CN109493327A

CN109493327A - 基于纱线形态变化的上浆率在线调控方法

Info

Publication number: CN109493327A
Application number: CN201811293371.8A
Authority: CN
Inventors: 高卫东; 王鸿博; 黄豪宇; 王蕾; 潘如如; 王文聪
Original assignee: Jiangnan University
Current assignee: Jiangnan University
Priority date: 2018-11-01
Filing date: 2018-11-01
Publication date: 2019-03-19
Anticipated expiration: 2038-11-01
Also published as: CN109493327B

Abstract

本发明涉及到一种基于纱线形态变化的上浆率在线调控方法，包括如下具体步骤：1)、采集烘燥后的片纱视频图像；2)、测量每帧视频图像中各纱线的直径，并计算均值d；3)、将开车后10‑15min内的纱线直径均值作为该批次纱线的标准直径D；4)、计算当前纱线直径均值d与标准直径D的差值Δd，Δd＝d‑D；5)、以Δd作为输入层特征向量之一，采用深度学习神经网络计算压浆力变化值ΔF的大小；6)、根据步骤5)获得的浆力变化值ΔF对压浆力进行实时调节。通过测量烘燥后纱线即时直径d并与标准直径D进行比较，获得直径变化量Δd，并进一步根据Δd的大小来对压浆力进行在线调整，使烘燥后的纱线直径趋于稳定，保证浆纱生产过程中浆纱质量的稳定性。

Description

基于纱线形态变化的上浆率在线调控方法

技术领域：

本发明涉及一种基于纱线形态变化的上浆率在线调控方法。

背景技术：

浆纱是纺织生产工序中关键环节，直接影响经纱的强度、伸长率、耐磨性和毛羽量，从而关系到织造效率和织物质量。对经纱进行上浆，有利于提高经纱的断裂强力，降低织造断头率；有利于浆纱保伸，使经纱在织造时能够承受开口作用造成的伸长；有助于提高纱线耐磨性，保持纱线强力，避免毛羽再生；使毛羽贴服，同时毛羽的刚性增大，不致于纠缠集结造成开口不清和阻断经纱。

上浆率是评价浆纱效果最重要的指标之一。上浆率小，纱线的增强率与耐磨性降低，浆料未能被覆毛羽，织造时易产生毛羽纠缠，造成断经等问题，导致无法正常织造；上浆率大，造成浆料浪费，且在后续的退浆工序中增加了退浆废水，从而增加了成本，并对环境造成更大污染。

目前，上浆率的检测大都采用退浆法，通过对上浆后的纱线进行退浆、烘干并称重的方式得到上浆率，在检测期间，对机上的浆纱上浆率无法实现实时准确的控制，难以保证浆纱产品质量。

上浆率在线检测的方法主要有微波测试法、近红外测试法、含固率与压出回潮率测算法、自动补浆法和软测试法等。微波测试法是采用微波传感器，使微波通过含水纱线，纱线中水分子可吸收微波能量，未被吸收的能量穿过纱线，由接收器采集，从而得到微波衰减情况，转变成对应电压值，可测算出纱线含水率，在不考虑浆液含固率波动的前提下，可推算出经纱的上浆率；但在实际使用时易受蒸汽影响，且成本高，维护困难。近红外测试法是将近红外光线照射在浆纱纱片上，检测反射回来的光线，得到浆纱近红外光谱数据，结合校正模型检测浆纱上浆率；但存在检测结构易受环境影响的缺陷。含固率与压出回潮率测算法是利用串联在浆液循环回路上的折光仪传感器检测浆液含固率，采用高湿量微波测湿仪测得纱线的压出回潮率，再根据浆液含固率及压出回潮率的在线数值计算当前上浆率的值；但该检测方法品种适应性差，很难大范围推广。自动补浆法是采用自动补浆浆槽，如上浆状况改变，补充的浆料量按工艺上浆率的量加入，再加入适量的水使浆槽中浆液的体积保持不变，从而保证上浆率的稳定；但调控上浆率存在滞后性，且检测精度较低。软测试法是根据浆纱过程中的变量，建立各变量与上浆率之间的数学模型，推测上浆率的结果；但该方法受制于检测条件、检测设备的误差，影响计算结果。综上，虽然以上方法均能对上浆率进行在线检测和调控，但都存在检测精度低或调控滞后等缺陷，难以满足实际生产的需要。

发明内容：

本发明所要解决的技术问题是：本发明提出一种检测精度高、调控时效性强的浆纱上浆率在线调控方法，通过检测浆纱外观形态的变化，构建浆纱直径变异情况与压浆力之间的数学模型，实现浆纱上浆率的在线调控，保证浆纱生产过程中浆纱质量的稳定性。

为解决上述技术问题，本发明采用的技术方案是：基于纱线形态变化的上浆率在线调控方法，包括如下具体步骤：

1)、采集烘燥后的片纱视频图像；

2)、测量每帧视频图像中各纱线的直径，并计算均值d；

3)、将开车后10-15min内的纱线直径均值作为该批次纱线的标准直径D；

4)、计算当前纱线直径均值d与标准直径D的差值Δd，Δd＝d-D；

5)、以Δd作为输入层特征向量之一，采用深度学习神经网络计算压浆力变化值ΔF的大小；

6)、根据步骤5)获得的浆力变化值ΔF对压浆力进行实时调节。

作为一种优选方案，步骤2)中每帧视频图像中纱线直径的测量为首先采用阈值分割对实时获取的浆纱图像进行分割，即将获得的图像转换为二值图像，其次利用形态学开运算去除得到的二值图像中的毛羽和孤立区域信息，得到清晰、无噪点的纱线条干图像，统计条干图像中每行或每列中白色点的数量，即为纱线图像中每行的外观直径值。

作为一种优选方案，所述步骤5)中，通过深度学习神经网络方法预测压浆力变化值ΔF的具体步骤包括：

a、建立由输入层、隐含层和输出层构成的深度学习神经网络模型；

b、确定输入层维度、中间层节点、输出层类别，所述输入层节点数等于输入层维度数量，输出层节点数等于输出层类别数量；

c、选择样本参数，采用深度学习神经网络对样本进行学习训练，当输出值与模型样本值的差值满足误差要求，停止训练，保存模型；

d、采用该模型对生产过程中的压浆力变化值ΔF进行计算，获得即时的压浆力变化值ΔF。

作为一种优选方案，步骤b中，输入层特征向量还包括：纱线支数、浆纱机车速、浆槽中浆液浓度、浆槽中浆液温度和浆液含固量。

作为一种优选方案，步骤b中，输出层为压浆力变化值ΔF，压浆力变化值ΔF变化范围为[-5，+5]之间的整数，共11个类别。

作为一种优选方案，步骤b中，中间层包含五层隐含层，每层隐含层节点数的设置采用每层隐含层的节点数大于输入层节点数的方法确定。

本发明的有益效果是：通过测量烘燥后纱线即时直径d并与标准直径D进行比较，获得直径变化量Δd，并进一步以Δd作为输入层特征向量之一，采用深度学习神经网络计算压浆力变化值ΔF的大小；根据压浆力变化值ΔF的大小来对压浆力进行在线调整，使烘燥后的纱线直径趋于稳定，保证浆纱生产过程中浆纱质量的稳定性。

附图说明：

下面结合附图对本发明的具体实施方式作进一步详细说明，其中：

图1是浆纱上浆过程的结构示意图；

图2是一幅实时采集的浆纱条干图原图；

图3是浆纱条干图像检测步骤；

图4是阈值分割后的浆纱条干图；

图5是去除毛羽和孤立信息后的浆纱条干图；

图1～图5中：1、纱线，2、导纱辊，3、预压辊，4、上浆辊，5、高压辊，6、烘房，7、挡液板，8、分绞筘，9、相机，10、浆液。

具体实施方式：

下面结合附图，详细描述本发明的具体实施方案。

实施例1：

图1是纱线1的上浆过程，如图所示，纱线1经导纱辊2导向后经预压辊3和上浆辊4进入浆液10上浆，然后再绕上浆辊4出浆液10，并通过高压辊5压除纱线1上的多余浆液10，然后进入烘房6进行烘燥，烘燥完成后引出并经分绞筘分离成单根纱线，拦液板7用于调节浆液10的高度。

在这个过程中，采用基于纱线形态变化的上浆率在线调控方法，对高压辊5施加在上浆辊4上的压浆力进行在线调节，该在线调控方法包括如下具体步骤：

1)、如图1所示，利用相机9采集经烘房6烘燥后的片纱视频图像；

2)、测量每帧视频图像中各纱线的直径，并计算均值d；

4)、计算当前纱线直径均值d与标准直径D的差值Δd，Δd＝d-D；

6)、根据步骤5)获得的浆力变化值ΔF对压浆力进行实时调节。

如图2～5所示，步骤2)中每帧视频图像中纱线直径的测量为首先采用阈值分割对实时获取的浆纱图像(如图2所示)进行分割，即将获得的图像转换为二值图像(如图4所示)，其次利用形态学开运算去除得到的二值图像中的毛羽和孤立区域信息，得到清晰、无噪点的纱线条干图像(如图5所示)，统计条干图像中每行或每列中白色点的数量，即为纱线图像中每行的外观直径值。

所述步骤5)中，通过深度学习神经网络方法预测压浆力变化值ΔF的具体步骤包括：

上述步骤b中，输入层特征向量还包括：纱线支数、浆纱机车速、浆槽中浆液浓度、浆槽中浆液温度和浆液含固量。输出层为压浆力变化值ΔF，压浆力变化值ΔF变化范围为[-5，+5]之间的整数，共11个类别。中间层包含五层隐含层，每层隐含层节点数的设置采用每层隐含层的节点数大于输入层节点数的方法确定。

根据需求设置神经网络的基本结构，输入带有标签的样本数据，进行前向传递，层与层之间进行传递，并求其误差进行反向传播，根据误差最小化原则，采用梯度下降的方法，每次参数迭代更新时随机选择丢弃不同的隐含层节点，驱使每个隐含层节点去学习更加有用的、不依赖于其他节点的特征。通过隐含层逐层处理，逐步对神经网络模型进行优化，使得模型的预测输出更接近于样本的真实标签，即使得损失函数最小化。

设权重为w，偏置为b，k表示第l-1层的第k个神经元，第l层的第j个神经元定义如下：

设ε为学习速率，梯度下降定义为：

为了评估和修正预测模型的效果，代价函数C定义为：

其中，n为预测的样本数目，l是神经网络的层数,y(x)是其理所应当的输出值，而a^l(x)是神经网络的输出值。

对模型进行训练时，用于训练网络的样本数3300个，每个类别300个样本。用于验证网络的样本数550个，每个输出50个样本。五层隐含层节点数分别设置为10，100，50，50，50。采用随机小批量梯度下降法进行训练，学习速率设置为0.0001，每次取出60个样本进行训练，采用交叉熵损失函数，在损失函数不再变小时停止训练，保存模型。

训练网络的样本和验证网络的样本均来自于采用相同的浆料配方对纯棉纱线进行上浆时的数据采集。其中浆料配方为淀粉、PVA、聚丙烯酸的质量比为2:3:5，水量600L，总体积700m³。

当对支数为40^S的纯棉纱线进行上浆时，浆纱机车速为38m/min，浆槽中浆液浓度为9.3％，浆槽中浆液温度为92℃，含固量11.6％时，标准直径D为150μm，压浆力为20kN。

当当前纱线直径均值d与标准直径D的差值Δd大于允许误差范围时，则启动模型对压浆力变化值ΔF进行计算。

以下为两个通过模型计算压浆力变化值ΔF的例子：

当纯棉纱线支数为30^S，浆纱机车速为35m/min，浆槽中浆液浓度为9.6％，浆槽中浆液温度为90℃，含固量为12.0％时，纱线直径为142μm，即实时浆纱直径偏差Δd为-8μm。通过本发明的方法计算需调小压浆力至17kN。

当纯棉纱线支数为45^S，浆纱机车速为42m/min，浆槽中浆液浓度为10.8％，浆槽中浆液温度为92℃，含固量为14.6％时，纱线直径为156μm，即实时浆纱直径偏差Δd为6μm。通过本发明的方法计算需调大压浆力至25kN。

本发明工作原理是：通过对烘燥后纱线直径的精确测量获得纱线直径变化值Δd，然后根据Δd反馈到高压辊5，对高压辊5的压浆力进行调节，使烘燥后的纱线直径趋于稳定，保证浆纱生产过程中浆纱质量的稳定性。

进一步地，本发明通过深度学习神经网络方法，根据纱线直径变化值Δd与其他各项参数建立数学模型，并利用模型计算出与直径变化值Δd对应的压浆力变化值ΔF，然后对高压辊5的压浆力进行调整，提高对烘燥后纱线直径的控制精度。

深度学习神经网络模型的优点：

1.随着数据量的增加，传统的机器学习算法在达到一定的效果后，预测的性能并不能提高；但是对于深度网络，训练的数据量越大，预测的效果越好。

2.深度网络能够适应复杂工厂环境下采集的数据，并且计算能力强。

本发明采用的输入维度包括：纱线支数、浆纱机车速、浆槽中浆液浓度、浆槽中浆液温度、浆液含固量和实时浆纱直径偏差Δd，将纱线支数和浆纱过程中的可能影响性因素均考虑在内，是压浆力影响因素的综合反映，能更准确地计算出压浆力变化值ΔF，但由于输入维度过多，传统的机器学习算法难以找到多维度之间的关系，在无法拟合数据时，模型的预测效果会很差，预测结果准确性不高。

因此，相比于传统的机器学习算法，深度学习神经网络模型在基于纱线形态变化的上浆率在线调控过程中，能够有效提高模型计算能力，提高对压浆力变化值ΔF的预测准确性，从而确保浆纱生产过程中浆纱质量的稳定性。

上述实施例仅例示性说明本发明创造的原理及其功效，以及部分运用的实施例，而非用于限制本发明；应当指出，对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims

1.基于纱线形态变化的上浆率在线调控方法，其特征在于，包括如下具体步骤：

1)、采集烘燥后的片纱视频图像；

2)、测量每帧视频图像中各纱线的直径，并计算均值d；

4)、计算当前纱线直径均值d与标准直径D的差值Δd，Δd＝d-D；

6)、根据步骤5)获得的浆力变化值ΔF对压浆力进行实时调节。

2.根据权利要求1所述的在线调控方法，其特征在于，步骤2)中每帧视频图像中纱线直径的测量为首先采用阈值分割对实时获取的浆纱图像进行分割，即将获得的图像转换为二值图像，其次利用形态学开运算去除得到的二值图像中的毛羽和孤立区域信息，得到清晰、无噪点的纱线条干图像，统计条干图像中每行或每列中白色点的数量，即为纱线图像中每行的外观直径值。

3.根据权利要求1所述的在线调控方法，其特征在于，所述步骤5)中，通过深度学习神经网络方法预测压浆力变化值ΔF的具体步骤包括：

4.根据权利要求3所述的在线调控方法，其特征在于，步骤b中，输入层特征向量还包括：纱线支数、浆纱机车速、浆槽中浆液浓度、浆槽中浆液温度和浆液含固量。

5.根据权利要求3所述的在线调控方法，其特征在于，步骤b中，输出层为压浆力变化值ΔF，压浆力变化值ΔF变化范围为[-5，+5]之间的整数，共11个类别。

6.根据权利要求3所述的在线调控方法，其特征在于，步骤b中，中间层包含五层隐含层，每层隐含层节点数的设置采用每层隐含层的节点数大于输入层节点数的方法确定。