CN101046680A - 用于控制纺织机的方法、执行该方法的装置和纺织机 - Google Patents

用于控制纺织机的方法、执行该方法的装置和纺织机 Download PDF

Info

Publication number
CN101046680A
CN101046680A CNA2007100936384A CN200710093638A CN101046680A CN 101046680 A CN101046680 A CN 101046680A CN A2007100936384 A CNA2007100936384 A CN A2007100936384A CN 200710093638 A CN200710093638 A CN 200710093638A CN 101046680 A CN101046680 A CN 101046680A
Authority
CN
China
Prior art keywords
parameter
rep
neural network
vvd
hvd
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CNA2007100936384A
Other languages
English (en)
Other versions
CN101046680B (zh
Inventor
科丽娜·韦德
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Rieter Ingolstadt Spinnereimaschinenbau AG
Original Assignee
Rieter Ingolstadt Spinnereimaschinenbau AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Rieter Ingolstadt Spinnereimaschinenbau AG filed Critical Rieter Ingolstadt Spinnereimaschinenbau AG
Publication of CN101046680A publication Critical patent/CN101046680A/zh
Application granted granted Critical
Publication of CN101046680B publication Critical patent/CN101046680B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • D—TEXTILES; PAPER
    • D01—NATURAL OR MAN-MADE THREADS OR FIBRES; SPINNING
    • D01H—SPINNING OR TWISTING
    • D01H13/00—Other common constructional features, details or accessories
    • D01H13/14—Warning or safety devices, e.g. automatic fault detectors, stop motions ; Monitoring the entanglement of slivers in drafting arrangements
    • D—TEXTILES; PAPER
    • D01—NATURAL OR MAN-MADE THREADS OR FIBRES; SPINNING
    • D01H—SPINNING OR TWISTING
    • D01H13/00—Other common constructional features, details or accessories
    • D01H13/32—Counting, measuring, recording or registering devices
    • D—TEXTILES; PAPER
    • D01—NATURAL OR MAN-MADE THREADS OR FIBRES; SPINNING
    • D01H—SPINNING OR TWISTING
    • D01H4/00—Open-end spinning machines or arrangements for imparting twist to independently moving fibres separated from slivers; Piecing arrangements therefor; Covering endless core threads with fibres by open-end spinning techniques
    • D01H4/42—Control of driving or stopping
    • D01H4/44—Control of driving or stopping in rotor spinning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Textile Engineering (AREA)
  • Mechanical Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Neurology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Looms (AREA)
  • Preliminary Treatment Of Fibers (AREA)
  • Spinning Or Twisting Of Yarns (AREA)

Abstract

本发明提出一种用于控制纺织机(1)的方法，其中这样来确定纺织机(1)的控制装置(13)的一个或多个初始参数(REP，RI)，以使得纺织机(1)生产的纺织产品(FBab)的一个或多个关键参数(CV％)被最优化，其中所述初始参数(REP，RI)是伴随一个或多个影响参数(EG，VE，VV，VVD，HVD)来确定的，所述影响参数借助神经网络(18)影响所述初始参数(REP，RI)对所述关键参数(CV％)的作用结果。本发明还提出一种特别是用于执行基于本发明的方法的装置(17)以及纺织机(1)。

Description

用于控制纺织机的方法、执行该方法的装置和纺织机
技术领域
本发明涉及一种用于控制纺织机的方法，特别是纺纱准备机，如梳理机或并条机，或者纺纱机，如转杯纺纱机，其中，纺织机的控制机构的一个或更多的初始参数是这样确定的，即纺织机生产出的产品一个或更多的关键参数被最优化。
另外，本发明涉及执行该方法的一种装置，其具有用于输出纺织机控制装置的一个或更多的初始参数的输出端接口，其中通过所述影响参数，纺织机生产出的产品的至少一个关键参数可以被最优化。
同样本发明涉及一种纺织机，特别是纺纱准备机，如梳理机和并条机，或纺纱机，如转杯纺纱机。
背景技术
纺织机生产出的产品的品质，依赖于大量在控制纺织机中必须予以考虑的影响参数。当这样做时，在许多情况下就会出现这样的任务，即以纺织机生产出的产品的关键参数被最优化的方式来量化决定纺织机的控制机构的初始参数。因而在寻找到的初始参数和出现的纺织产品关键参数之间的精确关系常常是未知的，或者至少不能被分析描述的。
由此，经常发生的是，初始参数对纺织产品的关键参数的影响，可以是随许多边际条件而定的。这意味着，初始参数的具体数值，是在一种情况下可导出纺织产品的关键参数最佳的数值，却使得在其他边际条件下产生一个完全令人不满意的结果。要被考虑的边界条件，以下称影响参数，其影响到对最终关键参数起影响的搜寻的初始参数，虽然是可以知道的，然而在量化的所知的影响参数方面，为了达到纺织产品的关键参数的最佳数值而去分析确定检测到的初始参数，通常是不可能的。
因此，在实践中常常通过非生产试验去获得搜寻到的初始参数。这里基于过去的经验，针对初始参数设定了一种特殊数值，生产了一定数量的纺织产品，以及计算了纺织产品的最终关键参数。随后，初始参数被一个特定值改变，再次生产了纺织产品和确定了关键参数新的最终数值。然后这个过程被重复许多次，例如二十次，最后选择到关键参数的最佳数值。这样确定的初始参数可以被用在纺织机的连续性生产运转中。
可是，这类方法的不足是产生了大量的、某种程度上不能容忍的废品。类似不足是，影响到初始参数对关键参数的作用结果的影响参数，是不直接被考虑的。因此，如果即使只有一个影响参数发生了大的变化，那么初始参数也必须通过前述测试方法的方法来重新计算。
在实际中经常出现的情况是，如果有几个初始参数要被确定，或纺织机生产的纺织品的几个关键参数需要被最优化，以上假设的问题会是很严重的。特别是要求的一系列测试会变得代价高昂。
以用于控制纺织机牵伸区的牵伸的方法为例子再次突出了上述问题。当控制纺织机牵伸区的牵伸时，就必须确定所谓控制实施点的位置。控制实施点是这样一个位置，在那里，一段纤维量例如棉条或非织造纤维网处在尺寸由其长度质量比所确定的牵伸区的上游，如果随牵伸区的牵伸进行控制，就需要与设定的长度质量比相比较。控制实施点的位置例如可以表示为它离测量点的距离。这种详情最终表示这样的牵伸区，其中特定段的纤维量从测量位置到牵伸位置被进行测量。另一种选择是，控制实施点的位置可表示为持续时间，即特定段的纤维量从测量位置到牵伸位置通过所需的持续时间。两种表示在技术上是等价的。只要知道纤维量的速度两种方法就可换算。
控制实施点的位置应该是这样确定和调整，即离开牵伸装置的纤维量具有最可能均匀的段。在此，所谓的CV％是一个关键参数，其表示均匀性。CV％值越小，纤维量块分布越均匀。使得最可能得到最低CV％值的控制实施点的位置，是由众多影响参数来决定的。在其它参数中此类影响参数是纺织机的牵伸装置的调整值。类似地，即使知道这些调整值和更多的影响参数，控制实施点的位置也无法分析确定。因此通常通过或多或少的自动化测试方法来确定控制实施点的位置的方法。
从DE 10041892 A1已知一种用于在一段控制期控制牵伸区的牵伸的方法，其中控制实施点是根据生产前测试运行或调整运行而计算出来的。为此，在试验的基础上设定一个接一个不同的控制实施点，其中在每一个控制实施点在试验基础上以离开牵伸区的纤维流的不同参考长度来确定几个CV％值。把在特殊控制实施点计算出的CV％值加在一起来以这种方式获得品质因素。在试验的基础上调整的在不同控制实施点计算出来的品质因素，引用来形成多项式的第二级，其最小值经数值方法计算并被作最佳控制实施点。
在DE 10041892 A1中显而易见的方法的缺点是在典型地执行该方法中产生了上千米的废品。类似的缺点是上述方法相当耗时，从而纺织机的生产率降低。
另外的缺点是即使前述影响参数的仅仅一个改变，上述方法也必须整体进行重复。这样就导致生产停顿和废品的产生。
发明内容
本发明的目的是提供可避免现有技术的不足之处的一种方法、一种执行该方法的装置和一种纺织机。
本发明的目的是通过具有独立权利要求特征的一种方法，一种装置和一种纺织机来解决的。
在根据本发明的方法中，通过神经网络以及一个或多个影响参数来计算所搜寻的初始参数，所述影响参数影响所述初始参数对所述关键参数的作用结果。
假设使用了一套适当的以及适当训练的神经网络，那就可能针对任一种影响参数的值来确定一个或甚至多个初始参数，而无须执行测试运行或调整运行，以这样的方式使得纺织机声场的纺织产品的最终关键参数被最优化。对于初始参数的计算只需计算影响参数的具体数值。一旦计算了这些影响参数，相关的初始参数就可被实际地计算而不会浪费时间。同时也没有废品产生。
神经网络可被认为是计算装置，其包含大量的互相连接来用于处理信息的人造神经元。术语“神经网络”在本专利申请中特指人造神经网络。这类神经网络允许执行信息处理过程，其构造和功能模仿生物的神经网络。因此在这里考虑的人造神经网络中也通过几层神经元运行输入的信号，其中一层的神经元修改各自的馈入信号并通过辐散连接通常发送给随后层的几个神经元。核心方面是与传统计算系统的串行设计所不相同的并行信息处理。
由于神经网络能够进行学习，那就不必了解关于观察到的影响参数和正确定的初始参数之间的精确关系。仅仅需要知道影响参数是这样的并能以数值项表示。在牵伸装置中控制实施点搜寻的例子中，这意味着首先必须计算的是在牵伸装置中哪一个设置最可能影响控制实施点。然后确定所识别的影响参数的数值并馈入神经网络，以便可以通过神经网络来确定各个初始参数。
为计算搜寻到的初始参数，优选的是每个所述参数作为神经元初始参数被馈入神经网络的输入层的各个分配的神经元。因而这可确保在决定各个初始参数时，每个被计算到影响参数都能考虑到。另一种选择是，可以把从各种所述影响参数导出的参数传送到神经网络输入层的神经元。这可降低神经网络的复杂性，但是必须准确知道收集的影响参数的相反效果。
优选的是至少一个影响参数；优选的是，每个所述影响参数在被输入各个分配的输入层的神经元之前是被标准化的。因而影响参数的数值范围很大的变化是可考虑的。例如影响参数的数值范围可以被映射在区间[-1，+1]或区间[0，1]上。可是，在实际试验当中，常常出现上述后一个区间导致提高神经网络的训练能力。至于影响参数的值可用作标称值，那就意味着，例如这些标称值是在一种纤维类型的术语中，那么可对材料分配数字并且这些数字也可标准化。
优势在于，至少搜寻到的初始参数、优选的是搜寻到的初始参数的每一个都作为神经输出参数由神经网络的输出层的各自分配的神经元来给出。因此，在此情况下搜寻到的初始参数直接借助神经网络被计算出来。然而，另一种选择是初始参数还可以神经网络的从一个或多个神经元输出参数被间接地计算出来，当然这就意味着额外的计算工作。
优选的是至少一个所述初始参数；优选的是每一个所述初始参数是以标准形式给出的。因此能确保在神经网络中专门的标准参数被处理，以便神经网络可以被容易地训练。至于需要非标准化的初始参数来用于控制纺织机，可以通过一种独立的非标准化步骤来执行非标准化，该步骤可在线切换到神经网络。
优势在于，使用了具有带隐藏神经元的一个或多个隐藏层的神经网络。通过增加神经网络中所含的神经元的数量，可提高以这种方式对网络的学习能力的影响，也就是提高了以初始参数来计算的精确度。
优势在于使用了这样的神经网络，其中一层的每一个神经元与相邻层的每一个神经元相连，优选的是与每一相邻层的每一个神经元相连。因此，在每层具有给定数量的神经元的不同层的神经元间的连接数被最大化了。这样，一方面网络的有效性提高了；而另一方面，由于在此情况下连接故障本身很少被发现，就会出现过剩的现象。
为此，优选的是使用这样的神经网络，其中针对在神经元之间的所有连接的每一个都分配一个可变权重。连接权重代表的是神经的输出信号在被下一个神经处理之前所乘的因子。如果每个现存的连接有一个可变权重，那么神经网络的有效性将最大化，因为每一个单个连接可以储存信息。
所述初始参数以特殊优先权通过基本影响参数的前向传播来进行计算。前向传播是指，信息流的发生只朝着输出层的方向。这种方法能用简单的前向计算网络(前馈网络)来执行。但基本上说，它也能提供神经网络中至少一部分信息流向输入端。为此需要一个相当复杂的递归网络。
在基于本发明的方法的执行形式中，所述初始参数的计算要先于纺织机的作业阶段。然后，经如此计算的初始参数可以被引入纺织机的作业阶段作为控制目的。当期望相关影响参数在纺织机的作业期间能较长时间维持恒定，这种方法总是有意义的。
可是，在许多情况下，如果在纺织机的作业期间，搜寻的初始参数被重复计算，那是有意义的。例如，一次重复可以周期性地初始化或在发生预定事件时被初始化。特别是当一个相关影响参数发生变化的时候，可以提供一次重复的初始化。但是，也可以规定这样的事实，即初始参数在此期间被连续性和准连续性地计算。如果计算的重复率仅仅是被限制于通过无暂停的计算本身的持续时间，其表示没有暂停，则也可认为是初始参数的连续性和准连续性计算。通过初始参数的重复确定，可以确保在任何时间点，初始参数的数据是可用的，这使得纺织产品的相关关键参数的最优化。
特别优选的是，经计算的初始参数自动引用来控制纺织机。当初始参数采用高重复率来计算时，这是尤为有意义的。然而，另一种选择是可作这样的规定，即只有经过操作员确认后，初始参数的新计算值才能被用于控制纺织机。
优选的是，在非作业的试验阶段产生数据集，其中每一个数据集包含着所述影响参数的值，以及凭经验计算的所述初始参数的值，假设影响参数的各个值会导出关键参数的最优值。换句话说，产生这样的数据集，其包含了神经网络的初始参数和神经网络输出参数的相应标准值。这些类型的数据集允许神经网络的目的性训练。
为此，如果在非作业学习阶段通过反向传播来训练神经网络，则是有利的。反向传播意味着信息流从输出层流向输入层。当在非作业学习阶段改变神经网络的训练时，就可以避免纺织机生产过程中不希望的影响。
有利的是，在学习阶段匹配了神经元之间的连接的可变权重。另一种选择或另外附加的是，也可在神经元内匹配信息传输的参数。尤其是所谓的激活功能与输出功能可以被匹配。
特别优选的是在学习阶段通过监督学习来训练神经网络。监督学习是指针对神经网络规定了神经元输入参数(这里是影响参数)以及神经元输出参数(这里是初始参数)，其中在每一个学习步骤之后都计算出所规定的神经元输出参数与所计算的神经元输出参数之间的偏差，并且通过学习规则来对该网络进行特定的最优化。
一个基于本发明的方法的进一步优势发展是，假设在一个非作业测试阶段，由神经网络计算的并用于控制纺织机的所述初始参数的值被验证，其中多数不同的测试值被用作所述初始参数，以此获得纺织产品的至少一个关键参数的每一个读数的一个。可以从不同的测试值中挑选导致纺织产品各个关键参数的最佳值的那些测试值。在此借助神经网络最初计算的初始参数和在测试阶段的范围内计算出的初始参数之间产生了偏差，从而可以产生出更多的数据集用于神经网络的训练。
在本方法的执行形式中，至少一个所述的影响参数由操作员手动规定到用来确定所述初始参数的神经网络。假如在该期间手动规定的影响参数不发生变化或仅仅发生可忽略的变化，这将是特别有利的。
可是，在很多情况下，如果通过纺织机或系统控制的传感器和/或计算装置来对用于确定所述初始参数的神经网络自动地规定所述影响参数，这将是有利的。当在纺织机运转过程中，自动规定的影响参数经常改变或持续改变时，尤其希望如此。以这种方式，计算的初始参数总是被调整来适合各个当前可用的影响参数是可能的。
优选的是至少一个所述影响参数，即一个材料参数，其代表被用在纺织机上的材料的一个或多个特性。材料参数可特别代表棉条的长度重量比、纤维的类型(如棉花)、纤维的长度、品质指标参数(例如特定段长度的CV％值或由一个或多个CV％导出的参数)、和/或所用材料的预处理的类型。预处理类型，例如表示棉条在放入被控制的纺织机械之前所被引导通过的牵伸装置的数量。
如果环境参数被用作影响参数，则在众多的情况下同样是有优势的。环境参数代表纺织机的一个或多个环境特性，如环境空气的温度和/或湿度。
另一种选择或附加的是，如果纺织机械的工作参数也被考虑为影响参数，则在众多的情况下也存在优势。工作参数表示纺织机的一个或多个工作特性。工作参数的术语包含纺织机的特别设置、由此而来的数据、设计中预给定的值和/或配置。例如，在一台并条机中，并条机牵伸装置的拉伸速度、拉伸张力、预牵伸、总牵伸、预牵伸距离、主牵伸距离、和/或导条辊的位置可获取来作为工作参数。
优选的是，所述控制实施点的所述初始参数就是纺织机上牵伸装置的辊子对的上辊子的控制强度或压缩挤压力。正是上述的参数大大地影响到经牵伸装置生产的纺织产品的特性。但是，通过分析研究的方法来确定它们通常是行不通的。特别是这些参数对纺织产品的影响是依赖于一系列的影响参数的，而且其中精确的依赖性是很难通过分析来描述的。
要被最优化的关键参数可以尤其是一个品质鉴定参数，如纺织机生产的纺织产品的CV％值或导出参数。特别是，要被最优化的关键参数可以是从纺织机的牵伸装置牵伸出来的棉条的CV％值或导出参数。
如果，为了计算搜寻到的初始参数而使用了独立于纺织机设立的神经网络，那就可以计算针对各种纺织机控制装置的同一个神经网络的输入参数。例如，一个适合这个目的的神经网络可以被结合到一个系统控制中或一台便携式装置中。于是，初始参数可以手动地或优选的是自动地被传到各个纺织机。
但如果纺织机控制装置的初始参数是通过结合到该纺织机中的神经网络计算的，则在许多情况下可导致更高精度确定的初始参数，因为当训练神经网络时，各个纺织机的单独配置条件是绝对考虑相同的。因此，例如，纺织机的与生产相关的偏差会被一系列的标准自动考虑。在此假设所有用于训练神经网络的经验值，均可由被控制的纺织机直接来计算。
优选的是使用这样的神经网络的一个或多个初始参数，该神经网络建立来作为驱动计算装置的软件或该装置的一部分。这类基于神经网络应用的软件使用成本通常可以非常经济。
但在一些方面，如果使用开发来作为控制计算装置的硬件或该装置的一部分的神经网络被使用了，也是有利的。特别是在更为复杂问题的情况下，优势就会显现出来，因为基于硬件运行的神经网络可以以更高的速度来工作。
用于执行基于本发明的方法的装置其特征在于，通过用于输入一个或多个影响参数的一个输入端的接口，其影响所述初始参数对至少一个关键参数的作用结果。这里以所述影响参数运送到一个神经网络的输入层的方式，使输入端的接口同神经网络相连接。另外，通过所述初始参数可以随同所述影响参数一起输出的方式，来把输出端的接口同神经网络的输出层连接。以这种装置可实现基于本发明的优点。
优点在于，输入端的接口被开发来用于所述影响参数的标准化。因而就可以废除独立的标准化步骤。
类似地，其优点在于，如果输出端的接口被开发来用于所述初始参数的非标准化。在此情况下可以废除不同的非标准化步骤。
为了创造一个高效的机构，可以作这样一个设定，即神经网络至少有一个具有隐藏神经元的隐藏层。
为了相同的目的，也可以这样设定，一个层的每个神经元与一个相邻层的每个神经元所连接，优选的是与每个相邻层的每一个神经元所连接。
类似地可以作这样一个设定，对于神经元之间的所有连接，每个分配一个可变权重。
优选的是，神经网络被开发来使得所述初始参数可以通过所述影响参数的前向传播来计算。
特别优选的是，神经网络被开发来可通过反向传播来训练。
采用优选的方式，所述装置是与纺织机分开运作的，例如作为一个系统控制的部分或者作为独立部分的便携式装置，其中优选的是所述初始参数可通过至少可部分建立的数据连接来被自动传送到纺织机。
另一种选择是，可以将所述装置开发成构成纺织机整体的部分。
在优选的涉及形式中，神经网络被用作软件驱动的计算装置。
在另一种设计形式中，神经网络被用作硬件驱动的计算装置。
一种基于本发明的纺织机，其特征在于这样的事实，即所述装置提供来用于执行基于本发明的方法。产生了基于本发明的优点。
附图说明
在以下涉及实例中进一步描述了本发明的优点。如下所示：
图1是用于按照现有技术的实例的一种并条机；
图2是基于本发明的一种并条机；
图3是基于本发明的一个带有神经网络的装置；
图4是对神经网络的神经元的放大示图；以及
图5是基于本发明的方法的流程图。
具体实施方式
图1示出一个按照现有技术开发的并条机1，作为纺织机1的例子。进入并条机1的材料FBZU被引导以运转方向LR通过棉条入口2、流入传感器3、导条器4、牵伸装置5、流出导向器6，并通过棉条储存器7。
所示的棉条入口2有一个回转管8，它被安装，来使得可以从靠近并条机1放置的棉条筒9之一中提取喂入的棉条FBZU。但是，棉条入口2可安置来使得可直接从运转的梳理机上取出棉条FBZU。类似地，在实践中经常会发生的是，棉条入口2可以被做成同时移动来自被放置于此的不同棉条筒9中的几根棉条FBZU。
棉条FBZU或一组棉条FBZU被从棉条入口2输送到流入传感器3。该传感器用于在段方向获取被引导通过它的棉条FBZU的长度质量比。如果放置了一组棉条FBZU，则通过流入传感器3在其获取结果中包含棉条FBZU的总质量。单个测量的AB段通常会有几毫米的长度。对于每个通过流入传感器3的测量的AB段，会产生读数MW。为此，正如所指出的，流入传感器3可以包含驱动扫描辊子对3a，3a′。但是，已知的是流入传感器3也按照其他物理原理来运作。
如果在下文中提到棉条FBZU，则并不排除仅仅表示单根的棉条FBZU。具有棉条反向辊4a，4b，4c，4d的回动装置4，起到了均衡扩散由横跨在流动方向上的流入传感器3所测量的棉条FBZU的作用，并同时释放了在流入传感器3的区域中产生的棉条FBZU的压力。为确保放入的大量各种厚度的棉条FBZU达到均匀扩散，可以调整棉条反向辊4a，4b，4c，4d，的位置。通过调整棉条反向辊的高度，可以改善棉条FBZU太宽或太窄的伸展。
当把棉条FBZU从流入传感器3传输到牵伸装置5的同时，棉条FBZU受到牵伸张力VE时，它是通过扫描辊子对3a，3a′，和牵伸辊子对5a，5a′不同的圆周速度来实现的。例如，牵伸张力VE  以通过可变轮(未示出)来设置，典型的范围为0.95到1.05。在这里牵伸张力VE的确定，主要是与在并条机1上作为棉条FBZU的棉条原料有关。调节牵伸张力VE通常仅仅是在一次生产量改变的情况下被调节，否则在并条机1运转中就保持恒定。
牵伸装置5包含了已经提到的输入辊子对5a，5a′和中间辊子对5b，5b′和辊子对5c，5c′。这些辊子对5a，5a′；5b，5b′；5c，5c′，通过rpm按照运转的方向从辊子对到辊子对进行增加的方式来驱动的。因此棉条FBZU在预牵伸区VVF以及在主牵伸区VF被牵伸，预牵伸区VVF形成于输入辊子对5a，5a′和中间辊子对5b，5b′的中间，主牵伸区VF形成于中间辊子对5b，5b′和输出辊子对5c，5c′的中间。
预牵伸的距离VVD表示输入辊子对5a，5a′和中间辊子对5b，5b′拑制线间的距离。而主牵伸的距离HVD等于中间辊子对5b，5b′和输出辊子对5c，5c′拑制线间的距离。预牵伸的距离VVD与主牵伸的距离HVD一样，可以调整来把牵伸装置5与要被牵伸的棉条FBZU相匹配。
牵伸装置5的下辊子5a，5b，5c被永久性的设置，与之相对，上辊子5a′，5b′，5c′通过灵活的方式被悬挂，并借助加载装置(未示出)向下辊子5a，5b，5c压下，由此棉条FBZU被牢固的拑制于此。
出口导向器6包含测量漏斗10和牵伸辊子11。测量漏斗10首先用来压缩被牵伸的棉条，以此产生单根压缩棉条FBab。为此，在它的上游部分有一个漏斗形的部分。并且，测量漏斗10通过一个被设置在漏斗形部分下游的输出传感器来产生出一个信号S。其与输出棉条FBab的长度质量比相一致。抽取辊子11主要用于从测量漏斗10抽取棉条FBab和进一步压缩棉条FBab的目的。
棉条储存器7，在此不作详细解释，其用于通过并条机1产生的在旋转筒12中棉条FBab的适当储存的目的。
通过控制装置13可以控制牵伸装置5。对于控制装置13配置了一个操作单元14，其容许操作员来规定设置值，该设置值随后可被作为初始参数传送到控制装置13。这类可由操作员规定的初始参数是输出速度LG，棉条重量BG，控制实施点REP和控制强度RI。而且控制装置13的初始参数是当前的读数MW，其被自动从流入传感器3传输到控制装置13。表示的和被讨论的仅仅是控制装置13的所选初始参数。在实践中，更多的初始参数被输入进控制装置13。
这样开发控制装置13来使得其通过影响驱动装置(未示出)来同时控制其初始参数以及输入辊子对5a，5a′的rpm，中间辊子对5b，5b′的rpm，输出辊子对5c，5c′的rpm。在非规范化操作中，这里对于预牵伸区VF设置了一个固定预牵伸VV，和对于主牵伸区VF设置了一个固定的HV。为了避免此类情况，在规范化操作中，控制干预应用于至少一个牵伸区的牵伸当中。
确定了牵伸装置5的辊子对5a，5a′；5b，5b′；5c，5c′的rpm，至于没有发生控制干预，则主要有关于规定输出速度LG，输出棉条FBab的规定棉条重量BG和输入棉条FBZU的质量。
输出速度LG是指牵伸棉条FB离开牵伸装置5的速度。由操作员规定的输出速度LG是用于控制输出辊子对5c，5c′的rpm的基础。
棉条重量BG描述的是由并条机1输出的棉条FBab的平均长度质量比。从伴随着大量输入棉条FBZU的重量的这个参数，可以确定牵伸装置5所需要的总牵伸。在经验的基础上完成在预牵伸区VVF和主牵伸区VF的总牵伸的分配。由此而来可以确定输入辊子对5a，5a′的rpm和中间辊子对5b，5b′的rpm。
在规范化操作中，提供牵伸改变来比较输入牵伸装置5的棉条FBZU，也称为控制干预。通常在此类控制干预中，如执行图1例子中，输出辊子对5c，5c′的rpm保持恒定，与之相对，输入辊子对5a，5a′的rpm和中间辊子对5b，5b′的rpm采用相同的百分比来增加或减少。因此，在预牵伸区VVF的牵伸VV是恒定的，而主牵伸区VF的牵伸HV是可变的。
控制干预出现是基于输入传感器单元3的读数。其中测量位置在牵伸装置5之前(意即在此采用了输入传感器单元3)的控制，通常被称为开环控制。在此类控制中，输入棉条FBZU的段AB运行路径和运行时间认为是到达控制实施点REP，在该控制实施点REP将随后出现控制干预。运行路径和运行时间通过牵伸装置的牵伸速度而彼此相关。因此，控制实施点REP的确定是非常有意义的。解释如下：
输入牵伸区FV的纤维流量FGZU由连续排列的段组成。通过参考符号ABn，来识别由传感器装置测量到的代表性的瞬间的段，。段ABn的下游是段ABn-1，上游是段ABn+1。为了简单化，就不通过参考符号来识别更多的段。对于各个段可获得至少一个可读的MW，对应于相关段的单位长度的质量，并被传输到控制机构13。
如果被测量的段ABn到达控制实施点REP，那就是说通过控制装置13标有AB′n的位置的相应控制干预被启动了。例如如果段ABn高于长度质量比的平均值，那么为了与纤维流量FG相比较的目的，要加大牵伸。
控制实施点REP的位置通常被描述为控制实施点离传感器装置的距离A。这样来开发控制装置10以使得距离A能被在用双箭头表示的一定范围来进行规定。控制实施点REP的确切位置可以由操作员通过操作单元14被传输到控制装置13。控制实施点REP的规定位置或者规定距离A，对于从牵伸区VF抽取的纤维流量FGab的质量是至关重要的。控制实施点REP的最佳位置，简而言之最优控制实施点REP，在此决定于大量影响参数，并且不能通过分析来确定。这些影响参数在纺织机1的生产过程中也会变化。
由于控制实施点REP的最佳位置不能通过充分精确的分析来确定，因此按照目前的技术水平，控制实施点REP是在作业前设置运行情况或测试运行的情况下获得的，并且能保持一个较长时间的稳定，如直到生产量改变。
对于生产的棉条FBab的质量的决定性因素特别是长度质量比的均匀性。为了验证这种均匀性，从目前技术水平可知，借助于评估单元15从测量漏斗10出来的信号S计算出变化系数，它表示用于棉条FBab的规定参考长度的棉条不均匀性的百分数值。参考长度也被认作为段长度，变化系数也就是CV％值。在实践中，使用的段长度介于几厘米和几米之间的范围内。
对于手动控制的测试运行的执行，其用来确定控制实施点REP，计算的CV％值通过显示器16被显示给操作员。在这种测试运行的范围内，操作员通过变更控制实施点和控制强度，一直到CV％值呈现出最佳，即最低值。可是，对于自动控制的测试运行的执行，CV％值可以被直接传送到控制装置13。
这些可以手动或自动执行的测试运行，在生产中导致更大量的废品。而且这些测试运行伴随大量时间损耗，所以，并条机1的生产率被严重制约。
控制强度RI是控制装置13的另外一个初始参数，其可由操作员规定。如果放置的棉条FBZU的长度质量比发生了变化，则由控制强度确定在牵伸控制中牵伸值被哪一个值所改变。因而，控制强度RI确定了在某种条件下控制干预发生的强度。同样，根据现有技术条件在非作业测试运行中来计算控制强度RI。
对于在现有技术条件下在测拭运行的范围内确定控制强度RI，不同长度质量比的棉条FBZU被一个又一个的放置上去。然后，这样来调整控制强度RI以使得生产的棉条FBab的平均长度质量比M独立于所放置的棉条FBZU的质量，所述长度质量比M通过测量漏斗10的信号S来计算并被传送到显示器。由此产生了额外的废品，并且并条机1可能的生产时间被进一步缩减。
图2示出一个基于新发明的并条机1。其特征在于通过装置17来执行基于本发明的方法。装置17的目的是用来确定控制实施点REP和控制强度RI，及相关的几个影响参数EG、VE、VV、VVD、HVD，所述几个影响参数影响到控制实施点REP和控制强度RI作用于由并条机1产生棉条FBab的CV％值的结果。在示出的设计例子中，这些影响参数是牵伸张力VE、预牵伸VV、预牵伸距离VVD、和主牵伸距离HVD。这些已知为数字名词的影响参数通过操作单元14由操作员传输到装置17。类似地，棉条反向辊4a，4b，4c，4d的设定位置可以被传送到装置17中。
作为进一步的影响参数，牵伸装置5的牵伸速度EG可以通过流入传感器3被获取，并且，被连续自动的传送到装置17。由于在并条机1的运转作业中牵伸速度依靠于控制干预，这种优势会持续的变化。另一方面，在较长一个时间段的并条机操作中，由操作员输入的影响参数VE，VV，VVD，HVD保持恒定。这些影响参数VE，VV，VVD，HVD的调整通常仅仅在一次生产量变化后。
装置17是完全与并条机1一体化的。影响参数EG，VE，VV，VVD，HVD通过并条机1的整体组件被自动传输到装置17的。同样，装置17的输出参数，即控制强度RI和控制实施点REP，在内部被自动地传送到控制装置13。因而，在并条机的运转作业中，通过装置17获得的控制强度RI和控制实施点REP，被自动运用于纺织机械的控制。如果在并条机的作业中，牵伸装置5的牵伸速度EG发生变化，那么控制强度RI和控制实施点REP就会被自动匹配，结果是被生产的棉条FBab的CV％值总是呈现最可能低的数值。
图3示出基于本发明的装置17的体系结构。装置17的核心是神经网络18。神经网络包含了大量的神经元N，它们被设置在输入层ES，隐藏层VS，和输出层AS当中。神经元N的脚注代表了层数，各自的神经元N处在其中，同样运行的神经元N的数目也在各自的层中。因此，例如，神经元NV3处于隐藏层VS的第三个位置。
每个输入层ES的神经元NE1，NE2，NE3，NE4，NE5与隐藏层VS的每一个神经元NV1，NV2，NV3，NV4，NV5，NV6相连。同样，每个隐藏层VS的每一个神经元NV1，NV2，NV3，NV4，NV5，NV6与输出层AS的每一个神经元NA1，NA2相连。
为了馈入影响参数EG，VE，VV，VVD，HVD，设置了一个输入端接口19。输入端接口19的开发是为了各个影响参数EG，VE，VV，VVD，HVD的标准化，并以这样的方式与神经网络18相连，即把所述影响参数EG，VE，VV，VVD，HVD的每一个输入到输入层ES的神经元NE1，NE2，NE3，NE4，NE5作为神经元初始参数NEE1，NEE2，NEE3，NEE4，NEE5。因此，例如，输入张力VE被输入神经元NE2作为标准化的神经元参数NEE2。
根据馈入其中的神经元初始参数NEE1，NEE2，NEE3，NEE4，NEE5，输入层ES的每个神经元NE1，NE2，NE3，NE4，NE5产生出了一个输出参数，其被传送到隐藏层的每一个神经元NV1，NV2，NV3，NV4，NV5，NV6。因而，隐藏层VS的每一个神经元NV1，NV2，NV3，NV4，NV5，NV6接收五个初始参数。通过每一个神经元NV1，NV2，NV3，NV4，NV5，NV6，被输入其中的初始参数是相连的，并且被转化为一个输出信号。这个输出信号又依次被传入输出层AS的每一个神经元NA1，NA2。根据馈入的六个信号中的每一个，神经元NA1，NA2产生出一个输出信号NAA1，NAA2，其中神经元输出信号NAA1包含了计算的控制实施点REP，而神经元输出信号NAA2包含了标准化形式的控制强度RI。为了非标准化以及为了控制实施点REP和控制强度RI的输出，提供了一个输出端接口20。
由于信息流唯一地遵循从输入层ES到输出层AS的方向，因此所描述的控制实施点REP和控制强度RI的确定描述为前向传播。
该情况的前提是神经网络18适于被训练。这特别是通过监督学习而实现。在此数据集DI为神经网络18而设置，这些数据集包含神经网络初始参数的值EGi，VEi，VVi，VVDi，HVDi，其代表影响参数EG，VE，VV，VVD，HVD的值。进而言之，数据集DI包含了经验确定的用于神经网络输出参数的目标值REPie，RIie，其代表控制实施点REP和控制强度RI的值。在初始参数的基础上计算随后用来与经验数值REPie，RIie相比较的输出参数REPib，RIib。在这个比较的基础上，神经网络18中的信息处理次序可以被匹配。在如此执行的同时，通常从输出层AS开始，然后是隐藏层VS，最后是输入层ES。这也被称为错误的反向传播。用于训练所需的数据集Di可以通过用于接收数据集Di的接口21被输入到装置17。
图4示出为通过神经元NV3在前向传播的范围内的信息处理一个例子。神经元NV3是隐藏层VS的一个神经元。因而它通过直接连接与输入层ES的每个神经元NE1，NE2，NE3，NE4，NE5和输出层AS的每一个神经元NA1，NA2相连。对每一个连接分配了一个可变权重。连接W的脚注包含了传输神经元的脚注和接受神经元的脚注。因此权重WE2V3表示连接神经元NE2和神经元NV3之间的连接的权重。
在前向传播的情况中，预存储的输入层ES的神经元NE1，NE2，NE3，NE4，NE5的神经元输出信号NAE1，NAE2，NAE3，NAE4，NAE5被乘以各个连接的权重，以便通过接收神经元NV3可以进一步处理乘法的结果。例如，神经元NE2的神经元输出信号NAE2被乘以权重WE2V3，并且以此形式经神经元NV3作进一步处理。神经元NV3总共接受五个神经元输入信号，其通过所谓的输入函数IF来处理。常见输入函数为：
求和函数            y＝∑x或是
乘积函数            y＝∏x
通过输入函数得到的结果被用一个激活函数来进一步处理。激活函数为：
恒等式              y＝x，
反曲函数            y＝1/1+e-gy或是
正切双曲线          y＝egy-e-gy/egy+e-gy
从激活函数的结果中，借助输出函数可计算出神经元NV3的神经元输出参数NAV3。
为此目的可以采用
恒等式              y＝x
这个神经元输出参数NAV3具有适当的权重，而且传送到输出层AS的神经元N。在神经网络18的训练范围内，神经元连接的权重W一直被改变，直到神经网络18的输出参数REPib，RIib与通过经验性试验建立的数值REPie，RIie几乎一致。此做法的基础是错误最小化方法，例如就象梯度递减方法。因而方法是，首先在输出层和隐藏层VS之间的权重WVjAj被优化，然后是在隐藏层和输出层ES之间的权重WEKVK被优化。此方法也被称为反向传播。
图5示出这样一个例子，其为关于计算基于本发明的控制实施点REP和控制强度RI时的方法的概述。基于本发明的方法被分成试验阶段VP、学习阶段LP、作业阶段BP、和训练阶段TP。
在针对影响参数EGi，VEi，VVi，VVDi，HVDi的一组给定值的试验阶段VP的范围内，经验值REPie，RIie这样来计算，以使得生产的棉条FBab的CV％值被最优化。因而可依赖从现有技术可知的测试方法。现在形成了数据集Di，其包含了影响参数的值EGi，VEi，VVi，VVDi，HVDi，和经验值REPie，RIie。在试验阶段的范围内，影响参数是变化的，因此结果是大量的数据集Di是可用的。
在学习阶段，包含在数据集Di中的影响参数EGi，VEi，VVi，VVDi，HVDi被作为初始参数导入神经网络，并通过神经网络计算出输出值REPie，RIie。现在计算出在经验值REPie，RIie和理论值REPb或RIb之间的差值ΔREPi和差值ΔRIi。从差值ΔREPi和ΔRIi经中获得了权重WVjAj，即权重是与在输出层和隐藏层之间的连接相匹配的。从在输出层和隐藏层之间的匹配的权重WVjAj来计算出在隐藏层和输入层之间的权重WEKVK。下文中以针对每一个数据集Di的误差被最小化的方式来确定权重W。
在完成训练后，可以在操作阶段BP使用神经网络来计算控制装置13的初始参数。现在可以计算出用于控制实施点REP和控制强度RI的影响参数EG，VE，VV，VVD，HVD最佳可能值的组合。
由此，在测试阶段TP，通过在定义域[REP-Δ，REP+Δ]和定义域[RI-Δ，RI+Δ]确定经验数据REPe，RIe，从而可以来验证在作业阶段BP确定的控制实施点REP和控制强度RI的值，其CV％值是最优的。如果如此计算的经验数据REPe，RIe与以前通过神经网络计算的数据REP，RI是一致的，那么测试阶段可以结束了。为避免不是这样，在新的经验数据REPe，RIe的基础上产生新的数据集Di。为了提高在作业阶段通过神经网络17计算出的控制实施点REP和控制强度RI的数据精确度，这些新的数据集Di可以被用在用来训练神经网络17的另一个学习阶段LP。
作为另一种选择或者另外还附加的是，在学习阶段LP和作业阶段BP之间可提供此类测试阶段TP。
本发明不局限于所展现和描述的执行例子。通过基于本发明的方法，任何种类的纺织机的控制装置的其它初始参数也可以被计算。因而未被提及的影响参数也可以被考虑。类似的，如果作为控制电路一部分的控制装置确实具有初始参数，则此发明可以被应用。而且，用于自动搜寻控制实施点的现有技术的方法可以结合神经网络来使用。因此，例如，采用一个神经网络计算的控制实施点可以被用作针对已知方法的起始数据。

Claims (42)

1.一种用于控制纺织机(1)的方法，尤其是纺纱准备机(1)，如梳棉机或并条机(1)，或纺纱机(1)，如转杯纺纱机，其中这样来确定纺织机(1)的控制装置(13)的一个或多个初始参数(REP，RI)，以使得纺织机械(1)生产的纺织产品(FBab)的一个或多个关键参数(CV％)被最优化，
所述用于控制纺织机(1)的方法特征在于，借助神经网络(18)来确定伴随一个或多个影响参数(EG，VE，VV，VVD，HVD)的所述初始参数(REP，RI)，所述影响参数(EG，VE，VV，VVD，HVD)影响所述初始参数(REP，RI)对所述关键参数(CV％)的作用结果。
2.根据权利要求1所述的方法，其特征在于，每一个所述影响参数(EG，VE，VV，VVD，HVD)被馈入神经网络(18)的输入层(ES)的每个分配的神经元(NE1，NE2，NE3，NE4，NE5)作为神经元初始参数(NEE1，NEE2，NEE3，NEE4，NEE5)。
3.根据权利要求2所述的方法，其特征在于，至少一个所述影响参数(EG，VE，VV，VVD，HVD)、优选的是每一个影响参数(EG，VE，VV，VVD，HVD)在被馈入输入层(ES)的各个分配的神经元(NE1，NE2，NE3，NE4，NE5)之前被标准化。
4.根据权利要求1至3任一项所述的方法，其特征在于，至少一个所述初始参数(REP，RI)、优选的是每一个所述初始参数(REP，RI)由神经网络输出层(AS)的每一个各自分配的神经元(NA1，NA2)输出为神经元输出参数(NAA1，NAA2)。
5.根据权利要求1至4任一项所述的方法，其特征在于，至少一个所述初始参数(REP，RI)、优选的是每一个所述初始参数(REP，RI)是以标准格式输出的。
6.根据权利要求1至5任一项所述的方法，其特征在于使用所述神经网络(18)，该神经网络具有含隐藏神经元(NV1，NV2，NV3，NV4，NV5，NV6)的至少一个隐藏层(VS)。
7.根据权利要求1至6任一项所述的方法，其特征在于使用一个所述神经网络(18)，其中层(ES，VS，AS)的每一个神经元(NE1，NE2，NE3，NE4，NE5；NV1，NV2，NV3，NV4，NV5，NV6；NA1，NA2)与相邻层(ES，VS，AS)的每一个神经元相连接，优选的是与每一个相邻层(ES，VS，AS)的每一个神经元(NE1，NE2，NE3，NE4，NE5；NV1，NV2，NV3，NV4，NV5，NV6；NA1，NA2)相连接。
8.根据权利要求1至7任一项所述的方法，其特征在于使用一个所述神经网络(18)，在此情况下对神经元(NE1，NE2，NE3，NE4，NE5；NV1，NV2，NV3，NV4，NV5，NV6；NA1，NA2)之间的所有连接每个分配一个可变权重(WEkVk，WVjAj)。
9.根据权利要求1至8任一项所述的方法，其特征在于，通过所述影响参数(EG，VE，VV，VVD，HVD)的前向传播方式来计算所述初始参数(REP，RI)。
10.根据权利要求1至9任一项所述的方法，其特征在于，在纺织机(1)的作业阶段(BP)之前计算所述初始参数(REP，RI)。
11.根据权利要求1至10任一项所述的方法，其特征在于，在纺织机(1)的作业阶段(BP)中、优选的是在事件发生时例如当所述影响参数(EG，VE，VV，VVD，HVD)周期地或连续地改变时重复计算所述初始参数(REP，RI)。
12.根据权利要求1至11任一项所述的方法，其特征在于，所述初始参数(REP，RI)在计算后被自动传输到纺织机(1)的控制装置(13)中。
13.根据权利要求1至12任一项所述的方法，其特征在于，在非作业的试验阶段(VP)产生数据集(Di)，每一个数据集(Di)包含所述影响参数(EG，VE，VV，VVD，HVD)的值(EGi，VEi，VVi，VVDi，HVDi)和所述初始参数(REP，RI)的凭经验获得的值(REPie，RIie)，假设所述影响参数(EG，VE，VV，VVD，HVD)的各个值(EGi，VEi，VVi，VVDi，HVDi)引向至少一个关键参数(CV％)的最优值。
14.根据权利要求1至13任一项所述的方法，其特征在于，在非作业的学习阶段(LP)，优选的是通过反向传播来训练神经网络(18)。
15.根据权利要求14所述的方法，其特征在于，在学习阶段(LP)，在神经元(NE1，NE2，NE3，NE4，NE5；NV1，NV2，NV3，NV4，NV5，NV6；NA1，NA2)之间对连接的可变权重(WEkVk，WVjAj)进行匹配。
16.根据权利要求14或15所述的方法，其特征在于，通过监督学习在学习阶段(LP)训练神经网络(18)。
17.根据权利要求1至16任一项所述的方法，其特征在于，在非作业的测试阶段(TP)，借助神经网络(18)计算所述初始参数的值(REP，RI)，并通过使用针对所述初始参数(REP，RI)的多个不同测试值将所述初始参数的值引用来控制纺织机(1)，以便获得所产生的纺织产品(FBab)的至少一个关键参数(CV％)的每个的至少一个读数，其中优选的是针对神经网络(18)的训练产生数据集(Di)。
18.根据权利要求1至17任一项所述的方法，其特征在于，由操作员对用于确定所述初始参数(REP，RI)的神经网络(18)指定至少一个所述影响参数(EG，VE，VV，VVD，HVD)。
19.根据权利要求1至18任一项所述的方法，其特征在于，通过纺织机(1)或系统控制的传感器装置(3)和/或计算装置来自动对用于确定所指的初始参数(REP，RI)的神经网络(18)指定至少一个所述影响参数(EG，VE，VV，VVD，HVD)。
20.根据权利要求1至19任一项所述的方法，其特征在于，至少一个所述影响参数(EG，VE，VV，VVD，HVD)是一个材料参数(M)，其中所述材料参数(M)代表送入纺织机(1)的材料(FBZU)的一个或多个特征，例如纤维的类型、纤维长度、质量指标参数和/或预处理的类型。
21.根据权利要求1至20任一项所述的方法，其特征在于，至少一个所述影响参数(EG，VE，VV，VVD，HVD)是环境参数，其中所述环境参数代表纺织机(1)的周围环境的一个或多个特征，例如环境温度和/或环境空气湿度。
22.根据权利要求1至21任一项所述的方法，其特征在于，至少一个所述影响参数(EG，VE，VV，VVD，HVD)是工作参数(EG，VE，VV，VVD，HVD)，其中所述工作参数表示纺织机(1)的一个或多个特征，例如，纺织机(1)的牵伸装置(5)的牵伸速度(EG)、牵伸张力(VE)、预牵伸(VV)、预牵伸距离(VVD)、主牵伸距离(HVD)和/或分配给牵伸装置(5)的一个或多个棉条反向辊(4a，4b，4c，4d)的位置。
23.根据权利要求1至22任一项所述的方法，其特征在于，一个所述初始参数(REP，RI)是纺织机(1)的牵伸装置(5)的辊子对(5a，5a′；5b，5b′；5c，5c′)的上辊子(5a′，5b′，5c′)的控制实施点(REP)、控制强度(RI)或压力。
24.根据权利要求1至23任一项所述的方法，其特征在于，一个所述关键参数(CV％)是质量指标参数，例如，从由纺织机生产的纺织产品(FBab)的一个或多个CV％值导出的CV％值，尤其是从借助纺织机(1)的牵伸装置(5)所牵伸的棉条(FBab)的一个或多个CV％值中导出的CV％值。
25.根据权利要求1至24任一项所述的方法，其特征在于，至少一个初始参数(REP，RI)是借助神经网络(18)来计算的，其独立于纺织机(1)实现，其中所述初始参数(REP，RI)手动地或优选为自动地传输地到纺织机上。
26.根据权利要求1至24任一项所述的方法，其特征在于，至少一个初始参数(REP，RI)是借助神经网络(18)来计算的，该神经网络(18)结合在纺织机(1)中。
27.根据权利要求1至26任一项所述的方法，其特征在于，至少一个初始参数(REP，RI)是借助神经网络(18)来确定的，该神经网络(18)被开发为软件驱动的计算装置或这种装置的一部分。
28.根据权利要求1至26任一项所述的方法，其特征在于，至少一个初始参数(REP，RI)是借助神经网络(18)来确定的，该神经网络(18)被开发为硬件驱动计算装置或这种装置的一部分。
29.一种尤其用于执行根据权利要求1至28任一项所述的方法的装置(17)，其具有用于输出控制纺织机(1)的一个或多个初始参数(REP，RI)的输出端接口(20)，通过所述装置(17)可对纺织机(1)生产的纺织产品(FBab)的至少一个关键参数(CV％)进行最优化，
所述装置(17)特征在于，输入端接口(19)被提供来输入一个或多个影响参数(EG，VE，VV，VVD，HVD)，所述影响参数影响所述初始参数(REP，RI)对最小一个关键参数(CV％)的作用结果，其中输入端接口(19)与神经网络(18)连接，从而所述影响参数(EG，VE，VV，VVD，HVD)可以被馈入到神经网络的(18)输入层(ES)，并且其中输出端接口(20)与神经网络(18)的输出层(AS)连接，从而所述初始参数(REP，RI)可以伴随所述影响参数(EG，VE，VV，VVD，HVD)一起输出。
30.根据权利要求29所述的装置(17)，其特征在于，开发输入端接口(19)来用于所述影响参数(EG，VE，VV，VVD，HVD)的标准化。
31.根据权利要求29或30所述的装置(17)，其特征在于，开发输出端接口(20)来用于所述初始参数(REP，RI)的非标准化。
32.根据权利要求29至31任一项所述的装置(17)，其特征在于，神经网络(18)具有至少一个含隐藏神经元(NV1，NV2，NV3，NV4，NV5，NV6)的隐藏层(V)。
33.根据权利要求29至32任一项所述的装置(17)，其特征在于，层(E，V，A)的每一个神经元(NE1，NE2，NE3，NE4，NE5；NV1，NV2，NV3，NV4，NV5，NV6；NA1，NA2)与相邻层(ES，VE，AS)的每一个神经元相连接，优选的是与相邻层(ES，VE，AS)的每一个神经元(NE1，NE2，NE3，NE4，NE5；NV1，NV2，NV3，NV4，NV5，NV6；NA1，NA2)相连接。
34.根据权利要求29至33任一项所述的装置(17)，其特征在于，对在神经元(NE1，NE2，NE3，NE4，NE5；NV1，NV2，NV3，NV4，NV5，NV6；NA1，NA2)之间的所有连接的每一个都分配了可变权重(WEkVk，WVjAj)。
35.根据权利要求29至34任一项所述的装置(17)，其特征在于，以所述初始参数(REP，RI)可通过所述影响参数(EG，VE，VV，VVD，HVD)的前向传播来计算的方式开发神经网络(18)。
36.根据权利要求29至35任一项所述的装置(17)，其特征在于，以所述初始参数(REP，RI)可通过所述影响参数(EG，VE，VV，VVD，HVD)的反向传播来计算的方式开发神经网络(18)。
37.根据权利要求29至36任一项所述的装置(17)，其特征在于，接口(21)已经被用来接收数据集(Di)，该数据集包含所述影响参数的值(EGi，VEi，VVi，VVDi，HVDi)和凭经验计算的所述初始参数的值(REPie，RIie)，所述影响参数的各个值(EGi，VEi，VVi，VVDi，HVDi)可导出至少一个关键参数(CV％)的最优值，从而根据这些数据集(Di)可训练神经网络(18)。
38.根据权利要求29至37任一项所述的装置(17)，其特征在于，其独立于纺织机运行，例如作为系统控制的部分或单独而设的便携式装置，其中优选的是所述初始参数(REP，RI)可以通过至少一个间断性的数据连接来自动传输到纺纱机(1)上。
39.根据权利要求29至37任一项所述的装置(17)，其特征在于，其可以结合到纺织机(1)中。
40.根据权利要求29至39任一项所述的装置(17)，其特征在于，神经网络(18)被用作软件驱动的计算装置。
41.根据权利要求29至39任一项所述的装置(17)，其特征在于，神经网络(18)被用作硬件驱动的计算装置。
42.一种纺织机(1)，特别是纺纱准备机(1)，如梳理机或并条机(1)，或纺纱机，如转杯纺纱机，
所述纺织机(1)特征在于，其提供根据权利要求29至41任一项所述的装置(17)。
CN2007100936384A 2006-03-29 2007-03-29 用于控制纺织机的方法、执行该方法的装置和纺织机 Expired - Fee Related CN101046680B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102006014475.9 2006-03-29
DE102006014475A DE102006014475A1 (de) 2006-03-29 2006-03-29 Verfahren zur Steuerung einer Textilmaschine, Vorrichtung zur Durchführung des Verfahrens sowie Textilmaschine

Publications (2)

Publication Number Publication Date
CN101046680A true CN101046680A (zh) 2007-10-03
CN101046680B CN101046680B (zh) 2012-12-05

Family

ID=38460133

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2007100936384A Expired - Fee Related CN101046680B (zh) 2006-03-29 2007-03-29 用于控制纺织机的方法、执行该方法的装置和纺织机

Country Status (3)

Country Link
CN (1) CN101046680B (zh)
CH (1) CH699626B1 (zh)
DE (1) DE102006014475A1 (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101782771A (zh) * 2010-03-17 2010-07-21 东华大学 基于免疫神经网络的纺丝工艺智能优化设计方法
CN101994175A (zh) * 2009-08-06 2011-03-30 村田机械株式会社 纺纱机械以及残留于纱线贮存罗拉的细纱的除去方法
CN102042893B (zh) * 2009-10-23 2013-04-24 宝山钢铁股份有限公司 一种连续退火机组辊间带钢张力的软测量方法
CN103941587A (zh) * 2014-04-21 2014-07-23 杭州坦诺电气自动化有限公司 一种基于神经网络的气阀自适应控制方法
CN104674392A (zh) * 2013-12-02 2015-06-03 立达英格尔施塔特有限公司 具有可变张紧牵拉的纺织机
CN105862136A (zh) * 2015-01-20 2016-08-17 中国农业机械化科学研究院 一种棉籽剥绒机的自动控制方法及装置
CN105862136B (zh) * 2015-01-20 2018-08-31 中国农业机械化科学研究院 一种棉籽剥绒机的自动控制方法及装置
CN109815777A (zh) * 2017-11-22 2019-05-28 财团法人资讯工业策进会 纺织机台的调整方法及其系统
CN111319206A (zh) * 2018-12-13 2020-06-23 杭州电子科技大学 注塑成型系统中参数优化方法和装置
CN112095210A (zh) * 2019-06-18 2020-12-18 株式会社岛精机制作所 通过机械学习进行的编织机的驱动数据的处理方法及处理系统
CN112111815A (zh) * 2019-06-19 2020-12-22 里特机械公司 半自动或全自动生产交叉卷绕络筒的纺纱机的操作方法
CN112680918A (zh) * 2020-12-30 2021-04-20 江苏华一机械有限公司 一种基于组合式碳纤维磨毛机的磨毛处理方法及系统

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102014107597A1 (de) 2014-05-28 2015-12-03 Rieter Ingolstadt Gmbh Verfahren zum Öffnen eines Streckwerkes und Streckwerk
CN104062903B (zh) * 2014-06-16 2017-07-04 东华大学 一种基于免疫机制的碳纤维凝固浴重构控制器
LU503150B1 (de) 2022-12-07 2024-06-07 Saurer Spinning Solutions Gmbh & Co Kg Verfahren zur computergestützten Anpassung einer Konfiguration für unterschiedliche textile Produktionen

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5161204A (en) * 1990-06-04 1992-11-03 Neuristics, Inc. Apparatus for generating a feature matrix based on normalized out-class and in-class variation matrices
EP0573656B1 (en) * 1991-11-22 2002-02-20 Kabushiki Kaisha Toyota Jidoshokki Control device in loom
US5917726A (en) * 1993-11-18 1999-06-29 Sensor Adaptive Machines, Inc. Intelligent machining and manufacturing
EP0704775A1 (de) * 1994-08-22 1996-04-03 Zellweger Luwa Ag Verfahren und Vorrichtung zur Bestimmung von relevanten Grössen bei einer Verarbeitung von textilen Gebilden
WO1997027471A1 (de) * 1996-01-26 1997-07-31 Zellweger Luwa Ag Vorrichtung zur automatischen überwachung von textilen flächengebilden
DE19923047A1 (de) * 1999-05-20 2000-11-23 Rieter Ingolstadt Spinnerei Verfahren und Vorrichtung zur Steuerung einer Komponente einer eine Vielzahl gleichartiger Arbeitstellen nebeneinander aufweisenden Textilmaschine
US6917726B2 (en) * 2001-09-27 2005-07-12 Cornell Research Foundation, Inc. Zero-mode clad waveguides for performing spectroscopy with confined effective observation volumes

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101994175A (zh) * 2009-08-06 2011-03-30 村田机械株式会社 纺纱机械以及残留于纱线贮存罗拉的细纱的除去方法
CN102042893B (zh) * 2009-10-23 2013-04-24 宝山钢铁股份有限公司 一种连续退火机组辊间带钢张力的软测量方法
CN101782771A (zh) * 2010-03-17 2010-07-21 东华大学 基于免疫神经网络的纺丝工艺智能优化设计方法
CN101782771B (zh) * 2010-03-17 2011-12-14 东华大学 基于免疫神经网络的纺丝工艺智能优化设计方法
CN104674392A (zh) * 2013-12-02 2015-06-03 立达英格尔施塔特有限公司 具有可变张紧牵拉的纺织机
CN104674392B (zh) * 2013-12-02 2018-10-26 立达英格尔施塔特有限公司 具有可变张紧牵拉的纺织机
CN103941587A (zh) * 2014-04-21 2014-07-23 杭州坦诺电气自动化有限公司 一种基于神经网络的气阀自适应控制方法
CN103941587B (zh) * 2014-04-21 2017-01-18 杭州纳众科技有限公司 一种基于神经网络的气阀自适应控制方法
CN105862136B (zh) * 2015-01-20 2018-08-31 中国农业机械化科学研究院 一种棉籽剥绒机的自动控制方法及装置
CN105862136A (zh) * 2015-01-20 2016-08-17 中国农业机械化科学研究院 一种棉籽剥绒机的自动控制方法及装置
CN109815777A (zh) * 2017-11-22 2019-05-28 财团法人资讯工业策进会 纺织机台的调整方法及其系统
CN111319206A (zh) * 2018-12-13 2020-06-23 杭州电子科技大学 注塑成型系统中参数优化方法和装置
CN112095210A (zh) * 2019-06-18 2020-12-18 株式会社岛精机制作所 通过机械学习进行的编织机的驱动数据的处理方法及处理系统
CN112111815A (zh) * 2019-06-19 2020-12-22 里特机械公司 半自动或全自动生产交叉卷绕络筒的纺纱机的操作方法
CN112111815B (zh) * 2019-06-19 2023-11-07 里特机械公司 半自动或全自动生产交叉卷绕络筒的纺纱机的操作方法
CN112680918A (zh) * 2020-12-30 2021-04-20 江苏华一机械有限公司 一种基于组合式碳纤维磨毛机的磨毛处理方法及系统

Also Published As

Publication number Publication date
CN101046680B (zh) 2012-12-05
DE102006014475A1 (de) 2007-10-04
CH699626B1 (de) 2010-04-15

Similar Documents

Publication Publication Date Title
CN101046680A (zh) 用于控制纺织机的方法、执行该方法的装置和纺织机
CN117008557B (zh) 共混型互穿网络热塑性弹性体的生产控制方法及系统
CN1914497A (zh) 确定移动的材料纤维网的弹性模量的方法
CN1103444A (zh) 在生产多条纱线时控制质量的方法
CN117048022B (zh) 共混型互穿网络热塑性弹性体的挤出优化方法及系统
CN1694107A (zh) 一种物流数据校正方法及其系统
EP4180197A1 (en) Program for inspecting molded article region, method for inspecting molded article region, and device for inspecting molded article region
CN1958934A (zh) 嵌入式摄像整纬智能控制方法及其控制装置
CN1598534A (zh) 基于案例推理的磨矿系统溢流粒度指标软测量方法
CN118229677B (zh) 一种涡流纺纱线制备的智能优化方法及系统
CN101075124A (zh) 一种斯太尔摩风冷线模糊控制系统和方法
CN100335884C (zh) 用于流变测定的方法和设备及其在控制聚合物制备中的应用
CN112130453A (zh) 基于机器学习的提高mcs生产平稳性的控制方法及系统
CN1814365A (zh) 利用带钢化学成分数据提高热轧轧制力预报精度的方法
CN108919752B (zh) 一种胎面制品压出生产线的数据分析处理系统和方法
CN1048807C (zh) 在包括杂质的纺织材料中测量实体特性的设备和方法
CN117193178B (zh) 一种玻璃纤维复合板的生产工艺优化控制方法及系统
CN116494420B (zh) 一种改性塑料生产控制系统和方法
CN116373197B (zh) 一种橡胶生产设备和方法
CN115983510B (zh) 基于ai预测模型的密封构件寿命评估系统及方法
CN115071090B (zh) 基于注塑发泡成型模具的注塑量动态补偿系统及方法
CN101055522A (zh) 一种自动生成单元测试例的方法和装置
CN102125303A (zh) 利用kdf4成型机组生产滤棒的工艺
US8630728B2 (en) System and method for generating indices to quantify operating transition performance of a continuous process
CN115421463A (zh) 氢能源产品的生产工艺

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20121205

Termination date: 20160329

CF01 Termination of patent right due to non-payment of annual fee