CN114997069A - 基于机器学习的纺织布料卷取张力预测系统 - Google Patents

基于机器学习的纺织布料卷取张力预测系统 Download PDF

Info

Publication number
CN114997069A
CN114997069A CN202210828645.9A CN202210828645A CN114997069A CN 114997069 A CN114997069 A CN 114997069A CN 202210828645 A CN202210828645 A CN 202210828645A CN 114997069 A CN114997069 A CN 114997069A
Authority
CN
China
Prior art keywords
fabric
tension
stress
coiling
time period
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.)
Granted
Application number
CN202210828645.9A
Other languages
English (en)
Other versions
CN114997069B (zh
Inventor
张美珍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Haimen Hengchuang Ribbon Co ltd
Original Assignee
Haimen Hengchuang Ribbon Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Haimen Hengchuang Ribbon Co ltd filed Critical Haimen Hengchuang Ribbon Co ltd
Priority to CN202210828645.9A priority Critical patent/CN114997069B/zh
Publication of CN114997069A publication Critical patent/CN114997069A/zh
Application granted granted Critical
Publication of CN114997069B publication Critical patent/CN114997069B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Controlling Rewinding, Feeding, Winding, Or Abnormalities Of Webs (AREA)

Abstract

本发明涉及电数字数据处理技术领域，具体涉及一种基于机器学习的纺织布料卷取张力预测系统，该系统本质上是一种使用机器学习，如神经网络的系统，具体包括：数据采集模块，用于获取各织物段的张力、应力以及伺服电机转速；数据处理模块，用于获取各织物段的卷取稳定程度、送经过程相似度以及张力的差异度；张力预测模块，用于构建第一预测神经网络，并利用第一预测损失函数完成网络的训练；通过第一预测神经网络得到预测织物张力，计算伺服电机的预测调整度，并对电机进行相应的调整。本发明能够实现对纺织布料卷取张力的预测，并且能够精确的对电机进行调整，使得张力处于稳定状态。因此，本发明的系统可以用于新兴软件和新型信息技术服务。

Description

基于机器学习的纺织布料卷取张力预测系统
技术领域
本发明涉及电数字数据处理技术领域，具体涉及一种基于机器学习的纺织布料卷取张力预测系统。
背景技术
经纱和纬纱在织机中经纬交织形成织物，织物经过送经伺服电机运送织物到卷取伺服电机在卷布辊上完成卷取。在此过程中，织物经过送经伺服电机后形成一定的张力，织物的张力必须保持在一定的范围内，织物的张力过大或者过小都会对织物的卷取造成不可挽回的危害。卷取伺服电机在对织物卷取中，卷布辊上的织物直径越来越大，此时卷布辊中织物的张力会变大，进而会由于张力过大导致织物的卷取异常。因此，对织物张力的控制是关键环节，并且根据张力对电机转速进行调节也是尤为重要的。
织物在卷取过程中，往往需要检测织物或者纺织布料的张力，并对电机转速进行调节，以此使得织物或者纺织布料可以完成更好的卷取，随着织物或者纺织布料卷取在卷布辊上，织物或者纺织布料的张力会变大，通过使卷取制动器打滑以此减小织物或者纺织布料的张力，这种控制方式过于简单，导致难以对织物的张力持续而精确的控制。并且现有技术中，只是根据实时检测到的织物张力进行调节电机转速，并未对下一时刻的情况进行预测，不能够及时做出调整。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于机器学习的纺织布料卷取张力预测系统，所采用的技术方案具体如下：
数据采集模块，用于获取设定时间段内不同时刻各织物段的张力、卷布辊上的应力以及各织物段在送经时送经伺服电机转速；并获取各织物段的张力阈值；
数据处理模块，用于根据织物段的张力、卷布辊上的应力以及张力阈值，计算各织物段的卷取稳定程度；基于相邻两个织物段的张力和送经伺服电机转速，计算送经过程相似度；计算相邻两个织物段的卷取稳定程度的差值，并计算设定时间段内所有时刻相邻两个织物段的张力差值之和，根据所述差值与差值之和的乘积、以及送经过程相似度，得到张力的差异度；
张力预测模块，用于根据张力的差异度获取送经张力惩罚因子，将设定时间段内所有时刻织物段的张力构成织物张力序列；将织物张力序列输入第一预测神经网络，输出预测织物张力序列，利用第一预测损失函数监督第一预测神经网络的训练；其中，送经张力惩罚因子为第一预测损失函数的权重；根据预测织物张力序列中的预测织物张力以及织物段的张力阈值，计算送经伺服电机转速的预测调整度，根据所述预测调整度对送经伺服电机转速进行调节。
优选地，所述卷取稳定程度的获取方法具体为：
计算设定时间段内所有时刻织物段的张力的标准差，获取设定时间段内所有时刻织物段在卷布辊上的应力的均值，并计算设定时间段内各时刻织物段的张力与张力阈值的差值之和；根据所述标准差、均值以及差值之和得到织物段的卷取稳定程度。
优选地，所述卷取稳定程度的计算方法为：
Figure 474024DEST_PATH_IMAGE001
其中，
Figure 873913DEST_PATH_IMAGE002
表示织物段a的卷取稳定程度，
Figure 362663DEST_PATH_IMAGE003
表示设定时间段内所有时刻织物段在卷布辊上的应力的均值，
Figure 506200DEST_PATH_IMAGE004
表示第i时刻织物段的张力，
Figure 295164DEST_PATH_IMAGE005
表示设定时间段内所有时刻织物段的张力的标准差，
Figure 131533DEST_PATH_IMAGE006
表示张力阈值，n表示设定时间段内的时刻总数。
优选地，所述送经过程相似度的获取方法具体为：
将设定时间段内所有时刻织物段在送经时的送经伺服电机转速构成送经转速序列；根据相邻两个织物段的织物张力序列的相似度与相邻两个织物段的送经转速序列的相似度之积，得到送经过程相似度。
优选地，所述数据采集模块还用于：获取设定时间段内不同时刻各织物段在卷取时卷取伺服电机转速，将设定时间段内所有时刻织物段在卷取时的卷取伺服电机转速构成送经转速序列；并将设定时间段内所有时刻织物段在卷布辊上的应力构成织物应力序列。
优选地，所述数据处理模块还用于：
根据相邻两个织物段的织物应力序列的相似度与相邻两个织物段的卷取转速序列的相似度之积，得到卷取过程相似度；计算设定时间段内所有时刻相邻两个织物段的应力差值之和，根据相邻两个植物段的卷取稳定程度的差值与所述应力差值之和的乘积、以及卷取过程相似度，得到应力的差异度。
优选地，所述张力预测模块还用于：
根据应力的差异度获取卷取应力惩罚因子，将织物应力序列输入第二预测神经网络，输出预测织物应力序列，利用第二预测损失函数监督网络的训练，其中，卷取应力惩罚因子为第二预测损失函数的权重；根据预测织物应力序列中的预测织物应力，计算卷取伺服电机转速的预测调整度，根据所述预测调整度对卷取伺服电机转速进行调节。
本发明实施例至少具有如下有益效果：
本发明涉及电数字数据处理技术领域，具体涉及一种基于机器学习的纺织布料卷取张力预测系统，该系统本质上是一种使用机器学习，如神经网络的系统。本发明通过采集织物或者纺织布料在送经过程中的张力以及在卷布辊上的应力，并通过计算相邻两个织物段或者纺织布料段的张力差异度以及应力差异度，分别获取惩罚印制作为两个预测神经网络的权重，实现对织物或者纺织布料的张力以及应力的预测，并通过预测织物张力和预测织物应力获取相应的伺服电机的调整度。
本发明能够实现对纺织布料卷取张力的预测，并且能够精确的对电机进行调整，使得张力处于稳定状态，并且通过预测神经网络提前预测张力以及应力的相关信息，可以实现织物或者纺织布料进行高速卷取。因此，本发明的系统可以用于新兴软件和新型信息技术服务。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1是本发明的一种基于机器学习的纺织布料卷取张力预测系统的系统框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于机器学习的纺织布料卷取张力预测系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于机器学习的纺织布料卷取张力预测系统的具体方案。
实施例：
本发明针对的场景为：经纱和纬纱在织机中经纬交织形成织物，织物经过送经伺服电机运送织物到卷取伺服电机在卷布辊上完成卷取。
请参阅图1，其示出了本发明一个实施例提供的一种基于机器学习的纺织布料卷取张力预测系统的系统框图，该系统包括：
数据采集模块，用于获取设定时间段内不同时刻各织物段的张力、卷布辊上的应力以及各织物段在送经时送经伺服电机转速；并获取各织物段的张力阈值。
首先，将张力传感器安装在送经伺服电机之后，具体的安装位置不同的送经机构会有一定的偏差，应根据实际情况进行安装设置，利用张力传感器测量织物的张力是行业内已知且成熟的方法，在此不再过多赘述。
在本实施例中，将同一批次织物均分成m段，利用张力传感器实时测量各织物段的张力，采集在设定时间段内不同时刻各织物段的张力，并将设定时间段内所有时刻织物段的张力构成织物张力序列。其中m的取值为100，将时间段设定为1分钟，设定时间段对应的时刻设定为1秒，实施者可根据实际情况调整设定时间段和时刻对应的值。
同时，获取各织物段的张力阈值，即在织物卷取过程中，织物的张力在张力阈值的取值周围一定的范围内变化，织物的张力过大或者过小，都会对织物卷取过程造成危害。织物的张力阈值可根据经验公式进行计算，表示为：
Figure 638738DEST_PATH_IMAGE007
其中，
Figure 585965DEST_PATH_IMAGE006
为织物的张力阈值，k为织物张力系数，
Figure 760595DEST_PATH_IMAGE008
为织物屈服极限，
Figure 296094DEST_PATH_IMAGE009
表示织物的单位张力，
Figure 431540DEST_PATH_IMAGE010
、
Figure 41513DEST_PATH_IMAGE011
分别为织物的宽度和厚度，单位为毫米。
织物在送经和卷取过程中，织物的张力随着卷布辊上织物直径的增大而增大，这就需要对伺服电机转速进行调整，使得织物的张力维持在一定范围内，则该范围根据经验可知为
Figure 680436DEST_PATH_IMAGE012
。
然后，将应力传感器安装在卷布辊上，具体安装位置可根据实际情况来决定。随着织物被卷取在卷布辊上，卷布辊上的织物直径增大，其角速度也会随之变化，应力传感器测得的应力会越来越大。这是由于卷布辊上织物卷的越多，施加给卷布辊的力越大，应力传感器测量的应力也就越大，卷取制动器发生打滑的现象，织物卷取的稳定性也就越差，对织物的张力就不能精确的控制，因此需要根据应力对卷取伺服电机转速进行调节，以更好的控制织物的张力，使之能够达到更好的卷取效果。
利用应力传感器可直接获取卷布辊上的应力信息，实时测量各织物段在卷布辊上的应力，采集在设定时间段内不同时刻各织物段在卷布辊上的应力，并将设定时间段内所有时刻的应力构成织物应力序列。
最后，利用光电编码器可以直接获取伺服电机的转速信息，实时测量各织物段在送经时送经伺服电机转速以及在卷取时卷取伺服电机转速。采集在设定时间段内不同时刻各织物段在送经时送经伺服电机转速，并将设定时间段内所有时刻的伺服电机转速构成送经转速序列。采集在设定时间段内不同时刻各织物段在卷取时卷取伺服电机转速，并将设定时间段内所有时刻的伺服电机转速构成卷取转速序列。
其中，光电编码器是一种通过光电转换将输出轴上的机械几何位移量转换成脉冲或数字量的传感器，光电码盘与伺服电机同轴，其中光栅盘与伺服电机一同旋转，经过发光二极管等检测装置检测脉冲信号，将脉冲信号转化为电机的转速。
数据处理模块，用于根据织物段的张力、卷布辊上的应力以及张力阈值，计算各织物段的卷取稳定程度；基于两个相邻织物段的张力和送经伺服电机转速，计算送经过程相似度；计算两个相邻织物段的卷取稳定程度的差值，并计算设定时间段内所有时刻两个相邻织物张力差值之和，根据所述差值与差值之和的乘积、以及送经过程相似度，计算张力的差异度。
首先，计算设定时间段内所有时刻织物段的张力的标准差，获取设定时间段内所有时刻织物段在卷布辊上的应力的均值，并计算设定时间段内各时刻织物段的张力与张力阈值的差值之和；根据所述标准差、均值以及差值之和得到织物段的卷取稳定程度，用公式表示为：
Figure 717662DEST_PATH_IMAGE013
其中，
Figure 137142DEST_PATH_IMAGE002
表示织物段a的卷取稳定程度，
Figure 426172DEST_PATH_IMAGE003
表示设定时间段内所有时刻织物段在卷布辊上的应力的均值，织物段在卷布辊上的应力增加，会使得卷取制动器打滑以减弱织物段的张力，则织物段的卷取稳定性降低。
Figure 309814DEST_PATH_IMAGE005
表示设定时间段内所有时刻织物段的张力的标准差，则所有时刻织物段的张力的标准差越大，织物卷取的稳定程度小。
Figure 393308DEST_PATH_IMAGE004
表示第i时刻织物段的张力，
Figure 362401DEST_PATH_IMAGE006
表示张力阈值，n表示设定时间段内的时刻总数。
Figure 189543DEST_PATH_IMAGE014
表示织物在设定时间段内各时刻织物段张力与张力阈值的差值和，由于织物段在卷取过程中，其张力处于随时变化的状态，实时检测到的织物段的张力与张力阈值之间的差值越大，说明该织物段的稳定度低。
按照上述公式计算各织物段的卷取稳定程度，并且需要对各织物段的卷取稳定程度进行归一化处理，使其值域的取值范围为[0,1]。
然后，根据两个相邻织物段的织物张力序列的相似度与送经转速序列的相似度之积，得到送经过程相似度，用公式表示为：
Figure 193271DEST_PATH_IMAGE015
其中，
Figure 447666DEST_PATH_IMAGE016
表示织物段b和织物段c的送经相似度，
Figure 904055DEST_PATH_IMAGE017
、
Figure 328695DEST_PATH_IMAGE018
分别表示织物段b和织物段c的送经转速序列，
Figure 62296DEST_PATH_IMAGE019
、
Figure 877805DEST_PATH_IMAGE020
分别表示织物段b和织物段c的织物张力序列，其中织物段b与织物段c为相邻织物段。
Figure 696857DEST_PATH_IMAGE021
表示皮尔逊相关系数，
Figure 724856DEST_PATH_IMAGE022
为截断函数，用于截断皮尔逊相关系数中小于0的值，DTW为时间规整算法。
根据相邻两个织物段的织物应力序列的相似度与卷取转速序列的相似度之积，得到卷取过程相似度，用公式表示为：
Figure 312963DEST_PATH_IMAGE023
其中，
Figure 971477DEST_PATH_IMAGE024
表示织物段b和织物段c的卷取相似度，
Figure 136880DEST_PATH_IMAGE025
、
Figure 109515DEST_PATH_IMAGE026
分别表示织物段b和织物段c的卷取转速序列，、
Figure 676762DEST_PATH_IMAGE027
分别表示织物段b和织物段c的织物应力序列，其中织物段b与织物段c为相邻织物段。
Figure 709440DEST_PATH_IMAGE021
表示皮尔逊相关系数，
Figure 627718DEST_PATH_IMAGE022
为截断函数，用于截断皮尔逊相关系数中小于0的值，DTW为时间规整算法。
需要说明的是，本实施例通过计算两个序列的皮尔逊相关系数来获取相邻两个织物段的织物张力序列的相似度和相邻两个织物段的织物应力序列的相似度，同时利用时间规整算法计算相邻两个织物段的织物张力序列的相似度与相邻两个织物段的织物应力相似度。实施者可根据实际情况选择其他合适的方法进行相似度的计算。
最后，计算相邻两个织物段的卷取稳定程度的差值，并计算设定时间段内所有时刻相邻两个织物段张力差值之和，根据所述差值与差值之和的乘积、以及送经过程相似度，得到张力的差异度，用公式表示为：
Figure 138465DEST_PATH_IMAGE028
其中，
Figure 825798DEST_PATH_IMAGE029
表示张力的差异度，
Figure 823185DEST_PATH_IMAGE030
、
Figure 838546DEST_PATH_IMAGE031
分别表示织物段b和织物段c的卷取稳定程度，
Figure 543197DEST_PATH_IMAGE032
、
Figure 960403DEST_PATH_IMAGE033
分别表示织物段b和织物段c在第i时刻的张力，
Figure 193938DEST_PATH_IMAGE016
表示织物段b和织物段c的送经相似度。
计算设定时间段内所有时刻相邻两个织物段的应力差值之和，根据相邻两个植物段的卷取稳定程度的差值与所述应力差值之和的乘积、以及卷取过程相似度，得到应力的差异度，用公式表示为：
Figure 696595DEST_PATH_IMAGE034
其中，
Figure 673778DEST_PATH_IMAGE035
表示应力的差异度，
Figure 211070DEST_PATH_IMAGE030
、
Figure 881085DEST_PATH_IMAGE031
分别表示织物段b和织物段c的卷取稳定程度，
Figure 667776DEST_PATH_IMAGE036
、
Figure 58437DEST_PATH_IMAGE037
分别表示织物段b和织物段c在第i时刻的应力，
Figure 574869DEST_PATH_IMAGE024
表示织物段b和织物段c的卷取相似度。
织物在送经和卷取的过程中，由于误差或者其他原因导致送经伺服电机和卷取伺服电机没有根据张力和应力实时进行转速的调节，这就可能会导致织物张力和应力不能够被精准的控制。通过获取相邻两个织物段的卷取稳定程度的差值，并结合相邻两个织物段的张力差值以及应力差值，进而就可以得到这相邻两个织物段中位置在后织物段的张力差异度和应力差异度。
需要说明的是，由于本实施例中选取的各织物段属于同一批次，在对各织物段进行送经和卷取时是处于同一流水线上，各织物段在时间上和位置上都有一定程度的连续性，则根据相邻两个织物段的相关信息计算得到的张力差异度和应力差异度可作为这相邻两个织物段中位置在后织物段的张力差异度和应力差异度，进而可以得到其对应的送经张力惩罚因子以及卷取应力惩罚因子，可用于对下一设定时间段的张力与应力的预测。
张力预测模块，用于根据张力的差异度获取送经张力惩罚因子，将设定时间段内所有时刻织物段的张力构成织物张力序列；将织物张力序列输入第一预测神经网络，输出预测织物张力序列，利用第一预测损失函数监督第一预测神经网络的训练；其中，送经张力惩罚因子为第一预测损失函数的权重；根据预测织物张力序列中的预测织物张力以及织物段的张力阈值，计算送经伺服电机转速的预测调整度，根据所述预测调整度对送经伺服电机转速进行调节。
首先，将织物段对应的张力差异度和应力差异度分别进行归一化处理，使其值域的取值范围为[0,1]，并且归一化后的张力差异度的相加和、应力差异度的相加和均为1，则可得到送经张力惩罚因子和卷取应力惩罚因子。
需要说明的是，织物在卷布辊上，由于卷布辊上织物的直径增加，织物的张力也会随之增加，通常情况下，通过卷取制动器打滑，以此来降低织物的张力，但是这种方法对织物的张力控制不精确。因此，本实施例通过提前预测织物的张力和应力，通过计算预测调整度，并提前把调整信息发送给送经伺服电机和卷取伺服电机，完成伺服电机转速相应的调整，精确的控制织物的张力和应力。
同时，在获取织物段相关历史信息时，由于织物的材料不同和厚度以及宽度的不同会导致织物张力阈值发生变化，则织物段应是材料相同、厚度和宽度相近的。
然后，将织物段的织物张力序列输入第一预测神经网络，输出预测织物张力序列，利用第一预测损失函数监督第一预测神经网络的训练。在本实施例中第一预测神经网络采用LSTM神经网络，对下一设定时间段的织物张力进行预测。
第一预测损失函数用公式表示为：
Figure 291152DEST_PATH_IMAGE038
其中，
Figure 893035DEST_PATH_IMAGE039
为送经张力惩罚因子，
Figure 146774DEST_PATH_IMAGE040
为第一预测神经网络的训练数据的损失函数，
Figure 393079DEST_PATH_IMAGE041
为预测数据，
Figure 404897DEST_PATH_IMAGE042
为训练数据，n为总样本数；经过重复训练使损失函数收敛，则第一预测神经网络的训练完成。
将织物应力序列输入第二预测神经网络，输出预测织物应力序列，利用第二预测损失函数监督网络的训练。其中，在本实施例中第二预测神经网络采用LSTM神经网络，对下一设定时间段的织物应力进行预测。
第二预测损失函数用公式表示为：
Figure 103863DEST_PATH_IMAGE043
其中，
Figure 492119DEST_PATH_IMAGE044
为卷取应力惩罚因子，
Figure 327351DEST_PATH_IMAGE045
为第二预测神经网络的训练数据的损失函数，
Figure 510070DEST_PATH_IMAGE046
为预测数据，为训练数据，n为总样本数；经过重复训练使损失函数收敛，则第二预测神经网络的训练完成。
最后，根据预测张力序列中的预测张力以及张力阈值计算送经伺服电机转速的预测调整度，用公式表示为：
Figure 961911DEST_PATH_IMAGE047
其中，
Figure 888279DEST_PATH_IMAGE048
表示送经伺服电机转速的调整度，
Figure 640335DEST_PATH_IMAGE049
为缩放系数，用于调节送经伺服电机的放大倍数，根据经验一般取值范围为[0.75,1.25]，
Figure 134901DEST_PATH_IMAGE006
为张力阈值，
Figure 933093DEST_PATH_IMAGE042
为预测织物张力。
根据预测应力序列中的预测应力计算卷取伺服电机转速的预测调整度，用公式表示为：
Figure 7359DEST_PATH_IMAGE050
其中，
Figure 207396DEST_PATH_IMAGE051
表示卷取伺服电机转速的调整度，
Figure 690109DEST_PATH_IMAGE052
为缩放系数，用于调节卷取伺服电机的放大倍数，
Figure 585384DEST_PATH_IMAGE053
为预测织物应力。
按照上述方法可以获得送经伺服电机转速的预测调整度和卷取伺服电机转速的预测调整度，进一步根据调整度对伺服电机进行相应的调整。
需要说明的是，织物的张力控制以及应力控制是一个简单的闭环控制，则可利用相邻织物段的差异用作下一时段的补偿，由于这种补偿需要一定的计算时间，这样就限制了织物的卷取速度，因此卷取的速度就不能够过高，过高卷取机制可能会存在一定程度的延迟，本实施例通过网络预测的方式，通过提前预测需要补偿多少，进而就可以实现使织物进行高速卷取，同时通过计算出预测调整度，能够更加精确的进行调整。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (7)

1.一种基于机器学习的纺织布料卷取张力预测系统，其特征在于，该系统包括：
数据采集模块，用于获取设定时间段内不同时刻各织物段的张力、卷布辊上的应力以及各织物段在送经时送经伺服电机转速；并获取各织物段的张力阈值；
数据处理模块，用于根据织物段的张力、卷布辊上的应力以及张力阈值，计算各织物段的卷取稳定程度；基于相邻两个织物段的张力和送经伺服电机转速，计算送经过程相似度；计算相邻两个织物段的卷取稳定程度的差值，并计算设定时间段内所有时刻相邻两个织物段的张力差值之和，根据所述差值与差值之和的乘积、以及送经过程相似度，得到张力的差异度；
张力预测模块，用于根据张力的差异度获取送经张力惩罚因子，将设定时间段内所有时刻织物段的张力构成织物张力序列；将织物张力序列输入第一预测神经网络，输出预测织物张力序列，利用第一预测损失函数监督第一预测神经网络的训练；其中，送经张力惩罚因子为第一预测损失函数的权重；根据预测织物张力序列中的预测织物张力以及织物段的张力阈值，计算送经伺服电机转速的预测调整度，根据所述预测调整度对送经伺服电机转速进行调节。
2.根据权利要求1所述的一种基于机器学习的纺织布料卷取张力预测系统，其特征在于，所述卷取稳定程度的获取方法具体为：
计算设定时间段内所有时刻织物段的张力的标准差，获取设定时间段内所有时刻织物段在卷布辊上的应力的均值，并计算设定时间段内各时刻织物段的张力与张力阈值的差值之和；根据所述标准差、均值以及差值之和得到织物段的卷取稳定程度。
3.根据权利要求1所述的一种基于机器学习的纺织布料卷取张力预测系统，其特征在于，所述卷取稳定程度的计算方法为：
Figure DEST_PATH_IMAGE001
其中，
Figure 63732DEST_PATH_IMAGE002
表示织物段a的卷取稳定程度，
Figure 918556DEST_PATH_IMAGE003
表示设定时间段内所有时刻织物段在卷布辊上的应力的均值，
Figure 370397DEST_PATH_IMAGE004
表示第i时刻织物段的张力，
Figure 31185DEST_PATH_IMAGE005
表示设定时间段内所有时刻织物段的张力的标准差，
Figure 252082DEST_PATH_IMAGE006
表示张力阈值，n表示设定时间段内的时刻总数。
4.根据权利要求1所述的一种基于机器学习的纺织布料卷取张力预测系统，其特征在于，所述送经过程相似度的获取方法具体为：
将设定时间段内所有时刻织物段在送经时的送经伺服电机转速构成送经转速序列；根据相邻两个织物段的织物张力序列的相似度与相邻两个织物段的送经转速序列的相似度之积，得到送经过程相似度。
5.根据权利要求1所述的一种基于机器学习的纺织布料卷取张力预测系统，其特征在于，所述数据采集模块还用于：
获取设定时间段内不同时刻各织物段在卷取时卷取伺服电机转速，将设定时间段内所有时刻织物段在卷取时的卷取伺服电机转速构成送经转速序列；并将设定时间段内所有时刻织物段在卷布辊上的应力构成织物应力序列。
6.根据权利要求1所述的一种基于机器学习的纺织布料卷取张力预测系统，其特征在于，所述数据处理模块还用于：
根据相邻两个织物段的织物应力序列的相似度与相邻两个织物段的卷取转速序列的相似度之积，得到卷取过程相似度；
计算设定时间段内所有时刻相邻两个织物段的应力差值之和，根据相邻两个植物段的卷取稳定程度的差值与所述应力差值之和的乘积、以及卷取过程相似度，得到应力的差异度。
7.根据权利要求1所述的一种基于机器学习的纺织布料卷取张力预测系统，其特征在于，所述张力预测模块还用于：
根据应力的差异度获取卷取应力惩罚因子，将织物应力序列输入第二预测神经网络，输出预测织物应力序列，利用第二预测损失函数监督网络的训练，其中，卷取应力惩罚因子为第二预测损失函数的权重；根据预测织物应力序列中的预测织物应力，计算卷取伺服电机转速的预测调整度，根据所述预测调整度对卷取伺服电机转速进行调节。
CN202210828645.9A 2022-07-15 2022-07-15 基于机器学习的纺织布料卷取张力预测系统 Active CN114997069B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210828645.9A CN114997069B (zh) 2022-07-15 2022-07-15 基于机器学习的纺织布料卷取张力预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210828645.9A CN114997069B (zh) 2022-07-15 2022-07-15 基于机器学习的纺织布料卷取张力预测系统

Publications (2)

Publication Number Publication Date
CN114997069A true CN114997069A (zh) 2022-09-02
CN114997069B CN114997069B (zh) 2022-10-11

Family

ID=83021167

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210828645.9A Active CN114997069B (zh) 2022-07-15 2022-07-15 基于机器学习的纺织布料卷取张力预测系统

Country Status (1)

Country Link
CN (1) CN114997069B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115520700A (zh) * 2022-10-25 2022-12-27 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

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05140844A (ja) * 1991-11-22 1993-06-08 Nissan Motor Co Ltd 織機の製織不具合予測装置及び制御装置
CN1073992A (zh) * 1991-11-22 1993-07-07 日产自动车株式会社 织机的控制装置
CN114355848A (zh) * 2021-12-20 2022-04-15 淮阴工学院 张力检测与智能控制系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7398173B2 (en) * 2005-05-04 2008-07-08 Ami Semiconductor, Inc. Providing nonlinear temperature compensation for sensing means by use of Padé approximant function emulators

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05140844A (ja) * 1991-11-22 1993-06-08 Nissan Motor Co Ltd 織機の製織不具合予測装置及び制御装置
CN1073992A (zh) * 1991-11-22 1993-07-07 日产自动车株式会社 织机的控制装置
CN114355848A (zh) * 2021-12-20 2022-04-15 淮阴工学院 张力检测与智能控制系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王友钊 等: "织机卷布机构的力学分析及其张力控制系统", 《纺织学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115520700A (zh) * 2022-10-25 2022-12-27 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
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

Also Published As

Publication number Publication date
CN114997069B (zh) 2022-10-11

Similar Documents

Publication Publication Date Title
CN201372137Y (zh) 一种卷绕装置以及具有该卷绕装置的纺织机
CN114997069B (zh) 基于机器学习的纺织布料卷取张力预测系统
CN109867154B (zh) 一种三驱动涂布卷绕设备鲁棒控制方法
CN101289146B (zh) 用于补偿摩擦的方法和装置
JPH10511311A (ja) 自動ばね巻き装置においてコイルばねを最適化して製造する方法及び装置
WO2016206326A1 (zh) 一种基于plc与工程型变频器的浆纱机张力控制系统
US11142422B2 (en) Method of operating an off-line finishing device for fiber webs, in particular an off-line slitter-winder for winding fiber webs
CN114314129B (zh) 一种卷布系统的张力控制方法、装置及设备
CN115595709A (zh) 一种纬纱密度调节装置及方法
CN117509278B (zh) 一种卷纸绕卷定量控制系统
CN104911794B (zh) 控制织布机中的编织布的卷绕的方法和卷绕编织布的设备
HU207812B (en) Nonskid, straight draw bench with drawing drums reeling down tangentially having synchronized rotation following each other
EP0174631B1 (en) Method and apparatus for forming warp beam of uniform diameter
CN102277678A (zh) 织机的织布卷绕控制装置
GB2224521A (en) Warper with tension isolator and tension controller.
CN107962692B (zh) 金刚线切割机的排线控制方法
CN113753781B (zh) 一种自适应多冗余排缆系统及控制方法
CN112123744B (zh) 一种带材缠绕装置、带材缠绕方法以及数控缠绕机
CN112831893B (zh) 一种无位移传感器的毛经纱连续张力调节方法
CN112547804B (zh) 一种超薄规格花纹板稳定卷取的方法
EP1500729B1 (en) Method and apparatus of controlling data of reel length and reel off length
CN117800157A (zh) 一种纱线张力系统控制装置与方法
CN113353701A (zh) 一种聚酯光学膜收卷系统
CN110316609B (zh) 一种筐篮式合绳机放线卷径计算方法
JPH06101132A (ja) 糸張力制御装置

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