CN104499168A - 一种纬纱信号智能检测方法 - Google Patents

Abstract

本发明公开了一种纬纱信号智能检测方法，基于数字信号处理和智能模式识别技术，实现对纬纱信号的智能检测。包括对纬纱信号的模拟信号调理、A/D数字采样、数字化带通滤波、信号特征量提取、信号模式学习与记忆、形成信号模式特征库、信号识别等步骤，最终将纬纱信号检测结果输出给织机主控系统。在模式识别过程中，基于对纬纱信号和噪声信号的统计分析，自动学习出信号检测的起止角度、纬纱信号与噪声信号之间的区分边界，无需人工设定检测参数，并自适应于织造品种、喷水水质等生产环境的变化。

Description

一种纬纱信号智能检测方法

技术领域

本发明涉及一种自动检测方法，尤其涉及一种对纬纱信号采用数字信号处理和智能模式识别的检测方法，属于纺织织造的检测技术领域。

背景技术

目前纺织企业中的喷水织机、喷气织机、提花机上的纬纱检测都是采用模拟信号技术的，基于对来自光电传感器的纬纱信号峰峰值的绝对幅值进行纬纱信号检测，检测的准确度与信号灵敏度、峰峰值的门限阈值的设定有关。

如公开号为101831758B的发明专利，公开了一种双轴向经编机纬纱的断纱检测装置及检测方法，检测装置包括可编程计算机控制器和输入/出模块，可编程计算机控制器与输入/出模块通信连接，还包括漫反射式光电传感器，所述漫反射式光电传感器包括红外发射模块和红外接收模块，所述红外发射模块和红外接收模块分别与输入/出模块通信连接。用该检测装置的检测方法，包括在可编程计算机控制器上设置双轴向经编机主轴转动周期TR＝D/RI、设置挂纱方式M、可编程计算机控制器根据检测到纬纱的位置进行判断纬纱是否断纱，以及若可编程计算机控制器判断纬纱断纱时，则停机(含紧停)并且停止纬纱断纱检测功能。

这种纬纱信号检测方法在生产应用中有以下技术缺陷和不足：

1)纬纱检测精度低，容易引起错误停机，影响到织造产量和质量。因为纬纱检测精度依赖于信号灵敏度和峰峰值门限阈值的设定，所以会造成以下两种情况：如果灵敏度调得过高或者峰峰值门限阈值设置过低，往往会将纬纱断纱情况下的噪声信号误判为纬纱信号而造成断纬信号的漏检，造成断纬不停机，织造品会出现跳纱而成次品。如果灵敏度调得过低或者峰峰值门限阈值设置过高，纬纱信号被抑制，造成较弱的纬纱信号未被检测到而出现织机空停，降低了织机的运转效率，影响了织造产量和生产效率。

2)对喷水水质要求高，在水质较脏时，纬纱检测精度更低，很容易引起织机的空停和断纬纱时的不停机。因为喷水洁净度低时，纬纱信号强度会减弱，和噪声信号混杂一起，纬纱信号和噪声信号的区分度降低。容易引起断纬不停和空停，织造产量和织造品的质量都会下降。当水质脏到一定程度后，根本无法正常生产。因此，现有的纬纱检测技术对回用水的净化处理要求高，加大了生产成本。

3)需要对信号灵敏度、门限阈值、信号检测的起止角度设定合理的参数，参数设定完全取决于人的技术经验，人力成本高。因为纬纱信号检测的准确度取决于信号灵敏度、门限阈值、信号检测起止角度的设定，这些参数的设定完全依赖于人的技术经验。而且所设定的参数无法自适应于织造品种、喷水水质等生产环境的变化，在参数不合适时，检测精度下降，需要再次人工调整，增加了人力成本。

目前的纬纱检测，因为采用模拟电路技术，因此，在织造不同产品时，需要凭借人的经验来调整纬纱信号检测的起止角度、信号灵敏度、门限值。整个调整工作非常耗时，且对人的经验要求很高。在生产环境变化时，需要靠人工凭借个人经验进行反复的调整，效率不高。

发明内容

本发明所要解决的技术问题是针对背景技术的缺陷，对纺织企业中广泛使用的喷水织机、喷气织机、提花机上的纬纱信号探纬检测方法进行技术改进，使得纬纱检测的参数无需人工设定，可以从纬纱信号的统计值中，自动学习出纬纱信号的起止角度、纬纱信号和噪声信号的区分边界，对生产环境的变化具有自学习自适应能力，无需作任何人工调整。

本发明为解决上述技术问题采用以下技术方案：

一种纬纱信号智能检测方法，包括以下步骤：

步骤01、采用光电传感器采集纬纱信号和噪声信号，分别对采集的纬纱信号和噪声信号进行预处理，然后分别进行纬纱信号和噪声信号的多维特征量提取；

步骤02、对纬纱信号及其对应的特征量进行关联并保存，对噪声信号及其对应的特征量进行关联并保存；

步骤03、经过一段时间对一定样本数量的纬纱信号及噪声信号进行学习，形成信号模式特征库，包括纬纱信号特征库和噪声信号特征库；

步骤04、采用待检测点的信号和纬纱信号特征库以及噪声信号特征库的距离，识别出待检测信号是纬纱信号还是噪声信号；如果待检测信号Z和纬纱信号特征库的距离小于其和噪声信号特征库的距离，则判断该待检测信号Z是纬纱信号，反之则为噪声信号；

步骤05、从纬纱信号的统计值中，自动学习出纬纱信号的起止角度、纬纱信号和噪声信号的区分边界。

进一步的，本发明的一种纬纱信号智能检测方法，步骤01中所述预处理包括模拟信号调理、A/D数字采样、数字化带通滤波处理。

进一步的，本发明的一种纬纱信号智能检测方法，步骤01中所述多维特征量包括信号均值、正向峰值、负向峰值、峰峰值、信号方差、正向信号包络面积、负向信号包络面积。

进一步的，本发明的一种纬纱信号智能检测方法，对于纬纱检测区内所检测到的纬纱信号X是由n个数字序列x_i组成，则所提取的纬纱信号特征量分别为：

信号均值： $X_1=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i;$

正向峰值：X₂＝max(x_i-X₁)，x_i>X₁；

负向峰值：X₃＝max(X₁-x_i)，x_i<X₁；

峰峰值：X₄＝X₂+X₃；

信号方差： $X_5=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(x_i-X_1)}^2;$

正向信号包络面积： $X_6=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}(x_i-X_1),x_i>X_1;$

负向信号包络面积： $X_7=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}(X_1-x_i),x_i>X_1;$

其中：i＝1,2,…n，n为自然数。

进一步的，本发明的一种纬纱信号智能检测方法，对于非纬纱检测区内所检测到的噪声信号Y是由n个数字序列y_i组成，则所提取的纬纱信号特征量分别为：

信号均值 $Y_1=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{y}_i;$

正向峰值Y₂＝max(y_i-Y₁)，y_i>Y₁；

负向峰值Y₃＝max(Y₁-y_i)，y_i<Y₁；

峰峰值Y₄＝Y₂+Y₃；

信号方差 $Y_5=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(y_i-Y_1)}^2;$

正向信号包络面积 $Y_6=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}(y_i-Y_1),y_i>Y_1;$

负向信号包络面积 $Y_7=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}(Y_1-y_i),y_i>Y_1;$

其中：i＝1,2,…n，n为自然数。

进一步的，本发明的一种纬纱信号智能检测方法，步骤04具体为：

设待检测信号Z的信号特征量包括正向峰值Z₁、负向峰值Z₂、峰峰值Z₃、信号均值Z₄、信号方差Z₅、正向信号包络面积Z₆、负向信号包络面积Z₇；

假设纬纱信号特征库X是由M个学习样本X_ij组成，其中心位置的7个特征分量为：

${\stackrel{\&OverBar;}{X}}_i=\frac{1}{M}\&CenterDot;\underset{j=0}{\overset{M}{\mathrm{\&Sigma;}}}{X}_{\mathrm{ij}},i=\mathrm{1,2},...7;$

假设噪声信号特征库Y是由N个学习样本Y_ij组成，其中心位置的7个特征分量为：

${\stackrel{\&OverBar;}{Y}}_i=\frac{1}{N}\&CenterDot;\underset{j=0}{\overset{M}{\mathrm{\&Sigma;}}}{Y}_{\mathrm{ij}},i=\mathrm{1,2},...7;$

则待检测信号Z和纬纱信号特征库X的距离：

$d(Z,X)=\underset{i=0}{\overset{7}{\mathrm{\&Sigma;}}}(Z_i-{\stackrel{\&OverBar;}{X}}_i);$

待检测信号Z和噪声信号特征库Y的距离：

$d(Z,Y)=\underset{i=0}{\overset{7}{\mathrm{\&Sigma;}}}(Z_i-{\stackrel{\&OverBar;}{Y}}_i);$

如果d(Z,X)<d(Z,Y)，则待检测信号Z是正常的纬纱信号；反之，待检测信号Z是断纬或缺纬时的噪声信号。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

本发明在行业内首次提出了基于数字信号的智能模式识别技术对纬纱信号进行检测的方法，可以极大地提高纬纱信号的检测精度，并可以对检测参数进行自学习，无需任何人工设置和调测就能适应任何生产环境以及生产环境的变化。可以减少织机的错误停机次数、提高织机运转效率、提高织造产量与质量、对生产环境具有自适应能力而可傻瓜式使用。

和目前基于模拟信号处理技术的探纬检测方法相比，本发明创新性地采用了数字信号处理以及智能模式识别技术来实现纬纱检测，进步如下：

1)提高了探纬检测精度，减少了织机的错误停机次数：

目前业界所有的喷水织机上的纬纱检测都是基于模拟信号处理技术以及模拟比较电路来实现的，对纬纱信号的识别精度低，直接导致探纬精度低，织机空停和漏停的错误停机次数多。本发明独创性地采用了数字信号处理技术，包括数字滤波技术去除高频电噪声、多维特征量提取、基于特征量的模式差异度识别等技术来检测纬纱信号。基于这些创新技术，克服了模拟信号容易受外部环境噪声的干扰和没有智能识别能力，提高了探纬检测精度，减少了织机的空停和漏停的错误停机次数。

2)织机的漏停次数减少，可以有效减少断纬不停机的次数，有效避免织造品的跳纱，提高了织造品的质量。

3)织机运转效率提高，提高了挡车工的人员效率织机错误停机次数减少，可减轻挡车工的劳动强度，提高人均看台数量，降低挡车工的人力成本。

4)纬纱检测方法具有自学习自适应能力，无需任何人工设置，产品可傻瓜式使用，减轻了机修工的劳动强度，提高了机修工的人员效率。

5)对喷水洁净度要求降低，喷水可循环使用，减少了污水处理成本和污水排放量。本发明对纬纱信号和噪声信号，从不同的特征量来进行区分，其区分度比现有基于模拟信号比较电路的方法相比要大的多。两者之间的区分度，对喷水洁净度要求降低，喷水可循环使用。

附图说明

图1是本发明的模块结构示意图。

图2是本发明实施例中对信号模式学习后形成的信号模式特征库。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解的是，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。

本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

对于纬纱信号，不管信号灵敏度调到多少，对同台机器、加工某个品种时，对有纬纱时的纬纱信号、无纬纱时的噪声信号，其信号模式是有明显差异的，这种差异性不用一个绝对的信号幅值差别来度量，而是用探纬期内的纬纱信号和非探纬期内的噪声信号的模式差异度这一相对量来度量。本发明将模拟的纬纱信号转换成数字信号，通过模式识别技术来区分纬纱信号和噪声信号，从而实现纬纱的检测。在模式识别过程中，基于对纬纱信号和噪声信号的统计分析，自动学习出信号检测的起止角度、纬纱信号与噪声信号之间的区分边界，无需人工设定检测参数，并自适应于织造品种、喷水水质等生产环境的变化。

根据以上构思，本发明从信号处理流程看，其模块组成如图1所示。

本发明是基于数字信号处理和智能模式识别技术，实现对纬纱信号的智能检测。从信号处理流程看，包括对纬纱信号的模拟信号调理、A/D数字采样、数字化带通滤波、信号特征量提取、信号模式学习与记忆、信号模式特征库、信号识别等环节，最终将纬纱信号检测结果输出给织机主控系统。最终由织机主控系统根据纬纱检测结果对织机的进行运行控制，如果在织机运转一转之内检测到纬纱，则织机继续运转，如果没有检测到纬纱，则控制织机停止运转。

具体的实现过程如下：

1)对信号作调理处理：

通过模拟信号调理模块对来自光电传感器的纬纱信号或无纬纱时的噪声信号的预处理，包括电压跟随器和运放隔离电路，将被采集的探纬信号根据A/D转换器参数进行信号放大，并控制在一定电压范围内。另外，该模块还用于和外部电气实现信号隔离，保证信号系统的可靠性。

2)对信号作A/D转换成数字信号：

信号调理处理后，输入到A/D采样模块，对调理后的纬纱信号进行A/D转换，转换成离散的数字信号。

3)对信号作数字滤波：

A/D采样后的数字信号，经过数字化的带通滤波器进行带通滤波，过滤掉纬纱信号中的无效成分，包括无效的低频段信号和高频段信号，保留有用的中间频段的信号成分。

4)提取信号的特征量：

通过特征量提取模块，从滤波后的数字信号中提取出信号的正向峰值、负向峰值、峰峰值、信号均值、信号方差、正向信号包络面积、负向信号包络面积等7个信号特征量。这些特征量，从不同的侧面表征了信号的特征。

对于纬纱检测区内所检测到的纬纱信号X，是由n个数字序列x_i(i＝1,2,…n)组成，则所提取的信号均值X₁、正向峰值X₂、负向峰值X₃、峰峰值X₄、信号方差X₅、正向信号包络面积X₆、负向信号包络面积X₇这7个特征量为：

$X_1=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{x}_i$

X₂＝max(x_i-X₁)，x_i>X₁

X₃＝max(X₁-x_i)，x_i<X₁

X₄＝X₂+X₃

$X_5=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(x_i-X_1)}^2$

$X_6=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}(x_i-X_1),x_i>X_1$

$X_7=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}(X_1-x_i),x_i>X_1$

对于非纬纱检测区内所检测到的噪声信号Y，同样可提取信号均值Y₁、正向峰值Y₂、负向峰值Y₃、峰峰值Y₄、信号方差Y₅、正向信号包络面积Y₆、负向信号包络面积Y₇这7个特征量。

5)信号模式学习和记忆：

将信号的特征量和对应的信号模式(是纬纱信号还是噪声信号)关联起来并加以保存。所有的纬纱信号，其特征量构成了纬纱信号特征库。所有的噪声信号，其特征量构成了噪声信号特征库。

经过一段时间对一定样本数量的信号模式进行学习，将会形成如图2所示的信号模式特征库。以其中的3个特征量为例，来图示纬纱信号和噪声信号的分布。无纬纱时的噪声信号X(对应图中的“.”，)聚集在一个空间区域，其中心位置X。有纬纱时的纬纱信号Y(对应图中的“*”)聚集在另外一个空间区域，其中心位置Y。两者之间是相对分离的，有一个识别边界。

经过一段时间的信号模式学习，形成了具有一定样本数的信号模式特征库，包括纬纱信号特征库X和噪声信号特征库Y后，转入信号的检测与识别阶段。

6)信号模式识别：

在识别阶段，将待检测的信号Z和纬纱信号特征库X进行比对，也和噪声信号特征库Y进行比对。在比对时，考察待检信号Z和两个信号特征库的距离。如果待检信号Z和纬纱信号特征库X的距离小于和噪声信号特征库Y的距离，则待检信号Z是纬纱信号，反之则为噪声信号。

待检信号Z，从信号特征量看，有正向峰值Z₁、负向峰值Z₂、峰峰值Z₃、信号均值Z₄、信号方差Z₅、正向信号包络面积Z₆、负向信号包络面积Z₇等信号特征量。

假设纬纱信号特征库X是由M个学习样本组成，其中心位置的7个特征分量为：

${\stackrel{\&OverBar;}{X}}_i=\frac{1}{M}\&CenterDot;\underset{j=0}{\overset{M}{\mathrm{\&Sigma;}}}{X}_{\mathrm{ij}},i=\mathrm{1,2},...7$

假设噪声信号特征库Y是由N个学习样本组成，其中心位置7个特征分量为：

${\stackrel{\&OverBar;}{Y}}_i=\frac{1}{N}\&CenterDot;\underset{j=0}{\overset{M}{\mathrm{\&Sigma;}}}{Y}_{\mathrm{ij}},i=\mathrm{1,2},...7$

待检信号Z和纬纱信号特征库X的距离d(Z,X)：

$d(Z,X)=\underset{i=0}{\overset{7}{\mathrm{\&Sigma;}}}(Z_i-{\stackrel{\&OverBar;}{X}}_i)$

待检信号Z和噪声信号特征库Y的距离：

$d(Z,Y)=\underset{i=0}{\overset{7}{\mathrm{\&Sigma;}}}(Z_i-{\stackrel{\&OverBar;}{Y}}_i)$

如果d(Z,X)<d(Z,Y)，则待检信号Z是正常的纬纱信号；反之，待检信号Z是断纬或缺纬时的噪声信号。

纬纱信号检测后，将纬纱正常还是纬纱断纬这一检测结果输出给织机主控系统，由主控系统控制织机继续运转还是停机。

本技术领域技术人员可以理解的是，本发明中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地，具有本发明中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地，现有技术中的具有与本发明中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。

以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.一种纬纱信号智能检测方法，其特征在于，包括以下步骤：

步骤01、采用光电传感器采集纬纱信号和噪声信号，分别对采集的纬纱信号和噪声信号进行预处理，然后分别进行纬纱信号和噪声信号的多维特征量提取；

步骤02、对纬纱信号及其对应的特征量进行关联并保存，对噪声信号及其对应的特征量进行关联并保存；

步骤03、经过一段时间对一定样本数量的纬纱信号及噪声信号进行学习，形成信号模式特征库，包括纬纱信号特征库和噪声信号特征库；

步骤04、采用待检测点的信号和纬纱信号特征库以及噪声信号特征库的距离，识别出待检测信号是纬纱信号还是噪声信号；如果待检测信号Z和纬纱信号特征库的距离小于其和噪声信号特征库的距离，则判断该待检测信号Z是纬纱信号，反之则为噪声信号；

步骤05、在运行过程中，从纬纱信号的统计值中，自动学习出纬纱信号的起止角度、纬纱信号和噪声信号的区分边界。

2.根据权利要求1所述的一种纬纱信号智能检测方法，其特征在于，步骤01中所述预处理包括模拟信号调理、A/D数字采样、数字化带通滤波处理。

3.根据权利要求1所述的一种纬纱信号智能检测方法，其特征在于，步骤01中所述多维特征量包括信号均值、正向峰值、负向峰值、峰峰值、信号方差、正向信号包络面积、负向信号包络面积。

4.根据权利要求3所述的一种纬纱信号智能检测方法，其特征在于，对于纬纱检测区内所检测到的纬纱信号X是由n个数字序列x_i组成，则所提取的纬纱信号特征量分别为：

信号均值： $X_1=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{x}_i;$

正向峰值：X₂＝max(x_i-X₁)，x_i>X₁；

负向峰值：X₃＝max(X₁-x_i)，x_i<X₁；

峰峰值：X₄＝X₂+X₃；

信号方差： $X_5=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(x_i-X_1)}^2;$

正向信号包络面积： $X_6=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}(x_i-X_1),x_i>X_1;$

负向信号包络面积： $X_7=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}(X_1-x_i),x_i<X_1;$

其中：i＝1,2,…n，n为自然数。

5.根据权利要求4所述的一种纬纱信号智能检测方法，其特征在于，对于非纬纱检测区内所检测到的噪声信号Y是由n个数字序列y_i组成，则所提取的纬纱信号特征量分别为：

信号均值 $Y_1=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{y}_i;$

正向峰值Y₂＝max(y_i-Y₁)，y_i>Y₁；

负向峰值Y₃＝max(Y₁-y_i)，y_i<Y₁；

峰峰值Y₄＝Y₂+Y₃；

信号方差 $Y_5=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(y_i-Y_1)}^2;$

正向信号包络面积 $Y_6=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}(y_i-Y_1),y_i>Y_1;$

负向信号包络面积 $Y_7=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}(Y_1-y_i),y_i<Y_1;$

其中：i＝1,2,…n，n为自然数。

6.根据权利要求5所述的一种纬纱信号智能检测方法，其特征在于，步骤04具体为：

设待检测信号Z的信号特征量包括正向峰值Z₁、负向峰值Z₂、峰峰值Z₃、信号均值Z₄、信号方差Z₅、正向信号包络面积Z₆、负向信号包络面积Z₇；

假设纬纱信号特征库X是由M个学习样本X_ij组成，其中心位置的7个特征分量为：

${\stackrel{\&OverBar;}{X}}_i=\frac{1}{M}\&CenterDot;\underset{j=0}{\overset{M}{\mathrm{\&Sigma;}}}{X}_{\mathrm{ij}},i=\mathrm{1,2},...7;$

假设噪声信号特征库Y是由N个学习样本Y_ij组成，其中心位置的7个特征分量为：

${\stackrel{\&OverBar;}{Y}}_i=\frac{1}{N}\&CenterDot;\underset{j=0}{\overset{N}{\mathrm{\&Sigma;}}}{Y}_{\mathrm{ij}},i=\mathrm{1,2},...7;$

则待检测信号Z和纬纱信号特征库X的距离：

$d(Z,X)=\underset{i=0}{\overset{7}{\mathrm{\&Sigma;}}}(Z_i-{\stackrel{\&OverBar;}{X}}_i);$

待检测信号Z和噪声信号特征库Y的距离：

$d(Z,Y)=\underset{i=0}{\overset{7}{\mathrm{\&Sigma;}}}(Z_i-{\stackrel{\&OverBar;}{Y}}_i);$

如果d(Z,X)<d(Z,Y)，则待检测信号Z是正常的纬纱信号；反之，待检测信号Z是断纬或缺纬时的噪声信号。