ES2917375T3 - Dispositivo y método para detectar una falla en una hiladora y para estimar una o más fuentes de la falla - Google Patents
Dispositivo y método para detectar una falla en una hiladora y para estimar una o más fuentes de la falla Download PDFInfo
- Publication number
- ES2917375T3 ES2917375T3 ES20172457T ES20172457T ES2917375T3 ES 2917375 T3 ES2917375 T3 ES 2917375T3 ES 20172457 T ES20172457 T ES 20172457T ES 20172457 T ES20172457 T ES 20172457T ES 2917375 T3 ES2917375 T3 ES 2917375T3
- Authority
- ES
- Spain
- Prior art keywords
- information
- textile
- sources
- fault
- textile machines
- 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
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000009987 spinning Methods 0.000 title claims abstract description 50
- 239000004753 textile Substances 0.000 claims abstract description 266
- 239000000463 material Substances 0.000 claims abstract description 81
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 40
- 238000010801 machine learning Methods 0.000 claims abstract description 28
- 238000012423 maintenance Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 18
- 238000007637 random forest analysis Methods 0.000 claims description 11
- 230000000295 complement effect Effects 0.000 claims description 9
- 238000003064 k means clustering Methods 0.000 claims description 9
- 238000003066 decision tree Methods 0.000 claims description 8
- 238000012417 linear regression Methods 0.000 claims description 8
- 230000036962 time dependent Effects 0.000 claims description 7
- 238000007477 logistic regression Methods 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 25
- 239000000835 fiber Substances 0.000 description 24
- 238000004519 manufacturing process Methods 0.000 description 21
- 238000013528 artificial neural network Methods 0.000 description 11
- 239000004744 fabric Substances 0.000 description 8
- 238000001514 detection method Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 239000000314 lubricant Substances 0.000 description 6
- 238000004804 winding Methods 0.000 description 6
- 230000000306 recurrent effect Effects 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- 229920000742 Cotton Polymers 0.000 description 4
- 230000015654 memory Effects 0.000 description 4
- 239000000047 product Substances 0.000 description 4
- 239000002994 raw material Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 101100491335 Caenorhabditis elegans mat-2 gene Proteins 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 239000012467 final product Substances 0.000 description 2
- 239000013067 intermediate product Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000012209 synthetic fiber Substances 0.000 description 2
- 229920002994 synthetic fiber Polymers 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 101100110009 Caenorhabditis elegans asd-2 gene Proteins 0.000 description 1
- 206010020112 Hirsutism Diseases 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000010042 air jet spinning Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000007383 open-end spinning Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000007378 ring spinning Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- D—TEXTILES; PAPER
- D01—NATURAL OR MAN-MADE THREADS OR FIBRES; SPINNING
- D01H—SPINNING OR TWISTING
- D01H13/00—Other common constructional features, details or accessories
- D01H13/32—Counting, measuring, recording or registering devices
-
- D—TEXTILES; PAPER
- D01—NATURAL OR MAN-MADE THREADS OR FIBRES; SPINNING
- D01G—PRELIMINARY TREATMENT OF FIBRES, e.g. FOR SPINNING
- D01G31/00—Warning or safety devices, e.g. automatic fault detectors, stop motions
- D01G31/006—On-line measurement and recording of process and product parameters
-
- D—TEXTILES; PAPER
- D01—NATURAL OR MAN-MADE THREADS OR FIBRES; SPINNING
- D01H—SPINNING OR TWISTING
- D01H13/00—Other common constructional features, details or accessories
- D01H13/14—Warning or safety devices, e.g. automatic fault detectors, stop motions ; Monitoring the entanglement of slivers in drafting arrangements
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
- G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31263—Imbedded learning for planner, executor, monitor, controller and evaluator
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/45—Nc applications
- G05B2219/45145—Milling
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/45—Nc applications
- G05B2219/45191—Spinning, web spinning
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Textile Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mechanical Engineering (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Automation & Control Theory (AREA)
- Spinning Or Twisting Of Yarns (AREA)
- General Factory Administration (AREA)
Abstract
La divulgación se relaciona con un dispositivo y un método para detectar una falla (DF) en una fábrica giratoria (M) y para estimar una o más fuentes (ES1, ES2) de la falla. La fábrica giratoria (M) comprende una pluralidad de máquinas textiles (12, 23,..., 89) para procesar secuencialmente materiales textiles (1, 2,..., 9). El dispositivo electrónico está configurado para recibir información de parámetros (P1, P2,..., P9) de una o más máquinas textiles (12, 23,..., 89) y de uno o más materiales textiles (1, 2,..., 9), para detectar la falla (DF) y su ubicación identificando la información de parámetros (P1, P2,..., P9) de materiales textiles (1, 2,..., 9) desviando de la información de referencia, Para acceder a la información de configuración (CL) de las máquinas textiles (12, 23,..., 89) de la fábrica de hilería (M), para acceder a la información basada en el conocimiento (KL) relacionada con el conocimiento sobre posibles fuentes (ES') de posibles fallas (DF') en la fábrica de hilado (M), y para aplicar información de parámetros (P1, P2,..., P9), información de configuración (CL) e información basada en el conocimiento (KL) a uno o más Algoritmos de aprendizaje automático para estimar una o más fuentes (ES1, ES2) de la falla (DF). (Traducción automática con Google Translate, sin valor legal)
Description
DESCRIPCIÓN
Dispositivo y método para detectar una falla en una hiladora y para estimar una o más fuentes de la falla
Campo de la invención
La divulgación se refiere a un dispositivo y método para detectar una falla en una hiladora y para estimar una o más fuentes de la falla.
Descripción de la técnica relacionada
Habitualmente una hiladora incluye un gran número de máquinas textiles para convertir fibras naturales y sintéticas y sus mezclas en hilos de una cantidad y calidad deseada. Se pueden disponer varios tipos de máquinas textiles a lo largo de una línea de producción, tal como máquinas textiles para preparación de fibras, máquinas textiles para preparación de hilado, máquinas de hilado de anillo, máquinas de hilado compactas, máquinas de hilado de rotor, máquinas de hilada de chorro de aire, máquinas de automatización, máquinas de bobinado, máquinas texturizadoras, etcétera. Una hiladora puede incluir varios cientos de máquinas textiles de diferentes tipos y puede cubrir un área de varios cientos de metros cuadrados. Además, las máquinas textiles pueden incluir varios cientos o varios miles de componentes, en particular componentes para procesar materiales textiles que corren de una manera paralela. Durante el proceso de convertir en hilos las fibras naturales y artificiales y sus mezclas, los materiales textiles se pueden abrir y limpiar, convertir en cinta de carda, se pueden procesar por marcos de estiramiento y/o mecheras, hilar en hilos, transportar automáticamente de una máquina textil previa a una siguiente máquina textil, rebobinar para asegurar un desempeño del hilo apropiado en los procesos de fabricación adicionales, texturizar para proporcionar aspecto de fibra a los hilos de filamento planos, etcétera. A fin de proporcionar una capacidad de producción deseada a lo largo de una línea de producción en serie, las máquinas textiles o componentes de máquinas textiles pueden incluir configuraciones paralelas. De esta manera, un paso de procesamiento previo se puede seguir en serie por un siguiente paso de procesamiento, en donde el paso de procesamiento previo puede requerir menos o más máquinas textiles paralelas o componentes para procesar materiales textiles que el siguiente paso de procesamiento. Por ejemplo, el paso de preparación de fibra para proporcionar las cintas puede requerir menos máquinas paralelas o componentes que el paso de hilar cintas en hilos. Por otra parte, para el propósito de flexibilidad, redundancia, mantenimiento de la máquina, etcétera, se pueden disponer máquinas adicionales, que pueden proporcionar capacidad de producción alternativa o adicional durante períodos de tiempo particulares. Además, por ejemplo, dependiendo del plan de producción que requiere menos máquinas textiles durante la noche que durante el día, las máquinas textiles particulares se pueden parar durante períodos de tiempo particulares. Por ejemplo, durante un período de tiempo posterior, la producción puede implicar otro conjunto de máquinas textiles que durante un período de tiempo temprano.
En la operación de una hiladora, se pueden capturar varios parámetros. Los parámetros capturados se pueden relacionar con los parámetros de las máquinas textiles y/o a los parámetros de los materiales textiles, tal como fibras naturales y sintéticas y sus mezclas, cintas, mechas, hilos, etcétera. Los parámetros de las máquinas textiles se pueden relacionar con parámetros físicos, parámetros químicos, etcétera tal como velocidades de rotación, consumos de energía, propiedades químicas de lubricantes, etcétera. Los parámetros de los materiales textiles se pueden relacionar con parámetros físicos, parámetros químicos, etcétera tal como espesor, densidad, propiedades químicas de las fibras etcétera. El hilado puede incluir una pluralidad de sensores para capturar los parámetros de máquinas textiles y/o materiales textiles. La captura de parámetros de las máquinas textiles y/o materiales textiles puede requerir tomar muestras de las máquinas textiles y/o los materiales textiles y examinar las muestras en laboratorios, en particular para determinar las propiedades mecánicas/físicas y/o químicas de las muestras.
En la operación de una hiladora, los parámetros de las máquinas textiles se pueden capturar de manera continua o regularmente y monitorear, y si los parámetros se desvían de la información de referencia predefinida, se puede concluir que se presentó una falla y se pueden tomar medidas correctivas automática o manualmente. La fuente de las fallas relacionadas con las máquinas textiles, por ejemplo, una velocidad de rotación que se desvía de la información de referencia se puede determinar frecuentemente y corregir con precisión y de forma expedita. Sin embargo, ya que no se pueden capturar cada parámetro individual de máquinas textiles de una hiladora, las hiladoras no incluyen un número suficiente de sensores para detectar cada posible falla de las máquinas textiles, o en caso de sensores descompuestos, puede no ser suficiente de detectar una falla en una hiladora al comparar los parámetros de las máquinas textiles con la información de referencia.
Por lo tanto, además o en lugar de capturar los parámetros de las máquinas textiles, los parámetros de las máquinas textiles se pueden capturar adicional o alternativamente y monitorear durante la producción. Si los parámetros de los materiales textiles se desvían de la información de referencia, se puede concluir que se presentó una falla. Sin embargo, la fuente de la falla puede no solo relacionarse con la máquina textil que solo produjo el material textil defectuoso, sino se puede relacionar alternativa o adicionalmente con cualquiera de los pasos de procesamiento corriente arriba previos. Por ejemplo, una máquina textil corriente arriba respectiva puede no incluir sensores requeridos o puede tener sensores descompuestos, y solo en relación con un paso de procesamiento posterior puede ser detectable que se haya presentado una falla. De esta manera, la fuente de la falla que provocó la falla detectada sigue siendo desconocida. En las hiladoras actuales, se requiere personal de producción experimentado y/o consulta externa a fin de investigar la fuente de las fallas
que se han detectado al comparar los parámetros de los materiales textiles con la información de referencia. Sin embargo, el personal de producción experimentado y/o la consulta externa puede no siempre estar disponible y puede resultar un retraso significativo para corregir la fuente de las fallas.
Es de mayor importancia corregir la fuente de las fallas en la hiladora tan rápido como sea posible, en particular al minimizar la pérdida de producción.
EP3175025A1 divulga un sistema de monitoreo de una línea de hilado. Los dispositivos de detección se asocian con las máquinas textiles y medios de almacenamiento principales para procesar una enorme cantidad de datos (Datos Grandes) para implementar un mantenimiento predictivo. Se detecta un valor físico de un componente de una máquina textil, por ejemplo, un parámetro de operación, por ejemplo, temperatura de una estructura de soporte, presión en un conducto de succión, aceleración para detectar vibraciones, distancia entre órganos de una máquina, corriente absorbida por un motor eléctrico, fuerza para detectar la tensión de las correas, cámara web que proporciona imágenes de las máquinas.
EP3170778A1 divulga un sistema de manejo textil que comprende una pluralidad de máquinas textiles que comprenden unidades de procesamiento de fibra, un dispositivo de control configurado para controlar las unidades de procesamiento de fibra, y uno o más dispositivos compartidos proporcionados en todas o algunas de las unidades de procesamiento de fibras, y un aparato de manejo configurado para manejar las máquinas textiles. Se adquiere información en una condición de las unidades de procesamiento de fibras/dispositivos compartidos, una primera unidad de adquisición de condición adquiere información en la condición de las unidades de procesamiento de fibras, información en la condición del dispositivo compartido, e información en las condiciones (por ejemplo, temperatura, humedad en las ubicaciones instaladas) que son comunes, ejemplos incluyen un dispositivo de monitoreo de hilos para detectar el espesor del hilo, un sensor de vibración para detectar la vibración en una sección de bobinado, un sensor de ruido para detectar el ruido en una sección de unión de hilos, un aparato de gestión que gestiona las máquinas textiles para gestionar el mantenimiento periódico, para analizar la condición de las unidades de procesamiento de fibras (por ejemplo, detección de una falla).
EP2352867A1 divulga el monitoreo de un proceso de fabricación en una planta textil tal como una hiladora cuando la materia prima se procesa en el proceso de fabricación en varios pasos de procesamiento en productos intermedios y un producto final. Los parámetros de la materia prima, los productos intermedios y/o el producto final se miden en al menos dos pasos de procesamiento diferentes, almacenados en una base de datos y se vinculan en un archivo de índice. De esta manera las cualidades empleadas de un lote son tan cercanos como sea posible a la calidad de un lote que también se puede designar como calidad necesaria de un lote a fin de ofrecer la calidad del hilo proporcionada para un acuerdo de suministro.
EP0556359A1 divulga el diagnóstico de una falla por una evaluación, basada en una base reconocida, de señales que indican la calidad de los productos fabricados, por ejemplo, sobre la base de espectrogramas obtenidos por inspección de los parámetros de los ensambles de fibra o filamentos textiles. Una primera unidad de evaluación se usa para detectar las desviaciones características de los espectrogramas y genera para cada una de estas diferencias el llamado descriptor de fallas. Una segunda unidad de evaluación determina la posible alteración a cada falla del descriptor, basado en una base de reconocimiento. Las fallas que se presentan se detectan automáticamente y se pueden diagnosticar rápida y confiablemente. El sistema requiere una divulgación exacta de la estructura de las máquinas textiles respectivas. Los subsistemas se pueden subdividir hasta que finalmente se llega a los componentes que provocan un defecto (por ejemplo, cilindro, correas). Cada objeto se divulga por un nodo en una estructura de árbol.
EP0685580A1 divulga el registro de las causas de las fallas del producto en hilos, mechas y cintas. Las fallas registradas se presentan de acuerdo con los parámetros predefinidos para proporcionar un patrón de error. El patrón de error se usa para hacer una referencia a la causa de la falla.
Los sistemas de control de calidad adicionales en una hiladora de acuerdo con el estado de la técnica se divulgan en US 5 046013 A y US 5381 340 A. Un sistema adicional para el monitoreo de la producción del hilo también es conocido de EP 3 293 595 A1. https://towardsdatascience.com/top-10-algorithms-for-machine-learning-beginners-149374935f3c divulga algoritmos de aprendizaje de máquina y posibles aplicaciones en la vida real.
Breve descripción de la invención
Puede haber la necesidad de un dispositivo y método para detectar una falla en una hiladora y para estimar una o más fuentes de la falla. En particular, puede haber la necesidad de un dispositivo y método para detectar una falla en una hiladora y para estimar una o más fuentes de la falla, que superen al menos algunas de las desventajas de la técnica anterior. En particular, puede haber la necesidad de un dispositivo y método para detectar una falla en una hiladora y para estimar una o más fuentes de la falla, que permitan la estimación rápida y precisa de la una o más fuentes de la falla.
Esta necesidad se puede cumplir con el contenido de las reivindicaciones independientes. Se definen realizaciones ventajosas en las reivindicaciones dependientes.
Un aspecto de la invención se refiere a un dispositivo electrónico para detectar una falla en una hiladora y para estimar una o más fuentes de la falla, la hiladora comprende una pluralidad de máquinas textiles para procesar secuencialmente
materiales textiles. El dispositivo electrónico está configurado para llevar a cabo los pasos de: recibir información de parámetros de una o más máquinas textiles y de uno o más materiales textiles, detectar la falla y su ubicación al identificar información de parámetros de los materiales textiles que se desvían de la información de referencia, acceder a la información de configuración de las máquinas textiles de la hiladora, acceder a la información basada en conocimiento relacionada con el conocimiento acerca de posibles fuentes de posibles fallas en la hiladora, y aplicar información de parámetros, información de configuración, e información basada en conocimiento a uno o más algoritmos de aprendizaje de máquina para estimar la una o más fuentes de la falla.
La información de parámetros recibida por el dispositivo electrónico puede incluir valores de parámetros de los componentes de las máquinas textiles, tal como una velocidad de rotación de un rotor, un consumo de energía de una máquina textil, una calidad de un lubricante, etcétera. Además, la información de parámetros recibida por el dispositivo electrónico puede incluir valores del parámetro de los materiales textiles, tal como un diámetro del material textil, una densidad de la fibra del material textil, etcétera. La información de parámetros recibida por el dispositivo electrónico se puede relacionar con los valores de los parámetros capturados por los sensores electrónicos, valores de los parámetros determinados en los hallazgos analizados en el laboratorio, etcétera.
Los parámetros de los materiales textiles capturados en particular pueden incluir uno o múltiples de humedad de fibra, micronaire, longitud de la fibra, uniformidad de la longitud de la fibra, resistencia de la fibra, nudos de la fibra, madurez de la fibra, color de la fibra, residuos de la fibra, conteo/madeja de la cinta/mecha, desviación del peso de la cinta/mecha, uniformidad de la cinta/mecha, lugares gruesos, lugares delgados, nivel de torsión, resistencia del hilo, propiedades de alargamiento del hilo, tenacidad, torsión y conteo, vellosidad del hilo, propiedades de desgaste de resistencia a la abrasión del hilo, color del hilo y otros. Así como los parámetros del material textil pueden incluir información molecular, tal como información usada para etiquetado molecular (incluido etiquetado de ADN). Los parámetros de las máquinas textiles por ejemplo, se pueden capturar al tomar muestras de lubricantes a fin de determinar la calidad del lubricante. También, de acuerdo con una variación de la presente invención los parámetros de las máquinas textiles y/o materiales textiles se pueden basar en el proveedor de la información externa, tal como por ejemplo, datos de calidad de un proveedor de material textil (por ejemplo, información de calidad de algodón sin procesar), designación del tipo/número de producto y/o propiedades del material y/o fecha de expiración de los consumibles, tal como lubricantes.
De acuerdo con una variación adicional de la invención, los valores medidos con respecto a las condiciones climáticas (por ejemplo, temperatura, humedad, radiación solar, posición del sol (medidas o basadas en fuentes de información externas y/o fecha y/o tiempo)) en una bodega de materiales primar y/o una bodega para intermediarios y/o una bodega para productos terminados también se pueden registrar como parámetros de máquinas textiles y/o materiales textiles o como parámetros ambientales. Por ejemplo, los parámetros de las condiciones climáticas (por ejemplo, temperatura, humedad, radiación solar, posición del sol (medida o basada en las fuentes de información externas y/o fecha y/o tiempo)) también se pueden registrar en al menos un sector de una hiladora. Especialmente en el área de ciertas máquinas textiles y/o de al menos una máquina textil individual y/o de al menos una unidad de procesamiento individual de al menos una máquina textil individual. Esto permite, por ejemplo, influencias relacionadas con el clima en la producción que se toma en cuenta. Al capturar estos parámetros en las máquinas individuales o unidades de procesamiento individuales, se pueden identificar los problemas generales o intermitentes en el control de clima de una hiladora. Como tal, se pueden seleccionar boquillas incorrectamente ajustadas o alineadas de un sistema de aire acondicionado. También se puede determinar una posible influencia negativa de puertas exteriores abiertas o radiación solar a través de las ventanas en la producción. También es concebible capturar información en presencia e identidad de trabajadores textiles como parámetros.
Si la información de parámetros de los materiales textiles se desvía de la información de referencia, el dispositivo electrónico detecta que los materiales textiles ya no se producen de acuerdo con una cantidad y/o calidad predefinida, y detecta la falla en la hiladora. La ubicación de la falla corresponde a la información de parámetros específicos. Por ejemplo, si el diámetro de un material textil específico producido por una máquina textil específica se desvía de un diámetro de referencia, la falla se sitúa en esta máquina textil específica. Sin embargo, la fuente de la falla puede no solo ser situada en esta máquina textil específica, la fuente de la falla también se puede situar en cualquier máquina textil previa que se implicó para producir el material textil específico. En la técnica anterior, se requiere personal de producción experimentado o consulta externa para determinar la fuente de la falla. Ya que es aceptable la producción adicional con cantidad o calidad degradada, la hiladora o máquinas textiles particulares se deben detener hasta que la fuente de la falla se haya determinado y se haya corregido.
El dispositivo electrónico está configurado para acceder a la información de configuración de las máquinas textiles de la hiladora. Por ejemplo, la información de configuración puede incluir información acerca de tipos de máquinas textiles, ubicación de las máquinas textiles, sistemas de transporte entre las máquinas textiles, último mantenimiento, etcétera.
El dispositivo electrónico está configurado para acceder a la información basada en el conocimiento que se relaciona con el conocimiento acerca de posibles fuentes de posibles fallas en la hiladora. Por ejemplo, la información basada en conocimiento puede incluir información en caso de una variación incorrecta específica en el diámetro del material textil, la fuente de la falla es más probablemente un manuar que otra máquina textil, que en caso de una densidad de fibra incorrecto específico, la fuente de la falla es poco probable un manuar, etcétera.
El dispositivo electrónico está configurado para aplicar la información, particularmente la información de parámetros, la información de configuración, y la información basada en conocimiento, a los algoritmos de aprendizaje de máquina para estimar las fuentes de la falla. Los algoritmos de aprendizaje de máquina permiten la estimación altamente consistente y potente de las fuentes de la falla sobre la base de la información recibida y accedida, habilitando de esta manera la estimación de las fuentes de la falla más rápida y con precisión.
En algunas realizaciones, el dispositivo incluye medios de visualización tal como un monitor de computadora para mostrar la una o más fuentes de la falla. Por consiguiente, la información técnica acerca de la hiladora se proporciona rápido y con precisión, permitiendo de esta manera tomar medidas correctivas rápidas y con precisión.
En algunas realizaciones, el dispositivo está configurado además para tomar medidas correctivas automáticamente. Por ejemplo, el dispositivo incluye una interfaz de red y está configurada para usar información acerca de la una o más fuentes de la falla para controlar las máquinas textiles a través de una red de computadoras e interfaces de red respectivas instaladas en las máquinas textiles. Por consiguiente, se aplican medidas correctivas rápido y con precisión.
De acuerdo con una realización preferida de la invención, el dispositivo está configurado adicionalmente para llevar a cabo el paso de identificar la información de parámetros de los materiales textiles que se desvían de la información de referencia al comparar con un umbral una diferencia entre uno o más valores de parámetros y una o más valores de referencia. La detección de las fallas se habilita también en caso de requisitos de cantidad y/o calidad complejos definidos por múltiples valores de referencia, tal como un diámetro y una intensidad de fibra de los materiales textiles.
De acuerdo con una realización preferida de la invención, el dispositivo está configurado además para llevar a cabo el paso de: usar información de configuración para determinar una o más secuencias posibles o probables de máquinas textiles entre la ubicación de la falla y la una o más fuentes de la falla. Los algoritmos de aprendizaje de máquina se pueden limitar a fuentes posibles o probables de la falla, mejorando de esta manera la precisión y velocidad.
De acuerdo con una realización preferida de la invención, el dispositivo está configurado además para llevar a cabo el paso de: usar información de configuración para determinar una o más secuencias imposibles o improbables de máquinas textiles entre la ubicación de la falla y la una o más fuentes de la falla. Las fuentes imposibles o improbables de la falla se pueden excluir de los algoritmos de aprendizaje de máquina, mejorando de esta manera la precisión y velocidad. Por ejemplo, una secuencia que implica máquinas textiles con mantenimiento reciente es menos probable que una secuencia que implica máquinas textiles con mantenimiento de hace mucho tiempo.
De acuerdo con una realización preferida de la invención, el dispositivo está configurado además para llevar a cabo el paso de: usar una o más información de parámetros dependientes del tiempo e información de configuración dependiente de tiempo. Tras la detección de la falla, el dispositivo es habilitado para usar la información de parámetros previos y/o información de configuración previa para estimar la una o más fuentes de la falla. Por ejemplo, durante la noche se puede implicar un conjunto diferente de máquinas textiles que durante el día, en donde las fuentes imposibles de la falla se pueden excluir de los algoritmos de aprendizaje de máquina, mejorando de esta manera la precisión y velocidad.
De acuerdo con una realización preferida de la invención, el dispositivo está configurado además para llevar a cabo el paso de aplicar información de parámetros, información de configuración, e información basada en conocimiento a uno o más algoritmos de aprendizaje de máquina seleccionados de una técnica de Regresión Lineal, una técnica de Regresión Logística, una Máquina de Vectores de Soporte, un Árbol de Decisión, una técnica de Bosque Aleatorio, un Algoritmo K-Nearest Neighbors, una técnica de Agrupamiento K-Means, un clasificador de Naive Bayes y una técnica de Análisis de Componentes Principales, en donde en particular se toma en cuenta una o más de información de parámetros incompleta, información de parámetros incorrecta, información de configuración incompleta, información de configuración incorrecta, información basada en conocimiento incompleta e información basada en conocimiento incorrecta. La técnica anterior no incluye una divulgación o sugerencia de aplicar información de una hiladora a los algoritmos de aprendizaje de máquina de las técnicas listadas. Las técnicas listadas tienen la ventaja de habilitar la estimación de las fuentes de la falla rápida y con precisión. En particular, las técnicas listadas y algoritmos tienen la ventaja de ser consistentes también en caso de información incompleta.
De acuerdo con una realización preferida de la invención, el dispositivo está configurado además para llevar a cabo el paso de: solicitar y/o acceder a información de configuración complementaria y aplicar la información de configuración complementaria a uno o más algoritmos de aprendizaje de máquina. En particular, los algoritmos de aprendizaje de máquina permiten que un diseño para proporcionar información si la información de configuración complementaria puede mejorar la precisión de la estimación de la una o más fuentes de la falla. Por ejemplo, la información de parámetros y/o información de configuración puede haber sido recibida incompletamente y se puede solicitar y/o acceder a información adicional por el dispositivo electrónico. Por ejemplo, la información adicional se puede relacionar con un desgaste o último reemplazo de un rotor, cuyo dispositivo no ha sido recibido inicialmente.
De acuerdo con una realización preferida de la invención, el dispositivo está configurado además para llevar a cabo el paso de: determinar información si las máquinas textiles y/o componentes de las máquinas textiles relacionadas con la una o más fuentes de la falla se deben reemplazar, reparar, modificar, y/o ajustar de manera diferente. Por ejemplo, el dispositivo está configurado para acceder a una base de datos que tiene fuentes almacenadas de fallas asociadas con la
información si las máquinas textiles y/o componentes de las máquinas textiles se deben reemplazar, reparar, modificar y/o ajustar de manera diferente.
De acuerdo con una realización preferida de la invención, el dispositivo está configurado además para llevar a cabo el paso de: determinar la información relacionada con el trabajo de mantenimiento para una o más máquinas textiles adicionales y/o uno o más componentes adicionales de las máquinas textiles, en particular si el trabajo de mantenimiento relacionado con una o más fuentes de la falla da por resultado un tiempo de inactividad de una o más máquinas textiles de la hiladora. El trabajo de mantenimiento puede dar por resultado un tiempo de inactividad de la hiladora o las máquinas textiles. Por ejemplo, si la máquina textil de marco de velocidad que recibe el material textil de una unidad de estiramiento y bobinadora de cinta necesita ser reparada, la información técnica que se relaciona con el trabajo de mantenimiento de la unidad bobinadora de estiramiento y de cinta se puede proporcionar a fin de reducir el riesgo de fuentes futuras de fallas en la unidad bobinadora de estiramiento y cinta.
De acuerdo con una realización preferida de la invención, el dispositivo está configurado además para llevar a cabo el paso de: recibir información de retroalimentación que indica si el trabajo de mantenimiento relacionado con la una o más fuentes de la falla dio por resultado la corrección de la falla, y actualizar la información basada en conocimiento por consiguiente. Después de que una fuente de la falla se ha corregido exitosamente, la información de conocimiento se puede actualizar a fin de mejorar la precisión en caso de fallas similares o idénticas.
Otro aspecto de la invención se refiere a un método para detectar una falla en una hiladora y para estimar una o más fuentes de la falla, la hiladora comprende una pluralidad de máquinas textiles para procesar secuencialmente materiales textiles. El método incluye los pasos de recibir con una información de parámetros del dispositivo electrónico de una o más máquinas textiles y de uno o más materiales textiles, detectar con el dispositivo electrónico la falla y su ubicación al identificar la información de parámetros de los materiales textiles que se desvían de la información de referencia, acceder a la información de configuración de dispositivo electrónico de las máquinas textiles de la hiladora, acceder a la información basada en conocimiento del dispositivo electrónico relacionada con el conocimiento acerca de posibles fuentes de posibles fallas en la hiladora, y aplicar con la información de parámetros del dispositivo electrónico, la información de configuración e información basada en conocimiento a uno o más algoritmos de aprendizaje de máquina para estimar la una o más fuentes de la falla.
De acuerdo con una realización preferida de la invención, el método incluye además: identificar información de parámetros de los materiales textiles que se desvían de la información de referencia al comparar con un umbral una diferencia entre uno o más valores de parámetros y uno o más valores de referencia.
De acuerdo con una realización preferida de la invención, el método incluye además usar información de configuración para determinar una o más secuencias posibles o probables de máquinas textiles entre la ubicación de la falla y la una o más fuentes de la falla.
De acuerdo con una realización preferida de la invención, el método incluye además: usar información de configuración para determinar una o más secuencias imposibles o improbables de máquinas textiles entre la ubicación de la falla y la una o más fuentes de la falla.
De acuerdo con una realización preferida de la invención, el método incluye además: usar una o más de información de parámetros dependiente de tiempo e información de configuración dependiente de tiempo.
De acuerdo con una realización preferida de la invención, el método incluye además: aplicar uno o más algoritmos de aprendizaje de máquina que incluyen una o más de una técnica de Regresión Lineal, una técnica de Regresión Logística, una Máquina de Vector de Soporte, un Árbol de Decisión, una técnica de Árbol Aleatorio, un Algoritmo K-Nearest Neighbors, una técnica de agrupamiento K-Means, un clasificador de Naive Bayes, y un Componente Principal. La técnica de análisis, en donde en particular se toma en cuenta una o más de información de parámetros incompleta, información de parámetros incorrecta, información de configuración incompleta, información de configuración incorrecta, información basada en conocimiento incompleta e información basada en conocimiento incorrecta.
De acuerdo con una realización preferida de la invención, el método incluye además: solicitar y/o acceder a información de configuración complementaria, y aplicar la información de configuración complementaria a uno o más algoritmo de aprendizaje de máquina.
De acuerdo con una realización preferida de la invención, el método incluye además: determinar la información de sí las máquina textiles y/o componentes de las máquinas textiles relacionadas con una o más de las fuentes de la falla se deben reemplazar, reparar, modificar y/o ajustar de manera diferente.
De acuerdo con una realización preferida de la invención, el método incluye además: determinar la información relacionada con el trabajo de mantenimiento para una o más máquinas textiles adicionales y/o uno o más componentes adicionales de las máquinas textiles, en particular si el trabajo de mantenimiento relacionado con la una o más fuentes de la falla da por resultado un tiempo de inactividad de la una o más máquinas textiles de la hiladora.
De acuerdo con una realización preferida de la invención, el método incluye además: recibir información de retroalimentación que indica si el trabajo de mantenimiento relacionado con la una o más fuentes de la falla dio por resultado la corrección de la falla, y actualizar por consiguiente la información basada en conocimiento.
Breve descripción de las figuras
La invención se entenderá mejor con la ayuda de la divulgación de una realización dada por medio de ejemplo como es ilustrado por las figuras en las que:
La figura 1 ilustra máquinas textiles esquemáticamente ejemplares de una hiladora para procesar materiales textiles de entrada en los materiales de textiles de salida;
La figura 2 ilustra esquemáticamente una configuración ejemplar de una hiladora, y un dispositivo para detectar una falla en la hiladora y para estimar una o más fuentes de la falla;
La figura 3 ilustra esquemáticamente una configuración ejemplar de una hiladora, una falla detectada, dos posibles fuentes de la falla detectada, dos posibles fuentes de la falla, y un dispositivo para detectar la falla en la hiladora y para estimar las dos posibles fuentes de la falla; y
La figura 4 ilustra esquemáticamente posibles pasos de método de un método para detectar que la hiladora tiene una falla y para estimar una o más fuentes de la falla.
Descripción detallada de la invención
La figura 1 ilustra esquemáticamente máquinas textiles ejemplares 12, 23, 34, 45, 56, 67, 78 de una hiladora para procesar materiales textiles de entrada 1, 2, 3, 4, 5, 6, 7 en materiales textiles de salida 2, 3, 4, 5, 6, 7, 8. Dependiendo de la hiladora, se pueden implicar diferentes tipos de máquinas textiles 12, 23, 34, 45, 56, 67, 78 y/o diferentes secuencias de máquinas textiles 12, 23, 34, 45, 56, 67, 78. En el ejemplo ilustrado en la figura 1, una o más máquinas textiles de la sala de soplado 12 se disponen para procesar algodón sin procesar 1 en una esterilla de tolva 2. Uno o más máquinas textiles de cardado 23 se disponen para procesar la estrella de tolva 2 en la cinta de carda 3. Una o más máquinas textiles de marco de estiramiento por rotura 34 se disponen para procesar la cinta cardada 3 en la cinta estirada por rotura 4. Una o más máquinas textiles de marco de estiramiento de acabado 45 se disponen para procesar la cinta estirada por rotura 4 en la cinta de estiramiento de acabado 5. Una o más máquinas textiles de marco de velocidad 56 se disponen para procesar la cinta de estiramiento de acabado 5 en las mechas 6. Una o más de las máquinas textiles de marco de anillo 67 se dispone para procesar las mechas 6 en las bobinas de anillo 7. Una o más máquinas textiles de bobinado 78 se disponen para procesar bobinas de anillo 7 en conos de hilo 8.
Una hiladora permite la producción de un material textil de origen 1, un material textil deseado 8 en una cantidad y/o calidad deseada. Cada una de las máquinas textiles 12, 23, 34, 45, 56, 67, 78 ilustrada en la figura 1 está configurada para procesamiento de acuerdo con una cantidad y/o calidad deseada de los materiales textiles de entrada 1, 2, 3, 4, 5, 6, 7 en materiales textiles de salida 2, 3, 4, 5, 6, 7, 8. La cantidad y/o calidad de los materiales textiles de salida 2, 3, 4, 5, 6, 7, 8 dependen de los parámetros de las máquinas textiles 12, 23, 34, 45, 56, 67, 78 y/o de los parámetros de los materiales textiles de entrada 1, 2, 3, 4, 5, 6, 7. La cantidad y/o calidad de los materiales textiles de salida 2, 3, 4, 5, 6, 7, 8 pueden no solo depender de los parámetros del material textil de entrada directo 1, 2, 3, 4, 5, 6, 7 de las máquinas textiles particulares 12, 23, 34, 45, 56, 67, 78, sino también pueden depender de los parámetros de cualquiera del material textil anterior 2, 3, 4, 5, 6 producido por cualquier máquina textil anterior 12, 23, 34, 45, 56, así como en los parámetros del material textil de origen 1. Por ejemplo, el material textil de entrada directo 4 del marco de estiramiento de acabado 45 es la cinta estirada por rompimiento 4, mientras que los materiales textiles anteriores también incluyen el algodón sin procesar 1, de la esterilla de tolva 2, y la cinta cardada 3. De esta manera, la cantidad y/o calidad de un material textil de salida 2, 3, 4, 5, 6, 7, 8 puede no ser degradado si la cantidad y/o calidad del material textil de entrada directo 1, 2, 3, 4, 5, 6, 7 no coincide con una cantidad y/o calidad deseada, la cantidad y/o calidad del material textil de salida 3, 4, 5, 6, 7, 8 también se puede degradar si la cantidad y/o calidad de un material textil de entrada anterior 1, 2, 3, 4, 5, 6 no coincide con una cantidad y/o calidad deseada. Por ejemplo, la cantidad y/o calidad de la cinta de estiramiento de acabado producida por las máquinas textiles del marco de estiramiento 45 se puede degradar, si la cantidad y/o calidad de una o más del algodón sin procesar 1, la esterilla de tolva 2, y la cinta cardada 3 no coinciden con una cantidad y/o calidad deseada.
La figura 2 ilustra esquemáticamente una configuración ejemplar de una hiladora M. además, la figura 2 ilustra esquemáticamente un dispositivo E para detectar una falla en la hiladora y para estimar una o más fuentes eS1, eS2 de la falla. La hiladora M ilustrada en la figura 2 incluye diferentes y/o adicionales máquinas textiles que las máquinas textiles ilustradas en la figura 1. La presente divulgación no se limita a la configuración ejemplar de una hiladora M ilustrada en la figura 2, sino también aplica a cualquier otra configuración de una hiladora.
La hiladora M ilustrada en la figura 2 incluye un abridor de fardos 12 para procesar la materia prima 1 en los así llamados micromechones 2. El abridor de fardos 12 es seguido por un prelimpiador 23 para procesar los micromechones 2 en el material textil pre-limpio 3. El prelimpiador 23 seguido por una mezcladora homogénea 34 para procesar el material textil
pre-limpio 3 en el material textil mezclado 4. La mezcladora homogénea 34 es seguida por una máquina de almacenamiento y alimentación 45 para limpiar finamente el material textil mezclado 4 en el material textil finamente limpio 5. La máquina de almacenamiento y alimentación 45 es seguida por un condensador 56 para limpiar adicionalmente el material textil finamente limpio 5 en el material textil adicionalmente limpio 6. El condensador 56 es seguido por cuatro máquinas textiles de marco de estiramiento y bobinador de cinta 67.1, 67.2, 67.3, 67.4 para procesar el material textil adicionalmente limpio 6 en bovinas de cinta cardada 7. Las cuatro unidades de estiramiento y bobinadoras de cinta 67.1, 67.2, 67.3, 67.4 son seguidas por ocho máquinas textiles de marco de velocidad 78.1, 78.2, 78.3, 78.4, 78.5, 78.6, 78.7, 78.8 para procesar las bobinas de cinta cardada 7 en el mechón 8. Las ocho máquinas de marco de velocidad 78.1, 78.2, 78.3, 78.4, 78.5, 78.6, 78.7, 78.8 son seguidas por dos máquinas textiles de marco de anillo 89.1, 89.2 para procesar el mechón 8 en las bobinas de anillo 9.
Como se ilustra en la figura 2, los sistemas de transporte están dispuestos para transportar materiales textiles de una máquina textil previa a una máquina textil siguiente. Los sistemas de transporte pueden incluir sistemas de conducto D, sistemas de carros T, sistemas de rieles R, etc. Por ejemplo, en un sistema de conducto Del material textil es transportado por medio de una corriente de aire generada por un ventilador. Por ejemplo, en un sistema de carros T el material textil es transportado por medio de recipientes dispuestos en los carros. Por ejemplo, en un sistema de rieles R el material textil es transportado por medio de dispositivos de transporte dispuestos en rieles. Otros sistemas de transporte se pueden implicar. En el ejemplo ilustrado en la figura 2, un sistema de conducto D está dispuesto para transportar material textil a través de la secuencia de máquinas textiles que incluyen el abridor de fardos 12, el prelimpiador 23, la mezcladora homogénea 34, la máquina de almacenamiento y alimentación 45, el condensador 56, y las máquinas textiles de marco de estiramiento y bobinador de cinta 67.1,67.2, 67.3, 67.4. Un sistema de carros T está dispuesto para transportar material textil de las unidades de estiramiento y bobinadoras de cinta 67.1, 67.2, 67.3, 67.4 a las máquinas textiles de marco de velocidad 78.1, 78.2, 78.3, 78.4, 78.5, 78.6, 78.7, 78.8. Un sistema de rieles R está dispuesto para transportar material textil de las máquinas textiles de marco de velocidad 78.1, 78.2, 78.3, 78.4, 78.5, 78.6, 78.7, 78.8 a las máquinas textiles de marco de anillo 89.1, 89.2. Los sistemas de transporte se pueden disponer en una manera diferente.
Como se ilustra en la figura 2, se captura la información de parámetros p1, p2, p3, p4, p5, p6, p7, p8, p9. La información de parámetros p1, p2, p3, p4, p5, p6, p7, p8, p9 puede incluir valores del parámetro capturados de las máquinas textiles 12, 23, 34, 45, 56, 67, 78, 89 y/o los valores del parámetro capturados de los materiales textiles 1,2, 3, 4, 5, 6, 7, 8, 9. La figura 2 ilustra esquemáticamente ubicaciones ejemplares para capturar la información de parámetros p1, p2, p3, p4, p5, p6, p7, p8, p9. Sin embargo, en particular debido a la complejidad y/o costos, en una configuración típica de una hiladora M, una o más de la información de parámetros p1, p2, p3, p4, p5, p6, p7, p8, p9 de las máquinas textiles 12, 23, 34, 45, 56, 67, 78, 89 y/o materiales textiles 1, 2, 3, 4, 5, 6, 7, 8, 9 solo se puede capturar parcialmente o no capturar en lo absoluto.
Los valores de parámetro de la información de parámetros p1, p2, p3, p4, p5, p6, p7, p8, p9 se puede relacionar con una velocidad de rotación, un consumo de energía, una fecha de mantenimiento, etc., de máquinas textiles respectivas 12, 23, 34, 45, 56, 67, 78, 89. Los valores de parámetros de la información de parámetros p1, p2, p3, p4, p5, p6, p7, p8, p9 se puede relacionar con un espesor, un peso, etc., de materiales textiles respectivos 1, 2, 3, 4, 5, 6, 7, 8.
Para capturar la información de parámetros p1, p2, p3, p4, p5, p6, p7, p8, p9, se disponen sensores electrónicos respectivos para capturar valores de parámetros respectivos. El sensor electrónico se puede relacionar con sensores electrónicos para capturar una velocidad de rotación, sensores electrónicos para capturar el consumo de energía etc. Para capturar la información de parámetros p1, p2, p3, p4, p5, p6, p7, p8, p9, se puede requerir hallazgos analizados en el laboratorio para capturar valores de parámetros respectivos. Los hallazgos analizados por el laboratorio se pueden relacionar con densidades de la fibra, calidad de lubricante, etc.
La información de parámetros p1, p2, p3, p4, p5, p6, p7, p8, p9 se puede capturar regular o irregularmente en el tiempo. La información de parámetros p1, p2, p3, p4, p5, p6, p7, p8, p9 se puede capturar dentro de intervalos cortos a alta velocidad o dentro de intervalos largos a baja velocidad. Por ejemplo, la información de parámetros p1, p2, p3, p4, p5, p6, p7, p8, p9 capturada con sensores electrónicos se puede capturar regularmente a alta velocidad tal como cada minuto, cada segundo, etc. Por ejemplo, la información de parámetros p1, p2, p3, p4, p5, p6, p7, p8, p9 que requiere hallazgos analizados por el laboratorio se puede capturar irregularmente a baja velocidad, tal como cada lunes y jueves, después del mantenimiento de la máquina, etc.
Como se ilustra en la figura 2, la información de parámetros p1, p2, p3, p4, p5, p7, p8, p9 se captura en ubicaciones específicas. Por consiguiente, la información de parámetros específica, tal como información de parámetros con signos de referencia p3, se relaciona con una ubicación específica en la hiladora, en particular una velocidad de rotación especifica de un rotor de una máquina textil, un consumo de energía específico de una máquina textil específica, un diámetro específico de un material textil producido por una máquina textil específica, etc.
La figura 2 ilustra esquemáticamente un dispositivo electrónico E para detectar una falla en una hiladora y para estimar una o más fuentes eS1, eS2 de la falla de acuerdo con esta divulgación.
El dispositivo electrónico E puede tomar la forma de una computadora, por ejemplo, una computadora que se usa en general en un lugar (tal como una computadora de escritorio convencional, estación de trabajo, servidor, etc.) así como
una computadora que es en general portátil (tal como una laptop, computadora portátil, tableta, computadora de mano, etc.). El dispositivo electrónico E puede incluir un medio legible por máquina que tiene almacenadas en el mismo instrucciones cuyo programa se puede llevar a cabo un procesador de dispositivo electrónico E a algo o todas las operaciones y funciones descritas en esta divulgación. Un medio legible por máquina puede incluir cualquier mecanismo para almacenar y transmitir información en una forma legible por una máquina (por ejemplo, una computadora), tal como Unidades de Disco Duro (HD), Unidades de Disco de Estado Sólido (SSD), Memoria Solo de Lectura de Disco Compacto (CD-ROM), Memoria Solo de Lectura (ROM), Memoria de Acceso Aleatorio (RAM), Memoria Solo de Lectura Programable Borrable (EPROM), etc. En otras realizaciones, algunas de estas operaciones y funciones se podrían llevar a cabo por componentes de hardware específicos que contienen lógica de hardware. Aquella operaciones y funciones podrían ser llevadas a cabo alternativamente por cualquier combinación de componentes informáticos programables y componentes de circuitos de hardware fijos. En una realización, el medio legible por máquina incluye instrucciones almacenadas en el mismo, que cuando se ejecutan por un procesador, provocan que el procesador lleve a cabo el método en un dispositivo electrónico E como se divulga en esta divulgación.
Como se ilustrar en la figura 2, el dispositivo electrónico E está configurado para recibir información p1, p2, p3, p4, p5, p6, p7, p8, p9 de las máquinas textiles 12, 23, 34, 45, 56, 67, 78, 89 y/o de los materiales textiles 1, 2, 3, 4, 5, 6, 7, 8, 9. Por ejemplo, los sensores electrónicos configurados para capturar la información de parámetros respectiva p1, p2, p3, p4, p5, p6, p7, p8, p9 se disponen en ubicaciones respectivas en la hiladora M y las señales electrónicas que representan la información de parámetros capturada p1, p2, p3, p4, p5, p6, p7, p8, p9 se transmiten del sensor electrónico a través de una red de computadoras al dispositivo electrónico E. Además, la información de parámetros p1, p2, p3, p4, p5, p6, p7, p8, p9 capturada en los hallazgos analizados en el laboratorio se pueden trasmitir a través de una red de computadoras al dispositivo electrónico E. Por consiguiente, el dispositivo electrónico E está configurado para recibir información de parámetros p1, p2, p3, p4, p5, p6, p7, p8, p9 que incluye una amplia variedad de tipos de parámetros capturados en una amplia variedad de ubicaciones.
El dispositivo electrónico E está configurado para detectar la falla en la hiladora al identificar la información de parámetros p1, p2, p3, p4, p5, p6, p7, p8, p9 de los materiales textiles 1, 2, 3, 4, 5, 6, 7, 8, 9 que se desvían de la información de referencia. Por ejemplo, la diferencia entre uno o más valores de parámetros y una o más información de referencia se compara con un umbral, y la falla en la hiladora M se detecta si la diferencia excede el umbral. Por ejemplo, la falla en la hiladora M se detecta si el diámetro de un material textil excede un diámetro máximo, o si el diámetro del material textil está abajo de un diámetro mínimo. Junto con la detección de la falla, la ubicación de la falla se detecta, debido a que cada una de la información de parámetros p1, p2, p3, p4, p5, p6, p7, p8, p9 se captura en una ubicación específica en la hiladora M.
Como se ilustra en la figura 2, el dispositivo electrónico E está configurado para acceder a la información de configuración cl relacionada con una configuración de la hiladora M. Como se ilustra en la figura 2, la información de configuración cl se puede almacenar externamente del dispositivo electrónico E, tal como en la base de datos de un servidor informático que tiene información almacenada acerca de la hiladora M. Alternativa o adicionalmente, la información de configuración cl se puede almacenar en un medio legible por máquina del dispositivo electrónico E. La información de configuración cl puede incluir información acerca de los tipos de máquinas textiles, información del modelo acerca de las máquinas textiles, ubicaciones de las máquinas textiles, orden de las máquinas textiles, tiempos de operación de las máquinas textiles, etc.
La información de configuración cl permite determinar o estimar cualquier material textil en cualquier ubicación en la hiladora M la secuencia de máquinas textiles que se implicaron para producir la máquina textil. Por ejemplo, la secuencia de máquinas textiles implicadas para producir una bobina específica 9 puede incluir la máquina textil de marco de anillo con número de referencia 89.1 que produjo la bobina específica 9, la máquina textil de marco de velocidad con número de referencia 78.3 por ejemplo, debido que la información de configuración cl ha almacenado información que durante el periodo de tiempo relevante, el material textil producido por la máquina textil de marco de velocidad con número de referencia 78.3 se transportó a la máquina textil de marco de anillo con número de referencia 89.1. Además, en este ejemplo, la información de configuración cl indica que la secuencia de máquinas textiles para producir la bobina específica 9 incluye una unidad de estiramiento y bobinadora de cinta con número de referencia 67.4, por ejemplo, debido a que la información de configuración cl ha almacenado información que durante el periodo de tiempo relevante, el material textil producido por la unidad de estiramiento y bobinadora de cinta con número de referencia 67.4 se transportó a la máquina textil de marco de velocidad con número de referencia 78.3. Además, de acuerdo con la configuración ilustrada en la figura 2, la secuencia de las máquinas textiles implicadas para producir la bobina específica 9 incluye el condensador 56, la máquina de almacenamiento y alimentación 45, la mezcladora homogénea 34, el prelimpiador 23, y el abridor de fardos 12, por ejemplo, debido a que la hiladora M no incluye ninguna secuencia alternativa de máquinas textiles como se ilustran en la figura 2. De esta manera, si una falla se detecta en la bobina específica 9 producida por la máquina de marco de anillo con un número de referencia 89.1, la una o más fuentes eS1, eS2 de la falla se limitan a la máquina de marco de anillo con número de referencia 89.1, la máquina textil de marco de velocidad con número de referencia 78.3, la unidad de estiramiento y bobinadora de cinta con número de referencia 76.4, el condensador 56, la máquina de almacenamiento y alimentación 45, la mezcladora homogénea 34, el prelimpiador 23, y el abridor de fardos 12, mientras que la máquina de marco de anillo con número de referencia 89.2, las máquinas textiles de marco de velocidad con números de referencia 78.1, 78.2, 78.4, 78.5, 78.6, 78.7, 78.8, las unidades de estiramiento y bobinadoras de cinta con números de referencia 67.1, 67.2, 67.3 se excluyen como posibles fuentes de la falla.
Además, la información de configuración cl puede incluir información dependiente de tiempo, por ejemplo, de acuerdo con un plan de producción que implica diferentes máquinas textiles tal como durante la noche y durante el día, o tal como durante el trabajo de mantenimiento y durante la producción normal. De esta manera, para un primer punto en el tiempo, puede ser necesario incluir respectivamente o excluir un conjunto diferente de máquinas textiles como posibles fuentes de la falla que para un segundo punto en el tiempo. la información de configuración cl se puede relacionar con valores actuales así como valores pasados. La información de configuración cl puede incluir información acerca de ajustes de la máquina, tal como ajustes mecánicos, ajustes tecnológicos, ajustes de software, etc.
La información de configuración cl puede incluir indicaciones si la información almacenada puede estar incompleta o incorrecta. Por ejemplo, como se ilustra esquemáticamente en la figura 2, un sistema de carros T se puede disponer para transportar el material textil de las máquinas textiles de marco 67.1, 67.2, 67.3, 67.4 a máquinas textiles de marco de velocidad 78.1, 78.2, 78.3, 78.3, 78.5, 78.6, 78.7, 78.8. El sistema de carros puede requerir operación manual por el personal de operación, en donde el personal de operación se le instruye registrar manualmente la fuente y destino. El personal de operación puede olvidar registrar la fuente y destino, o puede registrar una fuente o destino incorrecto. Por consiguiente, la información de configuración cl puede incluir información incompleta o incorrecta.
Como se ilustra en la figura 2, el dispositivo electrónico E está configurado para acceder a la información basada en conocimiento kl relacionada con el conocimiento acerca de las fuentes de las fallas en la hiladora M. El conocimiento acerca de las fuentes de la falla en la hiladora M se pueden relacionar con información a largo plazo compilada por los expertos en el campo de hiladoras. Por ejemplo, la información de conocimiento puede incluir que en las bobinas 9 incluyen un hilo que tiene un espesor que varía más de una variación de referencia predefinida de la fuente de la falla que es más probable situada en una máquina textil de marco y bobinadora de cinta 67.1, 67.2, 67.3, 67.4 que en un abridor de fardos 12 o máquina de alimentación de almacenamiento 45, a manera de ejemplo. La información de conocimiento puede incluir información compilada de los algoritmos informáticos e inteligencia artificial de una hiladora específica o de una pluralidad de hiladoras. La pluralidad de hiladoras puede incluir hiladoras de esencialmente las mismas configuraciones, de hiladoras de configuraciones similares, de hiladoras de diferentes configuraciones, etc.
El dispositivo electrónico E está configurado para aplicar la información de parámetros p1, p2, p3, p4, p5, p6, p7, p8, p9, información de configuración cl, e información basada en conocimiento kl a uno o más algoritmos de aprendizaje de máquina para estimar la una o más fuentes de la falla. De esta manera, la información que incluye información de parámetros p1, p2, p3, p4, p5, p6, p7, p8, p9, información de configuración cl, e información basada en conocimiento k se procesa usando uno o más algoritmos de aprendizaje de máquina.
Los algoritmos de aprendizaje de máquina pueden incluir uno o más de una técnica de regresión lineal, una técnica de regresión logística, una máquina de vector de soporte, un Árbol de Decisión, una Técnica de Árbol Aleatorio, un Algoritmo K-Nearest Neighbors, una técnica de Agrupamiento de K-Means, un Clasificador de Naive Bayes, y una técnica de Análisis de Componentes Principales.
Una técnica de regresión lineal puede detectar dependencias dentro de la información. Si una falla se detecta, o en otras palabras si uno de los valores de parámetros se desvía de un valor de referencia, una técnica de regresión lineal puede determinar otros valores de parámetros que aún no se desvían de los valores de referencia, pero tiene una correlación con el valor de parámetros que se desviaron del valor de referencia, permitiendo de esta manera la estimación de la una o más fuentes de la falla.
Similar a la técnica de Regresión Lineal, una técnica de Regresión Logística puede detectar dependencias dentro de la información relacionada con los valores binarios.
Una Máquina de Vector de Soporte puede clasificar la información compleja al definir un hiperplano dentro del espacio definido por la información. Por ejemplo, si la información actualmente analizada está en un lado del hiperplano, se puede estimar que una fuente específica de la falla es más probable que en caso de la información que esté en el otro lado del hiperplano.
Se puede aplicar un Árbol de Decisión a la información a fin de estimar la una o más fuentes de la falla. De acuerdo con un Árbol de Decisión, la información se analiza de manera escalonada a fin de estimar la una o más fuentes de la falla.
Se puede aplicar una técnica de bosque aleatorio a la información a fin de estimar la una o más fuentes de la falla. De acuerdo con una técnica de Bosque Aleatorio, la información se aplica a una recolección de árboles de decisión a fin de estimar la una o más fuentes de la falla. Un bosque aleatorio se basa en dividir las características o información en un subconjunto de árboles. El modelo considera solo un pequeño subconjunto de características o información en lugar de todas las características o información. Un bosque aleatorio se puede ejecutar en paralelo en diferentes motores informáticos, tal como diferentes núcleos de un procesador, diferentes procesadores de un sistema informático, diferentes sistemas informáticos, etc., permitiendo de esta manera estimar la una o más fuentes de la falla dentro de un periodo de tiempo predefinido, en particular en caso de alta complejidad. Un bosque aleatorio puede gestionar clases diferentes de características e información, tal como características o información binaria, características o información categóricas, o características o información numérica, etc. Un bosque aleatorio permite estimar la una o más fuentes de la falla sin o con poco pre-procesamiento de las características o información y no hay necesidad de re-escalar o transformar las
características o información. Un bosque aleatorio es particularmente bien adecuado en caso de altos datos dimensionales, características o información debido a que la ejecución se limita a subconjuntos de datos, características o información.
Un Algoritmo K-Nearest Neighbors se puede aplicar a la información a fin de estimar la una o más fuentes de la falla. De acuerdo con un Algoritmo K-Nearest Neighbors, la información de aplica a clases que se han definido sobre la base de la información de muestra y los vecinos más cercanos y K de las muestras.
Una técnica de Agrupamiento de K-Means se puede aplicar a la información a fin de estimar la una o más fuentes de la falla. De acuerdo con una técnica de agrupamiento de K-Means, la información se aplica a los agrupamientos que sean definido sobre la base de la información de la muestra y una optimación de la posición centroide.
Un clasificador Naive Bayes se puede aplicar a la información a fin de estimar la una o más fuentes de la falla. De acuerdo con un clasificador Naive Bayes, la información se clasifica de acuerdo con la regla de Bayes.
Se puede aplicar una técnica de análisis de componente principal a la información a fin de estimar la una o más fuentes de la falla. De acuerdo con una técnica de análisis de componente principal, un conjunto de variables correlacionadas se convierte a un conjunto de variables no correlacionadas a fin de eliminar las redundancias.
Los algoritmo de aprendizaje de máquina incluyen algoritmos genéricos tal como Redes Neurales Artificiales (mejor para patrones de datos), Redes Neurales Convolucionales (mejor para imágenes), Redes Neurales Recurrentes (mejor para señales de audio), Mapas de Auto-organización (mejor para detección de características), Máquinas de Deep Boltzmann (mejor para la moderación de sistema), AutoEncoders (mejor para detección de propiedad), etc.
Uno o más algoritmos de aprendizaje de máquina se pueden aplicar a la información dependiendo de la clase o tipo de una hiladora.
Una Red Neural Artificial (ANN) se puede aplicar a la información a fin de estimar la una o más fuentes de la falla al ejecutar la regresión y clasificación donde los patrones y secuencias son reconocidos. De acuerdo con una Red Neural Artificial, la información se analiza de manera escalonada a fin de estimar la una o más fuentes de la falla.
Una Red Neural Convolucional (CNN) se puede aplicar a una imagen fija, flujo de video, datos visuales y otros dimensionales a fin de estimar la una o más fuentes de la falla. De acuerdo con una red neural convolucional se aplica una operación matemática llamada convolución a fin de encontrar características específicas para estimar la una o más fuentes de la falla.
Una Red Neural Recurrente (RNN) se puede aplicar a datos de serie de tiempo, señales de modelación de secuencia o audio (incluidos patrones de ruido) a fin de estimar la una o más fuentes de la falla. De acuerdo con una Red Neural recurrente, se usa la memoria a corto plazo larga (LSTM) para procesar datos dentro de su estado interno (memoria) para procesar secuencias de longitud variable de entradas a fin de estimar la una o más fuentes de la falla.
Se pueden aplicar Mapas de Auto-Organización (SOM) a la información para reducción de la dimensionalidad y representación visual de los datos. De acuerdo con los Mapas de Auto-Organización se aplica aprendizaje competitivo para aproximarse a la distribución de los datos a fin de estimar la una o más fuentes de la falla.
Se puede aplicar una técnica de agrupamiento de K-Means para compilar datos en particiones separadas a fin de estimar la una o más fuentes de la falla. De acuerdo con las técnicas de agrupamiento de K-Means se usan para aprendizaje de características donde la información se aplica a los agrupamientos que sean definidos sobre la base de la información de muestra y una optimización de la posición centroide.
Se pueden aplicas Máquinas de Deep Bolzmann (DBM) para modelar y monitorear el comportamiento de una hiladora o su subsistema que incluye condiciones climáticas a fin de estimar la una o más fuentes de la falla. De acuerdo con una Máquina de Deep Bolzmann, las representaciones internas se aprenden para representar y resolver los problemas combinatorios difíciles a fin de estimar la una o más fuentes de la falla.
Se pueden aplicar AutoEncoders a la información para reducción de dimensionalidad (decodificación) y recuperación de información (codificación) a fin de estimar la una o más fuentes de la falla. De acuerdo con diferentes representaciones de entrada AutoEncoders se aprenden para asumir propiedades útiles a fin de estimar la una o más fuentes de la falla.
Las Redes Neurales Artificiales, Redes Neurales Convolucionales y Redes Neurales Recurrentes que pertenecen a la clase de algoritmos de aprendizaje de máquinas supervisados. Mapas de Auto-Realización, Máquinas de Deep Boltzmann y AutoEncoders que pertenecen a la clase de algoritmos de Aprendizaje de Máquina no Supervisado. Las Redes Neurales Artificiales se pueden usar para la realización y clasificación. Las Redes Neurales Convolucionales se pueden usar para visión informática. Las Redes Neurales Recurrentes se pueden usar para análisis de serie de tiempo. Los Mapas de Auto-Organización se pueden usar para detección de características. Las Máquinas de Deep Boltzmann y AutoEncoders se pueden usar para sistemas de recomendación.
La fuente de la falla se puede relacionar con máquinas textiles erróneamente ajustadas 12, 23, 34, 45, 56, 67, 78, 89, al desgaste de los componentes de las máquinas textiles 12, 23, 34, 45, 56, 67, 78, 89, etc.
La estimación de la fuente de la falla puede incluir un paso de proporcionar información si las máquinas textiles 12, 23, 34, 45, 56, 67, 78, 89 y/o componentes de las máquinas textiles 12, 23, 34, 45, 56, 67, 78, 89 se debe reemplazar, separar, modificar, ajustar de manera diferente, etc.
La figura 3 ilustra esquemáticamente una configuración ejemplar de una hiladora, una falla detectada, dos posibles fuentes de la falla, y un dispositivo para detectar la falla en la hiladora y para estimar las dos posibles fuentes de la falla.
El dispositivo electrónico E recibe información de parámetros p1, p2, p3, p4, p5, p6, p7, p8, p9) relacionados con uno o más parámetros de las máquinas textiles 12, 23, 34, 45, 56, 67, 78, 89 y de uno o más materiales textiles 1, 2, 3, 4, 5, 6, 7, 8, 9. Por ejemplo, tras la recepción de un nuevo valor de parámetro, el valor de parámetro se compara con un valor de referencia. Por ejemplo, un diámetro del material textil se compara con un diámetro de referencia. Se detecta una falla si el parámetro se desvía de la información de referencia. Debido a la información acerca de la ubicación u origen del valor del parámetro, tal como la ubicación del sensor, la ubicación de la falla también se detecta. De esta manera, el dispositivo de electrónico E detecta la falla dF en la hiladora M y la ubicación de la falla al identificar la información de parámetros p1, p2, p3, p4, p5, p6, p7, p8, p9 relacionada con uno o más parámetros de uno o más materiales textiles 1, 2, 3, 4, 5, 6, 7, 8, 9 que se desvían de la información de referencia. En la configuración ejemplar ilustrado en la figura 3, la falla dF se relaciona con las bobinas 9 producidas por la máquina textil de marco de anillo con referencia al número 89.1.
El dispositivo electrónico E accede a la información de configuración cl relacionada con la configuración de la hiladora M y la información basada en conocimiento kl relacionada con el conocimiento acerca de las fuentes de las fallas en la hiladora M y aplica la información de parámetros p1, p2, p3, p4, p5, p6, p7, p8, p9, información de configuración cl, e información basada a conocimiento kl a uno o más algoritmos de aprendizaje de máquina para estimar la una o más fuentes de la falla eS1, eS2. En el ejemplo ilustrado en la figura 3, se estiman dos fuentes de la falla eS1, eS2, en done la primera fuente de la falla con el signo de referencia eS1 se refiere al marco y la máquina textil bobinadora de cinta con número de referencia 67.1, y la segunda fuente de la falla con el signo de referencia eS2 que se relaciona con la máquina textil de marco de velocidad con el número de referencia 78.4. Por ejemplo, se aplicó una Técnica de Bosque Aleatorio a la información de parámetros p1, p2, p3, p4, p5, p6, p7, p8, p9, información de configuración cl e información de conocimiento kl y dio por resultado la estimación de la primera fuente eS1 y la segunda fuente eS2.
La figura 4 ilustra esquemáticamente posibles pasos del método de un método para detectar que una hiladora tiene una falla dF y para estimar una o más fuentes de la falla eS1, eS2. En el paso S1, un dispositivo electrónico E recibe la información de parámetros p1, p2, p3, p4, p5, p6, p7, p8, p9 de una o más máquinas textiles (12, 23, 34, 45, 56, 67, 78, 89) y de uno o más materiales textiles 1, 2, 3, 4, 5, 6, 7, 8, 9. En el paso S2, el dispositivo electrónico E detecta la falla dF y su ubicación al identificar información de parámetros p1, p2, p3, p4, p5, p6, p7, p8, p9 de los materiales textiles 1, 2, 3, 4, 5, 6, 7, 8, 9 desviándose de la información de referencia. En el paso s 3, el dispositivo electrónico E accede a la información de configuración cl de las máquinas textiles 12, 23, 34, 45, 56, 67, 78, 89 de la hiladora M. En el paso S4, el dispositivo electrónico accede a la información basada en conocimiento kl relacionada con el conocimiento acerca de posibles fuentes eS' de posibles fallas dF' en la hiladora M. En el paso S5, el dispositivo electrónico aplica información de parámetros p1, p2, p3, p4, p5, p6, p7, p8, p9, información de configuración cl, e información basada en conocimiento kl a uno o más algoritmos de aprendizaje de máquina para estimar la una o más fuentes eS1, eS2 de la falla dF.
Números/signos de referencia
.M hiladora
1, 2, 3, 4, 5, 6, 7, 8, 9 materiales textiles
12, 23, 34, 45, 56, 67, 78, 89 máquinas textiles
p1, p2, p3, p4, p5, p6, p7, p8, p9 parámetros de las máquinas textiles y/o los materiales textiles
D sistema de conducto
T sistema de carros
R sistema de rieles
E dispositivo electrónico para detectar que una hiladora tiene una falla y para estimar una fuente de la falla
cl información de configuración de la hiladora
kl información basada en el conocimiento de la hilador a
dF falla detectada
eS, eS' fuentes de la falla
Claims (15)
1. Un dispositivo electrónico (E) para detectar una falla (dF) en una hiladora (M) y para estimar una o más fuentes (eS1, eS2) de la falla (dF), la hiladora (M) comprende una pluralidad de máquinas textiles (12, 23, ..., 89) para procesar secuencialmente los materiales textiles (1, 2, ..., 9), en donde el dispositivo electrónico (E) está configurado para llevar a cabo los pasos de:
recibir información de parámetros (p1, p2, ..., p9) de una o más máquinas textiles (12, 23, ..., 89) y de uno o más materiales textiles (1,2, ..., 9),
detectar la falla (dF) y su ubicación al identificar la información de parámetros (p1, p2, ..., p9) de los materiales textiles (1, 2, ..., 9) que se desvían de la información de referencia,
acceder a la información de configuración (cl) de las máquinas textiles (12, 23, ..., 89) de la hiladora (M), acceder a la información basada en conocimiento (kl) relacionada con el conocimiento acerca de posibles fuentes (eS') de posibles fallas (dF') en la hiladora (M), y
aplicar la información de parámetros (p1, p2, ..., p9), información de configuración (cl), e información basada en conocimiento (kl) a uno o más algoritmos de aprendizaje de máquina para estimar la una o más fuentes (eS1, eS2) de la falla (dF).
2. El dispositivo de acuerdo con la reivindicación 1, configurado además para llevar a cabo el paso de: usar la información de configuración (cl) para determinar una o más posibles o probables secuencias de máquinas textiles (12, 23, ..., 89) entre la ubicación de la falla (dF) y la una o más fuentes de la falla (eS1, eS2).
3. El dispositivo de acuerdo con una de las reivindicaciones 1 o 2, configurado además para llevar a cabo el paso de: usar la información de configuración (cl) para determinar una o más imposibles o poco probables secuencias de máquinas textiles (12, 23, ..., 89) entre la ubicación de la falla (dF) y la una o más fuentes de la falla (eS1, eS2).
4. El dispositivo de acuerdo con una de las reivindicaciones 1 a 3, configurado además para llevar a cabo el paso de: usar una o más información de parámetros dependiente de tiempo (p1, p2, ..., p9) e información de configuración dependiente de tiempo (cl).
5. El dispositivo de acuerdo con una de las reivindicaciones 1 a 4, configurado además para llevar a cabo el paso de aplicar uno o más algoritmos de aprendizaje de máquina seleccionados de una Técnica de Regresión Lineal, una Técnica de Regresión Logística, una Máquina de Vector de Soporte, un Árbol de Decisión, una técnica de Bosque Aleatorio, un Algoritmo K-Nearest Neighbors, una técnica de Agrupamiento de K-Means, un clasificador de Naive Bayes, y una técnica de Análisis de Componentes Principales, en donde en particular tomando en cuenta uno o más de la información de parámetros incompleta (p1, p2, ..., p9), información de parámetros incorrecta (p1, p2, ..., p9), información de configuración incompleta (cl), información de configuración incorrecta (cl), información basada en conocimiento incompleta (kl), e información basada en conocimiento incorrecta (kl).
6. El dispositivo de acuerdo con una de las reivindicaciones 1 a 5, configurado además para llevar a cabo el paso de: solicitar y/o acceder a información de configuración complementaria (scl), y aplicar la información de configuración complementaria (scl) a uno más algoritmos de aprendizaje de máquina.
7. El dispositivo de acuerdo con una de las reivindicaciones 1 a 6, configurado además para llevar a cabo el paso de: determinar la información si las máquinas textiles (12, 23, ..., 89) y/o componentes de las máquinas textiles (12, 23, ..., 89) relacionadas con una o más fuentes (eS1, eS2) de la falla (dF) se deben reemplazar, reparar, modificar, y/o ajustar de manera diferentes.
8. El dispositivo de acuerdo con una de las reivindicaciones 1 a 7, configurado además para llevar a cabo el paso de: determinar la información relacionada con el trabajo de mantenimiento para una o más máquinas textiles adicionales (12, 23, ..., 89) y/o uno o más componentes adicionales de las máquinas textiles (12, 23, ..., 89), en particular si el trabajo de mantenimiento relacionado con una o más fuentes (eS1, eS2) de la falla (dF) da por resultado un tiempo de inactividad de una o más máquinas textiles (12, 23, ..., 89) de la hiladora (M).
9. El dispositivo de acuerdo con una de las reivindicaciones 1 a 8, configurado además para llevar a cabo el paso de: recibir información de retroalimentación que indica si el trabajo de mantenimiento relacionado con una o más fuentes de la falla (eS1, eS2) dio por resultado la corrección de la falla (dF), y la actualización de la información basada en conocimiento (kl) por consiguiente.
10. Un método para detectar una falla (dF) en una hiladora (M) y para estimar una o más fuentes (eS1, eS2) de la falla (dF), la hiladora (M) que comprende una pluralidad de máquinas textiles (12, 23, ..., 89) para procesar secuencialmente materiales textiles (1,2, ..., 9), en donde el método incluye los pasos de:
recibir con un dispositivo electrónico (E) información de parámetros (p1, p2, ..., p9) de una o más máquinas textiles (12, 23, ..., 89) y de uno o más materiales textiles (1,2, ..., 9),
detectar con el dispositivo electrónico (E) la falla (dF) y su ubicación al identificar la información de parámetros (p1, p2, ...,
p9) de los materiales textiles (1, 2, 9) que se desvían de la información de referencia,
acceder a la información de configuración (cl) del dispositivo electrónico (E) de las máquinas textiles (12, 23, ..., 89) de la hiladora (M),
acceder a la información basada en conocimiento (kl) del dispositivo electrónico (E) relacionado con el conocimiento acerca de posibles fuentes (eS') de posibles fallas (dF') en la hiladora (M), y
aplicar con la información de parámetros información de parámetros (p1, p2, ..., p9), del dispositivo electrónico (E) información de configuración (cl), y la información basada en conocimiento (kl) a uno o más algoritmos de aprendizaje de máquina para estimar la una o más fuentes (eS1, eS2) de la falla (dF).
11. El método de acuerdo con la reivindicación 10, que además incluye: usar la información de configuración (cl) para determinar una o más posibles o probables secuencias de máquinas textiles (12, 23, ..., 89) entre la ubicación de la falla (dF) y la una o más fuentes de la falla (eS1, eS2).
12. El método de acuerdo con una de las reivindicaciones 10 o 11, que además incluye: aplicar uno o más algoritmos de aprendizaje de máquina seleccionados de una técnica de Regresión Lineal, una técnica de Regresión Logística, una Máquina de Vector de Soporte, u Árbol de Decisión, una técnica de Bosque Aleatorio, un Algoritmo K-Nearest Neighbors, una técnica de Agrupamiento de K-Means, un clasificador de Naive Bayes, y una técnica de Análisis de Componentes Principales, en donde en particular se toma en cuenta uno o más de la información de parámetros incompleta (p1, p2, ..., p9), información de parámetros incorrecta (p1, p2, ..., p9), información de configuración incompleta (cl), información de configuración incorrecta (cI), información basada en conocimiento incompleta (kl), e información basada en conocimiento incorrecta (kI).
13. El método de acuerdo con una de las reivindicaciones 10 a 12, que además incluye: solicitar y/o acceder a la información de configuración complementaria (scl), y aplicar la información de configuración complementaria (scl) a uno o más algoritmos de aprendizaje de máquina.
14. El método de acuerdo con una de las reivindicaciones 10 a 13, que además incluye: determinar la información si las máquinas textiles (12, 23, ..., 89) y/o los componentes de máquinas textiles (12, 23, ..., 89) relacionadas con la una o más fuentes (eS1, eS2) de la falla (dF) se deben reemplazar, reparar, modificar y/o ajustar de manera diferente.
15. El método de acuerdo con una de las reivindicaciones 10 a 14, que además incluye: determinar la información relacionada con el trabajo de mantenimiento para una o más máquinas textiles (12, 23, ..., 89) y/o uno o más componentes adicionales de las máquinas textiles (12, 23, ..., 89), en particular si el trabajo de mantenimiento relacionado con una o más de las fuentes (eS1, eS2) de la falla (dF) da por resultado un tiempo de inactividad de una o más máquinas textiles (12, 23, ..., 89) de la hiladora (M).
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP20172457.2A EP3904572B1 (en) | 2020-04-30 | 2020-04-30 | Device and method for detecting a fault in a spinning mill and for estimating one or more sources of the fault |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| ES2917375T3 true ES2917375T3 (es) | 2022-07-08 |
Family
ID=70482419
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| ES20172457T Active ES2917375T3 (es) | 2020-04-30 | 2020-04-30 | Dispositivo y método para detectar una falla en una hiladora y para estimar una o más fuentes de la falla |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US20210342705A1 (es) |
| EP (1) | EP3904572B1 (es) |
| JP (1) | JP2021177380A (es) |
| CN (1) | CN113584653B (es) |
| BR (1) | BR102021006295A2 (es) |
| ES (1) | ES2917375T3 (es) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114881514B (zh) * | 2022-05-26 | 2023-11-24 | 无锡物联网创新中心有限公司 | 一种筒管纱果重量估计方法及相关装置 |
| CN115058807B (zh) * | 2022-08-17 | 2022-12-20 | 江苏卓鹏智能机电有限公司 | 一种用于纺纱机的智能控制方法及系统 |
| CN115421465B (zh) * | 2022-10-31 | 2023-01-17 | 北京聚新工程技术有限公司 | 一种用于纺织设备的优化自适应控制方法及系统 |
| CN116993741B (zh) * | 2023-09-28 | 2023-12-22 | 福建旭源纺织有限公司 | 一种粗纱均匀度监管系统及粗纱均匀度检测装置 |
Family Cites Families (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0720800B2 (ja) | 1988-03-01 | 1995-03-08 | 村田機械株式会社 | 紡績工場における品質管理システム |
| JPH047269A (ja) | 1990-04-24 | 1992-01-10 | Murata Mach Ltd | 紡績工場における品質管理システム |
| CH687110A5 (de) * | 1991-09-10 | 1996-09-13 | Luwa Ag Zellweger | Verfahren zur Erstellung einer Stoerungsdiagnose an Produktionsmaschinen und Anwendung des Verfahrens an Textilmaschinen. |
| CH686378A5 (de) | 1992-10-12 | 1996-03-15 | Rieter Ag Maschf | Maschinenverwaltungssystem. |
| JPH0881841A (ja) | 1994-06-02 | 1996-03-26 | Zellweger Luwa Ag | 糸、ロービング、スライバ中の糸欠陥の原因を求めるための方法と装置 |
| US5815198A (en) | 1996-05-31 | 1998-09-29 | Vachtsevanos; George J. | Method and apparatus for analyzing an image to detect and identify defects |
| DE10137056C5 (de) | 2001-07-28 | 2018-09-06 | Rieter Ingolstadt Gmbh | Verfahren zur Wartung einer Textilmaschine |
| DE102005019760B4 (de) | 2004-05-29 | 2018-12-20 | Rieter Ingolstadt Gmbh | Spinnereimaschine mit einem Streckwerk zum Verstrecken eines Faserverbandes und entsprechendes Verfahren |
| CN102216503B (zh) | 2008-11-14 | 2014-02-19 | 乌斯特技术股份公司 | 用于优化纺织厂中生产过程的方法 |
| DE102011010988B4 (de) * | 2011-02-11 | 2019-01-10 | Saurer Spinning Solutions Gmbh & Co. Kg | Verfahren zum Betreiben eines Serviceaggregats und Textilmaschine mit einem Serviceaggregat |
| DE112015003528T5 (de) | 2014-07-31 | 2017-07-06 | Camozzi Digital S.R.L. | System zum Überwachen physikalischer Parameter von Textilmaschinen und Verfahren zur vorausschauenden Instandhaltung |
| ITUB20154999A1 (it) * | 2015-10-30 | 2017-04-30 | Camozzi Digital S R L | Metodo di ottimizzazione del processo di lavorazione per una linea di produzione tessile e sistema |
| JP2017092707A (ja) | 2015-11-10 | 2017-05-25 | 村田機械株式会社 | 繊維機械管理システム、管理装置及び携帯端末 |
| US11646808B2 (en) | 2016-05-09 | 2023-05-09 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for adaption of data storage and communication in an internet of things downstream oil and gas environment |
| CN107817335A (zh) | 2016-09-13 | 2018-03-20 | 普瑞米尔伊沃维克斯私人有限公司 | 在纺织单元进行在线监测和离线测试的集成系统和方法 |
| EP3516099A1 (en) | 2016-09-26 | 2019-07-31 | Maschinenfabrik Rieter AG | Method and system of predictive maintenance of a textile machine |
| JP2018066084A (ja) * | 2016-10-19 | 2018-04-26 | 村田機械株式会社 | 紡績機械管理システム及び管理方法 |
| US11597624B2 (en) | 2017-08-23 | 2023-03-07 | Oerlikon Textile Gmbh & Co. Kg | Method and device for texturing a synthetic thread |
| CH714081A1 (de) | 2017-08-25 | 2019-02-28 | Rieter Ag Maschf | Verfahren zum Betreiben einer Ringspinnmaschine und Ringspinnmaschine. |
| DE112019004557A5 (de) | 2018-09-12 | 2021-05-27 | Oerlikon Textile Gmbh & Co. Kg | Verfahren zur Überwachung und Bedienung einer Textilmaschine sowie eine Bedienungseinrichtung einer Textilmaschine |
| CN109558852A (zh) | 2018-12-04 | 2019-04-02 | 深圳码隆科技有限公司 | 一种基于图像识别技术的纺丝机故障监测系统 |
-
2020
- 2020-04-30 ES ES20172457T patent/ES2917375T3/es active Active
- 2020-04-30 EP EP20172457.2A patent/EP3904572B1/en active Active
-
2021
- 2021-03-31 BR BR102021006295-9A patent/BR102021006295A2/pt unknown
- 2021-04-28 JP JP2021076257A patent/JP2021177380A/ja active Pending
- 2021-04-29 US US17/244,087 patent/US20210342705A1/en active Pending
- 2021-04-29 CN CN202110471173.1A patent/CN113584653B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| EP3904572A1 (en) | 2021-11-03 |
| JP2021177380A (ja) | 2021-11-11 |
| EP3904572B1 (en) | 2022-04-06 |
| CN113584653B (zh) | 2023-11-21 |
| US20210342705A1 (en) | 2021-11-04 |
| BR102021006295A2 (pt) | 2021-11-09 |
| CN113584653A (zh) | 2021-11-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| ES2917375T3 (es) | Dispositivo y método para detectar una falla en una hiladora y para estimar una o más fuentes de la falla | |
| 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 | |
| EP3305700A1 (en) | Yarn winding system, automatic winder, spinning frame and yarn winding method | |
| EP3293595A1 (en) | An integrated system and method for online monitoring and offline testing in a textile unit | |
| CN110997537B (zh) | 使合成纱线变形的方法和装置 | |
| JP2011508107A (ja) | リング精紡機の複数の作業個所を監視する装置及び方法 | |
| El-Geiheini et al. | Yarn tensile properties modeling using artificial intelligence | |
| CN109389583A (zh) | 一种管纱质量智能分类管理方法及其实现装置 | |
| EP1057907A1 (en) | Spinning mill processing control systems and methods | |
| CN111636123B (zh) | 一种智能纺纱生产线故障检测系统 | |
| Li et al. | A novel system for yarn cross-section analysis based on dual orthogonal CCD sensors | |
| EP4105368A1 (en) | Device and method for enabling displaying on a user display an operating readiness index related to a spinning mill | |
| Kulkarni et al. | Brief Overview on Study of Various Parameters Affecting the Productivity of Cotton Yarn | |
| Mohammed et al. | A Hybrid Machine Learning Approach to Fabric Defect Detection and Classification | |
| CN114925986B (zh) | 一种管纱分类与跟踪方法及相关装置 | |
| Süle | Characterization of twist of fancy yarns using wavelet analysis of sensor signal | |
| Emadi et al. | Measurement of vibration in polyester filament yarns to detect their apparent properties | |
| JP2004183139A (ja) | 繊維機械の運転状態解析装置とその方法 | |
| JP4434775B2 (ja) | 繊維機械の糸データの解析装置 | |
| EP4163242A1 (en) | An electronic device for locating a functional disorder at a spinning and winding section of a spinning mill and a method for locating the same | |
| Zhang et al. | A Monitoring Method for the State of Yarn Based on Sliding Window and Its Application | |
| JP2006169661A (ja) | 解析装置及びこれを備えた機械設備と解析プログラム | |
| CN115222655A (zh) | 一种非接触式旋转编织纱线检测方法 | |
| Jansen | Image-Based Condition Monitoring of Air-Jet Spinning Machines with Artificial Neural Networks | |
| JP2018177449A (ja) | 管理装置及び糸巻取システム |