精纺毛织物后整理过程评价与质量预测

精纺后整理加工过程的评价和产品质量预报极为重要,文中详细介绍了毛精纺后整理过程及其产品评价和预测现状、意义和存在问题,并对预测方法及应用作了简要阐述,提出预报技术先行的必要性。     

基于BP神经网络的精纺毛织物透气性能的预测

在34种精纺毛型织物实验数据基础上,利用三层BP神经网络方法,建立了织物透气性能与织物结构参数之间的神经网络模型,重新采集7种织物对网络模型进行验证和评估,结果表明:神经网络可以用来预测织物的透气性能指标,织物透气量的预测误差率范围为3%～24.2%,平均误差率为14.3%,最大误差率小于25%,神经网络预测精度受样本大小影响,进一步丰富学习样本后,神经网络的泛化能力可望得到改善.     

精纺毛织物天然弹性整理工艺

文章阐述了精纺毛织物经济实用的弹性处理助剂及整理工艺。根据试验和批量生产积累的经验，对天然弹性面料的整理工艺及过程作一介绍。     

精纺毛织物的弹性整理研究

介绍了利用意大利Arostretch弹性整理工艺对毛精纺织物进行弹性整理的方法。从产品设计和生产角度提出了弹性织物的设计和工艺要点,对纱线捻系数、织物紧度及缩率的选择、弹性工艺的确定等进行了重点分析,指出了弹性整理过程中易出现的色光变化、纤维损伤等问题,并结合生产实践给出了相应的后整理工艺和质量控制措施。     

精纺毛织物后整理色光热敏效应

通过生产实践与试验,结合染色原理不断摸索学习,尝试对精纺毛织物后整理中常见的织物色光热敏效应作出分析论证。针对精纺毛织物生产中广泛使用的媒介染料、弱酸性染料、络合染料、毛用活性染料等自身特性与应用范围的不同,以及在后整理过程遇到引起色变的不同工序工艺条件,分别提出试验论证方案与提示,从而探索有效避免或控制毛织物后整理发生热敏效应的解决途径。     

精纺毛织物弹性整理技术的应用研究

主要介绍了利用意大利Arostretch弹性整理技术对精纺毛织物进行弹性整理的方法。根据实践,从产品设计和生产角度提出了针对弹性整理织物的设计和工艺要点,对纱线捻系数、织物紧度及缩率的选择、弹性整理工艺的确定等进行了重点分析,指出了弹性整理过程中易出现的色光变化、纤维损伤等问题,并结合生产实际给出了相应的生产技术和质量保证措施。     

精纺毛织物可机洗整理工艺

从羊毛纤维的结构和性能出发、分析了机可洗整理的理论,并在此基础上对不同品种的防缩后整理工艺进行实验,测试其防缩效果。通过比较,得出了精纺毛织品在后整理过程中的最佳防缩工艺,即采用合适的防缩剂用量达到所需要的防缩效果。     

毛/镀银纤维精纺毛织物后整理工艺研究

将镀银纤维应用于毛精纺织物中,以实现精纺毛织物的多功能化.镀银纤维集防电磁辐射、抗菌、抗静电等多种优异功能于一体,但其表面具有特殊的颜色,且遇高温易氧化变色,耐酸性较差,限制了其在毛纺行业中的应用.通过实验,对含镀银纤维精纺毛织物的后整理工艺进行了研究,得出了后整理温度、酸碱度是影响镀银纤维性能的主要因素,提出了优化后的后整理工艺.     

基于遗传算法和BP网络的精毛纺粗纱质量预报

针对BP神经网络收敛速度慢、容易陷入局部最优解和遗传算法搜索范围广、效率高、鲁棒性强的特点,提出将二者结合用于精毛纺粗纱过程建模和质量预报。将BP网络初始权重和阈值按一定规律串接成字符串作为遗传算法的染色体,通过选择、交叉和变异操作对其优化, 优化后的值作为该BP网络的初始权重和阈值进行二次训练。采用相同的数据训练表明,未优化的BP网络达不到预定精度或陷入局部最优解,经GA优化后收敛速度快且达到了所需精度。粗纱CV值和单重的20组数据预报表明：预报值与实测值间的相对平均误差率由之前的3.56%和3.48%分别降低到2.55%和2.23%;预报值和实测值间的相关系数较之前大为提高。     

毛精纺前纺工艺参数重要性的BP网络定量评价法

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。     

基于BP网络的成纱质量预测的数据挖掘

通过对原棉性能及成纱质量历史数据的分析,建立了用于数据挖掘的样本库。在此基础上设计了成纱质量预测的BP神经网络模型,并对成纱的强力、条干CV值和毛羽等质量指标进行了预测分析,仿真结果表明该方法具有很好的预测效果。     

ANN与模糊算法在毛精纺织机效率预报中的对比

 介绍了人工神经网络技术和模糊算法在毛精纺面料织造预报过程中的应用,建立人工神经网络BP质量预报模型和模糊算法中模糊评判模型,利用这2种预报技术分别给出了织机效率预报模型,并比较2种预报模型对毛精纺织造质量预报的性能优劣。通过对人工神经网络技术和模糊算法的理论比较及其预报结果的对比分析,得出在毛精纺织造质量的预报中,人工神经网络BP质量预报模型优于模糊算法中的模糊评判模型,2种预报技术在解决非线性问题方面具有各自的适应性。     

基于BP神经网络算法的粮食储存品质预测模型构建研究

粮食安全预警对于储粮企业意义重大,本研究基于BP神经网络算法,采用Python软件构建了粮食储存品质预测模型。通过使用全国各储粮生态区的质量品质数据来训练和测试,构建了基于BP神经网络算法的两种预测模型,时间序列品质预测模型可进行连续单指标跨期预测,温湿度-品质预测模型可进行度夏后粮情预测。经验证,时间序列品质预测模型对粮食储存品质指标预测效果较好,预测误差均低于15%。     

基于神经网络的精纺毛纱性能预测模型比较

为比较BP与RBF神经网络对精纺毛纱性能的预测能力,采集前纺与后纺的工艺参数作为输入节点,表征精纺毛纱性能的条干不匀率与断裂强力分别作为输出节点,采用软件计算工具中的反向传播(BP)神经网络、径向基(RBF)神经网络分别建立细纱条干不匀率与断裂强力的预测模型,从统计学角度反映2种模型的预测性能。实验结果表明,在输入样本数较大、输入维数较高、精度要求相同的情况下,RBF神经网络模型的训练速度明显快于BP神经网络模型,但BP神经网络模型的预测性能略优于RBF函数神经网络模型,特别是遇到异常样本时,BP神经网络模型表现出更强的容错能力。     

基于ANN算法的毛精纺面料织造的智能预报

介绍了在毛精纺面料织造过程中应用的神经网络技术及不同的改进算法,给出了织造预报的实际模型和试验结论,并对织机效率预报模型进行实例训练,预报结果验证了几种典型学习算法的性能.     

基于BP神经网络的国毛毛条质量预测模型

采用BP神经网络预测技术建立少于3层的国毛毛条加工质量预测模型,利用贝叶斯判别规则提高网络的学习能力,通过实验对比选出最优隐层神经元数。模型预测结果表明,用神经网络方法预测毛条加工性能与实际结果有相当高的一致性。     

毛纺质量管理的数据处理程序

对于纺织生产的质量管理来说 ,数据处理是必不可少的。文中介绍了适用于毛纺质量管理的 5个数据处理程序 ,程序的编制使用了VB6 0编程语言。