CN108038256B - 一种湿布热定型过程实时温度估算方法 - Google Patents
一种湿布热定型过程实时温度估算方法 Download PDFInfo
- Publication number
- CN108038256B CN108038256B CN201711062335.6A CN201711062335A CN108038256B CN 108038256 B CN108038256 B CN 108038256B CN 201711062335 A CN201711062335 A CN 201711062335A CN 108038256 B CN108038256 B CN 108038256B
- Authority
- CN
- China
- Prior art keywords
- fabric
- temperature
- heat setting
- data
- real
- 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.)
- Active
Links
- 239000004744 fabric Substances 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000009998 heat setting Methods 0.000 title claims abstract description 48
- 230000008569 process Effects 0.000 title claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000012806 monitoring device Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000003062 neural network model Methods 0.000 claims abstract description 5
- 238000013528 artificial neural network Methods 0.000 claims description 25
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 22
- 238000010438 heat treatment Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 238000002790 cross-validation Methods 0.000 claims description 7
- 238000007654 immersion Methods 0.000 claims description 6
- 239000007788 liquid Substances 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000005303 weighing Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims description 3
- 238000009529 body temperature measurement Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 claims description 3
- 238000001125 extrusion Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000004134 energy conservation Methods 0.000 abstract description 2
- 238000005265 energy consumption Methods 0.000 abstract description 2
- 230000009467 reduction Effects 0.000 abstract description 2
- 238000007493 shaping process Methods 0.000 abstract description 2
- 238000004043 dyeing Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 239000000835 fiber Substances 0.000 description 3
- 238000007639 printing Methods 0.000 description 3
- 239000012209 synthetic fiber Substances 0.000 description 3
- 229920002994 synthetic fiber Polymers 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 1
- 229920004933 Terylene® Polymers 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000005020 polyethylene terephthalate Substances 0.000 description 1
- 229920002635 polyurethane Polymers 0.000 description 1
- 239000004814 polyurethane Substances 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000037303 wrinkles Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- D—TEXTILES; PAPER
- D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
- D06C—FINISHING, DRESSING, TENTERING OR STRETCHING TEXTILE FABRICS
- D06C7/00—Heating or cooling textile fabrics
- D06C7/02—Setting
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Textile Engineering (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Treatment Of Fiber Materials (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明公开了一种湿布热定型过程实时温度估算方法,包括确定热定型过程建模的输入输出变量,建立一套热定型温度实时监控装置,数据预处理,建立热定型过程织物温度预测的神经网络模型,优化所建立的神经网络的模型以及训练和测试预测模型;能够不依赖于人员的复杂计算,通过本发明直接得出织物的温度输出,降低了对操作人员的有求,同时织物的温度输出为开展节能降耗,提升产品定型质量奠定了模型基础。
Description
技术领域
本发明涉及印染热热定型领域,特别是涉及一种湿布热定型过程实时温度估算方法
背景技术
所谓热定型,是将织物在张力下置于高温环境中(如180~200℃),并保持一定的尺寸或形态,热处理一段时间后,然后迅速冷却降温的过程。在这一过程中,由于合成纤维具有良好热塑性,当处于温度较高的环境中时,大分子链段间的重排使得纤维微结构和形态发生很大变化,使改变了的纤维微结构被固定下来,因此热定型最主要的作用就是赋予了织物相对稳定的尺寸和形态
由于合成纤维及其混纺织物在纺织染整加工过程中,有多次受到干、湿热处理的历史,且织物在运行过程中要受到各种张力的拉伸作用,因而其外形、尺寸始终处于多变复杂的状态,如经、纬向长度变化(收缩或伸长),布面折皱、手感粗糙等,使得产品在外部形态及结构尺寸上有所变化,有的甚至失去了织物所应具备的形态、外观和风格,严重影响了服用性能。通过热定型能很好的改善这一情况。
拉幅热定型机是对织物织物定型的最主要设备,通过定型机定型可以使得纤维结构进行重塑,织物的手感、滑移、颜色、幅宽、强力、外观等得到改善,进而达到织物所要求的服用性能。
其中,拉幅热定型机的对热定型工艺中要求最高的因素是定型温度和时间,而在实际的生产中织物的温度很难实时测量,因此需要提出一种织物实时温度估算的方法。
专利一种干布热定型过程织物实时温度的估算方法(申请号201610910769.6)公布了一种估算方法,该方法能在一定范围内预测热定型的织物温度,但是在该方法中,对于模型中的参数识别困难,需要进行试验,试验结果需要专业人员进行分析,对一般印染企业的操作员和工程师而言难度太大,难以推广利用。
本发明针对上述问题,提出了一种基于机器学习的织物实时温度的估算方法,利用在印染企业现有生产的基础上,通过采集数据,形成关键数据库,能够在定型机出厂时配置软件包,利用机器学习的方法,在织物开展热定型时,仅需输入织物的自身参数,便可以预测织物加工过程中的实时温度。
发明内容
本发明主要解决的技术问题是提供一种湿布热定型过程实时温度估算方法,能够有效的预测织物在热定型加工过程中实时温度的情况,为开展定型机控制的优化提供了基础。
为解决上述技术问题,本发明采用的一个技术方案是:
一种湿布热定型实时温度估算方法,包括:
1)确定热定型过程建模的输入输出变量
确立对定型过程有重大影响的变量,分别为:定型烘箱温度,定型时间,定型织物的克重以及织物含水率;
2)建立一套热定型温度实时监控装置
热定型温度实时监控装置,主要部件包括:恒温烘箱、电子电平、数据采集仪、测温用K型热电偶;监控流程如下:
第一步,获取待检测干燥织物克重;选择需要实验的的织物,并将待检测织物按指定尺寸裁切,并有电子电平进行称重,得到干燥织物的克重;
第二步,进行浸液处理;即将织物放置在液体内,待织物完全浸润,浸液均匀后取出,再除去多余水分,采取物理挤压或者加热去除水分,加热去除水分必须回复到室温再进行称量,再利用电子电平测量后,达到合适含水率后,准备热定型,这里检测到潮湿织物的重量,并计算出织物的含水率;
第三步,热定型;将一定含水率的织物,固定好热电偶测温传感器,快速放入到恒温烘箱,开始热定型,待定型过程完成后取出织物,期间,计算机通过热电偶数据采集模型采集烘箱和织物的实时温度,采样时间间隔为500ms;
3)数据预处理
实时采集的数据存在噪声、数据长度不一致情况,在预处理过程中,剔除连续数据中突变的个别数据,用相邻两值的平均值加以替代;数据长度统一按最长的数据长度为参考,确定数据长度,再对数据进行归一化处理,所谓归一化,就是将数据映射到[0,1]或[-1,1]区间;
4)建立热定型过程织物温度预测的神经网络模型
a.确定神经网络的输入输出以及网络结构;其中,输入层包含四个节点,对应:烘箱温度,定型时间,定型织物的克重和含水率,输出层包含一个节点为织物的温度,中间隐含层分别为12,12,6;
b.确定损失函数
选用均方误差MSE作为损失函数,
c.激活函数
选取激活函数为tanh和log两种激活函数,其中从输入层到隐含层以及隐含层到隐含层选用tanh,隐含层到输出层选用log;
5)优化所建立的神经网络的模型
a.改进学习效率
为改善普通神经网络训练学习效率低,速度慢的不足,采用自适应时刻估计方法,调整公式为:
mt=β1*mt-1+(1-β1)*gt (2)
mt和vt是梯度的加权平均值和加权平方误差,最初是0向量,当衰减因子β1和β2接近1时,mt和vt趋向于0向量,所以mt和vt偏差校正:
最终表示式为:
使用的参数,α=0.001,β1=0.92,β2=0.999and∈=1×10-8;
b.交叉验证
第一步,将样本分成3个独立的部分,即:训练样本、验证样本和测试样本,其中训练样本用来训练网络,验证样本用来确定网络结构和网络参数,而测试样本则检验最终训练好的网络的性能;
第二步,分离后假定有L个样本,将L个样本打乱,然后均匀分成K份,轮流选择其中K‐1份进行训练,剩余的一份做验证,共有K种取法,对于每一轮训练,当验证数据误差总和最小或者迭代次数达到设定值时停止训练;
6)训练和测试预测模型。
本发明的有益效果是:能够不依赖于人员的复杂计算,通过本发明直接得出织物的温度输出,降低了对操作人员的有求,同时织物的温度输出为开展节能降耗,提升产品定型质量奠定了模型基础。
附图说明
图1是本发明一种总体实现方法流程图。
图2是热定型温度实时监控装置示意图。
图3是热定型过程织物温度预测的神经网络结构示意图。
图4是神经网络预测模型预测输出和实际数据对比图。
图5是测试样本预测回归分析图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述,以使本发明的优点和特征能更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
其中图1展示了本发明的总体方法。
具体而言,按上述流程图实现过程如下:
1、确定热定型过程建模的输入输出变量
通过查阅文献和在定型机车间的长期实际,确立如下变量对定型过程有重大影响,分别为:定型烘箱温度,定型时间,定型织物的克重以及织物含水率。
2、建立建立一套热定型温度实时监控装置
为了了解在热定型过程中,上述参数织物热定型过程实时温度的影响,本发明建立了一套热定型温度实时监控装置,主要部件包括:恒温烘箱、电子电平、数据采集仪、测温用K型热电偶。
热定型温度实时监控装置如图2所示:
第一步,获取待检测干燥织物克重。选择需要实验的的织物,并将待检测织物按指定尺寸裁切,并有电子电平进行称重,得到干燥织物的克重;
第二步,进行浸液处理。即将织物放置在液体(水)内,待织物完全浸润,浸液均匀后取出,再除去多余水分,采取物理挤压或者加热去除水分,加热去除水分必须回复到室温再进行称量,再利用电子电平测量后,达到合适含水率后,准备热定型。这里检测到潮湿织物的重量,并计算出织物的含水率
第三部,热定型。将一定含水率的织物,固定好热电偶测温传感器,快速放入到恒温烘箱,开始热定型,待定型过程完成后取出织物。期间,计算机通过热电偶数据采集模型采集烘箱和织物的实时温度,采样时间间隔为500ms。
3、数据预处理
实时采集的数据存在噪声、数据长度不一致等情况。在预处理过程中,剔除连续数据中突变的个别数据,用相邻两值的平均值加以替代;数据长度统一按最长的数据长度为参考,确定数据长度。在本发明中,按照热定型需索最长时间的数据为参考,待该热定型完全稳定确立数据长度,其他数据的长度进行截断,在本发明中,每组温度数据长度选为450条;
将数据按以下格式进行整理:
表一:数据格式表
序号 | 干布克重 | 含水率 | 时间 | 烘箱温度 | 织物温度 |
为保证预测的可靠性,上述实验过程所获取的数量需要达到一定数量,为此,本发明在实施的过程中,通过大量时间的积累,对不同织物,不同工况的热定型过程进行了数据采集,初始数据包含20种织物,每种选取25种定型条件,总共500批次数据,每种数据选取450条表一所示数据。
再对数据进行归一化处理,所谓归一化,就是将数据映射到[0,1]或[-1,1]区间或更小的区间。由于原始输入数据的单位不一样,有些数据的范围可能特别大,导致的结果是神经网络收敛慢、训练时间长;数据范围大的输入在模式分类中的作用可能会偏大,而数据范围小的输入作用就可能会偏小;由于神经网络输出层的激活函数的值域是有限制的,因此需要将网络训练的目标数据映射到激活函数的值域。所以训练数据的输出就要归一化到[0,1]区间。
4、建立热定型过程织物温度预测的神经网络模型
为了预测织物的温度输出,本发明利用神经网络进行预测。神经网络总体采用BP神经网络结构,并在此基础上进行改进。因此需要确定以下要素,即:数据网络层次结构、损失函数、激励函数。
1)确定神经网络的输入输出以及网络结构
本发明建立了如图3所示的神经网络结构:
其中,输入层包含四个节点,对应:烘箱温度,定型时间,定型织物的克
重和含水率,输出层包含一个节点为织物的温度。中间隐含层分别为12,12,6。
2)确定损失函数
该损失函数是指示真实的数据标签和预测值之间关系的函数,此类评价函数很多,依据实际情况,本文选用了MSE(均方误差)作为损失函数,可以较好的评价数据的变化程度。
3)激活函数
本发明结合实际情况,考虑不同激活函数的优缺点,最终选取激活函数为tanh和log两种激活函数。其中从输入层到隐含层以及隐含层到隐含层选用tanh,隐含层到输出层选用log。
5、优化所建立的神经网络的模型;
本发明针对湿布热定型过程实时温度估算,改进了普通BP神经网络,主要改进有两点,即:采用自适应时刻估计方法改进神经网络学习效率;交叉验证提高模型泛化能力。
1)改进学习效率
为改善普通神经网络训练学习效率低,速度慢的不足,本文采用自适应时刻估计方法,调整公式为:
mt=β1*mt-1+(1-β1)*gt (2)
mt和vt是梯度的加权平均值和加权平方误差,最初是0向量。当衰减因子β1和β2接近1时,mt和vt趋向于0向量。所以mt和vt偏差校正:
最终表示式为:
本文使用的参数,α=0.001,β1=0.92,β2=0.999and∈=1×10-8.
2)交叉验证
为提高网络模型对非训练样本的泛化能力,即模型能够有效逼近样本所蕴含的内在规律,而不是仅仅是模型对训练样本的拟合能力。在训练网络的过程中,在考虑训练样本的误差的同时,还需关注了模型对非训练样本的误差。BP神经网络的训练过程是随机选取训练样本输入到网络中,训练样本的输入顺序会对网络的训练产生影响,训练出的网络随机性大,网络不够稳定。
本发明采用K折交叉验证法来加强模型的泛化能力。验证过程如下:
1)将样本分成3个独立的部分,即:训练样本、验证样本和测试样本。其中训练样本用来训练网络,验证样本用来确定网络结构和网络参数,而测试样本则检验最终训练好的网络的性能。
2)分离后假定有L个样本,将L个样本打乱,然后均匀分成K份,轮流选择其中K‐1份进行训练,剩余的一份做验证,共有K种取法。对于每一轮训练,当验证数据误差总和最小或者迭代次数达到设定值时停止训练。
6、训练和测试预测模型;
为验证前文提出的神经网络预测模型的精度,选取涤纶、人造棉、涤氨混纺等二十余种织物进行热定型实验。其中,18种织物每种选出40组数据,选其中的20组作为训练集样本,剩下的20组作为测试集样本,训练次数200次。预测的结果如图4和图5所示,图4是预测输出和实际数据对比图,图5是测试样本预测回归分析图。
图4,图5中,用点状表示的是采用交叉验证的神经网络的预测结果(预测值),用星形表示传统神经网络的预测结果(预测值2),将结果指标进行归一化后的如表1所示:
表1预测效果对比
由图表可知,两种方式都能预测出织物的温度的变化趋势,采用传统神经网络的模型误差相对较大,在恒温干燥段的末端以及最终稳定温度存在一定的偏差,而采用交叉验证的预测值能更好的逼近实际值,模型更准确。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (1)
1.一种湿布热定型实时温度估算方法,其特征在于,包括:
1)确定热定型过程建模的输入输出变量
确立对定型过程有重大影响的变量,分别为:定型烘箱温度,定型时间,定型织物的克重以及织物含水率;
2)建立一套热定型温度实时监控装置
热定型温度实时监控装置,主要部件包括:恒温烘箱、电子电平、数据采集仪、测温用K型热电偶;监控流程如下:
第一步,获取待检测干燥织物克重;选择需要实验的的织物,并将待检测织物按指定尺寸裁切,并有电子电平进行称重,得到干燥织物的克重;
第二步,进行浸液处理;即将织物放置在液体内,待织物完全浸润,浸液均匀后取出,再除去多余水分,采取物理挤压或者加热去除水分,加热去除水分必须回复到室温再进行称量,再利用电子电平测量后,达到合适含水率后,准备热定型,这里检测到潮湿织物的重量,并计算出织物的含水率;
第三步,热定型;将一定含水率的织物,固定好热电偶测温传感器,快速放入到恒温烘箱,开始热定型,待定型过程完成后取出织物,期间,计算机通过热电偶数据采集模型采集烘箱和织物的实时温度,采样时间间隔为500ms;
3)数据预处理
实时采集的数据存在噪声、数据长度不一致情况,在预处理过程中,剔除连续数据中突变的个别数据,用相邻两值的平均值加以替代;数据长度统一按最长的数据长度为参考,确定数据长度,再对数据进行归一化处理,所谓归一化,就是将数据映射到[0,1]或[-1,1]区间;
4)建立热定型过程织物温度预测的神经网络模型
a.确定神经网络的输入输出以及网络结构;其中,输入层包含四个节点,对应:烘箱温度,定型时间,定型织物的克重和含水率,输出层包含一个节点为织物的温度,中间隐含层分别为12,12,6;
b.确定损失函数
选用均方误差MSE作为损失函数,
c.激活函数
选取激活函数为tanh和log两种激活函数,其中从输入层到隐含层以及隐含层到隐含层选用tanh,隐含层到输出层选用log;
5)优化所建立的神经网络的模型
a.改进学习效率
为改善普通神经网络训练学习效率低,速度慢的不足,采用自适应时刻估计方法,调整公式为:
mt=β1*mt-1+(1-β1)*gt (2)
mt和vt是梯度的加权平均值和加权平方误差,最初是0向量,当衰减因子β1和β2接近1时,mt和vt趋向于0向量,所以mt和vt偏差校正:
最终表示式为:
使用的参数,α=0.001,β1=0.92,β2=0.999and∈=1×10-8;
b.交叉验证
第一步,将样本分成3个独立的部分,即:训练样本、验证样本和测试样本,其中训练样本用来训练网络,验证样本用来确定网络结构和网络参数,而测试样本则检验最终训练好的网络的性能;
第二步,分离后假定有L个样本,将L个样本打乱,然后均匀分成K份,轮流选择其中K-1份进行训练,剩余的一份做验证,共有K种取法,对于每一轮训练,当验证数据误差总和最小或者迭代次数达到设定值时停止训练;
6)训练和测试预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711062335.6A CN108038256B (zh) | 2017-11-02 | 2017-11-02 | 一种湿布热定型过程实时温度估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711062335.6A CN108038256B (zh) | 2017-11-02 | 2017-11-02 | 一种湿布热定型过程实时温度估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108038256A CN108038256A (zh) | 2018-05-15 |
CN108038256B true CN108038256B (zh) | 2020-12-15 |
Family
ID=62093586
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711062335.6A Active CN108038256B (zh) | 2017-11-02 | 2017-11-02 | 一种湿布热定型过程实时温度估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108038256B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103255540A (zh) * | 2013-04-19 | 2013-08-21 | 晋江市闽高纺织科技有限公司 | 一种舒适高仿毛纤维面料、生产工艺及其织物 |
CN103255536A (zh) * | 2013-04-19 | 2013-08-21 | 晋江市闽高纺织科技有限公司 | 一种含牛奶蛋白纤维面料、生产工艺及其织物 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102053578A (zh) * | 2009-10-29 | 2011-05-11 | 福建凤竹纺织科技股份有限公司 | 弹性织物热定型工艺优化设计及过程控制的方法和系统 |
US8725669B1 (en) * | 2010-08-02 | 2014-05-13 | Chi Yung Fu | Signal processing method and apparatus |
CN102700278B (zh) * | 2012-07-08 | 2015-01-21 | 盐城工学院 | 一种织物上喷花的方法、装置和设备 |
CN104951836A (zh) * | 2014-03-25 | 2015-09-30 | 上海市玻森数据科技有限公司 | 基于神经网络技术的发帖预测系统 |
CN104598687B (zh) * | 2015-01-26 | 2017-09-29 | 北京工商大学 | 水质监测用小型浮标动力源之光伏蓄电池供电系统的优化构建方法 |
CN104915509B (zh) * | 2015-06-19 | 2017-11-21 | 南京航空航天大学 | 基于神经网络的大变形柔性体动态受力测量信息转换方法 |
CN105787586A (zh) * | 2016-02-23 | 2016-07-20 | 中山大学 | 一种最大化时空可达性的公交线路站点优化布设方法 |
-
2017
- 2017-11-02 CN CN201711062335.6A patent/CN108038256B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103255540A (zh) * | 2013-04-19 | 2013-08-21 | 晋江市闽高纺织科技有限公司 | 一种舒适高仿毛纤维面料、生产工艺及其织物 |
CN103255536A (zh) * | 2013-04-19 | 2013-08-21 | 晋江市闽高纺织科技有限公司 | 一种含牛奶蛋白纤维面料、生产工艺及其织物 |
Also Published As
Publication number | Publication date |
---|---|
CN108038256A (zh) | 2018-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111414977B (zh) | 机床主轴热误差建模的加权集成温度敏感点组合选取方法 | |
Hossain et al. | Machine learning model optimization with hyper parameter tuning approach | |
CN109493327B (zh) | 基于纱线形态变化的上浆率在线调控方法 | |
CN108536971A (zh) | 一种基于贝叶斯模型的结构损伤识别方法 | |
CN113780420B (zh) | 基于gru-gcn的变压器油中溶解气体浓度预测方法 | |
Yao et al. | Predicting the warp breakage rate in weaving by neural network techniques | |
CN103136449A (zh) | 一种浆纱回潮率软测量方法 | |
CN113919601A (zh) | 基于产品性能和过程数据模型的树脂工艺预测方法及装置 | |
CN108038256B (zh) | 一种湿布热定型过程实时温度估算方法 | |
Popa et al. | Mathematic model of the spinning process of a wool yarn | |
CN117273554B (zh) | 一种基于数据识别的纺织品生产质量预测方法 | |
Chauhan et al. | Applications of artificial neural network in textiles | |
CN103559417A (zh) | 一种浆纱上浆率智能软测量方法 | |
CN117195747B (zh) | 一种磁性材料烘干用均匀热分布优化方法 | |
CN108038310B (zh) | 一种拉幅热定型机干布热定型实时温度估算方法 | |
CN109389313B (zh) | 一种基于加权近邻决策的故障分类诊断方法 | |
Kalkancı et al. | Prediction of dimensional change in finished fabric through artificial neural networks | |
CN105699043B (zh) | 一种提高风洞传感器测量稳定性和精准度的方法 | |
CN111027706B (zh) | 一种生活用纸表面粗糙度测量方法及装置 | |
Anupreet et al. | Prediction of shrinkage and fabric weight (g/m2) of cotton single jersey knitted fabric using artificial neural network and comparison with general linear model | |
Erenler et al. | Prediction of Fabric Stiffness | |
Ming et al. | Prediction of mechanical properties of aging B. mori silk fabric based on grey neural network model | |
Irshad et al. | Development of Prediction System for Shade Change Variations in Dyed Cotton Fabric After Application of Water Repellent Finishes | |
Chen et al. | Construction of water content prediction model for tobacco roaster based on back propagation neural network | |
Bo | Applications of artificial intelligence methods in the sizing hairiness of polyester/cotton blended yarn prediction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |