陶開(kāi)鑫 俞成丙 劉引烽 梁珊珊

摘要：為優(yōu)化活性染料對(duì)棉針織物的軋烘軋蒸染色工藝，基于最小二乘支持向量機(jī)（LS-SVM），以氯化鈉質(zhì)量濃度、碳酸鈉質(zhì)量濃度、烘干時(shí)間和汽蒸時(shí)間作為預(yù)測(cè)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(jìn)行預(yù)測(cè)。結(jié)果表明，織物實(shí)驗(yàn)K/S值和模型預(yù)測(cè)值的相關(guān)系數(shù)高達(dá)0.999 96，平均相對(duì)誤差小于0.5%，說(shuō)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(yù)測(cè)，可以用于棉針織物軋烘軋蒸染色工藝的預(yù)測(cè)和優(yōu)化。

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

中圖分類號(hào)：TS193文獻(xiàn)標(biāo)志碼：A文章編號(hào)：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(jīng)廣泛應(yīng)用于活性染料對(duì)棉織物的染色加工中[13]。針對(duì)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(guò)程，連續(xù)浸軋產(chǎn)生頭尾色差的原因和主要控制措施，預(yù)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(guò)熱蒸汽和熱空氣中的固色作用，對(duì)織物的固色方式、升溫過(guò)程等的研究，已經(jīng)在相關(guān)文獻(xiàn)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(duì)棉織物K/S值的影響是非線性的，且較為復(fù)雜。最小二乘支持向量機(jī)（LS-SVM）是一種數(shù)據(jù)驅(qū)動(dòng)建模方法，它基于統(tǒng)計(jì)學(xué)習(xí)理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理，比標(biāo)準(zhǔn)支持向量機(jī)更容易，計(jì)算更為簡(jiǎn)單;與神經(jīng)網(wǎng)絡(luò)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(wèn)題的優(yōu)點(diǎn)[11]，已被廣泛地應(yīng)用于很多不同領(lǐng)域中，并取得了不錯(cuò)的效果[10，12，13]，但在染色工藝中尚無(wú)看到有相關(guān)應(yīng)用的報(bào)道。

本研究采用雷馬素紅RGB對(duì)棉針織物用軋烘軋蒸工藝進(jìn)行染色，基于Matlab R2017b軟件平臺(tái)，通過(guò)對(duì)染色效果的分析，運(yùn)用LS-SVM工具箱（1.8版本）進(jìn)行編程、建模和驗(yàn)證，建立了氯化鈉質(zhì)量濃度、碳酸鈉質(zhì)量濃度、烘干時(shí)間和汽蒸時(shí)間為因素與響應(yīng)值染色織物K/S值間的數(shù)學(xué)模型，并對(duì)染色織物的K/S值進(jìn)行預(yù)測(cè)和評(píng)價(jià)。

1試驗(yàn)

1.1試驗(yàn)材料與儀器

試驗(yàn)材料：純棉14.6 tex雙面棉毛漂白半制品（平方米質(zhì)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(dá)（上海）貿(mào)易有限公司）;試劑：無(wú)水碳酸鈉、氯化鈉（均為化學(xué)純，國(guó)藥集團(tuán)化學(xué)試劑有限公司）。

試驗(yàn)儀器：Color i5型臺(tái)式分光測(cè)色儀（美國(guó)XRite公司）;DP型均勻小軋車（紹興縣威達(dá)機(jī)械有限公司）;DHG型電熱鼓風(fēng)烘箱（上海一恒科學(xué)儀器有限公司）;DE型微型萬(wàn)能汽蒸機(jī)（瑞士 Mathis）。

1.2試驗(yàn)方法

工藝流程：浸軋染液（染料20 g/L，二浸二軋，帶液率60%）→預(yù)烘（120 ℃熱風(fēng)，一定時(shí)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(shí)間）→冷水洗→熱水洗→皂洗（標(biāo)準(zhǔn)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(cè)試：織物染色后在XRite I5臺(tái)式分光測(cè)色儀上測(cè)定K/S值，測(cè)試前先用白磚、黑鏡和待染棉毛漂白織物進(jìn)行校驗(yàn)，然后用D65光源在10°視場(chǎng)下測(cè)試染色試樣。每個(gè)被測(cè)染色試樣折疊成8層，任意選取試樣上8個(gè)不同部位進(jìn)行測(cè)試，結(jié)果取平均值。

2染色模型的建立和結(jié)果分析

2.1LS-SVM染色模型的構(gòu)筑

選用雷馬素紅RGB進(jìn)行軋烘軋蒸染色試驗(yàn)，這種染料屬二氟一氯嘧啶基活性染料，具有中等反應(yīng)活性。按照軋烘軋蒸染色工藝，雷馬素紅在染色過(guò)程中，由于染液中沒(méi)有堿劑，染液和浸軋染液后的織物上所帶染料會(huì)很穩(wěn)定，不會(huì)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(méi)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(dá)到很高的給色量。另外，通過(guò)增加染液中染料質(zhì)量濃度，可以得到色澤很深的織物。

按照紡織色彩學(xué)理論，織物顏色的深淺可用其K/S值的大小來(lái)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(guān)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(shí)驗(yàn)方案進(jìn)行染色實(shí)驗(yàn)后，在最大吸收波長(zhǎng)540 nm處測(cè)得各個(gè)棉針織物試樣的K/S值。

選取軋烘軋蒸工藝過(guò)程中4個(gè)影響K/S值的主要因素A（氯化鈉質(zhì)量濃度，g/L），B（碳酸鈉質(zhì)量濃度，g/L），C（烘干時(shí)間，s）和D（汽蒸時(shí)間，s）作為L(zhǎng)S-SVM預(yù)測(cè)模型的輸入，染色織物的K/S值作為L(zhǎng)S-SVM預(yù)測(cè)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(zhì)量濃度125～175 g/L，碳酸鈉質(zhì)量濃度20～40 g/L，烘干時(shí)間40～80 s，汽蒸時(shí)間80～140 s。在100組實(shí)驗(yàn)數(shù)據(jù)中，隨機(jī)選取了80組實(shí)驗(yàn)數(shù)據(jù)作為預(yù)測(cè)模型的訓(xùn)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(wèn)題?；贛atlab R2017b軟件平臺(tái)，運(yùn)用LS-SVM工具箱（1.8版本）進(jìn)行建模，工具箱內(nèi)包含以下所有函數(shù)。為了構(gòu)建LS-SVM模型，第一步是導(dǎo)入訓(xùn)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(gè)非線性核函數(shù)，廣泛應(yīng)用于解決非線性問(wèn)題和作為核函數(shù)來(lái)降低訓(xùn)練模型程序的計(jì)算復(fù)雜性。第三步是使用‘initlssvm函數(shù)來(lái)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(gè)預(yù)測(cè)模型，兩次分別確定了具有最佳組合γ和σ2的兩個(gè)預(yù)測(cè)模型LS-SVM1和LS-SVM2。建立預(yù)測(cè)模型的關(guān)鍵是最佳組合γ和σ2的尋找，上述過(guò)程就是這組參數(shù)的尋優(yōu)過(guò)程。每次使用‘simplex函數(shù)和‘crossvalidatelssvm函數(shù)時(shí)，都會(huì)為相同的訓(xùn)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(gè)預(yù)測(cè)模型LS-SVM3和LS-SVM4。還有另外一個(gè)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(xùn)練這4個(gè)LS-SVM模型，訓(xùn)練結(jié)束后，將圖2中的20組測(cè)試數(shù)據(jù)的輸入分別代入到這4個(gè)訓(xùn)練好的LS-SVM模型中，再使用‘simlssvm函數(shù)會(huì)分別得到對(duì)應(yīng)的4組作為輸出的預(yù)測(cè)K/S值。最后，通過(guò)比較上述4種LS-SVM模型的預(yù)測(cè)K/S值來(lái)確定一個(gè)最佳的LS-SVM預(yù)測(cè)模型。上述具體的LS-SVM方法在文獻(xiàn)中已全部涉及[1416]。

2.2LS-SVM染色模型的調(diào)試與結(jié)果分析

從圖1可以得到，80組染色實(shí)驗(yàn)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(shí)驗(yàn)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(gè)不同的LS-SVM預(yù)測(cè)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(guò)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(chǎn)生不同的參數(shù)以影響模型預(yù)測(cè)的正確性。如表1所示，4個(gè)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(yīng)的核參數(shù)的選擇起著至關(guān)重要的作用。

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

為了進(jìn)一步比較LS-SVM1模型和LS-SVM4模型，選取多個(gè)評(píng)價(jià)LS-SVM模型預(yù)測(cè)性能的典型指標(biāo)如表3所示，其中包括平均相對(duì)誤差（ARE），均方根誤差（RMSE），最大相對(duì)誤差（Emax），相關(guān)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(yù)測(cè)精度越高，并且對(duì)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(yù)測(cè)準(zhǔn)確性越差，并且對(duì)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(gè)評(píng)價(jià)指標(biāo)分別小于LS-SVM1模型中對(duì)應(yīng)的評(píng)價(jià)指標(biāo)，這意味著LS-SVM4模型預(yù)測(cè)誤差較小。LS-SVM4模型中ARE，RMSE和Emax這3個(gè)評(píng)價(jià)指標(biāo)分別為0.35%，0.048和1.13%。同時(shí)，LS-SVM4模型中R2和Ep這兩個(gè)評(píng)價(jià)指標(biāo)分別大于LS-SVM1模型中對(duì)應(yīng)的評(píng)價(jià)指標(biāo)，表明LS-SVM4模型擬合效果更好。LS-SVM4模型中R2和Ep的評(píng)價(jià)指標(biāo)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(jié)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(lái)預(yù)測(cè)染色織物的K/S值。

b）預(yù)測(cè)實(shí)驗(yàn)結(jié)果表明，染色織物的K/S實(shí)驗(yàn)值和預(yù)測(cè)值的相關(guān)系數(shù)R為0.999 96，平均相對(duì)誤差小于0.5%，說(shuō)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(yù)測(cè)和優(yōu)化。

參考文獻(xiàn)：

[1] 孫冰，王賢瑞，武生春，等.活性染料軋烘軋蒸工藝實(shí)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(yuǎn).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(yuǎn).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(yuǎn).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(yuǎn).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(yuǎn).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(yuǎn).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(wǎng)絡(luò)出版日期：2019-03-20

基金項(xiàng)目：國(guó)家十三五重大科技專項(xiàng)（2017YFB0309700）

作者簡(jiǎn)介：陶開(kāi)鑫（1995-），男，安徽滁州人，碩士研究生，主要從事先進(jìn)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