CN115874321B - 一种提高纱线质量的自适应管理方法及系统 - Google Patents
一种提高纱线质量的自适应管理方法及系统 Download PDFInfo
- Publication number
- CN115874321B CN115874321B CN202310043050.7A CN202310043050A CN115874321B CN 115874321 B CN115874321 B CN 115874321B CN 202310043050 A CN202310043050 A CN 202310043050A CN 115874321 B CN115874321 B CN 115874321B
- Authority
- CN
- China
- Prior art keywords
- yarn
- historical
- yarn quality
- characteristic information
- spinning frame
- 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
Images
Classifications
-
- 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
- Spinning Or Twisting Of Yarns (AREA)
Abstract
本发明公开了一种提高纱线质量的自适应管理方法及系统,涉及数据处理技术领域,该方法包括:根据遗传算法构建纱线质量预判函数;结合第一纱纤维的特性信息,获得第一纱线质量估计值;构建历史纱线质量数据集;采集历史环锭细纱机的参数数据,构建参数数据集;确定历史纱线质量数据与历史环锭细纱机的参数数据的对应关系;结合历史纱线质量数据集、参数数据集构建环锭细纱机参数预测马尔科夫链;将第一纱线质量估计值输入链中,获得第一环锭细纱机的参数数据;对环锭细纱机进行参数调整。本发明解决了现有技术中存在纺纱精度不高,纺纱参数调节不准确的技术问题,达到了对环锭细纱机进行高效的参数调整,保证纺纱质量的技术效果。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种提高纱线质量的自适应管理方法及系统。
背景技术
随着经济和科学技术的飞速发展,纺纱行业的新技术和新设备也在随之应用于生产过程中,对于提升纱线的质量和生产效率有着十分重要的影响。
目前,环锭纺由于其成纱结构合理、适纺号数范围广,因此,依然是纺纱技术应用的主体,被广泛使用。并且随着信息化技术的发展,环锭细纱机的智能化应用程度也在不断提高。然而,对于环锭细纱机的纺线质量控制,仍然停留在人工对成纱进行质量评估,进而形成反馈数据对细纱机进行调整。导致调节反馈时间长,且受限于技术人员的技能水平,无法对细纱机的参数进行准确调节,导致纱线质量不能达到要求。现有技术中存在纺纱精度不高,纺纱参数调节不准确的技术问题。
发明内容
本申请提供了一种提高纱线质量的自适应管理方法及系统,用于针对解决现有技术中存在纺纱精度不高,纺纱参数调节不准确的技术问题。
鉴于上述问题,本申请提供了一种提高纱线质量的自适应管理方法及系统。
本申请的第一个方面,提供了一种提高纱线质量的自适应管理方法,其中,所述方法应用于环锭细纱机控制系统,所述方法包括:
采集获取第一纱纤维的特性信息;
根据遗传算法构建纱线质量预判函数;
根据所述第一纱纤维的特性信息和所述纱线质量预判函数,获得第一纱线质量估计值;
采集历史纱线质量数据,构建历史纱线质量数据集;
采集历史环锭细纱机的参数数据,构建历史环锭细纱机的参数数据集;
确定所述历史纱线质量数据与所述历史环锭细纱机的参数数据的对应关系;
基于所述历史纱线质量数据集、所述历史环锭细纱机的参数数据集以及所述历史纱线质量数据与所述历史环锭细纱机的参数数据的对应关系构建环锭细纱机参数预测马尔科夫链;
将所述第一纱线质量估计值输入所述环锭细纱机参数预测马尔科夫链,获得第一环锭细纱机的参数数据;
根据所述第一环锭细纱机的参数数据对环锭细纱机进行参数调整。
本申请的第二个方面,提供了一种提高纱线质量的自适应管理系统,所述系统包括:
特性信息采集模块,所述特性信息采集模块用于采集获取第一纱纤维的特性信息;
预判函数构建模块,所述预判函数构建模块用于根据遗传算法构建纱线质量预判函数;
质量估计值获得模块,所述质量估计值获得模块用于根据所述第一纱纤维的特性信息和所述纱线质量预判函数,获得第一纱线质量估计值;
质量数据集获得模块,所述质量数据集获得模块用于采集历史纱线质量数据,构建历史纱线质量数据集;
参数数据集获得模块,所述参数数据集获得模块用于采集历史环锭细纱机的参数数据,构建历史环锭细纱机的参数数据集;
对应关系确定模块,所述对应关系确定模块用于确定所述历史纱线质量数据与所述历史环锭细纱机的参数数据的对应关系;
马尔科夫链构建模块,所述马尔科夫链构建模块用于基于所述历史纱线质量数据集、所述历史环锭细纱机的参数数据集以及所述历史纱线质量数据与所述历史环锭细纱机的参数数据的对应关系构建环锭细纱机参数预测马尔科夫链;
参数数据获得模块,所述参数数据获得模块用于将所述第一纱线质量估计值输入所述环锭细纱机参数预测马尔科夫链,获得第一环锭细纱机的参数数据;
参数调整模块,所述参数调整模块用于根据所述第一环锭细纱机的参数数据对环锭细纱机进行参数调整。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例通过根据遗传算法构建纱线质量预判函数,然后根据第一纱纤维的特性信息和纱线质量预判函数,获得第一纱线质量估计值,进而通过采集历史纱线质量数据,构建历史纱线质量数据集,然后采集历史环锭细纱机的参数数据,构建历史环锭细纱机的参数数据集,进而确定历史纱线质量数据与历史环锭细纱机的参数数据的对应关系,然后基于历史纱线质量数据集、历史环锭细纱机的参数数据集以及历史纱线质量数据与历史环锭细纱机的参数数据的对应关系构建环锭细纱机参数预测马尔科夫链,通过将第一纱线质量估计值输入环锭细纱机参数预测马尔科夫链,获得第一环锭细纱机的参数数据,然后根据第一环锭细纱机的参数数据对环锭细纱机进行参数调整。达到了对环锭细纱机进行可靠的参数调整,进而提高纱线质量的技术效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述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他的附图。
图1为本申请实施例提供的一种提高纱线质量的自适应管理方法流程示意图;
图2为本申请实施例提供的一种提高纱线质量的自适应管理方法中根据遗传算法构建纱线质量预判函数的流程示意图;
图3为本申请实施例提供的一种提高纱线质量的自适应管理方法中获得第一纱线质量估计值的流程示意图;
图4为本申请实施例提供的一种提高纱线质量的自适应管理系统结构示意图。
附图标记说明:特性信息采集模块11,预判函数构建模块12,质量估计值获得模块13,质量数据集获得模块14,参数数据集获得模块15,对应关系确定模块16,马尔科夫链构建模块17,参数数据获得模块18, 参数调整模块19。
具体实施方式
本申请通过提供了一种提高纱线质量的自适应管理方法,用于针对解决现有技术中存在纺纱精度不高,纺纱参数调节不准确的技术问题。
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,所描述的实施例仅仅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作出创造性劳动的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。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。
实施例一
如图1所示,本申请提供了一种提高纱线质量的自适应管理方法,其中,所述方法应用于环锭细纱机控制系统,所述方法包括:
步骤S100:采集获取第一纱纤维的特性信息;
具体而言,所述第一纱纤维是指适用于所述环锭细纱机进行纺纱工艺的原料纤维,包括天然短纤维、化纤切断纤维、天然蚕丝等。所述特性信息是用于描述所述第一纱纤维的使用特性的相关信息,包括耐磨度、细度、吸水性、覆盖性、弹性、可燃性和柔软性。通过对进行纱线质量管理的工厂日志进行查阅,获得第一纱纤维的进厂信息,从进厂信息中提取所述第一纱纤维的生产信息,从而得到所述第一纱纤维的特性信息。通过获得所述第一纱纤维的特性信息,为后续进行分析纱线质量提供基础分析数据。
步骤S200:根据遗传算法构建纱线质量预判函数;
进一步的,如图2所示,所述根据遗传算法构建纱线质量预判函数,本申请实施例步骤S200还包括:
步骤S210:根据所述第一纱纤维的特性信息,构建同源纱线类型库;
步骤S220:获得第一特性需求信息;
步骤S230:根据所述第一特性需求信息,从所述同源纱线类型库中进行特征遍历匹配,获得第一纱线信息;
步骤S240:根据所述第一纱线信息和所述第一纱纤维的特性信息,通过遗传算法构建纱线质量预判函数。
具体而言,所述遗传算法是指一种模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型,是一种通过模拟自然进化过程搜索最优解的算法。所述纱线质量预判函数是用于根据构成纱线的纱纤维特性信息进行评估,从而对由纱纤维制成的纱线质量进行预先判断的函数。根据所述第一纱纤维的特性信息,以特性信息为基础构建所述同源纱线类型库。其中,所述同源纱线类型库是以所述同一纱纤维为基础原材料构建的不同属性类别的纱线库。示例性的,以羊毛纤维为基础,按照不同的制造工艺可以制造成羊毛、羊绒和羊毡,而羊毛、羊绒和羊毡可以构成都是以羊毛纤维为基础原材料构成的纱线库。
具体的,所述第一特性需求信息是指利用环锭细纱机生产的细纱需要的原材料特性信息,包括细度、吸水性、覆盖性、弹性和可燃性等。通过根据所述第一特性需求信息中描述的特征,以各个特征为索引,在所述同源纱线类型库中进行特征匹配。优选的,将与所述第一特性需求信息特征匹配成功的所有纱线进行汇总,按照匹配成功的特征数量进行排序,匹配成功的特征数量越多,排序越靠前,将排在最前的纱线类型对应的纱线信息,作为所述第一纱线信息。其中,所述第一纱线信息是对最符合所述第一特性需求信息的纱线的属性进行描述的信息,包括纱线细度、纱线重量、纱线密度等。然后,根据所述第一纱线信息和所述第一纱纤维的特性信息,基于所述遗传算法构建所述纱线质量预判函数。通过以所述第一纱线信息对应的纱线质量为最优解,即因变量,以所述第一纱纤维的特性信息为自变量,利用遗传算法对自变量进行计算,得到函数常量,进而根据自变量和常量,构建所述纱线质量预判函数。达到了对纱线质量进行智能化预测的技术效果。
步骤S300:根据所述第一纱纤维的特性信息和所述纱线质量预判函数,获得第一纱线质量估计值;
进一步的,如图3所示,所述根据所述第一纱纤维的特性信息和所述纱线质量预判函数,获得第一纱线质量估计值,本申请实施例步骤S300还包括:
步骤S310:获得理想纱线质量;
步骤S320:从预定取值范围中随机选取M个第一纱纤维的特性信息;
步骤S330:根据遗传算法对所述M个第一纱纤维的特性信息进行计算,获得M个纱线质量估计值,其中,所述M个纱线质量与所述M个第一纱纤维的特性信息一一对应;
步骤S340:比较所述M个纱线质量估计值与所述理想纱线质量,获得所述第一纱线质量估计值,其中,所述第一纱线质量估计值与所述理想纱线质量相似度最大。
具体而言,所述第一纱线质量估计值是对所述第一纱纤维的特性信息进行分析,结合纱线质量预判函数,对第一纱纤维制成的纱线质量进行评估后得到的估计值,为与理想纱线质量相似度最大的质量估计值。所述理想纱线质量是根据所述第一纱纤维的特性信息,在生产制造最理想化、没有干扰的情况下生产出的纱线质量,包括纱线细度和纱线重量。其中,所述预定取值范围是预先设置的可以进行筛选的特性信息的数量,由工作人员设定,在此不做限制。所述M个第一纱纤维的特性信息是对第一纱纤维的性质进行描述的多个信息。利用所述遗传算法,不需要确定规则就能够自动获取和指导优化的搜索空间,从而对M个第一纱纤维的特性信息利用纱线质量预判函数对M个第一纱纤维对应的纱线质量进行估计,从而得到所述M个纱线质量估计值。其中,所述M个纱线质量估计值是指以所述M个第一纱纤维为自变量,通过纱线质量预判函数进行计算后,得到的表示利用M个第一纱纤维为原材料制成的纱线能够达到的质量估计值。通过所述M个纱线质量与所述M个第一纱纤维的特性信息一一对应,保证了后续进行分析的准确性。
具体的,通过将所述理想纱线质量与所述M个纱线质量估计值进行遍历匹配,将与理想纱线质量相似度最大,即匹配程度最高的纱线质量估计值作为所述第一纱线质量估计值。换句话说,从M个纱线质量估计值中找到与理想纱线质量相似度最大的质量估计值,进而,根据纱线指令与第一纱纤维的特性信息之间的一一对应关系,可以得到最有可能生产出理想纱线质量的第一纱纤维的特性信息,以此,可以进一步保证生产纱线的质量。
步骤S400:采集历史纱线质量数据,构建历史纱线质量数据集;
步骤S500:采集历史环锭细纱机的参数数据,构建历史环锭细纱机的参数数据集;
步骤S600:确定所述历史纱线质量数据与所述历史环锭细纱机的参数数据的对应关系;
具体而言,所述历史纱线质量数据集是通过获取环锭细纱机的生产日志,对历史时间段内利用所述环锭细纱机进行生产的历史数据进行采集后得到的纱线质量数据集,包括历史纱线重量、历史纱线细度和历史纱线吸水度等。优选的,所述历史纱线质量数据集具有生产加工时间标识。通过获取所述历史纱线质量数据集,可以为后续分析比对环锭细纱机的生产制造情况提供数据支持。所述历史环锭细纱机的参数数据集是指历史环锭细纱机进行生产加工时的加工参数集合,包括机械锭速、锭数、粗纱卷装尺寸、罗拉直径、牵伸形式等。优选的,所述历史环锭细纱机的参数数据集具有设定的生产加工时间标识。
具体的,通过利用历史纱线质量数据集的生产加工时间标识和历史环锭细纱机的参数数据集的生产加工时间标识,进行生产加工时间的一一对应,从而得到历史纱线质量数据与所述历史环锭细纱机的参数数据的对应关系。由此,可以确定参数数据之间的对应关系,从而为后续的纱线质量与环锭细纱机的参数提供对应关系,为后续进行环锭细纱机的参数准确调整做铺垫。
步骤S700:基于所述历史纱线质量数据集、所述历史环锭细纱机的参数数据集以及所述历史纱线质量数据与所述历史环锭细纱机的参数数据的对应关系构建环锭细纱机参数预测马尔科夫链;
进一步的,所述基于所述历史纱线质量数据集、所述历史环锭细纱机的参数数据集以及所述历史纱线质量数据与所述历史环锭细纱机的参数数据的对应关系构建环锭细纱机参数预测马尔科夫链,本申请实施例步骤S700还包括:
步骤S710:从所述历史纱线质量数据集中获得第一历史纱线质量数据;
步骤S720:预设纱线质量连续规则;
步骤S730:依据所述纱线质量连续规则,将所述第一历史纱线质量数据作为第一数据链节点,对所述历史纱线质量数据集进行重排,获得第一历史纱线质量数据链;
步骤S740:将所述历史环锭细纱机的参数数据集中的参数数据按照所述历史纱线质量数据与所述历史环锭细纱机的参数数据的对应关系对所述第一历史纱线质量数据链进行节点数据填充,构建环锭细纱机参数预测马尔科夫链。
具体而言,所述环锭细纱机参数预测马尔科夫链是对环锭细纱机参数在纱线质量数据下可能的具有的数值进行预测的状态序列,是具有马尔科夫性质的随机变量的一个数列。通过从历史纱线质量数据集中选取一个纱线质量数据最高的数据作为所述第一历史纱线质量数据。其中,所述第一历史纱线质量数据是用于构建环锭细纱机参数预测马尔科夫链第一个数据链节点的数据。所述预设纱线质量连续规则是预先设定的在环锭细纱机参数预测马尔科夫链中的纱线质量进行排列的规则,优选的,所述预设纱线质量连续规则可以是纱线质量从高到低排列。依据所述纱线质量连续规则,将所述第一历史纱线质量数据作为第一数据链节点,对所述历史纱线质量数据集进行重新排列,从而得到所述第一历史纱线质量数据链。其中,所述第一历史纱线质量数据链是对所述历史纱线质量数据集进行重新排列后得到的数据链,每一个链节点为一个历史纱线质量数据。
具体的,将所述历史环锭细纱机的参数数据集中的参数数据按照所述历史纱线质量数据与所述历史环锭细纱机的参数数据的对应关系对所述第一历史纱线质量数据链进行节点数据填充,换句话说,是以第一历史纱线质量数据链中的链节点为填充对象,以所述历史纱线质量数据与所述历史环锭细纱机的参数数据的对应关系为填充依据,将历史环锭细纱机的参数数据集中的参数数据填充至对应的链节点,从而构建环锭细纱机参数预测马尔科夫链,即构建了环锭细纱机参数可能值的参数空间。
步骤S800:将所述第一纱线质量估计值输入所述环锭细纱机参数预测马尔科夫链,获得第一环锭细纱机的参数数据;
具体而言,将所述第一纱线质量估计值输入所述环锭细纱机参数预测马尔科夫链中,进行质量预判,然后得到对应的第一环锭细纱机的参数数据。其中,所述第一环锭细纱机的参数数据是第一纱线质量估计值下第一环锭细纱机应该具有的参数数据,按照该参数数据对第一环锭细纱机进行参数调整,可以得到质量比较高的纱线。
步骤S900:根据所述第一环锭细纱机的参数数据对环锭细纱机进行参数调整。
进一步的,本申请实施例步骤S900还包括:
步骤S910:获得第二特性需求信息;
步骤S920:采集获取N种第二纱纤维的特性信息,其中,N为正整数;
步骤S930:根据所述第二特性需求信息,获得所述N种第二纱纤维和所述第一纱纤维的混纺特性信息;
步骤S940:判断所述混纺特性信息是否与所述第二特性需求信息相匹配,获得判断结果;
步骤S950:根据所述判断结果,确定是否选定所述N种第二纱纤维与所述第一纱纤维进行混纺。
进一步的,所述根据所述判断结果,确定是否选定所述N种第二纱纤维与所述第一纱纤维进行混纺,本申请实施例步骤S950还包括:
步骤S951:如果所述判断结果为所述混纺特性信息与所述第二特性需求信息相匹配,确定选取所述N种第二纱纤维与所述第一纱纤维进行混纺;
步骤S952:如果所述判断结果为所述混纺特性信息与所述第二特性需求信息不匹配,确定不选取所述N种第二纱纤维与所述第一纱纤维进行混纺。
具体而言,所述第二特性需求信息是另外需要的纱线信息,与所述第一纱纤维的特性信息不匹配的需求信息。因此,需要获取N中第二纱纤维的特性信息进行分析,从而获取与第一纱纤维进行结合能够满足第二特性需求信息的纱纤维。其中,所述N种第二纱纤维的特性信息是从生产厂家获取对多种纱纤维的属性进行描述的信息,包括吸水性、覆盖性、弹性和可燃性等。利用大数据技术,以N种第二纱纤维和所述第一纱纤维的混合为索引,以混纺特性为搜索目标,得到所述N种第二纱纤维和所述第一纱纤维的混纺特性信息。其中,所述混纺特性信息是对N种第二纱纤维和所述第一纱纤维进行混纺之后的纱线具有的属性进行描述的信息。判断所述混纺特性信息是否与所述第二特性需求信息相匹配,即分析混纺特性信息中的特性与所述第二特性需求信息中的特征匹配的数量。
具体的,当混纺特性信息中的特性与所述第二特性需求信息中的特征匹配的数量满足预设数量时,表明此时所述混纺特性信息与所述第二特性需求信息相匹配,可以确定选取N种第二纱纤维与所述第一纱纤维进行混纺,从而得到能够满足第二特性需求信息的纱线。当混纺特性信息中的特性与所述第二特性需求信息中的特征匹配的数量低于预设数量时,表明此时混纺特性信息与所述第二特性需求信息不匹配,混纺后不能得到满足第二特性需求信息的纱线,因此,确定不选取所述N种第二纱纤维与所述第一纱纤维进行混纺。由此,达到了对混纺的进行预先分析,从而减少加工试错次数,降低成本的技术效果。
进一步的,所述根据所述第二特性需求信息,获得所述N种第二纱纤维和所述第一纱纤维的混纺特性信息,本申请实施例步骤S930还包括:
步骤S931:将所述第二特性需求信息作为目标特性信息;
步骤S932:得到所述N种第二纱纤维和所述第一纱纤维的多种混纺方式对应的混纺特性信息;
步骤S933:根据所述混纺特性信息构建混纺特性数据集;
步骤S934:通过寻优算法从所述混纺特性数据集中获得与所述目标特性信息差异最小的混纺特性信息,获得所述N种第二纱纤维和所述第一纱纤维的混纺特性信息。
具体而言,所述目标特性信息是进行混纺的过程中需要得到的最终纺线所具有的特性信息,是进行寻优的参考信息。所述混纺特性信息是将N种第二纱纤维和所述第一纱纤维按照多种混纺方式进行混纺操作后,得到的纱线具有的属性信息,包括吸水特性信息、覆盖性信息和纱线弹性信息。其中,所述吸水特性信息是对得到的纱线吸水情况进行描述的信息。所述覆盖性信息是对单位重量的纱线可以覆盖的面积进行描述的信息。所述纱线弹性信息是对纱线抵抗变形的能力进行描述的信息。多种混纺方式有溶液法和熔体法等。将所述多种混纺特性信息进行汇总,得到所述混纺特性数据集,其中,所述混纺特性数据集反映了经过不同种混纺材料以及不同种混纺方式后得到的纱线所具有的特性信息。利用寻优算法,如梯度下降算法,从所述混纺特性数据集中选取与目标特性信息差异最小的混纺特性信息作为能够满足目标特性信息的最佳特性信息,获取其对应的N种第二纱纤维和所述第一纱纤维,进行混纺。
具体的,利用寻优算法,从所述混纺特性数据集中不放回随机选取一混纺特性信息,与目标特性信息进行匹配,将其作为历史最优,进而从混纺特性数据集再次不放回随机选取一混纺特性信息,与历史最优对应的混纺特性信息不同,将其与目标特性信息进行匹配,比较与历史最优的匹配度大小,优选的,所述匹配度大小是混纺特性信息与目标特性信息匹配成功的特征数量,若匹配度大于历史最优,则将其作为历史最优,由此,继续进行寻优,迭代预设次数后,停止寻优,将获得的历史最优作为与目标特性信息差异最小的混纺特性信息。其中,所述预设次数由工作人员设定。
综上所述,本申请实施例至少具有如下技术效果:
1.本申请实施例通过使用根据遗传算法构建纱线质量预判函数,实现了根据纱纤维的特性对其能够加工的纱线质量进行智能化判断的函数的目标,然后利用通过遗传算法对第一纱线质量估计值进行运算,通过获取历史上加工的纱线质量数据以及历史上环锭细纱机设定的参数数据,通过确定历史纱线质量数据与历史环锭细纱机的参数数据的对应关系,实现了为构建对环锭细纱机的参数进行预测的环锭细纱机参数预测马尔科夫链提供数据支持的目标,然后以基于历史纱线质量数据集为链节点,根据历史纱线质量数据与历史环锭细纱机的参数数据的对应关系,利用历史环锭细纱机的参数数据集对各个链节点进行数据补充,从而构建环锭细纱机参数预测马尔科夫链,通过将第一纱线质量估计值输入环锭细纱机参数预测马尔科夫链中,从而得到第一环锭细纱机的参数数据,按照参数数据对环锭细纱机进行参数调整。达到了对环锭细纱机进行准确的参数调整,提高参数调整的效率,保证纱线生产质量的技术效果。
2. 本申请实施例通过获得理想纱线质量,将其作为比较的依据,然后从预定取值范围中随机选取M个第一纱纤维的特性信息,通过利用遗传算法对M个第一纱纤维的特性信息进行计算,获得M个纱线质量估计值,将其中与理想纱线质量相似度最大的纱线质量估计值作为第一纱线质量估计值。达到了对基于纱纤维进行纺线,能够达到最优质量的纱纤维特性信息进行筛选的技术效果。
实施例二
基于与前述实施例中一种提高纱线质量的自适应管理方法相同的发明构思,如图4所示,本申请提供了一种提高纱线质量的自适应管理系统,本申请实施例中的系统与方法实施例基于同样的发明构思。其中,所述系统包括:
特性信息采集模块11,所述特性信息采集模块11用于采集获取第一纱纤维的特性信息;
预判函数构建模块12,所述预判函数构建模块12用于根据遗传算法构建纱线质量预判函数;
质量估计值获得模块13,所述质量估计值获得模块13用于根据所述第一纱纤维的特性信息和所述纱线质量预判函数,获得第一纱线质量估计值;
质量数据集获得模块14,所述质量数据集获得模块14用于采集历史纱线质量数据,构建历史纱线质量数据集;
参数数据集获得模块15,所述参数数据集获得模块15用于采集历史环锭细纱机的参数数据,构建历史环锭细纱机的参数数据集;
对应关系确定模块16,所述对应关系确定模块16用于确定所述历史纱线质量数据与所述历史环锭细纱机的参数数据的对应关系;
马尔科夫链构建模块17,所述马尔科夫链构建模块17用于基于所述历史纱线质量数据集、所述历史环锭细纱机的参数数据集以及所述历史纱线质量数据与所述历史环锭细纱机的参数数据的对应关系构建环锭细纱机参数预测马尔科夫链;
参数数据获得模块18,所述参数数据获得模块18用于将所述第一纱线质量估计值输入所述环锭细纱机参数预测马尔科夫链,获得第一环锭细纱机的参数数据;
参数调整模块19,所述参数调整模块19用于根据所述第一环锭细纱机的参数数据对环锭细纱机进行参数调整。
进一步的,所述系统还包括:
同源类型库构建单元,所述同源类型库构建单元用于根据所述第一纱纤维的特性信息,构建同源纱线类型库;
第一特性需求信息获得单元,所述第一特性需求信息获得单元用于获得第一特性需求信息;
第一纱线信息获得单元,所述第一纱线信息获得单元用于根据所述第一特性需求信息,从所述同源纱线类型库中进行特征遍历匹配,获得第一纱线信息;
预判函数构建单元,所述预判函数构建单元用于根据所述第一纱线信息和所述第一纱纤维的特性信息,通过遗传算法构建纱线质量预判函数。
进一步的,所述系统还包括:
第一历史纱线质量数据获得单元,所述第一历史纱线质量数据获得单元用于从所述历史纱线质量数据集中获得第一历史纱线质量数据;
连续规则设定单元,所述连续规则设定单元用于预设纱线质量连续规则;
第一历史数据链获得单元,所述第一历史数据链获得单元用于依据所述纱线质量连续规则,将所述第一历史纱线质量数据作为第一数据链节点,对所述历史纱线质量数据集进行重排,获得第一历史纱线质量数据链;
数据填充单元,所述数据填充单元用于将所述历史环锭细纱机的参数数据集中的参数数据按照所述历史纱线质量数据与所述历史环锭细纱机的参数数据的对应关系对所述第一历史纱线质量数据链进行节点数据填充,构建环锭细纱机参数预测马尔科夫链。
进一步的,所述系统还包括:
第二特性需求信息获得单元,所述第二特性需求信息获得单元用于获得第二特性需求信息;
纤维特性信息采集单元,所述纤维特性信息采集单元用于采集获取N种第二纱纤维的特性信息,其中,N为正整数;
混纺特性信息获得单元,所述混纺特性信息获得单元用于根据所述第二特性需求信息,获得所述N种第二纱纤维和所述第一纱纤维的混纺特性信息;
判断结果获得单元,所述判断结果获得单元用于判断所述混纺特性信息是否与所述第二特性需求信息相匹配,获得判断结果;
混纺判断单元,所述混纺判断单元用于根据所述判断结果,确定是否选定所述N种第二纱纤维与所述第一纱纤维进行混纺。
进一步的,所述系统还包括:
混纺确定单元,所述混纺确定单元用于如果所述判断结果为所述混纺特性信息与所述第二特性需求信息相匹配,确定选取所述N种第二纱纤维与所述第一纱纤维进行混纺;
混纺不选取单元,所述混纺不选取单元用于如果所述判断结果为所述混纺特性信息与所述第二特性需求信息不匹配,确定不选取所述N种第二纱纤维与所述第一纱纤维进行混纺。
进一步的,所述系统还包括:
目标特性信息设定单元,所述目标特性信息设定单元用于将所述第二特性需求信息作为目标特性信息;
混纺特性信息确定单元,所述混纺特性信息确定单元用于得到所述N种第二纱纤维和所述第一纱纤维的多种混纺方式对应的混纺特性信息;
混纺特性数据集构建单元,所述混纺特性数据集构建单元用于根据所述混纺特性信息构建混纺特性数据集;
混纺特性信息设定单元,所述混纺特性信息设定单元用于通过寻优算法从所述混纺特性数据集中获得与所述目标特性信息差异最小的混纺特性信息,获得所述N种第二纱纤维和所述第一纱纤维的混纺特性信息。
进一步的,所述系统还包括:
理想纱线质量获得单元,所述理想纱线质量获得单元用于获得理想纱线质量;
特性信息随机选取单元,所述特性信息随机选取单元用于从预定取值范围中随机选取M个第一纱纤维的特性信息;
M个质量估计值确定单元,所述M个质量估计值确定单元用于根据遗传算法对所述M个第一纱纤维的特性信息进行计算,获得M个纱线质量估计值,其中,所述M个纱线质量与所述M个第一纱纤维的特性信息一一对应;
第一纱线质量估计值设定单元,所述第一纱线质量估计值设定单元 用于比较所述M个纱线质量估计值与所述理想纱线质量,获得所述第一纱线质量估计值,其中,所述第一纱线质量估计值与所述理想纱线质量相似度最大。
需要说明的是,上述本申请实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
本说明书和附图仅仅是本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (2)
1.一种提高纱线质量的自适应管理方法,其特征在于,所述方法应用于环锭细纱机控制系统,所述方法包括:
采集获取第一纱纤维的特性信息;
根据遗传算法构建纱线质量预判函数;
根据所述第一纱纤维的特性信息和所述纱线质量预判函数,获得第一纱线质量估计值;
采集历史纱线质量数据,构建历史纱线质量数据集;
采集历史环锭细纱机的参数数据,构建历史环锭细纱机的参数数据集;
确定所述历史纱线质量数据与所述历史环锭细纱机的参数数据的对应关系;
基于所述历史纱线质量数据集、所述历史环锭细纱机的参数数据集以及所述历史纱线质量数据与所述历史环锭细纱机的参数数据的对应关系构建环锭细纱机参数预测马尔科夫链;
将所述第一纱线质量估计值输入所述环锭细纱机参数预测马尔科夫链,获得第一环锭细纱机的参数数据;
根据所述第一环锭细纱机的参数数据对环锭细纱机进行参数调整;
其中,所述根据遗传算法构建纱线质量预判函数,包括:
根据所述第一纱纤维的特性信息,构建同源纱线类型库;
获得第一特性需求信息;
根据所述第一特性需求信息,从所述同源纱线类型库中进行特征匹配,获得第一纱线信息;
根据所述第一纱线信息和所述第一纱纤维的特性信息,通过遗传算法构建纱线质量预判函数;
其中,所述基于所述历史纱线质量数据集、所述历史环锭细纱机的参数数据集以及所述历史纱线质量数据与所述历史环锭细纱机的参数数据的对应关系构建环锭细纱机参数预测马尔科夫链,包括:
从所述历史纱线质量数据集中获得第一历史纱线质量数据;
预设纱线质量连续规则;
依据所述纱线质量连续规则,将所述第一历史纱线质量数据作为第一数据链节点,对所述历史纱线质量数据集进行重排,获得第一历史纱线质量数据链;
将所述历史环锭细纱机的参数数据集中的参数数据按照所述历史纱线质量数据与所述历史环锭细纱机的参数数据的对应关系对所述第一历史纱线质量数据链进行节点数据填充,构建环锭细纱机参数预测马尔科夫链;
其中,所述根据所述第一环锭细纱机的参数数据对环锭细纱机进行参数调整,包括:
获得第二特性需求信息;
采集获取N种第二纱纤维的特性信息,其中,N为正整数;
根据所述第二特性需求信息,获得所述N种第二纱纤维和所述第一纱纤维的混纺特性信息;
判断所述混纺特性信息是否与所述第二特性需求信息相匹配,获得判断结果;
根据所述判断结果,确定是否选定所述N种第二纱纤维与所述第一纱纤维进行混纺;
其中,所述根据所述判断结果,确定是否选定所述N种第二纱纤维与所述第一纱纤维进行混纺,包括:
如果所述判断结果为所述混纺特性信息与所述第二特性需求信息相匹配,确定选取所述N种第二纱纤维与所述第一纱纤维进行混纺;
如果所述判断结果为所述混纺特性信息与所述第二特性需求信息不匹配,确定不选取所述N种第二纱纤维与所述第一纱纤维进行混纺;
其中,所述根据所述第二特性需求信息,获得所述N种第二纱纤维和所述第一纱纤维的混纺特性信息,包括:
将所述第二特性需求信息作为目标特性信息;
得到所述N种第二纱纤维和所述第一纱纤维的多种混纺方式对应的混纺特性信息;
根据所述混纺特性信息构建混纺特性数据集;
通过寻优算法从所述混纺特性数据集中获得与所述目标特性信息差异最小的混纺特性信息,获得所述N种第二纱纤维和所述第一纱纤维的混纺特性信息;
其中,所述根据所述第一纱纤维的特性信息和所述纱线质量预判函数,获得第一纱线质量估计值,包括:
获得理想纱线质量;
从预定取值范围中随机选取M个第一纱纤维的特性信息;
根据遗传算法对所述M个第一纱纤维的特性信息进行计算,获得M个纱线质量估计值,其中,所述M个纱线质量估计值与所述M个第一纱纤维的特性信息一一对应;
比较所述M个纱线质量估计值与所述理想纱线质量,获得所述第一纱线质量估计值,其中,所述第一纱线质量估计值与所述理想纱线质量相似度最大。
2.一种提高纱线质量的自适应管理系统,其特征在于,所述系统包括:
特性信息采集模块,所述特性信息采集模块用于采集获取第一纱纤维的特性信息;
预判函数构建模块,所述预判函数构建模块用于根据遗传算法构建纱线质量预判函数;
质量估计值获得模块,所述质量估计值获得模块用于根据所述第一纱纤维的特性信息和所述纱线质量预判函数,获得第一纱线质量估计值;
质量数据集获得模块,所述质量数据集获得模块用于采集历史纱线质量数据,构建历史纱线质量数据集;
参数数据集获得模块,所述参数数据集获得模块用于采集历史环锭细纱机的参数数据,构建历史环锭细纱机的参数数据集;
对应关系确定模块,所述对应关系确定模块用于确定所述历史纱线质量数据与所述历史环锭细纱机的参数数据的对应关系;
马尔科夫链构建模块,所述马尔科夫链构建模块用于基于所述历史纱线质量数据集、所述历史环锭细纱机的参数数据集以及所述历史纱线质量数据与所述历史环锭细纱机的参数数据的对应关系构建环锭细纱机参数预测马尔科夫链;
参数数据获得模块,所述参数数据获得模块用于将所述第一纱线质量估计值输入所述环锭细纱机参数预测马尔科夫链,获得第一环锭细纱机的参数数据;
参数调整模块,所述参数调整模块用于根据所述第一环锭细纱机的参数数据对环锭细纱机进行参数调整;
进一步的,所述系统还包括:
同源类型库构建单元,所述同源类型库构建单元用于根据所述第一纱纤维的特性信息,构建同源纱线类型库;
第一特性需求信息获得单元,所述第一特性需求信息获得单元用于获得第一特性需求信息;
第一纱线信息获得单元,所述第一纱线信息获得单元用于根据所述第一特性需求信息,从所述同源纱线类型库中进行特征匹配,获得第一纱线信息;
预判函数构建单元,所述预判函数构建单元用于根据所述第一纱线信息和所述第一纱纤维的特性信息,通过遗传算法构建纱线质量预判函数;
第一历史纱线质量数据获得单元,所述第一历史纱线质量数据获得单元用于从所述历史纱线质量数据集中获得第一历史纱线质量数据;
连续规则设定单元,所述连续规则设定单元用于预设纱线质量连续规则;
第一历史纱线质量数据链获得单元,所述第一历史纱线质量数据链获得单元用于依据所述纱线质量连续规则,将所述第一历史纱线质量数据作为第一数据链节点,对所述历史纱线质量数据集进行重排,获得第一历史纱线质量数据链;
数据填充单元,所述数据填充单元用于将所述历史环锭细纱机的参数数据集中的参数数据按照所述历史纱线质量数据与所述历史环锭细纱机的参数数据的对应关系对所述第一历史纱线质量数据链进行节点数据填充,构建环锭细纱机参数预测马尔科夫链;
第二特性需求信息获得单元,所述第二特性需求信息获得单元用于获得第二特性需求信息;
纤维特性信息采集单元,所述纤维特性信息采集单元用于采集获取N种第二纱纤维的特性信息,其中,N为正整数;
混纺特性信息获得单元,所述混纺特性信息获得单元用于根据所述第二特性需求信息,获得所述N种第二纱纤维和所述第一纱纤维的混纺特性信息;
判断结果获得单元,所述判断结果获得单元用于判断所述混纺特性信息是否与所述第二特性需求信息相匹配,获得判断结果;
混纺判断单元,所述混纺判断单元用于根据所述判断结果,确定是否选定所述N种第二纱纤维与所述第一纱纤维进行混纺;
混纺确定单元,所述混纺确定单元用于如果所述判断结果为所述混纺特性信息与所述第二特性需求信息相匹配,确定选取所述N种第二纱纤维与所述第一纱纤维进行混纺;
混纺不选取单元,所述混纺不选取单元用于如果所述判断结果为所述混纺特性信息与所述第二特性需求信息不匹配,确定不选取所述N种第二纱纤维与所述第一纱纤维进行混纺;
目标特性信息设定单元,所述目标特性信息设定单元用于将所述第二特性需求信息作为目标特性信息;
混纺特性信息确定单元,所述混纺特性信息确定单元用于得到所述N种第二纱纤维和所述第一纱纤维的多种混纺方式对应的混纺特性信息;
混纺特性数据集构建单元,所述混纺特性数据集构建单元用于根据所述混纺特性信息构建混纺特性数据集;
混纺特性信息设定单元,所述混纺特性信息设定单元用于通过寻优算法从所述混纺特性数据集中获得与所述目标特性信息差异最小的混纺特性信息,获得所述N种第二纱纤维和所述第一纱纤维的混纺特性信息;
理想纱线质量获得单元,所述理想纱线质量获得单元用于获得理想纱线质量;
特性信息随机选取单元,所述特性信息随机选取单元用于从预定取值范围中随机选取M个第一纱纤维的特性信息;
M个质量估计值确定单元,所述M个质量估计值确定单元用于根据遗传算法对所述M个第一纱纤维的特性信息进行计算,获得M个纱线质量估计值,其中,所述M个纱线质量估计值与所述M个第一纱纤维的特性信息一一对应;
第一纱线质量估计值设定单元,所述第一纱线质量估计值设定单元用于比较所述M个纱线质量估计值与所述理想纱线质量,获得所述第一纱线质量估计值,其中,所述第一纱线质量估计值与所述理想纱线质量相似度最大。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310043050.7A CN115874321B (zh) | 2023-01-29 | 2023-01-29 | 一种提高纱线质量的自适应管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310043050.7A CN115874321B (zh) | 2023-01-29 | 2023-01-29 | 一种提高纱线质量的自适应管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115874321A CN115874321A (zh) | 2023-03-31 |
CN115874321B true CN115874321B (zh) | 2023-05-30 |
Family
ID=85758486
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310043050.7A Active CN115874321B (zh) | 2023-01-29 | 2023-01-29 | 一种提高纱线质量的自适应管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115874321B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117265720B (zh) * | 2023-11-22 | 2024-02-09 | 湘潭东信棉业有限公司 | 环锭细纱机智能控制系统及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3634498A1 (de) * | 1985-10-09 | 1987-04-16 | Vyzk Ustav Bavlnarsky | Verfahren und vorrichtung zum anspinnen von garn |
CN102817088A (zh) * | 2012-08-09 | 2012-12-12 | 东华大学 | 一种熔体直纺涤纶长丝熔体输送工艺 |
CN103745312A (zh) * | 2013-12-26 | 2014-04-23 | 杭州万事利丝绸科技有限公司 | 生产质量控制方法 |
CN103806197A (zh) * | 2014-02-25 | 2014-05-21 | 浙江丝绸科技有限公司 | 一种高抗起毛起球的像景织锦织物的生产工艺 |
CN111519294A (zh) * | 2020-05-09 | 2020-08-11 | 苏州基列德智能制造有限公司 | 纱线断线预警监测方法、系统、装置及可读存储介质 |
CN112030424A (zh) * | 2020-09-09 | 2020-12-04 | 广州麦德仕科技有限公司 | 一种纺织面料加工设备 |
CN112831874A (zh) * | 2021-01-06 | 2021-05-25 | 东华大学 | 基于单锭监测的启发式细纱接头调度方法 |
CN114016182A (zh) * | 2021-11-03 | 2022-02-08 | 哈尔滨工业大学 | 一种多功能、耐高温、宽频吸收的周期性编织电磁波吸收材料的制备方法和应用 |
-
2023
- 2023-01-29 CN CN202310043050.7A patent/CN115874321B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3634498A1 (de) * | 1985-10-09 | 1987-04-16 | Vyzk Ustav Bavlnarsky | Verfahren und vorrichtung zum anspinnen von garn |
CN102817088A (zh) * | 2012-08-09 | 2012-12-12 | 东华大学 | 一种熔体直纺涤纶长丝熔体输送工艺 |
CN103745312A (zh) * | 2013-12-26 | 2014-04-23 | 杭州万事利丝绸科技有限公司 | 生产质量控制方法 |
CN103806197A (zh) * | 2014-02-25 | 2014-05-21 | 浙江丝绸科技有限公司 | 一种高抗起毛起球的像景织锦织物的生产工艺 |
CN111519294A (zh) * | 2020-05-09 | 2020-08-11 | 苏州基列德智能制造有限公司 | 纱线断线预警监测方法、系统、装置及可读存储介质 |
CN112030424A (zh) * | 2020-09-09 | 2020-12-04 | 广州麦德仕科技有限公司 | 一种纺织面料加工设备 |
CN112831874A (zh) * | 2021-01-06 | 2021-05-25 | 东华大学 | 基于单锭监测的启发式细纱接头调度方法 |
CN114016182A (zh) * | 2021-11-03 | 2022-02-08 | 哈尔滨工业大学 | 一种多功能、耐高温、宽频吸收的周期性编织电磁波吸收材料的制备方法和应用 |
Also Published As
Publication number | Publication date |
---|---|
CN115874321A (zh) | 2023-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114994289B (zh) | 一种纺纱产品质量检测方法及系统 | |
CN115874321B (zh) | 一种提高纱线质量的自适应管理方法及系统 | |
CN106206346B (zh) | 具取样率决定机制的量测抽样方法 | |
CN106980910B (zh) | 中长期电力负荷测算系统及方法 | |
CN111458149B (zh) | 一种滚动轴承性能及使用寿命的预测方法及系统 | |
CN113642938B (zh) | 一种智能化生产管理方法及系统 | |
CN110555058A (zh) | 基于改进决策树的电力通信设备状态的预测方法 | |
CN110690701A (zh) | 一种异常线损影响因素的分析方法 | |
CN106777652B (zh) | 一种预测高炉透气性的方法 | |
US5956692A (en) | Attribute inductive data analysis | |
CN117008557B (zh) | 共混型互穿网络热塑性弹性体的生产控制方法及系统 | |
CN110163479A (zh) | 一种烟草卷包车间质量异常问题主因模型的建立方法 | |
CN116304957A (zh) | 一种供变电设备监测状态突变在线识别方法 | |
CN112348101A (zh) | 一种基于异常数据分析的轧钢燃耗预警方法及系统 | |
Popa et al. | Mathematic model of the spinning process of a wool yarn | |
CN108305002A (zh) | 一种基于监控威布尔形状参数的早期失效率变点识别方法 | |
CN108280652A (zh) | 用户满意度的分析方法及装置 | |
CN111428329A (zh) | 基于模型的机器学习系统 | |
CN113592314A (zh) | 基于西格玛水平的制丝工艺质量评价方法 | |
Cheng et al. | Case-based reasoning system for predicting yarn tenacity | |
WO2014172796A1 (en) | Compiling and providing a global textile quality benchmark | |
KR20230147359A (ko) | 토우프레그의 수지함량 예측 및 공정조건 추천을 위한 설비시스템 및 그 방법 | |
CN113029892B (zh) | 基于区域统计规律的油水相对渗透率曲线合理性评价方法 | |
Akgül et al. | Optimization of the Murata Vortex Spinning machine parameters by the SMAA-MOORA approach | |
CN115509196B (zh) | 一种基于机器学习的制造工艺优化方法及装置 |
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 |