**WARNUNG** Anfang DESC Feld konnte Ende CLMS uberlappen **.
PATENTANSPRUCHE
1. Verfahren zur Bestimmung der Häufigkeit von Garnfehlern für ein Garn, wobei die Garnfehler durch mindestens eine ihrer Querdimension und/oder Längsdimension zugeordnete Zufallsvariable (X, Y) definiert sind, dadurch gekennzeichnet, dass ein die Verteilung der Zufallsvariablen (X, Y) beschreibendes Wahrscheinlichkeitsmodell (f (x, y)) vorgegeben ist, wobei dieses Modell eine mindestens der Anzahl der Zufallsvariablen (X, Y) entsprechende Anzahl von Modellparametern (al, a2,
C1, C2; ...) enthält, dass von Garn eine Stichprobe entnommen und aufgrund dieser Stichprobe Schätzwerte (â1, ä2 . . .; q,c2, . . zu .; c1,c2,.. .) für die Modellparameter (a1, a2 . . .; C1, C2,..
.) ermittelt werden, und dass dann für mindestens einen vorgegebenen Wertebereich der Zufallsvariablen (X, Y) die durch das Modell bestimmte Häufigkeit der Garnfehler berechnet wird.
2. Verfahren nach Patentanspruch 1, dadurch gekennzeich net, dass die Schätzwerte (â1, â2, . . .; #1, #2, .. zu . für für die Modell- parameter aus Summen berechnet werden, die während der Stichprobenentnahme aus den Daten der einzelnen Beobachtungen der Stichprobe gebildet werden.
3. Verfahren nach Patentanspruch 1, dadurch gekennzeichnet, dass der vorgegebene Bereich der Zufallsvariablen (X, Y) durch eine vorgegebene Fehlergrenze (g (x, y) = 0) definiert ist.
4. Verfahren nach Patentanspruch 1, dadurch gekennzeichnet, dass innerhalb eines für die Garnreinigung massgeblichen Bereichs (x # xo, y # yo) der Garnfehler als Modell die gemeinsame Verteilung zweier exponentialverteilter Zufallsvariablen (X, Y) mit mindestens zwei Modellparametern (al, a2 . . .; cl, C2,.. .) vorgegeben ist.
5. Verfahren nach Patentanspruch 4, dadurch gekennzeichnet, dass die Dichtefunktion des Modells für die gemeinsame Verteilung zweier Zufallsvariablen (X, Y) bis auf einen Normierungsfaktor die Form
EMI1.1
mit a1, a2 > O; 0 < xo # x, O < yo # y hat.
6. Verfahren nach Patentanspruch 1, dadurch gekennzeichnet, dass die Dichtefunktion des Modells für die gemeinsame Verteilung zweier Zufallsvariablen (X, Y) bis auf einen Normierungsfaktor die Form
EMI1.2
mit a1, a2 > O, - 1 # a3 # 1; O < xo # x, O < yo # y hat.
7. Verfahren nach Patentanspruch 1, dadurch gekennzeichnet, dass die Dichtefunktion des Modells für die gemeinsame Verteilung zweier Zufallsvariablen (X, Y) bis auf einen Normierungsfaktor die Form - c1x-c2y-c3+c4xy f(x,y) = e mit c1, c2, c3 > O,c4 # 0; 0 < x0 x c2/c4, 0 < y0 y c1/c4 hat.
Die Erfindung bezieht sich auf ein Verfahren zur Bestimmung der Häufigkeit von Garnfehlern für ein Garn, wobei die Garnfehler durch mindestens eine ihrer Querdimension und/ oder Längsdimension zugeordnete Zufallsvariable definiert sind.
Aus der britischen Patentschrift 1 011 761 ist ein Gerät zum Prüfen von schnellaufenden Garnen bekannt, wobei die Dickstellen und Dünnstellen der Garne durch eine optische Abtastung erfasst, nach Länge und Durchmesser ausgewertet, klassiert und gezählt werden. Hierdurch wird es möglich, aus dem Ergebnis der Prüfung auf die Ursachen der Garnfehler zu schliessen, z.B. auf die Qualität des Rohmaterials und auf Mängel der Spinnereimaschinen.
Ferner ist aus der deutschen Patentschrift 1 773 536 ein Verfahren zur Einstellung elektronischer Garnreiniger in Abhängigkeit von Länge und Querschnitt der zu entfernenden Fehlerstellen bekannt, wobei zunächst ein visueller Vergleich von charakteristischen Fehlern des jeweils zu prüfenden Garns mit gespeicherten, entsprechend einem rechtwinkligen Koordinatensystem nach Länge und Querschnitt sortierten typischen Garnfehlern vorgenommen wird.
Dann wird in Abhängigkeit von diesem Vergleich die Lage der zu entfernenden Fehler unter den gespeicherten Garnfehlern bestimmt und eine den Arbeitscharakteristiken des Garnreinigers entsprechende Kurvenschar mit den Parametern Fehlerlänge und Fehlerquerschnitt mit der Verteilung der so ermittelten Fehler unter den gespeicherten Fehlern verglichen, worauf diejenige Kurve ermittelt wird, die diesem Fehlerverlauf am nächsten kommt, und dann der Garnreiniger entsprechend den Parametern der ausgewählten Kurve eingestellt.
Die bekannten Verfahren zur Qualitätsbestimmung von Garnen bezüglich ihrer Fehlerhäufigkeit erfordern einen erheblichen Aufwand an Material und Zeit, der sich unter anderem aus dem seltenen Auftreten der bei der Garnreinigung auszuscheidenden Garnfehlern ergibt. Trotzdem ist die Genauigkeit der Qualitätsbestimmung und der Garnreinigung, die mit Hilfe einer Klassierung der Garnfehler erfolgt, nicht befriedigend, da aus Gründen der Wirtschaftlichkeit nur eine grobe Klassierung vorgenommen werden kann. Für die Garnreinigung hat dies zur Folge, dass die als stetige Kurve vorgegebene Reinigungsgrenze nicht mit den unstetigen Klassengrenzen zusammenfällt, wodurch die Bestimmung genauer Schnittzahlen beeinträchtigt wird. Zudem gehen die unvermeidlichen statistischen Fehler der Klassenhäufigkeiten der Garnfehler voll in die berechnete Schnittzahl ein.
Zweck der Erfindung ist demgemäss die Schaffung eines Verfahrens, das sowohl die Qualitätsbestimmung von Garnen als auch die Einstellung von elektronischen Garnreinigern mit geringerem Aufwand an Garn und Zeit oder - bei einem mit den bekannten Verfahren vergleichbaren Aufwand - mit grösserer Genauigkeit ermöglicht.
Der Erfindung liegt die Aufgabe zugrunde, anhand einer Stichprobe eines Garns eine Funktion der eingangs genannten Zufallsvariablen zu bestimmen, welche die in jedem beliebigen Wertebereich der Zufallsvariablen vorhandene Häufigkeit oder Anzahl der Garnfehler repräsentiert und somit die Berechnung dieser Häufigkeit in einem oder mehreren vorgegebenen Wertebereichen ermöglicht.
Das erfindungsgemässe Verfahren ist dadurch gekennzeichnet, dass ein die Verteilung der Zufallsvariablen (X, Y) beschreibendes Wahrscheinlichkeitsmodell vorgegeben wird, wobei dieses Modell eine mindestens der Anzahl der Zufallsvariablen entsprechende Anzahl von Modellparametern (al, a2, ..; cl, C2,.. .) enthält, dass vom Garn eine Stichprobe entnommen und aufgrund dieser Stichprobe Schätzwerte (â1, a2 . . .; el, #2,...) für die Modellparameter ermittelt werden, und dass dann für mindestens einen vorgegebenen Wertebereich der Zu
fallsvariablen die durch das Modell bestimmte Häufigkeit der Garnfehler berechnet wird.
Das erfindungsgemässe Verfahren kann zum Bestimmen der Qualität eines Garns dienen. Zu diesem Zweck kann die Häufigkeit der Granfehler für einen bestimmten Bereich, z.B.
für die kurzen knotenartigen Dickstellen oberhalb einer gegebenen Grenze der Fehlerdicke und unterhalb einer gegebenen Grenze der Fehlerlänge, berechnet werden; man kann aber auch die Häufigkeiten für mehrere Bereiche, z.B. für die kurzen Dickstellen und zusätzlich für die Dünnstellen unterhlab einer bestimmten Dicke und oberhalb einer bestimmten Länge, berechnen. Es kann auch ein anderes in der Textilindustrie übliches Kriterium ( Top Six ) für die Garnqualität zugrunde gelegt werden: es wird die Anzahl aller groben Garnfehler bestimmt, deren Querdimension (Masse pro Längeneinheit) eine realtiv hoch angesetzte Schwelle überschreitet.
Führt man eine solche Bestimmung für mehrere gleichartige Garne, z.B. ringgesponnene Baumwollgarne, aus, so liefert dieses Verfahren eine sichere Grundlage für einen Qualitätsvergleich dieser Garne und ermöglicht damit die Beurteilung ihrer Eignung für die weitere Verarbeitung.
Insbesondere hat das Verfahren Bedeutung für die Garnrei nigung, indem es die optimale Einstellung der üblicherweise in der Spulerei verwendeten elektronischen Garnreiniger unter
Berücksichtigung der Wirtschaftlichkeit der Produktion ermög licht. Bekanntlich wird die Einstellung des Garnreinigers nicht allein durch die gewünschte Garnqualität, sondern auch dadurch bestimmt, dass die Zahl der zu entfernenden Garnfeh ler bzw. Reinigerschnitte die Wirtschaftlichkeit des Fertigungs prozesses, zum Beispiel des Spulprozesses, nicht in Frage stellen darf. Bei dieser Anwendung des Verfahrens ist der Bereich, für den die Zahl der Garnfehler berechnet werden soll, durch eine
Fehlergrenze oder Reinigungsgrenze bestimmt; bei der Garn reinigung sollen z.B. alle Garnfehler ausgeschnitten werden, de ren Abmessungen in den oberhalb dieser Fehlergrenze liegen den Bereich fallen.
Beim vorliegenden Verfahren legt man zu nächst eine durch Erfahrung gewonnene Reinigungsgrenze zu grunde und ermittelt die zugehörige Anzahl der auszuschnei denden Garnfehler. Erweist sich diese Zahl als zu hoch, dann kann die Berechnung mit einer höher angesetzten Reinigungs grenze wiederholt werden.
Im folgenden wird das erfindungsgemässe Verfahren an hand der in der Zeichnung dargestellten Flussdiagramme bei spielsweise erläutert.
Fig. 1 zeigt ein Flussdiagramm für die Bestimmung der Zahl der auszuschneidenden Garnfehler in einem durch eine Fehler grenze bestimmten Bereich, und
Fig. 2 zeigt eine Modifikation des Verfahrens, wonach die
Zahl der bei der Garnreinigung auszuschneidenden Garnfehler und/oder die Zahl der für eine Qualitätsbestimmung massgebli chen Fehler berechnet werden kann.
Es wird dabei vorausgesetzt, dass ein elektronischer Garn reiniger oder eine entsprechender Datengeber mit einem die
Querdimension des Garns abtastenden Sensor vorgesehen ist, der die Einzeldaten für die Zufallsvariablen X und Y liefert, welche die Querdimension und die Längsdimension der erfass ten Garnfehler definieren, und dass diese Einzeldaten zwecks weiterer Verarbeitung in eine digitale Form (x1, y1), (x2, Y2), umgesetzt werden. Diese Schritte können mit dem Fachmann geläufigen Mitteln ausgeführt werden und brauchen deshalb nicht im einzelnen beschrieben werden.
Die genannten digitalen Daten werden von einem Rechner, der für einem Terminal für Eingabe und Ausgabe versehen ist, in der durch die Flussdiagramme erläuterten Weise verarbeitet.
Die im folgenden Text eingeklammerten Ziffern beziehen sich auf die entsprechenden Blöcke der Flussdiagramme.
Gemäss Fig. 1 bestehen die ersten Schritte des Verfahrens im Starten (1) des aus Datengeber und Rechner bestehenden Systems und dessen Initialisierung oder Vorbereitung zur Datenerfassung (2), das heisst Herstellen der erforderlichen Verbindungen, Löschen der Speicher etc. Bei nunmehr laufendem Garn werden zum Zweck der Berechnung der Schätzwerte â1, â2,... oder #1, #2,... der Modellparameter a1, a2,... bzw.
c1, c2,... während der Stichprobenentnahme die Einzeldaten nach bestimmten Vorschriften summiert (3). Nach dem programmierten Abschluss der Stichprobe (4) werden die Schätzwerte â1, â2,. . bzw. #1, #2,. . für die Modellparameter a1, a2, . . bzw. c1, c2,.. . aus den genannten Summen berechnet (5) und gespeichert (6).
Für Zwecke der Garnreinigung wird eine bestimmte Reinigungsgrenze durch die Gleichung g (x, y) = 0 vorgegeben. Um die Zahl der Reinigerschnitte zu berechnen, werden die Daten, welche die Reinigungsgrenze bestimmen, vom Operator mittels der Tastatur des Terminals dem Rechner eingegeben (8), worauf der Rechner mit dem einprogrammierten Wahrscheinlichkeitsmodell f (x, y) und den ermittelten Schätzwerten der Modellparameter die zu erwartende Schnittzahl berechnet (9) und durch das Terminal ausdruckt (10).
Ist die mit der eingegebenen Reinigungsgrenze ermittelte Schnittzahl z.B. unzulässig hoch, dann kann der Programmablauf, beginnend mit einer neuen Reinigungsgrenze (8), wiederholt werden. Dadurch ist der Operator in der Lage, zunächst mit einer von der Erfahrung her sinnvollen Reinigungsgrenze g (x, y) = O zu beginnen und dann diejenige Reinigungsgrenze zu ermitteln, die den besten Kompromisss zwischen Anforderung an die Garnreinigung und Nutzeffekt des Spulprozesses darstellt.
Der Operator kann aber auch das ganze Verfahren mit einer neuen Stichprobe desselben Garns wiederholen (11), um dadurch die Ergebnisse des ersten Rechnungsgangs zu bestätigen.
Bei dem in Fig. 2 dargestellten Flussdiagramme stimmen die ersten Schritte 1 bis 6, d.h. die Ermittlung der Schätzwerte der Parameter des Modells f (x, y), mit den entsprechenden Schritten aus Fig. 1 überein. In einem folgenden Schritt (7) kann der Operator entscheiden, ob eine Bestimmung der für eine bestimmte Reinigungsgrenze zu erwartenden Schnittzahl oder eine Qualitätskontrolle durchgeführt werden soll. Im ersten Falle verläuft das weitere Verfahren gemäss den Schritten 8 bis 11 der Fig. 1.
Im zweiten Falle werden Qualitätsparameter eingelesen (12) und mit Hilfe des Modells Qualitätsdaten berechnet (13) und ausgedruckt (14). Zum Beispiel wird die Anzahl der Garnfehler in einem vorgegebenen Bereich der Zufallsvariablen (X, Y) für eine bestimmte Garnlänge berechnet. Der vorgegebene Bereich ist beispielsweise festgelegt durch die Bedingungen x < x x, y < y wobei die Qualitätsparameter xu, y, und x,, y, die unteren bzw.
oberen Bereichsgrenzen repräsentieren. Eine Integration der Dichtefunktion mit den geschätzten Parametern über diesen Bereich liefert dann die zu erwartende Anzahl der Garnfehler, die auf eine Einheit der Garnlänge bezogen wird, z.B. auf
100 000 m Länge.
Je nach der Wahl der Bereichsgrenze ist es möglich, die Anzahl der Dünnstellen, der Garnfehler mit geringer Überschreitung der mittleren Garndicke und/oder einer bestimmten Länge oder auch die Anzahl der Garnfehler grosser Dicke und /oder Länge zu erfassen. Es ist also auch möglich, eine einzige untere oder obere Bereichsgrenze h (x, y) = O zu wählen.
Nach dem Ausdrucken der so gewonnenen Qualitätsdaten kann eine neue Stichprobe genommen werden (15).
Eine solche Qualitätskontrolle kann für die Ausgangsprodukte sowohl in der Spinnerei als auch in der Spulerei eingesetzt werden. Als Kriterium für die Qualität des Garns kann, wie bereits gesagt, die Anzahl der Fehler in dem betreffenden Bereich angesehen werden; es kann auch als zusätzlicher Qualitätsparameter eine obere Grenze für diese Anzahl gegeben werden, die nicht überschritten werden darf.
Im einzelnen ist zur Durchführung des beschriebenen Programms noch folgendes zu bemerken.
Die programmgemässe Festlegung des Umfangs der Stichprobe (4) kann entweder durch Begrenzung der Dauer der Stichprobennahme, zum Beispiel auf eine Stunde, oder durch Begrenzung der Anzahl der vom Garnreiniger erfassten Garnfehler erfolgen. Die genannten Summen, aus denen die Schätzwerte â1, â@usw. sich bestimmen, werden simultan mit der Stichprobenentnahme berechnet.
Je nach dem vorgegebenen Wahrscheinlichkeitsmodell, dessen Dichtefunktion der Zufallsvariablen (X, Y) die folgenden verschiedenen Formen haben kann, können 2, 3 oder mehr Modellparameter vorgesehen werden. Beispiele für Dichtefunktionen sind:
1. Einfaches Modell mit zwei unabhängigen, exponentialverteilten Zufallsvariablen X und Y. Die Dichtefunktion hat bis auf einen Normierungsfaktor kl die Form
EMI3.1
mit den Parametern a1 > 0, a2 > 0; 0 < xo # x und 0 < yo # y
2. Modell von Gumbel mit zwei abhängigen, exponentialverteilten Zufallsvariablen X und Y. Die Dichtefunktion hat bis auf einen Normierungsfaktor k2 die Form
EMI3.2
mit den Parametern a1 > 0, a2 > 0, - 1 # a3 # 1 ; 0 < xo # x, 0 < yo # y
Die Dichtefunktion zu 1. ergibt sich aus derjenigen zu 2. für den Grenzfall der Unabhängigkeit mit a3 = 0.
Die Dichtefunktion zu 2. mit a3 ungleich Null liefert relativ genaue Ergebnisse bei der Bestimmung der zu erwartenden Schnittzahlen. Im Falle a3 = 0, Dichtefunktion zu 1., ist der rechnerische Aufwand, aber damit auch die erzielbare Übereinstimmung geringer. Eine ebenfalls hohe Genauigkeit, doch bei grösserem rechnerischen Aufwand, erhält man bei Verwendung der folgenden Dichtefunktion mit 4 Parametern cl bis c4 und dem Normierungsfaktor k3: - c1x - c2y - c3 + c4xy 3.f (x, y) = k3.e mit den Parametern c1 > 0, c2 > 0, c3 > 0, c4 0; 0 < x0 x c2/c4,0 > y0 y 5i c1/c4
Bei diesem Modell ist für den Fall c4 > 0 eine Begrenzung des Wertebereichs der Zufallsvariablen X und Y nach oben erforderlich, da infolge des positiven Gliedes c4xy im Exponenten die Dichtefunktion f (x, y) im Bereich sehr grosser Werte x und y unbegrenzt steigen kann.
In den Dichtefunktionen zu 1., 2. und 3. ist die Anzahl der Modellparameter mindestens gleich der Anzahl der Zufallsvariablen X, Y, das ist in diesem Falle 2.
Die Parameter a3 zum Modell 2. und c4zum Modell 3. sind sogenannte Korrelationsparameter, das heisst, sie ergeben sich aus der Berücksichtigung eines statistischen Zusammenhangs (einer Abhängigkeit) der beiden Zufallsvariablen X,Y. In der Formel zu 1. ist ein solcher Zusammenhang nicht berücksichtigt.
Die Bestimmung der Schätzwerte für die Massstabsparameter al und a2 in 1. und 2. erfolgt nach folgendem Schema:
EMI3.3
wobei n die Anzahl Garnfehler darstellt, aus denen die Stichprobe besteht. Der Schätzwert a3 für den Korrelationsparameter a3 ergibt scih nach der Beziehung ä3 = 4r aus dem Korrelationskoeffizienten r der Stichprobe. Dieser berechnet sich in bekannter Weise aus folgenden Grössen:
EMI3.4
wobei die Summierung jeweils von 1 bis n zu erstrecken ist.
Alternativ ist es auch möglich, die Schätzwerte I. a2 â2,.....
#1, #2,.. . für die Modellparameter aus Daten von Stichproben zu bestimmen, die nach bekannten Klassierverfahren ermittelt worden sind. Da dieses Verfahren aufwendiger ist, wird man davon im allgemeinen nur dann Gebrauch machen, wenn eine Klassierung zusätzlich erwünscht ist oder solche Klassierungsdaten für die betreffende Gruppe von Garnen bereits aus anderen Versuchen vorliegen.
** WARNING ** beginning of DESC field could overlap end of CLMS **.
PATENT CLAIMS
1. A method for determining the frequency of yarn errors for a yarn, the yarn errors being defined by at least one random variable (X, Y) assigned to their transverse dimension and / or longitudinal dimension, characterized in that a description describing the distribution of the random variables (X, Y) Probability model (f (x, y)) is specified, this model having a number of model parameters (al, a2, at least corresponding to the number of random variables (X, Y),
C1, C2; ...) contains a sample of yarn and based on this sample estimated values (â1, ä2..; q, c2,.. to.; c1, c2, ...) for the model parameters (a1, a2. .; C1, C2, ..
.) are determined, and that the frequency of the yarn errors determined by the model is then calculated for at least one predetermined value range of the random variables (X, Y).
2. The method according to claim 1, characterized in that the estimated values (â1, â2,... # 1, # 2, .. zu. Are calculated for the model parameters from sums which are taken from the sample during the sampling Data from the individual observations of the sample are formed.
3. The method according to claim 1, characterized in that the predetermined range of the random variables (X, Y) is defined by a predetermined error limit (g (x, y) = 0).
4. The method according to claim 1, characterized in that within a region relevant for yarn cleaning (x # xo, y # yo) the yarn error as a model, the common distribution of two exponentially distributed random variables (X, Y) with at least two model parameters (al, a2 ..; cl, C2, ...) is specified.
5. The method according to claim 4, characterized in that the density function of the model for the common distribution of two random variables (X, Y) except for a normalization factor, the form
EMI1.1
with a1, a2> O; 0 <xo # x, O <yo # y has.
6. The method according to claim 1, characterized in that the density function of the model for the common distribution of two random variables (X, Y) except for a normalization factor, the form
EMI1.2
with a1, a2> O, - 1 # a3 # 1; O <xo # x, O <yo # y has.
7. The method according to claim 1, characterized in that the density function of the model for the common distribution of two random variables (X, Y) except for a normalization factor, the form - c1x-c2y-c3 + c4xy f (x, y) = e with c1 , c2, c3> O, c4 # 0; 0 <x0 x c2 / c4, 0 <y0 y c1 / c4.
The invention relates to a method for determining the frequency of yarn defects for a yarn, the yarn defects being defined by at least one random variable assigned to their transverse dimension and / or longitudinal dimension.
A device for testing high-speed yarns is known from British Patent 1,011,761, the thick and thin areas of the yarns being detected by optical scanning, evaluated in length and diameter, classified and counted. This makes it possible to draw conclusions from the result of the test on the causes of the yarn defects, e.g. on the quality of the raw material and on defects in the spinning machines.
Furthermore, from German Patent 1,773,536 a method for setting electronic yarn cleaners depending on the length and cross-section of the defect locations to be removed is known, first of all a visual comparison of characteristic defects of the yarn to be tested in each case with stored, corresponding to a rectangular coordinate system according to length and Cross section sorted typical yarn errors is made.
Then, as a function of this comparison, the position of the defects to be removed from the stored yarn defects is determined and a family of curves corresponding to the working characteristics of the yarn cleaner is compared with the parameters defect length and defect cross section with the distribution of the defects thus determined among the stored defects, after which that curve is determined that most closely approximates this fault profile, and then the thread cleaner is set according to the parameters of the selected curve.
The known methods for determining the quality of yarns with regard to their frequency of errors require a considerable amount of material and time, which results, among other things, from the rare occurrence of yarn errors to be eliminated during yarn cleaning. Nevertheless, the accuracy of the quality determination and the yarn cleaning, which is carried out with the help of a classification of the yarn defects, is unsatisfactory, since for reasons of economy only a rough classification can be made. For yarn cleaning, this means that the cleaning limit specified as a continuous curve does not coincide with the discontinuous class limits, which impairs the determination of exact numbers of cuts. In addition, the inevitable statistical errors of the class frequencies of the yarn errors are fully included in the calculated number of cuts.
The purpose of the invention is accordingly to create a method which enables both the quality determination of yarns and the setting of electronic yarn cleaners with less effort in terms of yarn and time or - with an effort comparable to the known methods - with greater accuracy.
The invention is based on the object, using a sample of a yarn, to determine a function of the random variables mentioned at the outset, which represents the frequency or number of yarn errors present in any value range of the random variables and thus enables the calculation of this frequency in one or more predetermined value ranges.
The method according to the invention is characterized in that a probability model describing the distribution of the random variables (X, Y) is specified, this model having a number of model parameters (al, a2, ..; cl, C2, .. corresponding to at least the number of random variables). .) contains that a sample is taken from the yarn and estimated values (â1, a2... el, # 2, ...) for the model parameters are determined on the basis of this sample, and that then the at
if variables the frequency of the yarn errors determined by the model is calculated.
The method according to the invention can serve to determine the quality of a yarn. For this purpose, the frequency of the granular defects for a certain area, e.g.
for the short knot-like thick spots above a given limit of the defect thickness and below a given limit of the defect length; but you can also set the frequencies for several areas, e.g. for the short thick sections and additionally for the thin sections below a certain thickness and above a certain length. Another criterion (top six) for yarn quality that is common in the textile industry can be used: the number of all gross yarn defects is determined, the transverse dimension (mass per unit length) of which exceeds a relatively high threshold.
If such a determination is carried out for several similar yarns, e.g. ring-spun cotton yarns, this method provides a reliable basis for a quality comparison of these yarns and thus enables their suitability for further processing to be assessed.
In particular, the process has importance for yarn cleaning by ensuring the optimum setting of the electronic yarn cleaners commonly used in the winder
Consideration of the economic viability of production is made possible. As is known, the setting of the yarn cleaner is determined not only by the desired yarn quality, but also by the fact that the number of yarn errors or cleaner cuts to be removed must not jeopardize the economics of the manufacturing process, for example the winding process. In this application of the method, the area for which the number of yarn defects is to be calculated is by a
Defect limit or cleaning limit determined; in yarn cleaning, e.g. all yarn defects are cut out, whose dimensions fall within the range above this error limit.
In the present process, a cleaning limit gained through experience is first used and the associated number of yarn defects to be cut out is determined. If this number proves to be too high, the calculation can be repeated with a higher cleaning limit.
The method according to the invention is explained below using the flow diagrams shown in the drawing as an example.
Fig. 1 shows a flowchart for determining the number of yarn defects to be cut out in a range determined by an error limit, and
Fig. 2 shows a modification of the method, according to which the
The number of yarn defects to be cut out during yarn cleaning and / or the number of errors relevant for quality determination can be calculated.
It is assumed that an electronic thread cleaner or a corresponding data transmitter with a
Transverse dimension of the yarn scanning sensor is provided, which provides the individual data for the random variables X and Y, which define the transverse dimension and the longitudinal dimension of the detected yarn defects, and that these individual data for further processing in a digital form (x1, y1), (x2 , Y2). These steps can be carried out by means familiar to the person skilled in the art and therefore do not need to be described in detail.
The aforementioned digital data are processed by a computer which is provided for a terminal for input and output in the manner explained by the flow diagrams.
The numbers in brackets in the following text refer to the corresponding blocks in the flowcharts.
According to FIG. 1, the first steps of the method consist in starting (1) the system consisting of data transmitter and computer and initializing it or preparing it for data acquisition (2), that is establishing the necessary connections, deleting the memories etc. for the purpose of calculating the estimated values â1, â2, ... or # 1, # 2, ... the model parameters a1, a2, ... or
c1, c2, ... summed up the individual data according to certain regulations during sampling (3). After the programmed completion of the sample (4), the estimates â1, â2 ,. . or # 1, # 2 ,. . for the model parameters a1, a2,. . or c1, c2, ... calculated (5) and stored (6) from the sums mentioned.
For yarn cleaning purposes, a certain cleaning limit is given by the equation g (x, y) = 0. In order to calculate the number of cleaner cuts, the operator determines the data that determine the cleaning limit using the keyboard of the terminal (8), whereupon the computer with the programmed probability model f (x, y) and the determined estimates of the model parameters the expected number of cuts is calculated (9) and printed out by the terminal (10).
Is the number of cuts determined with the entered cleaning limit e.g. impermissibly high, then the program can be repeated, starting with a new cleaning limit (8). As a result, the operator is able to start with a cleaning limit g (x, y) = O that is sensible from experience and then to determine the cleaning limit that represents the best compromise between the requirements for yarn cleaning and the efficiency of the winding process.
The operator can also repeat the whole procedure with a new sample of the same yarn (11) in order to confirm the results of the first calculation.
In the flowchart shown in Fig. 2, the first steps 1 to 6 are correct, i.e. the determination of the estimated values of the parameters of the model f (x, y) corresponds to the corresponding steps from FIG. 1. In a subsequent step (7), the operator can decide whether a determination of the number of cuts to be expected for a specific cleaning limit or a quality control should be carried out. In the first case, the further process proceeds according to steps 8 to 11 of FIG. 1.
In the second case, quality parameters are read in (12) and with the help of the model quality data are calculated (13) and printed out (14). For example, the number of yarn defects in a given range of random variables (X, Y) is calculated for a specific yarn length. The predetermined range is defined, for example, by the conditions x <x x, y <y, the quality parameters xu, y, and x ,, y, the lower and
represent upper range limits. An integration of the density function with the estimated parameters over this range then provides the expected number of yarn defects, which is related to a unit of yarn length, e.g. on
100,000 m in length.
Depending on the choice of the range limit, it is possible to record the number of thin spots, the yarn defects with a slight exceeding of the average yarn thickness and / or a certain length or also the number of yarn defects of great thickness and / or length. It is therefore also possible to choose a single lower or upper range limit h (x, y) = O.
After printing the quality data obtained in this way, a new sample can be taken (15).
Such a quality control can be used for the starting products both in the spinning mill and in the winding mill. As already mentioned, the criterion for the quality of the yarn can be the number of defects in the area concerned; there can also be an upper limit for this number as an additional quality parameter, which must not be exceeded.
In particular, the following should be noted in order to carry out the program described.
The scope of the sample (4) can be determined according to the program either by limiting the duration of the sampling, for example to one hour, or by limiting the number of yarn defects detected by the yarn cleaner. The sums mentioned, from which the estimates â1, â @ etc. are determined are calculated simultaneously with the sampling.
Depending on the given probability model, whose density function of the random variables (X, Y) can have the following different forms, 2, 3 or more model parameters can be provided. Examples of density functions are:
1. Simple model with two independent, exponentially distributed random variables X and Y. The density function has the form except for a normalization factor kl
EMI3.1
with the parameters a1> 0, a2> 0; 0 <xo # x and 0 <yo # y
2. Gumbel model with two dependent, exponentially distributed random variables X and Y. The density function has the form except for a normalization factor k2
EMI3.2
with the parameters a1> 0, a2> 0, - 1 # a3 # 1; 0 <xo # x, 0 <yo # y
The density function for 1. results from that for 2. for the limit case of independence with a3 = 0.
The density function for 2. with a3 not equal to zero delivers relatively precise results when determining the expected number of cuts. In the case of a3 = 0, density function to 1., the computational effort, but therefore also the attainable agreement, is lower. Another high level of accuracy, but with greater computational effort, is obtained by using the following density function with 4 parameters cl to c4 and the normalization factor k3: - c1x - c2y - c3 + c4xy 3.f (x, y) = k3.e with the parameters c1> 0, c2> 0, c3> 0, c4 0; 0 <x0 x c2 / c4.0> y0 y 5i c1 / c4
In the case of c4> 0, an upper limit of the range of values of the random variables X and Y is required in this model, because the positive function c4xy in the exponent means that the density function f (x, y) can increase indefinitely in the range of very large values x and y .
In the density functions for 1., 2. and 3. the number of model parameters is at least equal to the number of random variables X, Y, in this case it is 2.
The parameters a3 for model 2. and c4 for model 3. are so-called correlation parameters, that is, they result from the consideration of a statistical relationship (a dependency) of the two random variables X, Y. Such a relationship is not taken into account in the formula for 1.
The determination of the estimated values for the scale parameters al and a2 in 1. and 2. is carried out according to the following scheme:
EMI3.3
where n is the number of yarn defects that make up the sample. The estimated value a3 for the correlation parameter a3 results from the correlation coefficient r of the sample according to the relationship ä3 = 4r. This is calculated in a known manner from the following sizes:
EMI3.4
where the summation is to extend from 1 to n in each case.
Alternatively, it is also possible to estimate I. a2 â2, .....
# 1, # 2, ... for the model parameters to be determined from data from random samples which were determined using known classification methods. Since this method is more complex, it will generally only be used if a classification is additionally desired or such classification data for the relevant group of yarns are already available from other tests.