织物折皱弹性实验数据分析

织物折皱弹性实验分析长春工业大学纺织服装学院纺织工程专业杨启亮ABCD急弹缓弹急弹缓弹急弹缓弹急弹缓弹J91.1985763.33845.764.972.4J3847.751.268.53840.652.958.4J3856.478.484.33844.83844.3J83.587.757.165.33869.451.160.7J103.4104.379.1103.753.561.7

W106.8113.379.990.790.6102.2112.3122.2W104.2116.4109.9124.797.3109.7103.8107.8W147.9156.364.274.3105.6117.299.3110.5W105.2115.764.377.3105116.2104.4114.9W141.2153.86675.4100.8111.6数据分析和处理原始数据ABCD急弹缓弹急弹缓弹急弹缓弹急弹缓弹J91.1985763.33845.764.972.4J3847.751.268.53840.652.958.4J3856.478.484.33844.83844.3J83.587.757.165.33869.451.160.7J103.4104.379.1103.753.561.7

W106.8113.379.990.790.6102.2112.3122.2W104.2116.4109.9124.797.3109.7103.8107.8W147.9156.364.274.3105.6117.299.3110.5W105.2115.764.377.3105116.2104.4114.9W141.2153.86675.4100.8111.6明显错误数据剔除数据分析和处理编号经向急弹经向缓弹纬向急弹纬向缓弹151.160.764.274.3251.268.564.377.3352.958.466.075.4453.561.779.990.7557.063.390.6102.2657.165.397.3109.7764.972.499.3110.5878.484.3100.8111.6979.1103.7103.8107.81083.587.7104.2116.41191.198.0104.4114.912103.4104.3105.0116.213105.2115.714105.6117.215106.8113.316109.9124.717112.3122.218141.2153.819147.9156.3格布拉斯异常值判断及处理

若只对剔除明显错误之后的原始数据用格布拉斯法进行异常值判断，得出的结果是原始数据中无异常值。

但是我们通过观察最大值和最小值就可以看出异常值任可能存在，只是没有被找出。

我们可以从急弹读数之后的缓弹读数之前那5分钟入手。

用缓弹数值—急弹数值可以得出这5分钟织物回复角度的变化量。数据分析和处理何为格布拉斯请看PPT最后一页编号经向急弹经向缓弹缓-急纬向急弹纬向缓弹缓-急151.160.79.664.274.310.1251.268.517.364.377.313352.958.45.566.075.49.4453.561.78.279.990.710.8557.063.36.390.6102.211.6657.165.38.297.3109.712.4764.972.47.599.3110.511.2878.484.35.9100.8111.610.8979.1103.724.6103.8107.841083.587.74.2104.2116.412.21191.198.06.9104.4114.910.512103.4104.30.9105.0116.211.213105.2115.710.514105.6117.211.615106.8113.36.516109.9124.714.817112.3122.29.918141.2153.812.619147.9156.38.4格布拉斯异常值判断及处理数据分析和处理编号经向急弹经向缓弹缓-急纬向急弹纬向缓弹缓-急151.160.79.664.274.310.1252.958.45.564.377.313353.561.78.266.075.49.4457.063.36.379.990.710.8557.165.38.290.6102.211.6664.972.47.597.3109.712.4778.484.35.999.3110.511.2883.587.74.2100.8111.610.8991.198.06.9104.2116.412.21068.677.368.758104.4114.910.511105.0116.211.212105.2115.710.513105.6117.211.614106.8113.36.515109.9124.714.816112.3122.29.917141.2153.812.618147.9156.38.419100.46111.0610.605格布拉斯异常值判断及处理数据分析和处理结论：

由于整体数据波动较大，数据无法真实反映斜纹棉织物折皱弹性的强弱。

若只是斜纹织物经向和纬向进行比较，则从数据可得：斜纹棉织物纬向的折皱弹性强于经向的折皱弹性。急弹平均值：纬向100.46

缓弹平均值：纬向111.06缓—急：纬向10.605>经向68.6>经向77.36>经向8.758避免操作误差：一、实验样品选择二、实验试样制备三、实验仪器准备四、实验试样放置一、实验样品选择二、实验试样制备二、实验试样制备取凸型试样时画的线条会增大试样的湿度，最好使用铅笔点画8个点。二、实验试样制备剪取凸型试样时尽量确保与标准样一致二、实验试样制备凸型试样变缘散乱的纱线必须剪净三、实验仪器准备机器复位机器简单清洁，去除静电准备塑料薄膜四、实验试样放置将试样平整的依次放在翻板上每个试样上放置一片塑料薄膜调整试样位置，回复翼与固定的连接线与翻板上的刻度红线对齐先将第一个试样折好放下压板按下工作键，再依次将试样折好放下压板谢谢！Pn0.950.99Pn0.950.9931.1351.155172.4752.78541.4631.492182.5042.82151.6721.749192.5322.85461.8221.944202.5572.88471.9382.097212.5802.91282.0322.231222.6032.93992.1102.323232.6242.963102.1762.410242.6442.987112.2342.485252.6633.009122.2852.550302.7453.103132.3312.607352.8113.178142.3712.659402.8663.240152.4092.705452.9143.292162.4432.747502.9563.336格拉布斯法—异常值判断(2009-04-0716:38:20)▲概述：一组测量数据中，如果个别数据偏离平均值很远，那么这个(这些)数据称作“可疑值”。如果用统计方法—例如格拉布斯(Grubbs)法判断，能将“可疑值”从此组测量数据中剔除而不参与平均值的计算，那么该“可疑值”就称作“异常值(粗大误差)”。本文就是介绍如何用格拉布斯法判断“可疑值”是否为“异常值”。▲测量数据：例如测量10次(n＝10)，获得以下数据：8.2、5.4、14.0、7.3、4.7、9.0、6.5、10.1、7.7、6.0。▲排列数据：将上述测量数据按从小到大的顺序排列，得到4.7、5.4、6.0、6.5、7.3、7.7、8.2、9.0、10.1、14.0。可以肯定，可疑值不是最小值就是最大值。▲计算平均值x-和标准差s：x-＝7.89；标准差s＝2.704。计算时，必须将所有10个数据全部包含在内。▲计算偏离值：平均值与最小值之差为7.89－4.7＝3.19；最大值与平均值之差为14.0－7.89＝6.11。▲确定一个可疑值：比较起来，最大值与平均值之差6.11大于平均值与最小值之差3.19，因此认为最大值14.0是可疑值。▲计算Gi值：Gi＝(xi－x-

)/s；其中i是可疑值的排列序号——10号；因此G10＝(x10－x-

)/s＝(14.0－7.89)/2.704＝2.260。由于

x10－x-是残差，而s是标准差，因而可认为G10是残差与标准差的比值。下面要把计算值Gi与格拉布斯表给出的临界值GP(n)比较，如果计算的Gi值大于表中的临界值GP(n)，则能判断该测量数据是异常值，可以剔除。但是要提醒，临界值GP(n)与两个参数有关：检出水平α

(与置信概率P有关)和测量次数n

(与自由度f有关)。▲定检出水平α：如果要求严格，检出水平α可以定得小一些，例如定α＝0.01，那么置信概率P＝1－α＝0.99；如果要求不严格，α可以定得大一些，例如定α＝0.10，即P＝0.90；通常定α＝0.05，P＝0.95。▲查格拉布斯表获得临界值：根据选定的P值(此处为0.95)和测量次数n(此处为10)，查格拉布斯表，横竖相交得临界值G95(10)＝2.176。▲比较计算值Gi和临界值G95(10)：Gi＝2.260，G95(10)＝2.176，Gi＞G95(10)。▲判断是否为异常值：因为Gi＞G95(10)，可以判断测量值14.0为异常值，将它从10个测量数据中剔除。▲余下数据考虑：剩余的9个数据再按以上步骤计算，如果计算的Gi＞G95(9)，仍然是异常值，剔除；如果Gi＜G95(9)，不是异常值，则不剔除。本例余下的9个数据中没有异常值。

格拉布斯表——临界值GP(n)

对异常值及统计检验法的解释■测量过程是对一个无限大总体的抽样：对固定条件下的一种测量，理论上可以无限次测量下去，可以得到无穷多的测量数据，这些测量数据构成一个容量为无限大的总体；或者换一个角度看，本来就存在一个包含无穷多测量数据的总体。实际的测量只不过是从该无限大总体中随机抽取一个容量为n(例如n＝10)的样本。这种样本也可以有无数个，每个样本相当于总体所含测量数据的不同随机组合。样本中的正常值应当来自该总体。通常的目的是用样本的统计量来估计总体参量。总体一般假设为正态分布。■异常值区分：样