论文部分内容阅读
我国是纺织品生产大国，作为纺织行业重要组成部分的印染行业，发展速度非常迅速。由于染色过程涉及到复杂的物理化学反应，其内在机理研究尚不完善，且温度、水质、助剂等的改变就会给织物带来色差，造成织物染色的一次合格率/一次准确性低。颜色作为印染品的重要属性之一，如果达不到客户的要求，就会导致印染企业重染、废染等行为，带来生产成本高、利润低的问题。
染色过程中织物的颜色无法直接测量，可以通过软测量技术来预测织物的颜色。在发现色差时，及时调整染色配方，有效控制织物的颜色，节能减排。本文采用软测量技术，对轧染工艺中织物颜色的预测问题进行了深入的研究，主要的研究内容如下：
1、实地参观华纺股份有限公司轧染生产线，研究轧染工艺生产流程。坯布由前处理变为半制品，再到染色，经过的工序多，工艺复杂。本文选取轧染工艺全流程中关键的生产参数作为软测量模型的输入，包括坯布的白度、坯布的组成成分、染料的名称及浓度。软测量模型的输出为织物染色完成后的颜色，使用的颜色度量空间为纺织行业中常用的CIELAB空间。由于客户通常会要求双光源甚至三光源对色，本文在D65和F2双光源下测量织物染色完成后颜色的CIELAB值进行对色，避免同色异谱现象。
2、将轧染工艺中的织物颜色预测问题描述成一个多输出回归估计的数学问题。对华纺股份有限公司提供的实际生产数据进行数据预处理，建立三个数量不等的实验数据集。使用误差反向（ Back Propagation，BP）神经网络和多输出支持向量机回归（Multi-output Support Vector Regression，M-SVR）两个传统的软测量模型来解决该问题，并对比三个实验数据集下两个模型的预测效果。
3、研究内容 2 中采用的是传统的软测量模型：浅层的 BP 神经网络和对小数量样本占优势的 M-SVR。在深度学习应用到各行各业的背景下，采用长短期记忆网络（Long Short-Term Memory，LSTM）来解决织物颜色预测的问题，对三个实验数据集进行仿真实验，得到预测结果，并与BP神经网络和M-SVR的结果进行对比。
4、三种模型将实验数据集分为训练样本和测试样本，在多种训练样本占比下随机选取训练样本进行重复实验。选择多种训练样本占比是为了测试模型预测性能的稳定性，重复实验是为了取结果的平均值以消除随机误差。根据三种算法模型的特性分别进行了参数调优，优化的损失函数是由CIELAB色差公式演化而来的SE和RMSE误差公式，其中SE评价的是单个测试样本的预测精度，RMSE评价的是所有测试样本的预测精度。
实验结果表明BP神经网络和M-SVR模型能在D65和F2光源下解决轧染工艺中织物的颜色预测问题，两个模型各有优劣。对比LSTM的实验结果表明，LSTM模型的预测精度最高，预测性能最稳定，能较好地解决轧染工艺中织物颜色预测问题。
染色过程中织物的颜色无法直接测量，可以通过软测量技术来预测织物的颜色。在发现色差时，及时调整染色配方，有效控制织物的颜色，节能减排。本文采用软测量技术，对轧染工艺中织物颜色的预测问题进行了深入的研究，主要的研究内容如下：
1、实地参观华纺股份有限公司轧染生产线，研究轧染工艺生产流程。坯布由前处理变为半制品，再到染色，经过的工序多，工艺复杂。本文选取轧染工艺全流程中关键的生产参数作为软测量模型的输入，包括坯布的白度、坯布的组成成分、染料的名称及浓度。软测量模型的输出为织物染色完成后的颜色，使用的颜色度量空间为纺织行业中常用的CIELAB空间。由于客户通常会要求双光源甚至三光源对色，本文在D65和F2双光源下测量织物染色完成后颜色的CIELAB值进行对色，避免同色异谱现象。
2、将轧染工艺中的织物颜色预测问题描述成一个多输出回归估计的数学问题。对华纺股份有限公司提供的实际生产数据进行数据预处理，建立三个数量不等的实验数据集。使用误差反向（ Back Propagation，BP）神经网络和多输出支持向量机回归（Multi-output Support Vector Regression，M-SVR）两个传统的软测量模型来解决该问题，并对比三个实验数据集下两个模型的预测效果。
3、研究内容 2 中采用的是传统的软测量模型：浅层的 BP 神经网络和对小数量样本占优势的 M-SVR。在深度学习应用到各行各业的背景下，采用长短期记忆网络（Long Short-Term Memory，LSTM）来解决织物颜色预测的问题，对三个实验数据集进行仿真实验，得到预测结果，并与BP神经网络和M-SVR的结果进行对比。
4、三种模型将实验数据集分为训练样本和测试样本，在多种训练样本占比下随机选取训练样本进行重复实验。选择多种训练样本占比是为了测试模型预测性能的稳定性，重复实验是为了取结果的平均值以消除随机误差。根据三种算法模型的特性分别进行了参数调优，优化的损失函数是由CIELAB色差公式演化而来的SE和RMSE误差公式，其中SE评价的是单个测试样本的预测精度，RMSE评价的是所有测试样本的预测精度。
实验结果表明BP神经网络和M-SVR模型能在D65和F2光源下解决轧染工艺中织物的颜色预测问题，两个模型各有优劣。对比LSTM的实验结果表明，LSTM模型的预测精度最高，预测性能最稳定，能较好地解决轧染工艺中织物颜色预测问题。