CN115787160B - 一种用于纺纱机群的除静电控制方法及*** - Google Patents
一种用于纺纱机群的除静电控制方法及*** Download PDFInfo
- Publication number
- CN115787160B CN115787160B CN202310043049.4A CN202310043049A CN115787160B CN 115787160 B CN115787160 B CN 115787160B CN 202310043049 A CN202310043049 A CN 202310043049A CN 115787160 B CN115787160 B CN 115787160B
- Authority
- CN
- China
- Prior art keywords
- flow
- information
- static electricity
- parameter
- node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Spinning Or Twisting Of Yarns (AREA)
Abstract
本发明提供了一种用于纺纱机群的除静电控制方法及***,涉及纺纱机群技术领域,获得纺纱机群信息,确定操作流程信息,构建工艺流程时序链,进行各节点参数关联,进行静电关系分析,拟合参数因子与静电量影响关系并将其加入工艺流程时序链,构建流程时序链预测模型,获得机群监测数据输入流程时序链预测模型,得到预测静电,确定异常流程节点,根据差异值进行参数因子分析,确定静电控制信息。本发明解决了现有技术中对各纺纱机所在的流程节点不能精准掌握,使得生产流程中对于静电的管理效果差的技术问题,实现了对纺纱工艺流程节点的合理化精准掌控,进而对各纺纱机进行针对性的调整,达到提升生产流程中静电控制效果的技术效果。
Description
技术领域
本发明涉及纺纱机群技术领域,具体涉及一种用于纺纱机群的除静电控制方法及***。
背景技术
纺纱面料的静电现象主要是由于表面间的相互摩擦产生的,纺纱材料在生产加工过程中受各种因素作用可能在材料和加工机械上产生并积累静电,而静电的产生会对整个加工的过程以及纺纱品的质量产生不良影响。另外,长时间的静电干扰还可能使人体的血糖浓度升高,血液中钙和维C含量下降,导致出现焦燥、头痛、胸闷、咳嗽等不良反应。影响纺纱面料静电的因素很多,但主要取决于纺纱面料的吸湿性和空气的相对湿度及摩擦条件等。如何实现纺纱过程的抗静电性是生产过程中必须考虑的问题。而现今常用的纺纱机群的除静电控制方法还存在着一定的弊端,对于纺纱机群的除静电控制还存在着一定的可提升空间。
现有技术中对各纺纱机所在的流程节点不能精准掌握,使得生产流程中对于静电的管理效果差。
发明内容
本申请实施例提供了一种用于纺纱机群的除静电控制方法及***,用于针对解决现有技术中对各纺纱机所在的流程节点不能精准掌握,使得生产流程中对于静电的管理效果差的技术问题。
鉴于上述问题,本申请实施例提供了一种用于纺纱机群的除静电控制方法及***。
第一方面,本申请实施例提供了一种用于纺纱机群的除静电控制方法,所述方法包括:获得纺纱机群的原料成分信息及机群控制参数信息;基于纺纱订单信息确定纺纱工艺流程、订单原料信息,并根据所述纺纱工艺流程、订单原料信息、纺纱机群的原料成分信息及机群控制参数信息,确定操作流程信息,所述操作流程信息包括流程原料信息、流程纺纱机信息;根据所述操作流程信息中的流程节点,构建工艺流程时序链,将针对各工艺流程节点对应的流程原料信息、流程纺纱机信息进行各节点参数关联;利用历史记录数据库进行各工艺流程节点静电关系分析,拟合各工艺流程节点对应的参数因子与静电量影响关系,其中,参数因子包括环境因子、材料成分因子、加工操作因子;将所述各工艺流程节点对应的参数因子与静电量影响关系加入所述工艺流程时序链,构建流程时序链预测模型;基于所述参数因子通过物联网监测设备进行各工艺流程节点的参数实时监测,获得机群监测数据;将所述机群监测数据输入所述流程时序链预测模型,对各流程节点进行静电预测,得到各流程节点预测静电;判断各流程节点预测静电是否超出预设静电阈值,超出时,确定异常流程节点,所述异常流程节点为流程节点预测静电超出预设静电阈值的流程节点,并根据流程节点预测静电与预设静电阈值的差异值,对该流程节点进行参数因子分析,确定静电控制信息。
第二方面,本申请实施例提供了一种用于纺纱机群的除静电控制***,所述***包括:信息获取模块,所述信息获取模块用于获得纺纱机群的原料成分信息及机群控制参数信息;流程信息确定模块,所述流程信息确定模块用于基于纺纱订单信息确定纺纱工艺流程、订单原料信息,并根据所述纺纱工艺流程、订单原料信息、纺纱机群的原料成分信息及机群控制参数信息,确定操作流程信息,所述操作流程信息包括流程原料信息、流程纺纱机信息;时序链构建模块,所述时序链构建模块用于根据所述操作流程信息中的流程节点,构建工艺流程时序链,将针对各工艺流程节点对应的流程原料信息、流程纺纱机信息进行各节点参数关联;静电关系分析模块,所述静电关系分析模块用于利用历史记录数据库进行各工艺流程节点静电关系分析,拟合各工艺流程节点对应的参数因子与静电量影响关系,其中,参数因子包括环境因子、材料成分因子、加工操作因子;预测模型构建模块,所述预测模型构建模块用于将所述各工艺流程节点对应的参数因子与静电量影响关系加入所述工艺流程时序链,构建流程时序链预测模型;参数实时监测模块,所述参数实时监测模块用于基于所述参数因子通过物联网监测设备进行各工艺流程节点的参数实时监测,获得机群监测数据;静电预测模块,所述静电预测模块用于将所述机群监测数据输入所述流程时序链预测模型,对各流程节点进行静电预测,得到各流程节点预测静电;异常流程节点确定模块,所述异常流程节点确定模块用于判断各流程节点预测静电是否超出预设静电阈值,超出时,确定异常流程节点,所述异常流程节点为流程节点预测静电超出预设静电阈值的流程节点,并根据流程节点预测静电与预设静电阈值的差异值,对该流程节点进行参数因子分析,确定静电控制信息。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供的一种用于纺纱机群的除静电控制方法,涉及纺纱机群技术领域,获得纺纱机群信息,确定纺纱工艺流程、订单原料信息,确定操作流程信息,构建工艺流程时序链,进行各节点参数关联,进行各工艺流程节点静电关系分析,拟合参数因子与静电量影响关系并将其加入工艺流程时序链,构建流程时序链预测模型,进行参数实时监测,获得机群监测数据输入流程时序链预测模型,进行静电预测得到预测静电,超出预设静电阈值时,确定异常流程节点,并根据差异值进行参数因子分析,确定静电控制信息。解决了现有技术中对各纺纱机所在的流程节点不能精准掌握,使得生产流程中对于静电的管理效果差的技术问题,实现了对纺纱工艺流程节点的合理化精准掌控,进而对各纺纱机进行针对性的调整,达到提升生产流程中静电控制效果的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种用于纺纱机群的除静电控制方法流程示意图;
图2为本申请实施例提供了一种用于纺纱机群的除静电控制方法中确定流程纺纱机信息流程示意图;
图3为本申请实施例提供了一种用于纺纱机群的除静电控制方法中确定预设静电阈值流程示意图;
图4为本申请实施例提供了一种用于纺纱机群的除静电控制***结构示意图。
附图标记说明:信息获取模块10,流程信息确定模块20,时序链构建模块30,静电关系分析模块40,预测模型构建模块50,参数实时监测模块60,静电预测模块70,异常流程节点确定模块80。
具体实施方式
本申请实施例通过提供一种用于纺纱机群的除静电控制方法,用于针对解决现有技术中对各纺纱机所在的流程节点不能精准掌握,使得生产流程中对于静电的管理效果差的技术问题。
实施例一
如图1所示,本申请实施例提供了一种用于纺纱机群的除静电控制方法,所述方法包括:
步骤S100:获得纺纱机群的原料成分信息及机群控制参数信息;
具体而言,本申请实施例提供的一种用于纺纱机群的除静电控制方法应用于纺纱机群的除静电控制***。首先,纺纱指把纺纱纤维加工成纱的过程,要经过开松、梳理、牵伸、加捻与卷绕等基本过程,目的是是纤维由杂乱无章的状态变为按纵向有序排列,按照加工原料的不同,纺纱工艺一般可分为棉纺、毛纺、麻纺、绢纺等。
纺纱材料都是由大分子组成的,分子的原子是由带正电的原子核和带负电的电子组成,两种纺纱材料相互摩擦,一定的压力下,当摩擦接触表面的间距小于一定程度时,面上两侧的分子就会相互吸引,早在18世纪,人们就对大量纺纱材料的摩擦起电做了静电实验,得到纤维材料静电点位序列,纤维材料静电序列由正到负依次为羊毛、锦纶、黏胶纤维、棉、蚕丝、麻、醋酯纤维、聚乙烯醇纤维、涤纶、腈纶、氯纶、丙纶、氟纶,由纤维材料静电序列可知羊毛、锦纶等纤维排在前面,纤维素纤维居中,一般化学纤维排在后面,当两种纤维材料相摩擦时,排在纤维材料静电序列前面的物质带正电,排在后面的带负电荷。获取纺纱机群的原料成分信息,对照纤维材料静电序列获得各材料的静电序列。
纺纱机群主要包括抓棉机、混面机、开棉机、清棉成卷机、梳棉机、并条机、粗纱机、细纱机等,机群控制参数信息为每个纺纱机的运行参数,如抓棉机的刀片伸出肋条距离、圆盘刀片密度等,梳棉机的转速、相邻机件的隔距等。
通过纺纱机群的基础信息的获取,实现了对纺纱机群的合理化精准掌握,为后续的工艺流程时序链夯实基础。
步骤S200:基于纺纱订单信息确定纺纱工艺流程、订单原料信息,并根据所述纺纱工艺流程、订单原料信息、纺纱机群的原料成分信息及机群控制参数信息,确定操作流程信息,所述操作流程信息包括流程原料信息、流程纺纱机信息;
具体而言,纺纱订单为客户向供应商发出的订货凭据,包含成品、原材料、
零部件、工艺流程、服务等全部采购过程。通过纺纱订单信息确定纺纱工艺流程、订单原料信息,其中纺纱工艺流程包括清棉、梳棉、并条、粗纱、细纱,用于高档产品的纱和线还需要增加精梳工序,生产不同要求的棉纱,要采取不同的加工程序,如纺纯棉纱和涤棉混纺纱,由于使用的原料不同,各种原料所具有的物理性能不同,以及产品质量要求不同,在加工时需采用不同的生产流程。通过获取纺纱订单信息,初步确认目标工艺流程、原料信息。
订单原料信息为目标原料,纺纱机群的原料成分信息为现有技术可以实现投入使用的现有原料,将目标原料与现有原料进行对比,判断现有工艺是否能够满足客户需求、产能是否足够等,若不满足则需要对现有原料进行补充、采买。当原料符合时,则根据纺纱工艺流程对机群控制参数信息进行对比,判断现有纺纱机群是否能满足目标工艺流程,如对于纯棉纱工艺流程,有普梳纱与精梳纱的区别,相较而言精梳纱多了预并、条卷、精梳等流程,判断纺纱机群是否能够通过调整参数达到订单需求。根据纺纱工艺流程和订单原料信息控制、调整原料成分信息和纺纱机群参数使得都可以满足订单需求,将调整后的原料成分信息作为流程原料信息,以及调整后的纺纱机群参数作为流程纺纱机信息,以此确定操作流程信息。
步骤S300:根据所述操作流程信息中的流程节点,构建工艺流程时序链,将针对各工艺流程节点对应的流程原料信息、流程纺纱机信息进行各节点参数关联;
具体而言,提取操作流程信息中的各流程对应的纺纱机,以流程顺序对应的纺纱机作为流程节点,在纺纱过程中,节点之间交互发生的时间以及频次可对将来可能发生的交互行为进行预测,即根据第N-1节点、第N节点、第N+1节点的顺序构建工艺流程时序链,其中,根据各工艺流程节点对应的流程原料信息、流程纺纱机信息将原时序链中固定的数据转化为动态的数据,即流程原料A(N-1)在第N-1节点经过流程纺纱机的处理后产生变化成为流程原料A(N),再将流程原料A(N)输送至第N节点经过流程纺纱机的处理后产生变化成为流程原料A(N+1),再将流程原料A(N+1)输送至第N+1节点,对整个过程进行记录,当调整某节点的流程纺纱机信息时,可对流程原料信息进行预测。通过工艺流程时序链的构建,实现了随机过程的量化处理,为后续构建流程时序链预测模型打下基础。
步骤S400:利用历史记录数据库进行各工艺流程节点静电关系分析,拟合各工艺流程节点对应的参数因子与静电量影响关系,其中,参数因子包括环境因子、材料成分因子、加工操作因子;
具体而言,历史记录数据库为根据历史纺纱记录构建的数据库,包括各工艺流程节点中纺纱材料的静电现象。干燥的纺纱材料是绝缘体,比电阻很高,特别是吸湿能力差的合成纤维比电阻更大,纤维在纺纱加工和使用过程中由于摩擦产生静电现象,给纺纱生产和纺纱品的使用带来种种不利的影响。示例性地,合成纤维在开松过程中,由于静电纤维会贴附在机架、管道上使输出纤维层厚度不均;梳棉工序中,静电容易引起棉网破洞;并条工序中,静电吸引发生缠绕皮棍和罗拉,使条子发毛:静电使细沙断头增加,制造是开口不清。
设参数因子与静电量(x,y)是一对观测量,且满足以下的理论函数:/>,其中,/>为待定参数,即一组参变量,通过引入待定参数来描述自变量x与因变量y的变化,/>为环境因子,/>为材料成分因子,/>为加工操作因子,为了寻找/>的参数/>的最优估计值,对于给定m组的观测数据/>,求解目标函数/>,取最小值的参数,通过最小二乘拟合计算,寻找数据的最佳函数匹配,使得求得的数据与实际数据之间误差的平方和为最小。/>
步骤S500:将所述各工艺流程节点对应的参数因子与静电量影响关系加入所述工艺流程时序链,构建流程时序链预测模型;
具体而言,所述流程时序链预测模型为马尔科夫模型,是具有马尔科夫性质且存在于离散的指数集和状态空间内的随机过程,用于根据历史数据预测等时间间隔点上的各种状态分布情况。一个随机过程能不能用马尔科夫过程来建模,在于我们能不能很好地定义状态以及状态之间的转移方程。在强化学习中,智能体与环境一直在互动,在每个时刻t,智能体会接收到来自环境的状态s,基于这个状态s,智能体会做出动作A,然后这个动作作用在环境上,于是智能体可以接收到一个奖赏R,并且智能体就会到达新的状态,所以智能体与环境之间的交互就产生了一个序列:,我们称这个为序列决策过程,而马尔科夫决策过程就是序列决策过程的一种公式化。在利用马尔科夫模型解决问题前,先要进行模型的训练。
进一步地,根据第一静电量,可获得第二节点状态,所述第二节点状态为第一节点状态在第一参数因子操作后的节点,即在进行第一节点操作后,提取第二节点状态信息,可用于评估所述第一参数因子的静电效果。通过第一静电量、第一节点状态、和第一参数因子直到第N静电量、第N节点状态、和第N参数因子,可进行所述工艺流程状态空间的构建。
进一步地,第N-1参数因子用于对第N节点状态的工艺流程进行针对性处理,当第N-1参数因子操作结束后,所述纺纱原料发生变化,所述地N节点状态代表所述第N-1参数因子操作完成后纺纱原料的状态信息,所述第N节点状态与第N-1参数因子之间具有一一对应的映射关系,通过地N节点状态便可获得第N-1参数因子,反之亦然。根据所述映射关系,构建所述流程时序链预测模型,全面客观地反映出所述纺纱工艺流程的实际流程状态信息。
步骤S600:基于所述参数因子通过物联网监测设备进行各工艺流程节点的参数实时监测,获得机群监测数据;
具体而言,物联网监测设备包括温湿度传感器、监控摄像头,通过温湿度传感器对环境温度湿度进行实时检测获取环境因袭,通过监控摄像头对加工操作过程进行实时监控,获取加工做操因子,通过对纺纱流程中的每个纺纱机进行实时检测,获得多个参数因子,以此作为机群监测数据。通过对各工艺流程节点的实时检测,实现了对工艺流程的合理化精准管控,达到提升纺纱机群控制效果的技术效果。
步骤S700:将所述机群监测数据输入所述流程时序链预测模型,对各流程节点进行静电预测,得到各流程节点预测静电。
具体而言,得到的机群监测数据包含多个参数因子,将得到的参数因子输入流程时序链预测模型,根据上述第N节点状态与第N-1参数因子之间具有一一对应的映射关系,将任意一节点的参数因子输入流程时序链,经过计算即可得到对应节点的静电量以及下一节点的节点状态,以此进行各流程节点的静电预测,通过计算得到各节点的预测静电。
步骤S800:判断各流程节点预测静电是否超出预设静电阈值,超出时,确定异常流程节点,所述异常流程节点为流程节点预测静电超出预设静电阈值的流程节点,并根据流程节点预测静电与预设静电阈值的差异值,对该流程节点进行参数因子分析,确定静电控制信息。
具体而言,静电阈值为根据静电预测计算得到的标准阈值,表征预测静电的可接受的误差范围,当预测静电在静电阈值之内时说明预测静电处于合理范围,预测值较为准确,当预测静电超出静电阈值时,说明预测静电数据异常,预测数据超出正常范围,则对应的纺纱流程节点出现异常。
计算该异常节点处预测静电与预设静电阈值的差值,即预测静电数据超出标准阈值数据的范围的部分,根据第N节点状态与第N-1参数因子之间具有的一一对应的映射关系,该超出的部分同时表征着该异常节点处参数因子相较于正常参数因子产生的异常,对该异常节点处的参数因子进行分析,通过控制预测静电数据至正常范围,计算该数据下的参数因子,通过最小二乘拟合计算,寻找数据的最佳函数匹配,使得求得的数据与实际数据之间误差的平方和为最小,通过计算得出的参数因子/>进行参数因子的控制,进而实现静电控制。
进一步而言,如图2所示,本申请步骤S200还包括:
步骤S210:根据所述纺纱工艺流程,确定流程对应纺纱机信息;
步骤S220:根据所述流程对应纺纱机信息、订单原料信息,确定所述流程原料信息,所述流程原料信息为各流程对应纺纱机中加工材料信息;
步骤S230:根据所述流程原料信息、纺纱机群的原料成分信息及机群控制参数信息,确定所述流程纺纱机信息,所述流程纺纱机信息为针对该流程加工材料信息确定的纺纱机控制参数信息。
具体而言,纺纱工艺流程包括清棉、梳棉、并条、粗纱、细纱,其中各流程分别对应抓棉机、混棉机、开棉机、梳棉机、精梳机、并条机、粗纱机、细纱机等,每个流程对应一个或多个纺纱机。订单原料信息包含初始原料及后续纺纱流程中的加工材料信息,根据纺纱机信息将订单原料信息进行分配,分配到各纺纱机的订单原料作为各自纺纱机的流程原料,等待处理。对比分配到各纺纱机的订单原料和各纺纱机的现有的原料成分信息是否一致,获取对应的纺纱机进行工艺加工时的各项调整参数,如电压、转速等,以此作为所述流程纺纱机信息。
进一步而言,如图3所示,本申请步骤S800之前还包括:
步骤S810:根据所述历史记录数据库,进行记录静电异常事故提取,得到静电异常事故信息;
步骤S820:根据静电异常事故信息,确定各纺纱机的静电阈值;
步骤S830:基于所述各纺纱机的静电阈值,确定所述预设静电阈值。
具体而言,所述历史记录数据库为根据历史纺纱记录构建的数据库,包括各工艺流程节点中纺纱材料的静电现象。将历史记录数据库中的静电现象进行标记,包括正常标记和异常标记,将标记为异常的静电现象作为异常事故进行提取,示例性地,在纺纱过程中,静电干扰表现为缠贴现象,如女裙因静电吸引缠绕腿部,带有静电的衣服容易吸灰尘,静电严重时静电压高达几千伏,电荷放点会产生火花,会引起易燃气体的***等,将历史记录数据库中发生过的静电异常事故进行提取汇总得到静电异常事故信息。
通过静电异常事故信息获取第一流程节点对应的多个历史静电异常事故,将所述多个历史静电异常事故根据其严重程度进行排序,获得多个静电量等级,计算得到每个静电等级的最低静电量数据,以此获得第一流程节点的静电阈值,根据第一流程节点的静电阈值经过计算得到各纺纱机的静电阈值,根据对应流程节点进行匹配阈值,得到预设静电阈值。
进一步而言,本申请还包括:
步骤S910:当所述流程原料信息为复合材料时,获得纺纱材料静电列表,并基于所述纺纱材料静电列表及复合材料的成分配比,进行成分含量匹配,确定各成分静电产生系数;
步骤S920:根据所述复合材料的成分配比,确定成分含量占比;
步骤S930:基于所述成分含量占比、各成分静电产生系数进行加权计算,确定材料成分因子的静电量影响关系。
具体而言,由于不同的材质产生的静电量不同,其中会有些不同材料的,或者复合材料,针对复合材料,基于纤维材料静电序列进行权重复合分析,如羊毛、锦纶等排在序列前面的纤维则权重较大,纤维素纤维等居中的则权重较小,以此确定复合材料的静电情况。
示例性地,某符合材料中有70%的a材料、20%的b材料和10%的c材料,将纤维材料静电序列设置为从左到右依次为+1、0、-1,经过对比纤维材料静电序列,a材料、b材料和c材料在纤维材料静电序列中的静电序列分别为h、i、j,经过计算得到该复合材料的各成分静电产生系数分别为70%h、20%i、10%j,成分含量占比分别为70%、20%、10%,根据纤维材料静电序列对摩擦的纤维材料的带电量进行赋权,越靠近静电序列两端的权重越大,越居中的说明带电量越小,则权重越小。
进一步而言,本申请步骤S800还包括:
步骤S800-1:根据所述流程节点预测静电与预设静电阈值,确定差异值,将所述差异值作为静电调节目标值;
步骤S800-2:获得该流程节点的参数因子,作为目标流程节点参数因子,包括环境因子、材料成分因子、加工操作因子;
步骤S800-3:获得静电消除手段集,利用所述静电消除手段集与目标流程节点进行匹配,确定目标流程匹配静电消除手段及其对应的消除参数因子调节关系;
步骤S800-4:基于所述静电调节目标值,根据所述各工艺流程节点对应的参数因子与静电量影响关系、目标流程节点参数因子、消除参数因子调节关系,构建适应度函数;
步骤S800-5:基于所述环境因子、材料成分因子、加工操作因子,对目标流程节点进行参数因子约束值分析,确定各参数因子约束值,将所述各参数因子约束值作为约束条件加入所述适应度函数;
步骤S800-6:根据所述适应度函数进行全局寻优,确定各参数因子的控制方案,作为所述静电控制信息。
具体而言,计算该异常节点处预测静电与预设静电阈值的差值,即预测静电数据超出标准阈值数据的范围的部分,根据第N节点状态与第N-1参数因子之间具有的一一对应的映射关系,该超出的部分同时表征着该异常节点处参数因子相较于正常参数因子产生的异常,以此异常值作为静电调节目标值。
通过物联网监测设备获取的机群监测数据,调取异常流程节点当前的参数因子,即为需要调节的参数因子,包括环境因子、材料成分因子、加工操作因子,其中环境因子包括环境的温度、湿度,材料成分因子包含所述复合材料的成分配比,即材料成分因子的静电量影响关系,加工操作因子为该流程节点进行材料加工时的各种操作数据,如电压、转速等参数。通过大数据获取多种静电消除手段,组成静电消除手段集,如增加环境湿度、降低环境温度、减少摩擦次数、降低摩擦次数、增加摩擦间隔时间等。
根据静电消除手段的可行性与有效性将静电消除手段与所述异常流程节点进行匹配,每个异常流程节点可匹配多个静电消除手段,获取每个静电消除手段与其对应的消除参数因子调节关系,如湿度每上调2%对应的静电量减少数据。值得注意的是,各参数因子具有一定的约束值,比如湿度,通过增加湿度可以降低静电量,但是也不能湿度太大,否则机器会生锈,人会不舒服,因而有一定的取值要求,根据湿度调节范围对进行湿度进行限定通过调节多个参数达到降低静电量的目的。
示例性地,湿度每上调a,则静电量减少A,则静电量y与湿度x的关系有,其中,m、n分别是人和机器能接受的最小湿度和最大湿度。同理获得多个静电消除手段的消除参数因子与静电变化量之间的函数关系,利用全局寻优算法,对各静电的影响参数进行寻优分析,即确定怎样的控制方案最佳,以此得到各参数因子的控制方案,以此进行静电控制。
进一步而言,本申请步骤S800-5包括:
步骤S800-51:分别基于所述环境因子、材料成分因子、加工操作因子,根据所述历史记录数据库对目标流程节点进行阈值分析,确定环境因子阈值、材料成分因子阈值、加工操作因子阈值;
步骤S800-52:将所述环境因子阈值、材料成分因子阈值、加工操作因子阈值作为各参数因子约束值。
具体而言,以湿度为例,通过适应度函数可知,通过增加湿度可以降低静电量,湿度越高则静电量越低,但在实际操作过程中,湿度有一定的调节范围,不能太大,否则机器会生锈,人会不舒服,因而有一定的取值要求,根据湿度调节范围对进行湿度进行限定,对于其他参数因子也是一样,基于历史记录数据库获取各参数因子的调节范围,以此作为各因子的调节阈值,通过在阈值范围内调节多个参数,从多方面共同调节,以达到降低静电量的目的。
进一步而言,本申请步骤S800-6还包括:
步骤S800-61:根据所述各参数因子的控制方案进行静电控制结果评估,确定静电控制评价结果;
步骤S800-62:判断所述静电控制评价结果是否满足预设静电阈值;
步骤S800-63:当不满足时,基于所述工艺流程时序链进行联动流程分析,确定联动流程节点;
步骤S800-64:分别对联动流程节点进行全局寻优,确定各联动流程节点的控制方案;
步骤S800-65:基于所述工艺流程时序链,根据所述目标流程节点的各参数因子的控制方案及各联动流程节点的控制方案进行联动控制分析,确定联动控制方案。
具体而言,得到的参数因子为当前流程节点可达到的最优因子,根据该参数因子进行异常流程节点的参数调节,通过计算得到调节后的静电量,该静电量为当前流程节点可达到的最低静电量,即最优结果,将该静电量与预设静电阈值进行对比,判断静电量是否满足预设静电阈值,当满足时说明调节效果达到要求范围,调节有效。当不满足时,说明只对当前流程节点进行调节无法满足需求,由于工艺流程时序链为整个的操作流程,通过调节当前流程节点的前一个或者多个流程节点也可以达到对当前流程节点进行调节的效果。则基于工艺流程时序链对当前流程节点的前一个或多个联动流程节点进行调取,通过同样的方式,对联动流程节点的参数因子进行调节,以降低联动流程节点的静电量,进而达到降低当前流程节点静电量的效果。
实施例二
基于与前述实施例中一种用于纺纱机群的除静电控制方法相同的发明构思,如图4所示,本申请提供了一种用于纺纱机群的除静电控制***,***包括:
信息获取模块10,所述信息获取模块10用于获得纺纱机群的原料成分信息及机群控制参数信息;
流程信息确定模块20,所述流程信息确定模块20用于基于纺纱订单信息确定纺纱工艺流程、订单原料信息,并根据所述纺纱工艺流程、订单原料信息、纺纱机群的原料成分信息及机群控制参数信息,确定操作流程信息,所述操作流程信息包括流程原料信息、流程纺纱机信息;
时序链构建模块30,所述时序链构建模块30用于根据所述操作流程信息中的流程节点,构建工艺流程时序链,将针对各工艺流程节点对应的流程原料信息、流程纺纱机信息进行各节点参数关联;
静电关系分析模块40,所述静电关系分析模块40用于利用历史记录数据库进行各工艺流程节点静电关系分析,拟合各工艺流程节点对应的参数因子与静电量影响关系,其中,参数因子包括环境因子、材料成分因子、加工操作因子;
预测模型构建模块50,所述预测模型构建模块50用于将所述各工艺流程节点对应的参数因子与静电量影响关系加入所述工艺流程时序链,构建流程时序链预测模型;
参数实时监测模块60,所述参数实时监测模块60用于基于所述参数因子通过物联网监测设备进行各工艺流程节点的参数实时监测,获得机群监测数据;
静电预测模块70,所述静电预测模块70用于将所述机群监测数据输入所述流程时序链预测模型,对各流程节点进行静电预测,得到各流程节点预测静电;
异常流程节点确定模块80,所述异常流程节点确定模块80用于判断各流程节点预测静电是否超出预设静电阈值,超出时,确定异常流程节点,所述异常流程节点为流程节点预测静电超出预设静电阈值的流程节点,并根据流程节点预测静电与预设静电阈值的差异值,对该流程节点进行参数因子分析,确定静电控制信息。
进一步而言,***还包括:
纺纱机信息获取模块,所述纺纱机信息获取模块用于根据所述纺纱工艺流程,确定流程对应纺纱机信息;
流程原料信息确定模块,所述流程原料信息确定模块用于根据所述流程对应纺纱机信息、订单原料信息,确定所述流程原料信息,所述流程原料信息为各流程对应纺纱机中加工材料信息;
流程纺纱机信息获取模块,所述流程纺纱机信息获取模块用于根据所述流程原料信息、纺纱机群的原料成分信息及机群控制参数信息,确定所述流程纺纱机信息,所述流程纺纱机信息为针对该流程加工材料信息确定的纺纱机控制参数信息。
进一步而言,***还包括:
异常事故提取模块,所述异常事故提取模块用于根据所述历史记录数据库,进行记录静电异常事故提取,得到静电异常事故信息;
静电阈值确定模块,所述静电阈值确定模块用于根据静电异常事故信息,确定各纺纱机的静电阈值;
预设静电阈值确定模块,所述预设静电阈值确定模块用于基于所述各纺纱机的静电阈值,确定所述预设静电阈值。
进一步而言,***还包括:
纺纱材料静电列表获取模块,所述纺纱材料静电列表获取模块用于当所述流程原料信息为复合材料时,获得纺纱材料静电列表,并基于所述纺纱材料静电列表及复合材料的成分配比,进行成分含量匹配,确定各成分静电产生系数;
成分含量占比确定模块,所述成分含量占比确定模块用于根据所述复合材料的成分配比,确定成分含量占比;
加权计算模块,所述加权计算模块用于基于所述成分含量占比、各成分静电产生系数进行加权计算,确定材料成分因子的静电量影响关系。
进一步而言,***还包括:
差异值确定模块,所述差异值确定模块用于根据所述流程节点预测静电与预设静电阈值,确定差异值,将所述差异值作为静电调节目标值;
参数因子获取模块,所述参数因子获取模块用于获得该流程节点的参数因子,作为目标流程节点参数因子,包括环境因子、材料成分因子、加工操作因子;
静电消除手段集获取模块,所述静电消除手段集获取模块用于获得静电消除手段集,利用所述静电消除手段集与目标流程节点进行匹配,确定目标流程匹配静电消除手段及其对应的消除参数因子调节关系;
适应度函数构建模块,所述适应度函数构建模块用于基于所述静电调节目标值,根据所述各工艺流程节点对应的参数因子与静电量影响关系、目标流程节点参数因子、消除参数因子调节关系,构建适应度函数;
约束值分析模块,所述约束值分析模块用于基于所述环境因子、材料成分因子、加工操作因子,对目标流程节点进行参数因子约束值分析,确定各参数因子约束值,将所述各参数因子约束值作为约束条件加入所述适应度函数;
控制方案确定模块,所述控制方案确定模块用于根据所述适应度函数进行全局寻优,确定各参数因子的控制方案,作为所述静电控制信息。
进一步而言,***还包括:
阈值分析模块,所述阈值分析模块用于分别基于所述环境因子、材料成分因子、加工操作因子,根据所述历史记录数据库对目标流程节点进行阈值分析,确定环境因子阈值、材料成分因子阈值、加工操作因子阈值;
参数因子约束值获取模块,所述参数因子约束值获取模块用于将所述环境因子阈值、材料成分因子阈值、加工操作因子阈值作为各参数因子约束值。
进一步而言,***还包括:
静电控制结果评估模块,所述静电控制结果评估模块用于根据所述各参数因子的控制方案进行静电控制结果评估,确定静电控制评价结果;
静电控制评价结果判断模块,所述静电控制评价结果判断模块用于判断所述静电控制评价结果是否满足预设静电阈值;
联动流程分析模块,所述联动流程分析模块用于当不满足时,基于所述工艺流程时序链进行联动流程分析,确定联动流程节点;
全局寻优模块,所述全局寻优模块用于分别对联动流程节点进行全局寻优,确定各联动流程节点的控制方案;
联动控制分析模块,所述联动控制分析模块用于基于所述工艺流程时序链,根据所述目标流程节点的各参数因子的控制方案及各联动流程节点的控制方案进行联动控制分析,确定联动控制方案。
本说明书通过前述对一种用于纺纱机群的除静电控制方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种用于纺纱机群的除静电控制方法及***,对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (4)
1.一种用于纺纱机群的除静电控制方法,其特征在于,所述方法包括:
获得纺纱机群的原料成分信息及机群控制参数信息;
基于纺纱订单信息确定纺纱工艺流程、订单原料信息,并根据所述纺纱工艺流程、订单原料信息、纺纱机群的原料成分信息及机群控制参数信息,确定操作流程信息,所述操作流程信息包括流程原料信息、流程纺纱机信息;
根据所述操作流程信息中的流程节点,构建工艺流程时序链,将针对各工艺流程节点对应的流程原料信息、流程纺纱机信息进行各节点参数关联;
利用历史记录数据库进行各工艺流程节点静电关系分析,拟合各工艺流程节点对应的参数因子与静电量影响关系,其中,参数因子包括环境因子、材料成分因子、加工操作因子;
将所述各工艺流程节点对应的参数因子与静电量影响关系加入所述工艺流程时序链,构建流程时序链预测模型;
基于所述参数因子通过物联网监测设备进行各工艺流程节点的参数实时监测,获得机群监测数据;
将所述机群监测数据输入所述流程时序链预测模型,对各流程节点进行静电预测,得到各流程节点预测静电;
判断各流程节点预测静电是否超出预设静电阈值,超出时,确定异常流程节点,所述异常流程节点为流程节点预测静电超出预设静电阈值的流程节点,并根据流程节点预测静电与预设静电阈值的差异值,对该流程节点进行参数因子分析,确定静电控制信息;
所述判断各流程节点预测静电是否超出预设静电阈值之前,包括:
根据所述历史记录数据库,进行记录静电异常事故提取,得到静电异常事故信息;
根据静电异常事故信息,确定各纺纱机的静电阈值;
基于所述各纺纱机的静电阈值,确定所述预设静电阈值;
所述根据流程节点预测静电与预设静电阈值的差异值,对该流程节点进行参数因子分析,确定静电控制信息,包括:
根据所述流程节点预测静电与预设静电阈值,确定差异值,将所述差异值作为静电调节目标值;
获得该流程节点的参数因子,作为目标流程节点参数因子,包括环境因子、材料成分因子、加工操作因子;
获得静电消除手段集,利用所述静电消除手段集与目标流程节点进行匹配,确定目标流程匹配静电消除手段及其对应的消除参数因子调节关系;
基于所述静电调节目标值,根据所述各工艺流程节点对应的参数因子与静电量影响关系、目标流程节点参数因子、消除参数因子调节关系,构建适应度函数;
基于所述环境因子、材料成分因子、加工操作因子,对目标流程节点进行参数因子约束值分析,确定各参数因子约束值,将所述各参数因子约束值作为约束条件加入所述适应度函数;
根据所述适应度函数进行全局寻优,确定各参数因子的控制方案,作为所述静电控制信息;
基于所述环境因子、材料成分因子、加工操作因子,根据所述目标流程匹配静电消除手段对目标流程节点进行参数因子约束值分析,包括:
分别基于所述环境因子、材料成分因子、加工操作因子,根据所述历史记录数据库对目标流程节点进行阈值分析,确定环境因子阈值、材料成分因子阈值、加工操作因子阈值;
将所述环境因子阈值、材料成分因子阈值、加工操作因子阈值作为各参数因子约束值;
根据所述各参数因子的控制方案进行静电控制结果评估,确定静电控制评价结果;
判断所述静电控制评价结果是否满足预设静电阈值;
当不满足时,基于所述工艺流程时序链进行联动流程分析,确定联动流程节点;
分别对联动流程节点进行全局寻优,确定各联动流程节点的控制方案;
基于所述工艺流程时序链,根据所述目标流程节点的各参数因子的控制方案及各联动流程节点的控制方案进行联动控制分析,确定联动控制方案。
2.如权利要求1所述的方法,其特征在于,根据所述纺纱工艺流程、订单原料信息、纺纱机群的原料成分信息及机群控制参数信息,确定操作流程信息,包括:
根据所述纺纱工艺流程,确定流程对应纺纱机信息;
根据所述流程对应纺纱机信息、订单原料信息,确定所述流程原料信息,所述流程原料信息为各流程对应纺纱机中加工材料信息;
根据所述流程原料信息、纺纱机群的原料成分信息及机群控制参数信息,确定所述流程纺纱机信息,所述流程纺纱机信息为针对该流程加工材料信息确定的纺纱机控制参数信息。
3.如权利要求1所述的方法,其特征在于,所述方法还包括:
当所述流程原料信息为复合材料时,获得纺纱材料静电列表,并基于所述纺纱材料静电列表及复合材料的成分配比,进行成分含量匹配,确定各成分静电产生系数;
根据所述复合材料的成分配比,确定成分含量占比;
基于所述成分含量占比、各成分静电产生系数进行加权计算,确定材料成分因子的静电量影响关系。
4.一种用于纺纱机群的除静电控制***,其特征在于,所述***执行权利要求1至3任一所述方法的步骤,所述***包括:
信息获取模块,所述信息获取模块用于获得纺纱机群的原料成分信息及机群控制参数信息;
流程信息确定模块,所述流程信息确定模块用于基于纺纱订单信息确定纺纱工艺流程、订单原料信息,并根据所述纺纱工艺流程、订单原料信息、纺纱机群的原料成分信息及机群控制参数信息,确定操作流程信息,所述操作流程信息包括流程原料信息、流程纺纱机信息;
时序链构建模块,所述时序链构建模块用于根据所述操作流程信息中的流程节点,构建工艺流程时序链,将针对各工艺流程节点对应的流程原料信息、流程纺纱机信息进行各节点参数关联;
静电关系分析模块,所述静电关系分析模块用于利用历史记录数据库进行各工艺流程节点静电关系分析,拟合各工艺流程节点对应的参数因子与静电量影响关系,其中,参数因子包括环境因子、材料成分因子、加工操作因子;
预测模型构建模块,所述预测模型构建模块用于将所述各工艺流程节点对应的参数因子与静电量影响关系加入所述工艺流程时序链,构建流程时序链预测模型;
参数实时监测模块,所述参数实时监测模块用于基于所述参数因子通过物联网监测设备进行各工艺流程节点的参数实时监测,获得机群监测数据;
静电预测模块,所述静电预测模块用于将所述机群监测数据输入所述流程时序链预测模型,对各流程节点进行静电预测,得到各流程节点预测静电;
异常流程节点确定模块,所述异常流程节点确定模块用于判断各流程节点预测静电是否超出预设静电阈值,超出时,确定异常流程节点,所述异常流程节点为流程节点预测静电超出预设静电阈值的流程节点,并根据流程节点预测静电与预设静电阈值的差异值,对该流程节点进行参数因子分析,确定静电控制信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310043049.4A CN115787160B (zh) | 2023-01-29 | 2023-01-29 | 一种用于纺纱机群的除静电控制方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310043049.4A CN115787160B (zh) | 2023-01-29 | 2023-01-29 | 一种用于纺纱机群的除静电控制方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115787160A CN115787160A (zh) | 2023-03-14 |
CN115787160B true CN115787160B (zh) | 2023-05-23 |
Family
ID=85428965
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310043049.4A Active CN115787160B (zh) | 2023-01-29 | 2023-01-29 | 一种用于纺纱机群的除静电控制方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115787160B (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CH615404A5 (zh) * | 1977-03-22 | 1980-01-31 | Zellweger Uster Ag | |
CH638316A5 (de) * | 1978-06-09 | 1983-09-15 | Akzo Nv | Vorrichtung zur beruehrungslosen ermittlung des verflechtungsgrades eines multifilen garnes. |
JP2005299037A (ja) * | 2004-04-14 | 2005-10-27 | Murata Mach Ltd | 紡績糸監視方法及び繊維機械 |
JP2018066084A (ja) * | 2016-10-19 | 2018-04-26 | 村田機械株式会社 | 紡績機械管理システム及び管理方法 |
CN108494021B (zh) * | 2018-04-20 | 2021-06-01 | 东北大学 | 电-热-气综合能源***的稳定评估与静态控制方法 |
-
2023
- 2023-01-29 CN CN202310043049.4A patent/CN115787160B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115787160A (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Malik et al. | Prediction of blended yarn evenness and tensile properties by using artificial neural network and multiple linear regression | |
US5560194A (en) | Method for optimally controlling fiber processing machines | |
Beltran et al. | Predicting worsted spinning performance with an artificial neural network model | |
CN114994289B (zh) | 一种纺纱产品质量检测方法及*** | |
Üreyen et al. | Comparison of artificial neural network and linear regression models for prediction of ring spun yarn properties. I. Prediction of yarn tensile properties | |
US5834639A (en) | Method and apparatus for determining causes of faults in yarns, rovings and slivers | |
CN106407524B (zh) | 一种纺纱质量的定量预测方法 | |
Ghanmi et al. | Open-end yarn properties prediction using hvi fibre properties and process parameters | |
CN115787160B (zh) | 一种用于纺纱机群的除静电控制方法及*** | |
Popa et al. | Mathematic model of the spinning process of a wool yarn | |
Farooq et al. | Predicting cotton fibre maturity by using artificial neural network | |
Wang et al. | Study of yarn quality prediction model based on fuzzy comprehensive evaluation | |
Wu et al. | A yarn nep prediction method combining grey correlation and nearest neighbour | |
CN115874321A (zh) | 一种提高纱线质量的自适应管理方法及*** | |
Rwawiire et al. | Prediction of polyester/cotton ring spun yarn unevenness using adaptive neuro Fuzzy inference system | |
Zhang et al. | Yarn strength CV prediction using principal component analysis and automatic relevance determination on Bayesian platform | |
Das et al. | Cotton fibre-to-yarn engineering: a simulated annealing approach | |
Akgül et al. | Optimization of the Murata Vortex Spinning machine parameters by the SMAA-MOORA approach | |
Kulkarni et al. | Brief Overview on Study of Various Parameters Affecting the Productivity of Cotton Yarn | |
Kheirkhah Barzoki et al. | Multi-objective optimization of rotorcraft compact spinning core-spun yarn properties | |
Bedez Üte et al. | Regressional estimation of cotton sirospun yarn properties from fibre properties | |
Ghanmi et al. | Response surface regression models for prediction of ring spun yarn properties | |
Murugan et al. | Optimization of cotton compact yarn product by fibre properties | |
Harpa | Applications of multicriteria analysis in cotton mill | |
Yang et al. | Fiber-to-yarn predictions |
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 |