更为精准，可用于对实际生产加工的预报和控制。（小五宋体）
关键词（小五黑体）毛精纺；前纺工艺参数；模型；BP神经网络；定量评价法（小五宋体）
Quantitativeevaluationmethodforthesignificanceofworsted
fore-spinningparametersbasedonBPneuralnetwork
LIUGui1，YUWeidong1,2（五号）
(eMaterialsandTechnologyLaboratoryDonghuaUniversity,Shanghai201620,China;
mentofTextilesandMaterials,WuhanUniversityofScienceandEngineering,Wuhan,Hubei430073,China）
AbstractBasedonBPneuralnetworkmodeltechnology,anewapproachwasdevelopedandappliedtoappraise
theinputparameters′significantdegreethroughtheweightinessanditsdistributionbetweentheinputandoutput
hefore-spinningworkingproceduredatagatheredfromtheworstedtextilesenterprise,theroving
ultsindicatedthatthemodels′
meanrelativeerrorsarealllessthan3%;thecorrelationcoefficientR2betweenthepredictionvalueandtheactual
areallmorethan0·heweightinessextractedfromtheestablishedmodels,the13inputparameters′
significancetotherovingunevennessandweightwerecalculatedrespectively,andtheremarkableandeffective
ilecontrastingtothemultivariateregressionsignificanceanalysis(MRSA),
theBPneuralnetworkmethodismoreexactthanMRSAandcanbeusedintheforecastandcontroloftheactual
produceandmanufacture(小五)
KeywordsDoubleglow;Artificialneuralnetwork;Predictionmodel(小五)
作者简介（黑体小五）：刘贵（1983—），男，博士生。主要研究方向为毛精纺加工过程建模及其职能决策预报与控
制。于伟东，通讯作者，E-mail:wdyu@。第一作者姓名（出生年—），性别，职称，学历。主要研究方向。
通讯作者姓名，E-mail。
此处排正文。请选择A4纸型，上、下页边距为2.5cm，左、右页边距为
2.0cm，1.0倍行距。正文部分请双栏排版。
（正文五号宋体,单倍行距）对精毛纺织厂
而言,前纺工序作为整个加工过程的第一环节,其
加工质量对后道工序将产生直接影响。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、
毛条含油率、纤维平均直径、直径离散系数、纤
维平均长度等13个指标参数,将采集到的企业实
际生产数据,运用BP网络建立预测模型,提出利
用网络各层间的权重及其分布,计算出各参数对
产量质量指标的影响程度,并对比多元回归分析,
效果较好。
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)。依照误差反
向传播方法,输入层节点对输出层节点的影响是
由各层权值的复合作用。由于输出反映的是其本
身,它不需要再进行对后层节点影响大小的区分,
故可将其确定度看作是相同的,然后参照反向传
播算法从输出层向输入层反向求出各输入参数
的确定度。
2重要性评价过程
2．1试验数据和参数（小四黑体，单倍行距）
本文以山东某精毛纺厂采集到的100组数
据为建模依据。数据采集分2部分,一部分从实
际生产工艺设计单中提取,主要是工艺流程参
数、设备加工参数;另一部分为测试数据,来自不
同的生产线。任意选80组数据用于模型建立,
其中70组用于模型训练,10组作为检验数据,而
未参与建模的20组数据则用于对模型的验证。
影响前纺粗纱质量的参数有毛条回潮率(X
1
)、毛
条含油率(X
2
)、纤维平均直径(X
3
)、直径离散系
数(X
4
)、纤维平均长度(X
5
)、长度离散系数(X
6
)、
短毛率(X
7
)、毛条质量(X
8
)、毛条质量不匀率(X
9
)、
毛条毛粒(X
10
)、前纺总并合次数(X
11
)、前纺总牵
伸倍数(X
12
)和粗纱捻系数(X
13
)[6]。运用BP网路
建模分析时,以这些参数作为网络的输入层参数,
输入节点数为13,中间包含1个隐层,分别以R1
和R2作为网络输出层建立多输入单输出子网组
[7]模式进行预报。隐层节点数的选取根据式(1)[8]
进行计算:
20.430.122.540.770.350.51Smnnmn
(1)
式中：m为输入层节点数;n为输出层节点数S
为隐层节点数,本文取隐层节点数为7。这样就可
以建立2个13-7-1结构的BP神经网络模型。同
时,为消除原变量的量纲不同、数值差异太大带
来的影响,需要对原变量作标准化处理。即
,1,2,...,kii
ki
ii
XX
Xkm
S
（2）
式中
1
1
;
n
iki
k
XX
n
2
1
1
1
n
iikii
k
SXX
n
1,2,...,im（3）
2．2模型的建立和训练
根据模型结构,在Mtalab6.5的环境下建立2
个13-7-1型BP网络模型。利用式(2)对输入样本
数据进行预处理。将标准化后的数据输入网络进
行训练,训练参数:训练最大步数为50;精度目标
值为1.0×10-3;学习率为0.01[9]。其训练过程曲
线见图1。由图可知,分别经过25和47步左右的
训练,平均误差平方和便达到了设定的目标值。
10组检验样本的预报结果和实际结果的相对误
差分别为2.28%和2.39%。这说明所建立的模型
具有很高的精度和准确性。
2.3模型的验证
根据上面训练好的BP神经网络,对20组验
图1粗纱CV和单重预报模型训练曲线（小五宋体）
Fig.1Robingunevenness(a)andtherovingweight(b)
forecastmodel’strainingcurve(小五Rome)
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。
2.4重要性计算和评价
设前面的13-7-1型BP网络经LM算法训练
一定的次数后收敛,令w
ij
为输入层j和隐含层i
之间的连接权值,w
i1
为隐含层i和输出层之间的
连接权值,具体步骤如下。
1)初始化输出节点确定度P,若输出节点数
为O,则一般取为P=1/O,这里输出节点数为1,因
此输出节点确定度为1。
2)反向求稳含层节点的确定度,即将输出层
节
点确定度经权值作用向前传播。因为输出节点确
定
度为1,故隐含层节点的确定度为1×w
i1
=w
i1
。
3)求输入层的确定度,对每个隐含层的节点
i,每个输入层节点j,将权值w
ij
和w
i1
相乘,得到
图2粗纱CV和单重预报值与实测值相关分析
Fig.2Relevantanalysisbetweenthepredictandmeasured
valueoftherovingunevenness(a)andweight(b)
1ijiji
Pww(4)
将P
ij
当量化后得到
1
ij
ij
N
ij
j
P
Q
P
(5)
对于每一个输入层节点j,将Q
ij
求和,得到输入层
的
确定度
1
M
iij
i
SQ
(6)
可以得到各输入变量(因子)对输出变量的
影响比例，即输入因子的贡献率
1
100%i
j
N
i
j
S
RI
S
(7)
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。对与粗纱
CV值(R
1
)而言，长度离散系数(X
6
)、粗纱捻系数
(X
13
)、纤维平均直径(X
3
)为其影响作用最大的3
个因素，贡献率分别为20.7%、13.9%和10.3%。
对粗纱单重(R
2
)来说，对其影响最大的几个参数
是长度离散系数(X
6
)、毛条毛粒(X
10
)、毛条回潮
率(X
1
)，贡献率分别为19.1%、18.1%和17.5%。
表1各输入因子的贡献率
Tab.1Eachinputparameterscontributionratio%
粗纱
质量
毛条原料参数前纺工艺参数
X
1
X
2
X
3
X
4
X
5
X
6
X
7
X
8
X
9
X
10
X
11
X
12
X
13
R
1
1.96.110.37.94.120.78.77.43.35.96.33.513.9
R
2
17.51.51.56.03.519.16.04.05.718.10.57.09.6
2．5多元线性回归对比评价
作为比较,运用多元线性回归法(MLR)分别
建立上述13个输入参数与R
1
和R
2
间的多元线
性回归方程。由于这些原始数据的数量级相差很
大,可能会造成回归系数很小,为此需要对原始数
据进行当量化处理,即把原始数据标准化到[0
1]区间。采用最小最大值的标准化,可以使数据
在[01]区间上获得良好的分布,如式(8)。
()min()
\'()
max()min()
vii
vi
ii
（8）
将标准化后的数据进行多元线性回归拟合,
分别得到R
1
和R
2
的回归方程,并经显著性检验,
说明2个方程都有显著性。
通过回归可以看出，对粗纱CV值(R
1
)影响
因素由大到小依次为：X
13
>X
6
>X
3
>X
5
>X
7
>
X
8
>X
10
>X
9
>X
2
>X
4
>X
1
>X
12
>X
11
；而对于粗
纱单重(R
2
)来说，依次为：X
6
>X
8
>X
1
>X
9
>
X
11
>X
7
>X
2
>X
3
>X
10
>X
13
>X
4
>X
5
>X
12
。显然
重
要性和次序是不同的，表明各自变量间有交互
或相关性。
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(R
1
)而言，重要参数为
长度离散系数(X
6
)、粗纱捻系数(X
13
)和纤维平
均直径(X
3
)，其贡献率分别为20.7%、13.9%和
10.3%。较为重要的影响因子(5%~10%)依次为
短毛率(X
7
)、直径离散系数(X
4
)、毛条重量(X
8
)、
前纺总并合次数(X
11
)、毛条含油率(X
2
)、毛条毛
粒(X
10
)。不重要的参数(<5%)依次为纤维平均
长度(X
5
)、前纺总牵伸倍数(X
12
)、毛条重量不
匀率(X
9
)、毛条回潮率(X
1
)；
2)对粗纱单重(R
2
)来说，重要参数为长度
离散系数(X
6
)、毛条毛粒(X
10
)和毛条回潮率
(X
1
)，其贡献率分别为19.1%、18.1%和17.5%。
较为重要的影响因子(5%~10%)依次为粗纱捻
系数(X
13
)、前纺总牵伸倍数(X
12
)、直径离散系
数(X
4
)、短毛率(X
7
)、毛条重量不匀率(X
9
)。不
重要的参数(<5%)依次为毛条重量(X
8
)、纤维平
均长度(X
5
)、毛条含油率(X
2
)、纤维平均直径(X
3
)、
前纺总并合次数(X
11
)。
对比多元线性回归分析，对粗纱CV值来说，最
重要的3个影响因子都是长度离散系数(X
6
)、粗纱
捻系数(X
13
)和纤维平均直径(X
3
)。对粗纱单重而言，
采用BP网络权重法得出最重要的3个参数为长度离
散系数(X
6
)、毛条毛粒(X
10
)和毛条回潮率(X
1
)。而多
元回归分析得出的是长度离散系数(X
6
)、毛条重量
(X
8
)和毛条回潮率(X
1
)，两者略有差异，可见两种参
数重要性评价具有较好的一致性，而且BP网络法可
以量化。粗纱工序输入参数重要性定量评价法，通
过运用历史数据的BP网络建模技术，找出了各参
数对其质量的重要程度，为合理调配粗纱工艺，达
到最优的粗纱质量提供了参考。
参考文献(五号黑体，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.（小五宋体）
onthetheoreticalirregularityindex
forthepreparatorypassagesofworstedspinning[J].Wool
TextileJournal，1999（6）：5-12.
[2]DONGKuiyong,edyarn
virtualproductionsystembasedonBPneuralnetwork[J].
JournalofDonghuaUniversity:EngEd,2004,21(4):34-37.
（小五Rome）
[3]于伟东,杨建国.纺织工业中的虚拟加工技术与模式[J].
纺织导报,2005(7):10-16,22.
YUWeidong,lmanufacturing
technologyandmodelsfortextileindustry[J].China
TextileLeader,2005(7):10-16,22.
[4]DavidERumelhart,GeoffreyEHinton,Ronald
ngrepresentationsbyback-propagating
errors[J].Nature,1986(323):533-536.
[5]oftheback-propagationneural
network[C]//ationalJointConferenceon
gton:[s.n.].1989:53.
[6]LVZJ,XIANGQ,YINXG,edge-reuse
basedintelligentreasoningmodelforworstedprocess
optimization[J].JournalofDonghuaUniversity:Eng
Ed,2006,23(1):4-7.
[7]王秀坤,张晓峰.用一组单输出的子网络代替多输出的
BP网络[J].计算机科学,2001,28(10):61-63.
WANGXiukun,chitecture
ofneuralnetworksarrayreplacingofamultipleoutputs
BPmodelnetworks[J].ComputerScience,2001,28(10):
61-63.
[8]高大启.有教师的线性基本函数前向三层神经网络结构
研究[J].计算机学报,1998,21(1):80-86.
cturesofsupervisedlinearbasis
functionfeedforwardthree-layeredneuralnetworks[J].
ComputerScience,1998,21(1):80-86.
[9]吴辉，钱国坻，华兆哲，等.新型碱性果胶酶用于棉针
织物精练的工艺优化[J].纺织学报，2008，29（5）：
59-63.
WUHui，QIANGuodi，HUAZhaozhe，etal.
Optimizationofscouringofknittedcottonfabricswitha
new-typealkalinepectinase[J].JournalofTextile
Research,2008，29（5）：59-63.
[10]WuCT，McCulloughRL．Constitutiverelationshipsfor
heterogeneousmaterials[C]//HolisterGS．Developments
inCompositeMaterials．London：AppliedScience
PublishersLtd，1997：119-187．
参考文献格式
参考文献的数目应大于10篇，且尽量少引用图书类(M类)
文献,多引用近两年来在国内外连续出版物上刊登的论文文献。若参
考过本刊论文的请勿忘标注在参考文献中。参考文献执行中华人民
共和国国家标准GB7714—2005《文后参考文献著录规则》，只
列主要的，未公开发表的资料勿引用，著录格式采用顺序编码制。
即日起,凡参考文献为中文类的（包括专著、期刊、报纸、论
文集、专利、标准、电子文献等）要有一一对应的英文内容，即需
将各著录项目均翻译成英文，且必须按原发期刊英文形式标注，如
原发刊物不含英文题目，自行翻译时请注意其准确性；若参考文献
为非中文类的（如英文），则无需翻译。英文内容要另起一行标注。
要求英文姓全部大写。
【示例】
[1]吴辉，钱国坻，华兆哲，等.新型碱性果胶酶用于棉针织物精
练的工艺优化[J].纺织学报，2008，29（5）：59-63.
WUHui，QIANGuodi，HUAZhaozhe，zation
ofscouringofknittedcottonfabricswithanew-type
alkalinepectinase[J].JournalofTextileResearch,2008，
29（5）：59-63.
1）文后以“参考文献：”(左顶格)作为标识，参考文献表按文中引
用的先后顺序编码依次排列，顶格编排，编码用阿拉伯数字著录，
加方括号、不用标点，后空一字，按著录要求规定依次著录，回行
时与首行著录项齐平。每条文献单独排，最后均以“.”结束。
2）文中引用的参考文献必须在正文中有标注，如[2]，[3-5]不宜
写成[3][4][5]等。
3）题名、摘要、标题中不得标注参考文献，文末按引用顺序著录。
作者一律采用姓前名后的方式著录(外文作者名应缩写)，作者间用
“，”间隔，作者少于3人应全部写出，3人以上只列出前3人，后
加“等”或“etal”。
4）文献的作者，期刊名的缩写一律不加缩写点，缩写的单词要国
际通用的缩写方法，不可随意缩写。
5）多次引用同一著者的同一文献时，在正文中标注首次引用的文
献序号，并在序号的“[]”外著录引文页码，如[3]123。
6）凡是从期刊中析出的文献，应在刊名之后注明其年份、卷、期、
部分号、页码。如2006，27（8）：25-28.如查不到卷数仅有期
数，则写成2006（8）：25-26。
7）凡是从报纸中析出的文献，应在报纸名后著录其出版日期与版
次。如2000-03-14（1）
8）题名之后如有其他题名信息，包括副题名、多卷书的分卷书名、
卷次、册次等，则之间用“：”隔开。如东华大学学报：自然科学版，
世界出版业：美国卷等。
著录格式例举如下。
例1专著(图书、学位论文，技术报告，多卷书等)
[序号]主要责任者.题名：其他题名信息[文献类型标志（电子文
献必备，其他文献任选）].其他责任者（任选）.版本项.出版地:
出版者,出版年：引文页码[引用日期]（联机文献必备，其他电子
文献任选）.获取和访问路径.（联机文献必备）.
[1]姚穆,周锦芳,黄淑珍,等.纺织材料学[M].2版.北京:中国纺
织出版社,1997：147.
[2]李慧敏.面向电子化量身定制服装eMTM三维人体测量数据库
德研究与实现[D].上海：东华大学，2005.
[3]HintonE,OwenDR．FiniteElementProgramming
[M]．NewYork：AcademikPressInc，1977：124-140．
例2专著中的析出文献（论文集、汇编等）
[序号]析出文献主要责任者.析出文献题名[文献类型标志].析出
文献其他责任者//专著主要责任者.专著题名：其他题名信息.版本
项.出版地:出版者,出版年:析出文献的页码[引用日期].获取和
访问路径.
[4]马克思.关于《工资、价格和利润》的报告礼记[M]//马克思，
恩格斯.马克思恩格斯全集：第44卷.北京：人民出版社，1982：
505.
[5]胡伯陶.天然彩色棉的状况和产业发展的研究[C]//刘树梅，
尹耐冬，李瑞萍，等.第九届全国花式纱线及其织物技术进步研讨
会论文集.北京:中国纺织信息中心,2002:24-33.
[6]WUCT，McCulloughRL．Constitutiverelationshipsfor
heterogeneousmaterials[C]//HolisterGS．Developments
inCompositeMaterials．London：AppliedScience
PublishersLtd，1997：119-187．
例3连续出版物（期刊、报纸等）中的析出文献
[序号]析出文献主要责任者.析出文献题名[文献类型标志].期刊
或报纸题名：其他题名信息，年，卷（期）：页码[引用日期].
获取和访问路径.
[7]林红，陈宇岳，任煜，等.经等离子体处理的蚕丝纤维结构与
性能[J].纺织学报,2004,25(3):9-11.
[8]丁文祥.数字革命与竞争国际化[N].中国青年报，
2000-11-20（15）.
[9]LIUZhehui，ZHUXiaoguang，WULixin．Effectsof
interfacialadhesionontherubbertougheningofpoly
(vinylchloride)I：Impacttests[J]．Polymer，2000，42(3)：
737－746．
例4专利文献
[序号]专利申请者或所有者.专利题名：专利国别，专利号[文献
类型标志].公告日期或公开日期[引用日期].获取和访问路径.
[10]陈安磐，龚熹．梳棉机道夫传动装置：中国，
88217670.6[P].1989-06-21.
[11]NarisawaI，ZhanMS，ItiiH，etal．Polyamideresins：
JPPatent，C08J，100119[P]．1996-04-16．
例5电子文献
[序号]主要责任者.题名：其他题名信息［文献类型标志/文献载体
标志］.出版地：出版者，出版年（更新或修改日期）[引用日期].
获取和访问路径.
[13]傅刚，赵承，李佳路.大风沙过后的思考[N/OL].北京青年报，
2000-04-12（14）
[2005-07-12]./Bqb/2000041
2/GB/4216%.
[14]莫少强.数字式中文全文文献格式的设计与研究[J/OL].情报
学报，1999，18（4）：1-6[2001-07-08].
/periodical/qbxb/q
bxb99/qbxb9904/.
[15]OnlineComputerLibraryCenter，Inc．History
ofOCLC[EB/OL]．[2000-01-08]．www.
/about/history/.
注：1）文献类型标志如下：普通图书M,会议录C,汇编G,报
纸N,期刊J,学位论文D,报告R，标准S，专利P，数据库
DB，计算机程序CP，电子公告EB。
2）电子文献载体类型标志如下：磁带MT，磁盘DK，光盘CD，
联机网络OL。