CN109137344A - 基于染布印染过程的质量在线监控方法 - Google Patents
基于染布印染过程的质量在线监控方法 Download PDFInfo
- Publication number
- CN109137344A CN109137344A CN201810922097.XA CN201810922097A CN109137344A CN 109137344 A CN109137344 A CN 109137344A CN 201810922097 A CN201810922097 A CN 201810922097A CN 109137344 A CN109137344 A CN 109137344A
- Authority
- CN
- China
- Prior art keywords
- cloth
- quality
- sample
- new
- data
- 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
Links
Classifications
-
- D—TEXTILES; PAPER
- D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
- D06B—TREATING TEXTILE MATERIALS USING LIQUIDS, GASES OR VAPOURS
- D06B23/00—Component parts, details, or accessories of apparatus or machines, specially adapted for the treating of textile materials, not restricted to a particular kind of apparatus, provided for in groups D06B1/00 - D06B21/00
- D06B23/24—Means for regulating the amount of treating material picked up by the textile material during its treatment
- D06B23/26—Means for regulating the amount of treating material picked up by the textile material during its treatment in response to a test conducted on the textile material
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Textile Engineering (AREA)
- Coloring (AREA)
Abstract
本发明涉及一种基于染布印染过程的质量在线监控方法,将染布印染生产线上的上布机、印染系统、自动采样系统及质检系统相关联,自动采样系统对印染系统中的现批次染布进行自动样本采集,并送至质检系统中获取所需的质量参数Xnew后,将质量参数Xnew传输给染布印染质量在线监测模型F,根据F:x→y,输出印染质量值y,将染布质量ynew传输给质检系统,并将染布质量ynew与质检系统中预设的染布质量预设值Y进行对比,方便对后续批次的染布印染生产线进行相应的调整,检测染布印染生产线是否有新的生产任务,如果是,重新执行步骤S2,如果否,流程结束;本发明可以实现实时、准确的监测且监测结果准确、成本低。
Description
技术领域
本发明涉及染布印染的质量实时监控方法领域,尤其涉及一种基于染布印染过程的质量在线监控方法。
背景技术
在布料的印染过程中,由于布料的皱褶、操作失误、染料误差及机器故障等原因,经常会导致布料在印染过程中出现染布花纹错乱,从而导致布料印染失败。目前主要通过工人肉眼观察来监测染布质量的优劣,这种人为观察来监测布料印染过程是有很大的弊端,且凭借肉眼监测的过程存在一定的主观因素,造成不同批次的染布质量参差不齐,同时长时间观测会导致工人出现疲劳现象,降低观测效率。
传统染布印染过程是一种间歇工业生产过程,即布料印染完成后很长一段时间才能知道印染质量是否达到要求,很容易造成布料的浪费,具有显著的非线性和时变等工艺特点对印染质量有至关重要的作用,而对染布印染过程实时、准确的监控是保证印染质量的有效手段。
发明内容
为解决上述技术问题,本发明的目的在于提供一种可以实现实时、准确的监测染布印染质量且监测结果准确、成本低的基于染布印染过程的质量在线监控方法。
本发明提供的基于染布印染过程的质量在线监控方法,包括以下步骤:
S1、将染布印染生产线上的上布机、印染系统、自动采样系统及质检系统通过在线自动测量模型自动关联;
S2、所述自动采样系统对所述印染系统中的现批次染布进行自动样本采集,并送至所述质检系统中获取所需的质量参数Xnew后,将所述质量参数Xnew传输给染布印染质量在线监测模型F,根据F:x→y,输出印染质量值y,其中自变量x为所述现批次染布的质量参数Xnew,因变量y为所述现批次染布的印染质量值ynew;
S3、将所述染布质量ynew传输给所述质检系统,并将所述染布质量ynew与所述质检系统中预设的染布质量预设值Y进行对比,方便对后续批次的染布印染生产线进行相应的调整;
S4、检测染布印染生产线是否有新的生产任务,如果是,重新执行步骤S2,如果否,执行步骤S5;
S5、流程结束。
进一步的,所述染布印染质量在线监测模型F包括:
①首先通过所述自动采样系统采集所述印染系统中染布样本的质量参数和印布质量值,建立数据库,所述染布样本包括质量参数Xk={xi,1,xi,2,xi,3,···,xi,j}k和印染质量值Y={y1,y2,y3,···,yk},其中k=1:n,n表示建模所需样本数量,Xi,j表示样本的质量参数,是规定的样本无旋转无偏差获得样本图像数据矩阵,i,j为整数;yk表示染布印染质量值,即为样本所属的类别;
②对所述染布样本的质量参数和印染质量值(X,Y)进行标准化处理,得到所述染布样本的数据一(X0,Y0);
③由于在采集所述染布样本数据过程中会出现误差或者错误,因此通过弹性网络算法对样本数据一(X0,Y0)去除噪音,得到样本数据二(X*,Y*);
④根据所述样本数据二(X*,Y*),通过朴素贝叶斯算法建立Y=F(X)的染布印染质量在线监测模型F。
更进一步的,根据①中得到的染布样本的质量参数和印染质量值(X,Y),对其进行标准化处理:
更进一步的,根据②中得到的样本数据一(X0,Y0),对其通过弹性网络算法去除样本数据中噪音大的数据得到样本数据二(X*,Y*):
其中,
更进一步的,通过②中获得样本数据二(X*,Y*)建立朴素贝叶斯分类器,当处理新样本数据中的质量参数X*=(x1 *,…,xp *)时,对新样本数据分别进行②中的标准化处理和③中的去除噪音处理,朴素贝叶斯分类器通过训练数据X的联合概率计算出新样本数据属于Ci的条件概率:
其中,分母P(x1,x2,L,xp)和类别C没有关系,且x1,…,xp是已知,所以分母是常数,计算出新样本数据的条件概率表,对新样本数据进行识别分类:
P(C1|x1,x2,L,xp),P(Ck|x1,x2,L,xp),P(Cm|x1,x2,L,xp),从中选择概率最大的条件概率值对应的类别,即新样本数据所属的类别。
更进一步的,对于更新后的染布样本,在获得更新后的染布印染质量在线监测模型后再执行所述步骤S2。
更具体的,所述类别包括高等质量、中等质量和低等质量。
本发明提供的基于染布印染过程的质量在线监控方法,具有以下优势:
(1)本发明提供的在线监控方法可以消除染布印染监测存在的滞后性,这样可以大大的缩短质量检测的时间,可以根据所得监测结果实时对布料、染色及操作等工艺过程进行调整,降低次品率并节省生产成本;
(2)为生产工程节省大量的工人成本,降低工人劳动量,大大降低由于人为原因而产生失误的可能性;
(3)本发明充分考虑自变量相互之间、自变量和因变量之间的非线性关系,因此先对数据进行预处理以使得建立的模型更能反映参数之间的关系,监测结果更加准确;
(4)本发明所建立模型是一种自我进化模型,随着生产过程中采集的样本数据增多,模型也在不间断的更新,从而降低误报的可能性。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
图1是本发明提供的基于染布印染过程的质量在线监控方法的流程框图;
图2是图1中染布印染质量在线监测模型F建立的流程框图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
参见图1和图2,本发明提供的一种基于染布印染过程的质量在线监控方法的一较佳实施例如下。
染布印染是布料生产过程中一个重要的工艺,是评价布料的一个重要质量衡量指标,通过合适的测量方法,得到染布样本的图像数据,建立染布印染过程的质量在线监测模型,可以大大缩短监测的滞后时间,从而能够及时的发现不合格产品,减少工厂的损失。
从样本中采集样本的图像数据并采用数字图像处理技术,这种方法可以大量、多路并行处理,采用更高速度的处理器件,并尽量简化图像处理算法,极大的缩短采样时间。然而在处理高维小样本数据时,由于变量个数相对样本个数的数据大多有相似的特点:变量太多、变量间相关性强、噪音大等,因此数据必须先进行预选择变量,变量选择方法必须以下特点:准确预测、能够选择出最具有科学性的变量、稳定性较高、计算复杂度较低等,一般变量选择方法如岭回归、主成分分析、最优子集选择等很难满足全部要求,而弹性网络算法通过对回归系数进行压缩,将一部分变量的回归系数的绝对值直接压缩到零,使得直接去掉一部分冗余变量,不仅实现了变量选择,而且简化了回归模型。
假定X=(x1,K,xp)是自变量矩阵,其中xj=(x1j,K,x1n)T,j=1,K,p,n是样本数量,p是变量数量。Y=(y1,K,yn)T是响应变量,数据X,Y都已经过标准化:
弹性网络算法是在常规最小二乘回归加上L1惩罚项,则其定义方法:
且满足于
其中,调和参数t≥0,λ为非负数。
给一个t,总是能找使这两个方程具有相同的解的λ,同样的固定λ,也能得到这样一个t,通过调整调和参数t可以对回归系数进行压缩。
朴素贝叶斯分类器是以贝叶斯分类为基础简化的一种最简单概率分类器,假设属性对变量或类标独立于其他属性,虽然这是种强制性的限定,但是在很多实际领域中取得令人满意的效果。朴素贝叶斯分类器同样也有确定的星型结构,但是不需要复杂的学习过程,只需根据训练数据估计参数,以其计算效率高和泛化能力强等特点赢得广大学者们的重视。
给定一个数据矩阵X=(x1,...,xp),其中xj=(xj1,…,xjn)T,p是变量个数,n是样本个数(S1,S2,…,Sm)。假定类C=(C1,C2,…,Cm),m是类的个数,在本发明里属性个数为2。当处理一个新的样本X*=(x1 *,…,xp *)时,朴素贝叶斯分类器通过训练数据X的联合概率计算出新样本属于Ci的条件概率:
分母中P(x1,x2,L,xp)和类C没有关系,且x1,…,xp是已知,所以分母常数。所以我们对新样本识别分类,也就是计算出新样本的条件概率表:
P(C1|x1,x2,L,xp),P(Ck|x1,x2,L,xp),P(Cm|x1,x2,L,xp)
从中选择概率最大的条件概率值对应的类,即新样本的类。
根据联合概率分布和条件概率可得:
P(Ck,x1,x2,L,xp)=P(Ck)P(x1,x2,L,xp|Ck)
=P(Ck)P(x1|Ck)P(x2,L,xp|Ck,x1)
=P(Ck)P(x1|Ck)P(x2|Ck,x1)P(x3,L,xp|Ck,x1,x2)
=P(Ck)P(x1|Ck)P(x2|Ck,x1)L P(xp|Ck,x1,x2,x2,L,xp-1)
朴素贝叶斯分类器的假设是给定类Ck变量之间变量是相互独立的,则对任意两个不同变量可以写成:
P(xi|Ck,xj)=P(xi|Ck),P(xi|Ck,xj,xk)=P(xi|Ck),i≠j,k
联合以上公式,新样本属于Ci的条件概率可以写成:
总结上述的公式推理,得到新样本类的条件概率:
当给已知变量X=(x1,...,xp)的样本,就可以得到样本属于Ck的概率,即后验概率。
上述P(Ck)是已知的,即先验概率;P(xi|C)可以由训练数X求得:
(1)若数据样本Si是离散属性,其中式中分母N(C=Ck)表示样本中属于类Ck的样本个数,分子N(Si=xi,C=Ck)表示是样本中数据类Ck且Si取值为xi的样本个数。
(2)若数据样本Si是连续值属性,一般采用两种方法处理,一是把数据离散化,按离散方法处理;二是假定数据符合某一种分布,例如正态分布。
通过以上计算就可以得到非线性回归函数,即染布印染质量在线监测模型F。
将染布印染生产线上的上布机、印染系统、自动采样系统及质检系统通过在线自动测量模型自动关联起来,自动采样系统利用高速图像处理技术对当前染布批次进行自动样本采集,并送给质检系统获取所需的质量参数数据X,利用当前获得的质量参数数据X,通过弹性网络算法对数据进行预处理,得到新的质量参数数据X*,通过朴素贝叶斯分类器建立染布印染质量在线监测模型F。
当有一批新的染布生产任务,自动采样系统对当前染布批次进行自动样本采集,得到当前样本数据,记测得的当前质量参数为Xnew,将当前质量参数Xnew传输给染布印染质量在线监测模型F,根据F:x→y,自动输出染布质量值y,其中自变量x表示质量参数,因变量y表示当前批次染布质量值ynew,读取染布质量ynew,并将染布质量ynew传输给质检系统后,质量系统将当前染布质量ynew与染布质量预设值Y进行对比,对后面批次的染布印染过程进行相应的工艺调整;自动检测生产线是否有新的生产任务,如果是,重新执行前述步骤;如果否,流程结束。
综上,本发明实施例提供了一种基于染布印染过程的质量在线监控方法,本发明利用高数图像处理得到染布质量数据,在巧妙的利用弹性网络算法和朴素贝叶斯分类器在线实时监控染布印染过程,大大减少监测的滞后性,以便实时控制染布印染的质量,为下一批染布印染的质量打下基础;避免了传统方法所需的大量人力物力所消耗的成本,可以大大降低厂商的成本,提高了监测的效率;染布印染过程的质量在线监控模型巧妙的结合弹性网络算法和朴素贝叶斯分类器算法的优点,能够充分的反映样本数据和样本质量之间的非线性关系,能够保证得到较高的回归精度,与其他方法相比,准确、简单易行。
以上仅是本发明的优选实施方式,并不用于限制本发明,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (7)
1.一种基于染布印染过程的质量在线监控方法,其特征在于,包括以下步骤:
S1、将染布印染生产线上的上布机、印染系统、自动采样系统及质检系统通过在线自动测量模型自动关联;
S2、所述自动采样系统对所述印染系统中的现批次染布进行自动样本采集,并送至所述质检系统中获取所需的质量参数Xnew后,将所述质量参数Xnew传输给染布印染质量在线监测模型F,根据F:x→y,输出印染质量值y,其中自变量x为所述现批次染布的质量参数Xnew,因变量y为所述现批次染布的印染质量值ynew;
S3、将所述染布质量ynew传输给所述质检系统,并将所述染布质量ynew与所述质检系统中预设的染布质量预设值Y进行对比,方便对后续批次的染布印染生产线进行相应的调整;
S4、检测染布印染生产线是否有新的生产任务,如果是,重新执行步骤S2,如果否,执行步骤S5;
S5、流程结束。
2.根据权利要求1所述的基于染布印染过程的质量在线监控方法,其特征在于,所述染布印染质量在线监测模型F包括:
①首先通过所述自动采样系统采集所述印染系统中染布样本的质量参数和印布质量值,建立数据库,所述染布样本包括质量参数Xk={xi,1,xi,2,xi,3,···,xi,j}k和印染质量值Y={y1,y2,y3,···,yk},其中k=1:n,n表示建模所需样本数量,Xi,j表示样本的质量参数,是规定的样本无旋转无偏差获得样本图像数据矩阵,i,j为整数;yk表示染布印染质量值,即为样本所属的类别;
②对所述染布样本的质量参数和印染质量值(X,Y)进行标准化处理,得到所述染布样本的数据一(X0,Y0);
③由于在采集所述染布样本数据过程中会出现误差或者错误,因此通过弹性网络算法对样本数据一(X0,Y0)去除噪音,得到样本数据二(X*,Y*);
④根据所述样本数据二(X*,Y*),通过朴素贝叶斯算法建立Y=F(X)的染布印染质量在线监测模型F。
3.根据权利要求2所述的基于染布印染过程的质量在线监控方法,其特征在于,根据①中得到的染布样本的质量参数和印染质量值(X,Y),对其进行标准化处理:
4.根据权利要求2所述的基于染布印染过程的质量在线监控方法,其特征在于:根据②中得到的样本数据一(X0,Y0),对其通过弹性网络算法去除样本数据中噪音大的数据得到样本数据二(X*,Y*):
其中,
5.根据权利要求2所述的基于染布印染过程的质量在线监控方法,其特征在于:通过②中获得样本数据二(X*,Y*)建立朴素贝叶斯分类器,当处理新样本数据中的质量参数X*=(x1 *,…,xp *)时,对新样本数据分别进行②中的标准化处理和③中的去除噪音处理,朴素贝叶斯分类器通过训练数据X的联合概率计算出新样本数据属于Ci的条件概率:
其中,分母P(x1,x2,L,xp)和类别C没有关系,且x1,…,xp是已知,所以分母是常数,计算出新样本数据的条件概率表,对新样本数据进行识别分类:
P(C1|x1,x2,L,xp),P(Ck|x1,x2,L,xp),P(Cm|x1,x2,L,xp),从中选择概率最大的条件概率值对应的类别,即新样本数据所属的类别。
6.根据权利要求2所述的基于染布印染过程的质量在线监控方法,其特征在于:对于更新后的染布样本,在获得更新后的染布印染质量在线监测模型后再执行所述步骤S2。
7.根据权利要求2至6任一项所述的基于染布印染过程的质量在线监控方法,其特征在于:所述类别包括高等质量、中等质量和低等质量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810922097.XA CN109137344A (zh) | 2018-08-14 | 2018-08-14 | 基于染布印染过程的质量在线监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810922097.XA CN109137344A (zh) | 2018-08-14 | 2018-08-14 | 基于染布印染过程的质量在线监控方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109137344A true CN109137344A (zh) | 2019-01-04 |
Family
ID=64793326
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810922097.XA Pending CN109137344A (zh) | 2018-08-14 | 2018-08-14 | 基于染布印染过程的质量在线监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109137344A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102357934A (zh) * | 2011-08-29 | 2012-02-22 | 天津大学 | 一种基于橡胶混炼过程的质量监控软测量方法 |
EP2899693A1 (en) * | 2014-01-23 | 2015-07-29 | Cyclop SAS | Image texturing |
-
2018
- 2018-08-14 CN CN201810922097.XA patent/CN109137344A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102357934A (zh) * | 2011-08-29 | 2012-02-22 | 天津大学 | 一种基于橡胶混炼过程的质量监控软测量方法 |
EP2899693A1 (en) * | 2014-01-23 | 2015-07-29 | Cyclop SAS | Image texturing |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111508216B (zh) | 一种大坝安全监测数据智能预警方法 | |
CN106404441B (zh) | 一种基于非线性相似度指标的故障分类诊断方法 | |
CN105511445B (zh) | 基于局部近邻标准化矩阵的多模态过程故障检测方法 | |
CN110059357A (zh) | 一种基于自编码网络的智能电能表故障分类检测方法及系统 | |
JP2002525757A (ja) | 統計的プロセス管理のための多次元的方法及びシステム | |
CN105571645A (zh) | 一种大坝自动化监测方法 | |
CN112884089A (zh) | 一种基于数据挖掘的电力变压器故障预警系统 | |
CN115409131B (zh) | 基于spc过程管控系统的生产线异常检测方法 | |
CN109741927A (zh) | 微型变压器生产线的设备故障和潜在不良品智能预测系统 | |
CN105930629A (zh) | 一种基于海量运行数据的在线故障诊断方法 | |
CN111949939A (zh) | 基于改进topsis和聚类分析的智能电表运行状态评价方法 | |
CN109376778A (zh) | 一种基于特征变量加权的故障分类诊断方法 | |
CN101738998A (zh) | 一种基于局部判别分析的工业过程监测系统及方法 | |
Long et al. | A data-driven combined algorithm for abnormal power loss detection in the distribution network | |
CN117556366B (zh) | 基于数据筛选的数据异常检测系统及方法 | |
CN110490496B (zh) | 一种基于分步约简筛选复杂工业过程中影响产品质量的敏感变量的方法 | |
CN109389280A (zh) | 基于多属性决策模型的电能表生产厂商评价方法 | |
CN112926686B (zh) | 基于brb和lstm模型的电力大数据用电异常检测方法及装置 | |
CN109137344A (zh) | 基于染布印染过程的质量在线监控方法 | |
KR102250598B1 (ko) | 작업자 기술수준 및 작업 난이도 측정 방법 및 이를 위한 시스템 | |
CN108108834A (zh) | 一种直升机关重件磨损率预测方法 | |
CN113033845A (zh) | 一种电力传输资源共建共享的建设方法及装置 | |
CN109034172B (zh) | 一种基于模糊松弛约束多核学习的产品外观缺陷检测方法 | |
Arikan | Developing an intelligent automation and reporting system for fabric inspection machines | |
Chen et al. | Software maintainability metrics based on the index system and fuzzy method |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190104 |