CN110650910B - 用于监控行进纱线的纱线张力的方法和装置 - Google Patents

Abstract

本发明涉及一种用于监控纱线处置过程中行进纱线的纱线张力的方法和装置。为此，连续测量纱线的纱线张力，并将纱线张力的测量信号相比于允许纱线张力的阈值。在测量信号有不允许的容差偏差的情形下，纱线张力的短期信号路径被检测而作为故障图形。为了能够进行故障诊断，使用机器学习程序分析纱线张力的故障图形。然后将故障图形分配至一个已知故障类别或者新故障类别。根据本发明的装置包括针对该目的的诊断单元(18)，其与纱线张力评估单元(19)相应地协作。

Description

用于监控行进纱线的纱线张力的方法和装置

技术领域

本发明涉及一种用于监控纱线处置过程中行进纱线的纱线张力的方法和用于监控的装置。

背景技术

用于监控纱线处置过程中行进纱线的纱线张力的通用方法和通用装置是已知的，例如，已知于DE19614027A1。

在生产以及处置纱线时，典型地连续监控产品和/或过程参数，因而获得最稳定的可能过程控制，尤其最稳定的可能纱线产品质量。尤其在生产变形纱线时，监控行进纱线的纱线张力已经被证明其本身可识别过程扰动和/或产品变型。在用于监控行进纱线的纱线张力的公知方法和公知装置中，为了该目的连续测量纱线上的纱线张力。在该情况下将生成的纱线张力的测量信号相比于允许纱线张力的阈值。在该情况下，能够生成所谓的故障图形，故障图形显示在不允许容差偏差的情形下纱线张力的测量信号的信号曲线。尤其是，例如，可以因而建立纱线的质量变化，质量变化能够使得质量分级。此外，公知的是，取决于过程中相应的扰动，故障图形反映了纱线张力的不同信号曲线。因而有经验的操作员能够使用故障图形的纱线张力的信号曲线来识别可能的扰动源。

发明内容

本发明的目的是，提出用于监控纱线处置过程中行进纱线的纱线张力的通用方法和通用装置，使得能够改善过程控制以生产均匀的纱线质量。

本发明的进一步目的是，提供一种用于监控纱线处置过程中行进纱线的纱线张力的通用方法和通用装置，使用其能够识别过程扰动，还能快速且有针对性地纠正它们。

本发明基于的发现是，纱线张力的测量信号曲线的故障图形能够用作过程扰动的指示。为了使用故障图形作为诊断的基础，根据本发明使用机器学习程序分析故障图形。然后将故障图形分配至已知故障图形类别或者新故障图形类别。因而提供了独特的故障图形的分类。尤其分配至已知故障图形类别能够得到早期误差诊断，使得可快速识别出基础扰动原因。但是，可替换地，在过程期间，还能够得到先前未知或者先前未考虑的新过程扰动结果。在该情况下，故障图形能够通过机器学习程序被分配至新故障图形类别。

确定的故障图形能够被存储以扩展数据池。

由于故障图形的曲线轮廓不同，因此还存在这样的选择：依靠纱线张力的一个故障图形的或者一组故障图形的故障图案具体指定故障图形类别。因而可以基本改善在通过机器学习程序分析故障图形期间相关故障图形类别的可视化。

为了在故障图形分配至其中一个故障图形类别之后实施快速且有针对性的过程改变，以下方法变型是特别有利的：将具体过程扰动和/或具体操作故障和/或具体扰动参数和/或具体产品故障分配至每个故障图形类别。在分配故障图形之后，纱线张力偏差的基础原因因而能够被立即纠正。因而可以避免尤其在生产纱线期间大的丢弃量。

为了自动化相应的纱线处置过程，以下方法变型是有利的：在其中一个故障图形分配至其中一个故障图形类别之后，触发相关于故障图形类别的控制命令以用于过程改变。例如，过程改变会引起直接干涉纱线处置过程或者通过操作员发动干涉。

由于多个故障图形发生在纱线处置过程中，方法变型已经证明其本身，尤其在方法变型中通过机器学习程序的至少一个机器学习算法来执行故障图形的分析。因而人工智能可以用以实施结构分析，甚至利用大量数据并且快速查找已知以及新故障图形类别。

但是，为了该目的，首先需要机器学习算法首先访问用于学习的确定的基本数据。为了此目的，将先前已经分配一个故障图形类别的故障图形传递至用于学习的机器学习算法。

在学习阶段之后，机器学习算法能够依靠预定故障图形的分析独立将其分配至至少一个现存的故障图形类别或者新故障图形类别。因而过程中扰动的新原因能够有利地被识别以及在未来被定义。

根据本发明的装置允许纱线张力分析单元直接与诊断单元互相作用，使得误差识别和诊断变得可能。诊断单元因而首先能够使用机器学习程序分析故障图形，随后将故障图形分配至现存的故障图形类别或者新故障图形类别。

为了能够使用新确定的故障图形用于后续分析，诊断单元包括：存储单元，其用于存储故障图形；以及可编程学习处理器，其用于执行机器学习程序以及随后确定故障类别。

在该情况下，学习处理器能够联接至输入单元，通过输入单元能够输入一个或多个确定的故障图形。已经公知的故障图形类别因而也能够有利地给定至诊断单元以改善机器学习程序。

为了通知操作员有关过程控制期间相应的过程进程，此外提供的是，学习处理器联接至输出单元，通过输出单元能够对将所分析的故障图形分配至一个故障图形类别进行可视化。该输出单元在该情况下能够有利地无线联接至学习处理器，能够代表使用其能够显示故障图形类别的任何类型装置。

为了获得用于故障诊断的可能的自动化系统，进一步提供的是，学习处理器包括用于实施机器学习程序的神经网络。复杂纱线处置过程对应地具有很多种数据，因而还能够连续、可靠地被监控。

为了监控多个纱线处置过程，有利地可使用根据本发明的装置的变型，其中，学习处理器布置成在空间上与输入单元和输出单元分离。在该情况下存在的选择是，学习处理器接触多个输入单元和/或多个输出单元。然后连接优选为无线地建立，使得学习处理器还可以形成在虚拟空间中。

根据本发明的装置变型有利地用于自动化，在该变型中，诊断单元连接至机器控制单元，通过机器控制单元能够执行用于过程改变的控制命令。因而能够在分配相应的故障图形之后立即消除精确的扰动原因。

附图说明

参考附图，此后将基于根据本发明的装置的示范实施例更详细解释根据本发明的用于监控纱线处置过程中行进纱线的纱线张力的方法。

在图中：

图1示意地示出了纱线处置过程，具有根据本发明用于监控纱线张力的装置的示范实施例。

图2示意地示出了来自图1根据本发明用于监控纱线张力的装置的示范实施例。

图3.1至图3.5示出了不同故障图形类别的多个不同故障图形。

具体实施方式

图1示意地示出了纱线处置过程，具有根据本发明的装置的示范实施例。纱线处置过程涉及一种卷曲变形过程，如其在卷曲变形机的多个处理点执行。这种卷曲变形机的处理点1和卷绕点2示意地示出在图1中。处理点1包括供给站4，供给筒子5以及储备筒子6保持在供给站4中。供给筒子5供给纱线3，纱线3被传递至处理点1以用于拉伸以及变形。

通过第一导丝辊单元7.1执行从供给筒子5收回纱线。导丝辊单元7.1经由导丝辊驱动器8.1被驱动。在进一步进程中，加热单元9、冷却单元10以及卷曲变形组件11布置于导丝辊单元7.1的下游。卷曲变形组件11经由卷曲变形驱动器11.1被驱动。卷曲变形组件11优选设计为摩擦扭转生成器以在纱线3上生成假捻。

通过导丝辊驱动器8.2操作的用于拉伸纱线的第二导丝辊单元7.2布置于卷曲变形组件11的下游。导丝辊单元7.2在构造上与第一导丝辊单元7.1相同，其中，第二导丝辊单元7.2以更高圆周速度操作以拉伸纱线。因而纱线3被卷曲变形并且同时在处理点1内被拉伸。在处置纱线之后，纱线通过第三导丝辊单元7.3被引导至卷绕点2。导丝辊单元7.3通过导丝辊驱动器8.3被驱动。

卷绕点2包括支撑筒子14的筒子保持件13。筒子保持件13设计为能够枢转并且可手动或者自动操作以更换筒子14。由辊驱动器15.1驱动的驱动辊15分配至筒子保持件13。横动单元12包括可驱动横动纱线引导件，横动单元12分配卷绕点2，用于将纱线铺设在筒子15的圆周上。为了该目的，横动纱线引导件经由横动驱动器12.1被驱动。

卷绕点2的横动驱动器12.1和辊驱动器15.1形成为单个驱动器并且连接至机器控制单元16。处理点1的导丝辊驱动器8.1、8.2和8.3以及卷曲变形驱动器11.1还实施为单个驱动器并且联接至机器控制单元16。

为了过程监控，连续测量以及监控导丝辊单元7.2和7.3之间纱线段中行进纱线3的纱线张力。为了该目的，提供了纱线张力测量单元17，其包括纱线张力传感器17.1和测量信号拾取器17.2。纱线张力测量单元17连接至诊断单元18。此外，参考图2，进一步解释诊断单元18。

根据本发明用于监控行进纱线的纱线张力的装置示意地图示于图2。在该情况下诊断单元18包括纱线张力分析单元19，纱线张力分析单元19直接连接至纱线张力测量单元17。测量信号拾取器17.2的测量信号因而供给至纱线张力分析单元19。测量信号被准备好并且将其与纱线张力分析单元19内的至少一个限值相比较。将纱线张力的测量信号典型地相比于上限值和下限值。一旦识别出纱线张力的不允许容差偏差，则记录纱线张力的短期测量信号轮廓并且生成为故障图形。为了该目的，纱线张力分析单元19包括故障图形生成器19.1。故障图形被传递至学习处理器20。学习处理器20实施为可编程的，优选包括神经网络以实施机器学习程序。机器学习程序包括至少一个机器学习算法以能够使用人工智能实施广泛分析。

故障图形的数据池存储在存储单元21中，存储单元21分配于学习处理器20。此外，输入单元22和输出单元23分配于学习处理器20。

学习处理器20和纱线张力测量单元17、存储单元21、输入单元22和输出单元23之间的连接能够均通过有线或者无线连接建立。尤其在无线连接的情形下，存在的选择是，单个单元不是必须被保持在相同位置。学习处理器20因而优选无线集成至诊断单元18。还存在的选择是，在该情况下将学习处理器20布置在虚拟空间中，独立于输入单元22和输出单元。

在学习处理器20中使用机器学习程序分析通过故障图形生成器19.1生成的故障图形。为了该目的，机器学习程序包括至少一个机器学习算法，其执行故障图形的结构分析以借助于神经网络识别故障图形类别。在该情况下通过一个故障图形的或者一组故障图形的单个故障图案能够具体化故障图形类别。

典型故障图形以及故障图形类别的故障图案的若干示范实施例图示于图3.1至图3.5。图示于图3.1至图3.5的每个故障图案图示出分配具体故障图形类别的故障图形。

在图3.1中，为了该目的，在上半图像中，借助示例，纱线张力的测量信号的进程图示为故障图形。纱线张力的测量信号在该情况下与上限值和下限值比较。在故障图形中，上限值由字母OG识别，下限值由字母UG识别。为了该目的，纱线张力T绘制在纵坐标上，时间t绘制在横坐标上。在图示于图3.1的纱线张力的信号走向中，能够识别短暂超越上限值。该非常突然的超越具有的原因为所谓的结泛滥。因而从根据图1的示范实施例能够看出的是，供应筒子的一个端部与储备筒子的起始端打结，以能够得到连续过程。该连接结在纱线行进中导致纱线张力传感器17.1中的短期纱线张力升高。尤其为了进一步的处理过程，关于端部筒子是否包含结且因而包含两个供应筒子的供应材料的信息是非常重要的。

在图3.1中，图示在上半图像中的故障图形被图示，下半图像中图示了故障图案。例如，在下半图像中图示于图3.1的故障图案代表故障图形类别A。在稍后的过程控制中，因而可以通过分析故障图形确定故障图形类别A，以及对于操作员来说可以可视化故障图案。

另外的故障图案图示于图3.2至图3.5，它们每个限定具体故障图形类别。

图示于图3.2的故障图案限定故障图形类别B。故障类别B具有的扰动原因在于纱线断裂或者操作错误，因为纱线张力传感器的纱线张力突然完全垮塌。

图示于图3.3的故障图案限定故障图形类别C。例如，故障图形类别C代表工艺组件(例如，纱线所接触的冷却杆)的磨损情况。

在图示于图3.4的故障图案中，故障图形的测量信号的容差偏差位于下限值处。这表明短期纱线张力损失。在该情况下分配故障图案限定故障图形类别D。此处可以表示在筒子更换期间在卷绕点2中的过程扰动。

在图示于图3.5的故障图案中，测量到再发生超过上限值的纱线张力的测量信号。在该情况下分配故障图案形成故障图形类别E。例如，故障图形类别E能够是纱线的不均匀卷曲变形。

具体过程扰动或者具体操作故障或者具体产品故障因而被分配至每个故障图形类别A至E。图示于图3.1至图3.5的故障图形类别是示范性的。在如图1所示的纱线处置过程中，能够发生各种故障图形类别，这是在过程中独特原因产生的结果。

在图示于图2的诊断单元18中，使用学习处理器20内的机器学习程序来分析由纱线张力分析单元19提供的故障图形。为了该目的，借助于至少一个、优选多个机器学习算法分析故障图形。在分析结束时，分类至其中一个已经学习的故障图形类别。如果在该情况下这是一个还未知的故障图形类别，则提供一种新故障类别并收纳在学习处理器的机器学习程序内。

为了执行操作，学习处理器包括神经网络以能够执行机器学习算法。诊断单元因而完全自动化以分析故障图形，以及因而监控纱线张力和启动对应测量以纠正扰动。

在根据图2的示范实施例中，故障图形的本分析已经导致分配至故障图形类别A。例如，在输出单元23处通过故障图案能够可视化该故障图形类别，并且操作员被通知并且他们自己能够实施行为。但是，可替换地，信号能够通过学习处理器20直接给定至机器控制单元16。学习处理器20因此还连接至机器控制单元16。因而，例如，在故障图形类别A的情形下，过早的筒子提前更换能够被启动以使在被卷绕的筒子中不包括带结的连接。

在过程的稍后进程中，诊断单元18还能够生成新的先前未知的故障类别。诊断单元18因而代表自学习系统，通过其对各种类别执行自动分类。在该情况下每个故障图形类别代表具体过程扰动，使得获取的故障图形经由故障图形类别被自动分配扰动参数。因而通过故障图形类别和扰动参数之间的关系来执行卷曲变形过程中快速、明确的故障诊断，并且通过对应反应来自动消除故障。

Claims (12)

1.一种用于监控纱线处置过程中行进纱线的纱线张力的方法，其中，连续测量所述纱线的纱线张力，将所述纱线张力的测量信号与允许纱线张力的至少一个限值进行比较，并且在所述测量信号的不允许容差偏差的情形下，所述纱线张力的短期信号轮廓作为故障图形被获取，其特征在于，使用机器学习程序分析所述纱线张力的所述故障图形，并且将所述故障图形分配至已知故障图形类别或新故障图形类别。

2.根据权利要求1所述的方法，其特征在于，通过多个故障图形中的一个所述故障图形的故障图案或一组故障图形来具体化每个所述故障图形类别。

3.根据权利要求1或2所述的方法，其特征在于，将具体过程扰动和/或具体操作故障和/或具体扰动参数和/或具体产品故障分配至每个所述故障图形类别。

4.根据权利要求3所述的方法，其特征在于，在将其中一个所述故障图形分配至其中一个所述故障图形类别之后，触发关于所述故障图形类别的控制命令以进行过程改变。

5.根据权利要求1所述的方法，其特征在于，通过所述机器学习程序的至少一个机器学习算法来执行所述故障图形的分析。

6.根据权利要求5所述的方法，其特征在于，通过所述机器学习算法根据所分析的故障图形单独限定至少一个所述故障图形类别。

7.一种用于实施根据权利要求1至6中任一项所述的方法的装置，该装置包括：纱线张力测量单元(17)，该纱线张力测量单元具有纱线张力传感器(17.1)以及测量信号拾取器(17.2)；和包括纱线张力分析单元(19)的诊断单元(18)，该纱线张力分析单元(19)具有故障图形生成器(19.1)，其特征在于，所述诊断单元(18)被构造成使得故障图形能够使用机器学习程序来分析，并且已知故障图形类别或者新故障图形类别被分配至所述故障图形。

8.根据权利要求7所述的装置，其特征在于，所述诊断单元(18)包括存储单元(21)和用于执行所述机器学习程序的可编程学习处理器(20)。

9.根据权利要求8所述的装置，其特征在于，所述学习处理器(20)联接至输入单元(22)，通过所述输入单元(22)能够输入一个或多个确定的故障图形。

10.根据权利要求8或9所述的装置，其特征在于，所述学习处理器(20)联接至输出单元(23)，通过所述输出单元(23)能够对将所分析的所述故障图形分配至其中一个所述故障图形类别进行可视化。

11.根据权利要求8所述的装置，其特征在于，所述学习处理器(20)包括用于执行所述机器学习程序的神经网络。

12.根据权利要求7所述的装置，其特征在于，所述诊断单元(18)被连接至机器控制单元(16)，通过所述机器控制单元(16)能够执行用于过程改变的控制命令。

Images