CN113848706B - 一种丝线张力检测方法、控制方法及控制装置 - Google Patents
一种丝线张力检测方法、控制方法及控制装置 Download PDFInfo
- Publication number
- CN113848706B CN113848706B CN202111067955.5A CN202111067955A CN113848706B CN 113848706 B CN113848706 B CN 113848706B CN 202111067955 A CN202111067955 A CN 202111067955A CN 113848706 B CN113848706 B CN 113848706B
- Authority
- CN
- China
- Prior art keywords
- tension
- yarn
- neural network
- roller
- rotation speed
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000003062 neural network model Methods 0.000 claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 14
- 238000009987 spinning Methods 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 12
- 230000005856 abnormality Effects 0.000 claims description 6
- 230000001276 controlling effect Effects 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 230000002950 deficient Effects 0.000 abstract description 2
- 210000002569 neuron Anatomy 0.000 description 6
- 230000006870 function Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- ZUOUZKKEUPVFJK-UHFFFAOYSA-N diphenyl Chemical compound C1=CC=CC=C1C1=CC=CC=C1 ZUOUZKKEUPVFJK-UHFFFAOYSA-N 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 241001589086 Bellapiscis medius Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 235000010290 biphenyl Nutrition 0.000 description 1
- 239000004305 biphenyl Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Classifications
-
- 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
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Spinning Or Twisting Of Yarns (AREA)
Abstract
本发明公开了一种丝线张力检测方法、控制方法及控制装置，包括以纺丝工艺参数作为模型输入，以目标罗拉电机电流和丝线张力作为模型输出，构建三层BP神经网络模型；通过样本数据集对神经网络模型进行训练；将实时采集的纺丝工艺参数输入经训练的神经网络模型中，得到预测的目标罗拉电机电流和丝线张力；基于对预测值的判定，实现电机转速调节。本发明在检测丝线张力时，不再需要专门的张力检测仪器，节约了成本。同时，本发明还可实现目标罗拉电机转速根据丝线张力变化进行实时调节，降低丝线张力异常带来的次品率，提升丝线品质。
Description
技术领域
本发明涉及假捻变形机自动控制，具体涉及一种丝线张力检测方法、控制方法及控制装置。
背景技术
如图1所示，丝线在假捻变形机上绕过(绕过指丝线在转动体上卷绕两圈)第一罗拉1，牵伸后进入上热箱(图中未示出)经化学物质联苯处理后，通过第五罗拉6(假捻器)假捻变形，然后依次绕过速度设定罗拉7和第二罗拉2(牵伸盘)，再经下热箱定型处理，接着绕过第三罗拉3进行牵伸，在穿过罗拉导丝5后卷绕在压在第四罗拉4上的纸管上。第一罗拉1、第二罗拉2、第三罗拉3和第五罗拉6均为单锭体单电机驱动(简称为单锭驱动)，而第四罗拉4为多锭体单电机驱动。
另一方面，假捻变形机纺丝张力大小关乎丝线质量等级。目前该机型纺丝过程中的丝线张力是通过在线张力传感器或其他张力仪器进行监测的，而修正张力则是在监测结果基础上，人工调整罗拉速度实现，人工调整方式依赖于经验且无法实现罗拉速度随丝线张力变化实时调节，导致假捻变形机纺出的丝线经常出现次等品。
发明内容
发明目的：本发明的目的是提供一种低成本的丝线张力检测方法；本发明的第二目的是提供一种提升丝线品质的丝线张力控制方法；本发明的第三目的是提供一种实现上述丝线张力控制方法的控制装置。
技术方案：本发明所述的丝线张力检测方法，包括如下步骤：
(1)以纺丝工艺参数作为模型输入，以目标罗拉电机电流I0和丝线张力F0作为模型输出，构建三层BP神经网络模型；
(2)通过样本数据集对神经网络模型进行训练；
(3)将实时采集的纺丝工艺参数输入经训练的神经网络模型中，得到预测的目标罗拉丝线张力F′0。
其中，纺丝工艺参数共有7个，分别为目标罗拉转速、对位罗拉转速、罗拉导丝横动角度和其他四个罗拉的牵伸比。本技术方案中，BP神经网络在经过训练后可对丝线张力进行准确预测，这样就不用再通过张力检测仪器对丝线张力进行检测，节约了成本。需要说明，神经网络如果仅以丝线张力F0作为模型输出，那么最终得到的预测值是没有将目标罗拉电机电流I0和相应位置丝线张力F0同时作为模型输出准确的，而不准确的张力预测并无实际意义。理论上细丝比粗丝张力小，但是在故障缠丝时，张力会持续变大，在张力变大又在预测范围内的时候，电流会持续变化，通过张力和电流做双保险判断，预测更为准确。
进一步地，神经网络中间层节点个数α取[1，10]间任意常数，n为输入层节点个数，l为输出层节点个数。
进一步地，设定第t次输出层学习训练权值调整量为ΔW(t)＝η(δoYT)T+εoΔW(t-1)+τoΔW(t-2)，其中，ΔW(t-1)为(t-1)次学习的权值调整量，ΔW(t-2)为(t-2)次学习的权值调整量，η为学习率，δo为输出层误差，Y为中间层输出向量；εo、τo为动量因子。
进一步地，设定第t次中间层学习训练权值调整量为ΔV(t)＝η(δyXT)T+εyΔV(t-1)+τyΔV(t-2)，其中，ΔV(t-1)为(t-1)次学习的权值调整量，ΔV(t-2)为(t-2)次学习的权值调整量，δy为中间层误差，X为输入层输入向量；εy、τy为动量因子。
引入前两次权值调整量加入当前训练权值调整，相当于加入了前两次的学习经验，可减小振荡趋势，加快网络的学习训练速度。
进一步地，εo、τo、εy、τy取值范围为(0,1)。
本发明进一步保护了一种丝线张力控制方法，包括如下步骤：
(a)采用上述的丝线张力检测方法，获取预测的目标罗拉电机电流I′0和丝线张力F′0，预测的目标罗拉电机电流I′0和相应位置丝线张力F′0在神经网络模型中是同时输出的；
(b)进行预测值判定，若I′0与目标罗拉电机实时电流I间的绝对差值IE小于设定值IEmin，则丝线张力正常，数据异常Derr清零；若F′0异常，或I′0异常，或绝对差值IE大于等于设定值IEmin，则丝线张力异常，数据异常Derr累加1并回到步骤(a)；若采集次数NOcol达到设定的最大连续采集次数NOcolmax，且数据异常Derr不为零，则进入步骤(c)；
(c)调整目标罗拉电机转速为N+ΔN，N为当前目标罗拉电机转速，ΔN为单次转速调整量；转速调整后，回到步骤(a)；若F′0和I′0恢复正常，且绝对差值IE小于设定值IEmin，则调整结束；若转速调节次数NOadj达到设定的最大转速调整次数NOadjmax，丝线张力仍异常，则报警切丝。
通过该技术方案可实现目标罗拉电机转速根据丝线张力变化实时调节，降低丝线张力异常带来的次品率，提升丝线品质。
进一步地，ΔN<N*0.1％。
本发明还保护一种丝线张力控制装置，包括植入有训练好的神经网络模型和判定调节程序的处理器，当神经网络模型和判定调节程序被执行时，实现上述的丝线张力控制方法。如前所述，该技术方案可提升丝线品质。
有益效果：本发明与现有技术相比，具有如下显著优点：(1)本发明不需要张力检测仪器即可实现对丝线张力的检测，节约了成本；(2)本发明可实现目标罗拉电机转速根据丝线张力变化进行实时调节，从而提升丝线品质。
附图说明
图1是丝线在假捻变形机上的丝路示意图；
图2是本发明中，丝线张力控制方法流程图；
图3是本发明中，丝线张力控制装置结构示意图。
具体实施方式
下面结合附图和实施例对本发明的技术方案做进一步详细说明。
本发明的张力检测及控制是就单锭驱动而言的，下面以第二罗拉2作为目标罗拉对本发明的技术方案进行示例性说明，第二罗拉2的对位罗拉为速度设定罗拉7，二者间的丝线张力F待测，参见图1。
一种丝线张力检测方法，包括如下步骤：
(1)以纺丝工艺参数作为模型输入，以第二罗拉2电机电流I0和相应位置丝线张力F0作为模型输出，构建三层BP神经网络模型；
(2)通过样本数据集对神经网络模型进行训练；
(3)将实时采集的纺丝工艺参数输入经训练的神经网络模型中，得到预测的第二罗拉2电机电流I′0和相应位置丝线张力F′0。
具体地，神经网络输入层输入向量X＝(x1,x2,…,xi)T，i＝1,2,…,n，n＝7，即输入层节点为7个，分别为速度设定罗拉7转速N7、第二罗拉2转速N2、罗拉导丝5横动角度NP5、第一罗拉1牵伸比NP1、第三罗拉3牵伸比NP3、第四罗拉4牵伸比NP4和第五罗拉6牵伸比NP6，对应于7个纺丝工艺参数。
神经网络输出层输出向量O＝(o1,…,ok)T，k＝1,…,l，l＝2，即输出层节点为2个，分别为第二罗拉2电机电流I0和相应位置丝线张力F0。
神经网络中间层输出向量Y＝(y1,y2,…,yj)T，j＝1,2,…,m， α取[1,10]间任意常数。本实施例中，经多次试验确定m＝6，即中间层节点为6个。
输入层到中间层权值矩阵为V，vij为输入层第i个神经元至中间层第j个神经元的权值，传递函数为
其中，/>
中间层到输出层权值矩阵为W，wjk为中间层第j个神经元至输出层第k个神经元的权值，传递函数为
其中，/>
神经网络期望输出期望输出向量d＝(d1,…dk)T，k＝1…l，l＝2，分别为第二罗拉2期望电机电流I′和期望丝线张力F′。
期望输出d与实际输出O存在误差
根据以上神经网络结构和各层传递函数，有
由此，通过不断训练学习，调整神经网络的权值wjk和vij，可调整误差E，使之不断减小。
设定网络学习训练每次权值调整量。中间层第j个神经元至输出层第k个神经元的权值调整量，输入层第i个神经元至中间层第j个神经元的权值调整量分别为Δwjk、Δvij，向量表达为ΔW、ΔV。
向量表达即ΔW＝η(δoYT)T，ΔV＝η(δyXT)T。
式中，负号表示梯度下降，η为学习率，取(0,1)之间的数。为输出层误差，/>为隐层误差。
设定第t次输出层学习训练权值调整量为ΔW(t)＝η(δoYT)T+εoΔW(t-1)+τoΔW(t-2)，其中，ΔW(t-1)为(t-1)次学习的权值调整量，ΔW(t-2)为(t-2)次学习的权值调整量，η为学习率，δo为输出层误差，Y为中间层输出向量；
设定第t次中间层学习训练权值调整量为ΔV(t)＝η(δyXT)T+εyΔV(t-1)+τyΔV(t-2)，其中，ΔV(t-1)为(t-1)次学习的权值调整量，ΔV(t-2)为(t-2次学习的权值调整量，δy为中间层误差，X为输入层输入向量；
εo、τo、εy、τy为前两次学习对本次学习的影响因子，称为动量因子。εo、τo、εy、τy取(0,1)。此处引入前两次权值调整量加入当前训练权值调整，相当于加入了前两次的学习经验，可减小振荡趋势，加快网络的学习训练速度。
设计学习率η自适应调整，即根据上一次学习的误差值E来变化，如果误差上升，则本次学习无效，且ηt+1＝η*β(β<0)。反之误差下降，则本次学习有效，且ηt+1＝η*θ(θ>0)。ηt+1为第t+1次的学习率，β、θ为学习率调整系数。
当误差E达到设定的最小误差Emin时，神经网络训练结束，取此时的wjk和vij作为学习训练后的网络权值，同时得到权值矩阵W和V。训练后的神经网络非线性映射能力、泛化能力和容错能力均得到保证。
训练样本收集客户现场15d/30d/75d/150d/300d五个不同品种旦数的数据共34280组，筛选掉不合格数据后，针对不同旦数的数据，分别进行数据归一化并构建样本数据集，用不同样本数据集分别对神经网络进行训练，得到对应不同旦数的权值矩阵W和V。在张力检测时，可根据不同的旦数进行调用。
如图2所示，一种丝线张力控制方法，包括如下步骤：
(a)采用上述的丝线张力检测方法获取预测的第二罗拉2电机电流I′0和相应位置丝线张力F′0；
(b)进行预测值判定，当I′0和F′0在正常范围时(设定【Imin，Imax】为【0.15，0.25】，【Fmin，Fmax】为【6，150】)，将I′0与第二罗拉2实时电流I进行比较，计算绝对差值IE＝|I′0-I|，若I′0与第二罗拉2电机实时电流I间的绝对差值IE小于设定值IEmin，则丝线张力正常，数据异常Derr清零；若F′0异常，或I′0异常，或I′0与实时电流I间的绝对差值IE大于等于设定值IEmin，则丝线张力异常，数据异常Derr累加1(即Derr＝Derr+1)并回到步骤(a)，进行下一次采集判定；若在采集次数NOcol后，NOcol小于设定的最大连续采集次数NOcolmax，且数据异常Derr为零，则重新计采集次数NOcol；若NOcol达到NOcolmax，且数据异常Derr不为零，则进入步骤(c)；
(c)调整第二罗拉2电机转速为N2+ΔN2，N2为当前第二罗拉2电机转速，ΔN2为单次转速调整量；转速调整后，回到步骤(a)；经过NOadj次的调整，NOadj小于设定的最大转速调整次数NOadjmax，若F′0和I′0恢复正常，且I′0与I间的绝对差值IE小于设定值IEmin，则调整结束；若经过NOadj次的调整，NOadj达到设定的最大转速调节次数NOadjmax，丝线张力仍异常，则报警切丝。本实施例中，ΔN2<N2*0.1％。
如图3所示，一种丝线张力控制装置，包括样本数据库、数据存储模块、参数采集模块，以及植入有训练好的神经网络模型和判定调节程序的处理器。
样本数据库中存有收集的样本数据，包括速度设定罗拉7转速N7、第二罗拉2转速N2、罗拉导丝5横动角度NP5、第一罗拉1牵伸比NP1、第三罗拉3牵伸比NP3、第四罗拉4牵伸比NP4和第五罗拉6牵伸比NP6，以及第二罗拉2电机电流I和对应位置丝线张力F。样本数据库中的样本数据经筛选和数据处理后，形成对应不同旦数的样本数据集存入数据存储模块中，供神经网络训练学习。参数采集模块实时采集速度设定罗拉7转速N7、第二罗拉2转速N2、罗拉导丝5横动角度NP5、第一罗拉1牵伸比NP1、第三罗拉3牵伸比NP3、第四罗拉4牵伸比NP4和第五罗拉6牵伸比NP6，以及第二罗拉2电机电流I。当神经网络模型和判定调节程序被执行时，实现上述的丝线张力控制方法，调速指令由处理器发送至第二罗拉2电机执行。
Claims (9)
1.一种丝线张力检测方法，其特征在于：包括如下步骤：
(1)以纺丝工艺参数作为模型输入，以目标罗拉电机电流I0和丝线张力F0作为模型输出，构建三层BP神经网络模型；
(2)通过样本数据集对神经网络模型进行训练；
(3)将实时采集的纺丝工艺参数输入经训练的神经网络模型中，得到预测的目标罗拉丝线张力F′0。
2.根据权利要求1所述的丝线张力检测方法，其特征在于：纺丝工艺参数共有7个，分别为目标罗拉转速、对位罗拉转速、罗拉导丝横动角度和其他四个罗拉的牵伸比。
3.根据权利要求1所述的丝线张力检测方法，其特征在于：神经网络中间层节点个数α取[1，10]间任意常数，n为输入层节点个数，l为输出层节点个数。
4.根据权利要求1所述的丝线张力检测方法，其特征在于：设定第t次输出层学习训练权值调整量为ΔW(t)＝η(δoYT)T+εoΔW(t-1)+τoΔW(t-2)，其中，ΔW(t-1)为(t-1)次学习的权值调整量，ΔW(t-2)为(t-2)次学习的权值调整量，η为学习率，δo为输出层误差，Y为中间层输出向量；εo、τo为动量因子。
5.根据权利要求4所述的丝线张力检测方法，其特征在于：设定第t次中间层学习训练权值调整量为ΔV(t)＝η(δyXT)T+εyΔV(t-1)+τyΔV(t-2)，其中，ΔV(t-1)为(t-1)次学习的权值调整量，ΔV(t-2)为(t-2)次学习的权值调整量，δy为中间层误差，X为输入层输入向量；εy、τy为动量因子。
6.根据权利要求5所述的丝线张力检测方法，其特征在于：εo、τo、εy、τy取值范围为(0，1)。
7.一种丝线张力控制方法，其特征在于，包括如下步骤：
(a)采用权利要求1至6中任一项所述的丝线张力检测方法，获取预测的目标罗拉电机电流I′0和丝线张力F′0；
(b)进行预测值判定，若I′0与目标罗拉电机实时电流I间的绝对差值IE小于设定值IEmin，则丝线张力正常，数据异常Derr清零；若F′0异常，或I′0异常，或绝对差值IE大于等于设定值IEmin，则丝线张力异常，数据异常Derr累加1并回到步骤(a)；若采集次数NOcol达到设定的最大连续采集次数NOcolmax，且数据异常Derr不为零，则进入步骤(c)；
(c)调整目标罗拉电机转速为N+ΔN，N为当前目标罗拉电机转速，ΔN为单次转速调整量；转速调整后，回到步骤(a)；若F′0和I′0恢复正常，且绝对差值IE小于设定值IEmin，则调整结束；若转速调节次数NOadj达到设定的最大转速调整次数NOadjmax，丝线张力仍异常，则报警切丝。
8.根据权利要求7所述的丝线张力控制方法，其特征在于：ΔN＜N*0.1％。
9.一种丝线张力控制装置，其特征在于：包括植入有训练好的神经网络模型和判定调节程序的处理器，当神经网络模型和判定调节程序被执行时，实现权利要求7或8所述的丝线张力控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111067955.5A CN113848706B (zh) | 2021-09-13 | 2021-09-13 | 一种丝线张力检测方法、控制方法及控制装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111067955.5A CN113848706B (zh) | 2021-09-13 | 2021-09-13 | 一种丝线张力检测方法、控制方法及控制装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113848706A CN113848706A (zh) | 2021-12-28 |
| CN113848706B true CN113848706B (zh) | 2024-01-12 |
Family
ID=78973827
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111067955.5A Active CN113848706B (zh) | 2021-09-13 | 2021-09-13 | 一种丝线张力检测方法、控制方法及控制装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113848706B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115520700B (zh) * | 2022-10-25 | 2023-11-28 | 浙江御辰东智能科技有限公司 | 一种多轴多传感器融合的张力稳定方法及装置 |
| CN115729189B (zh) * | 2022-11-21 | 2024-02-27 | 无锡雪浪数制科技有限公司 | 一种融合数据模型和机理模型的生产控制方法 |
Citations (9)
| 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 |
| JP2004183138A (ja) * | 2002-12-03 | 2004-07-02 | Murata Mach Ltd | 繊維機械の異常原因表示装置とその方法 |
| JP2005232624A (ja) * | 2004-02-19 | 2005-09-02 | Murata Mach Ltd | 繊維機械の糸データの解析装置 |
| CN105095962A (zh) * | 2015-07-27 | 2015-11-25 | 中国汽车工程研究院股份有限公司 | 一种基于bp人工神经网络的材料动态力学性能预测方法 |
| CN106567170A (zh) * | 2015-10-09 | 2017-04-19 | 村田机械株式会社 | 纺织机以及控制装置 |
| CN107194625A (zh) * | 2017-07-25 | 2017-09-22 | 国家电网公司 | 基于神经网络的风电场弃风电量评估方法 |
| CN110656385A (zh) * | 2019-10-28 | 2020-01-07 | 季华实验室 | 一种基于神经网络的静电纺丝纤维平均直径预测方法 |
| CN112698568A (zh) * | 2020-10-23 | 2021-04-23 | 西安工程大学 | 基于优化bp神经网络的长丝恒张力控制方法 |
| CN112990618A (zh) * | 2019-12-02 | 2021-06-18 | 国网甘肃省电力公司信息通信公司 | 一种工业物联网中基于机器学习方法的预测方法 |
-
2021
- 2021-09-13 CN CN202111067955.5A patent/CN113848706B/zh active Active
Patent Citations (9)
| 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 |
| JP2004183138A (ja) * | 2002-12-03 | 2004-07-02 | Murata Mach Ltd | 繊維機械の異常原因表示装置とその方法 |
| JP2005232624A (ja) * | 2004-02-19 | 2005-09-02 | Murata Mach Ltd | 繊維機械の糸データの解析装置 |
| CN105095962A (zh) * | 2015-07-27 | 2015-11-25 | 中国汽车工程研究院股份有限公司 | 一种基于bp人工神经网络的材料动态力学性能预测方法 |
| CN106567170A (zh) * | 2015-10-09 | 2017-04-19 | 村田机械株式会社 | 纺织机以及控制装置 |
| CN107194625A (zh) * | 2017-07-25 | 2017-09-22 | 国家电网公司 | 基于神经网络的风电场弃风电量评估方法 |
| CN110656385A (zh) * | 2019-10-28 | 2020-01-07 | 季华实验室 | 一种基于神经网络的静电纺丝纤维平均直径预测方法 |
| CN112990618A (zh) * | 2019-12-02 | 2021-06-18 | 国网甘肃省电力公司信息通信公司 | 一种工业物联网中基于机器学习方法的预测方法 |
| CN112698568A (zh) * | 2020-10-23 | 2021-04-23 | 西安工程大学 | 基于优化bp神经网络的长丝恒张力控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于模糊神经网络PID的线切割张力控制系统的分析;刘洁;魏金成;伍林;;制造业自动化(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113848706A (zh) | 2021-12-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113848706B (zh) | 一种丝线张力检测方法、控制方法及控制装置 | |
| CN116341771B (zh) | 一种耐低温电缆生产工艺智能优化方法及系统 | |
| CN109270842A (zh) | 一种基于贝叶斯网络的区域供热模型预测控制系统及方法 | |
| CN112651928B (zh) | 基于动态卷积神经网络的涤纶长丝均匀性在线检测系统 | |
| CN109493327B (zh) | 基于纱线形态变化的上浆率在线调控方法 | |
| DE4436658A1 (de) | Vorrichtung und Verfahren zur Störungsuntersuchung | |
| CN112698568B (zh) | 基于优化bp神经网络的长丝恒张力控制方法 | |
| CN113102516B (zh) | 融合轧制机理和深度学习的热连轧带钢头部宽度预测方法 | |
| CN113179655A (zh) | 确定用于纺纱厂内的纺织机器和工艺的适配的机器参数 | |
| CN113584653B (zh) | 检测纺纱厂中的故障及估计其一个或多个源的装置和方法 | |
| He et al. | Automated process parameter resetting for injection moulding: a fuzzy-neuro approach | |
| CN106054840A (zh) | 一种全流程产品质量在线管控系统 | |
| US5397514A (en) | Process for producing flat and annular-cross-section extrudates and device for implementing the process | |
| CN111709181B (zh) | 基于主成分分析的涤纶长丝工业生产流程故障预测方法 | |
| CN114782425B (zh) | 纺织品生产过程中络筒工艺参数控制方法及人工智能系统 | |
| CN111753969A (zh) | 一种膜片自动化卷绕机的控制方法 | |
| CN114967422A (zh) | 基于计算机辅助决策的整经机智能检测及控制系统 | |
| DE4202352A1 (de) | Verfahren und vorrichtung zur regulierung eines streckwerkes | |
| CN117071096A (zh) | 基于知识图谱的丝锭质量控制方法、装置和设备 | |
| CN109494946A (zh) | 一种分瓣式大型风电定子线圈绕组的绕制结构及绕制系统 | |
| US11853019B1 (en) | Intelligent control of spunlace production line using classification of current production state of real-time production line data | |
| CN109626126A (zh) | 一种通过测试长丝张力以控制丝卷卷绕超喂率的方法 | |
| CN117348380B (zh) | 一种络筒机用筒纱错支调控系统 | |
| Abbas et al. | Deep residual policy reinforcement learning as a corrective term in process control for alarm reduction: A preliminary report | |
| Kavitha et al. | Ann Based Model With Pca For Fault Diagnosis In Ring Spinning Process |
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 |