WO1993010296A1 - Dispositif de commande dans un metier a tisser - Google Patents

Dispositif de commande dans un metier a tisser Download PDF

Info

Publication number
WO1993010296A1
WO1993010296A1 PCT/JP1992/001515 JP9201515W WO9310296A1 WO 1993010296 A1 WO1993010296 A1 WO 1993010296A1 JP 9201515 W JP9201515 W JP 9201515W WO 9310296 A1 WO9310296 A1 WO 9310296A1
Authority
WO
WIPO (PCT)
Prior art keywords
weft
loom
control device
weft insertion
weaving
Prior art date
Application number
PCT/JP1992/001515
Other languages
English (en)
French (fr)
Inventor
Mitsuhiro Ara
Shuichiro Imamura
Original Assignee
Nissan Motor Co., Ltd.
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from JP30771491A external-priority patent/JPH05140844A/ja
Priority claimed from JP34090891A external-priority patent/JPH05171542A/ja
Priority claimed from JP34090991A external-priority patent/JP3186149B2/ja
Priority claimed from JP26523792A external-priority patent/JPH06116836A/ja
Application filed by Nissan Motor Co., Ltd. filed Critical Nissan Motor Co., Ltd.
Priority to EP92923987A priority Critical patent/EP0573656B1/en
Priority to KR1019930702162A priority patent/KR930703494A/ko
Publication of WO1993010296A1 publication Critical patent/WO1993010296A1/ja

Links

Classifications

    • D—TEXTILES; PAPER
    • D03—WEAVING
    • D03D—WOVEN FABRICS; METHODS OF WEAVING; LOOMS
    • D03D47/00—Looms in which bulk supply of weft does not pass through shed, e.g. shuttleless looms, gripper shuttle looms, dummy shuttle looms
    • D03D47/28—Looms in which bulk supply of weft does not pass through shed, e.g. shuttleless looms, gripper shuttle looms, dummy shuttle looms wherein the weft itself is projected into the shed
    • D03D47/30—Looms in which bulk supply of weft does not pass through shed, e.g. shuttleless looms, gripper shuttle looms, dummy shuttle looms wherein the weft itself is projected into the shed by gas jet
    • D03D47/3026—Air supply systems
    • D—TEXTILES; PAPER
    • D03—WEAVING
    • D03D—WOVEN FABRICS; METHODS OF WEAVING; LOOMS
    • D03D47/00—Looms in which bulk supply of weft does not pass through shed, e.g. shuttleless looms, gripper shuttle looms, dummy shuttle looms
    • D03D47/28—Looms in which bulk supply of weft does not pass through shed, e.g. shuttleless looms, gripper shuttle looms, dummy shuttle looms wherein the weft itself is projected into the shed
    • D03D47/30—Looms in which bulk supply of weft does not pass through shed, e.g. shuttleless looms, gripper shuttle looms, dummy shuttle looms wherein the weft itself is projected into the shed by gas jet
    • D03D47/3026—Air supply systems
    • D03D47/3033—Controlling the air supply
    • D—TEXTILES; PAPER
    • D03—WEAVING
    • D03D—WOVEN FABRICS; METHODS OF WEAVING; LOOMS
    • D03D51/00—Driving, starting, or stopping arrangements; Automatic stop motions
    • D03D51/007—Loom optimisation
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only

Definitions

  • the present invention relates to a control device for weft insertion and the like of a loom, and particularly to a control device for a loom using a neural network.
  • the purpose of this is to eliminate the need for complicated adjustments by skilled workers, and to use multiple fluid injections stored based on input data of weaving conditions (weft type, weaving width, loom rotation speed, etc.).
  • Set an appropriate fluid ejection pattern based on the pattern (fluid ejection amount of weft insertion nozzle, fluid velocity, etc.).
  • the set fluid ejection pattern is modified from the arrival time of the weft on the reverse weft insertion side after the turn operation.
  • this device uses a table lookup method in which a plurality of fluid ejection patterns are fixed in advance, it is necessary to set an enormous amount of data for accurate weft insertion. Also have limitations. For this reason, there is a possibility that the weft insertion may not be performed accurately because the pattern other than the stored pattern is not set.
  • the setting data is corrected from the arrival time of the weft to the non-weft insertion side.
  • the optimum weft arrival time may differ depending on the conditions of the force yarn type, etc. The fact is that the details of weft insertion adjustments that have been made by the elderly have not been reached.
  • the above can be said not only for weft insertion control but also for loom control in general.
  • the present invention has been made in view of the above circumstances, and has as its object to recognize a state of a weft more finely so that a warning or control can be performed correctly. It is another object of the present invention to provide a warning or control by further estimating a possible weft insertion for each factor from the current state of the weft. Disclosure of the invention
  • the difficult control device includes a neural network control unit that inputs a plurality of parameters indicating the weaving state of the fiber and outputs a calculation result based on the sum of the product of the input value and the weight. is there.
  • the first male example of the present invention is a means for numerically inputting a plurality of parameters representing the weaving state of fiber (including the separation and weft • state), and a neural network, Means for calculating the risk of occurrence of a combination based on the sum of the product of the input value and the weight of each parameter for each of the predetermined weaving factors.
  • a prediction device Provides a prediction device.
  • the weaving state prediction device is used, and the weaving state of the loom is changed and controlled based on the calculated value of the risk of occurrence of the state.
  • the present invention provides a control device including a control means.
  • the current weaving state is automatically determined by classifying the weaving state of the loom by reversing the neural network and learning the correspondence between this classification pattern and the factor of weaving failure. As well as predicting possible joint factors from the current weaving conditions.
  • the second embodiment of the present invention is a means for obtaining a weft image by imaging a weft during weft insertion, and extracting a plurality of data from the weft image to obtain a neural network.
  • the image of the weft during weft insertion is obtained to obtain a weft image, and the state of the weft is determined by determining the weft insertion state from the ⁇ state or behavior of the weft based on the weft image. Recognize images more accurately by recognizing them, and perform warning or control (change in weft insertion conditions) based on this.
  • a neural network is used to determine By using this, we classify the ⁇ state of the weft based on the weft image, and learn the correspondence between this classification pattern and the weft insertion factor. Calculate the danger of the occurrence of each type of occurrence, predict the future possible weft insertion by each factor, and perform warning or control (change of the weft insertion condition) based on this prediction.
  • the third embodiment of the present invention comprises a means for numerically inputting a plurality of parameters representing the weaving conditions of the loom, and a means for inputting the parameters of the loom determined in advance by the neural network.
  • a control device for a loom comprising:
  • the weaving conditions of the loom are classified using a neural network, and the optimal control amount is calculated from the current weaving conditions by learning the correspondence (law) with the optimum control amount.
  • the setting is not calculated by searching from a pattern stored in advance but is set by calculation, any fine weaving condition can be set as finely as an adjustment by a skilled person.
  • a weft is drawn from a weft length measuring and storing device to a weft insertion nozzle, a fluid is jetted from the weft insertion nozzle according to a preset weft insertion condition, and the weft is formed by the jet fluid.
  • the weft is inserted into the opening, and the inserted weft is inserted into the warp by the lashing motion of the Prov and the opening motion of the warp.
  • the detecting means detects the behavior of the weft from when the weft reaches the non-weft inserting side to when it is woven into the warp, and the determining means outputs the output signal from the detecting means.
  • This waveform data is compared with a preset normal waveform data, and the presence or absence of a fabric defect is determined based on the comparison result.
  • FIG. 1 is a functional block diagram showing the configuration of the first embodiment of the present invention.
  • FIG. 2 is a system diagram of a weft insertion control device showing a first example of the present invention.
  • FIG. 3 is a diagram showing a ⁇ measurement neural network.
  • Figure 4 is a flowchart showing the learning procedure.
  • FIG. 5 is a flowchart when used as a warning device.
  • FIG. 6 is a flowchart when used as a safe control device.
  • FIG. 7 is a functional block diagram showing the configuration of the second example of the present invention.
  • FIG. 8 is a system diagram of a weft insertion device showing a second embodiment of the present invention.
  • FIG. 9 is a diagram showing an image processing method of a weft image.
  • FIG. 10 is a diagram showing the ⁇ i J neural network.
  • FIG. 11 is a diagram illustrating the relationship between the ⁇ state of the weft and the weft insertion.
  • FIG. 12 is a flowchart showing the learning procedure.
  • FIG. 13 is a flowchart when used as a warning device.
  • FIG. 14 is a flowchart in the case of using as a weft insertion control device.
  • FIG. 15 is a functional block diagram showing the configuration of a third example of the present invention.
  • FIG. 16 is a system diagram of a weft insertion control device showing a third embodiment of the present invention.
  • FIG. 17 is a diagram showing the control amount calculation dual-network.
  • Figure 18 is a flowchart showing the learning procedure.
  • FIG. 19 is a configuration diagram showing a fourth example.
  • FIG. 20 is a model diagram showing a fourth example neural network.
  • FIG. 21 shows the detected waveform data.
  • FIG. 21 (A) is a waveform diagram at the time of normal operation
  • FIG. 21 (B) is a waveform diagram at the time of kinky occurrence. The condition to do the investigation
  • the main nozzle 1 is for wefting the weft yarn Y by air injection, and includes a pressure supply source (not shown), an electro-pneumatic proportional valve 2, a surge tank 3, and an electromagnetic switching valve 4.
  • the air is supplied via. Therefore, the injection pressure of the main nozzle 1 (pressure of the air supplied to the main nozzle 1) can be controlled by the 3 ⁇ 4 ⁇ control of the electropneumatic proportional valve 2, and the injection start timing and the injection end timing of the main nozzle 1 are controlled by electromagnetic switching. Controlled by valve 4 for $ ij.
  • the weft Y is drawn out from a yarn supplying body (not shown), and is guided to the main nozzle 1 through a weft length measuring and storing device 5.
  • the weft length measuring and storing device 5 includes a drum ⁇ ⁇ ⁇ which is rotatably supported at the tip of a hollow rotary wheel 6 driven to rotate by a motor (not shown) and is stationary, and a hollow rotary wheel 6.
  • the arm has a winding arm 8 that projects diagonally forward from the arm, and a winding arm 8 that communicates with it, and a solenoid-driven measuring claw 9 that enters and exits a hole provided on the peripheral surface of the drum 7. While the weft Y is locked by 9, the weft Y is wound around the drum 7 by rotation of the winding arm 8 and measured and stored. Then, at a predetermined nail removal time (weft insertion start time), the length measuring claw 9 is retreated, and the weft Y on the drum 7 is drawn out by the air injection of the main nozzle 1 and inserted into the weft.
  • the weft yarn Y injected from the main nozzle 1 flies through a weft guide passage (not shown) formed by a row of concave portions formed in the prawns of the prawn 10, where the auxiliary nozzles 11 are arranged at predetermined intervals. It is blown into a relay type and inserted.
  • Auxiliary nozzles 11 are grouped into groups of several (three in the figure), and from a surge tank 13 connected to a pressurized air supply source via an electropneumatic proportional valve 12, through each solenoid on-off valve 14. And each is supplied with air. Therefore, the injection pressure of the auxiliary nozzle 11 (pressure of air supplied to the auxiliary nozzle 11) can be controlled by controlling the voltage to the electropneumatic proportional valve 12, and the injection start timing and the injection end of the auxiliary nozzle 11 The timing is controlled by each solenoid on-off valve 14.
  • a signal from the loom angle sensor 16 and a signal from the weft unwinding sensor 17 are input to the weft insertion controller 15 incorporated in the microcomputer as control inputs.
  • the angle sensor 16 outputs a signal corresponding to the rotation angle of the loom main shaft (hereinafter referred to as the loom main shaft angle).
  • the weft unwinding sensor 1 # detects the passage of the weft Y unwound around the drum 7 during weft insertion near the drum 7. Note that the weft unwinding signal due to the weft of the weft Y is obtained every time one winding is unwound, so if one pick has n windings, it will be obtained n times until the weft insertion ends.
  • weft insertion controller 15 receives signals from the weft arrival sensor 18 and the weft tension sensor 19, respectively, in order to predict a weft insertion failure described later. You.
  • the weft arrival sensor 18 detects the arrival of the weft Y inserted into the weft at the opposite side of the weft guide passage.
  • the weft tension sensor 19 detects the tension of the weft Y between the drum 7 and the main nozzle 1.
  • a man-machine interface 20 is connected to the weft insertion controller 15, and in order to predict the weft insertion, weaving width, fabric structure, weft type, weft thickness, warp tension. It is possible for humans to input such information.
  • the weft insertion controller 1 performs a predetermined calculation process, the on-chip micro-computer, set injection pressure [rho Micromax, the leakage Nozunore 1 1 injection pressure P s in the main Nozunore 1, electrostatic ⁇ t Example
  • the injection pressure of the main nozzle 14 is controlled via the valve 2 and the injection pressure of the auxiliary nozzle 14 is controlled via the electropneumatic proportional valve 12.
  • the injection start time T M0 and injection end time T MC of the main nozzle 1, the nail removal time T co of the measuring claw 9, the injection start time T so of each group of the assisting nozzle 11 and the injection end time The period Tsc is determined, and these opening / closing timing data are set in the solenoid controller 21.
  • the solenoid controller 21 controls the injection timing of the main nozzle 1 via the solenoid on-off valve 4 while monitoring the weaving shaft angle based on the signal of the angle sensor 16, and also controls the solenoid
  • the height of the length measuring claw 9 is controlled, and the injection timing of the trapping nozzle 11 is controlled via an electromagnetic on-off valve 14.
  • the electromagnetic on-off valve 4 is turned on (open) to start air injection from the main knurling 1.
  • the solenoid is turned ON and the length measuring claw 9 is pulled out, thereby starting the weft insertion.
  • the entry timing of the measuring claw 9 is controlled by monitoring the weft unwinding signal from the weft unwinding sensor 17 and when the n-th unwinding signal from the weft unwinding sensor 17 is received. Then, turn off the solenoid and push the measuring claw 9 in. As a result, when the weft is inserted by n turns, the weft is caught by the length measuring claw 9, and the weft insertion is completed.
  • a warning device 22 such as a CRT display or a multicolor display warning light is connected to the weft insertion controller 15 in order to give a warning based on a prediction result of a weft insertion error described later.
  • This is composed of a microcomputer in the weft insertion controller 15, and numerically inputs a plurality of parameters representing the weaving state of the loom. Based on the sum of the product of the input value of each parameter and the weight (coupling coefficient), the risk of failure occurrence is calculated and output.
  • the factors of the degree of weft insertion are six (good (no match)), out of injection, poor opening, root break, tangle tip, and kinky, and each degree of danger is calculated.
  • Fig. 3 shows the combined prediction neural network, which employs a hierarchical network consisting of three layers: an input layer, a middle layer, and an output layer.
  • the input layer has 15 units ( ⁇ ⁇ ⁇ 15), weave width W c , cloth texture ⁇ symmetry, P S1 , cloth texture * asymmetric P S2 , weft type 'span K Y1 , weft type ⁇ filament ⁇ ⁇ 2 , weft thread thickness S Y , warp tension TW, claw release time TCO, warp retreat time TO, warp entry time T weft arrival time T F1 , 1 winding unwinding time T Y1 , 2 winding unwinding time ⁇ ⁇ 2 , 3
  • the winding unwinding time ⁇ ⁇ 3 (, ⁇ ⁇ ⁇ , ⁇ winding unwinding time ⁇ ⁇ ) and the weft ⁇ tension T WF are quantified and input.
  • weaving width W c is entered, for example, by humans Mi Increment one Torr units.
  • the weft thickness S Y is input by a human, for example, in units of denier, but a sensor of the yarn feeding section may be used. Although the warp tension Tw is input by a human, a sensor at the backrest roller may be used. Enter the current set value for the nail removal time Tco. Warp: E3 ⁇ 4
  • the time To and the warp entry time indicate the time when the weft guide path formed at the point is iSi from the yarn opening and the time when it enters the opening, and from both, we know the possible weft insertion period depending on the opening characteristics. It can be detected by a sensor provided on the side of the weft guide passage.
  • the weft arrival time T F1 is detected and input based on a signal from the weft arrival sensor 18. 1 roll unwinding time ⁇ ⁇ 1 ,
  • the 2nd winding unwinding time ⁇ ⁇ 2 and the 3rd unwinding time ⁇ ⁇ 3 are detected and input based on the signal from the weft unwinding sensor 17.
  • the weft string tension T WF is input from the weft tension sensor 19.
  • the I 15 T WF.
  • each unit of the intermediate layer the sum of the product of each input and the weight is calculated, an offset is added thereto, and a response function process is performed from this value using a sigmoid function.
  • the sigmoid function is a monotonically non-decreasing function when the output is in the range of 0 to 1, and reflects the nature of the saturated response of the actual nerve cell.
  • the six units (O! Os) in the output layer send signals from all units in the hidden layer to each unit! ! ! ⁇ ⁇ is input.
  • each unit of the output layer the sum of the product of each input and the weight is calculated as described above. Calculate, add an offset to this, perform response function processing from this value using a sigmoid function, and output value 0! Seek ⁇ 0 6.
  • O! Os is a numerical value of each danger level for each weft insertion failure factor.
  • 0 2 is the risk of injection failure
  • 0 3 is the risk of poor opening
  • 0 4 is the risk of root break
  • 0 5 is the risk of entanglement
  • 0 6 is the risk of kinky is there.
  • This learning procedure will be described with reference to the flowchart of FIG. This example is backpropagation learning using the steepest descent method.
  • step 1 (indicated as S1 in the figure, the same applies hereinafter), weights (hereinafter referred to as coupling coefficients) V kj , and offsets k and Si are initialized. This may be given by a random number.
  • learning patterns Ii (Ii to Ii5) are set. That is, set to a specific operation state corresponding to one of the following: good, out-of-injection, poor opening, out-of-root, entangled, or kinky.
  • Step 3 Hiunit output calculation is performed according to the following equation.
  • step 4 it performed according to the following equation output calculation of O k Yunitto.
  • step 5 the Ok unit error (5 k is calculated according to the following equation.
  • T fc is a teacher signal corresponding to the set learning pattern.
  • Step 6 the error unit of Hiunit is calculated according to the following equation.
  • Step 7 the coupling coefficient V kj of the BE, -unit and Ok unit is corrected according to the following equation.
  • V k i V KI + a - (JK - Hi ( however, "is a constant)
  • step 8 carried out according to the following equation to correct the offset ⁇ k of O fc Yunitto.
  • step 9 the coupling coefficient Wii between the I unit and the Hi unit is corrected according to the following equation.
  • step 10 the offset of Hiunit is corrected according to the following equation.
  • step 11 the learning pattern ( ⁇ e) is updated.
  • step 12 it is determined whether or not all the learning patterns (that is, at least six learning patterns corresponding to good, out-of-injection, poor opening, out-of-root, entangled, and kinky) have been completed. If NO, go back to step 2; if YES, go to step 13
  • step 13 the number of learning iterations is updated (counted up).
  • step 14 it is determined whether or not the number of repetitions ⁇ the limit number. If NO, the process returns to step 2, and if YES, the learning ends.
  • the backpropagation learning method (particularly, the method of correcting the coupling coefficient) will be described in further detail.
  • the output Ok of the output layer unit k (the k-th unit) is given by the following equation (1).
  • a sigmoid function whose output is monotonically non-decreasing within the range of 0 to 1 is used.
  • This function has the characteristic that it can be expressed by the sigmoid function of its differential force, as shown below.
  • Coupling coefficient V k, update value delta V k j of-to reduce the square error E p is the steepest descent method Is obtained from the following equation (8).
  • Equation (8) means that the coupling coefficient is corrected in the negative direction where the error function when the pattern P is input decreases.
  • equation (8) becomes as follows.
  • V k )- V ki + mu V ki
  • equation (1 3) becomes as follows.
  • the learning form As the learning form, as described above, besides the form in which the loom is set to the operating state corresponding to the weft insertion failure factor and learning is performed, the loom is appropriately operated during learning, and In addition, a human inputting a joint factor (cutting of injection, etc.) with an operation button or the like gives a teacher signal, and the correspondence between the weft flight form and the weft insertion failure factor in the loom operating state at that time. It is also possible to adopt a form of learning. Next, a warning device and a control device for a loom using the above ⁇ : combination prediction device will be described.
  • FIG. 5 is a flowchart showing a processing procedure when the apparatus is used as a warning device.
  • step 21 the largest one of the neural network outputs O k (O jO e) is detected and set to 0 MAX .
  • step 22 it is determined whether or not 0 ⁇ ⁇ 0. In the case of YES, it is determined that the condition is good and the process returns to step 21 . If no, go to step 23.
  • the person knows the ft combination factor predicted by the screen display or the warning light, and appropriately changes the weaving conditions based on this.
  • FIG. 6 is a flowchart illustrating a processing procedure when the control device is used as a control device.
  • step 41 the output of the neural network is 0! From the 0 6 detects the maximum one, which is referred to as 0 MAX.
  • step 42 it is determined whether or not OMAX-O, and in the case of YES, it is determined to be good and the process returns to step 41. If no, go to step 43.
  • Step 5 1 is high Kinky risk, This includes a due to root out tendency is Noto also due to the previously entangled tendency since, determines here, either closer or, by comparing the crisis ⁇ 0 5 root breakage risk ⁇ 4 and previously entangled.
  • step 52 delay 2 ° the capturing assistant nozzle 1 1 injection end timing T sc with advancing 2 ° injection end timing T MC of the main nozzle 1. Also, previously tangled when risk ⁇ towards force 5 "high, control proceeds to step 53, the main injection pressure P M 5% increase nozzle 1 (X 1. 05) causes the injection of auxiliary nozzles 1 1 Increase the pressure Ps by 5% (X 1.05).
  • control and the control amount may be calculated by fuzzy inference.
  • the neural network can be ⁇ ffl to predict a possible weaving factor from the current weaving state. Therefore, warning or avoidance control can be performed based on this prediction, and in particular, by changing and controlling the weaving state of the loom according to the degree of danger for each weaving defect factor, it is possible to revert the image. .
  • the weft insertion controller 15 includes a CCD camera 49 using a CCD as a solid-state image sensor to determine the weft insertion it> state to be described later (predicting the weft insertion). 0 entered
  • the CCD camera 49 is used to image the form of the weft as a weft imaging means.
  • 10a is a weaving guide passage formed on the wing and 10b is formed on the wing.
  • a force using a light source for illumination, a reflector, and the like for imaging is not shown.
  • the weft insertion controller 15 monitors the weft arrival sensor 18 force and the Nora Takakura signal, and when the weft arrival signal force ⁇ cannot be obtained from the weft arrival sensor 18 in the predetermined «spindle angle range, the weft insertion controller 15 The machine is cut half U and then the loom is stopped via the ⁇ stop circuit (not shown).
  • the weft insertion controller 15 is provided with a CRT (or liquid crystal) display or a multicolor display warning light to warn based on the result of the determination of the weft insertion condition (predicted weft insertion) described later.
  • Display device 22 is connected. 'Next, the means for determining the weft insertion state (prediction of the insertion of weft) according to the present invention will be described.
  • It consists of a microcomputer inside the weft insertion controller 15 A plurality of data are extracted from the weft image related to the ⁇ state of the weft by the CCD camera 49 and input to the neural network, and the neural network pre-determines each data for each weft insertion factor. Based on the sum of the products of the input values and the weights (coupling coefficients), the risk of occurrence of the combination is calculated and output.
  • the factors of weft insertion are listed as six factors: good (no match), out-of-injection, poor opening, broken root, entangled tip, and kinky, and each danger level is calculated.
  • the CCD camera 49 is used as the weft image pickup means, and the form of the weft yarn, in particular, the tip force of the weft ⁇ at the time when the weft reaches the sensor 18 (specifically, from the weft to sensor 18 to the weft An image of the yarn posture near the leading end of the weft at the time when the maximum signal power is obtained or at the maximum yarn angle of the weft (expected predetermined loom spindle angle) is obtained, a weft image is obtained, and this image processing is performed. Input to the neural network.
  • the input data to be given to the neural network is a 35 x 29 pixel weft image of binary information read from the CCD, and a 5 x 5 Gaussian mask filter (mask pattern). This is 99-dimensional data resampled.
  • the multi-valued information of 11 ⁇ 9 pixels indicates a density feature, and outputs a density value obtained by the following method.
  • Fig. 9 (A) When the number of pixels of the CCD 35 X 29 is replaced by two-dimensional coordinates as shown in Fig. 9 (A), the pixel data on the two-dimensional coordinates is represented by ⁇ (, y). 1 ⁇ 9 sample points are equally spaced ( ⁇ in Fig. 9 (A)).
  • the center point of the two-dimensional (5 x 5) mask pattern (the point in Fig. 9 (B) where the value is 110) is set as the sampling point, and the value of the mask pattern position where the pixel data is "1" To When added, that value becomes the ' ⁇ ⁇ value at that sample point.
  • the ⁇ value of that sample point is 982. Therefore, the value is in the range of 0 to 982.
  • the set of values at 11 ⁇ 9 sample points obtained in this way is the characteristic of the weft image.
  • the key value is represented by four types of symbols (the size of B).
  • the 99 values obtained in this way are input to the neural network, and the i 3 ⁇ 4 value to be actually input is the above-mentioned value d (X s, ys) so that it becomes a value from 0 to 1. Reduce the value obtained by the formula above to 1/1000.
  • the processing method to emphasize the contrast is as follows: the highest value of the whole area to be processed; the lowest value Ha and the lowest value Hi; the pixel density before processing is defined as Lp, the processed value is defined as LX, and It is obtained by calculating the formula.
  • Figure 10 shows the ⁇ measurement neural network, which employs a hierarchical network consisting of three layers: an input layer, a middle layer, and an output layer.
  • the weaving width Wc, the loom speed R PM , and the 99 density values d (I , n ⁇ d ⁇ , 3) are input to the ten units ( ⁇ ,) of the input layer.
  • the weaving width Wo is input by a human, for example, in millimeters.
  • Rotational speed of the loom R PM is input and detected based on a signal from the loom Angurusensa 1 6; to.
  • the thread properties, thread thickness, and the like may be input.
  • the sigmoid function is a monotonically non-decreasing function when the output is in the range of 0 to 1, and reflects the nature of the saturated response of the actual nerve cell.
  • the signals Hi to 5 are input to the six units (O! Os) of the output layer from all the units of the intermediate layer for each unit.
  • each unit in the output layer the sum of the product of each input and the weight is calculated in the same manner as described above, an offset is added thereto, and a response function process is performed from this value using a sigmoid function, and The output value Oi Oe is obtained within the range of ⁇ 1.
  • the «driving state is set and the recitation is driven, the morphology of the weft at this time is imaged, and the inputs I i to I 01 are given. to the output 0! to 0 6 when, example given the teacher signal T! ⁇ T 6, so that the output 0! to 0 6 matches the teacher signal ⁇ ⁇ 6, intended to learn the weights and offset is there.
  • the relationship between the » ⁇ state of the weft (for example, the yarn near the weft end at the cloth edge) and the weft insertion (cloth defect) has the following tendency.
  • the condition ( ⁇ ) in Fig. 11 is a good condition (a condition in which moderate slackening occurs).
  • the flight configuration in (B) in Fig. 11 shows a state in which the amount of slack is large, and the tip tends to be entangled.
  • the ⁇ state in (C) in Fig. 11 is also small compared to (B) in Fig. 11 However, they tend to be entangled.
  • the flight condition (D) in Fig. 11 is a state in which the amount of slack after the end of weft flight is large, and tends to be kinky.
  • the relationship between the ⁇ state of the weft and the weft insertion is ⁇ if it is known within a certain range, such a ⁇ state of the weft is imaged in advance and stored as data.
  • the learning can be performed by supplying the image data and the corresponding teacher signal. The learning procedure will be described with reference to the flowchart of FIG. This example is backpropagation learning using the steepest descent method.
  • step 1A (shown as S1A in the figure, the same applies hereinafter), the weights (hereinafter, referred to as coupling coefficients) Vki and the offsetrs (9i are initialized. This may be given by random numbers.
  • a learning pattern I i (I ⁇ ⁇ ⁇ ) is set. That is, a specific loom operating state corresponding to any of the following conditions: good, out of jet, poor opening, root shortage, entangled tip, or kinki Then, the loom is operated, and the flight form of the weft at this time is imaged, and inputs ⁇ I are given.
  • step 3 A Hiunit output calculation is performed according to the following equation.
  • Step 4 A the output of the Ok unit is calculated according to the following equation.
  • step 5 ⁇ the Ok unit error is calculated according to the following equation.
  • T k is a teacher signal corresponding to the set learning time, 'turn.
  • step 6A the Hiunit error H i is calculated according to the following equation.
  • step 7A the coupling coefficient V ki between the Hi unit and the Ok unit is corrected according to the following equation.
  • V ki V kj + a ⁇ ⁇ 5 k ⁇ Hi (where ⁇ is a constant)
  • step 8 ⁇ the offset unit k of the Ok unit is corrected according to the following equation.
  • step 9 ⁇ the coupling coefficient Wji between the I unit and the Hi unit is corrected according to the following equation.
  • Step 1 The OA corrects the offset S j of the Hi unit according to the following equation.
  • step 11A the learning pattern Ii (I, ⁇ 1101 ) is updated.
  • step 12A all learning patterns (ie, good, out of jet, At least 6 learning patterns corresponding to good, cut, entangled, and kinky respectively) Determine the completed force or not. If NO, return to step 2 ⁇ . If YES, proceed to step 13A.
  • step 13 A ⁇ 1 (count up) of the number of learning repetitions is performed.
  • step 14 ⁇ it is determined whether or not the number of repetitions is equal to or less than the limit number. If NO, the process returns to Step 2 A.
  • This back propagation learning method (especially the method of correcting the coupling coefficient) is the same as in Example 13 ⁇ 4.
  • warning device warning means
  • weft insertion control device weft insertion condition changing means
  • FIG. 13 is a flowchart showing a processing procedure in the case of using as a warning device.
  • step 21 A the largest one is detected from the output Ok (O! Os) of the neural network, and this is set to 0 MAX .
  • the person knows the weft insertion factor predicted by the screen display or the warning light, and appropriately changes the weft insertion condition based on this.
  • FIG. 14 is a flowchart showing a processing procedure when the weft insertion control device is used.
  • step 41 A the largest one is detected from the output O! Oe of the neural network, and this is set to 0 MAX .
  • the injection start timing T M0 of the main nozzle 1 is delayed by 2 ° in the main spindle angle with respect to the current set value, and the injection start timing Tso of the auxiliary nozzle 11 is similarly delayed by 2 °. If no, go to step 45A.
  • the first injection pressure P M causes a 5% increase (XI, 05), causing jetting increase 5% the pressure P s of the auxiliary Nozunore 11 (XI. 05). If no, go to step 51A.
  • 0 MAX 0 6 is inevitable, and there is a Kinky risk, but this is due to the tendency to break the root and the tendency to entangle the tip. Since there is, here, it is determined which side is closer by comparing the risk of root breakage ⁇ 4 0 4 with the «entanglement risk 0 5 .
  • step 52 A the injection end timing T MC of the main nozzle 1 with advancing 2 °, the injection end timing T sc of capturing auxiliary nozzle 11 2. Delay. If the tip entanglement risk SO 5 is larger, the process proceeds to step 53 to increase the injection pressure PM of the main nozzle 1 by 5% (X I. 05) and to increase the injection pressure P of the catching nozzle 11. Increase s by 5% (XI. 05).
  • the weft insertion control may be configured to calculate the control target and the control amount thereof by fuzzy inference in addition to the logic.
  • a weft imaging means a one-dimensional CCD called a line sensor, which is a two-dimensional zero, is arranged in a direction perpendicular to the direction of the weft, and imaging (scanning) is performed a plurality of times.
  • imaging scanning
  • the behavior of the weft change of the weft position; run-out
  • the weft insertion state may be determined based on this.
  • a solid-state image element for example, a MOS type
  • a CCD may be used, or a plurality of photoelectric sensors arranged in a matrix or a line may be used.
  • the weft in the weft insertion is imaged to obtain a weft image, and the weft insertion state is determined from the ⁇ state or behavior of the weft based on the weft image.
  • the weft insertion controller 15 determines the injection start time T M0 of the main nozzle 1 and the injection end time TMCO The nail removal time T co of the measuring claw 9, and the injection start time T s of each auxiliary nozzle 11 group. (T S0 1, Ts. 2 , ⁇ ⁇ ⁇ ) determined and the injection end timing T sc (Tsc T SC 2, ⁇ . , And set to Bok these closing timing data solenoid I de Con torus 2 1.
  • weft insertion controller 15 monitors the symbol from the weft arrival sensor 18 and when the weft arrival signal is not obtained from the weft to iJ arrival sensor 18 in a predetermined loom spindle angle range, Judgment of weft insertion failure is made and the loom is stopped via the loom stop circuit (not shown).
  • a display device 22 such as a CRT display is connected to the weft insertion controller 15 in order to display an initial set value according to an initial setting of a weft insertion condition described later.
  • control device for a loom according to the present embodiment particularly a device for initially setting the weft insertion condition will be described.
  • This is composed of a microcomputer in the weft insertion controller 15.
  • a plurality of parameters representing the weaving conditions of the loom are quantified and input, respectively, and the neural network is used.
  • the control amount (initial setting value) is calculated and output based on the sum of the product of the input value of each parameter and the weight (coupling coefficient) for each control target of the predetermined weft insertion control.
  • the initial setting of the insertion condition is performed.
  • the control object the injection pressure P M of the main nozzle 1, injection of auxiliary nozzles 1 1 morphism pressure P S, the injection start timing T M0 of the main nozzle 1, the injection end timing of the main nozzle 1 TM ⁇ :, Injection start time T S01 of the nozzle l of the l-th group, injection end time T SCI of the auxiliary nozzle 11 of the first gnorape, injection start time T s 02 of the auxiliary nozzle 11 of the second group, injection end timing of capturing aid Nozunore 11 T SC2,, Makoto nail punching timing of J-length claws 9 include n number of T co, so as to calculate each control amount (initial value).
  • Figure 17 shows a neural network for calculating the control amount, which employs a hierarchical network consisting of three layers: an input layer, a hidden layer, and an output layer.
  • the weaving width Wc the loom speed R PM , the cloth structure? ⁇ P S1 , cloth structure ⁇ » ⁇ , weft type ⁇ ⁇ 1 , weft thickness S Y , suspension force T w , jaw removal time Tc: , Agata 3 ⁇ 4 time T. , Warp penetration time ⁇ "warp arrival time T F Weft slack amount L w is quantified and input.
  • the weaving width Wc is input by a human in units of millimeters, for example.
  • Rotational speed R PM is loom angle sensor 16 forces input by a human, may be calculated on the basis of al of the signal.
  • Weft thickness S Y is, for example, be entered by a human denier units may be using the sensor of the yarn feeding section.
  • the warp tension Tw is input by a human, but a sensor at the backrest roller may be used.
  • the weft arrival time T F1 may be detected based on the force input by a human being ⁇ the signal from the weft arrival sensor 18. ⁇ The amount of slack Lw is input by a human, but based on signals from the weft unwind sensor 17 and the weft arrival sensor 18, the final unwind signal from the weft unwind sensor 17 and the arrival from the weft arrival sensor 18 It may be detected as a time difference from the signal.
  • each unit of the hidden layer the sum of the product of each input and the weight is calculated, the offset is added to this, the response function processing is performed from this value using the sigmoid function, and the output is made in the range of 0-1. determine the value H! ⁇ 111 5.
  • the sigmoid function is a monotonically non-decreasing function when the output is in the range of 0 to 1, and reflects the nature of the saturated response of the actual nerve cell.
  • n pieces of Yunitto the output layer, for each Yuni' Bok, are from all Yuni' Bok intermediate layer signal to 11 fifteen inputs.
  • each unit of the output layer the sum of the product of each input and the weight is calculated in the same manner as described above, an offset is added thereto, and a response function process is performed from this value using a sigmoid function, and Output values 0 1 to 0 11 are obtained in the range of 1 .
  • control amount for each control target of weft insertion control in the range of 0 to l.
  • O is calculated from the conversion table of the control pair a ⁇ J (the conversion table in which the minimum value of the control amount is 0 and the maximum value is 1).
  • the control amount (initial value) of each is calculated and output.
  • the LL can automatically initialize the optimum weft insertion conditions according to the production / separation conditions before the operation of the fiber, assuming that the weights and offsets are changed by the learning to be performed.
  • This learning procedure will be described with reference to the flowchart of FIG. This example is backpropagation learning using the steepest descent method.
  • step 1 ⁇ (the figure is written as S 1 ⁇ , the same applies hereinafter), the weight (hereinafter referred to as the coupling coefficient) V k i and the offset y k , 0 ⁇ are initialized. This may be given by the number of tongues.
  • a learning pattern I i ( ⁇ e) is set.
  • Step 3B Hiunit output calculation is performed according to the following equation.
  • step 4B the output of the Ok unit is calculated according to the following equation.
  • Step 5B the Ok unit error is calculated according to the following equation.
  • T k is a teacher signal of the optimal weft insertion condition corresponding to the set learning pattern.
  • step 6B the Hj unit error is calculated according to the following equation.
  • step 7B the coupling coefficient V KJ between the Hj unit and the OK unit is corrected according to the following equation.
  • V ki V ki + a ⁇ ( ⁇ Hi (where ⁇ is a constant)
  • step 8 ⁇ the Ok unit offset 7 k is corrected according to the following formula.
  • Step 9 ⁇ the coupling coefficient between the I i unit and Hi unit is corrected according to the following equation.
  • Step 10B the Hiunit offset S is modified according to the following equation.
  • step 11 ⁇ the learning pattern I i (I, ⁇ 1 12 ) is updated.
  • step 12B the force and incomplete force of all the learning patterns (that is, all the patterns in which the optimum weft insertion condition has been passed for the weaving condition in the past) are determined. Return to B. If YES, proceed to step 13B.
  • step 13B the number of learning iterations is updated (counted up).
  • step 14B it is determined whether the number of repetitions is equal to or less than the limited number of times. If NO, the process returns to step 2B, and if YES, the learning ends.
  • the back propagation learning method (particularly, the method of correcting the coupling coefficient) is the same as in the first embodiment.
  • this neural network does not provide an appropriate teacher signal during the operation of the loom.
  • FIG. 19 shows a weft insertion control device according to a fourth embodiment of the present invention.
  • the weft Y passes from the unillustrated yarn supplying body through the winding arm 102 of the weft measuring and storing device 101, the winding arm 102 and the weft measuring and storing device 101.
  • drum 103 Relative to drum 103, it is wound and stored on the peripheral surface of drum 103, and inserted into the locking claw 104 inserted into the peripheral surface of drum 103, while weft insertion For main horns 105.
  • the air supply path 6 of the main nozzle 105 is pressurized ⁇
  • the supply source 3 ⁇ 4 From the E107 side to the main nozzle 105 side, an electropneumatic proportional valve 108 as a pressure control valve and a surge tank 109 And an electromagnetically driven self-returning on-off valve 110 are sequentially arranged.
  • the electro-pneumatic proportional valve 108 sets the pressure value of ⁇ stored in the surge tank 109 in response to the output signal from the weft insertion controller 111 to the preset value of the!
  • the pressure is automatically controlled so that
  • the on-off valve 110 is provided by output power from a solenoid controller 112 operated by an output signal from the weft insertion controller 111 and a return spring provided in the on-off valve 110. It opens and closes so that pressurized air is injected from the main nose.
  • a sub-nozzle group 114 composed of a plurality of weft insertion blocks is arranged on the weave front side of the fiber lead 113.
  • the air supply path 1 15 of the sub-nozzle group 114 is connected from the E 110 side to the plurality of sub-nozzle groups 114 side by the electric valve J 16 as a pressure control valve and the surge tank 111.
  • the electropneumatic proportional valve 1 16 changes the pressure value of the air stored in the surge tank 1 17 by the output signal from the weft insertion controller 1 11 to the set value preset in the weft insertion controller 1 1 1. Pressure control automatically.
  • the plurality of on-off valves 118 are connected to output power from the solenoid controller 112 and a relay provided in the on-off valve 118.
  • the open / close operation is performed sequentially from the weft insertion side to the opposite weft insertion side for a predetermined opening / closing period by the spring.
  • a plurality of sub-nozzle groups 1 1 4 force Relay air jets of pressurized air to chase the ⁇ 3 ⁇ 4 tip of the weft, and pressurized air from this sub-nozzle group 1 14
  • the weft Y passes through the air guide (not shown) formed on the lead 113 and travels from the weft insertion side to the anti-weft insertion side through the warp opening. We run and are inserted.
  • a stretch nozzle 119 is provided at a position opposite to the weft insertion side than the last sub nozzle group 114 located at the most counter-wet insertion side.
  • the stretching nozzle 1 19 is used to apply an appropriate tension to the weft Y from the time when the weft Y inserted into the warp shed reaches the counter-weft insertion side and before the warp is beaten. The tip is held by the jet airflow.
  • the air supply path 120 of the stretch nozzle 1 19 is connected from the source pressure 7 side to the stretch nozzle 1 19 side by an electropneumatic proportional valve 1 2 1 as a pressure control valve, a surge tank 22 and an electromagnetic drive It is configured with a return-type on-off valve 123.
  • a weft arrival sensor 124 is provided at a position opposite to the weft insertion side with respect to the stretch nozzle 119.
  • the weft arrival sensor 1 2 2 constitutes a detecting means for detecting the behavior of the weft Y from the time when the weft Y inserted into the warp shed reaches the non-weft insertion side until it is woven into the warp. ing.
  • the weft arrival sensor 124 is a photoelectric sensor, for example, a reflective photoelectric sensor, and the amount of light received changes as the weft Y undulates due to its expansion and contraction, and the changed amount of received light
  • the output signals having different output levels according to are output to the weft insertion controller 111 and the determination means 123.
  • the weft insertion controller 111 replaces the input time of the output signal of the weft arrival sensor 124 with the rotation angle position from the angle sensor 125, and determines the detected rotation U position at which the rotation angle position has been replaced, in advance.
  • the difference from the set arrival timing set in the weft insertion controller 1 1 1 as a reference value is calculated, and the difference is calculated by the operator in the preparation work of the loom operation by the loom speed input from the man-machine interface 127 by the operator.
  • the setting arrival timing determined based on the weaving width is fed back, and the timing of pulling out the locking claw 104 in the next weft insertion, the injection timing of the main nozzle 105, the injection pressure of the sub nozzle group 114, Injection timing, Stretch nozzle 1 1 9 Injection Controls weft insertion conditions such as pressure and injection timing.
  • the discriminating means 123 includes an amplifier 128 for amplifying an output signal from the weft arrival sensor 124, an analog-to-digital converter (hereinafter, referred to as an AZD converter) 129 for time-dividing the output signal from the amplifier 128 into discrete values.
  • the AZD converter 129 includes a computer 130 configured as a neural network for comparing and discriminating the output waveform data with a predetermined normal waveform data.
  • the AZD converter 129 outputs the output signal from the amplifier 128 for a predetermined period from the time when the leading end of the weft Y reaches the reverse weft insertion side to the time when it is woven into ⁇ , for example, 205 degrees force, and 355 times per degree. , And time-divided into 150 sampled discrete value data dl to d150, and stored in the data memory RAM of the computer 130.
  • the output of the neural network 130 is input to the weft insertion controller 111.
  • FIG. 20 shows a model of the neural network 130.
  • the neural network 130 is a three-layer network model including an input layer, a middle layer, and an output layer.
  • the intermediate unit the sum of the product of the signal I i from each input unit I and the weighting factor is calculated, the offset value ⁇ is added to the sum, and the response relation is calculated from the sum using a sigmoid function.
  • the output value Hi is obtained in the range of 0 to 1.
  • an operation example of the intermediate Yunitto calculates the sum of products of the input signal I ⁇ weight factor Wii, this adds the offset value ⁇ , ( ⁇ W "'I 5 ) + a seek.
  • the output unit ⁇ calculates the sum of the product of the signal Hi from the intermediate unit E and the weight coefficient V kj , adds the offset value a k to this sum, and uses the sigmoid function from the sum.
  • the weighting factors Wii, V kj and offset values) and ak are set to the optimal values by the learning described later, and the value of 0, in the case of a normal signal waveform form, is less than the maximum value. becomes, the waveform occurring form of Kinky as 0 second value increases, Kinki - can mosquito possible to predict the occurrence.
  • Fig. 21 explaining with specific waveform data, Fig. 21
  • the horizontal axis represents the spindle angle
  • the vertical axis represents the output of the weft to IJ sensor.
  • the waveform form shown in Fig. 21 (A) the waveform is normal, the fabric quality is good, the value of output unit 0 i is 0.5 ⁇ 0, ⁇ 1.0, and output unit 0 2 The value of is 0, 0, 2 and 0.5.
  • the return force of the weft Y is larger than normal and the kinky occurs when the spindle angle is between 240 (d eg :) and 300 (deg).
  • the value of the output unit 0 is 0, 0, ⁇ 0.5
  • the value of the output unit 02 is 0.5, 2 ⁇ 1.0. Therefore, the magnitude relationship between the output Yuni' Bok Oi, 0 2 of the output value, grasp the tendency of key Nki generation.
  • the teacher data (TT 2 ) corresponding to the output units 0 and 0 2 is input by operating the man-machine interface 127.
  • the teacher data (TT 2 ) in the case of a normal waveform is (1.0, 0) force is adopted for OK, and the teacher data (T ⁇ , T 2 ) NG in the case of the (0, 1.0) is adopted.
  • the actual input data for learning are as follows: driving in two ways: normal weird state and kinky state, measuring each waveform shape data di and giving it to the input unit I i, Teacher data (TT 2 ) is given to outputs 0 ⁇ and 0 2 of each state, and weights are set so that the error between the output data (0, 0 2 ) and the teacher data (TT 2 ) is reduced. Correct the coefficients W and V and the offset value,. In this embodiment, it was subjected to learning on the loom online, after learning offline weighting factor Wi "V ki and offset Bokuchi, may be Kioku the ⁇ k to the memory RAM.
  • the specific binding weighting factor Wi i, V and offset values, Neural Networks with r k determines the difference in the detected waveform form in the actual weaving clearly. That is, when the detected waveform form in the actual weaving is close to the normal waveform form, the output unit data (O 0 2 ) outputs a value closer to the teacher data (TT 2 ) OK, and the waveform at the time of kinky generation If it is close to the form, the output unit data (O 2 ) outputs a value closer to the teacher data (TT 2 ) NG. As a result, the presence or absence of a kinky is detected in the current weft insertion state.
  • the output data from this neural network 130 is input to the weft insertion controller 111 to change the weft insertion conditions in the case of a kinky study. For example, a change of the weft insertion conditions, the injection end timing of the last sub-nozzle group 1 1 4 or delay A t, or to increase the injection pressure of the scan Toretsuchinozunore 1 1 9.
  • an alarm is generated by outputting the output data of the neural network 130 to alarm means such as a lamp device (not shown). You may make it.
  • a neural network using neuron elements may be configured.
  • the behavior of the weft yarn from when the weft insertion reaches the anti-weft insertion side to when it is woven into the warp is detected, and the detected waveform
  • the data is compared with a preset normal waveform data, and the presence or absence of a fabric defect is determined based on the comparison result. Therefore, the structure of the weft sensor can be simplified and the detection accuracy can be increased. Even if the weft yarn type is changed, the work of adjusting the mounting position of the weft sensor becomes unnecessary.

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Textile Engineering (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Looms (AREA)

Description

明 細 書
織機の制御装置 技術分野
本発明は、 織機の緯入れ等の制御装置、 特にニューラルネットワークを用いた 織機の制御装置に関する。
従来の織機の制御装置、 特に流体噴射式織機の緯入れ制御装置として、 特開平 3 - 2 1 6 5 3号公報に示されるようなものがある。
これは、 熟練した作業者による面倒な調整を行う必要をなくすことを目的とし て、 製織条件 （緯糸種類、 織り幅、 織機回転数等） の入力データに基づいて記憶 している複数の流体噴射パターン （緯入れ用ノズルの流体噴射量、 流体速度等） から適切な流体噴射バタ一ンを設定し、 この流体噴射ノ、。ターンで運転した後の反 緯入れ側への緯糸到達時期から前記設定した流体噴射パターンを修正するように したものである。
しかしながら、 この装置にあっては、 予め複数の流体噴射パターンを固定する テーブルルックアップ方式であるので、 緯入れを正確に行うには膨大なパターン のデータの設定が必要となり、 そのデータ設定数にも限界がある。 このため、 記 憶されているパターン以外には設定されず、 緯入れが正確に行われない恐れがあ る。
そこで、 設定後に反緯入れ側への緯糸到達時期からパ夕一ンデータを修正する ようにしているのである力 糸種等の条件によっては、 最適な緯糸到達時期が異 なる場合があり、 未だ熟練者が行うようなきめ細かな緯入れ調整には至っていな いのが実情である。
また、 以上は緯入れ制御のみならず、 織機の制御一般に言えることである。 本発明は、 このような実情に鑑み、 緯糸の状態をよりきめ細かく認識して、 正 しく警告ないし制御を行うことができるようにすることを目的とする。 また、本発明は、 さらに進んで、現在の緯糸の忧態から »起こりうる緯入れ 合を要因別に予測して、警告ないし制御を行うことができるようにすること をも目的とする。 発明の開示
本発明に係る難の制御装置は、纖の製織状態を表す複数のパラメータを入 力し、 この入力値と重みの積の総和に基づく算出結果を出力するニューラルネッ トワーク制御手段を備えたものである。
本発明の第 1雄例は、図 1に示すように、纖の製織状態 （製離件や緯糸 • 態を含む） を表す複数のバラメータをそれぞれ数値化して入力する手段と、 ニューラルネットワークにより、 予め定めた製織^合要因毎に、各パラメ一夕 の入力値と重みとの積の総和に基づいて、 合発生の危険度を算出する手段と、 を含んで構成される織機の製織^合予測装置を提供する。
また、上記第 1錢例は、 同図に示すように、上記の製織^ ¾合予測装置を用 い、 その; 合発生の危険度の算出値に基づいて、 織機の製織状態を変更制御す る手段を含んで構成される謹の制御装置を提供する。
上記の製織^合予測装置においては、 ニューラルネッ卜ワークを翻して、 織機の製織状態を分類し、 この分類パターンと製織不具合要因との対応を学習す ることにより、現在の製織状態を自動的に判別すると共に、 現在の製織状態から 起こりうる 合要因を予測すること力できる。
本発明の第 2実施例は、 図 7に示すように、 緯入れ中の緯糸を撮像して緯糸画 像を得る手段と、 この緯糸画像から複数のデータを抽出してニューラノレネットヮ ークに入力する手段と、 ニューラルネットワークにより、予め定めた緯入 合要因毎に、各データの入力値と重みとの積の総和に基づいて、 合発生の危 を算出する手段と、 これらの算出値に基づいて警告あるいは緯入れ条件の変 更を行う手段と、 を設ける構成とする。
上記の構成においては、緯入れ中の緯糸を撮像して緯糸画像を得、 この緯糸画 像に基づく緯糸の^^態又は挙動から、緯入城態を判別することにより、 緯 糸の忧態を画像認識してより正確に把握し、 これに基づいて警告ないし制御 （緯 入れ条件の変更） を行う。 また、緯入 l^態の判別にニューラルネットワークを 使用することによって、 緯糸画像に基づく緯糸の^^態等を分類し、 この分類 パターンと緯入れ:^合要因との対応を学習することにより、 現在の緯糸の 形態等から緯入れ^:合要因別の^合発生の危 を算出して、 将来起こりう る緯入 ^合を要因別に予測し、 この予測に基づいて警告ないし制御 （緯入れ 条件の変更） を行う。
本発明の第 3実施例は、 図 1 5に示すように、 織機の製織条件を表す複数のパ ラメ一夕をそれぞれ数値化して入力する手段と、 ニューラルネッ 卜ワークにより、 予め定めた織機の制御対象毎に、 各パラメータの入力値と重みとの積の総和に基 づいて、 制御量を算出する手段と、 これらの各算出値に基づいて各制御対象の制 御量を設定する手段と、 を含んで構成される織機の制御装置を提供する。
上記の装置においては、 ニューラルネットワークを使用して、 織機の製織条件 を分類し、 最適な制御量との対応 （法則） を学習することにより、 現在の製織条 件から最適な制御量を算出して設定する。 このように、 予め記憶してあるパター ンから検索して設定するのではなく、 算出による設定であるので、 いかなる製織 条件に対しても、 熟練者による調整との同等のきめ細かな設定が行える。
本発明の第 4実施例は、 緯糸測長貯留装置から緯入れノズルに緯糸を引き通し、 予め設定された緯入れ条件によって緯入れノズルから流体を噴射し、 この噴射流 体によって前記緯糸を経糸開口内に緯入れし、 この緯入れされた緯糸を、 箴の葳 打ち運動と経糸の開口運動とによって、 経糸に織り込む流体噴射式織機において、 前記緯糸力 <経糸開口内に緯入れされ、 経糸に織り込まれるまでの間の、 緯糸の挙 動を検出する手段と、 この検出手段からの出力信号の波形データを予め設定され た正常な波形データと比較し、 この比較結果により布欠点の発生有無を判別する 判別手段と、 を備えている。
上記構成では、 緯入れ中において、 検出手段が緯糸が反緯入れ側に到達してか ら経糸に織り込まれるまでの間での、 緯糸の挙動を検出し、 判別手段が検出手段 からの出力信号の波形データを予め設定された正常な波形デ一夕と比較し、 この 比較結果により布欠点の発生有無を判別する。 図面の簡単な説明
図 1は本発明の第 1実施例の構成を示す機能プロック図である。 図 2は本発明の第 1 例を示す緯入れ制御装置のシステム図である。
図 3は^^^測ニューラルネットワークを示す図である。
図 4は学習手順を示すフローチヤ一卜である。
図 5は警告装置として用いる場合のフローチャートである。
図 6は謹の制御装置として用いる場合のフローチャートである。
図 7は本発明の第 2 «例の構成を示す機能プロック図である。
図 8は本発明の第 2実施例を示す緯入れ装置のシステム図である。
図 9は緯糸画像の画像処理方法を示す図である。
図 1 0は^^^ i Jニューラルネットワークを示す図である。
図 1 1は緯糸の^^態と緯入 合との関係を説明する図である。
図 1 2は学習手順を示すフローチャートである。
図 1 3は警告装置として用いる場合のフローチャートである。
図 1 4は緯入れ制御装置として用いる場合のフローチヤ一トである。
図 1 5は本発明の第 3 «例の構成を示す機能プロック図である。
図 1 6は本発明の第 3実施例を示す緯入れ制御装置のシステム図である。
図 1 7は制御量算出二ユーラノレネッ卜ワークを示す図である。
図 1 8は学習手順を示すフローチャー卜である。
図 1 9は第 4 例を示す構成図である。
図 2 0は第 4 »例のニューラルネットワークを示すモデル図である。
図 2 1は検出波形データを示すものであって、 （A) は正常時の波形図、 （B) はキンキー発生時の波形図である。 究明を するため の开態
以下に、本発明の第 1餓例として緯入 合の発生を予測し、 これに基づ いて警告ないし緯入れ制御を行うようにした例を説明する。
図 2を参照し、主ノズル 1は、空気噴射により緯糸 Yを緯入れするもので、圧 力 供給源（図示せず）力、ら、電空比例弁 2、サージタンク 3及び電磁開閉弁 4を介して、空気が供給される。従って、主ノズル 1の噴射圧力 （主ノズル 1へ 供給する空気の圧力） は電空比例弁 2への ¾Ε制御により制御可能であり、主ノ ズル 1の噴射開始時期及び噴射終了時期は電磁開閉弁 4により $ij御される。 緯糸 Yは、 給糸体 （図示せず） 力、ら引出され、 緯糸測長貯留装置 5を経て、 主 ノズル 1に導かれている。
緯糸測長貯留装置 5は、 モ一夕 （図示せず） により回転駆動される中空回転車由 6の先端に相対回転自在に支承して静止状態に i¾ したドラム Ίと、 中空回転車由 6から斜め先方に突出し力、つ連通する巻付け腕 8と、 ドラム 7の周面に設けた穴 に対し突入♦退出するソレノィド駆動式の測長爪 9とを有し、 突入状態の測長爪 9により緯糸 Yを係止しつつ、 巻付け腕 8の回転により緯糸 Yをドラム 7に卷付 けて測長貯留する。 そして、 所定の爪抜き時期 （緯入れ開始時期） にて測長爪 9 を退出させ、 主ノズル 1の空気噴射により ドラム 7上の緯糸 Yを引出させて緯入 れさせる。
主ノズル 1より射出された緯糸 Yは、 箴 1 0の箴羽に形成した凹部の列による 緯糸案内通路 （図示せず） を飛走し、 ここで所定の間隔で配置した補助ノズル 1 1によりリレー式に吹き送られて緯入れされる。
補助ノズル 1 1は、 数本 （図では 3本） ずつグループ化され、 圧力空気供給源 に電空比例弁 1 2を介して接続されたサージタンク 1 3から、 各電磁開閉弁 1 4 を介して、 それぞれ空気が供給される。 従って、 補助ノズル 1 1の噴射圧力 （補 助ノズル 1 1へ供給する空気の圧力） は電空比例弁 1 2への電圧制御により制御 可能であり、 補助ノズル 1 1の噴射開始時期及び噴射終了時期は各電磁開閉弁 1 4により制御される。
マイクロコンピュータ内蔵の緯入れコントローラ 1 5には、 制御入力として、 織機アングルセンサ 1 6からの信号と、 緯糸解舒センサ 1 7からの信号とが入力 されている。
アングルセンサ 1 6は、 織機主軸の回転角度 （以下織機主軸角度という） に対 応した信号を出力する。
緯糸解舒センサ 1 Ίは、 ドラム 7の近傍にて緯入れ時にドラム 7回りを解舒さ れる緯糸 Yの通過を検出するものである。 尚、 緯糸 Yの ¾ による緯糸解舒信号 は、 1巻解舒される毎に得られるので、 1ピック分が n巻であるとすれば、 緯入 れ終了まで n回得られる。
緯入れコントローラ 1 5には、 この他、 後述する緯入れ不具合の予測のため、 緯糸到達センサ 1 8、 緯糸張力センサ 1 9などからそれぞれ信号が入力されてい る。
緯糸到達センサ 1 8は、 緯糸案内通路の反緯入れ側にて緯入れされた緯糸 Yの 到達を検出するものである。
緯糸張力センサ 1 9は、 ドラム 7と主ノズル 1との間で緯糸 Yの張力を検出す るものである。
また、緯入れコントローラ 1 5には、 マン♦マシンインタ一フヱ一ス 2 0が接 続され、 する緯入 合の予測のため、織り幅、 布組織、 緯糸種類、 緯糸 太さ、経糸張力などを人間が入力可能となっている。
ここにおいて、緯入れコントローラ 1 5は、 内蔵のマイクロコンピュータによ り所定の演算処理を行って、主ノズノレ 1に噴射圧力 ΡΜ、 漏ノズノレ 1 1の噴射 圧力 P sを定め、電^ t例弁 2を介して主ノズノレ 1の噴射圧力を制御すると共に、 電空比例弁 1 2を介して捕助ノズノレ 1 4の噴射圧力を制御する。
また、主ノズル 1の噴射開始時期 TM0及び噴射終了時期 TMC、 測長爪 9の爪抜 き時期 Tco、捕助ノズル 1 1の各グル プ毎の噴射開始時期 Tso及び噴射終了時 期 Tscを定め、 ソレノイドコントローラ 2 1にこれら開閉時期データをセットす る。
ソレノイドコントローラ 2 1は、 謹ァングルセンサ 1 6の信号に基づレ、て織 ¾軸角度を監視しつつ、電磁開閉弁 4を介して主ノズノレ 1の噴射時期を制御し、 又、 ソレノィド焉隱式の測長爪 9の騰を制御し、 更に、 電磁開閉弁 1 4を介し て捕助ノス 'ノレ 1 1の噴射時期を §tf御する。
すなわち、織 ¾軸角度が噴射開始時期 TM0になったときに、電磁開閉弁 4を O N (開） にして主ノズノレ 1の空気噴射を開始させる。
次に爪抜き時期 （緯入れ開始時期） Tcoになったときに、 ソレノイドを O Nに して測長爪 9を抜き出し、 これにより緯入れを開始させる。
緯入れ中は、緯糸 Yの先端の飛走に伴って、 その位置にあるグループの捕助ノ ズル 1 1から空気噴射を行わせるべく、 各グノレ一プ毎に、 纖主軸角度が噴射開 示時期 Tsoになったときに、 電磁開閉弁 1 4を O N (開） にして捕助ノスリレ 1 1 - の空気噴射を開始させる。 そして、 噴射終了時期 Tscになったときに、 電磁開閉 弁 1 4を O F F (閉) にして補助ノズノレ 1 1の空気噴射を終了させる。
次に噴射終了時期 TMCになったときに、 電磁開閉弁 4を O F F (閉） にして主 ノズル 1の空気噴射を終了させる。
測長爪 9の突入時期の制御は、 緯糸解舒センサ 1 7からの緯糸解舒信号を監視 して行い、 緯糸解舒センサ 1 7からの n巻目の解舒信号力く来たときに、 ソレノィ ドを OFFにして測長爪 9を突入させる。 これにより、 n巻分緯入れされた時点 で緯糸 ¥カ<測長爪 9に係止されて、 緯入れが終了する。
尚、 緯入れコントローラ 1 5には、 後述する緯入れ ^¾合の予測結果に基づい て警告するために、 CRTディスプレイあるいは多色表示の警告灯などの警告装 置 22が接続されている。
次に、 本発明に係る織機の製織不具合 （本例では緯入れ^ ¾合） 予測装置につ いて説明する。
これは、 緯入れコントローラ 1 5内のマイクロコンピュータにより構成される ものであり、 織機の製織状態を表す複数のパラメータをそれぞれ数値化して入力 し、 ニューラルネットワークにより、 予め定めた緯入れ不具合要因毎に、 各パラ メータの入力値と重み （結合係数） との積の総和に基づいて、 不具合発生の危険 度を算出して出力するものである。
ここで、 緯入 具合要因としては、 良好 （ 合なし） 、 噴射切れ、 開口不 良、 根元切れ、 先もつれ、 キンキーの 6つを挙げ、 各危険度を算出するようにす 。
図 3は、 ^合予測ニューラルネットワークを示し、 入力層、 中間層、 出力層 の 3層からなる階層ネッ 卜ワークを採用している。
入力層の 1 5個のユニット （Ι ι〜Ι 15) には、 織り幅 Wc、 布組織 ·対称、 PS1、 布組織 *非対称 PS2、 緯糸種類'スパン KY1、 緯糸種類♦フィラメント ΚΥ2、 緯 糸太さ SY、 経糸張力 TW、 爪抜き時期 TCO、 経糸退避時期 TO、 経糸進入時期 T 緯糸到達時期 TF1、 1巻解舒時期 TY1、 2巻解舒時期 ΤΥ2、 3巻解舒時期 ΤΥ3 (、 • · ·、 η巻解舒時期 ΤΥη) 、 緯糸 ^^張力 TWFがそれぞれ数値化されて入力さ れる。
ここで、 織り幅 Wcは、 例えばミ リメ一トルを単位として人間により入力する。 布組織♦対称 PS1は、 例えば対称のとき PS1= 1、 非対称のとき PS1= 0と、 ま た、 布組織 *非対称 PS2は、 例えば非対称のとき PS2= 1、 対称のとき PS2= 0 と、 それぞれ人間により入力する。 緯糸種類♦スパン KY1は、 例えばスパン糸の とき KY1=1、 その他のとき ΚΥΙ=0と、 また、緯糸種類 ·フィラメント κΥ2は、 フィラメント糸のとき ΚΥ2= 1、 その他のとき ΚΥ2= 0と、 それぞれ人間により 入力する。緯糸太さ SYは、 例えばデニ一ルを単位として人間により入力するが、 給糸部のセンサを用いてもよい。 経糸張力 Twは、 人間により入力するが、 バッ クレストローラ部のセンサを用いてもよい。 爪抜き時期 Tcoは、 現在の設定値を 入力する。 経糸: E¾ 時期 To及び経糸進入時期 は、 箴に形成された緯糸案内通 路が絲開口から iSiする時期及び開口内に進入する時期を表し、両者より開口 特性に依存する緯入れ可能期間を知ること力できるもので、 人間により入力する が、緯糸案内通路側に設けたセンサにより検出してもよい。 緯糸到達時期 TF1は、 緯糸到達センサ 18からの信号に基づいて検知して入力する。 1巻解舒時期 τΥ1、
2巻解舒時期 ΤΥ2、 3巻解舒時期 ΤΥ3 (ヽ · · ·、 η巻解舒時期 ΤΥη) は、緯糸 解舒センサ 17からの信号に基づいて検知して入力する。 緯糸厳張力 TWFは、 緯糸張力センサ 19から入力する。
従って、 I I =Wc. I2 = PSI、 13 = Ps2. 、 I 15 = TWFとなる。 中間層の 15個のュニット （！^〜！！ ） には、 各ュニッ卜に対し、 入力層の 全てのュニットカ、ら信号 I !〜 I 15が入力される。
中間層の各ュニットにおいては、各入力と重みとの積の総和を算出して、 これ にオフセットを加算し、 この値からシグモイド関数を用いて応答関数処理を行い、 0〜； Iの範囲で出力値！^〜！！ を求める。
ここで、 Hiの動作例を示すと、各入力 I ;と重み W"との積の総和を算出し、 これにオフセット^を付して、 Y= (∑Wn - I i) + を算出する （i-1 〜15)。 次に、 シグモイド関数を用いて応答関数処理を行い、 H f (Y) ¾r求める。
尚、 シグモイド関数は、 出力が 0〜1の範囲内で単調非減少の関数であり、 実 際の神経細胞の飽和的な反応の性質を反映させたものである。
従って、 Hi-f ( (i Wii - I +θ 3-) となる （i = l〜l 5, j = l〜 15) o
出力層の 6個のュニッ卜 （O! Os) には、各ュニッ卜に対し、 中間層の全て のュニットから信号！！！〜玨 が入力される。
出力層の各ュニッ卜においては、 前記と同様に、 各入力と重みとの積の総和を 算出して、 これにオフセットを加算し、 この値からシグモイド関数を用いて応答 関数処理を行い、 0〜1の範囲で出力値〇！〜 06を求める。
ここで、 06の動作例を示すと、 各入力 Hiと重み V6jとの積の総和を算出し、 これにオフセット 76を付して、 Z= (∑ V6j - Η,·) +ァ6を算出する （j = l 〜15)。 次に、 シグモイド関数を用いて応答関数処理を行い、 06= f (Z) を求める。
従って、 Ok= f ( (i∑Wkj · Hj) + 7k) となる （ j = 1〜； I 5, k = 1〜 6) o
ここで、 O! Osは、 緯入れ不具合要因別にそれぞれの危険度を数値化したも のである。
0,は良好 （不具合なしの度合） 、 02は噴射切れ危険度、 03は開口不良危険 度、 04は根元切れ危険度、 05は先もつれ危険度、 06はキンキー危険度である。 これにより、 後述する学習により前記の重み及びオフセットを最適化すること を前提として、 良好な条件では 0!の値力最も大きくなり、 噴射切れの発生する 条件では 02の値力 <最も大きくなるなどして、 噴射切れ等の緯入れ不具合の発生 を要因別に予測することができる。
次に、 学習方法について説明する。
例えば、 各緯入れ 合要因について、 少なくともある入力条件でその不具合 力《発生することが経験によりわかっているので、 この入力条件において、 出力〇 i〜06に対し、 教師信号 T^Tsを与え、 出力 C Osが教師信号 Ti〜T6に一 致するように、 重み及びオフセットを学習するものである。
すなわち、 ある入力条件のときに噴射切れが発生し、 他の不具合は発生しない と経験によりわかっている場合は、 その入力条件に設定して、 教師信号として、 τ, = ο. τ2=ι、 τ3=ο、 τ4=ο、 τ5=ο、 τ6=οを与えて、 学習を行わ せる。
この学習手順を図 4のフローチャートに沿って説明する。 本例は、 最急降下法 を用いたバックプロパゲーション学習である。
ステップ 1 (図には S 1と記してある。 以下同様） では、 重み （以下結合係数 という） Vkj, 及びオフセットァ k， Siを初期化する。 これは乱数によって 与えればよい。 ステップ 2では、学習パターン I i (I i〜I i5) のセットを行う。 すなわち、 良好、 噴射切れ、 開口不良、 根元切れ、 先もつれ、 キンキーのいずれかに対応す る特定の «運転状態にセッ卜する。
ステップ 3では、 Hiュニッ卜の出力計算を下式に従って行う。
Figure imgf000012_0001
f ( (i Wii · I £) +Θ
ステップ 4では、 Okュニットの出力計算を下式に従って行なう。
Ok= f ( CjEVfci - Hi) +γ
ステップ 5では、 Okユニットの誤差 (5kの計算を下式に従って行う。 ここで、 Tfcはセットされた学習パターンに対応する教師信号である。
<5k= (Tfc - Ok) · 0 （1一 Ok)
ステップ 6では、 Hiュニットの誤差び〗の計算を下式に従って行う。
び i^S H Hi * (1 -Hi)
ステップ 7では、 BE,-ュニッ卜と Okュニットの結合係数 Vkjの修正を下式に従つ て行う。
Vki = VKI + a - (JK - Hi (但し、 "は定数）
ステップ 8では、 Ofcュニットのオフセットァ kの修正を下式に従って行う。
7^=Ύ +β ♦ dk (但し、 /3は定数)
ステップ 9では、 I iュニッ卜と Hiュニッ卜の結合係数 Wiiの修正を下式に従つ て行う。
W = + a ♦ σ】·♦ I i (但し、 は定数）
ステップ 1 0では、 Hiュニッ卜のオフセッ卜 の修正を下式に従って行う。
Θ
Figure imgf000012_0002
i + β · σχ (但し、 は定数）
ステップ 1 1では、 学習パターン （ 〜ェ ） の更新を行う。
ステップ 1 2では、 全ての学習パターン （すなわち、良好、 噴射切れ、 開口不 良、根元切れ、先もつれ、 キンキーのそれぞれ対応する少なくとも 6個の学習パ ターン） が終了した力、否かを判定し、 NOの場合はステップ 2へ戻り、 YE Sの 場合はステップ 1 3へ進む。
ステップ 1 3では、学習繰り返し回数の更新 （カウントアップ） を行う。
ステップ 1 4では、繰り返し回数≥制限回数か否かを判定し、 NOの場合はス テツプ 2へ戻り、 YESの場合は学習を終了する。 このバックプロパゲーション学習方法 （特に結合係数の修正方法） について更 に詳細に説明する。
これは、 3層以上のニューラルネットワークで、 出力層の出力と教師信号との 差の 2乗誤差という） を最小にするよう、 結合係数を修正する学習方法である。 出力層ュニット k (k番目のュニット） の出力 Okは、 下記の （1) 式になる。
Figure imgf000013_0001
関数 f としては、 出力が 0〜1の範囲内で単調非減少のシグモイド関数を用い る。 この関数は、 下記のように、 その微分力元のシグモイド関数で表現できると いう特徴を持っている。
f (x) = l/[l + e xp(-2 x/u0)] = [1 + t a nh(x/u0)]/2
… （2) ί' (x) = 2 · f (x) · [1 - f (x) ] /uo … (3) 出力層における教師信号との誤差を <5 k (=Tk— Ok) とおき、 その 2乗誤差 EPを最小化することにする。
Figure imgf000013_0002
(Τ -Ο ) 2 … （4)
8EP/80k = - (Tk一 Ok) =6k … (5) そこで、 出力層ュニッ ト kの内部ポテンシャルを Sk (= (i∑ Vki。 Hj) + Τ ) と書き直すと、 その出力は、 Ok= f (Sk) となり、 結合係数 Vkjの微小 変化に対する出力 Okへの影響 SOkZS Vkjは、 （3) 式により、
80k/8 Vkj= O0k/8S · O Sk/8Vki)
Figure imgf000013_0003
= 77 , · 0k - (1—〇k) - Hi … (6)
(但し、 ？7 "ま定数）
となる。
従って、 結合係数 Vkjの 2乗誤差 EPへの影響 3EP/3Vkjは、 （5) , (6) 式により、
Figure imgf000013_0004
= - 77 , · 5k · 0,♦ (1 -00 - Hi - (7) となる。
2乗誤差 E pを減少させるための結合係数 V k ,·の更新値 Δ V k jは、 最急降下法 を使って、下記の （8)式から得られる。
Figure imgf000014_0001
=な 2 · 7?！ · <5k · Ok · (1 -00 · Hi
=α♦ 0,· (1 -00 -Hi … （8)
(但し、 は定数で、 な - 2· τ?ι)
尚、 （8)式は、パターン Pを入力したときの誤差関数が減少する負の方向に、 結合係数を修正することを意味している。
また、 出力層ュニット kの誤差 5kとして、
= -C8EP/80 ♦ O0k/8Sk)
= 5k- 0k- (1一 0k) … (9) を使うと、 （8)式は、 次のようになる。
厶 Vki = · · Hi … （10) より、 0^ュニッ卜の誤差計算式（ステップ 5) は、
0 (1-00
= (T.c-0 · 0 (1 -00 … (11)
Hj-と 0kの結合係数の修正式 （ステップ 7) は、
Vk】- = Vki +厶 Vki
= Vki + a · H ' … (12) となる。
同様にして、 中間層 HJから入力層 I iへの結合係数 W "の更新値 AWj〖に対し ても最急降下法を麵できる 0
先ず、 中間層ユニット iの内部ポテンシャルを Ui (= (.∑W - I +θ と書き直すと、 その出力は、
Figure imgf000014_0002
(Ui) となり、結合係数 の微小変化に 対する 2乗誤差 EPへの影響 SEPZSW は、
· Οε,/ΘΗ,) · OHi/8Ui)
Figure imgf000014_0003
= [∑ (- ） · Vki] · ί' (Ui) · I i
=一∑ · Vki · Hi · (1 -Hi) - I i - (13) (9)式と同様に、 中間層ュニット jの誤差 として、
Figure imgf000015_0001
= ∑ (5 · Vkj♦ · (1 -Η,) … (1 4) を使うと、 （1 3) 式は次のようになる。
ΘΕΡノ 3Wji =— · I i - (1 5) 従って、 結合係数 Wjiの更新値 AWiiは、 （1 5) 式により、
Δ ϋ = - τ?3 · 3 Εノ 3Wii
= ?73 · ひ 】 · · I i ··· (1 6)
(但し、 7? 3は定数）
と書ける。
以上より、 Hiュニットの誤差計算式 （ステップ 6) は、
び i = k∑ ♦ Vki ♦ · (1 -Hi) … (1 7)
I iと E の結合係数の修正式 （ステップ 9) は、
= Wii + a · ひ』 ♦ I i "' (1 8) (但し、 は定数で、 a = n z)
となる。
尚、 これまでの式では、 1つの入出力の組に対して誤差 ΕΡを極小化するもの で、 いろいろな入出力の組合わせ （Ρで示す） には、
Et = P∑k∑ (TPk-Opk) V2 =p∑ EP … （1 9) の誤差関数を決める必要があり、 各パターン Pの学習での誤差 E Pを徐々に小さ くし、 全体として誤差関数 E tを極小化する。
学習の形態としては、 前述のように、 緯入れ不具合要因に対応した織機運転状 態にセッ卜して学習する形態の他、 学習に際し、 織機を適当に運転して、 不具合 力《発生したときに、 その: 合要因 （噴射切れ等） を人間が操作ボタン等により 入力することにより、 教師信号を与えて、 そのときの織機運転状態における緯糸 の飛走形態と緯入れ不具合要因との対応を学習させる形態とすることもできる。 次に、 上記の^:合予測装置を用いた警告装置及び織機の制御装置について説 明する。
図 5は、 警告装置として使用する場合の処理手順をフローチヤ一トにより示し ている。 ステップ 2 1では、 ニューラルネットワークの出力 Ok (O j-O e) の中力ヽら、 最大のものを検出し、 これを 0MAXとする。
ステップ 2 2では、 0ΜΑΧ- 0 ιか否かを判定し、 YE Sの場合は、良好である ものとして、 ステップ 2 1へ戻る。 N Oの場合は、 ステップ 2 3へ進む。
ステップ 2 3では、 0MAX= 02か否かを判定し、 YE Sの場合は、 噴射切れ危 ^か く、 噴射切れ傾向にあるとして、 ステップ 2 4へ進み、 警告装置 2 2に よって、 その旨の画面表示 ·警告灯の点灯を行う。 N Oの場合は、 ステップ 2 5 へ進む。
ステップ 2 5では、 0MAX= 03か否かを判定し、 Y E Sの場合は開口不良危険 度か く、 開口不良傾向にあるとして、 ステップ 2 6へ進み、 その旨の画面表示' 警告灯の点灯を行う。 N Oの場合は、 ステップ 2 7へ進む。
ステップ 2 7では、 0MAX= 04か否かを判定し、 YE Sの場合は根元切れ危険 度が" ¾く、 ¾5£切れ傾向にあるとして、 ステップ 2 8へ進み、 その旨の画面表示 · 警告灯の点灯を行う。 N Oの場合は、 ステップ 2 9へ進む。
ステップ 2 9では、 0MAX= 05か否かを判定し、 YE Sの場合は先もつれ危険 度か く、 先もつれ傾向にあるとして、 ステップ 3 0へ進み、 その旨の画面表示 · 警告灯の点灯を行う。 N Oの場合は、 ステップ 3 1へ進む。
ステップ 3 1へ進んだ場合は、必然的に OMAX= 0 6であり、 キンキー危献が 高いが、 これには、根元切れ傾向に起因するものと、 先もつれ傾向に起因するも のとがあるので、 ここでは、 どちら寄りかを、 根元切れ危険度 04と先もつれ危 険度 05とを比較して判定する。 根元切れ危隨 04の方が大きい場合は、 ステツ プ 3 2へ進んで、 その旨の画面表示 ·警告灯の点灯を行う。 また、先もつれ危険 度 05の方が大きい場合は、 ステップ 3 3へ進んで、 その旨の画面表示 ·警告灯 の^ Iを行う。
この場合は、 者が画面表示又は警告灯により予測される ft合要因を知り、 これに基づいて製織条件を適宜変更することになる。
図 6は、 »の制御装置として する場合の処理手順をフローチヤ一卜によ り示している。
ステップ 4 1では、 ニューラルネッ卜ワークの出力 0！〜 06の中から、 最大の ものを検出して、 これを 0MAXとする。 ステップ 42では、 OMAX-O,か否かを判定し、 YE Sの場合は、 良好である ものとして、 ステップ 4 1へ戻る。 NOの場合は、 ステップ 4 3へ進む。
ステップ 43では、 0MAX = 02か否かを判定し、 YESの場合は、 噴射切れ危 険度が高く、 噴射切れ傾向のあるとして、 ステップ 44へ進み、 先行噴射期間を 短くすべく、 主ノズル 1の噴射開始時期 TM。を現在の設定値に対し織機主軸角度 で 2° 遅らせると共に、 補助ノズル 1 1の噴射開始時期 Tsoを同様に 2° 遅らせ る。 NOの場合は、 ステップ 4 5へ進む。
ステップ 45では、 0MAX=03か否かを判定し、 YESの場合は開口不良危険 度が高く、 開口不良傾向にあるとして、 ステップ 46へ進み、 緯糸の経糸への引 掛かりを防止すべく測長爪 9の爪抜き時期 （緯入れ開始時期） Tcoを 2' 遅らせ る。 NOの場合は、 ステップ 4 7へ進む。
ステップ 47では、 0MAX = 04か否かを判定し、 YESの場合は根元切れ危険 度が高く、 根元切れ傾向にあるとして、 ステップ 48へ進み、 補助ノズル 1 1の 噴射圧力 Psを現在の設定値に対し 2%減少 (X 0. 98) させると共に、 主ノ ズル 1の噴射終了時期 TMCを 2° 早める。 NOの場合は、 ステップ 4 9へ進む。 ステップ 49では、 0MAX=05か否かを判定し、 YESの場合は先もつれ危険 度力く高く、 先もつれ傾向にあるとして、 ステップ 50へ進み、 主ノズル 1の噴射 圧力 PMを 5%増大 （X I, 05) させると共に、 補助ノズル 1 1の噴射圧力 Ps を 5%増大 （X I. 0 5) させる。 NOの場合は、 ステップ 5 1へ進む。
ステップ 5 1へ進んだ場合は、 必然的に 0MAX = 06であり、 キンキー危険度が 高いが、 これには、 根元切れ傾向に起因するものと、 先もつれ傾向に起因するも のとがあるので、 ここでは、 どちら寄りかを、 根元切れ危険度〇4と先もつれ危 赚 05とを比較して判定する。
根元切れ危険度 04の方力く大きい場合は、 ステップ 52へ進んで、 主ノズル 1 の噴射終了時期 TMCを 2° 早めると共に捕助ノズル 1 1の噴射終了時期 Tscを 2° 遅らせる。 また、 先もつれ危険度〇 5の方力《大きい場合は、 ステップ 53へ 進んで、 主ノズル 1の噴射圧力 PMを 5 %増大 （X 1. 05) させると共に、 補 助ノズル 1 1の噴射圧力 Psを 5%増大 （X 1. 0 5) させる。
従って、 予測される不具合要因に自動的に対処でき、 織機の最適運転が可能と る。 尚、 このようにロジックによる他、 フアジィ推論により、 制御対 びその制 御量を算出する構成としてもよい。
以上説明したように 例によれば、 ニューラルネットワークを ^fflして、 現在の製織状態から «起こりうる製織 ^合要因を予測することができる。 よつ て、 この予測に基づいて警告ないし回避制御を行うことができ、特に、 各製織不 具合要因毎の危険度により織機の製織状態を変更制御することにより、 画の最 転が可能となる。
次に、 図 8〜図 1 4を参照して本発明の第 2雄例を説明する。
本^ ½例は第 1難例と類似しているので対応部位の説明は省略する力 下記 のように構成されている。
緯入れコントローラ 1 5には、後述する緯入 it>態の判另 （緯入れ^ ¾合の予 測) のため、 固体撮像素子である C C Dを用いた C C Dカメラ 4 9力、ら信号力《入 力されている 0
C C Dカメラ 4 9は、 緯糸撮像手段として、緯糸 の 形態を撮像するため のもので、特に、 図 9に示すように、
Figure imgf000018_0001
緯糸 Y;6緯糸到達センサ 1 8近傍に到達した時点 （詳しくは緯糸到達センサ 1 8から緯糸到達信号が得ら れた時 は緯糸の到達が予想される所定の 軸角度） での ¾糸 Υの先端付 近の糸幾を撮像する。 尚、 図 9中、 1 0 aは箴羽、 1 0 bは葳羽に形成された 緯糸案内通路である。 また、撮像のため、照明用光源、反射板等を用いる力 図 示していない。
更に、 緯入れコントローラ 1 5は、 緯糸到達センサ 1 8力、らの ί倉号を監視し、 所定の «主軸角度範囲において緯糸到達センサ 1 8から緯糸到達信号力《得られ ない場合に、緯入 良と半 U断して、 ^^停止回路 （図示せず） を介して織機を 停止させる。
尚、緯入れコントローラ 1 5には、 後述する緯入れ扰態の判別 （緯入れ^合 の予測） 結果に基づいて警告するために、 C RT (あるいは液晶） ディスプレイ、 又は多色表示の警告灯などの表示装置 2 2が接続されて 、る。 ' 次に、本発明に係る緯入滅態の判別 （緯入れ^ ¾合の予測） 手段について説 . 明する。
これは、緯入れコントローラ 1 5内のマイクロコンピュー夕により構成される ものであり、 CCDカメラ 4 9による緯糸の^^態に係る緯糸画像から複数の データを抽出してニューラルネットワークに入力し、 ニューラルネッ卜ワークに より、 予め緯入れ^合要因毎に、 各データの入力値と重み （結合係数） との積 の総和に基づいて、 合発生の危険度を算出して出力するものである。
ここで、 緯入れ^^合要因としては、 良好 （^合なし） 、 噴射切れ、 開口不 良、 根元切れ、 先端もつれ、 キンキーの 6つを挙げ、 各危険度を算出するように する。
このため、 緯糸撮像手段として CCDカメラ 49を使用して、 緯糸の^ ¾形態、 特に、 緯糸の先端力 <緯糸至噠センサ 1 8に到達した時点 （詳しくは緯糸至噠セン サ 1 8から緯糸至噠信号力得られた時点又は緯糸の至噠カ《予想される所定の織機 主軸角度） での緯糸の先端付近の糸姿勢を撮像して、 緯糸画像を得、 これを画像 処理して、 ニューラルネットワークに入力する。
画像処理について、 図 9により、 CCDの画像数を 35 x 29 = 1 0 1 5とし、 画素毎に白黒 2値の情報が得られるものとして説明する。
ニューラルネットワークに与える入力データは、 CCDより読込んだ 35 X 2 9画素の 2値情報の緯糸画像を、 5 X 5のガウスマスクフィルタ （マスクパター ン） で、 1 1 X 9画素の多値情報に再サンプリングした 99次元のデータである。 この 1 1 X 9画素の多値情報は濃度特徴を示し、 次のような方法で求めた濃度 値を出力している。
CCDの画素数 35 X 29を図 9 (A) に示すように 2次元座標に置き換える と、 2次元座標上の画素データは ί ( , y) で表され、 また、 この 2次元座標 上に 1 1 X 9個の標本点が等間隔にある （図 9 (A) の〇点） 。 また、 濃度計算 用の 2次元 (5 x 5) マスクパターンの具体例を図 9 (B) に示し、 その値を M (i, j) とする （i = 1〜5, j = 1〜5) 。
2次元座標 Jiにおける標本点の座標を （x s, y s) とすると、 その標本点で の濃度値 d (x s, y s) は、 次式により求まる。
d (x s , y s )
= i∑i∑M (i, j ) ♦ f (x s - 3 + i, y s - 3 + j )
すなわち、 2次元 （5 x 5) マスクパターンの中心点 （図 9 (B) の値が 1 1 0の点） を標本点におき、 画素デ一夕が "1" であるマスクパターン位置の値を 加算すれば、 その値がその標本点での 'Μ^値となる。
例えば、 図 9 (Α)上の 1つの標本点での' 値を計算してみれば、 同図 （C) に取出して示すその周囲の 5x5の画素データと、 同図 （B)の 2次元マスクパ ターン上の値とから、 その；^値は、 0 + 24 + 30 + 80 + 60 + 24 = 21 8と求められる。
尚、標本点の周囲 5x5の画素データ力《全て "Γ のとき、 その標本点の^ 値は 982となる。 従って、 値は 0〜982の範囲となる。
このようにして得られた 11 X 9個の標本点での 値の集合が、 その緯糸画 像の 特徵となる。 例えば、 図 9 (A) に示す 2値の緯糸画像からは、 図 9 (D ) , (E)のような緩特徴が得られる。 但し、 図 9 CD) , (E)では、鍵 値は 4種類の記号 （Bの大きさ） で表している。
このようにして得られた 99個の 値をニューラルネットワークに入力する が、実際に入力する i ¾値は、 0から 1までの値になるように、上記の- 値 d (X s , y s ) の計算式で得られた値を 1000分の 1にする。
ここまで、 マスク処理を利用した 2値化画像処理方法を述べたが、 他にも単雜 な 2値化処理や、 コントラス卜を強調する画像処理を施してもよい。
コントラス卜を強調する処理方法は、 処理するエリァ全体の最高; ^値 H a及 び最低^値 H iを求め、処理する前の画素の濃 を L pとし、処理後の を L Xとして、 次式の計算を行うことで得られる。
Lx = Kx (Lp-Hi) / (Ha-Hi)
(但し、 Kは定数）
次にニューラソレネットワークについて説明する。
図 10は、 ^^測ニューラルネットワークを示し、 入力層、 中間層、 出力 層の 3層からなる階層ネッ卜ワークを採用している。
入力層の 10個のュニット （ 〜 。,） には、 織り幅 Wc， 織機回転数 RPM、 そして前述の 99個の濃度値 d (I， n~d αι, 3)がそれぞれ入力される。
ここで、 織り幅 Woは、 例えばミリメ一トルを単位として人間により入力する。 織機回転数 R PMは、織機ァングルセンサ 1 6からの信号に基づいて検知して入力 ; する。 この他、糸物性、 糸太さ等を入力してもよい。
¾tつ tT、 I \ = WC I 2— RPM I 3= d ci» I) N * · · ·、 I ioi= d Hi, g) となる。
中間層の 15個のュニット （1^〜1115) には、 各ュニッ卜に対し、 入力層の 全てのュニットカ、ら信号 I !〜1101が入力される。
中間層の各ュニットにおいては、 各入力と重みとの積の総和を算出して、 これ にオフセットを加算し、 この値からシグモイド関数を用いて応答関数処理を行い、 0〜 1の範囲で出力値 H！〜H！ 5を求める。
ここで、 の動作例を示すと、 各入力 I iと重み W との積の総和を算出し、 これにオフセッ卜 を付して、 Y= (∑W1; · I i) +0!を算出する （i =1 ~100)。 次に、 シグモイド関数を用いて応答関数処理を行い、 H f (Y) を求め ·ό0
尚、 シグモイド関数は、 出力が 0〜1の範囲内で単調非減少の関数であり、 実 際の神経細胞の飽和的な反応の性質を反映させたものである。
従って、 Η】'= f ( (i∑Wji · I i) + S』となる （ i = 1〜： I 01、 j = 1〜 15) o
出力層の 6個のュニット （O! Os) には、 各ュニッ卜に対し、 中間層の全て のュニッ卜から信号 Hi〜 5が入力される。
出力層の各ュニッ卜においては、 前記と同様に、 各入力と重みとの積の総和を 算出して、 これにオフセットを加算し、 この値からシグモイド関数を用いて応答 関数処理を行い、 0〜1の範囲内で出力値 Oi Oeを求める。
ここで、 06の動作例を示すと、 各入力 Hiと重み V6iとの積の総和を算出して、 これにオフセットァ 6を付して、 Z= (∑Z6i♦ Hj) + 76を算出する （ j = 1 ~15) 。 次に、 シグモイド関数を用いて応答関数処理を行い、 Οε=ί (Ζ) を求める。
従って、 Ok= f ( (i∑Wki · H i + r となる （ j = 1〜： I 5、k = 1〜6) 。 ここで、 0,〜06は、 緯入れ不具合要因別にそれぞれの危険度を数値化したも のである。
0!は良好 （不具合なしの度合） 、 02は噴射切れ危険度、 03は開口不良危険 度、 04は根元切れ危険度、 05は先端もつれ危険度、 〇6はキンキー危険度であ る。
これにより、 後述する学習により前記の重み及びオフセットを最適化すること を前提として、良好な条件では ο〖の値が最も大きくなり、 噴射切れの発生する 条件では 02の値が最も大きくなるなどして、噴射切れ等の緯入 合の敏 を要因別に予測すること力できる。
次に、学習方法について説明する。
例えば、各緯入 合要因について、少くともある特定の議運転状態でそ の: ¾合が発生することが経験によりわかつて 、るので、 この «運転状態での 緯糸の ^^態と緯入 i^具合要因との対応を学習するように、 この «運転状 態にセットして誦を運転し、 このときの緯糸の 形態を撮像して、 入力 I i 〜I I 01を与える一方、 このときの出力 0 !〜0 6に対し、 教師信号 T !〜T6を与 え、 出力 0 !〜06が教師信号 Τ ι〜Τ6に一致するように、 重み及びオフセットを 学習するものである。
すなわち、 ある顯運転状態のときに噴射切れが発生し、他の^合は発生し ないと経験によりわかっている場合は、 この入力条件における出力 Ο ι~06に対 し、教師信号として、 Ti- fK τ2= τ3= ο、 τ4= ο、 τ5= ο、 τ6= ο を与えて、学習を行わせる。
また、緯糸の »^態（例えば布端での緯糸先端付近の糸 ） と緯入れ 合 （布欠点） との関係には以下の傾向がある。
図 1 1の （Α) の 態は、良好な状態 （適度なゆるみがぁる忧態） である。 図 1 1の （B) の飛走形態はゆるみ量が多い状態であり、 先端もつれ傾向にあ 図 1 1の （C) の^^態も、 同図 （B) に較べればゆるみ量は少ないが、 先 端もつれ傾向にある。
図 1 1の （D) の飛 態は、緯糸飛走終了後のゆるみ量が多い状態であり、 キンキー傾向にある。
以上のように、 緯糸の 態と緯入 合とは非常に関連が深いことが分 かりつつある。
従って、緯糸の^^態と緯入 合との関係力《一定の範囲で分かっている 場合は、 予めこのような緯糸の^ 態を撮像してデータとして蓄えておき、学 習に際して、 実際に織機を運転することなく、 この撮像デ一夕と、 これに対応す る教師信号とを与えることにより、 学習を行わせることもできる。 学習手順を図 1 2のフローチャートに沿って説明する。 本例は、 最急降下法を 用いたバックプロパゲーション学習である。
ステップ 1 A (図には S 1 Aと記してある。 以下同様） では、 重み （以下結合 係数という） Vki、 及びオフセットァ （9iを初期化する。 これは乱数によ て与えればよい。
ステップ 2 Aでは、 学習パターン I i (I ι〜 Ι のセットを行う。 すなわ ち、 良好、 噴射切れ、 開口不良、 根元切れ、 先端もつれ、 キンキ一のいずれかに 対応する特定の織機運転状態にセッ 卜して、 織機を運転し、 このときの緯糸の飛 走形態を撮像して、 入力 〜 I を与える。
ステップ 3 Aでは、 Hiュニッ卜の出力計算を下式に従って行なう。
Figure imgf000023_0001
f ( (ilwi: · I i) 十 ）
ステップ 4 Aでは、 Okュニッ卜の出力計算を下式に従って行う。
Figure imgf000023_0002
ステップ 5Αでは、 Okユニットの誤差 の計算を下式に従って行う。 ここで、 T kはセットされた学習ノ、'ターンに対応する教師信号である。
( k= (Tk一〇k) ·〇k♦ (1一 OR)
ステップ 6Aでは、 Hiュニッ卜の誤差ひ iの計算を下式に従って行う。
ひ )' =k∑ <5k · Vkj♦ Hj * (1 -Η,)
ステップ 7 Aでは、 Hiュニッ卜と Okュニットの結合係数 Vkiの修正を下式に 従って行う。
Vki = Vkj + a · <5k · Hi (但し、 αは定数）
ステップ 8 Αでは、 Okュニッ卜のオフセットァ kの修正を下式に従って行う。
7^= Ύ ^+ β · (5 (但し、 ^は定数）
ステップ 9 Αでは、 I iュニッ卜と Hiュニッ卜の結合係数 Wjiの修正を下式に 従って行う。
Wji-Wji + a ♦ ひ〗♦ I i (但し、 は定数）
ステップ 1 OAでは、 Hiュニッ 卜のオフセッ ト S jの修正を下式に従って行う。
θ , = θ β * σ i (但し、 Sは定数）
ステップ 1 1 Aでは、 学習パターン I i (I ,〜 1101) の更新を行う。
ステップ 1 2Aでは、 全ての学習パターン （すなわち、 良好、 噴射切れ、 開口不 良、 切れ、先端もつれ、 キンキーのそれぞれ対応する少なくとも 6個の学習 パターン） 終了した力、否かを判定し、 NOの場合はステップ 2 Αへ戻り、 YES の場合はステップ 13 Aへ進む。
ステップ 13 Aでは、学習操り返し回数の ϋ1 (カウントアップ） を行う。 ステップ 14 Αでは、繰り返し回数≥制限回数か否かを判定し、 NOの場合は ステップ 2 Aへ戻り、 YESの場合は学習を終了する。
このバックプロパゲーション学習方法 （特に結合係数の修正方法） については 第 1¾例と同様である。
次に、緯入 態の判別（緯入 lW合の予測） 結果であるニューラルネット ワークの出力を用いた警告装置 （警告手段） 及び緯入れ制御装置 （緯入れ条件変 更手段） について説明する。
図 13は、警告装置として する場合の処理手順をフローチャートにより示 している。
ステップ 21 Aでは、 ニューラルネットワークの出力 Ok (O! Os) の中か ら、最大のものを検出し、 これを 0MAXとする。
ステップ 22 Aでは、 0ΜΑΧ=Οιか否かを判定し、 YESの場合は良好である として、 ステップ 21 Aへ戻る。 NOの場合は、 ステップ 23 Aへ進む。
ステップ 23 Aでは、 0MAX=02か否かを判定し、 YESの場合は、 噴射切れ 危^^が く、 噴射切れ傾向にあるとして、 ステップ 24 Aへ進み、 その旨の画 面表示 ·警告灯の点灯を行う。 N 0の場合は、 ステップ 25 Aへ進む。
ステップ 25 Aでは、 0MAX=03か否かを判定し、 YESの場合は開口不良危 ^か く、 開口不良傾向にあるとして、 ステップ 26 Aへ進み、 その旨の ®® 表示 *蓍告灯の点灯を行う。 NOの場合は、 ステップ 27 Aへ進む。
ステップ 27 Aでは、 0MAX=04か否かを判定し、 YESの場合は根元切れ危 か く、根元切れ傾向にあるとして、 ステップ 28Aへ進み、 その旨の画面 表示 ·警告灯の点灯を行う。 N 0の場合は、 ステップ 29 Aへ進む。
ステップ 29 Aでは、 0MAX=05か否かを判定し、 YESの場合は先端のもつ れ危険度か く、先端もつれ傾向にあるとして、 ステップ 3 OAへ進み、 その旨 の画面表示 ·警告灯の点灯を行う。 NOの場合は、 ステップ 31 Aへ進む。
ステップ 31 Aへ進んだ齢は、必然的に 0MAX=06であり、 キンキー危険度 が高いが、 これには、 根元切れ傾向に起因するものと、 先端もつれ傾向に起因す るものとがあるので、 ここでは、 どちら寄りかを、 根元切れ危険度 04と先端も つれ危険度 05とを比較して判定する。 根元切れ危険度 04の方が大きレ、場合は、 ステップ 32 Aへ進んで、 その旨の画面表示 ·警告灯の点灯を行う。 また、 先端 もつれ危険度 05の方力く大きい場合は、 ステップ 33 Aへ進んで、 その旨の画面 表示 ·警告灯の を行う。
この場合は、 «者が画面表示又は警告灯により予測される緯入 合要因 を知り、 これに基づいて緯入れ条件を適宜変更することになる。
図 1 4は、 緯入れ制御装置として^する場合の処理手順をフローチャートに より示している。
ステップ 41 Aでは、 ニューラルネットワークの出力 O! Oeの中から、 最大 のものを検出し、 これを 0MAXとする。
ステップ 42Aでは、 0 MAX =0!か否かを判定し、 YESの場合は、 良好であ るとして、 ステップ 4 1Aへ戻る。 NOの場合は、 ステップ 4 3 Aへ進む。 ステップ 43Aでは、 0MAX=02か否かを判定し、 YESの場合は、 噴射切れ 危険度が高く、 噴射切れ傾向にあるとして、 ステップ 44 Aへ進み、 先行噴射期 間を短くすべく、 主ノズル 1の噴射開始時期 TM0を現在の設定値に対し■主軸 角度で 2° 遅らせると共に、 補助ノズル 1 1の噴射開始時期 Tsoを同様に 2° 遅 らせる。 NOの場合は、 ステップ 45 Aへ進む。
ステップ 45Aでは、 0MAX=03か否力、を判定し、 YESの場合は開口不良危 険度が高く、 開口不良傾向にあるとして、 ステップ 46Aへ進み、 緯糸の経糸へ の引っ掛かりを防止すべく、 測長爪 9の爪抜き時期 (緯入れ開始時期） Tc。を 2 ° 遅らせる。 NOの場合は、 ステップ 47 Aへ進む。
ステップ 47Aでは、 0MAX=04か否かを判定し、 YESの場合は根元切れ危 険度力く高く、 根元切れ傾向にあるとして、 ステップ 48 Aへ進み、 補助ノズル 1 1の噴射圧力 Psを現在の設定値に対し 2%減少 （x.O. 98) させると共に、 主ノズル 1の噴射終了時期 TMCを 2。 早める。 NOの場合は、 ステップ 4 9Aへ 進 <ϋ'ο
ステップ 49Αでは、 0ΜΑΧ=05か否かを判定し、 YESの場合は先端もつれ 危険度が高く、 先端もつれ傾向にあるとして、 ステップ 5 OAへ進み、 主ノズル 1の噴射圧力 PMを 5%増大（XI, 05) させると共に、補助ノズノレ 11の噴 射圧力 Psを 5%増大 (XI. 05) させる。 NOの場合は、 ステップ 51 Aへ 進む。
ステップ 51 Aへ進んだ場合は、 必然的に 0MAX=06であり、 キンキー危険度 が いが、 これには、根元切れ傾向に起因するものと、先端もつれ傾向に起因す るものとがあるので、 ここでは、 どちら寄りかを、 根元切れ危^ ¾04共に « もつれ危隨 05とを比較して判定する。
切れ危 04の方が大きい場合は、 ステップ 52 Aへ進んで、主ノズル 1の噴射終了時期 TMCを 2° 早めると共に、 捕助ノズル 11の噴射終了時期 Tsc を 2。 遅らせる。 また、 先端もつれ危^ SO 5の方が大きい場合は、 ステップ 5 3へ進んで、主ノズノレ 1の噴射圧力 P Mを 5 %増大 （X I. 05 ) させると共に、 捕助ノズル 11の噴射圧力 Psを 5%増大 （XI. 05) させる。
従って、予測される緯入 合要因に自動的に対処でき、纖の最適運転 （最 »入れ制御） か'可肯 gとなる。
緯入れ制御は、 このようにロジックによる他、 フアジィ推論により、 制御対象 及びその制御量を算出する構成としてもよい。
尚、 例では、緯糸撮像手段として、 2¾¾ じ0を したカ、 ライン センサと呼ばれる 1次元 C C Dを緯糸の 方向と直行する方向に配置して^ し、 これにより複数回撮像 （スキャニング） して、 緯糸位置の時系列データを得 ることにより、緯糸の挙動 （緯糸位置の変化；振れ） を検出し、 これに基づいて 緯入 t^態を判別するようにしてもよい。
また、 2^¾CCDの場合も、 複数回撮像して、 時系列デ一夕を入力すること により、緯糸の^^態のみならず、緯糸の挙動を検出し、 これらに基づいて緯 入滅態を判別するようにすることもできる。
また、緯糸撮像手段として、 CCD以外の固 ί«像素子 （例えば MOS型） を 使用してもよく、更には複数の光電センサをマトリクス状あるいはライン状に配 置したものを使用してもよい。
BLL説明したように、 本実施例によれば、 緯入れ中の緯糸を撮像して緯糸画像 、 を得、 この緯糸画像に基づく緯糸の^^態又は挙動から、 緯入 態を判別し て、警告ないし制御を行うことにより、 緯糸の状態をよりきめ細かく認識して、 正しく警告な 、し制御を行うことができるという効果が得られる。
ま 、 緯入 態の判別にニューラルネッ トワークを^する場合は、 これに よって、 現在の緯糸の^^態等から将来起こりうる緯入 合を要因別に予 測することができ、 この予測に基づいて警告ないし制御を行うことができる。 こ の場合、 特に織機の緯入れ制御装置として、 各緯入れ不具合要因別の危 によ り緯入れ条件を変更制御することにより、 最適緯入れ制御が可能となる。
次に、 図 1 5〜図 1 8を参照して本発明の第 3実施例を説明する。
本^ 例は第 1実施例と類似しているので対応部位の説明は省略するが、下記 のように構成される。
緯入れコントローラ 1 5は、 主ノズル 1の噴射開始時期 TM0及び噴射終了時期 TMCO 測長爪 9の爪抜き時期 T co、 補助ノズル 1 1の各グループ毎の噴射開始時 期 Ts。 （TS0 1、 Ts。2、 · ♦ · ) 及び噴射終了時期 Ts c (Tsc T S C 2、 · 。 を定め、 ソレノィドコントーラ 2 1にこれら開閉時期データをセッ卜する。
更に、 緯入れコントローラ 1 5は、 緯糸至 ί達センサ 1 8からの ί言号を監視し、 所定の織機主軸角度範囲において緯糸至 iJ達センサ 1 8から緯糸到達信号が得られ ない場合に、 緯入れ不良と判断して、 織機停止回路 （図示せず） を介して織機を 停止させる。
尚、 緯入れコントローラ 1 5には、 後述する緯入れ条件の初期設定に従って、 その初期設定値を表示するために、 C R Tディスプレイ等の表示装置 2 2が接続 されている。
次に、 本実施例に係る織機の制御装置、 特に緯入れ条件を初期設定する装置に ついて説明する。
これは、 緯入れコントローラ 1 5内のマイクロコンピュータにより構成される ものであり、 織機の稼働前に、 織機の製織条件を表す複数のパラメータをそれぞ れ数値化して入力し、 ニューラルネッ 卜ワークにより、 予め定めた緯入れ制御の 制御対象毎に、 各パラメータの入力値と重み （結合係数） との積の総和に基づい て、 制御量 （初期設定値） を算出して出力することにより、 緯入れ条件の初期設 定を行うものである。
ここで、 制御対象としては、 主ノズル 1の噴射圧力 PM、 補助ノズル 1 1の噴 射圧力 P S, 主ノズル 1の噴射開始時期 T M0、 主ノズル 1の噴射終了時期 TM<：、 第 lグループの漏ノズル 11の噴射開始時期 TS01、第 1グノレープの捕助ノズ ル 11の噴射終了時期 TSCI、第 2グループの捕助ノズル 11の噴射開始時期 Ts 02、第 2グループの捕助ノズノレ 11の噴射終了時期 TSC2、 、洵 J長 爪 9の爪抜き時期 Tcoの n個を挙げ、各制御量（初期 値） を算出するように する。
図 17は、制御量算出ニューラルネットワークを示し、入力層、 中間層、 出力 層の 3層からなる階層ネットーワークを採用している。
入力層の 12個のュニット （Ιι〜Ι ） には、織り幅 Wc：、織機回転数 RPM、 布組織 ？尔 PS1、布組織 · »Ρ 、緯糸種類 ΚΥ1、緯糸太さ SY、縣張 力 Tw、爪抜き時期 Tc：。、縣 ¾時期 T。、経糸侵入時期 Τ" 経糸至達時期 TF 緯糸弛み量 Lwがそれぞれ数値化されて入力される。
ここで、織り幅 Wcは、例えばミリメートルを単位として人間により入力する。 回転数 RPMは、人間により入力する力 織機アングルセンサ 16力、らの信号 の基づいて算出してもよい。布組織 ·文 尔 PS1は、例えば文 尔のとき PS1=1、 文稱のとき Psl-0と、 また、布組織 · 文 ^PS2は、例えば非文偷のとき P 露のとき PS2-0と、それぞれ人間により入力する。緯糸種類 KY1は、 例えばスパン糸のとき ΚΥ!-1、 フィラメント糸のとき ΚΥΙ=0と、人間により 入力する。緯糸太さ SYは、例えばデニールを単位として人間により入力するが、 給糸部のセンサを用いてもよい。経糸張力 Twは、人間により入力するが、バッ クレストローラ部のセンサを用いてもよい。爪抜き時期 Tcoは、設定値（基準値） を入力する。縣腿時斯 To及び経糸侵入時期 ΤΓは、箴に形成された緯糸案内 が経糸開口から廳する時期及び開口ないに侵入する時期を表し、両者より 開口特性に依存する緯入れ可能期間を知ることができるもので、人間により入力 するが、緯糸案内通路側に設けたせンサを用いてもよい。緯糸到達時期 TF1は、 人間により入力する力^緯糸到達センサ 18からの信号に基づいて検出してもよ い。鎿糸弛み量 Lwは、人間により入力するが、緯糸解舒センサ 17及び緯糸到 達センサ 18からの信号に基づいて、緯糸解舒センサ 17からの最終解舒信号と 緯糸到達センサ 18からの到達信号との時間差として、検出してもよい。
従つ L I I
Figure imgf000028_0001
* s X となる o 尚、 これらの値は過去の製織デー夕に基づ 、て入手あるいはセンサからの信号 により入力されるが、 仕挂職物仕様書等の情報に基づき、 パターン化されたデー 夕の数値をホストコンピュータからニューラルネットワークに転送してもよい。 又、 これらの数値は算出される出力〇！〜〇。の精度が多少悪くなることカ許容さ れるなら、 一部を省略してもよい。
中間層の 1 5個のュニット （1^〜1115) には各ュニッ卜に対し、 入力層の全 てのュニットカ、ら信号 I !〜112が入力される。
中間層の各ユニットにおいては、 各入力と重みとの積の総和を算出して、 これ にオフセットを加算し、 この値からシグモイド関数を用いて応答関数処理を行い、 0 - 1の範囲で出力値 H !〜1115を求める。
ここで、 の動作例を示すと、 各入力 I ,と重み Wいとの積の総和を算出し、 これにオフセット^を付して、 Y= (∑WI ; · I i) 十 を算出する G = 1 〜1 2) 。 次に、 シグモイド関数を用いて応答関数処理を行い、 H!= f (Y) を求める。
尚、 シグモイド関数は、 出力が 0〜1の範囲内で単調非減少の関数であり、 実 際の神経細胞の飽和的な反応の性質を反映させたものである。
従って、 Η』= f ( (i∑Wii · I i) +Θ , となる （i = 1〜1 2、 j = 1〜 1 5) o
出力層の n個のュニット には、 各ュニッ 卜に対し、 中間層の全て のュニッ卜から信号 〜1115カ入力される。
出力層の各ュニットにおいては、 前記と同様に、 各入力と重みとの積の総和を 算出して、 これにオフセットを加算し、 この値からシグモイド関数を用いて応答 関数処理を行い、 0〜1の範囲で出カ値01〜011を求める。
ここで、 Onの動作例を示すと、 各入力 Hiと重み Vnjとの積の総和を算出し、 これにオフセット 7 nを付して、 Z= (∑ V6i - Hi) + γηを算出する （j = l 〜1 5) 。 次に、 シグモイド関数を用いて応答関数処理を行い、 0„= ί (Ζ) を求め <&。
従って、 OK- f ( (j∑WkJ · Hj) +τκ) となる （ （ j = 1〜1 5、 k= 1 〜n) 。
ここで、 は、 緯入れ制御の制御対象別にそれぞれの制御量 （初期設定 値） を 0〜； lの範囲で表したものである。
0 !は主ノズ、ル 1の噴射圧力 PM、 02は捕助ノズノレ 1 1の噴射圧力 P s、 o3は 主ノズル 1に噴射開始時期 TM0、 04は主ノズル 1の噴射終了時期 TMC、 05は第 1グループ捕助ノズノレ 1 1の噴射開始時期 TS01、 06は第 1グループの補助ノズ ル 1 1の噴射終了時期 TSC1、 、 Onは測長爪 9の爪抜き時期 Tcoであ る。
但し、 は 0〜1の範囲であるので、 制御対 a^Jの換算テーブル （制御 量の最小値を 0、最大値を 1に対応させた換算テーブル） より O
Figure imgf000030_0001
の制御量（初期 値） をそれぞれ算出して、 出力する。
そして、 これらにより、主ノズル 1の噴射圧力 PM、捕助ノズル 1 1の噴射圧 力 P s、主ノズル 1の噴射開始時期 TM0、主ノズル 1の噴射終了時期 TMC、 第 1 グループの捕助ノズル 1 1の噴射開始時期 TS0 I、 第 1グループの捕助ノズル 1 1の噴射終了時期 TSC 1、 、測長爪 9の爪抜き時期 Tcoの初期設定を 行ラ o
LLにより、 ¾ ^する学習により前記の重み及びオフセッ卜を 化すること を前提として、纖の稼働前に、 製離件にあった最適な緯入れ条件に自動的に 初期^すること力できる。
次に、学習方法について説明する。
すなわち、 少なくともあるいくつかの製織条件においてそれぞれ最適な緯入れ 条件が過去の経験によりわかっているので、 わかって 、る製織条件に対応する入 力 I〖〜I l 2を与え、 この入力条件において、 出力 に対し、最適な緯入 れ条件に相当する教師信号 T I〜 T rtを与え、 出力 0！〜 0„が教師信号 T！〜 Τ πに
—致するように、重み及びオフセットを学習するものである。
この学習手順を図 1 8のフローチャートに沿って説明する。 本例は、 最急降下 法を用いたバックプロパゲーション学習である。
ステップ 1 Β (図 は S 1 Βと記してある。 以下同様） では、 重み （以下結合 係数という） Vk i、 及び、オフセット y k、 0〗を初期化する。 これは舌し数によつ て与えればよい。
ステップ 2 Bでは学習パターン I i ( 〜ェ ） のセットを行う。 すなわち、 過去に製驗件に対し、最適な緯入れ条件がわかっているいくつ力、のパターンの うちの 1つになるよう、 過去の製織条件に対応する I iをセッ卜する。
ステップ 3 Bでは、 Hiュニッ卜の出力計算を下式に従って行う。
Hi = f ( (i Wii · I i)
ステップ 4 Bでは、 Okュニッ卜の出力計算を下式に従って行う。
Figure imgf000031_0001
ステップ 5 Bでは、 Okユニットの誤差 の計算を下式に従って行う。 ここで、 T kはセットされた学習バタ一ンに対応する最適な緯入れ条件の教師信号である。
Figure imgf000031_0002
ステップ 6 Bでは、 Hjュニッ卜の誤差ひ】·の計算を下式に従って行う。
C7 i = k∑ 5k - Vki - Hi ' (1 -Hi)
ステップ 7 Bでは、 Hjュニットと OKュニットの結合係数 VKJの修正を下式に 従って行う。
Vki = Vki + a · ( ♦ Hi (但し、 αは定数）
ステップ 8 Βでは、 Okュニッ卜のオフセット 7 kの修正を下式に従って行う。
7 k= T k+/3 · 5k (但し、 /3は定数）
ステップ 9 Βでは、 I iユニットと Hiュニッ卜の結合係数 の修正を下式に 従って行 o
Figure imgf000031_0003
+ α♦ σ〗 · I i (但し、 は定数）
ステップ 1 0 Bでは、 Hiュニッ卜のオフセッ 卜 S』の修正を下式に従って行う。
θ: - = θ β * σ (但し、 ^は定数）
ステップ 1 1 Βでは、 学習パターン I i (I ,~112) の更新を行う。
ステップ 1 2 Bでは、 全ての学習パターン （すなわち、 過去に製織条件に対し 最適な緯入れ条件がわかつているパターンの全て） が終了した力、否力、を判定し、 NOの場合はステップ 2 Bへ戻り、 YESの場合はステップ 1 3 Bへ進む。
ステップ 1 3 Bでは、 学習繰り返し回数の更新 （カウントアップ） を行う。
ステップ 14 Bでは、 繰り返し回数≥制限回数か否力、を判定し、 NOの場合は ステップ 2 Bへ戻り、 YESの場合は学習を終了する。
このバックプロパゲーション学習方法 （特に結合係数の修正方法） については 第 1実施例と同様である。
尚、 本ニューラルネットワークは、 織機の稼働中に適当な教師信号を与えるこ とにより、稼働中に緯入れ条件を捕正するように^ fflすることもできる。
また、緯入れ制御以外の の各種制御に適用することも可能である
BL 説明したように本難例によれば、 ニューラルネヅトワークを麵して、 過去の経験に基づく学習により法則を見出し、 この法則に基づいて算出すること で、 いかなる製離件に対しても制御量を常に最適に すること力《でき、纖 の最 iS 転が可能となる。
図 1 9は、本発明の第 4実施例としての の緯入れ制御装置を示している。 図 1 9において、緯糸 Yが、 図外の給糸体から緯糸測長貯留装置 1 0 1の巻き付 けアーム 1 0 2中を通り、巻き付けアーム 1 0 2と緯糸測長貯留装置 1 0 1のド ラム 1 0 3との相対回転により、 ドラム 1 0 3の周面に巻き付けられて貯留され、 ドラム 1 0 3の周面に挿入された係止爪 1 0 4に係留されつつ、 緯入れ用のメイ ンノズノレ 1 0 5に引き通されている。
メインノズノレ 1 0 5の空気供給経路 6は、 加圧^供給源たる ¾E 1 0 7側か らメインノズル 1 0 5側に、圧力制御弁としての電空比例弁 1 0 8とサージタン ク 1 0 9と電磁駆動自己復帰型の開閉弁 1 1 0とを順次配置して構成されている。 電空比例弁 1 0 8は、緯入れコントローラ 1 1 1からの出力信号により、 サージ タンク 1 0 9内に蓄えられる^の圧力値を、 緯入れコントローラ 1 1 1に予め 設定された!^値となるように、 自動的に圧力制御する。 開閉弁 1 1 0は、 緯入 れコントローラ 1 1 1からの出力信号により動作するソレノィドコントローラ 1 1 2からの出力電力と、 開閉弁 1 1 0内に設けられたリターンスプリングとによつ てメインノズノレ 1ひ 5力、ら加圧空気が噴射されるように、 開閉動作する。
纖のリード 1 1 3の織り前側には、緯入れ用の複数のブロックに構成された サブノズル群 1 1 4を配設してある。 サブノズル群 1 1 4の空気供給経路 1 1 5 は、前記 ¾E 1 1 0側から複数のサブノズル群 1 1 4側に、圧力制御弁としての 電^ J 例弁 1 1 6とサージタンク 1 1 Ίとサブノズル群 1 1 4に対応する複数の 電磁纖自己復帰型の開閉弁 1 1 8とを順次配置して構成されている。 電空比例 弁 1 1 6は、緯入れコントローラ 1 1 1からの出力信号により、 サージタンク 1 1 7内に蓄えられる空気の圧力値を、 緯入れコントローラ 1 1 1に予め設定され た設定値となるように、 自動的に圧力制御する。 複数の開閉弁 1 1 8は、 ソレノ イドコントローラ 1 1 2からの出力電力と、 開閉弁 1 1 8内に設けられたリタ一 ンスプリングとによって、 緯入れ側から反緯入れ側へと所定の開閉期間を以て順 次開閉動作する。 この複数の開閉弁 1 1 8の開弁により、 複数のサブノズル群 1 1 4力 緯糸 の^¾先端部を追いかけるように加圧空気をリレー噴射し、 この サブノズル群 1 1 4からの加圧空気の緯入れ側から反緯入れ側へのリレー噴射に より、 緯糸 Yがリード 1 1 3に形成された図外のエアガイドを通って経糸開口内 を緯入れ側から反緯入れ側へと飛走して緯入れされる。
リード 1 1 3の織り前側には、 ストレッチノズル 1 1 9を、 最も反緯入れ側に 位置する最後のサブノズル群 1 1 4よりも反緯入れ側に位置して設けてある。 ス トレツチノズル 1 1 9は、 経糸開口内に緯入れされた緯糸 Yが反緯入れ側に到達 してから箴打ちされるまでの間、 緯糸に適切な張力を与えておくために、 緯糸 Y の先端部を噴射される空気流によって保持するものである。 ストレツチノズル 1 1 9の空気供給経路 1 2 0は、 前記元圧 7側からストレッチノズル 1 1 9側に、 圧力制御弁としての電空比例弁 1 2 1とサージタンク 2 2と電磁駆動自己復帰型 の開閉弁 1 2 3とを配置して構成されている。
リード 1 1 3の織り前側には、 緯糸到達センサ 1 2 4をストレッチノズル 1 1 9よりも反緯入れ側に位置して設けてある。 緯糸到達センサ 1 2 2は、 経糸開口 内に緯入れされた緯糸 Yが反緯入れ側に到達してから経糸に織り込まれるまでの 間での、 緯糸 Yの挙動を検出する検出手段を構成している。 具体的には、 この緯 糸到達センサ 1 2 4は、 光電センサ、 例えば、 反射型光電センサになっており、 緯糸 Yがその伸縮によって波打つことにより、 受光量が変化し、 この変化した受 光量に応じて出力レベルの異なる出力信号を緯入れコントローラ 1 1 1と判別手 段 1 2 3とに出力する。
緯入れコントローラ 1 1 1は、 緯糸到達センサ 1 2 4の出力信号の入力時刻を アングルセンサ 1 2 5からの回転角度位置に置換し、 この置換した回転角度位置 なる検出至 U達タイミングと、 予め基準値として緯入れコントローラ 1 1 1に設定 された設定到達タイミングとの差を演算し、 その差を織機運転の準備作業で作業 者によって、 マンマシンインターフェイス 1 2 7から入力された織機回転数と織 り幅とにより求められた設定到達タイミングフィードバックし、 次の緯入れにお ける係止爪 1 0 4の抜きタイミング、 メインノズル 1 0 5の噴射タイミング、 サ ブノズル群 1 1 4の噴射圧力や噴射タイミング、 ストレッチノズル 1 1 9の噴射 圧力や噴射タイミングなどの緯入れ条件を制御する。
判別手段 123は、 緯糸到達センサ 124からの出力信号を増幅する増幅器 1 28と、増幅器 128からの出力信号を離散値に時分割するアナログデジタル変 換器（以下、 AZD変換器と称する） 129と、 AZD変換器 129力、ら出力さ れる波形デ一タを予め設定された正常な波形デ一タで比較判別するニューラルネッ 卜ワークに構成されたコンピュータ 130とを備えている。
AZD変換器 129は、増幅器 128からの出力信号を、緯糸 Yの先端部が反 緯入れ側に到達してから^^に織り込まれるまでの所定期間、 例えば 205度力、 ら 1度毎に 355度までサンプリングし、 このサンプリングした 150個の離散 値データ d l〜d l50に時分割し、 コンピュータ 130のデータメモリ RAMに記 憶する。 このニューラルネットワーク 130の出力は、緯入れコントローラ 11 1に入力されるようになっている。
図 20は、ニューラルネッ卜ワーク 130のモデルを示している。 図 20にお いて、 ニューラルネットワーク 130は、 入力層、 中間層および出力層の 3層の 階層ネッ卜ワークモデノレになっている。
入力層は、 150個の入力ュニット （i =l〜1 50) で構成されている。
150個の入力ュニッ卜 I！には、 AZD変換器 125力、ら対応 る離散値デー 夕 di 〜； L 50) が個別に入力される。
中間層は、 30個の中間ュニット Η】· （j = l〜30) で構成されている。 3 0個の中間ュニット Hiには、 入力ュニッ卜 I；からの全ての信号 I〖が入力され る。 中間ュニット においては、各入力ュニット I からの信号 I iと重み係数 との積の総和を算出し、 この総和にオフセット値^を加算し、 この加算値 からシグモイド関数を用いて応答関»理を行い、 0〜1の範囲で出力値 Hiを 求める。 例えば、 中間ュニット の動作例は、各入力信号 I〖と重み係数 Wiiと の積の総和を算出し、 これにオフセット値^を加算して、 (∑W" ' I 5) + を求める。 この加算値にシグモイド関数を用いて、 H!= f (Y) を求める。 シグモイド関数は、 出力が 0〜 1の範囲内で単調非減少の関数であり、 実際の神 経細胞の飽和的な反応の性質を反映させたものである。 従って、各中間ュニッ卜 の出力値は、
Figure imgf000034_0001
f { (i∑Wii ♦ Ι + Θ } となる。 但し i -l〜l 50、 j =1〜30である。 出力層は、 2個の出力ユニッ ト Ok (k= 1 , 2) で構成されている。 2個の 出力ュニット Okには、 中間ュニット Ehからの全ての信号 Hjが入力される。 出 力ュニット〇 においては、 中間ュニット E からの信号 Hiと重み係数 Vkjとの 積の総和を算出し、 この総和にオフセッ ト値ァ kを加算し、 この加算値からシグ モイド関数を用いて応答処理を行い、 0〜1の範囲で出力値 Okを求める。 例え ば、 出力ュニッ卜 02の動作例は、 各入力信号 Hjと重み係数 V2iとの積の総和を 算出し、 これにオフセット値ァ 2を加算して、 Z= (∑V2i - Hi) +ァ2を求め る。 この加算値にシグモイド関数を用いて、 02=f (Z) を求める。 シグモイ ド関数は、 出力が 0〜1の範囲内で単調非減少の関数であり、 実際の神経細胞の 飽和的な反応の性質を反映させたものである。 従って、 各出力ュニット Okの出 力値は、 C = f { (i∑Vki - H +Tk) となる。 但し、 j = 1~30、 k = 1, 2である。
つまり、 出力ュニット 0ぃ 02の値は、 緯糸 Yの挙動の良否にそれぞれの程度 を数値化したものである。 但し、 0く Okく 1 (k = 1, 2) である。 これによ り、 後述する学習により、 重み係数 Wii、 Vkjおよびオフセット値 ）、 ァ kを最 適値に設定することを前提として、 正常な信号波形形態では 0 ,の値力《最も大き くなり、 キンキーの発生する波形形態では 02の値が大きくなるとして、 キンキ —の発生を予測することカできる。 具体的な波形データにて説明すると、 図 21
(A)、 (B) は横軸に主軸角度、 縦軸に緯糸至 IJ達センサの出力 をとる。 こ こでは回路上の都合により、 1 (V) 力《緯糸の反射光量が 0で、 0 (V) 力緯糸 の反射光量力 <最大値となる。 図 21 (A) に示すような波形形態の場合は、 正常 時の波形で、 布品位は良好となり、 出力ュニット 0 iの値は 0. 5く 0 , < 1. 0 となり、 出力ユニット 02の値は 0く 02く 0. 5となる。 また、 図 21 (B) に 示すような波形形態の場合には、 主軸角度が 240 (d eg：) 〜 300 (d e g) 間で正常時よりも緯糸 Yの戻り力く大きく、 キンキーが発生するが、 このとき出力 ユニット 0,の値は 0く 0,< 0. 5となり、 出力ユニット 02の値は 0. 5く〇2 < 1. 0となる。 よって、 出力ュニッ 卜 Oi、 02の出力値の大小関係により、 キ ンキー発生の傾向がつかめる。
次に、 重み Wji、 Vkiおよびオフセッ ト値 7kを最適値に設定するための 学習方法について説明する。 階層型のニューラルネットワーク 1 3 0における学習方法として、 逆伝播法 （バ ックプロパゲーション法） がある。 これは、 規範となる教師データがあり、 実際 の出力データと教師デ一タとの誤差の 乗禾ロを減少、するように、重み係数 Wj- i、 Vfc iおよびオフセット値 、 を出力層から入力層へと修正していく方法であ
, ο
この第 4¾5S例によれば、 マンマシンインタ一フェイス 1 2 7の操作により、 出力ユニット 0 !、 02に対応した教師データ （T T2) を入力する。 例えば、 正常な波形形態の場合の教師データ （T T2) O Kには （1. 0 , 0 ) 力採用 され、 キンキ一発生の波形形態の場合の教師データ （T〖、 T2) N Gには （0 , 1. 0 ) が採用される。 学習のための実際の入力データは、 正常な緯入城態と キンキーを発生させた状態の 2通りで »を運転し、 それぞれの波形形状データ d iを計測して、 入力ュニット I iに与える一方、 それぞれの优態の出力 0〖、 02 に対し、 教師データ （T T2) を与え、 出力データ (0 ,、 02) と教師データ (T T2) .との誤差が少なくなるように、重み係数 W 、 V およびオフセッ ト値 、 を修正する。 この実施例では、 織機オンライン上で学習を行ったが、 、 オフラインで学習した後、重み係数 Wi " Vk iおよびオフセッ卜値 、 ァ kを メモリ RAMに記億させてもよい。
学習の結果、 特定された結合重み係数 Wi i、 V およびオフセット値 、 r k を持つニューラルネットワークは、 実際の製織における検出波形形態の差異を明 確に判別する。 すなわち、 実際の製織における検出波形形態が、正常な波形形態 に近い場合、 出力ュニットのデータ （O 02) は教師デ一夕 （T T2) O K により近い値を出力し、 キンキー発生時の波形形態に近い場合、 出力ュニッ卜の データ （O 02) は教師データ （T T2) N Gにより近い値を出力する。 こ れにより、現在の緯入 t態で、 キンキーの発生有無が検出される。 このニュー ラルネットワーク 1 3 0からの出力データは、緯入れコントローラ 1 1 1に入力 さ キンキー究生時の場合、緯入れ条件を変更する。 例えば、緯入れ条件の変 更として、最終サブノズル群 1 1 4の噴射終了タイミングを A t遅らせたり、 ス トレツチノズノレ 1 1 9の噴射圧力を増加させたりする。
また、 キンキー発生時の場合は、 ニューラルネットワーク 1 3 0の出力データ を図外のランプデバイスのような警報手段に出力することにより、警報を発生す るようにしてもよい。
又、 コンピュータによるプログラム制御によってニューラルネッ卜ワーク 1 3 0をシミユレ一卜する方式に代わり、 ニューロン素子によるニューラルネットヮ ークを構成してもよい。
以上説明したように本実施例によれば、 緯入れ中において、 緯入れが反緯入れ 側に到達してから経糸に織り込まれるまでの間での、 緯糸の挙動を検出し、 この 検出した波形デ一夕を予め設定された正常な波形デー夕と比較し、 この比較結果 により布欠点の発生有無を判別するので、 緯糸センサの構造を簡単にでき、 検出 精度も高くなる。 し力、も、 緯糸の糸種が変わっても、 緯糸センサの取り付け位置 を調整する作業が不要となる。

Claims

請求の範囲
1 . 織機の製織状態を表す複数のパラメータを入力し、 この入力値と 重みの積の総和に基づく算出結果を出力するニューラルネッ トワーク制 御手段を備えたことを特徴とする織機の制御装置。
2 . 前記ニューラルネットワーク制御手段は、 出力される信号が不具 合発生の危険度を示すよう教示が行われることを特徵とする特許請求の 範囲第 1項記載の織機の制御装置。
3 . 前記織機の制御手段は更に、 前記二ユーラルネッ トワーク制御手 段より出力された信号に基づいて製織条件を変更する手段を備えたこと を特徵とする特許請求の範囲第 1項記載の織機の制御装置。
4 . 前記織機の制御手段は更に、 前記二ユーラルネッ トワーク制御手 段より出力された信号に基づいて警告信号を出力する手段を備えたこと を特徴とする特許請求の範囲第 1項記載の織機の制御装置。
5 . 前記製織状態を表す複数のパラメ一タは織機始動前に二ュ一ラル ネットワーク制御手段に入力され、 該手段の出力結果に基づいて織機始 動時の製織条件を設定することを特徵とする特許請求の範囲第 1項記载 の織機の制御装置。
6 . 前記製織条件は、 緯入れ条件であることを特徴とする特許請求の 範囲第 3項記載の織機の制御装置。
7 . 前記織機の製織状態を表す複数のパラメータは、 緯入れ時の緯糸 を撮像手段によって取り入れた画像であることを特徵とする特許請求の 範囲第 6項記載の織機の制御装置。
8 . 前記撮像手段は、 緯糸飛走通路を横切る方向に走査して緯糸を検 出する C C Dセンサであることを特徴とする特許請求の範囲第 7項記載 の織機の制御装置。
9 . 前記製織状態を表す複数のパラメータは、 緯糸が経糸に織り込ま れるまでの間の、 緯糸の挙動を緯糸フィ一ラにて検出した信号波形を時 分割 （角度分割） した値であることを特徴とする特許請求の範囲第 6項 記載の織機の制御装置。
1 0 . 前記製織状態を表す複数のパラメータは、 前記フィーラにて検 出した緯糸の信号波形であり、 更に上記織機の制御手段は前記二ユーラ ルネッ トワーク制御手段の算出結果により正常時の波形と異常時の波形 を識別する手段を備えたことを特徴とする特許請求の範囲第 9項記載の 織機の制御装置。
1 1 . 前記緯糸フィーラは光電式緯糸到達センサであることを特徴と する特許請求の範囲第 1 0項記載の織機の制御装置。
1 2. 前記織機の製織状態を表す複数のパラメ一タは、 緯入れ時の緯糸を撮像手 段によって取り入れた画像であることを特徴とする特許請求の範囲第 4項記載の 織機の制御装置。
1 3. 前記撮像手段は、 緯糸 通路を横切る方向に走査して緯糸を検出する C C Dセンサであることを特徴とする特許請求の範囲第 1 2項記載の織機の制御装
1 4 . 前記製織状態を表す複数のパラメ一夕は、 緯糸が経糸に織り込まれるま での間の、 緯糸の挙動を緯糸フィーラにて検出した信号波形を時分割 （角度分割） した値であることを特徴とする特許請求の範囲第 4項記載の織機の制御装置。
1 5. 前言 織忧態を表す複数のパラメータは、前記フィーラにて検出した緯 糸の信号波形であり、更に上記織機の制御手段は前記ニューラルネッ卜ワーク制 御手段の算出結果により正常時の波形と異常時の波形を識別する手段を備えたこ とを特徵とする特許請求の範囲第 1 4項記載の∞の制御装置。
1 6. 前記緯糸フィ一ラは光 緯糸到達センサであることを特徵とする特許 請求の範囲第 1 5項記載の誦の制御装置。
PCT/JP1992/001515 1991-11-22 1992-11-20 Dispositif de commande dans un metier a tisser WO1993010296A1 (fr)

Priority Applications (2)

Application Number Priority Date Filing Date Title
EP92923987A EP0573656B1 (en) 1991-11-22 1992-11-20 Control device in loom
KR1019930702162A KR930703494A (ko) 1991-11-22 1992-11-20 직기 제어 시스템

Applications Claiming Priority (8)

Application Number Priority Date Filing Date Title
JP30771491A JPH05140844A (ja) 1991-11-22 1991-11-22 織機の製織不具合予測装置及び制御装置
JP3/307714 1991-11-22
JP3/340908 1991-12-24
JP34090891A JPH05171542A (ja) 1991-12-24 1991-12-24 織機の制御装置
JP34090991A JP3186149B2 (ja) 1991-12-24 1991-12-24 織機の緯入れ装置
JP3/340909 1991-12-24
JP26523792A JPH06116836A (ja) 1992-10-05 1992-10-05 流体噴射式織機の緯入れ制御装置
JP4/265237 1992-10-05

Publications (1)

Publication Number Publication Date
WO1993010296A1 true WO1993010296A1 (fr) 1993-05-27

Family

ID=27478722

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP1992/001515 WO1993010296A1 (fr) 1991-11-22 1992-11-20 Dispositif de commande dans un metier a tisser

Country Status (5)

Country Link
EP (1) EP0573656B1 (ja)
KR (2) KR960005668Y1 (ja)
CN (1) CN1073992A (ja)
TW (1) TW261639B (ja)
WO (1) WO1993010296A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105404153A (zh) * 2015-12-17 2016-03-16 吉林大学 一种基于bp神经网络的绕线机控制方法及绕线机

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0704775A1 (de) * 1994-08-22 1996-04-03 Zellweger Luwa Ag Verfahren und Vorrichtung zur Bestimmung von relevanten Grössen bei einer Verarbeitung von textilen Gebilden
JPH11256450A (ja) 1998-03-10 1999-09-21 Tsudakoma Corp ジェットルームのファジィ制御装置
KR20020073057A (ko) * 2001-03-14 2002-09-19 박세진 제직기의 속도 제어장치
EP1473390A3 (de) * 2003-04-29 2005-04-06 Sultex AG Überwachung des Fadentransports
EP1584719A1 (de) * 2004-03-12 2005-10-12 Sultex AG Überwachung des Fadentransports
US7039489B2 (en) 2004-03-12 2006-05-02 Sultex Ag Monitoring of thread transport
DE102006014475A1 (de) * 2006-03-29 2007-10-04 Rieter Ingolstadt Spinnereimaschinenbau Ag Verfahren zur Steuerung einer Textilmaschine, Vorrichtung zur Durchführung des Verfahrens sowie Textilmaschine
BR112013013114A2 (pt) * 2010-11-25 2016-08-16 Toyota Ind Corp método e aparelho para o controle de um tear de jato
BR112013013116A2 (pt) * 2010-11-25 2016-08-23 Toyota Ind Corp método e aparelho para o controle de um tear de jato
BR112014000920A2 (pt) 2011-07-15 2017-02-14 Toyota Ind Corp tear com sensor de fios atribuído e método para operação do mesmo
CN102493105B (zh) * 2011-11-30 2013-06-12 北京中纺精业机电设备有限公司 一种电子选纬器输出短路预防和报警装置
JP6135731B2 (ja) * 2015-09-16 2017-05-31 株式会社豊田自動織機 エアジェット織機における緯糸飛走状態監視方法
JP6447582B2 (ja) * 2016-06-20 2019-01-09 株式会社豊田自動織機 エアジェット織機における緯糸検知方法及び緯糸検知装置
EP3654114A1 (en) * 2018-11-16 2020-05-20 Maschinenfabrik Rieter AG Parameter manager, central device and method of adapting operational parameters in a textile machine
CN112215791A (zh) * 2019-07-12 2021-01-12 宝洁公司 一种提供纺织品信息和将其可视化的系统及方法
WO2021072059A1 (en) * 2019-10-08 2021-04-15 Schlumberger Technology Corporation Methods and systems for controlling operation of wireline cable spooling equipment
US11919754B2 (en) 2020-11-10 2024-03-05 Schlumberger Technology Corporation Automated spooling control system using stochastic inference
CN113046875B (zh) * 2021-01-29 2022-09-06 安徽省金士棉机有限责任公司 一种环锭纺纱瑕疵产品剔除装置
KR102564897B1 (ko) * 2021-10-29 2023-08-10 주식회사 러닝비전 직기 장치 및 직기 장치의 제어방법
EP4245905A1 (en) * 2022-03-15 2023-09-20 Picanol Method and system for visualizing operation evaluation data of a weaving machine
CN114997069B (zh) * 2022-07-15 2022-10-11 海门市恒创织带有限公司 基于机器学习的纺织布料卷取张力预测系统
CN115081937B (zh) * 2022-07-21 2022-11-08 如皋市金轶纺织有限公司 基于质量分析的浆纱机运行参数求解方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS60151347A (ja) * 1983-10-07 1985-08-09 アセア　アクチ−ボラグ タテ糸と織り地のモニタ−ならびにヨコ糸へりの位置ぎめ装置
JPS61239057A (ja) * 1985-04-09 1986-10-24 津田駒工業株式会社 織機の集中制御方法およびその装置
JPS6415830A (en) * 1987-03-31 1989-01-19 Texas Instruments Inc Encoding for one set of integers
JPH01177603A (ja) * 1988-01-08 1989-07-13 Seiko Epson Corp 適応化制御機構の構造
JPH01239138A (ja) * 1988-03-17 1989-09-25 Tsudakoma Corp 織機の最適制御方法
JPH02210044A (ja) * 1989-02-08 1990-08-21 Tsudakoma Corp 織機の回転数のファジィ制御方法および装置
JPH02213943A (ja) * 1989-02-15 1990-08-27 Hitachi Ltd 装置の監視診断方法
JPH02268380A (ja) * 1989-04-11 1990-11-02 Toyota Central Res & Dev Lab Inc 視覚認識装置
JPH0465556A (ja) * 1990-06-28 1992-03-02 Toyota Autom Loom Works Ltd 織機における緯糸検出装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS59125941A (ja) * 1982-12-27 1984-07-20 津田駒工業株式会社 流体噴射式織機の流体噴射パターン制御方法
JP2779208B2 (ja) * 1989-06-12 1998-07-23 津田駒工業株式会社 織機回転数の制御方法および装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS60151347A (ja) * 1983-10-07 1985-08-09 アセア　アクチ−ボラグ タテ糸と織り地のモニタ−ならびにヨコ糸へりの位置ぎめ装置
JPS61239057A (ja) * 1985-04-09 1986-10-24 津田駒工業株式会社 織機の集中制御方法およびその装置
JPS6415830A (en) * 1987-03-31 1989-01-19 Texas Instruments Inc Encoding for one set of integers
JPH01177603A (ja) * 1988-01-08 1989-07-13 Seiko Epson Corp 適応化制御機構の構造
JPH01239138A (ja) * 1988-03-17 1989-09-25 Tsudakoma Corp 織機の最適制御方法
JPH02210044A (ja) * 1989-02-08 1990-08-21 Tsudakoma Corp 織機の回転数のファジィ制御方法および装置
JPH02213943A (ja) * 1989-02-15 1990-08-27 Hitachi Ltd 装置の監視診断方法
JPH02268380A (ja) * 1989-04-11 1990-11-02 Toyota Central Res & Dev Lab Inc 視覚認識装置
JPH0465556A (ja) * 1990-06-28 1992-03-02 Toyota Autom Loom Works Ltd 織機における緯糸検出装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP0573656A4 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105404153A (zh) * 2015-12-17 2016-03-16 吉林大学 一种基于bp神经网络的绕线机控制方法及绕线机

Also Published As

Publication number Publication date
TW261639B (ja) 1995-11-01
EP0573656B1 (en) 2002-02-20
CN1073992A (zh) 1993-07-07
EP0573656A4 (en) 1995-05-03
KR930703494A (ko) 1993-11-30
EP0573656A1 (en) 1993-12-15
KR960005668Y1 (ko) 1996-07-11

Similar Documents

Publication Publication Date Title
WO1993010296A1 (fr) Dispositif de commande dans un metier a tisser
US5815198A (en) Method and apparatus for analyzing an image to detect and identify defects
US20020054694A1 (en) Method and apparatus for analyzing an image to direct and identify patterns
CN110667254B (zh) 借助神经网络的喷嘴健康探测方法
EP1953282B1 (de) Verfahren und Vorrichtung zum Eintragen eines Schussfadens in eine Webmaschine
Tilocca et al. Detecting fabric defects with a neural network using two kinds of optical patterns
JP4514230B2 (ja) 部品吸着姿勢判別方法及び部品吸着姿勢判別システム
US5165454A (en) Detection of warp in reed dent before loom start up
BE1013392A3 (nl) Werkwijze en inrichting voor het instellen van een weefmachine.
JP3186149B2 (ja) 織機の緯入れ装置
JP3499550B2 (ja) 織機と組み合わされたジャカード機の作動装置の制御方法
US4781224A (en) Loom equipped with weft picking control system
US4503891A (en) Loom
CN107923076A (zh) 用于优化纺织过程的器械和方法
JPH05140844A (ja) 織機の製織不具合予測装置及び制御装置
JPH06116836A (ja) 流体噴射式織機の緯入れ制御装置
JPH05171542A (ja) 織機の制御装置
WO2021246139A1 (ja) 画像処理装置、機械学習装置、及び、推論装置
JPH02293442A (ja) よこ糸を織機のひぐちに供給する方法及びこの方法を使用した装置
JPH08209501A (ja) 織機における経糸検査装置
JPH0268333A (ja) 流体噴射式織機の緯入れ装置
KR900006281B1 (ko) 복수의 포를 제직하는 직기의 구동제어방법
JPH11256450A (ja) ジェットルームのファジィ制御装置
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
CN115729292B (zh) 一种喷水织机控制系统和方法

Legal Events

Date Code Title Description
AK Designated states

Kind code of ref document: A1

Designated state(s): KR

AL Designated countries for regional patents

Kind code of ref document: A1

Designated state(s): AT BE CH DE DK ES FR GB GR IE IT LU MC NL SE

WWE Wipo information: entry into national phase

Ref document number: 1992923987

Country of ref document: EP

WWP Wipo information: published in national office

Ref document number: 1992923987

Country of ref document: EP

WWG Wipo information: grant in national office

Ref document number: 1992923987

Country of ref document: EP