• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Fibres & textiles in Eastern Europe >Using Intelligent Control Systems to Predict Textile Yarn Quality
【24h】

Using Intelligent Control Systems to Predict Textile Yarn Quality

机译：使用智能控制系统预测纺织纱线质量

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Do przewidywania jakości przędzy zastosowano: wielowarstwowe perceptronowe sieci neuronowe, maszyny wektorów wspierających, sieci radialne, sieci neuronowe, grupowe metody obróbki danych wielomianowych sieci neuronowych oraz programowanie ekspresji genów. Jako wielkości wejściowe przyjęto: wytrzymałość włókien, micronaire, średnią długość, wydłużenie, współczynnik równomierności, zażółcenie, stopień szarości oraz zawartość włókien krótkich. Zdolność przewidywania porównywano z wynikami uzyskiwanymi przy stosowaniu modelu klasycznej regresji liniowej. Najlepsze wyniki uzyskano za pomocą maszyn wektorów wspierających, a następnie za pomocą programowanej ekspresji genów i regresji liniowej. Po wykreśleniu odpowiednich charakterystyk stwierdzono, że najistotniejszymi wielkościami determinującymi jakość przędz są wytrzymałość, a następnie wydłużenie.%This study describes the application of intelligent control systems in textile engineering and how to use these approaches for developing a spun yarn quality prediction system. The Multilayer Perceptron Neural Network(MLPNN), Support Vector Machines(SVMs), the Radial Basic Function Network(RBFN), the General Neural Network(GNN), the Group Method of Data Handling Polynomial Neural Network (GMDHPNN) and Gene expression Programming (GEP), generally called intelligent techniques, were used to predict the count-strength-product (CSP). Fiber properties such fibre strength (FS), micronaire (M), the upper half mean length (UHML), fibre elongation(FE), the uniformity index (UI), yellowness (Y), grayness (G) and short fibre content (SFC) were used as inputs. The prediction performances are compared to those provided by the classical Linear Regression (LR) model. The SVMs model provides good prediction ability, followed by the GEP and LR models, respectively. Graphs illustrating the relative importance of fibre properties for CSP were plotted. Fiber strength (FS) is ranked first in importance as a contributor to CSP by the five models, while fibre elongation (FE) ranks second. By means of the yarn strength learned surfaces on fibre properties, the study shows how to control yarn quality using knowledge of fibre properties.
机译：多层感知器神经网络，支持向量机，径向网络，神经网络，用于处理多项式神经网络数据的分组方法以及基因表达程序被用来预测纱线质量。输入值是：纤维强度，马克隆值，平均长度，伸长率，均匀度系数，黄度，灰度和短纤维含量。将预测能力与使用经典线性回归模型获得的结果进行比较。使用支持向量机获得最佳结果，然后进行程序化的基因表达和线性回归。确定合适的特性后，发现决定纱线质量的最重要的量是强度，然后是伸长率。％本研究描述了智能控制系统在纺织工程中的应用以及如何使用这些方法来开发纺纱质量预测系统。多层感知器神经网络（MLPNN），支持向量机（SVM），径向基本功能网络（RBFN），通用神经网络（GNN），数据处理多项式神经网络（GMDHPNN）的分组方法和基因表达编程（ GEP）（通常称为智能技术）用于预测计数强度乘积（CSP）。纤维特性，例如纤维强度（FS），马克隆值（M），上半部平均长度（UHML），纤维伸长率（FE），均匀度指数（UI），黄度（Y），灰度（G）和短纤维含量（ SFC）用作输入。将预测性能与经典线性回归（LR）模型提供的性能进行了比较。 SVM模型提供了良好的预测能力，其次是GEP和LR模型。绘制说明纤维性质对CSP的相对重要性的图。在这五个模型中，作为CSP贡献者的纤维强度（FS）重要性排名第一，而纤维伸长率（FE）排名第二。通过了解纱线强度对纤维特性的影响，研究表明如何利用纤维特性知识来控制纱线质量。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号