CN115142160A - 一种纱线强力弱环的辨识方法及相关装置 - Google Patents

Abstract

本申请公开了一种纱线强力弱环的辨识方法，涉及纺纱技术领域，包括：根据纤维特征参数与纺纱工艺参数，通过纱线强力预测模型预测锭子的纱线强力；根据所述锭子的纱线强力，计算得到细纱机的纱线强力不匀率；根据锭子的纱线强力以及所述细纱机的纱线强力不匀率，通过强力弱环辨识模型辨识纱线是否存在强力弱环。该方法能够准确辨识纱线强力弱环。本申请还公开了一种纱线强力弱环的辨识装置、设备以及计算机可读存储介质，均具有上述技术效果。

Description

一种纱线强力弱环的辨识方法及相关装置

技术领域

本申请涉及纺纱技术领域，特别涉及一种纱线强力弱环的辨识方法；还涉及一种纱线强力弱环的辨识装置、设备以及计算机可读存储介质。

背景技术

细纱工序的任务是将粗纱纺成细纱，再经络筒工序将管纱卷绕成筒纱，最后提供给针织工程使用。在细纱工序中，细纱断头是制约环锭纺细纱机成纱质量与产量的主要因素，直接影响到纱厂的综合经济效益。纱线断头的实质是瞬时纺纱张力大于该纱线某截面的强力，即纱线强力弱环处的强力小于纺纱张力峰值时容易发生断头。对纱线强力弱环进行准确辨识，无疑会为工程师判断造成当前纱线断头的内外因素提供参考，以便有效锁定纱线断头原因的排查范围，进而针对性地实现纺纱工艺优化、原棉配方指导等。

因此，提供一种能够准确辨识纱线强力弱环的方案已成为本领域技术人员亟待解决的技术问题。

发明内容

本申请的目的是提供一种纱线强力弱环的辨识方法，能够准确辨识纱线强力弱环。本申请的另一个目的是提供一种纱线强力弱环的辨识装置、设备以及计算机可读存储介质，均具有上述技术效果。

为解决上述技术问题，本申请提供了一种纱线强力弱环的辨识方法，包括：

根据纤维特征参数与纺纱工艺参数，通过纱线强力预测模型预测锭子的纱线强力；

根据所述锭子的纱线强力，计算得到细纱机的纱线强力不匀率；

根据所述锭子的纱线强力以及所述细纱机的纱线强力不匀率，通过强力弱环辨识模型辨识纱线是否存在强力弱环。

可选的，所述根据纤维特征参数与纺纱工艺参数，通过纱线强力预测模型预测锭子的纱线强力包括：

根据所述纤维特征参数与所述纺纱工艺参数，通过二维的LSTM网络模型预测所述锭子的纱线强力；所述LSTM网络模型包括多个LSTM单元。

可选的，所述根据所述纤维特征参数与所述纺纱工艺参数，通过二维的LSTM网络模型预测所述锭子的纱线强力包括：

依据

预测所述锭子的纱线强力；

Y_T,i为第i个锭子的纱线强力预测值，M为LSTM网络模型的个数，w_k为第k个LSTM网络模型的权值，f_k为第k个LSTM网络模型的预测值，p＝(p₁,p₂,…,p_n)^T为n维原棉特征向量，p₁,p₂,…,p_n为纤维特征参数，t＝(t₁,t₂,t₃,t₄)^T为工艺参数向量，t₁、t₂、t₃、t₄分别为梳绵工艺、并条工艺、粗纱工艺、细纱工艺的工艺参数向量。

可选的，所述根据所述锭子的纱线强力，计算得到细纱机的纱线强力不匀率包括：

依据

计算得到细纱机的纱线强力不匀率；

CV_YT为纱线强力不匀率，

为总体平均强力，Y_T,i为第i个锭子的纱线强力预测值，N_s为细纱机的锭子总数，

为低于平均的平均强力，

为低于平均的单锭纱线强力，

为低于平均的锭数。

可选的，所述根据锭子的纱线强力以及所述细纱机的纱线强力不匀率，通过强力弱环辨识模型辨识纱线是否存在强力弱环包括：

根据所述锭子的纱线强力以及所述细纱机的纱线强力不匀率，通过SVC模型辨识纱线是否存在强力弱环。

可选的，所述纺纱工艺参数包括前纺工艺参数与细纱工艺参数。

可选的，还包括：

将辨识结果存入数据库。

为解决上述技术问题，本申请还提供了一种纱线强力弱环的辨识装置，包括：

预测模块，用于根据纤维特征参数与纺纱工艺参数，通过纱线强力预测模型预测锭子的纱线强力；

计算模块，用于根据所述锭子的纱线强力，计算得到细纱机的纱线强力不匀率；

辨识模块，用于根据所述锭子的纱线强力以及所述细纱机的纱线强力不匀率，通过强力弱环辨识模型辨识纱线是否存在强力弱环。

为解决上述技术问题，本申请还提供了一种纱线强力弱环的辨识设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如上任一项所述的纱线强力弱环的辨识方法的步骤。

为解决上述技术问题，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述的纱线强力弱环的辨识方法的步骤。

本申请所提供的纱线强力弱环的辨识方法，包括：根据纤维特征参数与纺纱工艺参数，通过纱线强力预测模型预测锭子的纱线强力；根据所述锭子的纱线强力，计算得到细纱机的纱线强力不匀率；根据所述锭子的纱线强力以及所述细纱机的纱线强力不匀率，通过强力弱环辨识模型辨识纱线是否存在强力弱环。

可见，本申请所提供的纱线强力弱环的辨识方法，首先基于纤维特征参数与纺纱工艺参数预测锭子的纱线强力以及计算细纱机整体的纱线强力不匀率，然后以此为依据，借助强力弱环辨识模型辨识纱线是否存在强力弱环，可以实现强力弱环的准确辨识。

本申请所提供的纱线强力弱环的辨识装置、设备以及计算机可读存储介质均具有上述技术效果。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对现有技术和实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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他的附图。

图1为本申请实施例所提供的一种纱线强力弱环的辨识方法的流程示意图；

图2为本申请实施例所提供的一种2D-LSTM网络模型的示意图；

图3为本申请实施例所提供的一种LSTM单元的示意图；

图4为本申请实施例所提供的一种纱线强力弱环辨识方案的示意图；

图5为本申请实施例所提供的一种纱线强力弱环的辨识装置的示意图；

图6为本申请实施例所提供的一种纱线强力弱环的辨识设备的示意图。

具体实施方式

本申请的核心是提供一种纱线强力弱环的辨识方法，能够准确辨识纱线强力弱环。本申请的另一个核心是提供一种纱线强力弱环的辨识装置、设备以及计算机可读存储介质，均具有上述技术效果。

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

请参考图1，图1为本申请实施例所提供的一种纱线强力弱环的辨识方法的流程示意图，参考图1所示，该方法包括：

S101：根据纤维特征参数与纺纱工艺参数，通过纱线强力预测模型预测锭子的纱线强力；

纤维特征参数可以包括纤维细度、细度不匀率、纤维长度、长度不匀率、杂质等。纺纱工艺参数可以包括前纺工艺参数与细纱工艺参数。前纺工艺参数可以包括梳棉工艺参数、并条工艺参数以及粗纱工艺参数。梳棉工艺参数可以包括定量、输出速度、压力等。并条工艺参数可以包括定量、输出速度、并合数等。粗纱工艺参数可以包括定量、总牵引倍数、捻度等。细纱工艺参数可以包括支数、锭数、总牵引倍数、捻度、罗拉隔距、钢丝圈型号、车间温湿度等。

纺纱工艺参数包括前纺工艺参数与细纱工艺参数，综合考虑前纺工艺参数与细纱工艺参数，可以提高纱线强力预测的准确性。

在训练好纱线强力预测模型的基础上，基于纤维特征参数与纺纱工艺参数预测得到锭子的纱线强力。

对于纤维特征参数，可以首先对纤维样本的特征向量p＝(p₁,p₂,…,p_n)^T进行归一化处理，p₁、p₂……p_n表示纤维特征参数，并将归一化后的n个特征参数输入到CNN卷积神经网络中。选取1×1、2×1…n×1共计n个一维卷积核，通过卷积计算从纤维样本的低级特征中提取出更丰富的特征，依次得到n维、n-1维…1维的特征向量。进一步采用均值池化策略，对卷积层输出的n个特征向量进行降维操作，得到n个高级特征参数。对于前纺工艺参数与细纱工艺参数，可以首先进行归一化处理。

基于所得到的高级特征参数以及归一化处理后的前纺工艺参数与细纱工艺参数进行模型的训练。

在一些实施例中，所述根据纤维特征参数与纺纱工艺参数，通过纱线强力预测模型预测锭子的纱线强力包括：

根据所述纤维特征参数与所述纺纱工艺参数，通过二维的LSTM((Long Short-Term Memory，长短期记忆网络)网络模型预测所述锭子的纱线强力；所述LSTM网络模型包括多个LSTM单元。

本实施例中，纱线强力预测模型为二维的LSTM网络模型。本实施例利用深度网络结构强大的特征提取能力以及LSTM神经网络的时序记忆能力，挖掘复杂数据的内部动态变化规律，以实现端到端的非线性拟合。参考图2所示，LSTM网络模型具有深度与时序两个维度，且包括多个LSTM单元。

其中，LSTM单元可参考图3所示，LSTM单元的状态方程为：

h_t＝o_t⊙g(c_t)

上式中，f_t为遗忘门，i_t为输入门，o_t为输出门，

为候选细胞状态，c_t为细胞状态，h_t为隐层状态，χ_t＝[h_t-1,x_t]表示合并后的输入，与上一次隐层状态h_t-1有关，b＝[b_f,b_i,b_o,b_c]^T为偏置向量，w_f、w_i、w_o、w_c为相应的权值，x_t为时序输入，b_f、b_i、b_o、b_c为相应的偏置，σ(·)表示sigmoid激活函数，g(·)表示tanh激活函数，⊙表示两个向量相同位置的元素相乘。

其中，所述根据所述纤维特征参数与所述纺纱工艺参数，通过二维的LSTM网络模型预测所述锭子的纱线强力可以包括：

依据

预测所述锭子的纱线强力；

Y_T,i为第i个锭子的纱线强力预测值，单位为cN/tex，M为LSTM网络模型的个数，w_k为第k个LSTM网络模型的权值，f_k为第k个LSTM网络模型的预测值，p＝(p₁,p₂,…,p_n)^T为n维原棉特征向量，p₁,p₂,…,p_n为纤维特征参数，t＝(t₁,t₂,t₃,t₄)^T为工艺参数向量，t₁、t₂、t₃、t₄分别为梳绵工艺、并条工艺、粗纱工艺、细纱工艺的工艺参数向量。

具体而言，结合图4所示，图4中的2D-LSTM网络是指二维的LSTM网络模型。为防止网络模型的过拟合现象，可以按照启发式与随机概率组合方式移除部分神经元，以减弱特征之间的协同作用。由于Dropout策略有一定的随机概率性，因此可以得到不同结构的LSTM网络模型。

对于使用Dropout策略得到的各个LSTM网络模型进行验证。其中，如果不满足设计要求则重新按照启发式与随机概率组合方式移除部分神经元，直至全部满足设计要求。将训练好的并满足设计要求的LSTM网络模型进行线性加权，得到一个多结构的LSTM网络模型，并将其封装成一个非线性泛函：

基于上述非线性泛函预测各锭子的纱线强力，能够较好地提高模型的泛化能力。

可以明白的是，除上述以训练好的LSTM网络模型作为纱线强力预测模型的实施例外，还可以训练其他类型的网络模型，并以训练好的其他类型的网络模型作为纱线强力预测模型。

S102：根据所述锭子的纱线强力，计算得到细纱机的纱线强力不匀率；

在预测得到锭子的纱线强力的基础上，根据锭子的纱线强力计算得到细纱机整体的纱线强力不匀率。

在一些实施例中，所述根据所述锭子的纱线强力，计算得到细纱机的纱线强力不匀率包括：

依据

计算得到细纱机的纱线强力不匀率；

CV_YT为纱线强力不匀率，

为总体平均强力，Y_T,i为第i个锭子的纱线强力预测值，N_s为细纱机的锭子总数，

为低于平均的平均强力，即以下平均，

为低于平均的单锭纱线强力，

为低于平均的锭数，即以下平均的锭数。

S103：根据所述锭子的纱线强力以及所述细纱机的纱线强力不匀率，通过强力弱环辨识模型辨识纱线是否存在强力弱环。

在预测得打锭子的纱线强力以及计算得到细纱机的纱线强力不匀率的基础上，通过训练好的强力弱环辨识模型辨识纱线是否存在强力弱环。

其中，在一些实施例中，所述根据锭子的纱线强力以及所述细纱机的纱线强力不匀率，通过强力弱环辨识模型辨识纱线是否存在强力弱环包括：

根据所述锭子的纱线强力以及所述细纱机的纱线强力不匀率，通过SVC模型辨识纱线是否存在强力弱环。

本实施例中强力弱环辨识模型为SVC(Support Vector Classification，支持向量分类模型)模型是一种在特征空间上间隔最大的线性分类器，通过非线性变换将低维输入空间线性不可分的样本转化为高维特征空间使其可分，其学习策略(分割原则)是间隔最大化，最终转换为一个凸二次规划问题的求解。

得到SVC模型的过程可以如下：

给定训练样本集

为模型输入向量，y_i∈{+1,-1}，构造分类决策函数：

式中，w为权向量，b为偏置，

为映射函数，

为估计值，其中，i∈[1,L]。

几何间隔：

式中，ρ为样本到决策面的距离。

SVC目标是寻找一个几何间隔最大的决策面，此时距离最优决策面最近的样本点或训练实例称为支持向量。为了避免模型过拟合而影响SVC的分类效果，可通过“柔性边界”来包容一些样本点分类出现误差的情况，进而构造凸二次规划问题：

式中，ξ_i为松弛因子，C为惩罚系数或正则化系数。

将上式带约束最优化问题转化为无约束最优化问题，构造拉格朗日函数：

式中，α_i≥0、β_i≥0为拉格朗日乘子。

对拉格朗日函数求偏导，再根据对偶原理、KKT条件及核函数方法，得到对偶问题：

式中，

选取高斯核，其表达式为：

其中，σ为带宽调节参数。

求得最优解

选择的α^*一个分量

得到：

最终得到SVC模型的分类决策函数：

基于预测得打锭子的纱线强力以及计算得到细纱机的纱线强力不匀率，利用上述分类决策函数即可辨识纱线是否存在强力弱环。

可以明白的是，除上述以训练好的SVC模型作为强力弱环辨识模型的实施例外，还可以训练其他类型的网络模型，并以训练好的其他类型的网络模型作为强力弱环辨识模型。

辨识出纱线是否存在强力弱环后，进一步可将辨识结果存入数据，供相关人员查阅。

综上所述，本申请所提供的纱线强力弱环的辨识方法，包括：根据纤维特征参数与纺纱工艺参数，通过纱线强力预测模型预测锭子的纱线强力；根据所述锭子的纱线强力，计算得到细纱机的纱线强力不匀率；根据锭子的纱线强力以及所述细纱机的纱线强力不匀率，通过强力弱环辨识模型辨识纱线是否存在强力弱环。可见，本申请所提供的纱线强力弱环的辨识方法，首先基于纤维特征参数与纺纱工艺参数预测锭子的纱线强力以及计算细纱机整体的纱线强力不匀率。然后以此为依据，借助强力弱环辨识模型辨识纱线是否存在强力弱环，可以实现强力弱环的准确辨识。

本申请还提供了一种纱线强力弱环的辨识装置，下文描述的该装置可以与上文描述的方法相互对应参照。请参考图5，图5为本申请实施例所提供的一种纱线强力弱环的辨识装置的示意图，结合图5所示，该装置包括：

预测模块10，用于根据纤维特征参数与纺纱工艺参数，通过纱线强力预测模型预测锭子的纱线强力；

计算模块20，用于根据所述锭子的纱线强力，计算得到细纱机的纱线强力不匀率；

辨识模块30，用于根据所述锭子的纱线强力以及所述细纱机的纱线强力不匀率，通过强力弱环辨识模型辨识纱线是否存在强力弱环。

在上述实施例的基础上，作为一种具体的实施方式，所述预测模块10具体用于：

根据所述纤维特征参数与所述纺纱工艺参数，通过二维的LSTM网络模型预测所述锭子的纱线强力；所述LSTM网络模型包括多个LSTM单元。

在上述实施例的基础上，作为一种具体的实施方式，所述预测模块10具体用于：

依据

预测所述锭子的纱线强力；

Y_T,i为第i个锭子的纱线强力预测值，M为LSTM网络模型的个数，w_k为第k个LSTM网络模型的权值，f_k为第k个LSTM网络模型的预测值，p＝(p₁,p₂,…,p_n)^T为n维原棉特征向量，p₁,p₂,…,p_n为纤维特征参数，t＝(t₁,t₂,t₃,t₄)^T为工艺参数向量，t₁、t₂、t₃、t₄分别为梳绵工艺、并条工艺、粗纱工艺、细纱工艺的工艺参数向量。

在上述实施例的基础上，作为一种具体的实施方式，所述计算模块20具体用于：

依据

计算得到细纱机的纱线强力不匀率；

CV_YT为纱线强力不匀率，

为总体平均强力，Y_T,i为第i个锭子的纱线强力预测值，N_s为细纱机的锭子总数，

为低于平均的平均强力，

为低于平均的单锭纱线强力，

为低于平均的锭数。

在上述实施例的基础上，作为一种具体的实施方式，所述辨识模块30具体用于：

根据所述锭子的纱线强力以及所述细纱机的纱线强力不匀率，通过SVC模型辨识纱线是否存在强力弱环。

在上述实施例的基础上，作为一种具体的实施方式，所述纺纱工艺参数包括前纺工艺参数与细纱工艺参数。

在上述实施例的基础上，作为一种具体的实施方式，还包括：

存储模块，用于将辨识结果存入数据库。

本申请所提供的纱线强力弱环的辨识装置，首先基于纤维特征参数与纺纱工艺参数预测锭子的纱线强力以及计算细纱机整体的纱线强力不匀率，然后以此为依据，借助强力弱环辨识模型辨识纱线是否存在强力弱环，可以实现强力弱环的准确辨识。

本申请还提供了一种纱线强力弱环的辨识设备，参考图6所示，该设备包括存储器1和处理器2。

存储器1，用于存储计算机程序；

处理器2，用于执行计算机程序实现如下的步骤：

根据纤维特征参数与纺纱工艺参数，通过纱线强力预测模型预测锭子的纱线强力；根据所述锭子的纱线强力，计算得到细纱机的纱线强力不匀率；根据所述锭子的纱线强力以及所述细纱机的纱线强力不匀率，通过强力弱环辨识模型辨识纱线是否存在强力弱环。

对于本申请所提供的设备的介绍请参照上述方法实施例，本申请在此不做赘述。

本申请还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时可实现如下的步骤：

根据纤维特征参数与纺纱工艺参数，通过纱线强力预测模型预测锭子的纱线强力；根据所述锭子的纱线强力，计算得到细纱机的纱线强力不匀率；根据所述锭子的纱线强力以及所述细纱机的纱线强力不匀率，通过强力弱环辨识模型辨识纱线是否存在强力弱环。

该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

对于本申请所提供的计算机可读存储介质的介绍请参照上述方法实施例，本申请在此不做赘述。

说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置、设备以及计算机可读存储介质而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上对本申请所提供的纱线强力弱环的辨识方法、装置、设备以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围。

Claims (10)

1.一种纱线强力弱环的辨识方法，其特征在于，包括：

根据纤维特征参数与纺纱工艺参数，通过纱线强力预测模型预测锭子的纱线强力；

根据所述锭子的纱线强力，计算得到细纱机的纱线强力不匀率；

根据所述锭子的纱线强力以及所述细纱机的纱线强力不匀率，通过强力弱环辨识模型辨识纱线是否存在强力弱环。

2.根据权利要求1所述的纱线强力弱环的辨识方法，其特征在于，所述根据纤维特征参数与纺纱工艺参数，通过纱线强力预测模型预测锭子的纱线强力包括：

根据所述纤维特征参数与所述纺纱工艺参数，通过二维的LSTM网络模型预测所述锭子的纱线强力；所述LSTM网络模型包括多个LSTM单元。

3.根据权利要求2所述的纱线强力弱环的辨识方法，其特征在于，所述根据所述纤维特征参数与所述纺纱工艺参数，通过二维的LSTM网络模型预测所述锭子的纱线强力包括：

依据

预测所述锭子的纱线强力；

Y_T,i为第i个锭子的纱线强力预测值，M为LSTM网络模型的个数，w_k为第k个LSTM网络模型的权值，f_k为第k个LSTM网络模型的预测值，p＝(p₁,p₂,…,p_n)^T为n维原棉特征向量，p₁,p₂,…,p_n为纤维特征参数，t＝(t₁,t₂,t₃,t₄)^T为工艺参数向量，t₁、t₂、t₃、t₄分别为梳绵工艺、并条工艺、粗纱工艺、细纱工艺的工艺参数向量。

4.根据权利要求1所述的纱线强力弱环的辨识方法，其特征在于，所述根据所述锭子的纱线强力，计算得到细纱机的纱线强力不匀率包括：

依据

计算得到细纱机的纱线强力不匀率；

CV_YT为纱线强力不匀率，

为总体平均强力，Y_T,i为第i个锭子的纱线强力预测值，N_s为细纱机的锭子总数，

为低于平均的平均强力，

为低于平均的单锭纱线强力，

为低于平均的锭数。

5.根据权利要求1所述的纱线强力弱环的辨识方法，其特征在于，所述根据所述锭子的纱线强力以及所述细纱机的纱线强力不匀率，通过强力弱环辨识模型辨识纱线是否存在强力弱环包括：

根据所述锭子的纱线强力以及所述细纱机的纱线强力不匀率，通过SVC模型辨识纱线是否存在强力弱环。

6.根据权利要求1所述的纱线强力弱环的辨识方法，其特征在于，所述纺纱工艺参数包括前纺工艺参数与细纱工艺参数。

7.根据权利要求1所述的纱线强力弱环的辨识方法，其特征在于，还包括：

将辨识结果存入数据库。

8.一种纱线强力弱环的辨识装置，其特征在于，包括：

预测模块，用于根据纤维特征参数与纺纱工艺参数，通过纱线强力预测模型预测锭子的纱线强力；

计算模块，用于根据所述锭子的纱线强力，计算得到细纱机的纱线强力不匀率；

辨识模块，用于根据所述锭子的纱线强力以及所述细纱机的纱线强力不匀率，通过强力弱环辨识模型辨识纱线是否存在强力弱环。

9.一种纱线强力弱环的辨识设备，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述的纱线强力弱环的辨识方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的纱线强力弱环的辨识方法的步骤。

Images