【０００１】
【発明の利用分野】
この発明は、延伸仮撚加工機、紡績機、ワインダーなどの繊維機械での、運転状態の解析に関する。
【０００２】
【従来技術】
【０００３】
【特許文献１】特許２５７０１６５号公報
【特許文献２】特公平３−２９９８号公報
【特許文献３】特許３１７３１８１号公報
【０００４】
特許文献１は、延伸仮撚加工機での糸の張力異常を、瞬時値異常と平均値異常の２種類に分けて、監視することを開示している。
特許文献２は、紡績機やワインダーなどでの糸の太さのむらを、高速フーリエ変換（ＦＦＴ）により検出し、瞬時的で偶発的な糸の太さむらか、ある程度の期間継続する系統的な太さむらか、などを判別するようにしている。
特許文献３は、ワインダーなどでの糸継ぎミスの原因を、統計的に推定することを開示している。糸継ぎミスなどの過去のトラブルに対して、原因毎の頻度を統計値として記憶し、この頻度に従って、糸継ぎミスなどの原因を推定する。原因は複数推定し、推定した異常原因を繊維工場のマスタコントローラに、確度の順にリストして表示する。
【０００５】
繊維機械の運転状態を解析することは難しい。例えば特許文献１で、糸の張力異常を監視する場合、その原因を推定するのは、過去の統計値を当てはめるだけでは難しい。また特許文献２で、糸の太さ変動を監視する場合、太さ変動のパターンから原因を推定するのは困難である。
【０００６】
【発明の課題】
この発明の基本的課題は、繊維機械の運転状態を解析するための新規な装置と方法とを提供することにある（請求項１〜９）。
請求項２，７の発明での追加の課題は、処理中の糸の状態を解析できるようにすることにある。
請求項３，８の発明での追加の課題は、ニューラルネットワークの再学習を容易にすることにある。
請求項４，５の発明での追加の課題は、解析の信頼性に応じた状態で、運転状態を容易にグラフィカルに表示できるようにすることにある。
請求項９の発明での追加の課題は、繊維機械の運転状態の監視をさらに容易にすることにある。
【０００７】
【発明の構成】
この発明は、繊維機械に設けたセンサからの信号を解析するための装置において、前記センサからの多次元のセンサ信号をニューラルネットワークで処理して、繊維機械の運転状態を解析するようにしたことを特徴とする、繊維機械の運転状態の解析装置にある（請求項１）。ここに多次元信号とは、例えばセンサ信号が１種類でも、波形データや時系列データとして扱えば、多次元の信号となる。また複数のセンサの信号を組み合わせても、多次元の信号となる。なおこの明細書では、多次元のセンサ信号やそれから特徴を抽出したデータを、ベクトルデータと見なして、特徴ベクトルということがある。また特徴ベクトルに対応して、ニューラルネットワークの各部が記憶するデータを、参照ベクトルということがある。またこの発明において、運転状態は、繊維機械で処理中の糸などの処理対象物の状態や、繊維機械自体の状態を意味する。
【０００８】
好ましくは、前記繊維機械を延伸仮撚加工機、紡績機、ワインダーのいずれかとし、前記センサ信号を糸の張力、糸の太さ、糸の温度の少なくとも一種を含むものとする（請求項２）。これらのセンサ信号は、処理中の糸の状態を表す信号であり、波形データとして扱うのが容易な信号である。特にこれらの信号中の異常信号は、異常箇所の推定などの困難な解析が必要な信号である。なおこれらの信号以外に、ワインダーでの糸継ぎミスの回数、モータの負荷、機械の各軸の回転数、機械各部の温度なども、ニューラルネットワークで処理して、繊維機械の運転状態の解析に用いることができる。
【０００９】
また好ましくは、１台の解析装置で複数台の繊維機械の運転状態を解析すると共に、前記センサ信号中で、少なくとも異常な運転状態に対する信号を記憶するための手段を設ける（請求項３）。
【００１０】
ニューラルネットワークの種類は任意であるが、好ましくは、少なくとも２次元に配列された複数のユニットを備え、各ユニットが前記センサ信号への参照値を持ち、かつセンサ信号と近接した参照値を持つユニットを検索して、前記ユニットのアレイに検索結果を表示するようにしたニューラルネットワークを用いる（請求項４）。
このようなニューラルネットワークには、例えば自己組織化マップ（ＳＯＭ）や学習ベクトル量子化（ＬＶＱ）がある（請求項５）。
【００１１】
この発明はまた、繊維機械に設けたセンサからの信号を解析する方法において、前記センサからの多次元のセンサ信号をニューラルネットワークで処理して、繊維機械の運転状態を解析するようにしたことを特徴とする、繊維機械の運転状態の解析方法にある（請求項６）。
【００１２】
好ましくは、延伸仮撚加工機や紡績機、あるいはワインダーでの糸の状態を、糸の張力波形、糸の太さ波形、糸の温度波形の少なくとも一種のセンサ信号を用いて解析する（請求項７）。
【００１３】
好ましくは、１台の解析装置で複数台の繊維機械の運転状態を解析するようにすると共に、前記センサ信号中で、少なくとも異常な運転状態に対する信号を記憶して、前記ニューラルネットワークを再学習できるようにする（請求項８）。
【００１４】
特に好ましくは、運転状態の解析装置を繊維工場に通信回線を介して接続し、繊維工場側から解析装置へ繊維機械からのセンサ信号を送信し、解析装置から繊維工場へ解析結果を送信する（請求項９）。
【００１５】
【発明の作用と効果】
この発明では、繊維機械からの多次元のセンサ信号をニューラルネットワークで処理して、その運転状態を解析する。解析はニューラルネットワークに委ねられるので、解析アルゴリズムを個別に開発する必要がない。そしてニューラルネットワークを用いると、熟練者と例えば同程度、学習を重ねた場合には熟練者以上の確度で、運転状態を解析できる（請求項１，６）。
【００１６】
繊維機械の種類は任意であるが、紡績機、ワインダー、延伸仮撚加工機を対象として、糸の張力、特に張力波形、糸の太さ、特に太さの波形、糸の温度、特に温度波形などをニューラルネットワークで処理すると、処理中の糸の状態を解析できる。このようにすると、処理した糸の品質管理や、様々な異常に対する異常原因の推定などができる（請求項２，７）。
【００１７】
１台の解析装置で、複数台の繊維機械の運転状態を解析し、少なくとも異常信号を記憶して蓄積すると、蓄積した異常信号をニューラルネットワークの再学習に用い、解析の信頼性を向上させることができる（請求項３，８）。
特に解析装置を繊維工場外の場所に設置して、通信回線を介せて、センサ信号と解析結果とを通信するようにすると、遠隔集中監視ができるので、解析装置の台数の削減によるコストメリットが得られ、またニューラルネットワークの学習用のデータをより多数収集できる。さらに工場での繊維機械の運転状態の監視をより簡単にし、工場の省力化を進めることができる（請求項９）。
【００１８】
ニューラルネットワークとして、ＳＯＭやＬＶＱなどの、参照値を持つユニットを多次元に配列したものを用いると、図１６などに示すように、解析の確度に応じた状態表示を、グラフィカルに行うのが容易である（請求項４，５）。
【００１９】
【実施例】
延伸仮撚加工機での解撚側での糸の異常張力波形の検出を例に、繊維機械の運転状態の解析を説明する。延伸仮撚加工機の構造と、糸に仮撚を与えるためのツィスター４や張力センサ６の構造を図１〜図３に示す。図４に異常原因解析装置の構成を示し、図５〜図８にその動作アルゴリズムを示す。図９〜図１２に延伸仮撚加工機での糸張力の異常波形を示し、図１３，図１４に特徴抽出用のウェーブレット変換での不等間隔ダウンサンプリングを示す。図１５に自己組織化を終えたＳＯＭ（自己組織化マップ）を可視化した例を示し、図１６、図１７に異常原因の表示を模式的に示す。図１８，図１９は誤差逆伝搬型のニューラルネットワークを用いた実施例を示し、図１８にその構成を、図１９に異常原因の表示例を示す。
【００２０】
図１の延伸仮撚加工機において、２は仮撚する糸を給糸するための給糸パッケージで、給糸パッケージ２からの糸１２は、第１フィードローラＦＲ１を介して第１ヒータＨ１を通過し、クーリングプレートＣ１で冷却される。なお給糸パッケージを、通常ＰＯＹ（部分延伸糸）を用いるため、ＰＯＹと呼ぶことがあり、また延伸仮撚加工機１で処理する糸は合成繊維のフィラメント糸である。４はツィスターで、図２に示すように、糸１２は一対のベルト１４，１６間を例えば図の上から下向きに通過して、ベルト１４，１６により撚りを与えられる。また、糸１２は、第１フィードローラＦＲ１と第２フィードローラＦＲ２との間で延伸される。ツィスター４で与えられた撚りは、第１フィードローラＦＲ１まで伝搬し、前記のヒータＨ１とクーリングプレートＣ１とを介して、固定される。
【００２１】
ツィスター４の下流側（解撚側）には、この下流側における糸の解撚張力が加工後の糸の品質や性状に大きく関係するため、張力センサ６を設け、糸の張力信号（この場合は、糸の解撚信号）Ｔを制御部８へ入力する。制御部８では、糸の張力波形に基づいて、ツィスター４等にフィードバック制御を加え、ツィスター４の出口側での糸張力を一定にするように制御する。そして張力センサ６の下流側には、第２フィードローラＦＲ２を設けて第２フィードローラＦＲ２までに撚りを解き、次いで第２ヒータＨ２及び第３フィードローラＦＲ３を設け、糸に弛緩熱処理を与える。このように延伸同時仮撚作用により、表面が平滑なフィラメント糸に嵩高さと伸縮性とを与える。なおこの明細書で、上流／下流は糸の進行方向に沿って定め、給糸パッケージ２に近い側を上流側とし、最終の延伸仮撚加工糸パッケージ１０に近い側を下流側とする。上記ツイスターはベルト式のものに限らず、フリクションディスク式のものであってもよい。後者の場合は、上述したフィードバック制御を省略するのが一般的である。延伸仮撚加工された糸は、巻取パッケージ１０として巻き取られる。ＷＤは巻取りドラムで、巻き取りパッケージ１０に接触して回転させる。
【００２２】
図３に、張力センサの構成を示すと、１８は回転体で、支点２０を中心にして回転し、２１〜２３はローラで、２４は回転体１８を例えば時計回り方向に引っ張るバネである。糸の張力がローラ２２に加わると、回転体１８には例えば反時計回りのモーメントＷが加わり、このモーメントＷがバネ２４からの力Ｆとつり合う位置へ回転体１８は回転する。そこで回転体１８の回転角やその微分値などを監視すると、糸１２の張力を監視できる。なお糸の張力は、これ以外にも種々のセンサで検出でき、張力センサの種類は任意である。
【００２３】
実施例では糸張力を解析対象とするが、糸の太さや、ヒータＨ１，Ｈ２、クーリングプレートＣ１などでの、糸の温度も解析対象に適している。例えば糸の温度は赤外線温度計などにより、周囲との温度差を差分形の信号として検出すればよい。糸の太さは光学的に検出できる。これらのデータは、糸の品質管理上重要なデータである。
【００２４】
図４に、糸張力の解析装置３２を示すと、張力センサ６からの張力信号Ｔは延伸仮撚加工機毎の制御部８に入力され、例えばフィードバック信号Ｆ．Ｂ．として、ツイスター４を制御する。複数台の延伸仮撚加工機の制御部８から、例えばアラームレベルを越えた信号を異常信号とし、例えばバッファを設けて波形を記憶し、アラームレベルを越えた異常信号が生じると、異常信号とその周囲の波形とを、工場ＬＡＮ３０などを介して、糸張力の解析装置３２へ入力する。この時、制御部８は糸の張力波形と延伸仮撚加工機の機台番号あるいは、錘番号とを送信し、機台番号や錘番号は、ニューラルネットワーク４２で、機台毎の癖や錘毎の癖を加味した処理を行うために用いる。解析装置３２には、前段の特徴ベクトル抽出部３４と後段のニューラルネットワーク４２とがあり、特徴ベクトルは、張力波形をウェーブレット変換したものに、機台番号や錘番号を付加したものである。
【００２５】
ウェーブレット変換部３６が特徴ベクトル抽出部３４の主要部を成しており、３８は不等間隔ダウンサンプリング処理部で、ウェーブレット変換した信号（ウェーブレット変換値）に対して、信号の特徴を表す点をサンプリングするように、不等間隔でサンプリングする。そして不等間隔によるダウンサンプリングにより、ウェーブレット変換値は間引かれ、ニューラルネットワーク４２では、特徴ベクトルの次元数が減少するので、処理が容易になる。４０は端部処理部で、延伸仮撚加工機の運転開始や運転終了、糸切れなどの不連続点に対し、不連続点での張力波形に対するウェーブレット変換値を記憶する。そして端部処理部４０は、ウェーブレット変換部３６で求めたウェーブレット変換値のうち、自己で記憶している信号、即ち不連続点に対するウェーブレット変換値と類似のものを検索して、変換値から削除する。
【００２６】
なお時間周波数分解では、ウェーブレット変換を用いたが、これに代えて短時間フーリエ変換や、短時間離散コサイン変換などの他の時間周波数分解を用いても良い。これらの時間周波数分解を用いる場合、窓関数ｗ（ｔ）を用い、窓関数ｗの値が０でない範囲の信号を、フーリエ変換や離散コサイン変換する。例えば短時間フーリエ変換の場合、窓関数をｗ（ｔ）とし、張力波形をｘ（ｔ）とすると、短時間フーリエ変換ＳＴＦＴ（ω，ｄ）は、
ＳＴＦＴ（ω，ｄ）＝∫ｅ−ｉ ω ｔｗ（ｔ−ｄ）ｘ（ｔ）ｄｔ
で与えられる。ここに積分範囲は例えば−∞から∞で、ｉは虚数単位である。
【００２７】
ニューラルネットワーク４２は自己組織化マップ（ＳＯＭ）４４と、その学習用の学習データ入力部４６とから成る。また４５は自己組織化マップ４４に付属の検索部で、実稼働時には後述の特徴ベクトルに近接した参照ベクトルを持つユニットを検索する。学習時には入力された特徴ベクトルに最近接した参照ベクトルを検索し、その近傍のユニットの値を入力した特徴ベクトルに近づけるように更新する。特徴ベクトルに、繊維機械の機台番号や錘番号を加えると、機台や錘毎に以上張力の波形が異なるような場合にも対応できる。即ち機台や錘の相違を不確定要素として残して、異常原因を推定できる。ただしニューラルネットワークの大型化を避けるためには、機台や錘番号を特徴ベクトルに含めない方が好ましい。
【００２８】
自己組織化マップ４４に代えて、学習ベクトル量子化ＬＶＱなどを用いても良い。ＳＯＭもＬＶＱも２次元や３次元などに配置されたユニットをマップとして用い、競合学習を用いる点が共通である。ＳＯＭやＬＶＱにおいて、各ユニットの持つ特徴ベクトルを参照ベクトルと呼び、学習データ入力部４６や特徴ベクトル抽出部３４から入力される特徴ベクトルを入力ベクトルと呼ぶ。学習過程では、入力ベクトルに最も近い参照ベクトルを持つユニットを検索し、ＳＯＭのように教師なし学習の場合、このユニットとその周囲のユニットとの参照ベクトルを、入力ベクトルに近づけるように更新する。
【００２９】
ＬＶＱなどの教師あり学習の場合、各ユニットには異常張力波形の発生原因（異常原因）などのラベルが予め付されており、入力ベクトルと最も近い参照ベクトルが、入力ベクトルと同じラベルを持つ場合、参照ベクトルを入力ベクトルに近づける。入力ベクトルに最も近い参照ベクトルが、入力ベクトルとは別のラベルを持つ場合、即ち異常波形の発生原因が異なる場合、参照ベクトルを入力ベクトルから遠ざける向きに更新する。教師なし学習でも教師あり学習でも、これらの学習を参照ベクトルの値が収束するまで繰り返す。
【００３０】
自己組織化マップＳＯＭや学習ベクトル量子化ＬＶＱでは、特徴ベクトル抽出部３４から特徴ベクトルが入力されると、マップの各ユニットが持つ参照ベクトルと比較し、最も近い参照ベクトルを持つユニットを検索する。各ユニットは異常張力の発生原因などによりラベル、即ち分類されているので、入力ベクトルに最も近いユニットが選択されると、異常張力の発生原因などをマップ上に表示できる。例えば２次元や３次元のマップを、異常張力の発生原因などのような解析目標に従って意味で分類し、入力ベクトルをこの分類付きのマップと重ね合わせて表示することを、処理結果を可視化するという。そして処理結果を可視化したものを端末４８に表示すると、例えば図１５の表示となる。
【００３１】
データベース５０は、特徴ベクトル抽出部３４の出力の特徴ベクトルを記憶し、特徴ベクトルに対して、その発生時刻や、異常張力波形が発生した機台番号や錘番号などをラベルとして記憶する。このデータベースの異常張力波形を熟練したオペレータやサービスマンなどが解析して異常原因を求め、ニューラルネットワーク４２の出力と照合したりすることができる。またデータベース５０の異常張力波形を用いて、教師あり学習や教師なし学習で、ニューラルネットワーク４２を再学習させることもできる。
【００３２】
糸張力の解析装置３２は、ウェーブレット変換部やニューラルネットワークを備えたものであり、個々の延伸仮撚加工機などの繊維機械に設置するのはコスト的に問題があり、例えば各繊維工場に１〜複数台設けて、集中監視に用いる。しかしながらこのような信号処理装置のコストが低下すれば、個々の繊維機械に設置しても良い。また、繊維機械の錘毎に解析装置３２を設けるようにしてもよい。５１はＨＴＴＰサーバで、サービスマンや保全マンなどが持つ携帯電話５４に図１６の表示画面などを転送して、解析結果を携帯電話５４にグラフィカルに表示するためのものである。
【００３３】
また解析装置３２は、ルータ５２とＶＰＮ（バーチャル・プライベート・ネットワーク）や電話回線などを介し、遠隔した場所に設置することもできる。このような場合、解析装置３２で複数の工場からの糸張力の異常波形信号を処理する。工場からは、異常張力の波形の他に機台番号や錘番号を送信し、解析装置では、工場の番号や機台番号、錘番号を特徴ベクトルに含めて、工場毎や機台毎、錘毎の癖を含めて解析できるようにすることが好ましい。そして解析結果を各工場に転送して、工場の端末４９に表示すると共に、各工場での調査結果を学習用に受信することが好ましい。そして解析装置３２での解析結果と、工場での調査結果を照合すれば、解析装置の信頼性を評価でき、またニューラルネットワークの再学習もできる。即ち、各工場から受信した糸の異常張力波形を用いて、ニューラルネットワークを再度学習させることができる。ここで、ニューラルネットワークの初期的な学習に用いたデータは、再学習に用いても、用いなくても良い。また教師有り学習の場合、糸張力の異常波形に対して、工場での調査により判明した異常原因を、教師信号として用いればよい。さらに、再学習開始時のニューラルネットワークの状態は適当に初期化しても良いが、再学習前の状態を学習開始時の初期状態とすると便利である。このようにして遠隔の場所にある解析装置３２に、複数の繊維工場からのデータを集中し、ニューラルネットワーク４２の学習をより容易にすることができる。
【００３４】
ニューラルネットワーク４２は、出荷時までに学習を終了し、繊維工場内では学習を行わないようにすることもできる。このような場合、ニューラルネットワーク４２は、張力解析装置３２の製造者などが得た各ユニットに対する参照ベクトルを記憶して、入力された特徴ベクトルに最も近い参照ベクトルを検索するものということもできる。またこのようなニューラルネットワークでも、メンテナンス時などに参照ベクトルの記憶値を更新すると、ニューラルネットワークの性能を向上させることができる。
【００３５】
また解析装置を各工場に設置し、各工場でデータベース５０などに蓄積した特徴ベクトルを用いて、ニューラルネットワークを学習させても良い。そしてこの場合に、特徴ベクトルに対してオペレータの解析や実際の繊維機械の調査などによるラベル付けができる場合、教師あり学習が適している。なおこの明細書でラベル付けとは、張力波形信号に対してその原因となっている事象を対応させることや、自己組織化マップの各ユニットに対して対応する事象を対応させることをいう。このようにラベル付けは、解析対象の信号やマップの各ユニットに対して、何らかの事象を対応させることである。
【００３６】
図５に、ウェーブレット変換のアルゴリズムを示す。アナライジングウェーブレットとして、例えば、
Ψ（ｔ）＝ｔ・（２π）−１／２ｅｘｐ（−ｔ２／２） （１）
を用いる。アナライジングウェーブレットは逆変換が可能なウェーブレットであり、Ψ（ｔ）はガウス関数の１階導関数に負号を加えたものに相当する。（１）式のアナライジングウェーブレットΨ（ｔ）を用い、入力張力波形ｘ（ｔ）を（２）式に従い、離散ウェーブレット変換する。
Ｘｊ（ｂ）＝２−３ｊ／２∫Ψ（（ｔ−ｂ）・２−ｊ）ｘ（ｔ）ｄｔ （２）
なお（２）式においてｊは整数で、ウェーブレット変換で用いるスケール（前記のａ）を２ｊに限定したもので、積分範囲は−∞から∞である。ｂは時間パラメータで、異常波形信号の開始時刻を例えば時刻０とすると、時刻ｂの付近の信号をガウシアンの１階導関数を窓関数としてウェーブレット変換することになる。このウェーブレット変換では、時刻ｂ付近の信号をスケール２ｊで変換するので、変換値にはスケールを表す添字ｊと時刻を表す変数ｂとが加わることになる。
【００３７】
延伸仮撚加工機の運転開始点や終了点、糸切れ点などの不連続点に対するウェーブレット変換値を、ニューラルネットワークでの処理対象から除去する。そこで、これらの不連続点に対するウェーブレット変換値を、端部処理部４０に記憶し、不連続点でのウェーブレット変換値に類似の信号を、求めたウェーブレット変換値より除去する。
【００３８】
続いて、ウェーブレット変換値を不等間隔でダウンサンプリングする。ウェーブレット変換値ｘｊ（ｂ）は連続変数ｂを備えており、冗長性の高い信号である。そこでこれを適宜の時間間隔でサンプリングし、冗長度を低下させて、ニューラルネットワークでの処理を容易にする。ウェーブレット変換値を間引いて、冗長度を低下させることを、ダウンサンプリングと呼ぶ。ダウンサンプリングは通常は一定の時間間隔で行われるが、それではウェーブレット変換値の特徴を取りこぼす恐れがある。そこで不等の時間間隔で、ウェーブレット変換値の特徴を維持するように、ダウンサンプリングする。
【００３９】
ダウンサンプリングの例を図１３，図１４に示す。図１３はＰＯＹＦ０１に対する波形で、図１４はＰＯＹＦ１８に対する波形である。これらの図で、最上段には張力波形そのものを示し、以下の６段にはｊ＝６からｊ＝１までのウェーブレット変換値を示し、横軸はｂである。このうちｊ＝６が最も粗いスケールで、最も低周波数成分に対応し、ｊ＝１が最も細かいスケールで、高周波成分に対応する。不等間隔ダウンサンプリングでは、
ｂｊｋ＝ａｒｇｍａｘ｜Ｘｊ（ｂ）｜ （３）
を求める。ここでＸｊ（ｂ）の絶対値の最大値を求める範囲は、ｂが２ｊ・ｋｂ０以上で、２ｊ・（ｋ＋１）ｂ０未満の範囲とし、ａｒｇｍａｘは｜Ｘｊ（ｂ）｜の最大値に対応するｂの値をｂｊｋとして出力する関数である。またｋは区間の番号、ｂ０は区間の幅である。そしてこのｂｊｋに対するウェーブレット変換の値をＸｊ（ｂｊｋ）とする。
【００４０】
この不等間隔ダウンサンプリングにより、所定の区間内でウェーブレット変換値の絶対値の最大値をサンプリングできる。これにより、特徴点を取りこぼさずに特徴ベクトルを低次元化できるだけでなく、波形の局所的な延び縮みに対してロバスト（頑健）な特徴ベクトルを抽出できる。得られたウェーブレット変換値をニューラルネットワークに出力する。なおウェーブレット変換値の絶対値の最大値に代えて、ウェーブレット変換値の極大値や極小値、変曲点などをサンプリングしても良い。
【００４１】
図６に、自己組織化マップＳＯＭの学習アルゴリズムを示す。最初にＳＯＭの各ユニットの参照ベクトルを適当な値に初期化し、学習用の入力ベクトルに最も類似した参照ベクトルのユニットを求める。求めたユニットの参照ベクトルとその近傍のユニットの参照ベクトルを、入力ベクトルに近づけるように修正する。以上の処理を全ての入力ベクトルに対して繰り返し行い、１回の学習での参照ベクトルの修正量を徐々に減少させて、参照ベクトルを収束させる。これによって学習は完了し、以降は各ユニットの参照ベクトルを固定する。なおこの学習は糸張力の解析装置の製造者で行っても、各繊維工場で行っても良い。
【００４２】
図７に、ＳＯＭによる特徴ベクトルの分類アルゴリズムを示す。ウェーブレット変換部で得られた特徴ベクトル（入力ベクトル）に最も近い参照ベクトルを持つユニットを求め、このユニットの付近にマークを付けて、マップを例えば２次元図形として表示する。この表示では、マップを２次元あるいは３次元などの多次元のユニットのアレイとして表示し、ユニットに付されているラベルを色分けやラベル名の表示などで表示し、入力ベクトルに最も近いユニットをマークして表示する。２次元表示の場合、ユニットを六角形として表示すると、表示が容易である。
【００４３】
図８に、ＳＯＭに代えて、学習ベクトル量子化ＬＶＱを用いる際の学習アルゴリズムを示す。ＬＶＱでもＳＯＭと同様に、複数のユニットを２次元あるいは３次元などに配列したマップを用い、マップを異常張力波形の発生原因などにより分割してラベル化する。そして各ユニットを初期化する。
【００４４】
次に分類済みの入力ベクトル、即ち、異常張力波形の発生原因でラベルした入力ベクトルに対し、最も近い参照ベクトルを有するユニットを探索する。探索したユニットの分類が正しければ、このユニットのベクトルを入力ベクトルに近づけ、分類が誤っている場合、ユニットのベクトルを入力ベクトルから遠ざけるように更新する。この学習を繰り返して行い、１回の学習での参照ベクトルの更新の程度を徐々に小さくする。各入力ベクトルに対して、正しいラベルを持つユニットが最も近接したベクトルを持つようになるまで、学習を繰り返して行う。この結果、教師信号に対して正しいラベルのユニットが反応するようになる。
【００４５】
図９〜図１２に、延伸仮撚加工機で実際に生じた異常張力波形を表示する。なおこのラベル付けは、熟練したオペレータの判断によるもので、必ずしも正確ではない。またＰＯＹＦ０１の右側などで張力が急激に０に低下しているのは、糸切れが生じたためである。このような糸切れ自体を主な特徴としてニューラルネットワークが処理しないようにするため、端部処理部で糸切れなどの不連続点に対するウェーブレット変換値を記憶し、類似したウェーブレット変換値を取り除くようにしてある。
【００４６】
図９〜図１２を参照すると、異常張力波形をその発生原因に従って分類するためのポイントは、一見したところ分かりにくい。例えば図９のＰＯＹＦ１６と図１１のＴＡＩＬ０８は、未熟練者には類似の信号に見える。またＰＯＹＦ１２はＰＯＹＦ１１と類似しているというよりも、図１１のＴＡＩＬ１０やＴＡＩＬ２２に類似した信号のように見える。このように異常張力波形を、張力波形そのものから解析することは困難である。
【００４７】
これに対してウェーブレット変換を行うと、例えば図１３や図１４等のウェーブレット変換値が得られる。そして得られたウェーブレット変換値を自己組織化マップで処理すると、図１５の結果が得られる。なお図１５では、入力した張力波形に対し、最も近い参照ベクトルを有するユニットをラベルしている。各ユニットは六角形に表示され、意味のあるユニットは１つ置きに配置されている。各ユニットの色（濃淡レベル）は、隣接する６ユニットとの間の参照ベクトルの平均距離を表し、ユニットとユニットとの間の六角形の色（濃淡レベル）は、これらの２つのユニット間の参照ベクトルの距離を表している。距離の定義はここではユークリッド距離であるが、他の距離でも良い。また濃い色の六角形の繋がりは、ユニットの集団（クラスター）とクラスターとの間の壁を表している。また薄い色で連続した領域は、まとまった１つのクラスターを表している。
【００４８】
図１５において、ＴＡＩＬに対応する領域はマップの右下隅の付近にあり、ＥＬＥＣに対応する領域は左下付近にある。図１５のやや下側の右から中央部やや左側までに渡って、ＰＯＹＦに対応するクラスターが見られ、図１５上部のやや右側から中央部右端に渡って、ＰＯＹＤに対応するクラスターが見られる。ＰＯＹＤに対応するクラスターの左側には、ＯＴＨＲに対応するクラスターがある。このように図１５では教師なし学習にもかかわらず、異常張力波形を熟練者の解析と類似してクラスター化することができた。
【００４９】
図１６に、異常張力の原因の表示画面５６を示す。この図は図１５の一部の領域に、異常原因に対応するマーク５７を付したものである。これは処理上の概念では、張力の異常波形をウェーブレット変換した特徴ベクトルに、最も近い参照ベクトルを持つユニットを、マークしたものということができる。図１６に付したハッチングなどはユニット間の距離（参照ベクトルや特徴ベクトルが含まれるベクトル空間での距離）を示し、密度の高いハッチングは密度の低いハッチングよりも距離が大きく、点々は斜線のハッチングよりも距離が小さいものとする。
【００５０】
この表示には以下の特徴がある。
▲１▼ 周囲のラベル（ここではＰＯＹＦ，ＴＡＩＬ，ＰＯＹＤ）との相対的な位置が、グラフィカルに表示されている。
▲２▼ この場合、ＰＯＹＦが異常原因の第１候補、ＰＯＹＤが第２候補、ＴＡＩＬが第３候補であることが分かり、異常原因の確度が定性的に一目瞭然となる。
▲３▼ 異常原因に対する特徴ベクトルが、ラベルを付したユニットの参照ベクトルと、量子化のギャップ以下の誤差しかないような場合を除き、１つのラベルのみを確定的にマークすることはない。従って、解析精度を越えた表示をして、メンテナンスに混乱を来すことがない。
【００５１】
図１６では自己組織化済みのマップをそのまま表示し、それにマーク５７を付加したが、複数のユニットに広がったマークをマップに表示しても良い。このような例を図１７に示すと、５８は表示画面、５９はマークである。この表示画面５８では、マップのユニット間の距離の表示を省略する。その代わりに、異常原因の特徴ベクトルに最も近いユニットに、最も強い表示を行う。図１７でのハッチング密度の最も高いユニットがこれである。次にこのユニットの参照ベクトル、あるいは異常原因の特徴ベクトルと、各ユニットの参照ベクトルとの距離を、ハッチングなどで表示する。するとマーク５９は原則として複数ユニットに広がることになり、マーク５９のハッチングは異常原因に最も近いユニットから、各ラベルやクラスターまでの距離を示すことになる。
【００５２】
特徴ベクトルの抽出にはウェーブレット変換を用いたが、これは糸の異常張力波形が孤立した非定常なパルスだからである。ウェーブレット変換などの時間周波数分解に代えて、異常波形のパルスの平均値、分散、歪み、並びに４次以上のモーメントなどの統計量を、特徴ベクトルとしても良い。また糸の太さの変動を、短周期のものと長周期のもの、並びに１パルスのみで繰り返さないものなどに分類して処理したい場合、高速フーリエ変換で短周期や長周期の繰り返し型の糸の太さむらを処理し、１パルスのみの異常波形はＭＥＭ（マキシマム・エントロピー・メソッド）などでフーリエ変換しても良い。この場合の処理対象は、糸の太さの波形である。また前記のヒータＨ１，Ｈ２やクーリングプレートＣ１などの管理には、糸の温度波形を監視すると良い。さらに波形ではなく、時系列データを処理しても良く、また張力などの１種類のデータではなく、張力、太さ、糸温度、糸継ぎミス、モータの負荷、その他のメカニカルなデータ、など複数種類のデータを解析するようにしても良い。
【００５３】
ニューラルネットワークは、ＳＯＭやＬＶＱなどのようにユニットのアレイを用いるものに限らず、ニューロン層を１層以上に配置したものでよい。このような例を図１８，図１９に示す。教師あり学習で、教師入力とニューラルネットワークの出力との差を誤差として、入力ニューロン側へ誤差を逆伝搬するタイプのニューラルネットワーク６０を用いる。またニューロン層は、入力ニューロン層６２と出力ニューロン層６４の例えば２層とする。丸印で示すニューロン６５は、入力データに正負の重みを加えて線形加算したものを、シグモイド関数に入力して出力する。シグモイド関数は例えば
σ＝（１＋ｅｘｐ（−ｘ））−１
で与えられる。通常の誤差逆伝搬型のニューラルネットワークでは、出力層のニューロン６５が入力レンジの範囲で０か１かの値を取り、中間の値を取る範囲を狭くする。これは、ニューラルネットワークに、なるべく確定的な出力をさせるためである。これに対して図１８のニューラルネットワーク６０では、図の下部に実線で示すシグモイド関数のように、入力レンジの範囲内で、あるいは通常に考えられる特徴ベクトルの入力範囲内で、０と１との中間の値を出力する範囲を広くし、解析能力以上の表示を行わないようにする。
【００５４】
この結果を、図１６と類似の表示画面６６で示すと、マーク６８は３つのラベルの間にあり、その位置からＰＯＹＦが異常原因の第１候補、ＰＯＹＤが第２候補、ＴＡＩＬが第３候補であることが、グラフィカルに表示される。
【図面の簡単な説明】
【図１】実施例で糸張力の解析対象とした延伸仮撚加工機のブロック図
【図２】図１の延伸仮撚加工機で用いたツィスターの模式図
【図３】図１の延伸仮撚加工機で用いた張力センサの模式図
【図４】実施例の糸張力の解析装置のブロック図
【図５】実施例でのウェーブレット変換アルゴリズムを示すフローチャート
【図６】実施例での自己組織化マップ（ＳＯＭ）の学習アルゴリズムを示すフローチャート
【図７】実施例でのＳＯＭによる糸張力の異常波形の分類アルゴリズムを示すフローチャート
【図８】実施例での学習ベクトル量子化（ＬＶＱ）の学習アルゴリズムを示すフローチャート
【図９】図１の延伸仮撚加工機での糸の解撚張力の異常波形の例を示し、給糸パッケージ（ＰＯＹ）の解ジョ不良（ＰＯＹＦ）による波形を７例示す。
【図１０】図１の延伸仮撚加工機での糸の解撚張力の異常波形の例を示し、給糸パッケージ（ＰＯＹ）の内層解ジョ不良（ＰＯＹＩ）による波形２例と、給糸パッケージの最外層乱れ（ＰＯＹＤ）の波形５例を示す。
【図１１】図１の延伸仮撚加工機での糸の解撚張力の異常波形の例を示し、糸結合部の不良によるテールの通過（ＴＡＩＬ）による波形５例と、センサ異常などの電気的異常によるもの（ＥＬＥＣ）の波形４例を示す。
【図１２】図１の延伸仮撚加工機での糸の解撚張力の異常波形の例を示し、図９〜図１１以外の異常原因によるもの（ＯＴＨＲ）の波形６例を示す。
【図１３】図９のＰＯＹＦ０１の波形と特徴ベクトルとを示し、最上段は生の波形を、２〜７段目が、ｊ＝６〜１でのウェーブレット変換値（実線）と、不等間隔ダウンサンプリングによりサンプリングした特徴ベクトルの成分（丸印）とを示す。
【図１４】図９のＰＯＹＦ１８の波形と特徴ベクトルとを示し、最上段は生の波形を、２〜７段目が、ｊ＝６〜１でのウェーブレット変換値（実線）と、不等間隔ダウンサンプリングによりサンプリングした特徴ベクトルの成分（丸印）とを示す。
【図１５】糸張力解析装置の出力を示し、ウェーブレット変換を用いて特徴ベクトルを抽出し、ＳＯＭで異常原因を分類した際の、ＳＯＭの出力を可視化して示す。
【図１６】図１５のＳＯＭを用いた表示画面を模式的に示す図
【図１７】図１６の表示画面の変形例を示す図
【図１８】誤差逆伝搬型のニューラルネットワークを用いた実施例のブロック図
【図１９】図１７の実施例での表示画面を模式的に示す図
【符号の説明】
１ 延伸仮撚加工機
２ 給糸パッケージ（ＰＯＹ）
Ｈ１，Ｈ２ ヒータ
Ｃ１ クーリングプレート
ＦＲ１〜ＦＲ３ フィードローラ
４ ツィスター
６ 張力センサ
８ 制御部
１０ 延伸仮撚加工糸パッケージ
１２ フィラメント糸
１４，１６ ベルト
１８ 回転体
２０ 支点
２１〜２３ ローラ
２４ バネ
３０ 工場ＬＡＮ
３２ 糸張力の解析装置
３４ 特徴ベクトル抽出部
３６ ウェーブレット変換部
３８ 不等間隔ダウンサンプリング処理部
４０ 端部処理部
４２ ニューラルネットワーク
４４ 自己組織化マップ（ＳＯＭ）
４５ 検索部
４６ 学習データ入力部
４８，４９ 端末
５０ データベース
５１ ＨＴＴＰサーバ
５２ ルータ
５４ 携帯電話
５６，５８，６６ 表示画面
５７，５９，６８ マーク
６０ ニューラルネットワーク
６２，６４ ニューロン層
６５ ニューロン[0001]
Field of application of the invention
The present invention relates to an analysis of an operation state in a textile machine such as a draw false twisting machine, a spinning machine, and a winder.
[0002]
[Prior art]
[0003]
[Patent Document 1] Japanese Patent No. 2570165
[Patent Document 2] Japanese Patent Publication No. Hei 3-2998
[Patent Document 3] Japanese Patent No. 3173181
[0004]
Patent Literature 1 discloses that a yarn tension abnormality in a draw false twisting machine is monitored by being divided into two types, an instantaneous value abnormality and an average value abnormality.
Patent Literature 2 detects unevenness in yarn thickness in a spinning machine, a winder, or the like by a fast Fourier transform (FFT), and detects instantaneous and accidental unevenness in yarn thickness or a systematic method that continues for a certain period of time. Uneven thickness is determined.
Patent Document 3 discloses that the cause of a piecing error in a winder or the like is statistically estimated. For a past trouble such as a splicing error, the frequency of each cause is stored as a statistical value, and a cause such as a splicing error is estimated according to the frequency. A plurality of causes are estimated, and the estimated causes of abnormalities are listed and displayed on the master controller of the textile factory in order of accuracy.
[0005]
It is difficult to analyze the operating state of a textile machine. For example, in Patent Literature 1, when a yarn tension abnormality is monitored, it is difficult to estimate the cause only by applying past statistical values. In addition, when the thickness variation of the yarn is monitored in Patent Literature 2, it is difficult to estimate the cause from the pattern of the thickness variation.
[0006]
[Problems of the Invention]
A basic object of the present invention is to provide a novel apparatus and method for analyzing the operating state of a textile machine (claims 1 to 9).
An additional object of the present invention is to enable analysis of the state of the yarn being processed.
Another object of the present invention is to facilitate re-learning of the neural network.
An additional object of the invention according to claims 4 and 5 is to make it possible to easily and graphically display the operating state in a state corresponding to the reliability of the analysis.
An additional object of the present invention is to make it easier to monitor the operating state of the textile machine.
[0007]
Configuration of the Invention
The present invention provides a device for analyzing a signal from a sensor provided in a textile machine, wherein a multi-dimensional sensor signal from the sensor is processed by a neural network to analyze an operating state of the textile machine. An operating device for analyzing the operating state of a textile machine, characterized in that: Here, the multidimensional signal is a multidimensional signal, for example, even if one kind of sensor signal is handled as waveform data or time series data. Also, a combination of signals from a plurality of sensors results in a multidimensional signal. In this specification, a multidimensional sensor signal and data obtained by extracting features from the signal are regarded as vector data, and may be referred to as a feature vector. Also, data stored in each part of the neural network corresponding to the feature vector may be referred to as a reference vector. In the present invention, the operating state means a state of a processing target such as a yarn being processed by the textile machine or a state of the textile machine itself.
[0008]
Preferably, the textile machine is any one of a drawing false twisting machine, a spinning machine, and a winder, and the sensor signal includes at least one of a yarn tension, a yarn thickness, and a yarn temperature (Claim 2). These sensor signals are signals indicating the state of the yarn being processed, and are signals that can be easily handled as waveform data. In particular, an abnormal signal in these signals is a signal that requires difficult analysis such as estimation of an abnormal portion. In addition to these signals, the number of piecing errors in the winder, the motor load, the number of rotations of each axis of the machine, and the temperature of each part of the machine are also processed by the neural network to analyze the operating state of the textile machine Can be used.
[0009]
Preferably, a means for analyzing the operating state of a plurality of textile machines with one analyzer and storing at least a signal corresponding to an abnormal operating state among the sensor signals is provided (claim 3).
[0010]
The type of the neural network is arbitrary, but preferably includes a plurality of units arranged at least two-dimensionally, each unit having a reference value to the sensor signal and having a reference value close to the sensor signal. Is used, and a neural network is used to display the search result on the array of the units (claim 4).
Such neural networks include, for example, a self-organizing map (SOM) and a learning vector quantization (LVQ).
[0011]
The present invention also relates to a method of analyzing a signal from a sensor provided in a textile machine, wherein a multi-dimensional sensor signal from the sensor is processed by a neural network to analyze an operating state of the textile machine. A characteristic feature is a method for analyzing the operating state of a textile machine.
[0012]
Preferably, the state of the yarn in the draw false twisting machine, the spinning machine, or the winder is analyzed using at least one type of sensor signal of a yarn tension waveform, a yarn thickness waveform, and a yarn temperature waveform. 7).
[0013]
Preferably, the operating state of a plurality of textile machines is analyzed by one analyzer, and at least a signal for an abnormal operating state is stored in the sensor signal, so that the neural network can be re-learned. (Claim 8).
[0014]
Particularly preferably, the analysis device of the operating state is connected to the textile factory via a communication line, the sensor signal from the textile machine is transmitted from the textile factory to the analysis device, and the analysis result is transmitted from the analysis device to the textile factory ( Claim 9).
[0015]
Function and Effect of the Invention
According to the present invention, a multidimensional sensor signal from a textile machine is processed by a neural network to analyze the operation state. Since the analysis is left to the neural network, there is no need to develop an analysis algorithm individually. When the neural network is used, the driving state can be analyzed with, for example, the same degree as that of a skilled person, and with the accuracy of an expert or more when learning is repeated (claims 1 and 6).
[0016]
The type of textile machine is optional, but for spinning machines, winders and draw false twisting machines, yarn tension, especially tension waveform, yarn thickness, especially thickness waveform, yarn temperature, especially temperature waveform By processing such as the neural network, the state of the yarn being processed can be analyzed. In this way, it is possible to control the quality of the processed yarn and to estimate the cause of the abnormality for various abnormalities (claims 2 and 7).
[0017]
When one analyzer analyzes the operating state of a plurality of textile machines and stores and stores at least abnormal signals, the accumulated abnormal signals are used for re-learning of the neural network to improve the reliability of analysis. (Claims 3 and 8).
In particular, if the analyzer is installed outside the textile factory and the sensor signal and the analysis result are communicated via a communication line, remote centralized monitoring can be performed. Is obtained, and more data for learning the neural network can be collected. Further, the operation state of the textile machine in the factory can be monitored more easily, and the labor of the factory can be saved (claim 9).
[0018]
When a multi-dimensional array of units having reference values, such as SOM and LVQ, is used as a neural network, it is easy to graphically display a state according to the accuracy of analysis as shown in FIG. (Claims 4 and 5).
[0019]
【Example】
The analysis of the operating state of the textile machine will be described by taking as an example the detection of an abnormal tension waveform of the yarn on the untwisting side in the drawing false twisting machine. The structure of the drawing false twisting machine and the structure of the twister 4 and the tension sensor 6 for giving false twist to the yarn are shown in FIGS. FIG. 4 shows the configuration of the abnormality cause analysis apparatus, and FIGS. 5 to 8 show its operation algorithm. FIGS. 9 to 12 show abnormal waveforms of yarn tension in the draw false twisting machine, and FIGS. 13 and 14 show unequal interval downsampling in wavelet transform for feature extraction. FIG. 15 shows an example of visualizing an SOM (self-organizing map) after self-organization, and FIGS. 16 and 17 schematically show the cause of abnormality. 18 and 19 show an embodiment using an error back propagation type neural network. FIG. 18 shows its configuration, and FIG. 19 shows a display example of the cause of the abnormality.
[0020]
In the drawing false twisting machine of FIG. 1, reference numeral 2 denotes a yarn supply package for supplying a yarn to be false-twisted. The yarn 12 from the yarn supply package 2 is supplied to a first heater H1 via a first feed roller FR1. It passes and is cooled by the cooling plate C1. In addition, since the yarn supply package usually uses POY (partially drawn yarn), it may be referred to as POY, and the yarn processed by the draw false twisting machine 1 is a synthetic fiber filament yarn. Reference numeral 4 denotes a twister. As shown in FIG. 2, the yarn 12 passes between a pair of belts 14 and 16, for example, from top to bottom in the figure, and is twisted by the belts 14 and 16. Further, the yarn 12 is drawn between the first feed roller FR1 and the second feed roller FR2. The twist given by the twister 4 propagates to the first feed roller FR1, and is fixed via the heater H1 and the cooling plate C1.
[0021]
On the downstream side (untwisting side) of the twister 4, since the untwisting tension of the yarn on this downstream side is greatly related to the quality and properties of the processed yarn, a tension sensor 6 is provided, and a yarn tension signal (in this case, Inputs the yarn untwist signal) T to the control unit 8. The control unit 8 performs feedback control on the twister 4 and the like based on the tension waveform of the yarn, and controls the yarn tension at the outlet side of the twister 4 to be constant. On the downstream side of the tension sensor 6, a second feed roller FR2 is provided to untwist by the second feed roller FR2, and then a second heater H2 and a third feed roller FR3 are provided to apply a relaxation heat treatment to the yarn. As described above, the simultaneous drawing and false twisting action imparts bulkiness and elasticity to the filament yarn having a smooth surface. In this specification, the upstream / downstream is defined along the traveling direction of the yarn, the side near the yarn supply package 2 is defined as the upstream side, and the side near the final drawn false twisted yarn package 10 is defined as the downstream side. The twister is not limited to the belt type, but may be a friction disk type. In the latter case, the feedback control described above is generally omitted. The stretched false twisted yarn is wound up as a winding package 10. WD is a take-up drum, which is brought into contact with the take-up package 10 and rotated.
[0022]
FIG. 3 shows the configuration of the tension sensor. Reference numeral 18 denotes a rotating body, which rotates about a fulcrum 20, 21 to 23 rollers, and 24 a spring for pulling the rotating body 18 clockwise, for example. When the tension of the yarn is applied to the roller 22, for example, a counterclockwise moment W is applied to the rotating body 18, and the rotating body 18 rotates to a position where the moment W balances the force F from the spring 24. Therefore, if the rotation angle of the rotating body 18 and its differential value are monitored, the tension of the yarn 12 can be monitored. The yarn tension can be detected by various other sensors, and the type of the tension sensor is arbitrary.
[0023]
In the embodiment, the yarn tension is analyzed, but the thickness of the yarn and the temperature of the yarn at the heaters H1, H2, the cooling plate C1, and the like are also suitable for the analysis. For example, the temperature of the yarn may be detected as a difference signal by using an infrared thermometer or the like to detect the temperature difference from the surroundings. The thickness of the thread can be detected optically. These data are important data for quality control of the yarn.
[0024]
FIG. 4 shows a yarn tension analyzing device 32. The tension signal T from the tension sensor 6 is input to the control unit 8 of each of the draw false twisting machines. B. To control the twister 4. For example, a signal exceeding the alarm level is set as an abnormal signal from the control unit 8 of the plurality of drawing false twisting machines. For example, a buffer is provided to store a waveform, and when an abnormal signal exceeding the alarm level occurs, an abnormal signal is generated. The surrounding waveform is input to the yarn tension analyzer 32 via the factory LAN 30 or the like. At this time, the control unit 8 transmits the tension waveform of the yarn and the machine number or weight number of the drawing false twisting machine, and the machine number and the weight number are transmitted by the neural network 42 using the habit and weight of each machine. Used to perform processing taking into account each habit. The analysis device 32 includes a preceding-stage feature vector extraction unit 34 and a subsequent-stage neural network 42. The feature vector is obtained by adding a machine number and a weight number to a wavelet transform of a tension waveform.
[0025]
The wavelet transform unit 36 is a main part of the feature vector extracting unit 34, and 38 is an unequally spaced downsampling processing unit, which determines the points representing the features of the signal with respect to the wavelet-transformed signal (wavelet transform value). Sample at unequal intervals as you would sample. Wavelet transform values are thinned out by downsampling at unequal intervals, and in the neural network 42, the number of dimensions of the feature vector is reduced, thereby facilitating processing. Reference numeral 40 denotes an end processing unit which stores a wavelet transform value for a tension waveform at a discontinuous point with respect to a discontinuous point such as an operation start or an operation end of the drawing false twisting machine or a yarn breakage. Then, the end processing unit 40 searches the wavelet transform values obtained by the wavelet transform unit 36 for a signal stored therein, that is, a signal similar to the wavelet transform value for the discontinuous point, and deletes the signal from the transform value. I do.
[0026]
Although the wavelet transform is used in the time-frequency decomposition, another time-frequency decomposition such as a short-time Fourier transform or a short-time discrete cosine transform may be used instead. When these time-frequency decompositions are used, a signal in a range where the value of the window function w is not 0 is Fourier-transformed or discrete-cosine-transformed using a window function w (t). For example, in the case of the short-time Fourier transform, assuming that the window function is w (t) and the tension waveform is x (t), the short-time Fourier transform STFT (ω, d) becomes
STFT (ω, d) = ∫e−i ω tw (t−d) x (t) dt
Given by Here, the integration range is, for example, -∞ to 、, and i is an imaginary unit.
[0027]
The neural network 42 includes a self-organizing map (SOM) 44 and a learning data input unit 46 for learning the same. Reference numeral 45 denotes a search unit attached to the self-organizing map 44, which searches for a unit having a reference vector close to a later-described feature vector during actual operation. At the time of learning, the reference vector closest to the input feature vector is searched, and the value of a unit in the vicinity is updated so as to approach the input feature vector. By adding the machine number and weight number of the textile machine to the feature vector, it is possible to cope with the case where the tension waveform is different for each machine and weight. That is, the cause of the abnormality can be estimated by leaving the difference between the machine base and the weight as an uncertain factor. However, in order to avoid an increase in the size of the neural network, it is preferable not to include the machine base and the spindle number in the feature vector.
[0028]
Instead of the self-organizing map 44, a learning vector quantization LVQ or the like may be used. Both SOM and LVQ have a common point that units arranged two-dimensionally or three-dimensionally are used as maps and competitive learning is used. In SOM and LVQ, a feature vector of each unit is called a reference vector, and a feature vector input from the learning data input unit 46 or the feature vector extraction unit 34 is called an input vector. In the learning process, a unit having a reference vector closest to the input vector is searched, and in the case of unsupervised learning like SOM, the reference vectors of this unit and its surrounding units are updated so as to approach the input vector.
[0029]
In the case of supervised learning such as LVQ, each unit is pre-labeled with a cause such as an abnormal tension waveform occurrence cause (abnormal cause), and the reference vector closest to the input vector has the same label as the input vector. , Bring the reference vector closer to the input vector. If the reference vector closest to the input vector has a different label from the input vector, that is, if the cause of the abnormal waveform is different, the reference vector is updated in a direction away from the input vector. In both unsupervised learning and supervised learning, these learnings are repeated until the value of the reference vector converges.
[0030]
In the self-organizing map SOM and the learning vector quantization LVQ, when the feature vector is input from the feature vector extraction unit 34, the unit is compared with the reference vector of each unit of the map, and the unit having the closest reference vector is searched. Since each unit is labeled, that is, classified according to the cause of the abnormal tension, the cause of the abnormal tension can be displayed on the map when the unit closest to the input vector is selected. For example, to classify a two-dimensional or three-dimensional map in a meaning according to an analysis target such as a cause of occurrence of abnormal tension, and to display an input vector by superimposing the map with the classification is to visualize a processing result. . When the visualization of the processing result is displayed on the terminal 48, for example, the display shown in FIG. 15 is obtained.
[0031]
The database 50 stores a feature vector output from the feature vector extracting unit 34, and stores, as a label, a time at which the feature vector is generated, a machine number or a weight number at which an abnormal tension waveform is generated, or the like. A trained operator, service person, or the like can analyze the abnormal tension waveform in the database to determine the cause of the abnormality and collate it with the output of the neural network 42. The neural network 42 can be re-learned by supervised learning or unsupervised learning using the abnormal tension waveform of the database 50.
[0032]
The yarn tension analyzing device 32 is provided with a wavelet transform unit and a neural network, and has a problem in terms of cost to be installed in a textile machine such as an individual draw false twisting machine. -Multiple units are provided and used for centralized monitoring. However, if the cost of such a signal processing device is reduced, it may be installed in individual textile machines. Further, the analyzing device 32 may be provided for each weight of the textile machine. An HTTP server 51 transfers the display screen of FIG. 16 and the like to the mobile phone 54 of a service person or a maintenance person, and graphically displays the analysis result on the mobile phone 54.
[0033]
The analysis device 32 can also be installed in a remote place via the router 52 and a VPN (virtual private network) or a telephone line. In such a case, the analyzing device 32 processes an abnormal waveform signal of the yarn tension from a plurality of factories. The factory sends the machine number and weight number in addition to the abnormal tension waveform.The analyzer includes the factory number, machine number, and weight number in the feature vector, and It is preferable to be able to analyze including each habit. It is preferable that the analysis result is transferred to each factory, displayed on the terminal 49 of the factory, and the result of the investigation at each factory is received for learning. Then, by collating the analysis result in the analysis device 32 with the survey result in the factory, the reliability of the analysis device can be evaluated and the neural network can be re-learned. That is, the neural network can be learned again using the abnormal tension waveform of the yarn received from each factory. Here, the data used for the initial learning of the neural network may or may not be used for the re-learning. In the case of supervised learning, the cause of the abnormality found by the investigation at the factory may be used as the teacher signal for the abnormal waveform of the yarn tension. Further, the state of the neural network at the start of relearning may be appropriately initialized, but it is convenient to set the state before relearning as the initial state at the start of learning. In this way, data from a plurality of textile factories can be concentrated on the analysis device 32 at a remote location, and learning of the neural network 42 can be made easier.
[0034]
The neural network 42 may terminate learning by the time of shipment, and may not perform learning in a textile factory. In such a case, it can be said that the neural network 42 stores the reference vector for each unit obtained by the manufacturer of the tension analyzer 32 or the like and searches for the reference vector closest to the input feature vector. Even in such a neural network, the performance of the neural network can be improved by updating the stored value of the reference vector at the time of maintenance or the like.
[0035]
Further, an analysis device may be installed in each factory, and the neural network may be learned using the feature vectors stored in the database 50 or the like in each factory. In this case, supervised learning is suitable when the feature vector can be labeled by an operator analysis, actual fiber machine survey, or the like. In this specification, labeling refers to associating the event that causes the tension waveform signal with the corresponding event or associating the corresponding event with each unit of the self-organizing map. In this way, the labeling is to associate a certain event with a signal to be analyzed or each unit of the map.
[0036]
FIG. 5 shows an algorithm of the wavelet transform. As an analyzing wavelet, for example,
Ψ (t) = t · (2π)-1/2exp (-t2/ 2) (1)
Is used. An analyzing wavelet is a wavelet that can be inversely transformed, and Ψ (t) corresponds to a first derivative of a Gaussian function plus a negative sign. Using the analyzing wavelet Ψ (t) in equation (1), the input tension waveform x (t) is subjected to discrete wavelet transform according to equation (2).
Xj (b) = 2-3j / 2∫Ψ ((t−b) · 2−j) X (t) dt (2)
In equation (2), j is an integer, and the scale (a) used in the wavelet transform is 2jAnd the integration range is from -∞ to ∞. b is a time parameter. If the start time of the abnormal waveform signal is, for example, time 0, the signal near time b is subjected to wavelet transform using the first derivative of Gaussian as a window function. In this wavelet transform, the signal near time b is scaled by 2jTherefore, the converted value is added with the subscript j indicating the scale and the variable b indicating the time.
[0037]
A wavelet transform value for a discontinuous point such as an operation start point, an end point, and a yarn break point of the drawing false twisting machine is removed from a processing target in the neural network. Therefore, the wavelet transform values for these discontinuous points are stored in the end processing unit 40, and signals similar to the wavelet transform values at the discontinuous points are removed from the obtained wavelet transform values.
[0038]
Subsequently, the wavelet transform values are down-sampled at irregular intervals. The wavelet transform value xj (b) has a continuous variable b and is a highly redundant signal. Therefore, this is sampled at appropriate time intervals to reduce the degree of redundancy and facilitate processing by the neural network. Decreasing the wavelet transform value to reduce the redundancy is called downsampling. The downsampling is usually performed at regular time intervals, but it may miss features of the wavelet transform value. Therefore, down-sampling is performed at unequal time intervals so as to maintain the characteristics of the wavelet transform value.
[0039]
13 and 14 show examples of downsampling. FIG. 13 is a waveform for POYF01, and FIG. 14 is a waveform for POYF18. In these figures, the top row shows the tension waveform itself, the following 6 rows show wavelet transform values from j = 6 to j = 1, and the horizontal axis is b. Among them, j = 6 is the coarsest scale and corresponds to the lowest frequency component, and j = 1 is the finest scale and corresponds to the high frequency component. With unequal interval downsampling,
bjk = argmax | Xj (b) | (3)
Ask for. Here, the range for obtaining the maximum value of the absolute value of Xj (b) is as follows:j・ Kb0Above, 2j・ (K + 1) b0Argmax is a function that outputs the value of b corresponding to the maximum value of | Xj (b) | as bjk. K is the section number, b0Is the width of the section. The value of the wavelet transform for this bjk is defined as Xj (bjk).
[0040]
By this unequal interval downsampling, the maximum value of the absolute value of the wavelet transform value can be sampled within a predetermined section. As a result, not only can the feature vector be reduced in dimension without missing any feature points, but also a feature vector that is robust against local expansion and contraction of the waveform can be extracted. The obtained wavelet transform value is output to a neural network. Instead of the maximum absolute value of the wavelet transform value, a maximum value, a minimum value, an inflection point, or the like of the wavelet transform value may be sampled.
[0041]
FIG. 6 shows a learning algorithm of the self-organizing map SOM. First, the reference vector of each unit of the SOM is initialized to an appropriate value, and the unit of the reference vector most similar to the input vector for learning is obtained. The obtained reference vector of the unit and the reference vectors of the neighboring units are corrected so as to approach the input vector. The above processing is repeated for all the input vectors, and the correction amount of the reference vector in one learning is gradually reduced to converge the reference vector. Thus, the learning is completed, and thereafter, the reference vector of each unit is fixed. This learning may be performed by the manufacturer of the yarn tension analyzing device or by each fiber factory.
[0042]
FIG. 7 shows a feature vector classification algorithm based on SOM. A unit having a reference vector closest to the feature vector (input vector) obtained by the wavelet transform unit is obtained, a mark is placed near the unit, and the map is displayed as, for example, a two-dimensional figure. In this display, the map is displayed as an array of multi-dimensional units such as two-dimensional or three-dimensional, the labels attached to the units are displayed by color coding or label names, and the unit closest to the input vector is marked. To display. In the case of two-dimensional display, displaying the unit as a hexagon facilitates the display.
[0043]
FIG. 8 shows a learning algorithm when the learning vector quantization LVQ is used instead of the SOM. In the LVQ, similarly to the SOM, a map in which a plurality of units are arranged two-dimensionally or three-dimensionally is used, and the map is divided and labeled according to a cause of an abnormal tension waveform. Then, each unit is initialized.
[0044]
Next, a unit having a reference vector closest to the classified input vector, that is, the input vector labeled for the cause of the abnormal tension waveform is searched. If the classification of the searched unit is correct, the vector of this unit is brought closer to the input vector, and if the classification is incorrect, the vector of the unit is updated so as to be farther from the input vector. By repeating this learning, the degree of updating the reference vector in one learning is gradually reduced. Learning is repeated for each input vector until the unit having the correct label has the closest vector. As a result, the unit with the correct label responds to the teacher signal.
[0045]
9 to 12 show abnormal tension waveforms actually generated by the draw false twisting machine. Note that this labeling is determined by a skilled operator and is not always accurate. Further, the reason why the tension sharply drops to 0 on the right side of POYF01 or the like is that thread breakage has occurred. In order to prevent the neural network from processing such a thread break itself as a main feature, the end processing unit stores the wavelet transform values for discontinuous points such as thread breaks, and removes similar wavelet transform values. It is.
[0046]
Referring to FIG. 9 to FIG. 12, the points for classifying the abnormal tension waveform according to the cause of its occurrence are difficult to understand at first glance. For example, POYF16 in FIG. 9 and TAIL08 in FIG. 11 look similar signals to an unskilled person. Also, the POYF12 looks more like a signal similar to the TAIL10 and TAIL22 in FIG. 11, rather than a signal similar to the POYF11. Thus, it is difficult to analyze the abnormal tension waveform from the tension waveform itself.
[0047]
On the other hand, when the wavelet transform is performed, wavelet transform values such as those shown in FIGS. When the obtained wavelet transform value is processed by the self-organizing map, the result shown in FIG. 15 is obtained. In FIG. 15, a unit having a reference vector closest to the input tension waveform is labeled. Each unit is displayed in a hexagon, and meaningful units are arranged every other unit. The color of each unit (gray level) represents the average distance of the reference vector between the six adjacent units, and the hexagonal color between units (gray level) is the difference between these two units. It represents the distance of the reference vector. The definition of the distance here is the Euclidean distance, but other distances may be used. The dark hexagonal connections represent the walls between clusters of units. In addition, a continuous area in a light color represents one cluster.
[0048]
In FIG. 15, the area corresponding to TAIL is near the lower right corner of the map, and the area corresponding to ELEC is near the lower left. A cluster corresponding to POYF is seen from the slightly lower right of FIG. 15 to the center and slightly left, and a cluster corresponding to POYD is seen from the upper right to the center right end of the upper part of FIG. On the left side of the cluster corresponding to POYD, there is a cluster corresponding to OTHR. In this way, in FIG. 15, despite the unsupervised learning, the abnormal tension waveform could be clustered similarly to the analysis of the expert.
[0049]
FIG. 16 shows a display screen 56 of the cause of the abnormal tension. In this figure, a mark 57 corresponding to the cause of the abnormality is provided in a part of the area shown in FIG. In a processing concept, it can be said that a unit having a reference vector closest to a feature vector obtained by performing a wavelet transform on an abnormal tension waveform is marked. The hatching and the like shown in FIG. 16 indicate the distance between the units (the distance in the vector space including the reference vector and the feature vector), and the hatching with a higher density has a larger distance than the hatching with a lower density, and the dotted hatching It is assumed that the distance is smaller than the distance.
[0050]
This display has the following features.
{Circle around (1)} A relative position with respect to surrounding labels (here, POYF, TAIL, POYD) is graphically displayed.
{Circle around (2)} In this case, it is understood that POYF is the first candidate for the cause of the abnormality, POYD is the second candidate, and TAIL is the third candidate, and the accuracy of the cause of the abnormality is qualitatively apparent at a glance.
{Circle around (3)} Only one label is not definitely marked unless the feature vector for the cause of abnormality has an error equal to or less than the quantization gap between the reference vector of the labeled unit. Therefore, a display exceeding the analysis accuracy is not caused and the maintenance is not confused.
[0051]
In FIG. 16, the self-organized map is displayed as it is, and the mark 57 is added thereto, but a mark spread over a plurality of units may be displayed on the map. FIG. 17 shows such an example, in which 58 is a display screen and 59 is a mark. On the display screen 58, the display of the distance between the units on the map is omitted. Instead, the strongest display is performed on the unit closest to the feature vector of the cause of the abnormality. This is the unit with the highest hatching density in FIG. Next, the distance between the reference vector of this unit or the feature vector of the cause of the abnormality and the reference vector of each unit is displayed by hatching or the like. Then, the mark 59 is spread over a plurality of units in principle, and the hatching of the mark 59 indicates the distance from the unit closest to the cause of the abnormality to each label or cluster.
[0052]
Wavelet transform was used to extract the feature vector because the abnormal tension waveform of the yarn was an isolated and unsteady pulse. Instead of time-frequency decomposition such as wavelet transform, statistics such as the average value, variance, distortion, and fourth-order or higher moment of an abnormal waveform pulse may be used as the feature vector. In addition, when it is desired to classify and process the variation in the thickness of the yarn into a short-period type, a long-period type, and a type that does not repeat only one pulse, a short- and long-period repetition type yarn is obtained by fast Fourier transform. May be processed, and an abnormal waveform of only one pulse may be subjected to a Fourier transform by MEM (Maximum Entropy Method) or the like. The processing target in this case is a waveform of the thickness of the yarn. In order to manage the heaters H1 and H2 and the cooling plate C1, the temperature waveform of the yarn may be monitored. In addition, time series data may be processed instead of waveforms.In addition to one type of data such as tension, a plurality of data such as tension, thickness, yarn temperature, yarn splicing error, motor load, and other mechanical data may be used. The type of data may be analyzed.
[0053]
The neural network is not limited to one using an array of units, such as SOM or LVQ, but may be one in which neuron layers are arranged in one or more layers. Such an example is shown in FIGS. In the supervised learning, a neural network 60 of a type in which the difference between the teacher input and the output of the neural network is used as an error and the error is back-propagated to the input neuron side. The neuron layer is, for example, two layers of an input neuron layer 62 and an output neuron layer 64. The neuron 65 indicated by a circle inputs linear data obtained by adding positive and negative weights to input data, and inputs and outputs the sigmoid function. The sigmoid function is, for example,
σ = (1 + exp (−x))-1
Given by In a normal backpropagation type neural network, the neuron 65 of the output layer takes a value of 0 or 1 in the range of the input range, and narrows the range of taking an intermediate value. This is to make the neural network output as deterministic as possible. On the other hand, in the neural network 60 of FIG. 18, as shown by a sigmoid function shown by a solid line at the bottom of the figure, the 0 and 1 of the The output range of intermediate values is widened so that the display beyond the analysis capability is not performed.
[0054]
The result is shown on a display screen 66 similar to that of FIG. 16, where the mark 68 is located between the three labels, and from that position, the first candidate for the cause of abnormality is POYF, the second candidate for POYD, and the third candidate for TAIL. Is displayed graphically.
[Brief description of the drawings]
FIG. 1 is a block diagram of a drawing false twisting machine used as a yarn tension analysis object in an embodiment.
FIG. 2 is a schematic view of a twister used in the drawing false twisting machine of FIG.
FIG. 3 is a schematic view of a tension sensor used in the stretch false twisting machine of FIG. 1;
FIG. 4 is a block diagram of a yarn tension analyzer according to the embodiment.
FIG. 5 is a flowchart showing a wavelet transform algorithm in the embodiment.
FIG. 6 is a flowchart showing a learning algorithm of a self-organizing map (SOM) in the embodiment.
FIG. 7 is a flowchart illustrating an algorithm for classifying an abnormal waveform of thread tension based on SOM in the embodiment.
FIG. 8 is a flowchart illustrating a learning algorithm of learning vector quantization (LVQ) in the embodiment.
9 shows an example of an abnormal waveform of the untwisting tension of the yarn in the draw false twisting machine of FIG. 1, and shows seven examples of waveforms due to a poorly opened yarn (POYF) of the yarn supply package (POY).
10 shows an example of an abnormal waveform of untwisting tension of the yarn in the drawing false twisting machine of FIG. 5 shows five examples of outermost layer disturbance (POYD) waveforms.
11 shows an example of an abnormal waveform of the untwisting tension of the yarn in the draw false twisting machine of FIG. 1; FIG. 11 shows five examples of a waveform due to the passage of a tail (TAIL) due to a defective yarn joining portion; 4 shows four examples of a waveform caused by a mechanical abnormality (ELEC).
12 shows an example of an abnormal waveform of the untwisting tension of the yarn in the drawing false twisting machine of FIG. 1, and shows six examples of waveforms (OTHR) due to abnormal causes other than those in FIGS. 9 to 11. FIG.
13 shows a waveform of POYF01 and a feature vector in FIG. 9; the top row shows a raw waveform; the second to seventh rows show wavelet transform values (solid lines) at j = 6-1; 4 shows a feature vector component (circle) sampled by downsampling.
14 shows a waveform of POYF 18 and a feature vector in FIG. 9, wherein the top row represents a raw waveform, the second to seventh rows represent wavelet transform values (solid lines) at j = 6-1, and irregular intervals. 4 shows a feature vector component (circle) sampled by downsampling.
FIG. 15 shows the output of the yarn tension analyzing apparatus, in which a feature vector is extracted by using a wavelet transform, and the output of the SOM when the cause of the abnormality is classified by the SOM is visualized.
16 is a diagram schematically showing a display screen using the SOM in FIG.
FIG. 17 is a diagram showing a modification of the display screen of FIG. 16;
FIG. 18 is a block diagram of an embodiment using a back propagation type neural network.
FIG. 19 is a diagram schematically showing a display screen in the embodiment of FIG. 17;
[Explanation of symbols]
1 Stretching false twisting machine
2 Yarn supply package (POY)
H1, H2 heater
C1 cooling plate
FR1-FR3 Feed roller
4 Twister
6 Tension sensor
8 Control part
10 Stretched false twisted yarn package
12 filament yarn
14,16 belt
18 Rotating body
20 fulcrum
21-23 rollers
24 spring
30 Factory LAN
32 Yarn tension analyzer
34 Feature Vector Extraction Unit
36 Wavelet transform unit
38 Unequally spaced downsampling processor
40 Edge processing unit
42 Neural Network
44 Self-Organizing Map (SOM)
45 Search section
46 Learning data input section
48, 49 terminals
50 databases
51 HTTP server
52 router
54 mobile phone
56, 58, 66 display screen
57, 59, 68 mark
60 Neural Network
62,64 neuron layer
65 neurons
