Nothing Special   »   [go: up one dir, main page]

CN114626486B - 基于人工智能的纺织布料前处理工艺优化方法 - Google Patents

基于人工智能的纺织布料前处理工艺优化方法 Download PDF

Info

Publication number
CN114626486B
CN114626486B CN202210516885.5A CN202210516885A CN114626486B CN 114626486 B CN114626486 B CN 114626486B CN 202210516885 A CN202210516885 A CN 202210516885A CN 114626486 B CN114626486 B CN 114626486B
Authority
CN
China
Prior art keywords
temperature
singeing
subsequence
sequence
degree
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210516885.5A
Other languages
English (en)
Other versions
CN114626486A (zh
Inventor
辛鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qidong Hongsheng Textile Co ltd
Original Assignee
Qidong Hongsheng Textile 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
Application filed by Qidong Hongsheng Textile Co ltd filed Critical Qidong Hongsheng Textile Co ltd
Priority to CN202210516885.5A priority Critical patent/CN114626486B/zh
Publication of CN114626486A publication Critical patent/CN114626486A/zh
Application granted granted Critical
Publication of CN114626486B publication Critical patent/CN114626486B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Treatment Of Fiber Materials (AREA)

Abstract

本发明涉及人工智能技术领域，具体涉及一种基于人工智能的纺织布料前处理工艺优化方法。该方法特别适用于特定功能的数字数据处理方法，能够实现生产领域的人工智能优化，通过工业互联网技术，利用传感器采集数据，获取不同时间间隔所对应的烧毛长度子序列和烧毛温度子序列，计算纺织布料在相应时间间隔下的烧毛程度，选取最佳的多个烧毛程度，最佳的烧毛程度所对应的温度子序列为最佳的温度子序列；将当前车进速度下的温度子序列与最佳的温度子序列之间的差异得到下一个车进速度的补偿因子，利用补偿因子对下一个车进速度进行补偿，达到根据温度自适应调整车进速度的目的。

Description

基于人工智能的纺织布料前处理工艺优化方法
技术领域
本发明涉及电数字数据处理技术领域，具体涉及一种基于人工智能的纺织布料前处理工艺优化方法。
背景技术
纺织的前处理包括坯布、烧毛、退浆、煮练、气蒸、水洗、氧漂、水洗、烘干、轧染。纺织布料的烧毛是一项必不可少工序，烧毛洁净度是布料外观质量评判的指标之一。烧毛是指纱线或织布迅速通过火焰或者炽热的金属表面擦过，去除其表面绒毛的过程。一般纺织物的车进速度在90-110m/min，纯棉纺织物车进速度在70-80-m/min，气体烧毛机火焰温度在900-1000°C，炽热金属板表面温度在800°C左右。
发明人在实践中，发现上述现有技术存在以下缺陷：
由于在进行烧毛的过程中只有烧毛的温度和车进速度想匹配的情况下才能得到理想的烧毛效果，但是实际情况中，由于火焰自身的特性，随着时间的推移火焰的温度不可能完全不变，如果温度发生变化而车进速度相同，则会导致烧毛的效果存在差异。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于人工智能的纺织布料前处理工艺优化方法，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供了基于人工智能的纺织布料前处理工艺优化方法，该方法包括：按照预设的第一采样频率实时采集预设时间段内烧毛机的车进速度，得到车进速度序列；按照预设的第二采样频率同步采集预设时间段内烧毛机中火焰的温度以及纺织布料的绒毛长度，分别得到温度序列和长度序列；其中所述第二采样频率大于所述第一采样频率；将所述预设时间段均分为多个时间间隔，每个时间间隔对应一个温度子序列和一个长度子序列；根据所述温度子序列和长度子序列计算每个时间间隔内的烧毛程度，得到烧毛程度序列；根据任意两个烧毛程度之间的差异计算差异程度；利用所述差异程度将相似的烧毛程度划分为同一个类别；根据每个类别中烧毛程度的均值选取最佳类别，所述最佳类别中每个烧毛程度所对应的温度子序列为最佳的温度子序列；基于当前车进速度对应的多个温度子序列，计算每个温度子序列与最佳的温度子序列之间的温度差异，温差程度与所述温度差异正相关；将所述温差程度归一化得到车进速度的补偿因子，利用补偿因子调整车进速度。
进一步，所述任意两个烧毛程度之间的差异的获取步骤包括：获取任意两个烧毛程度之差、所述车进速度中前半段序列和后半段序列之间的相关性，计算所述烧毛程度之差与所述相关性的比值得到差异程度。
进一步，利用补偿因子调整车进速度的步骤之前还包括以下优化步骤：选取当前车进速度下补偿因子的最小值作为最佳的补偿因子，将该最佳的补偿因子作为当前车进速度的补偿因子。
进一步，所述烧毛程度与所述温度子序列的均值正相关、与所述温度子序列的标准差负相关、与所述长度子序列的均值和标准差负相关。
进一步，根据每个类别中烧毛程度的均值选取最佳类别的步骤进一步包括：比较所有类别中烧毛程度的均值，均值最大的类别为最佳类别。
进一步，所述计算每个温度子序列与最佳的温度子序列之间的温度差异的步骤，包括以下优化步骤：利用动态时间规整算法计算每个温度子序列与最佳温度子序列之间的相似距离，所述相似距离为所述温度差异。
进一步，所述温差程度与所述温度差异正相关的步骤，进一步包括以下优化步骤：获取所述车进速度中前半段序列的速度均值和后半段序列的速度均值、所述温度序列中前半段序列的温度均值和后半段序列的温度均值；将前半段序列的速度均值和温度均值组成一个向量、后半段序列的速度均值和温度均值组成另一个向量；计算两个向量之间的相似度；所述温差程度与所述相似度之间呈负相关关系。
进一步，所述利用所述差异程度将相似的烧毛程度划分为同一个类别的方法采用DBSCAN的聚类方式，聚类距离为所述差异程度，对烧毛程度进行聚类，得到多个类别。
本发明具有如下有益效果：
本发明实施例公开了一种基于人工智能的纺织布料前处理工艺优化方法，该方法特别适用于特定功能的数字数据处理方法，能够实现生产领域的人工智能优化，通过工业互联网技术，利用传感器采集数据，利用不同时间间隔所对应的烧毛长度子序列和烧毛温度子序列计算纺织布料在相应时间间隔下的烧毛程度，选取最佳的多个烧毛程度，最佳的烧毛程度所对应的温度子序列为最佳的温度子序列；将当前车进速度下的温度子序列与最佳的温度子序列之间的差异得到下一个车进速度的补偿因子，利用补偿因子对下一个车进速度进行补偿，达到根据温度自适应调整车进速度的目的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于人工智能的纺织布料前处理工艺优化方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于人工智能的纺织布料前处理工艺优化方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于人工智能的纺织布料前处理工艺优化方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于人工智能的纺织布料前处理工艺优化方法流程图，该方法包括：
步骤S001，按照预设的第一采样频率实时采集预设时间段内烧毛机的车进速度，得到车进速度序列；按照预设的第二采样频率同步采集预设时间段内烧毛机中火焰的温度以及纺织布料的绒毛长度，分别得到温度序列和长度序列；其中所述第二采样频率大于所述第一采样频率。
为了更好的理解本方案，本发明实施例将以预设时间段为1秒、时间间隔为5毫秒、第一采样频率为10Hz、第二采样频率为1000Hz为例来说明本发明的具体方案。
利用光电转速传感器按照第一采样频率采集导布辊的转速，由于纺织布料由导布辊带动，导布辊的转速能够准确的反映出布料的车进速度，也即导布辊的转速为车进速度。按照10Hz的第一采样频率对车进速度进行采样，得到每秒对应的车进速度序列，将该车进速度序列记为
Figure DEST_PATH_IMAGE002
，其中J的取值为10。一般情况下会按照布料的厚度调整车进速度防止车进速度与温度之间不匹配导致布料烧毛不好或者损坏；例如，布料越厚，其对应的车进速度相对较慢；布料越薄，其对应的车进速度相对较快。
利用可调谐半导体激光器（Tunable Diode Laser Absorption Spectroscopy，TDLAS）测量气体烧毛机火焰的温度，气体烧毛机火焰的温度的高低是布料烧毛好坏的关键因素。利用TDLAS按照1000Hz的第二采样频率对火焰温度进行的测量，得到每秒对应的温度序列，将温度序列记为
Figure DEST_PATH_IMAGE004
,其中I的取值为1000。在布料与火焰之间的距离不变且布料的车进速度不变的情况下，气体烧毛机的火焰温度在一定范围内越高，烧毛的效果越好。
基于3D激光扫描仪采集在经过烧毛处理之后的布料的绒毛长度，烧毛之后的绒毛长度能够反映布料烧毛程度，本发明实施例采用3D激光扫描仪对烧毛之后的布料绒毛长度进行测量，按照1000Hz的第二采样频率对绒毛长度进行扫描，得到每秒对应的长度序列，将该长度序列记为
Figure DEST_PATH_IMAGE006
,其中I的取值为1000，绒毛长度一般为0.3-0.65毫米。
由于采样频率不同，因此在每秒内采集到车进速度序列和长度序列的序列长度不同，车进速度序列中共计10个元素，长度序列中共计1000个元素；并且长度序列与温度序列的序列长度相同，均为1000个元素。
步骤S002，将所述预设时间段均分为多个时间间隔，每个时间间隔对应一个温度子序列和一个长度子序列；根据所述温度子序列和长度子序列计算每个时间间隔内的烧毛程度，得到烧毛程度序列。
具体的，由步骤S001可知，时间间隔为5毫秒，也即将预设的1秒划分为200个时间间隔，每个时间间隔中包括5毫秒的数据。对于温度序列和长度序列，每个时间间隔分别将温度序列和长度序列划分为多个子序列，得到相应的温度子序列和长度子序列。将第m个温度子序列和长度子序列分别记为
Figure DEST_PATH_IMAGE008
，其中K的取值为5、M的取值为200，分别计算每个温度子序列和每个长度子序列的均值和标准差，将第m个温度子序列的均值记为
Figure DEST_PATH_IMAGE010
、标准差记为
Figure DEST_PATH_IMAGE012
；第k个长度子序列的均值记为
Figure DEST_PATH_IMAGE014
、标准差记为
Figure DEST_PATH_IMAGE016
，将第m个时间间隔内的烧毛程度记为
Figure DEST_PATH_IMAGE018
，由于长度均值越小表明烧毛机烧毛的效果越好，烧毛机的烧毛度值越高；长度的标准差越小，说明烧毛机对布料的烧毛状况越稳定，烧毛机的烧毛度值越高。烧毛机的火焰温度的均值越高，表明烧毛机烧毛效果越好，烧毛机的烧毛度值越高；火焰温度的标准差越小，表明烧毛机的烧嘴火焰温度在这一段时间内越稳定，烧毛机的烧毛度值越高。也即所述烧毛程度与所述温度子序列的均值正相关、与所述温度子序列的标准差负相关、与所述长度子序列的均值和标准差负相关，因此利用温度和长度评价烧毛程度，则有
Figure DEST_PATH_IMAGE020
，其中
Figure DEST_PATH_IMAGE022
为激励因子常数，经验取值为1000，用于调节绒毛长度的单位，将毫米调节为米。按照相同的方法，能够得到每个时间间隔所对应的烧毛程度，也即每秒对应200个烧毛程度，构成烧毛程度序列。对得到的烧毛程度序列进行归一化处理，使烧毛程度的取值处于[0,1]之间。
步骤S003，根据任意两个烧毛程度之间的差异计算差异程度；利用所述差异程度将相似的烧毛程度划分为同一个类别。
具体的，获取所述车进速度序列中前半段序列和后半段序列之间的相关性，根据所述相关性、任意两个烧毛程度之间的差异计算两个时间间隔对应的烧毛程度之间的差异程度。其中相关性是利用皮尔逊相关系数计算车进速度序列
Figure 705319DEST_PATH_IMAGE002
中前半段序列和后半段序列之间的相关性，也即在预设时间段1秒中的前0.5秒的车进速度数据和后0.5秒的车进速度数据之间的相关性，由于皮尔逊相关系数的取值范围为[-1,1]，在本发明实施例中将皮尔逊相关系数的值为[-1,0）的数据剔除，将剩余的相关性记为P。计算第
Figure DEST_PATH_IMAGE024
个烧毛程度和第
Figure DEST_PATH_IMAGE026
个烧毛程度之间的差值的绝对值，将该差值的绝对值记为
Figure DEST_PATH_IMAGE028
，该
Figure 730781DEST_PATH_IMAGE028
为两者之间的差异。将第
Figure 589147DEST_PATH_IMAGE024
个烧毛程度和第
Figure 312252DEST_PATH_IMAGE026
个烧毛程度之间的差异程度记为
Figure DEST_PATH_IMAGE030
，计算所述烧毛程度之差与所述相关性的比值得到差异程度，则差异程度
Figure DEST_PATH_IMAGE032
，其中分母中的1是为了防止分母为0的情况。按照同样的方法得到每秒内任意两个烧毛程度之间的差异程度。
采用DBSCAN的聚类方式，将差异程度作为聚类的聚类距离，对烧毛程度进行聚类，得到多个类别，每个类别中烧毛程度之间的差异相同或者相似。
步骤S004，根据每个类别中烧毛程度的均值选取最佳类别，所述最佳类别中每个烧毛程度所对应的温度子序列为最佳的温度子序列；基于当前速度所对应的多个温度子序列，计算每个温度子序列与所述最佳的温度子序列之间的温度差异，得到当前速度所对应的多个温度差异，所述温差程度与温度差异正相关；将所述温差程度归一化得到车进速度的补偿因子，利用补偿因子调整车进速度。
由于每个类别中的烧毛程度相似，计算每个类别中烧毛程度的均值，均值越大说明该类别的平均烧毛程度越大，烧毛成越大，说明烧毛效果越好。因此，比较所有类别中烧毛程度的均值，均值最大的类别为最佳类别。也即选取每秒内烧毛程度最好的类别作为最佳类别，将最佳类别中每个烧毛程度所对应的温度子序列作为最佳的温度子序列，以方便后续利用该类别中每个烧毛程度所对应的最佳的温度子序列调节下一个的速度。
可以理解，由于本发明实施例中每秒钟采集10个车进速度、1000个温度数据，而后利用每5毫米将一秒内的1000个温度数据划分为200个时间间隔，每一个时间间隔对应一个温度子序列，每一个温度子序列中共有5个温度数据，每一个车进速度对应20个温度子序列，因此为了调节下一个车进速度，需要根据当前速度所对应的20个温度子序列进行调节，为了使温度和速度更加匹配以得到更好的烧毛程度，因此需要将当前的速度所对应的温度子序列与最佳烧毛程度所对应的温度子序列之间的差异进行调节。
具体的，由于当前速度对应的多个温度子序列，获取所述车进速度中前半段序列的速度均值和后半段序列的速度均值、所述温度序列中前半段序列的温度均值和后半段序列的温度均值；将前半段序列的速度均值和温度均值组成一个向量、后半段序列的速度均值和温度均值组成另一个向量；计算两个向量之间的相似度；所述温差程度与所述相似度之间呈负相关关系。例如，将第
Figure DEST_PATH_IMAGE034
个烧毛程度对应的温度子序列记为
Figure DEST_PATH_IMAGE036
、将最佳类别中的第
Figure DEST_PATH_IMAGE038
个烧毛程度对应的最佳的温度子序列记为
Figure DEST_PATH_IMAGE040
，将每秒内的前0.5秒的车进速度的均值记为
Figure DEST_PATH_IMAGE042
、烧毛程度的均值记为
Figure DEST_PATH_IMAGE044
，后0.5秒的车进速度的均值记为
Figure DEST_PATH_IMAGE046
、烧毛程度的均值记为
Figure DEST_PATH_IMAGE048
。对于每秒而言，前半段时间内的烧毛程度均值和速度均值、与后半段时间的烧毛程度均值和速度均值之间的差异越大，说明在该时间段内烧毛程度和速度的稳定性就越小，则越需要对相应的速度进行补偿，也即该补偿因子的值就越大。对于当前速度对应的温度子序列而言，当前速度对应的温度子序列与最佳的温度子序列之间的差异越大，越需要对相应的速度进行补偿，也即该补偿因子的值就越大。将当前车进速度对应的第
Figure 15373DEST_PATH_IMAGE034
个温度子序列与最佳类别中所有最佳的温度子序列之间的温度差异记为
Figure DEST_PATH_IMAGE050
，则
Figure DEST_PATH_IMAGE052
，其中，
Figure DEST_PATH_IMAGE054
表示利用动态时间规整算法计算当前车进速度对应的温度子序列
Figure 447622DEST_PATH_IMAGE036
和最佳的温度子序列
Figure DEST_PATH_IMAGE056
之间的相似距离，相似距离越大说明当前速度对应的温度子序列与最佳的温度子序列之间的差异越大，此时速度越需要调整；计算第
Figure 20381DEST_PATH_IMAGE034
个温度子序列对应的补偿因子记为
Figure DEST_PATH_IMAGE058
，则有：
Figure DEST_PATH_IMAGE060
其中，
Figure DEST_PATH_IMAGE062
表示利用余弦相似度计算向量
Figure DEST_PATH_IMAGE064
和向量
Figure DEST_PATH_IMAGE066
之间的相似度，相似度越小，说明两个向量之间的差异越大。
采用相同的算法，当前速度下每个温度子序列所对应的补偿因子。
优选的，选取当前车进速度下补偿因子的最小值作为最佳的补偿因子，将利用该最佳的补偿因子对当前车进速度进行补偿得到下一个速度，系统按照得到的下一个车进速度运行，其中下一个车进速度是指下一个0.1秒的时间间隔内的车进速度。具体的，假设将当前车进速度记为
Figure DEST_PATH_IMAGE068
，将下一个车进速度记为
Figure DEST_PATH_IMAGE070
，当前车进速度
Figure 609494DEST_PATH_IMAGE068
下最佳的补偿因子记为
Figure DEST_PATH_IMAGE072
，则有：
Figure DEST_PATH_IMAGE074
选取最小的补偿因子作为最佳的补偿因子的原因是为了以最小的速度调整幅度达到最佳的效果，以防止速度突变造成的烧毛效果的突变，达到在烧毛效果不突变的情况下最适应的调整车速。
综上所述，本发明实施例公开了一种基于人工智能的纺织布料前处理工艺优化方法，该方法利用不同时间间隔所对应的烧毛长度子序列和烧毛温度子序列计算纺织布料在相应时间间隔下的烧毛程度，选取最佳的多个烧毛程度，最佳的烧毛程度所对应的温度子序列为最佳的温度子序列；将当前车进速度下的温度子序列与最佳的温度子序列之间的差异得到下一个车进速度的补偿因子，利用补偿因子对下一个车进速度进行补偿，达到根据温度自适应调整车进速度的目的。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.基于人工智能的纺织布料前处理工艺优化方法，该方法包括：
按照预设的第一采样频率实时采集预设时间段内烧毛机的车进速度，得到车进速度序列；按照预设的第二采样频率同步采集预设时间段内烧毛机中火焰的温度以及纺织布料的绒毛长度，分别得到温度序列和长度序列；其中所述第二采样频率大于所述第一采样频率；
将所述预设时间段均分为多个时间间隔，每个时间间隔对应一个温度子序列和一个长度子序列；根据所述温度子序列和长度子序列计算每个时间间隔内的烧毛程度，得到烧毛程度序列；
根据任意两个烧毛程度之间的差异计算差异程度；利用所述差异程度将相似的烧毛程度划分为同一个类别；
根据每个类别中烧毛程度的均值选取最佳类别，所述最佳类别中每个烧毛程度所对应的温度子序列为最佳的温度子序列；基于当前车进速度对应的多个温度子序列，计算每个温度子序列与最佳的温度子序列之间的温度差异，温差程度与所述温度差异正相关；将所述温差程度归一化得到车进速度的补偿因子，利用补偿因子调整下一个车进速度。
2.根据权利要求1所述的基于人工智能的纺织布料前处理工艺优化方法，其特征在于，所述任意两个烧毛程度之间的差异的获取步骤包括：获取任意两个烧毛程度之差、所述车进速度中前半段序列和后半段序列之间的相关性，计算所述烧毛程度之差与所述相关性的比值得到差异程度。
3.根据权利要求1所述的基于人工智能的纺织布料前处理工艺优化方法，其特征在于，利用补偿因子调整下一个车进速度的步骤之前还包括以下优化步骤：选取当前车进速度下补偿因子的最小值作为最佳的补偿因子，将该最佳的补偿因子作为当前车进速度的补偿因子。
4.根据权利要求1所述的基于人工智能的纺织布料前处理工艺优化方法，其特征在于，所述烧毛程度与所述温度子序列的均值正相关、与所述温度子序列的标准差负相关、与所述长度子序列的均值和标准差负相关。
5.根据权利要求1所述的基于人工智能的纺织布料前处理工艺优化方法，其特征在于，根据每个类别中烧毛程度的均值选取最佳类别的步骤进一步包括：比较所有类别中烧毛程度的均值，均值最大的类别为最佳类别。
6.根据权利要求1所述的基于人工智能的纺织布料前处理工艺优化方法，其特征在于，所述计算每个温度子序列与最佳的温度子序列之间的温度差异的步骤，包括以下优化步骤：利用动态时间规整算法计算每个温度子序列与最佳温度子序列之间的相似距离，所述相似距离为所述温度差异。
7.根据权利要求1所述的基于人工智能的纺织布料前处理工艺优化方法，其特征在于，所述温差程度与所述温度差异正相关的步骤，进一步包括以下优化步骤：
获取所述车进速度中前半段序列的速度均值和后半段序列的速度均值、所述温度序列中前半段序列的温度均值和后半段序列的温度均值；
将前半段序列的速度均值和温度均值组成一个向量、后半段序列的速度均值和温度均值组成另一个向量；
计算两个向量之间的相似度；所述温差程度与所述相似度之间呈负相关关系。
8.根据权利要求1所述的基于人工智能的纺织布料前处理工艺优化方法，其特征在于，所述利用所述差异程度将相似的烧毛程度划分为同一个类别的方法采用DBSCAN的聚类方式，聚类距离为所述差异程度，对烧毛程度进行聚类，得到多个类别。
CN202210516885.5A 2022-05-13 2022-05-13 基于人工智能的纺织布料前处理工艺优化方法 Active CN114626486B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210516885.5A CN114626486B (zh) 2022-05-13 2022-05-13 基于人工智能的纺织布料前处理工艺优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210516885.5A CN114626486B (zh) 2022-05-13 2022-05-13 基于人工智能的纺织布料前处理工艺优化方法

Publications (2)

Publication Number Publication Date
CN114626486A CN114626486A (zh) 2022-06-14
CN114626486B true CN114626486B (zh) 2022-07-12

Family

ID=81907045

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210516885.5A Active CN114626486B (zh) 2022-05-13 2022-05-13 基于人工智能的纺织布料前处理工艺优化方法

Country Status (1)

Country Link
CN (1) CN114626486B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115055225A (zh) * 2022-08-18 2022-09-16 启东万惠机械制造有限公司 一种确定脱壳机最优工作状态的方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102080293A (zh) * 2009-11-30 2011-06-01 天津纺织工程研究院有限公司 Coolmax纤维色织面料及其制造方法
JP2013096046A (ja) * 2011-10-29 2013-05-20 Kenji Fukuda 立体加工被服の毛羽除去加工法及びその装置
CN203583206U (zh) * 2013-11-30 2014-05-07 桐乡市中泰纺织练染有限公司 布匹烧毛装置
CN110998007A (zh) * 2017-08-07 2020-04-10 兴和株式会社 抗起球布料及其制造方法
CN113610849A (zh) * 2021-10-09 2021-11-05 海门市恒创织带有限公司 一种基于图像处理的纺织品烧毛工艺智能作业方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102080293A (zh) * 2009-11-30 2011-06-01 天津纺织工程研究院有限公司 Coolmax纤维色织面料及其制造方法
JP2013096046A (ja) * 2011-10-29 2013-05-20 Kenji Fukuda 立体加工被服の毛羽除去加工法及びその装置
CN203583206U (zh) * 2013-11-30 2014-05-07 桐乡市中泰纺织练染有限公司 布匹烧毛装置
CN110998007A (zh) * 2017-08-07 2020-04-10 兴和株式会社 抗起球布料及其制造方法
CN113610849A (zh) * 2021-10-09 2021-11-05 海门市恒创织带有限公司 一种基于图像处理的纺织品烧毛工艺智能作业方法及系统

Also Published As

Publication number Publication date
CN114626486A (zh) 2022-06-14

Similar Documents

Publication Publication Date Title
CN114626486B (zh) 基于人工智能的纺织布料前处理工艺优化方法
Lee et al. Layer-wise adaptive model aggregation for scalable federated learning
CN109493327B (zh) 基于纱线形态变化的上浆率在线调控方法
CN114842007A (zh) 一种基于图像处理的纺织品磨损缺陷检测方法
CN115523962A (zh) 一种服装面料生产印染工序在线监测控制系统
CN111257318B (zh) 一种浆纱表面被覆效果表征方法及浆纱条干影像采集装置
KR100933976B1 (ko) 직물밀도측정시스템 및 이를 이용한 직물밀도측정방법
Lee et al. Improve quality and efficiency of textile process using data-driven machine learning in industry 4.0
CN118583802A (zh) 一种智能验布检测方法、系统、设备及介质
CN112150445A (zh) 基于贝叶斯阈值的纱线毛羽检测方法
CN112651928A (zh) 基于动态卷积神经网络的涤纶长丝均匀性在线检测系统
US20220134774A1 (en) Information processing device, information processing method, and program thereof
Farooq et al. Use of artificial neural networks for determining the leveling action point at the auto-leveling draw frame
CN110791944A (zh) 整纬机控制方法、装置、计算机设备和存储介质
CN108038310B (zh) 一种拉幅热定型机干布热定型实时温度估算方法
CN116575208B (zh) 一种柔软针织面料加工方法及其磨毛工艺设备
CN103364537A (zh) 基于机器视觉的紧密赛络纺纱线质量在线检测方法
CN112288740A (zh) 一种基于图像处理技术的浆纱表面被覆特征指标计算方法及采集浆纱条干序列图像的装置
CN114636811B (zh) 一种家纺棉质面料的后整理方法
ITMI20011244A1 (it) Dispositivo su stiratoio di regolazione per materiale filato per rilevare direttamente valori di registrazione del punto avvio regolazione
CN115294165A (zh) 一种基于机器视觉的纺织品烧毛工艺智能作业方法
CN115272317A (zh) 一种自适应纺织坯布烧毛控制方法
CN107724092B (zh) 纯棉梭织物及其加工方法
CN114487363B (zh) 一种棉织品除皱效果检测方法
CN117661218A (zh) 一种智能化的拉幅定型机的幅宽调整方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant