Neuronowy model procesu przędzenia do prognozowania wybranych własności przędz mieszankowych na podstawie charakterystyk strumieni zasilających
Research and development
Autorzy:
- Jackowska-Strumułło Lidia
Institute of Automatic Control, Faculty of Electrical, Electronic, Computer and Control Engineering, Technical University of Lodz, Łódź, Poland - Cyniak Danuta
Department of Spinning Technology and Yarn Structure, Technical University of Łódź, Łódź, Poland - Czekalski Jerzy (j/w)
- Jackowski Tadeusz (j/w)
 Pełen tekst (ang.) | Abstrakt: Celem badań było określenie wpływu udziału procentowego włókien poliestrowych w taśmie zasilającej oraz masy liniowej wytwarzanej przędzy na jej parametry jakościowe, oraz budowa modelu procesu przędzenia. Analizowano przędze wykonane na przędzarce rotorowej BD 200S z taśm mieszankowych bawełna/włókna poliestrowe oraz z taśmy bawełnianej. W taśmach mieszankowych udział włókien poliestrowych wynosił: 12,5, 25, 37,5, 50; 62,5; 75; 87,5 %; pozostałą część stanowiła bawełna średnio włóknista zgrzeblona i czesana. Na przędzarce rotorowej BD 200S wykonywano przędze o masach liniowych: 15, 18, 20, 25, 30 i 40 tex. Dla wybranych, istotnych parametrów jakościowych przędz takich jak: wytrzymałość właściwa, nierównomierność masy liniowej przędzy, włochatość oraz błędy przędzy (liczba zgrubień, pocienień i nopów) zbudowano modele cząstkowe procesu przędzenia. Do modelowania zmienności tych parametrów zastosowano metody regresji liniowej i linearyzowanej, metodę regresji nieliniowej wielorakiej oraz sztuczne sieci neuronowe: sieci ADALINE oraz dwuwarstwowe sieci perceptronowe (MLP). Najlepsze wyniki aproksymacji uzyskano dla sieci MLP. Przeprowadzono dobór optymalnej struktury sieci. Do modelowania zmienności współczynnika CV zastosowano model hybrydowy. |
Tagi: yarn blends, cotton, polyester-fibres, rotor spinning, yarn quality parameters, linear regression, non-linear regression, artificial neural networks.