CN1073992A - 织机的控制装置 - Google Patents

织机的控制装置 Download PDF

Info

Publication number
CN1073992A
CN1073992A CN92114841A CN92114841A CN1073992A CN 1073992 A CN1073992 A CN 1073992A CN 92114841 A CN92114841 A CN 92114841A CN 92114841 A CN92114841 A CN 92114841A CN 1073992 A CN1073992 A CN 1073992A
Authority
CN
China
Prior art keywords
loom
weft yarn
mentioned
wefting insertion
control device
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.)
Pending
Application number
CN92114841A
Other languages
English (en)
Inventor
荒光弘
今村秀一郎
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.)
Nissan Motor Co Ltd
Original Assignee
Nissan Motor Co Ltd
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
Priority claimed from JP30771491A external-priority patent/JPH05140844A/ja
Priority claimed from JP34090991A external-priority patent/JP3186149B2/ja
Priority claimed from JP34090891A external-priority patent/JPH05171542A/ja
Priority claimed from JP26523792A external-priority patent/JPH06116836A/ja
Application filed by Nissan Motor Co Ltd filed Critical Nissan Motor Co Ltd
Publication of CN1073992A publication Critical patent/CN1073992A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • D—TEXTILES; PAPER
    • D03—WEAVING
    • D03D—WOVEN FABRICS; METHODS OF WEAVING; LOOMS
    • D03D47/00—Looms in which bulk supply of weft does not pass through shed, e.g. shuttleless looms, gripper shuttle looms, dummy shuttle looms
    • D03D47/28—Looms in which bulk supply of weft does not pass through shed, e.g. shuttleless looms, gripper shuttle looms, dummy shuttle looms wherein the weft itself is projected into the shed
    • D03D47/30—Looms in which bulk supply of weft does not pass through shed, e.g. shuttleless looms, gripper shuttle looms, dummy shuttle looms wherein the weft itself is projected into the shed by gas jet
    • D03D47/3026—Air supply systems
    • D—TEXTILES; PAPER
    • D03—WEAVING
    • D03D—WOVEN FABRICS; METHODS OF WEAVING; LOOMS
    • D03D47/00—Looms in which bulk supply of weft does not pass through shed, e.g. shuttleless looms, gripper shuttle looms, dummy shuttle looms
    • D03D47/28—Looms in which bulk supply of weft does not pass through shed, e.g. shuttleless looms, gripper shuttle looms, dummy shuttle looms wherein the weft itself is projected into the shed
    • D03D47/30—Looms in which bulk supply of weft does not pass through shed, e.g. shuttleless looms, gripper shuttle looms, dummy shuttle looms wherein the weft itself is projected into the shed by gas jet
    • D03D47/3026—Air supply systems
    • D03D47/3033—Controlling the air supply
    • D—TEXTILES; PAPER
    • D03—WEAVING
    • D03D—WOVEN FABRICS; METHODS OF WEAVING; LOOMS
    • D03D51/00—Driving, starting, or stopping arrangements; Automatic stop motions
    • D03D51/007—Loom optimisation
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Textile Engineering (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Looms (AREA)

Abstract

本发明的目的是十分细致地辨认纬纱的状态，能 正确地发出警告或进行控制，更进一步，能从当前纬 纱的状态预测将来可能会发生的引纬不良的各种不 同的主要原因，对其发出警告或进行控制。
织机的控制装置具有输入表示织机的织造状态 的许多参数根据该输入值与加权系数乘积的总和算 出结果，并将此结果输出的神经中枢网络控制机构， 它根据该机构所输出的信号来改变织造条件，或者输 出警告信号，而且能将该信号表示为发生不良情况的 危险度。

Description

本发明涉及织机的引纬等控制装置，特别是采用神经中枢网络的织机的控制装置。
以往织机的控制装置，特别是作为流体喷射式织机的引纬控制装置，有如特开平3-21653号专利公报中所示那样的装置。
这种装置的目的是取消必须由熟练操作人员进行的复杂的调整工作，它根据织造条件（纬纱的种类、织物的幅宽、织机的转速等）的输入数据，从存储了的许多种流体喷射模式（引纬用喷嘴的喷射量，流体速度等）中选定适当的喷射模式，并根据用这种喷射模式操作之后纬纱到达引纬相对侧的时间来修面上述选定的喷射模式。
然而，在这种装置中由于采用了予先固定许多种喷射模式的一览表方式，为了正确地引纬，必须设定庞大的模式数据，而对这种数据设定的数量也有限制。因此，不能选择已存储的模式以外的模式，还存在着不能正确地引纬的问题。
所以，虽然在选定之后可以根据纬纱到达引纬相对侧的时间来修正模式的数据，但由于纱的种类等条件不同，最佳的纬纱到达时间也不同，同样实际上还有不能做到象熟练的操作人员所进行的那种极为细致的引纬调整的情况。
此外，以上的所述仅是引纬的控制，也可以概括说是织机的控制。
鉴于上述实际情况，本发明的目的是对引纬的状态有更为细致的鉴别，从而能进行正确的警告和控制。
此外，更进一步说，本发明的又一目的是能够根据目前的纬纱状态按不同的主要原因予测将来可能发生的引纬不良情况，从而进行警告和控制。
本发明所涉及的织机的控制装置，具有神经中枢网络控制机构，该机构能输入表示织机的织造状态的许多参数，并根据这些输入值和加权系数乘积的总和输出计算出的结果。
如图1所示，本发明的第1实施例提供了一种织机不良织造状态的予测装置，它的结构包含把表示织机的织造状态（包含织造条件和纬线的飞行状态等）的许多参数分别数值化之后再输入进去的机构;以及针对每一种予定的织造不良的主要原因，借助于神经中枢网络，根据种参数的输入值和加权系数乘积的总和计算出不良情况发生的危险度的机构。
另外，如图1中所示，上述第1实施例还提供了一种织机的控制装置，它的结构包含了根据用上述织造不良状态的予测装置所计算出来的不良情况发生的危险度的值，来变更和控制织机的织造状态的机构。
在上述织造不良状况的予测装置中，使用了神经中枢网络对织机的织造状况进行分类，通过学习这种分类模式与不良织造的主要原因之间的对应关系，就能够在自动地判断目前的织造状态的同时，根据目前的织造状况予测将来引起不良状况的主要原因。
如图7中所示，本发明的第2实施例的构成中设置有在引纬过程中对纬纱进行摄象以获得纬纱图象的机构;从该纬线的图象抽出许多个数据，并把它们输入到神经中枢网络中去的机构;借助于神经中枢网络，针对每一种予定的引纬不良的主要原因，根据各种数据的输入值和加权系数乘积的总和算出不良情况发生的危险度的机构;以及根据这些计算值发出警告或改变引纬条件的机构。
上述结构中，对引纬中的纬纱进行摄象而得到纬纱图象，根据这种纬纱图象，从纬纱的飞行形态和动作判断引纬状态，所以在看到图象之后能更正确地把握纬纱的状态，从而根据该状态发出警告，并进行控制（改变引纬条件）。此外，借助于使用神经中枢网络来判断引纬的状态，就可以根据纬纱的图象对纬纱的飞行形态等进行分类，再通过学习该分类模式和引纬不良的主要原因之间的对应关系，从目前的纬纱飞行形态等算出各种引纬不良主要原因的不良情况产生的危险度，再按各种主要原因予测将来会发生的引纬不良的情况，然后根据这一予测发出警告或者进行控制（改变引纬条件）。
本发明的第3实施例如图15所示，它提供一种织机的控制装置，其构成中包括：将表示织机的织造条件的许多参数分别数值化合的输入机构;借助于神经中枢网络，针对予定的每个织机的控制对象，根据各个参数的输入值和加权系数乘积的总和算出控制量的机构;以及根据这些算出值对各个控制对象设定控制量的机构。
在上述装置中，使用了神经中枢网络对织机的织造条件进行分类，然后通过与最适当的控制量的对应（法则）的学习，从目前的织造条件算出并设定最适当的控制量。这样，就不是从予先存储的模式中进行检索而设定的，而是通过计算出来的结果来设定的，无论对于什么样的织造条件，也都能够进行和熟练操作者的调整相同的极为细微的设定。
本发明的第4实施例是在流体喷射式织机中设置有将纬纱引纬到经纱的开口内直到织入经纱为止这一段时间内的检测纬纱的动作的检测机构;以及将从这一检测机构中输出信号的波形数据与予先设定的正常波形数据进行比较，用这种比较的结果来判断布匹中是否发生庇点的判断机构。上述流体喷射式织机是从纬纱测长贮存装置将纬纱引入并通过引纬喷嘴，按照予先设定的引纬条件从引纬喷嘴中喷射出流体，借助于这种喷射的流体将上述纬纱引纬到经纱的开口内，然后借助于筘的打纬运动和经纱的开口运动，将已引纬的纬纱织入到经线中。
在上述构成中，在整个引纬过程中，检测机构从纬纱到达与引纬相对的一侧开始直到织入经纱为止的这一段时间内一直在检测纬纱的动作，而判断机构则将从检测机构输出信号的波形数据与予先设定的正常波形数据进行比较，根据这一比较结果判断布匹是否发生疵点。
图1是表示本发明第1实施例结构的功能方柜图。
图2是表示本发明的第1实施例的引纬控制装置的系统图。
图3是表示不良情况予测的神经中枢网络图。
图4是表示学习顺序的流程图。
图5是使用作为警告装置的情况下的流程图。
图6是使用作为织机的控制装置情况下的流程图。
图7是表示本发明第2实施例结构的功能方框图。
图8是表示本发明的第2实施例的引纬装置的系统图。
图9是表示纬纱图象的图象处理方法的图。
图10是表示予测不良情况的神经中枢网络图。
图11是说明纬纱的飞行形态与引纬不良之间的关系的图。
图12是表示学习顺序的流程图。
图13是用作警告装置的情况下的流程图。
图14是使用作为引纬控制装置的情况下的流程图。
图15是表示本发明的第3实施例的结构的功能方框图。
图16是表示本发明第3实施例的引纬控制装置的系统图。
图17是表示算出控制量的神经中枢网络的图。
图18是表示学习顺序的流程图。
图19是表示第4实施例的结构图。
图20是表示第4实施例的神经中框网络的模型图。
图21表示检测出的波形数据图，（A）是正常时的波形图，（B）是纱线发生绞结时的波形图。
实施本发明的最佳方式。
下面，以本发明的第1实施例为例，说明对发生引纬不良情况的予测，以及根据这一予测发出警，或者进行引纬的控制。
请参看图2，主喷嘴1借助于喷射空气将纬纱Y引纬，空气是从压缩空气供应源（图中未示出）通过电空比例阀2、缓冲罐3和电瓶开关并4供给的。因此，主喷嘴1的喷射压力（向主喷嘴供应的空气压力）能借助于送到电空比例阀2去控制电压来控制，而主喷嘴1的喷射开始时间和喷射结束时间则由电磁开关阀4来控制。
纬纱Y是从导纱器（图中未示出）引出，经过纬纱测长贮存装置5而引入主喷嘴1的。
纬纱测长贮存装置5中有可相对自由转动地支承在由电动机（图中未示出）驱动旋转的空心旋转轴6的端头上并保持静止状态的转筒7，和从空心旋轴6向斜前与突出并与之相通的卷绕臂8，以及能对着开设在转筒7的圆周面上的孔插入和退出的、由电磁线围驱动的测长爪9。该装置一面由处在插入状态的测长爪9把纬纱固定住，一面由卷绕臂8的旋转将纬纱Y卷绕并贮存在卷筒7上。然后，在规定的拨爪时间（即开始引纬的时间）使测长抓9退出，借助于主喷嘴1的喷射空气将转筒7上的纬纱Y引出并引纬。
从主喷嘴1中射出来的纬纱Y在由筘10的筘齿上形成的一排凹槽而产生的纬纱导向通道中飞行穿过（图中未出示），在这条通道上，借助于按一定间距设置的辅助喷嘴11、对纬纱进行接力式的吹送引纬。
辅助喷嘴11每若干个（图4为3个）组成一组，并从通过电空比例阀12连接压缩空气供应源的缓冲罐13分别通过各个电磁开关阀14供应空气。因此，辅助喷嘴11的喷射压力（即，向辅助喷嘴11供应的空气的压力）能用加在电空比例阀12上的控制电压来控制，而辅助喷嘴11的开始喷射时间和喷射结束的时间则由各由磁阀14控制。
从织机角度传感器16送来的信号，和从纬纱退绕传感器17送来的信号，作为控制输入信号输入到内部等有微电脑的引纬控制器15中去。
角度传感器16输出与织机主轴的旋转角度（以下简称织机主轴角）相对应的信号。
纬纱退绕传感器17是在转筒7的附近检测引纬时使转筒7旋转被退绕出来的纬纱Y的通过情形。而且，由于纬纱Y的通过所引起的纬纱退绕信号是每退绕1圈得到的1次信号，所以，如设每一次投梭为n圈，则到引纬终止为止，应得到n次信号。
引纬控制器15，除上述之外，为了下面将要说到的引纬不良的予测，还分别从纬纱到达传感器18，纬纱张力传感器19等输入信号。
纬纱到达传感器18在纬纱导向通道与引纬相对一侧检测被引纬的纬纱Y的到达。
纬纱张力传感器19在转筒7与主喷嘴1之间检测纬纱的张力。
此外，引纬控制器15还与人-机转换装置20相连，为了后述的引纬不良的予测，可以用人工将织物幅度，织物的组织、纬纱的种类、纬纱的粗细和经纱的张力等信号输入进去。
这样，引纬控制器15借助于内芷的微电脑进行予定的演算处理，确定主喷嘴1的喷射压力PM、辅助喷嘴11的喷射压力PS，并且通过电空比例阀2控制主喷嘴1的喷射压力，同时通过电空比例阀12控制辅助喷嘴11的压力。
此外，要确定主喷嘴1的喷射开始时间TMO和喷射终止时间TMC，测长爪9的拨爪时间TCO，各组辅助喷嘴11的喷射开始时间TSO和喷射终止时间TSC，并把这些开、关时间的数据给定在电磁线图控制器21中。
电磁线圈控制器21一边根据织机角度传感器16的信号监视织机主轴的角度，一边通过电磁开关阀4控制主喷嘴1的喷射时间，还有控制电磁线圈驱动式的测长爪9的动作，以及通过电磁开关阀14控制辅助喷嘴11的喷射时间。
即，当织机主轴角度到达喷射开始时间TMO时，便电磁电开关阀4打开，主喷嘴1开始喷射空气。接着，当到达拨爪时间（引纬开始时间）TCO时，电磁线圈接通，拨出测长爪9，于是开始引纬。
在引纬的过程中，随着纬纱Y端头的飞行，位于该位置的那一组辅助喷嘴11必须进行空气喷射，所以每一组辅助喷嘴在织机主轴角度到达喷射开始的时间TSO时，电磁开关阀14打开，辅助喷嘴11开始喷射空气。而且，当到达喷射终止时间TSC时，电磁开关14关阀，辅助喷嘴11便终止喷射空气。
然后，当到达喷射终止时间TMC时，电磁开关阀4关闭，主喷嘴1也终止喷射空气。
测长爪9的插入时间是控制是由监视从纬纱退绕传感器17传来的纬纱退绕信号来进行的，当从纬退绕传感器17传来了n圈个退绕信号时，电磁线圈断开，使测长爪9插入。因此，当引纬到几圈的时刻，纬纱Y被测长爪9固定住，引纬终止。
此外，为了根据下述引纬不良的予测结果发出警告，引纬控制器器15还连接阴极射线管（CRT）显示或多色显示的警告灯之类的警告装置22。
下面，说明与本发明有关的织机织造不良（在本例中为引纬不良）的予测装置。
这一予测装置是由引纬控制器15里的微电脑构成的，表示织机的织造状态的许多参数分别经过数值化之后输入该装置，借助于神经中枢网络，针对每一种予先设定的引纬不良的主要原因，根据各参数的输入值与加权系数（结合系数）乘积的总和，算出发生不良状态的危险变后再输出。
此处所谓引纬不良的主要原因，可举出6种：良好（无不良状态），喷气中断，开口不良，根部断开，端头纠结和纱线绞缠。这6种危险度都可以算出来。
图3表示予测不良状态的神经中枢网络，它采用由输入层、中间层和输出层三层组成的阶层网络。
下列个参数分别在数值化之后输入到输入层的15个单元（I1～I15）中，即织物幅宽WC、织物组织·对称PS1、织物组织·非对称PS2、纬纱种类·短纤维KY1、纬纱种类·长纤维KY2、纬纱粗细SY、经纱张力TW、拨爪时间TCO，经纱退避时间TO，经纱进入时间T1，纬纱到达时间TF1、1圈退绕时间TY1、2圈纱退绕时间TY2、3图的退绕时间TX3（……n圈的退绕时间TYn）、纬绕飞行张力T FW 。
这里的织物幅宽W，例如是的毫米为单位，用人工输入。织物组织·对称PS1，例如在对称时PS1＝1，而在非对称时PS1＝0，而在织造组织·非对称PS2，则在非对称时PS2＝1，而在对织时，PS2＝0，分别用人工输入。纬纱种类·短纤维KY1，例如在短纤维纱时KY1＝1、其它纤维时KY1＝0，而纬纱种类·长纤维KY2，则在长纤维时KY2＝1、其它纤维时KY2＝0，也分别用人工输入。纬纱粗细SY，例如以但尼尔为单位，可以用人工输入，但也可以用供纱部的传感器。经纱张力TW可以用人工输入，也可以用后支架罗拉的传感器。拨爪时间TC。按当时的设定值输入。经纱退避时间TO和经纱进入时间T1表示在筘上形成的纬纱导引通道从经纱开口退避的时间和进入开口的时间，从这两个时间能够知道依赖于开口特性的可以引纬的时间，所以可以用人工输入，也可以用设置在纬纱导引通道一侧的传感器来检测。纬纱到达时间TF1，根据纬纱到达传感18的发出的信号进行检测并输入。1圈的退绕时间TY1、2圈的退绕时间TY2、3圈的退绕时间TY3（……n圈的退绕时间TYn）根据纬纱退绕传感器17所发出的信号进行检测并输入。纬纱飞行张力TWF的纬纱张力传感器输入。
因此，I1＝WC、I2＝PS1、I3＝PS2、……I15＝TWF。
从输入层的所有单元中输入出的信号I1～I15，相对于各个单元，输入到中间层的15个单元（H1～H15）中。
在中间层的各个单元中，算出各输入值和加权系数乘积的总和，再加上修正值，从这个值出发，利用∑函数进行响应函数处理，在0～1的范围内求出输出值H1～H15。
此外，若以H1运算为例，算出各输入Ii和加权系数Wli积的总和，再在这个总和上加上修正值θ1，算出Y＝（∑Wli·Ii）+θ1（i＝1～15）。然后利用∑函数进行响应函数处理，求得H1＝f（Y）。
此外，∑函数是输入在0～1的范围内的单调非减小函数，它反映了实际神经细胞的饮和反应性质。
因此，得到Hj＝f（（i∑Wji·Ii）+θj）（i＝1～15，j＝1～15）。
从中间层的所有单元输出的信号H1～H15，相对各单元被输入到输出层的6个单元（O1～O6）中。
在输出层的各单元中，和上面一样，算出各输入值和加权系数乘积的总和，再加上修正值;从这个值出发，利用∑函数进行响应函数处理，在0～1的范围内求出输出值O1～O6。
此处，若以O6的运算为例：算出各输入值Hj和加权系数V6j乘积的总和，再加上修正值Y6，并算出Z＝（∑V6j·Hj）Y6（j＝1～15）。然后，利用∑函数进行响应函数运算，即求的O6＝f（Z）。
因此，Ok＝f[（j∑Wkj·Hj）+Yk]，（j＝1～15，k＝1～6）。
此处，O1～O6是按各种引纬不良主要原因分别将其数值化了的危险度。
O1是良好（无不良情况）、O2是喷气中断的危险度，O3是开口不良危险度，O4是根部断开危险度，O5是端头纠结危险度，O6是纱线绞缠危险度。
按照上述方式，借助于下面所说的学习，以使得上述加权系数和修正值达到最优为前提，在良好的条件下O1的值最大，在发生喷气中断的条件下O2的值最大，等等，所以就能按各种不同的引纬不良主要原因予测喷气中断等各种引纬不良情况的发生。
下面，说明学习方法。
例如，对于各种引纬不良的主要原因，由经验可知，至少某一种输入条件会发生不良的情况，所以该输入条件中，相对于输出O1～O6，给与教师信号T1～T6，学习加权系数和修正值使输出O1～O6与教师信号T1～T6相一致。
就是说，如果由经验得知，在某一输入条件下发生了喷气中断，而未发生其他不良情况，就设定在该输入条件下，给以T1＝0、T2＝1、T3＝0、T4＝0、T5＝0、T6＝0作为教师信号，进行学习。
现在顺着图4的流程图说明这种学习顺序。本例是采用最急速下降方法的回传学习。
步骤1（图中记为S1，下同）将加权系数（下称结合系数）Vkj、Wkj和修正值Yk、Qj初期化，这可以用随机数来给出。
步骤2进行学习模式Ii（I1～I15）的设定。即，对于无论那一种情况：良好，喷气中断，开口不良，根部断开，端头纤结和纱线绞缠都应地设定一种特定的织机运转状况。
步骤3按照下式计算Hj单元的输出。
Hj＝f[（j∑Wji·Ii）+Qj]
步骤4按照下式计算Ok单元的输出。
Ok＝f[（j∑Vkj·Hj）+Yk]
步骤5按照下式计算Ok单元的误差Sk。此处，Tk是与设定的学习式相对应的教师信号。
δk＝（Tk-Ok）·Ok·（1-Ok）
步骤6按照下式计算Hj单元的误差6j。
σj＝k∑σk·Vkj·Hj·（1-Hj）
步骤7按照下式进行Hj单元与Ok单元的结合系数Vkj的修正。
Vkj＝Vkj+α·δk·Hj（式中，α为常数）
步骤8按照下式进行Ok单元的修正值γk的修正。
γk＝γk+β·δk（式中，β为常数）
步骤9按照下式进行Ii单元和Hi单元Hj单元的结合系数Wji的修正。
Wji＝Wji+α·σj·Ii（式中α为常数）
步骤10，按照下式进行Hj单元的修正值Qj的修正。
Qj＝Qj+βσj（或中β为常数）
步骤11进行学习模式Ii（I1-I15）的更新。
步骤12对全部学习模式是否已经结束进行判断，如为“否”返回步骤2，如为“是”，进入步骤13（全部学习模式指分别与良好、喷气中断、开口不良、根部断开、端头纠结、纱线绞缠相对应的至少6个学习模式）。
步骤13进行学习反复次数的更新（算出）。
步骤14对反复的次数是否大于或等于限定的次数进行判断。如为“否”，返回步骤2，如为“是”学习结束。
对这种回传学习方法（特别是结合系数的修正方法）进一步详细说明。
这是一种3层以上的神经中枢网络中，使输出层的输出与教师信号的差的平方（称为平方误差）为最小的修正结合系数和学习方法。
输出层单元K（K号码的单元）的输出Ok以下列（1）式表示。
Ok＝f（j∑Vkj·Hj+γk） ……（1）
作为函数f，在输出0～1的范围内，采用单调非减小的∑函数。这种函数，如下式所示，其特征是它的微分能用原来的∑函数表示。
f（x）＝1/[1+exp（-2x/uo）]
＝[1+tarn（x/uo）]/2    ……（2）
f’（x）＝2·f（x）·[1-f（x）]/uo    ……（3）
设输出层中教师信号的误差为δk（＝Tk-Ok），则其平方误差Ep为最小。
Ep＝∑（Tk-Ok）2/2 ……（4）
Figure 921148410_IMG2
Ep/
Figure 921148410_IMG3
Ok＝-（Tk-Ok）＝-δk……（5）
此处，如将输出层单元K的内部势能改写为Sk＝（j∑Vkj·Hj+γk），则其输出即为Ok＝f（Sk），结合系数Vkj的微小变化时于输出Ok的影响
Figure 921148410_IMG4
Ok/
Figure 921148410_IMG5
Vkj可由（3）式得：
Figure 921148410_IMG6
Ok/
Figure 921148410_IMG7
Vkj＝（
Figure 921148410_IMG8
Ok）·（
Figure 921148410_IMG9
Sk/
Figure 921148410_IMG10
Vkj）
＝f′（Sk）·Hj
＝η1·Ok（1-Ok）·Hj……（6）
（式中，η1为常数）
因此，根据（5）和（6）式得到结合系数Vkj对平方误差Ep的影响
Figure 921148410_IMG11
Ep/ Vkj：
Ep/
Figure 921148410_IMG14
Vkj＝（
Figure 921148410_IMG15
Ep/ Ok）·（
Figure 921148410_IMG17
Ok/
Figure 921148410_IMG18
Vkj
＝-η1·δk·O1·（1-Ok）·Hj……（7）
为使平方误差减小的结合系数Vkj的更新值△Vkj可采用最急速下降方法从下述（8）式中得出：
△Vkj＝-α2·（
Figure 921148410_IMG19
Ep/
Figure 921148410_IMG20
Vkj）
＝α2·η1·δk·Ok·（1-Ok）·Hj
＝α·δk·Ok·（1-Ok）·Hj……（8）
（式中，α为常数，α＝α2·η1）
再者，（8）式意味着结合系数修正的方向是朝着输入模式P时的误差函数减少的负方向。
此外，输出层单元K的误差δk如用下式得出：
δk＝-αEp/αSk
＝-（
Figure 921148410_IMG21
Ep/
Figure 921148410_IMG22
Ok）·（
Figure 921148410_IMG23
Ok/
Figure 921148410_IMG24
Sk）
＝Sk·Ok·（1-Ok） ……（9）
则（8）式便变为下式：
△Vkj＝α·δk·Hj……（10）
因此，Ok单元的误差计算式（步骤5）即为：
δk＝δk·Ok·（1-Ok）
＝（Tk-Ok）·Ok·（1-Ok） ……（11）
而Hj与Ok的结合系数的修正式（步骤7）为：
Vkj＝Vkj+△Vkj
＝Vkj+α·δk·Hj……（12）
同样对于从中间层Hj到输入层Ii的结合系数Wji的更新值△Wji，也能使用急速下降法。
首先，如将中间层单元j的内部势能改写为Uj[＝（j∑Wji·Ii）+θj]，其输出即为Hj＝f（Uj），结合系数Wji的微小变化对于平方误差Ep的影响 Ep/
Figure 921148410_IMG26
Wji，即为：
Figure 921148410_IMG27
Ep/ Wji＝（
Figure 921148410_IMG29
Ep/
Figure 921148410_IMG30
Sk）·（
Figure 921148410_IMG31
Sk/
Figure 921148410_IMG32
Hj）
·（
Figure 921148410_IMG33
Hj/
Figure 921148410_IMG34
Uj）·（
Figure 921148410_IMG35
Vj/Wji）
＝[∑（-δk）·Vkj]·f′（Uj）·Ii
＝-∑δk·Vkj·Hj·（1-Hj）·Ii……（13）
与（9）式一样，作为中间层单元j的误差σj为：
σj＝- Ep/σVj
＝k∑δk·Vkj·Hj·（1-Hj） ……（14）
则（13）式即化为下式。
Figure 921148410_IMG37
Ep/
Figure 921148410_IMG38
Wji＝-σj·Ii……（15）
因此，结合系数Wji的更新值△Wji可（15）式而写成：
△Wji＝-η3·
Figure 921148410_IMG39
Ep/ Wji
＝η3·σj·Ii……（16）
（式中，η3为常数）
据此，Hj单元的误差计算式（步骤6）即为：
σj＝k∑δk·Vkj·Hj·（1-Hj） ……（17）
而Ij与Hj的结合系数的修正式（步骤9）则为：
Wji＝Wji+△Wji
＝
Figure 921148410_IMG41
ji+α·σj·Ii……（18）
（式中，α为常数，α＝η3）
再者，在此前的各式中对于一个输入输出组，都是使其误差Ep极小化，各种不同的输入输出的组合中（以P来表示），还必须确定
Et＝p∑k∑（Tpk-Opk）2/2＝p∑Ep……（19）
的误差函数，使得用各种模式P学习的误差Ep逐渐变小，从而使作为整体的误差函数Et极小化。
作为学习的方式，如上述那样，除了设定与引纬不良的主要原因相对应的织机的运行状态进行学习的方式之外，也可以采用这样的学习方式，即在要学习时，使织机进行适当的运行，当发生不良情况时，把这种不良的主要原因（喷气中断等）借助于人工操作的按扭进行输入，给以教师信号，然后学习此时织机运行状态下纬纱的飞行形态与引纬不良主要原因之间的对应关系。
下面，就采用上述不良情况予测装置的警告装置和织机的控制装置进行说明。
图5用流程图来表示使用警告装置情况下的处理顺序。
在步骤21，从神经中枢网络的输出Ok（O1～O6）中检测最大的输出，令其为Omax。
在步骤22，判断Omax是否等于O1，如为“是”，则为良好，返回步骤21。如为“否”，则进入步骤23。
在步骤23，判断Omax是否等于O2，如为“是”，则喷气中断的危险度大，因喷气有中断的倾向，就进入步骤24，由警告装置22显示这种意思的图象，点亮警告灯。如为“否”，则进入步骤25。
在步骤25，判断Omax是否等于O3，如当“是”则为开口不良的危险度大，因有开口不良的倾向，就进入步骤26，显示出这种意思的图象，点亮警告灯，如为“否”，则进入步骤27。
在步骤27，判断Omax是否等于O4，如为“是”则根部断开的危险度大，因有根部断开的倾向，进入步骤28，示出这种意思的图象，点亮警告灯。如为“否”，则进入步骤29。
在步骤29，判断Omax是否等于O5，如为“是”，则端头纠结的危险度大，因有端头纠结的倾向而进入步骤30，显示出这种意思的图象，点亮警告灯。如为“否”，则进入步骤31。
在进入步骤31的情况下，必然是Omax＝O6，纱线绞缠的危险度大，但造成这种情况有两种起因：由根部有断开倾向而引起的由端头有纠结倾向而引起，所以在这一步骤中要对根部断开的危险度O4与端头纠结的危险度O5进行比较，以判断更接近于那一种起因。如果是根部断开的危险度O4大，则进入步骤32，显示这种意思的图象，点亮警告灯。如果是端头纠结的危险度O5大，则进入步骤37，显示这种意思的图象，点亮警告灯。
此时，操作者借助图象显示或警告灯，知道了予测的不良的主要原因，可以据该原因适当变更织造的条件。
图6用流程图表示使用织机控制装置时的处理顺序。
在步骤41，从神经中枢网络的输出O1～O6中检测最大的输出，将其定为Omax。
在步骤42，判断Omax是否等于O1，如为“是”，则为良好，返回步骤41。如为“否”，则进入步骤43。
在步骤43，判断Omax是否等于O2，如为“是”，则喷气中断的危险度大，因有喷气中断的倾向面进入步骤44。为了缩短超前喷射的时间，将主喷嘴1的喷射开始时间TM。相对于目前的设定值推迟织机主轴的角度2°，同时，轴助喷嘴11的喷射开始时间TS。也同样推迟2°。如为“否”则进入步骤45。
在步骤45，判断Omax是否等于O3，如为“是”，则开口不良的危险度大，由有开口不良的倾向而进入步骤46，为了防止纬纱挂住在经纱上，要把测长爪9的拔爪时间（引纬开始时间）TCO延迟2°。如为“否”，则进入步骤47。
在步骤47，判断Omax是否等于O4，如为“是”则根部断开的危险度大，因有根部断开的倾向而进入步骤48，使辅助喷嘴11的喷射压力PS相对于目前的设定值减少2%（X0.98），同时使主喷嘴1的喷气结束时间TMC提前2°。如为“否”，则进入步骤49。
在步骤49，判断Omax是否等于O5，如为“是”，则端头纠结的危险度大，因有端头纠结的倾向而进入步骤50，在使主喷嘴1的喷射压力PM增大5%（X1.05）的同时，使辅助喷嘴11的喷射压力PS也增大5%（X1.05）。如为“否”，则进入步骤51。
当进入步骤51时，必然是Omax＝O6，纱线绞缠的危险度大。引起这种情况有两有两种原因：由根部有断开倾向而引起和由端头有纠结倾向而引起，所以在这一步骤中要对根部断开的危险度O4和端头纠结的危险度O5进行比较，以判断更接近于那一种原因。
如根部断开的危险度O4大时，就进入步骤52，在将主喷嘴1的喷射结束时间TMC提前2°的同时，使辅助喷嘴11的喷射结束时间TSC延迟2°。同样端头纠结的危险度O5大时，则进入步骤53，在将主喷嘴1的喷射压力PM增大5%（X1.05）的同时，使辅助喷嘴11的喷射压力PS也增大5%（X1.05）。
因而，就能自动的针对予测出的不良情况的主要原因进行处理，使织机能在最佳状态下运转。
还有，除了用这样的逻辑推理之外，也可以借助模糊理论，计算出控制对象和其控制量来进行控制。
如以上所说明的那样按照本实施例，使用神经中枢网络，就能够从现在的织造状态予测将来会产生织造不良的主要原因。因而，就能根据这种予测发出警告或者进行回避控制，特别是，能够根据每一种织造不良的主要原因，改变并控制织机的织造状态，使织机能在最佳状态下运行。
下面，予照图8～图14，说明本发明的第2实施例。
本实施例与第1实施例相似，所以省略了对应部分的说明，其结构如下所述。
为了判断下面要说到的引纬状态（引纬不良的予测），把信号从采用电荷藕合器件（CCD）为固体摄象元件的（CCD）摄象机49输入到引纬控制器15。
作为纬纱摄象机构的CCD摄象机49是用来对纬纱Y的飞行形态摄象用的，特别是，如图9中所示，在一排经纱W的外面，在纬纱Y到达纬纱到传感器18附近时的时刻（更确切地说，是纬纱到达传感器18获得纬纱到达信号的时刻，或者予想纬纱到达的予定织机主轴角度），把纬纱Y端头附近的纱线形态摄下来。还有，图9中，10a是筘齿，10b是在筘齿上形成的纬纱引导通道，此外，为摄象需用的照明光源、反射板等，这些都未在图中表示。
再有，引纬控制器15监视着从纬纱到达传感器18所发来的信号，当在规定的织机主轴角度范围内没有获得从纬纱到达传感器发来的纬纱到达信号时，即判断为引纬不良，通过织机停车回路（图中未示出）使织机停车。
还有，由于根据下述引纬状态的判别（引纬不良的予测）结果发出警告，引纬控制器15还连接着阴极的线管（CRT）或液晶显示器或者多色显示的警告灯之类的显示装置22。
下面，就本发明涉及的引纬状态的判断（引纬不良的予测）机构进行说明。
这种机构是由引纬控制器15内的微电脑构成的，借助于CCD摄象机49，从与纬纱的飞行形态有关的图象中提取多个数据，并把它们输入神要中枢网络，再借助于神经中枢网络，针对每一个予先确定的引纬不良的主要原因，根据各种数据的输入值和加权系数（结合系数）乘积的总和，算出并输出不良情况发生的危险度。
此外，举出6个引纬不良的主要原因，即良好（无不良情况）、喷气中断、开口不良、根部断开、端头纠结、纱线绞缠，目的是算出各种危险度。
因此，使用CCD摄象机49作为纬纱的摄象机构，将纬纱到的飞行形态，特别是当纬纱的端头到达纬纱到达传感器18时刻（确切说，是纬纱到达传感器18得到纬纱到达信号的时刻，或者是予想纬纱到达的予定织机主轴角度），将纬纱箭头附近的纱线形态摄下来，取得纬纱的图象，对图象进行处理之后输入神经中枢网络。
参照图9说明图象的处理。CCD的象素的数目取为35×29＝1015，每个图素可得到黑、白2值的情报。
提供给神经中枢网络的输入数据是99元的数据，这些数据是把由CCD所谱入的35×29个象素的2值情报的纬纱图象用5×5的离斯掩模滤波器（掩模图形）重新抽样成11×9象素的多值情报。过11×9个象素的多值情报显示了浓度特征，输出用下述方法求得浓度值。
如图9（A）所示，把CCD的象素数目35×29置换在2维座标上时，2维座标上的象素数据用f（x、y）表示，11×9个取样点在该2维座标上是等距的（图9（a）上的O点）。此外，图9（B）表示浓度计算用的2元（5×5）掩模图形的具体例子，上面的值定为M（i、j）（i＝1～5，j＝1～5）。
如将2维座标上的取样点的座标定为（Xs、Ys），则该取样点上的浓度值d（Xs、Ys）可由下式求出。
d（Xs、Ys）＝j∑i∑M（i、j）·f（Xs-3+i、Ys-3+j
即，把2元（5×5）掩模图形的中心点（图9（B）的值为110的点）放在取样点上，再把象素数据为“1”的掩模图形位置上的值加进去，该值即为那个取样点上的浓度值。
例如，以计算图9（A）上的一个取样点上的浓度的值为例，从在图9（C）中取出并显示的该点周围5×5个象素数据和图9（B）中的2元掩模图形上的值，可以求出该点的浓度值为0+24+30+80+60+24＝218。
还有，当取样点周围5×5个象素数据“全部”是“1”的时候，该取样点浓度值为982。因此，浓度值在0～982的范围。
由此所得到的11×9的取样点上的浓度值的集合，就是该纬纱图象的浓度特征。例如，从图9（A）中所表示的2值纬纱图象，可以得出如图9（D）、（E）那样的浓度特征。但，在图9（D）、（E）中，浓度值用4种记号（黑方的大小）来表示。
虽然将这样取得的99个浓度值输入神经中枢网络，但是实际上输入的浓度值是用上述浓度值d（Xs、Ys）的计算式所得的值千分之一，比值为自0至1。
虽然到现在为止所陈述的是利用掩模处理的2值化图象处理法，但除此以外也可以施行其它简单的2值化处理，或者强调对比度的图象处理。
强调对比度的处理方法是求出处理面积上的全部最高浓度值Ha和最低浓度值Hj，取处理前的图素的浓度为Lp，处理后的浓度为Lx，用下式计算得出。
Lx＝Kx（Lp-Hj）/（Ha-Hj）
（式中K为常数）
下面说明神经中枢网络。
图10是予测不良情况的神经中枢网络，采用由输入层，中间层和输入层3个组成的阶层网络。
在输入层的101单元（I1～I101）中，分别输入织物幅宽Wc，织机转速RPM、以及上述99个浓度值d（1、1）～d（11、9）。
此外，织物幅宽We，例如以毫米为单位，可以用人工输入，织机转速RPM根据织机角度传感器16发来的信号进行检测并输入。还可以输入其他参数，如纱线的物理性能，纱的粗细等。
因此，得到I1＝Wc、I2＝RPM、I3＝d（1、1）…………I101＝d（11、9）。
将从输入层的全部单元发出的信号I1～I101，相对于各个单元，输入到中间层的15个单元（H1～H15）中。
在中间层的各单元中，算出各个输入和加权系数乘积的总和，再加上修正值，从这个值出发，采用∑函数进行响应函数处理，求出在0～1范围内的输出值H1～H15。
此处，以H1的运标为例，算出各输入Ii与加权系数WIi乘积的总和，再加上修正值θ1，算出Y＝（∑WIi·Ii）+θ1（i＝1～101）。然后，使用∑函数进行响应函数运算，求出H1＝f（Y）。
还有，∑函数是输出在0～1范围内的单调非减小函数，它反映了实际神经细胞的饱和反应的性质。
因此，可得Hj＝f（（i∑Wji·Ii）+θj）（i＝1～101，j＝1～15）。
将从中间层的全部单元发出的信号H1～H15，相对于各个单元，输入到输出层的6个单元（O1～O6）中。
在输出层的各单元中，和上述的一样，算出各输入与加权系数的乘积的总和，再加上修正值，从这个值出发，使用∑函数进行响应函数处理，求出在0～1范围内的输出值O1～O6。
此处，以O6的运算为例，算出各输入Hj与加权系数V6j乘积的总和，再加上修正值γ6后，即可算出Z＝（∑V6j·Hj+γ6（j＝1～15）。然后，使用∑函数进行响应函数处理，即求得O6＝f（Z）。
因此，可得Ok＝f（（j∑Wkj·γk）（j＝1～15、k＝1～6）。
此处，O1～O6是分别将各种引纬不良的主要原因的危险度数值化之后的值。
O1是良好（无不良的情形）、O2是喷气中断的危险度，O3是开口不良的危险度，O4是根部中断的危险度，O5是端头纠结的危险度，O6是纱线绞缠的危险度。
按照上述方式，借助于下面所说的学习，以使得上述加权系数和修正值达到（最优为前提，在良好的条件下，O1的值最大，在发生喷气中断的条件下，O2的值最大，等等，所以就能按照各种不同的引纬不良主要原因，予测喷气中断等各种引纬不良情况的发生。
下面，对学习方法加以说明。
例如，对于各种引纬不良的主要原因，由经验可知，至少在某一种特一的织机运行状况下会发生这种引纬不良，所以要学习这种织机运转状态下的纬纱飞行形态和引纬不良的主要原因之间的对应关系，使织机在这种设定状态下运转，把此时纬纱的飞行形态摄下来，给予输入I1～I101，另一方面，对于这时的输出O1～O6，则给予教师信号T1～T6，学习加权系数和修正值）以便使输出O1～O6与教师信号T1～T6相一致。
即，当由经验得知，在某种织机运转状态下，发生喷气中断，而末发生其他不良情况时，对于在这种输入条件下的输入O1～O6，使T1＝0、T2＝1、T3＝0、T4＝0、T5＝0、T6＝0作为教师信号，进行学习。
此外，在纬纱的飞行形态（例如在织物端部的纬纱端头附近纱的姿态）与引纬不良（织物疵点）之间的关系中，有下列倾向。
图11（A）的飞行形态是良好的状态（有适度松驰量的状态）。
图11（B）的飞行形态是松驰量多的状态，有端头纠结的倾向。
图11（C）的飞行形态与（B）比较，虽然松驰量小些，但也有端头纠结的倾向。
图11（D）的飞行形是纬纱飞行结束后的松驰量多的状态，有纱线绞缠的倾向。
由上所述可知，纬纱的飞行形态与引纬不良的关系是非常大的。
因此，当纬纱的飞行形态与引纬不良之间的关系已知在一定范围内时，予先把这种纬纱的飞行形态摄下来，作为数据贮存起来，在学习的时候，实际上织机并不运转，而通过给出摄象数据和与此相对应的教师信号进行学习。
现在顺着图12中的流程图说明学习的顺序。本例是用最急速下降方法的回传学习。
在步骤1A（图中记为S1A，下同）中将加权系数（下称结合系数）Vkj、Wji和修正值γk、θj初始化。这可以用随机数来给出。
在步骤2A中，设定学习模式Ii（I1～I101）。即，设定与良好、喷射中断、开口不良、根部断开、端头纠结、纱线绞缠中任何一种情况相对应的的特定织机运行状态，使织机在这些状态下运转，把此时的纬纱飞行形态摄下来，赋予输入I1～I101。
在步骤3A中，按下式计算Hj单元的输出。
Hj＝f（（i∑Wji·Ii）+θj）
在步骤4A中，按下式计算Ok单元的输出。
Ok＝f（（j∑Vkj·Hj）+γk
在步骤5A中，按下式计算Ok单元的误差δk。式中，Tk是与已设定的学习模式相对应的教师信号。
δk＝（Tk-Ok）·Ok·（1-Ok）
在步骤6A中，按下式计算Hj单元的误差σj。
σj＝k∑δk·Vkj·Hj（1-Hj）
在步骤7A中，按下式对Hj单元和Ok单元的结合系数Vkj进行修正。
Vkj＝Vkj+α·δk·Hj（式中α为常数）
在步骤8A中，按下式对Ok单元的修正值γk进行修正。
γk＝γk+β·δk（式中β为常数）
在步骤9A中，按下式对Ii单元和Hj单元的结合系数Wji进行修正。
Wji＝Wji+α·σj·Ii（式中α为常数）
在步骤10A中，按下式对Hj单元的修正值θj进行修正。
θj＝θj+β·σj（式中β为常数）
在步骤11A中，进行学习模式Ii（I1～I101）的更新。
在步骤12A中，判断是否已完成了全部学习模式（即，分别与良好、喷射中断、开口不良、根部断开、端头纠结、纱线绞缠相对应的至少6个学习模式），如为“否”返回步骤2A，如为“是”进入步骤13A。
在步骤13A中，进行学习重复次数的更新（计数完了）。
在步骤14A中，判断重复次数是否大于或等于限定的次数，如为“否”，反回步骤2A，如为“是”关学结束。
关于该回传学习方法（特别是结合系数的修正方法），与第一实施例相同。
下面，对利用神经中枢网络的输出、即利用引纬状态的判断（引纬不良的予测）结果的警告装置（警告手段）和引纬控制装置（改变引纬条件的机构）进行说明。
图13用流程图表示了作为警告装置而使用的情况下的处理顺序。
在步骤21A中，检测出神经中枢网络输出Ok（O1～O6）中最大的输出，令其为Omax。
在步骤22A中，判断Omax是否等于O1，如为“是”，表示良好，返回步骤21A。如为“否”，则进入步骤23。
在步骤23A中，判断Omax是否等于O2，如为“是”，喷气中断的危险度大，因有喷气中断的倾向而进入步骤24A，显示出这个意思的图象或者点亮警告灯。如为“否”，则进入步骤25A。
在步骤25A中，判断Omax是否等于O3，如为“是”，则开口不良的危险度大，因有开口不良的倾向而进入步骤26A，显示出这个意思的图象或者点灯警灯。如为“否”，则进入步骤27A。
在步骤27A中，判断Omax是否等O4，如为“是”则根部断开的危险度大，因有根部断开的倾向进入步骤28A，显示出这个意思的图象或者点亮警告灯。如为“否”，则进入步骤29A。
在步骤29A中，判断Omax是否等于O5，如为“是”，则端头纠结的危险度大，因有端头纠结的倾向而进入步骤30A，显示出这个意思的图象或者点这警告灯，如为“否”，则进入步骤31A。
在进入步骤31A的情况下，必然是Omax＝O6，纱线绞缠的危险度大，其原因有因根部断开的倾向的引起和因端头纠结的倾向而引起的两种，所以在这里，究竟归于那一种原因，要对根部断开的危险度O4和端头纠结的危险度O5进行比较后来判断。如果是根部断开的危险度O4大，显进入步骤32A，显示出这种意思的图象或者点亮警告灯。如果是端头纠结的危险度O5大，则进入步骤33A，显示出这种意思的图象或者点亮警告灯。
此时，操作者根据显示的图象或者警告灯了解到予测的引纬不良的主要原因，就可以据此适当引改引纬条件。
图14用流程图表示使用纬控制装置的情况下的处理顺序。
在步骤41A中，从神经中枢网络的输出O1～O6中检测出最大的输出，并令其为Omax。
在步骤42A中，判断Omax是否等于O1，如为“是”，因具良好，就返回步骤41，如为“否”则进入步骤43A。
在步骤43A中，判断Omax是否等于O2，如为“是”，则喷射中断的危险度大，因属于喷射中断的倾向而进入步骤44A，为了缩短超前喷射的时间，要把主喷嘴1的喷射开始时间TM。相对于目前的设定值推迟织机主轴的角度2°，同时，将辅助喷嘴11的喷射开始时间TS。也同样推迟2°。如为“否”，进入步骤45A。
在步骤45A中，判断Omax是否等于O3，如为“是”，则开口不良的危险度大，因于开口不良的倾向而进入步骤46A，为了防止纬纱挂住在经纱上，要使测长爪9的拨爪时间（即引纬开始时间）TCO推迟2°，如为“否”，则进入步骤47A。
在步骤47A中，判断Omax是否等于O4，如为“是”，则根部断开的危险度大，因属于根部断开的倾向而进入步骤48A，使辅助喷嘴11的喷嘴压力PS相对于现在设定值减小2%（×0.98），同时将主喷嘴1的喷射结束时间TMC提前2°。如为“否”，则进入步骤49A。
在步骤49A中，判断Omax是否等于O5，如为“是”，则端头纠结的危险度大，因属于端头纠结的倾向而进入步骤50A，使主喷嘴1的喷射压力P增大5%（×1.05），同时，辅助喷嘴11的喷射压力也增大5%（×1.05）。如为“否”则进入步骤51A。
在进入步骤51A的情况下，必然是Omax＝O6，纱线绞缠的危险度大，其原因有因根部断开的倾向而引起和因端头纠结的倾向而引起两种，所以可在这里究竟应归于那一种原因，要对根部断开的危险度O4与端头纠结的危险度O5进行比较后判断。
如为根部断开的危险度O4大，则进入步骤52A，将喷嘴1的喷射结束时间TMC提前2°，同时将辅助喷嘴11的喷射结束时间TSC推迟2°。如为端头纠结的危险度O5大，则进入步骤53A，将主喷嘴1的喷射压力PM提高5%（×1.05），同时将辅助喷嘴11的喷射压力PS也提高5%（×1.05）。
这样能够自动地针对予测的引纬不良主要原因进行处理，使织机能处在最佳运转（即最佳引纬控制）状态下。
引纬控制除了采用上述逻辑推理之外，还可以利用模糊理论来计算出控制对象和它的控制量。
还有，虽然在本实施例中使用了2维CCD作为纬纱的摄象机构，但也可以使用称作线传感器的1维CCD，把它配置在与纬纱飞行方向垂直的方向上，用它进行多次摄象（扫描），获得纬纱位置的时间序列数据，由此检测出纬纱的动作（纬纱位置的变化;振动），再根据它来判断引纬状态。
此外，在使用2维CCD的情况下，也可以进行多次摄象，输入纬纱位置的时间序列数据，由此不仅检测出纬纱的飞行形态，还可以检测出纬纱的动作，再根据这些资料来判断引纬状态。
此外，作为纬纱的摄象机构，也可以使用除CCD之外的固体摄象元件（例如金属氧化物半导体即MOS型），或者，使用多个光电传感器，把它们排成矩阵状或者直线状。
如上所述，采用本实施例，可以在引纬全过程中对纬纱摄象，得到纬纱的图象，根据该纬纱的图象，从纬纱的飞行形态和动作中，判断引纬状态，借助于发出警告或者进行控制，对纬纱的状态有更具体的详细认识，从而得到能正确地发出警告或者进行控制的效果。
此外，在使用神经中枢网络来判断引纬状态的情况下，借此能够从现在纬纱的飞行形态等按照各种不同的主要原因予测出将来会发生的引纬不良的情况，从而能够根据这一予测发出警告，或者进行控制。在此情况下，特别是作为织机的引纬控制装置，能够按照各种不同的引纬不良的主要原因的危险度来改变对引纬条件的控制，使织机控制在最佳的引纬状态。
下面，参照图15～图18说明本发明的第3实施例。
本实施例与第1实施例类似，所以省略了对应部分的说明，其构成如下。
引纬控制器15确定主喷嘴1喷射开始时间TMO和喷射结束时间TMC、测长爪9的拔爪时间TCO、各组辅助喷嘴11的喷射开始时间TSO（TSO1、TSO2，……）和喷射结束时间TSC（TSC1、TSC2，……）并在电磁线圈控制器21中设定这些开关时间的数据。
然后，引纬控制器15的监视的纬纱到达传感器18发来的信号，当未在规定的织机主轴角度的范围内收到从纬纱到达传感器18发来的纬纱到达信号时，即判断为引纬不良，通过织机的停车回路（图中未示出）使织机停车。
还有，为了按照下面所说的引纬条件的初始设定来表示其初始设定值，引纬控制器15还与CRT示波器之类的显示装置22相连接。
下面，对本实施例的织机控制装置，特别是初始设定引纬条件的装置加以说明。
这种装置是由装在引纬控制器15里的微电脑构成的，在织机开动前，将表示织机织造条件的许多个参数分别数值化之后输入该装置，然后借助于神经中枢网络，针对每一种予定的引纬控制的对象，根据各种参数的输入值和它加权系数（结合系数）乘积的总和，算出控制量（初始设定值）后再输出，如此来进行引纬条件的初始设定。
此处，作为控制对象，可举出下列几个：主喷嘴1的喷射压力PM，辅助喷嘴11的喷射压力PS，主喷嘴1的喷射开始时间TMO，主喷嘴1的喷射结束时间TMC，第1组辅助喷嘴11的喷射开始时间TSO1和喷射结束时间TSC1，第2组辅助喷嘴11的喷射开始时间TSO2和喷射结束时间TSC2，…………，测长爪9的拨爪时间TCO等。把各控制对象的控制量（初始设定值）算出。
图17表示计算出控制量的神经中枢网络，它采用输入层、中间层和输出层等3层组成的阶层网络。
下列各参数分别数值化之后输入到输入层的12个单元（I1～I12）中：织物幅宽WC、织机转速RPM、织物组织·对称PS1，织物组织·非对称PS2、纬纱种类KY1、纬纱粗细SY、经纱张力TW、拨爪时间TCO、经纱退避时间TO、经纱进入时间T1、纬纱到达时间TF1、纬纱松驰量LW。
此处，织物幅宽W例如以毫米为单位，用人工输入。织机转速RPM可以用人工输入，也可以根据织机角度传感器16发来的信号算出。织物组织·对称PS1例如在对称时PS1≠1，在非对称时PS1＝0，而织物组织·非对称PS2例如在非对称时PS2＝1，在对称时PS2＝0，分别用人工输入。纬纱种类KY1例如在短纤维纱时KY＝1，长纤维纱时KY1＝0，用人工输入。纬纱的粗细SY
如以但尼尔为单位，可用人工输入，但也可以用供纱部的传感器输入。经纱张力TW可以用人工输入，也可以用后支架罗拉的传感器输入，拨爪时间TCO按设定值（标准值）输入。经纱退避时间TO和经纱进入时间T1表示在筘上形成的纬纱导引通道从经纱开口退避的时间和进入开口的时间，从这两个时间可以知道取决于开口特性的、可以引纬的时间，所以既可以用人工输入，也可以用设置的纬纱引导通路侧的传感器输入。纬纱到达时间TF1既可以用人工输入，也可以根据从纬纱到达传感器18发来的信号检测。纬纱的松驰量LW可以用人工输入，也可以根据纬纱退绕传感器17和纬纱到达传感器18所发来的信号，检测出从纬纱退绕传感器17发来的最终退绕信号与纬纱到达传感器18发来的到达信号之间的时间差。
因此，得I1＝Wc，I2＝RPM，I3＝PS1，I4＝PS2，……，I12＝LW。
此外，上述各项的值既可以根据过去织造数据得到或者根据传感器发来的信号输入，但也可以根据在织物的规格说明书，从主计算机中把模式化的数据的数值输送到神经中枢网络中去。另外，如果容许计算出来的输出的O1～On的精度稍差，也可以省略这些数值的一部分。
将输入层的所有单元出的信号I1～I12、相对于各单元，输入到中间层的15个单元（H1～H15）中。
在中间层的各个单元中，算出各输入值与加权系数乘积的总和，再加上修正值，从该值出发，利用∑函数进行响应函数运算，在0～1的范围内求出输入值H1～H15。
此处，以H1的运算为例，先算出各输入值Ili与加权系数积的总和，再在这个总和上加上修正值θ1，算出Y＝（∑Wli·Ii）+θ1（i＝1～12）。然后利用∑函数进行响应函数运算，求得H1＝f（Y）。
此外，∑函数是输出在0～1范围的单调非减小函数，它反映了实际神经细胞的饱和反应的性质。
因此得，Hi＝f[（i∑Wji·Ii）+θj]（i＝1～12，j＝1～15）。
在输出层n个单元（O1～On）中，相对于各单元，输入从中间层所有单元发出的信号H1～H15。
在输出层的各单元中，和上面一样，先算出各输入值与加权系数乘积的总和，再加上修正值，从该值出发利用∑函数进行响应函数运算，在0～1的范围内求出输出值O1～On。
此处，以On的运算为例，算出各输入值Hj与其加权系数Vnjb乘积的总和，再加上修正值γn，算出Z＝（∑Vnj·Hj）+γn（J＝1～15）。然后，利用∑函数进行响应函数运算，即求得On＝f（Z）。
因此，得Ok＝f（（j∑Wkj·Hj）+γk）（j＝1～15，k＝1～n）。
此处O1～On分别是对于不同的引纬控制对象的控制量，（初始设定值）用0～1的范围来表示的值。
O1是主喷嘴1的喷射压力PM，O2是辅助喷嘴11的喷射压力PS，O3是主喷嘴1的喷射开始时间TMO，O4是主喷嘴1的喷射结束时间TMC，O5是第1组辅助喷嘴11的喷射开始时间TSO1，O6是第1组辅助喷嘴11的喷射结束时间TSC1，…………On是测长爪的拨爪时间TCO。
不过，因为O1～On在0～1范围内，所以要通过不同控对象的换算表（与控制量的最小值0，最大值1相对应的换算表），分别从O1～On换算成实际控制量（初始设定值）后再输出。
而且，用这种方法对下述各参数进行初始设定，主喷嘴1的喷射压力PM，辅助喷嘴11的喷射压力PS，主喷射1的喷射开始时间TMO，主喷嘴终止时间TMC，第1组辅助喷嘴11的喷射开始时间TSO1和喷射结束时间TSC1………，测长爪9的拨爪时间TCO。
按照上述方式，借助于下面所说的学习，以使上述加权系数和修正值达到最优为前提，就能在织机开动之前，自动地对与织造条件相对应的最佳引纬条件进行初始设定。
下面，对学习方法加以说明。
因为按照以往的经验，至少知道在某几种织造条件下的各种最佳引纬条件，所以可以给出与这些已知织造条件相对应的输入I1～I12，在这些输入条件下，相对于输出O1～On，给以与最佳引纬条件相当的教师信号T1～Tn，学习加权系数和修正值，以使输出O1～On与教师信号T1～Tn相一致。
现在沿沿图18的流程图说明学习的顺序。本例是用最急速下降方法回传学习。
在步骤1B（图中记为S1B，下同）中，给加权系数（下称结合系数）Vkj，Wji和修正值γk、θj以初始值，这可以用随机数来给出。
在步骤2B中设定学习模式Ii（I1～I12）。也就是设定与以往的织造条件相对应的Ii，使它成为对于以往织造条件来说最佳引纬条件是已知的几种模式中的一种。
在步骤3B，按下式计算Hj单元的输出。
Hj＝f[（i∑Wji·Ii）+θj]
在步骤4B中，按下式计算Ok单元的输出。
Ok＝f[（j∑Vkj·Hj）+γk]
在步骤5B中，按下式计算Ok单元的误差δk。式中，Tk是与设定的学习模式相对应的最佳引纬条件的教师信号。
δk＝（Tk-Ok）·Ok·（1-Ok）
在步骤6B中，按下式计算Hj单元的误差σj。
σi＝k∑δk·Vkj·Hj·（1-Hj）
在步骤7B中，按下式修正Hj单元与Ok单元的结合系数Vkj。
Vkj＝Vkj+α·δk·Hj
（式中，α为常数）
在步骤8B中，按下式修正Ok单元的修正值γk。
γk＝γk·β·δk
（式中，β为常数）
在步骤9B中，按下式修正Ii单元与Hj单元的结合系数Wji。
Wji＝Wji+α·σj·Ii
（式中，α为常数）
在步骤10B中，按下式修正Hj单元的修正值θj。
θj＝θj+β·σj
（式中，β为常数）
在步骤11B中，进行学习模式Ii（I1～I12）的更新。
在步骤12B中，判断是否全部学习模式（即，相对于以往的织造条件来说最佳引纬条件已知的全部模式）已经结束，如为“否”，返回步骤2B，如为“是”，进入步骤13B。
在步骤13B中，进行学习重复次数的更新（结算）。
在步骤14B中，判断是否重复次数≥限定次数，如为“否”，返回步骤2B，如为“是”，学习结束。
这种回传学习方法（特别是结合系数和修正方法）和第1实施例相同。
此外，本例的神经中枢网络还能借助于在织机的开动过程中给以适当的教师信号，用来修改织机开动过程中的引纬条件。
此外，还能用于除引纬控制之外的织机的各种控制。
如上所述，按照本实施例，使用神经中枢网络，在以往的经验的基础上，借助于学习，找出规律，再根据这个规律进行运算，就能针对任何一种织造条件，设定正常的最佳的控制量，使织机在最佳状态下运转。
图19表示作为本发明的第4实施例的织机引纬控制装置。在图19中，纬纱Y从图外的供纱部件，通过纬纱测长贮存装置1的卷绕臂102的中心，借助于卷绕臂102和纬纱测长贮存装置1的转筒103的相对转动，卷绕贮存在转筒103的圆周上，一边由插进转筒103圆周内的固定爪固定住，一边被引纬用的主喷嘴105吸引通过。
主喷嘴105的供气通路106是由依次设置在压缩空气供应源的压力源107到主喷嘴105之间的控制压力的电空比例阀108，贮气罐109和自动复位型开关阀110组成。电空比例阀108根据引纬控制器111发出的输出信号，自动地对贮存在贮气罐109内的空气压力值进行压力控制，使它符合于引纬控制器111予先设定的值。借助于由引纬控制器111发出的输出信号动作的电磁线圈控制器112输出电力和设置在开关阀110内的复位弹簧，开关阀110进行开关动作，使压缩空气从主喷嘴105中喷射出来。
在织机的筘113的织造前方，配备了引纬用的许多成组的付喷嘴群114。付喷嘴群114的供气通路115是由依次设置在从上述压力源107到多个付喷嘴群114之间的控制压力的电空比例阀116，贮气罐117，以及与付喷嘴群114相对应的多个复位型开关阀118组成。电空比例阀116根据引纬控制器111的输出信号，自动地贮气罐117内所贮存的空气的压力值进行控制，使之符合在引纬控制器111中予先设定的设定值。多个开关阀118，借助于电磁线圈控制器112的输出电力和设置在开关阀118内部的复位弹簧，依照从引纬侧到引纬相对测的顺序和规定的开关时间，依次进行开关动作。由于这些开关阀118的打开，各个付喷嘴群114就象追赶纬纱Y的飞行的端头那样，接力式地喷射出压缩空气，从而借助于付喷嘴群114的加压空气从引纬侧到引纬相对侧的接力式地喷射，纬纱Y便通过在筘113上形成的图外的空气导轨，从引纬侧到引纬相对侧，飞行并通过经纱的开口，完成引纬。
在筘113的织造前方，设有拉伸喷嘴119，其位置在最靠近引纬的相对侧，比最后一付喷嘴群114更靠近引纬的相对侧。从被引入经纱开口内的纬纱Y到达引纬的相对侧直到打纬为止的时间内，拉伸喷嘴119为了给纬纱以适当的张力，用空气流喷射在纬纱的前端部分来保持这一张力。拉伸喷嘴119供气通路120是由配置在从上述压力源107到拉伸喷嘴之间的作为控制阀的电空比例阀121、贮气罐122和电磁驱动自动复位开关阀123所构成的。
在筘113的织造前方，还设有纬纱到达传感器124，其位置要比拉伸喷嘴119更靠近引纬的相反侧。纬纱到达传感器124构成了检测引入经纱开口内的纱纱Y从到达引纬的相对侧一直到织入经纱为止这一期间的纬纱Y动作的检测机构。具体的说，该纬纱到达传感器124由光电传感器，例如反射型光电传感器做成。由于纬纱Y的伸缩造成的波纹，使传感器的受光量发生变化，和这种变化的受光量相对应，便把输出电平不同的输出信号输出到引纬控制器111和判断机构123中。
引纬控制器101控制各种引纬条件。它把纬纱到达传感器124的输出信号的输入的时刻转换成从角度传感器125发来的旋转角度位置，然后算出由该置换后的旋转角度位置所在的检测到达时间与予先在引纬控制器111内设定的作为基准值的设定到达时间的差，再把这个时间差由做织机运转准备工作的操作者反馈给由人-机转换装置127输入的织机转速和织物幅宽求出的设定到达时间。以此来控制以后引纬时的固定爪104的拨爪时间、位喷嘴105的喷射压力和喷射时间、付喷嘴群114的喷射压力和喷射时间、拉伸喷嘴119的喷压力和喷射时间等。
判断机构123具有下述几个部分：把纬纱到达传感器124发出的输出信号放大的放大器128;把从放大器128来的输出信号分时为离散值的模拟量数字量转换器（下称A/D转换器）129;把由A/D转换器129输出的波形数据用予先设定的正常波形数据进行比较判断的并由神经中枢网络构成的电脑130。
A/D转换器129在纬纱Y的前端到达引纬的相对侧直至它被织入经纱为止这一规定期间，例如可从205度到355度，每1度对放大器128的输出信号取样一次，然后将取样所得的150个离散值分时成数据d1～d150，并存储在电脑130的数据存储器RAM中。该神经中枢网络130的输出则输入引纬控制器11中。
图20表示的神经中枢网络130的模型。在图20中，该神经中枢网络130分成为输入层、中间层和输出层的3个层的阶层网络模型。
输入层由150个输入单元Ii（i＝1～150）组成。从A/D转换器129发出的对应的离散值数据di（i＝1～150），一个一个地输入到150个输入单元Ii中。
中间层由30个中间单元Hj（j＝1～30）组成。输入单元Ii发出的全部信号Ii输入到30个中间单元Hj中。在中间单元Hj中，算出从各输入单元Ii发来的信号Ii与加权系数Wji乘积的总和，再在此总和上加上修正值θj，从该加算值出发，利用∑函数进行响应函数处理，求出在0～1的范围内的输入值Hi。例如，以中间单元H1的动作为例，算出各输入信号Ii与加权系数Wji乘积的总和，再加上修正值θ1，求出Y＝（∑Wki·Ii）+θ1。对此加算值采用∑函数，求得H1＝f（Y）。∑函数是输出在0～1范围内的单调非减小函数，它反映了实际神经细胞的饱和反应的性质。因此，各中间单元Hi的输出值为：Hj＝f[（i∑Wji·Ii）+θi]。
式中，i＝1～150，j＝1～30。
输出层由2个输出单元Ok（k＝1、2）构成。从中间单元Hj发出的全部信号Hj都输入到2个输出单元Ok中。在输出单元Ok中，算出从中间单元Hj发来的信号Hj与加权系数Vkj乘积的总和，再在此总和上加上修正值γk，对此加算值采用∑函数进行响应函数处理，即可在0～1的范围内求出输出值Ok。例如，以输出单元O2的动作为例，算出各输入信号Hj与加权系数V2j乘积的总和，在此总和上加上修正值γ2，即求得：Z＝（∑V∑2j·Hj）+γ2。对此加算值采用∑函数，求出O2＝f（Z）。∑函数是输出在0～1范围内的单调非减小函数，它反映了实际神经细胞的饱和反应的性质。因此，各输出单元Ok的输出值为Ok＝f[（i∑Vkj·Hj）+γk]。式中，j＝1～30，k＝1，2。
即，输出单元O1、O2的输出值是将纬纱的动作是否良好按其程度不同进行了数值化。但是，0＜Ok＜1（k＝1，2）。据此，通过后面所说的学习，以设定加权系数Wji、Vki和修正值θj、γk的最佳值为前提，在正常的波形态下以O1值为最大，在发生绞缠的波形形态下以O2值为最大，就能够予测纱线绞缠的发生。下面用具体的波形数据来说明，图21（A）、（B）的模座标上取主轴的角度，纵座标上取纬纱到达传感器的输出电压。此外，按照电路上的情况，1（V）为纬纱的反射光的量是0，0（V）为纬纱的反射光的量最大值。在图21（A）中所示的波形形态场合，在正常时的波形时，织物的品位良好，输入单元O1的值为0.5＜O1＜1.0，输出单元O2的值为0＜O2＜0.5。而在图21（B）中所示的波形形态场合，在主轴角度为240（度）～300（度）之间时，纬纱Y的回行比正常情况下大，发生纱线绞缠，此时输出单元O1的值为0＜O1＜0.5，输出单元O2的值为0.5＜O2＜1.0。因而，根据输出单元O1，O2的输出值的大小不同，能发现纱线绞缠的倾向。
下面，说明为设定加权系数Wji，Vki和修正值θj，γk的最佳值的学习方法。
作为阶层型的神经中枢网络30的学习方法，是反向传播（back propagation）法。这种方法中有作为标准的教师数据，从输出层到输入层逐步修正加权系数 Wji，Vkj和修正值θj、γk，以使得实际输出数据与教师数据之间的误差的平方和减小。
按照其中一个实施，借助于操作人一机器转换装置27，输入与输出单元O1，O2相对应的教师数据（T1～T2）。例如，对于正常波形形态时的教师数据（T1、T2）OK采用（1.0、0），对于发生纱线绞缠的波形形态时的教师数据（T1、T2）NG采用（0、1.0）。为学习用的实际输入数据，在正常引纬状态和发生绞缠的状态两种状态下使织机运转，然后计测各自的波形形态数据di，把它提供给输入单元Ii，另一方面对于各个状态的输出O1、O2，给以教师数据（T1、T2），修正加权系数Wji，Vkj和修正值θj，γk，使得输出数据（O1、O2）与教师数据（T1、T2）之间的误差减小。该实施例可以在织机上联机学习，也可以联机学习之后把加权系数Wji，Vkj和修正值θj，γk存储在记忆存贮器RAM内。
学习的结果，掌握了特定的加权系数Wji，Vkj和修正值θj，γk的神经中枢网络就可以明确地判断实际织造过程中检测到的波形形态的差异。即，当实际织造中检测到的波形形态与正常波形相近似时，输出单元输出的数据（O1、O2）由于采用教师数据（T1、T2）OK，所以输出近似值，而当与发生绞缠的波形形态相近似时，输出单元输出的数据（O1、O2）由于采用教师数据（T1、T2）NG，所以也输出近似值，因此，能就在当前的引纬状态下检测出是否发生了绞缠。从神经中枢网络130输出的数据，输入到引纬控制器111中，在发生绞缠的情况时，就改变引纬条件。作为改变引纬条件的的例子，例如，使最后的付喷嘴群114的喷射结束时间延迟△t，增大拉伸喷嘴119的喷射压力等。
此外，在发生绞缠的情况下，也可以把神经中枢网络130的输出数据输到未在图中表示的灯具那样的报警装置中发出警报。
同样，也可以用神经细胞构成的神经中枢网络来代替模拟由计算机程序控制的神经中枢网络130的方法。
如上所述，根据本实施例，在引纬的过程中，从纬纱到达引纬的相对侧到它被织入经纱为止的这一段时间内，检测出纬纱的动作，将检测出来的波形数据与予先设定的正常波形数据相比较，用比较的结果来判断织物是否有疵点，所以纬纱伟传感器的构造可以简单。检测的精度也高。而且，即使纬纱的纱种改变，也不需要调整纬纱传感器的安装位置。

Claims (16)

1、一种织机控制装置，其特征在于，它具有神经中枢网络检制机构，该机构能输入表示织机的织造状态的许多参数，然后根据输入参数的值与加权系数乘积的总和，输出算出来的结果。
2、如权利要求1所述的织机控制装置，其特征在于，上述神经中枢网络控制机构进行的教授方式是使输出的信号表示发生不良情况的危险度。
3、如权利要求1所述的织机控制装置，其特征在于，上述织机的控制机构，还具有根据上述神经中枢网络控制机构输出的信号来改变织造条件的机构。
4、如权利要求1所述的织机控制装置，其特征在于，上述织机的控制机构还具有根据上述神经中枢网络控制机构输出的信号来输出警告信号的机构。
5、如权利要求1所述的织机控制装置，其特征在于，上述表示织造状态的许多参数在织机开动之前输入到神经中枢网络的控制机构中，根据该机构输出的结果，来设定织机开动时的织造条件。
6、如权利要求3所述的织机控制装置，其特征在于，上述织造条件是引纬条件。
7、如权利要求6所述的织机的控制装置，其特征在于，上述表示织机的织造状态的许多参数是用摄象机构摄下的引纬时的纬纱的图象。
8、如权利要求7所述的织机的控制装置，其特征在于，上述摄象机构是在模穿纬纱飞行通道方向上进行扫描以检测纬纱的CCD传感器。
9、如权利要求6所述的织机控制装置，其特征在于，上述表示织造状态的许多参数是纬纱在织入经纱前的时间间隔中，对由纬纱检测器检测纬纱动作所得的信号波形进行分割，（角度分割）的值。
10、如权利要求9所述的织机控制装置，其特征在于，上述表示织造状态的许多参数是由上述检测器测出来的纬纱的信号波形，而且，上述织机的控制机构还具有根据上述神经中枢网络控制机构算出的结果来识别正常时的波形和异常时的波形的机构。
11、如权利要求10所述的织机控制装置，其特征在于，上述纬纱检测器是光电式的纬纱到达传感器。
12、如权利要求4所述的织机的控制装置，其特征在于，上述表示织机织造状态的许多参数是用摄象机构摄得的引纬的纬纱的图象。
13、如权利要求12所述的织机控制装置，其特征在于，上述摄象机构是在横穿纬纱飞行通道的方向上进行扫描以检测纬纱的CCD传感器。
14、如权利要求4所述的织机控制装置，其特征在于，上述表示织造状态的许多参数是纬纱在织入经纱前的时间间隔中，对由纬纱检测器检测纬纱动作所得的信号波形进行分割（角度分割）的值。
15、如权利要求14所述的织机控制装置，其特征在于，上述表示织造状态的许多参数是由上述检测器检测出来的纬纱的信号波形，而且，上述织机的控制机构还具有根据上述神经中枢网络控制机构算出的结果来识别正常时的波形和异常时的波形的手段。
16、如权利要求15所述的织机控制装置，其特征在于，上述纬纱检测器是光电式纬纱到达传感器。
CN92114841A 1991-11-22 1992-11-22 织机的控制装置 Pending CN1073992A (zh)

Applications Claiming Priority (8)

Application Number Priority Date Filing Date Title
JP30771491A JPH05140844A (ja) 1991-11-22 1991-11-22 織機の製織不具合予測装置及び制御装置
JP307714/91 1991-11-22
JP34090991A JP3186149B2 (ja) 1991-12-24 1991-12-24 織機の緯入れ装置
JP340909/91 1991-12-24
JP340908/91 1991-12-24
JP34090891A JPH05171542A (ja) 1991-12-24 1991-12-24 織機の制御装置
JP26523792A JPH06116836A (ja) 1992-10-05 1992-10-05 流体噴射式織機の緯入れ制御装置
JP265237/92 1992-10-05

Publications (1)

Publication Number Publication Date
CN1073992A true CN1073992A (zh) 1993-07-07

Family

ID=27478722

Family Applications (1)

Application Number Title Priority Date Filing Date
CN92114841A Pending CN1073992A (zh) 1991-11-22 1992-11-22 织机的控制装置

Country Status (5)

Country Link
EP (1) EP0573656B1 (zh)
KR (2) KR960005668Y1 (zh)
CN (1) CN1073992A (zh)
TW (1) TW261639B (zh)
WO (1) WO1993010296A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102493105A (zh) * 2011-11-30 2012-06-13 北京中纺精业机电设备有限公司 一种电子选纬器输出短路预防和报警装置
CN101046680B (zh) * 2006-03-29 2012-12-05 吕特英格纺织机械制造股份公司 用于控制纺织机的方法、执行该方法的装置和纺织机
CN107034575A (zh) * 2015-09-16 2017-08-11 株式会社丰田自动织机 喷气织机中的纬纱行进状态监视方法
US20210012243A1 (en) * 2019-07-12 2021-01-14 The Procter & Gamble Company System and a method for providing and visualizing information of a fabric product
CN114997069A (zh) * 2022-07-15 2022-09-02 海门市恒创织带有限公司 基于机器学习的纺织布料卷取张力预测系统

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
JPH11256450A (ja) 1998-03-10 1999-09-21 Tsudakoma Corp ジェットルームのファジィ制御装置
KR20020073057A (ko) * 2001-03-14 2002-09-19 박세진 제직기의 속도 제어장치
EP1473390A3 (de) * 2003-04-29 2005-04-06 Sultex AG Überwachung des Fadentransports
EP1584719A1 (de) * 2004-03-12 2005-10-12 Sultex AG Überwachung des Fadentransports
US7039489B2 (en) 2004-03-12 2006-05-02 Sultex Ag Monitoring of thread transport
BR112013013116A2 (pt) 2010-11-25 2016-08-23 Toyota Ind Corp método e aparelho para o controle de um tear de jato
JP5901030B2 (ja) 2010-11-25 2016-04-06 ウステル・テヒノロジーズ・アクチエンゲゼルシヤフト ジェットルームを制御する方法及び装置
EP2732085B1 (en) 2011-07-15 2019-06-26 Toyota Industries Corporation A loom with assigned yarn sensor and method for the operation thereof
CN105404153B (zh) * 2015-12-17 2017-12-08 吉林大学 一种基于bp神经网络的绕线机控制方法及绕线机
JP6447582B2 (ja) * 2016-06-20 2019-01-09 株式会社豊田自動織機 エアジェット織機における緯糸検知方法及び緯糸検知装置
EP3654114A1 (en) * 2018-11-16 2020-05-20 Maschinenfabrik Rieter AG Parameter manager, central device and method of adapting operational parameters in a textile machine
US20220364423A1 (en) * 2019-10-08 2022-11-17 Schlumberger Technology Corporation Methods and systems for controlling operation of wireline cable spooling equipment
US11919754B2 (en) 2020-11-10 2024-03-05 Schlumberger Technology Corporation Automated spooling control system using stochastic inference
CN113046875B (zh) * 2021-01-29 2022-09-06 安徽省金士棉机有限责任公司 一种环锭纺纱瑕疵产品剔除装置
KR102564897B1 (ko) * 2021-10-29 2023-08-10 주식회사 러닝비전 직기 장치 및 직기 장치의 제어방법
EP4245905A1 (en) * 2022-03-15 2023-09-20 Picanol Method and system for visualizing operation evaluation data of a weaving machine
CN115081937B (zh) * 2022-07-21 2022-11-08 如皋市金轶纺织有限公司 基于质量分析的浆纱机运行参数求解方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS59125941A (ja) * 1982-12-27 1984-07-20 津田駒工業株式会社 流体噴射式織機の流体噴射パターン制御方法
SE448002B (sv) * 1983-10-07 1987-01-12 Asea Ab Optisk uppmetning samt overvakning av vevda produkter vid maskinvevstolar
JPS61239057A (ja) * 1985-04-09 1986-10-24 津田駒工業株式会社 織機の集中制御方法およびその装置
JPS6415830A (en) * 1987-03-31 1989-01-19 Texas Instruments Inc Encoding for one set of integers
JPH01177603A (ja) * 1988-01-08 1989-07-13 Seiko Epson Corp 適応化制御機構の構造
JP2592641B2 (ja) * 1988-03-17 1997-03-19 津田駒工業株式会社 織機の最適制御方法
JP2820704B2 (ja) * 1989-02-08 1998-11-05 津田駒工業株式会社 織機の回転数のファジィ制御方法および装置
JPH02213943A (ja) * 1989-02-15 1990-08-27 Hitachi Ltd 装置の監視診断方法
JP2885823B2 (ja) * 1989-04-11 1999-04-26 株式会社豊田中央研究所 視覚認識装置
JP2779208B2 (ja) * 1989-06-12 1998-07-23 津田駒工業株式会社 織機回転数の制御方法および装置
JP3038818B2 (ja) * 1990-06-28 2000-05-08 株式会社豊田自動織機製作所 織機における緯糸検出装置

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101046680B (zh) * 2006-03-29 2012-12-05 吕特英格纺织机械制造股份公司 用于控制纺织机的方法、执行该方法的装置和纺织机
CN102493105A (zh) * 2011-11-30 2012-06-13 北京中纺精业机电设备有限公司 一种电子选纬器输出短路预防和报警装置
CN107034575A (zh) * 2015-09-16 2017-08-11 株式会社丰田自动织机 喷气织机中的纬纱行进状态监视方法
US20210012243A1 (en) * 2019-07-12 2021-01-14 The Procter & Gamble Company System and a method for providing and visualizing information of a fabric product
CN114997069A (zh) * 2022-07-15 2022-09-02 海门市恒创织带有限公司 基于机器学习的纺织布料卷取张力预测系统
CN114997069B (zh) * 2022-07-15 2022-10-11 海门市恒创织带有限公司 基于机器学习的纺织布料卷取张力预测系统

Also Published As

Publication number Publication date
EP0573656A4 (en) 1995-05-03
EP0573656B1 (en) 2002-02-20
KR960005668Y1 (ko) 1996-07-11
EP0573656A1 (en) 1993-12-15
KR930703494A (ko) 1993-11-30
TW261639B (zh) 1995-11-01
WO1993010296A1 (fr) 1993-05-27

Similar Documents

Publication Publication Date Title
CN1073992A (zh) 织机的控制装置
CN1205847C (zh) 元件识别方法和其装置
CN1094622C (zh) 位置检测装置及其所用的位置指示器
CN1107291C (zh) 分层结构的图形显示方法及装置
CN1242307C (zh) 工业过程的无模型自适应控制器及控制系统
CN1802119A (zh) 内窥镜形状检测装置
CN1057852C (zh) 过程控制装置及调整过程控制装置中控制器的工作参数的方法
CN1323789C (zh) 焊接评估
CN1213592C (zh) 采用自适应二值化的图象处理方法和设备
CN1092829A (zh) 纤维加工机械优化控制的方法
CN1428740A (zh) 三维信息检测装置、三维信息检测传感器装置及三维信息指示装置
CN1857980A (zh) 电梯群管理控制方法、电梯群管理系统
CN1846232A (zh) 使用加权信息的对象姿态估计和匹配系统
CN1682105A (zh) 对颗粒进行光学计数、测量尺寸的高灵敏传感器及方法
CN1892487A (zh) 图像形成装置
CN1740934A (zh) 生产管理系统
CN1058204C (zh) 轧机中控制形状的方法
CN1063381A (zh) 电压或无功控制方法及其控制设备
CN1638275A (zh) 滤波器和通信仪器的自动调谐装置
CN1810207A (zh) 作业指示系统、作业指示方法、疲劳度判定装置及方法
CN1113210A (zh) 电梯的控制中枢网络
CN1777845A (zh) 图像形成设备、处理盒和安装到处理盒上的存储装置
CN1246736C (zh) 能对运动物体调焦的自动调焦系统
CN1284051C (zh) 图像形成装置、调色剂附着量计算方法及数据处理方法
CN1475867A (zh) 图像形成装置及图像形成方法

Legal Events

Date Code Title Description
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C06 Publication
PB01 Publication
C53 Correction of patent of invention or patent application
CB02 Change of applicant information

Applicant after: NISSAN TEXSYS Co.,Ltd.

Applicant before: Nissan automatic East Corp.

COR Change of bibliographic data

Free format text: CORRECT: APPLICANT; FROM: NISSAN AUTOMATIC EASTERN CO., LTD. TO: TEKEXISHI CO., LTD., JAPAN

C01 Deemed withdrawal of patent application (patent law 1993)
WD01 Invention patent application deemed withdrawn after publication