基于RBF神经网络模型和优劣解距离分析的复鞣填充工艺优化

2022-10-19姚庆达黄鑫婷周华龙梁永贤许春树孙辉永

皮革与化工 2022年5期

姚庆达，黄鑫婷，周华龙，梁永贤，许春树，孙辉永

（1.福建省皮革绿色设计与制造重点实验室，福建晋江 362271；2.兴业皮革科技股份有限公司国家企业技术中心，福建晋江 362261；3.维正知识产权科技有限公司，广东深圳 518000；4.晋江市质量计量检测所，福建晋江 362200）

0 引言

皮革的染整是将经鞣剂鞣制后的皮革进行复鞣、染色、加脂、干整理、湿整理等一系列处理工艺的统称，其中复鞣、染色、加脂又合称为湿态染整。在湿态染整中，使用的材料非常多，包括矿物鞣剂、植物单宁（栲胶）、合成单宁（合成鞣剂）、树脂复鞣剂、天然油脂、合成加脂剂等[1,2]。随着新材料领域与传统制革领域的学科碰撞，新材料如石墨烯、有机-金属框架材料（MOFs）、负离子材料等也实现了在制革湿态染整中的应用[3-6]。制革湿态染整中所涉及的材料种类繁多，以丙烯酸树脂为例，根据丙烯酸树脂的分子量可分为超大分子、大分子、中分子、小分子、小小分子，不同分子量的丙烯酸树脂可为皮革带来不同的性能，超大分子型丙烯酸树脂具有较强的选择填充性，可以较好地填充皮革的空松部位，小分子型丙烯酸树脂则可提升皮革的后加工性能[7,8]。此外，不同材料的共同使用也会带来不同的性能，如在复鞣填充过程中使用具有较强稳定性的加脂剂可以提升皮革的物理力学性能，稳定性较差的加脂剂则会与矿物鞣剂共沉淀从而造成卡面等[9,10]。皮革的物理力学性能是由皮胶原纤维和所使用的皮革化学品性能共同决定的，如果仅分析单一皮革化学品对皮革的物理力学性能的影响则存在一定的局限性。

人工神经网络（Artificial Neural Network,ANN）是一种模拟人类大脑神经系统运算的数学模型，其通过大量的神经元相互连接、传递构成网络结构进行大规模分布式信息处理[11]。人工神经网络具有并行性大、分布性好、容错性强、精确度高等特点[12,13]。人工神经网络模型主要包括RBF多层感知器、BP神经网络、CNN卷积神经网络等[14]。其中，RBF多层感知器神经网络具有非常好的非线性映射能力，可对复杂的输入参数进行全局优化，常用于系统预测中[15]。优劣解距离法（Technique for Order Preference by Similarity toan Ideal Solution,TOPSIS）可根据有限个评价对象与理想化目标的接近程度进行排序，可用于研究多评价指标相对的优劣[16]。本文以丙烯酸树脂、角蛋白、栲胶、合成鞣剂、双氰胺树脂、羊毛脂加脂剂用量为水平，设计六因素五水平的正交实验，以皮革的撕裂力、崩破强度、抗张强度等物理力学性能为检测指标，使用RBF神经网络模型对实验结果拟合，分析其拟合效果与相关性，并对15625组全实验进行拟合，通过优劣解距离法对全实验拟合结果进行评价，并筛选出最优的复鞣填充材料组合，以期通过神经网络模型、皮尔逊分析、优劣解距离分析对制革复鞣填充工艺的规律性研究做出一定的探索。

1 试验

1.1 试验材料

角蛋白K：自制，固含量25%；甲酸：工业级，濮阳县瑞德化工有限公司；分散单宁JM：工业级，浙江盛汇化工有限公司；栲胶ME：工业级，金丰皮革化工公司；磷脂加脂剂OSL：工业级，德国汤普勒化工染料（嘉兴）有限公司；双氰胺树脂：RTL，工业级，泰州市丽革生物新材料有限公司；合成加脂剂BSFR：工业级，SCHILL&SEILACHER公司；聚丙烯酸树脂AR、合成鞣剂OS：工业级，朗盛化工有限公司；羊毛脂ZBN：佰欧控股集团有限公司；亚硫酸化加脂剂BA：工业级，司马化工；蓝湿革：兴业皮革科技股份有限公司。

精密电子天平：KD-2100TEC，福州科迪电子技术有限公司；二联对比试验转鼓：GSD-60，江苏无锡市新达轻工机械有限公司；拉力试验机：GT-TCS-2000，高铁检测仪器有限公司；破裂强度试验机：GT-7013-ADP，高铁检测仪器有限公司。

1.2 试验方法

工艺流程见表1。

表1 湿态染整工艺流程Tab.1 Process of fillingand fatliquoring

1.3 数据分析

1.3.1 物理力学性能

撕裂力参照QB/T 2711-2018《皮革物理和机械试验撕裂力的测定：双边撕裂》；崩破强度参照QB/T 2712-2005《皮革物理和机械试验粒面强度和伸展高度的测定：球形崩裂试验》；抗张强度参照QB/T 2710-2018《皮革物理和机械试验抗张强度和伸长率的测定》。

1.3.2 神经网络模型的构建

对皮革复鞣填充工序的物理力学评价指标采用4层神经网络模型进行构建（图1），其中输入层的输入参数为各皮革化学品的用量，输出层的输出参数为物理力学性能，中间层的节点数量是由优化不同节点数量的相对均方误差所得。

图1 神经网络结构图Fig.1 Structureof theneural network

偏差(DV)的计算如式(1)所示：

式中：xi——实测数据；

xe——预测数据；

均方误差(MSE)的计算如式(2)所示：

式中：n——数据点。

2 结果与讨论

2.1 RBF神经网络模型构建

在前期的相关研究中，使用了BP神经网络对制革复鞣填充工艺进行拟合[17]。但是BP神经网络本质上是一种梯度上升或下降趋势的局部模型与优化，与网络权重的向后误差校正相关[18]。在输入参数和输出参数较少时，可近似认为变化趋势为线性，但是实际大多数情况下参数之间的关系为非线性关系，BP神经网络模型便难以找到全局最优解，且当BP神经网络分析样本数量较多时，易因均方误差MSE过大而难以收敛[19,20]。RBF神经网络可以较好地分析参数之间的非线性关系，反向传播算法可以减少拟合数据和实际数据之间的误差[21]。先以丙烯酸树脂用量（A）、角蛋白用量（B）、栲胶用量（C）、合成鞣剂用量（D）、氨基树脂用量（E）、羊毛脂用量（F）为变化因素，设计正交试验，因素水平表见表2。以撕裂力、崩破强度、抗张强度为评价指标，对正交试验进行分析（表3）。

表2 填充正交试验因素水平表Tab.2 Thefactors and levelsof orthogonal experiment of filling

表3 填充正交试验结果Tab.3 The result of orthogonal experiment of filling

由于撕裂力、崩破强度、抗张强度与力在皮革上的作用方向有关[22]，因此三个物理力学性能指标所对应的非线性方程理论上也不尽相同。25组数据的物理力学性能拟合结果和偏差如表4所示。有趣的是，在单独拟合时，撕裂力、崩破强度和抗张强度中间层的节点个数均为第一隐藏层10个节点和第二隐藏层8个，但是参数各不相同。以撕裂力输出参数为例，其输出参数分别为-0.876（校正参数）、-2.182、-0.225、-1.155、4.895、1.141、1.696、-1.674和-1.033，而崩破强度输出参数为0.724（校正参数）、-1.966、1.419、1.189、0.715、-1.970、-2.445、0.208和-0.033，抗张强度的则为-0.424（校正参数）、-0.620、0.401、1.715、2.190、-1.582、-0.200、3.211和-2.675。参数的不同也从侧面证明了皮革的不同物理力学性能指标是不同方向作用力的具体体现。均方误差MSE常用于评价神经网络模型的拟合程度和精确程度[23]。撕裂力、崩破强度和抗张强度的MSE分别为0.015、0.025、0.043，说明模型的仿真程度较好。为了更好地评估RBF神经网络模型的拟合程度，对神经网络预测值和实际值进行线性拟合和残差分析，3项物理力学性能的拟合图和残差图分别如图2和图3所示，线性拟合相关系数R2分别为0.936、0.929和0.934；从残差图中也可以发现，残差的分布较为均匀，且偏差较小，绝大部分偏差值DV均小于10%，也佐证了模型拟合情况较好。

1）数据分类。数据分类主要将档案实体数据按照数据类型进行分类，不同类型的数据需要通过不同的特征提取技术进行特征提取。在实际应用中，档案数据都是经过著录整理过的有序数据，一般已经归档的档案数据均包含数据类别信息。

图2 实验数据与模型预测的相关性：(a)撕裂力；(b)崩破强度；(c)抗张强度Fig.2 Correlations between experimental datesand model predictions:(a)tearingforce;(b)burst strength;(c)tensile strength

图3 残差图：(a)撕裂力；(b)崩破强度；(c)抗张强度Fig.3 Residual plot:(a)tearing force;(b)burst strength;(c)tensilestrength

表4 RBF神经网络模型拟合结果Tab.4 Theresultsof RBFneural network model fitting

2.2 皮尔逊相关性分析

为了进一步解释和评价皮革化学品与皮革物理力学性能的关系，使用皮尔逊相关分析对正交试验结果做进一步的分析，结果如表5所示。

表5 输入变量和物理力学性能的皮尔逊相关Tab.5 The Pearson dependent of input variables for the physical mechanical properties

撕裂力与丙烯酸树脂、油脂的相关系数呈现出显著性，具体来看，撕裂力和丙烯酸树脂之间的相关系数为-0.509，并呈现出p＜0.01水平的显著性，说明撕裂力和丙烯酸树脂之间有显著的负相关关系，这可能是因为当丙烯酸树脂用量较大时，过量的丙烯酸树脂会与皮胶原纤维的Cr(III)结合，从而导致退鞣所致[24]。撕裂力和油脂的相关系数为0.462，并呈现出p＜0.05的显著性，呈显著的正相关关系，这可能是在复鞣填充中适量引入油脂则可调整皮革的电荷状态，促进复鞣填充材料的渗透与结合，同时适量的油脂还可滋润皮胶原纤维，从而降低皮胶原纤维间的摩擦[25]。撕裂力与其他四种材料的相关系数显著性较丙烯酸和油脂较弱。崩破强度的皮尔逊相关性分析结果与撕裂力类似，与丙烯酸树脂和油脂的相关性系数分别为-0.488（p＜0.05）和0.533（p＜0.01），呈显著负相关和正相关关系。抗张强度则是仅与角蛋白和羊毛脂呈现显著的相关性。总的来看，适量油脂的引入可以显著提升皮革的物理力学性能，与皮胶原纤维相互作用较弱的填充材料则会在一定程度上降低皮革的物理力学性能，即皮革的填充性能和物理力学性能难以得兼。

2.3 优劣解距离分析

从表3中的实验结果分析可知，对于撕裂力而言，最佳的组合为A1B3C2D5E4F5，崩破强度的最佳组合为A1B5C5D5E4F5，抗张强度则是A4B1C5D3E5F5，仅从物理力学性能的角度上考虑，三者的最优组合并不相同，如果再考虑增厚率、柔软度等指标，则最优解更难以寻找。因此使用RBF神经网络对15625组（56）全面试验进行拟合，并使用优劣解距离分析（TOPSIS）对物理力学性能进行评价。优劣解距离分析是以最优指标数据作为虚拟理想正方案，以最劣指标数据作为虚拟理想负方案，根据权重的加持，比较方案点距正、负理想点的距离大小[26,27]。在本试验中，认为撕裂力、崩破强度、抗张强度的权重相等。由于数据过多，在优劣解距离分析后选择排名前25的数据进行二次优劣解距离分析，结果如表6、表7所示。

表6 正负理想解Tab.6 Positiveand negativeideal solutions

从表7中可以发现，组合1的评价结果最接近于正、负理想解，评价对象1映射到正交组合中解为A1B1C5D5E4F5（即丙烯酸树脂3%、角蛋白2%、栲胶10%、合成鞣剂10%、氨基树脂4%、羊毛脂2.5%），角蛋白用量为2%时反而找到了皮革物理力学性能的最优解，这是因为正交试验设计水平时，认为各因素之间无较强的相互影响关系[28]。而在实际复鞣填充时，不同皮革化学品也存在较强的相互作用，有的可以促进其他皮革化学品的吸收与分散，有的则会产生一定的抑制作用[29]。有趣的是，正交试验的最优解中，3个最优解均认为合成鞣剂10%、油脂2.5%时物理力学性能最佳，主要分歧在于其他材料的用量。但是在优劣解距离分析的25个最优解中组合5的解为A2B1C5D5E4F5，其丙烯酸树脂的用量为6%，说明适量的丙烯酸树脂也可提升皮革的物理力学性能，这是因为适量的丙烯酸可与Cr(III)形成牢固的交联结合，同时适量的丙烯酸树脂还可分散其他的填料，从而提升皮革的物理力学性能[30]。而除了组合1、2、4、6、9、22和23外，其余的18组合成鞣剂用量均小于10%，其中合成鞣剂用量为6%占12组，这可能是因为合成鞣剂的鞣性较栲胶、矿物鞣剂更弱，过量的合成鞣剂会阻碍皮胶原纤维对皮革化学品吸收所致[31]。

表7 优劣解距离法评价结果Tab.7 Theresultsof TOPSISevaluation

优劣解距离分析最优解和正交设计对撕裂力、崩破强度、抗张强度的最优解如表8所示。在TOPSIS分析结果中，正交试验的三组结论都不是理论最优解，如崩破强度的预测并非是理论最大值（260.94 N·mm-1），同时三组结果抗张强度数值离理论最优大值16.17 N·mm-2仍有一定差距。这是因为正交试验忽略了不同材料之间的相互作用所致，如：适量的合成鞣剂可以辅助栲胶的扩散与结合；适量的氨基树脂可以在蛋白填料与皮胶原纤维形成交联点；天然油脂除了可以滋润皮胶原纤维，也可以在一定程度辅助材料的扩散；丙烯酸树脂可以在皮胶原纤维间成膜，可能粘接纤维，从而影响皮胶原纤维对其他复鞣填料的吸收等。因此未对正交设计的相关性矩阵分析所得出的结论是不准确的，尤其是对于制革填充工序而言，材料与材料、材料与皮胶原纤维之间的相互作用力不可忽略。但是若在正交设计时候考虑相关性矩阵，由于需要考虑每个材料间的相互作用，则试验量过大。因此在正交设计中引入一个好的拟合模型和分析工具可有效减少试验工作量，提高工作效率，并得到一个较为全面、完整的结论。