纺织工业智能发展现状与展望

为全面了解人工智能技术在纺织工业的发展及应用情况,探究未来智能化发展的任务与目标,基于国内外纺织工业在数字化、网络化、智能化领域的最新发展现状,结合纺织行业的相关需求,分析了当前面临的技术挑战,总结了工业大数据、数字孪生、工业机器人、机器视觉和智能排产调度等当前纺织行业亟需的关键技术;介绍了全流程智能纺织生产线、纺织装备智能运维、纺织品智能检测等典型应用案例和生产模式。最后,总结了我国纺织工业智能化发展进程中仍待突破的核心技术及产业生态的发展方向,提出了发展新一代纺织智能制造系统,打造全产业链协同的纺织智能生态的两点思考与展望,为我国纺织工业智能化发展提供案例参考与技术指引。

面向平缝工艺信息融合的知识图谱构建方法

针对缝纫工艺流程链路长,生产要素多样,工艺知识分散化的特点,首先,提出缝纫工艺信息组织建模方法,面向多源异构平缝工艺信息构建本体模型;其次,研究基于面料力学性能的平缝工艺推荐方法,构建面料基础性能、缝制性能知识体系,结合面料层次分类方法和实验参数分析,形成力学性能参数与缝制参数之间的数学模型;在此基础上,以专家经验文本、实验测量数据为原始数据,构建面向平缝工艺信息融合的知识图谱,开发WEB系统展开应用验证。结果表明:所构建的工艺推荐方法实现了对面料平整度和最大缝缩率的预测,知识融合系统实现了缝纫工艺知识的智能搜索和缝制参数的智能推荐,为工艺数据集成、装备故障运维、工艺路线设计、产品质量控制提供决策参考。

基于NURBS曲线的提花机拉刀结构优化

针对大型提花机承受载荷时易发生弯曲变形导致拉刀提升高度不够,使直针钩子无法被电磁装置吸附的问题,首先对拉刀结构、载荷以及曲柄滑块驱动机构运动情况进行分析。其次,基于变截面梁理论和结构优化的方法,采用非均匀有理B样条(Non-Uniform Rational B-Splines,NURBS)曲线表达拉刀侧面、截面形状,通过数值方法计算拉刀截面惯性矩函数、弯矩函数,并通过有限差分法计算拉刀变形量。通过有限元方法(Finite Element Method,FEM)、等效为等截面梁的方法对挠度计算方法进行验证,误差在10%以内。最后,以最小质量为目标,采用原-对偶不可行内点算法对拉刀结构进行优化。优化结果表明,相较于优化初值模型,拉刀质量减小约17%,最大挠度减小约2667%。

基于Elasticsearch的纺纱生产数据追溯方法

为实现纺纱生产全过程的数字化管理和数据可追溯,提出了一种基于Elasticsearch的纺纱生产数据追溯方法。在考虑纺纱生产全流程的情况下,针对现有的人工标识体系,通过将标识数字化并规范化存储,提高数据可追溯性。同时,通过建立双向追溯方法并设计合理的追溯及融合路径,提高数据追溯性能。与常见的基于MySQL和SQL Server方法的对比实验结果表明:本文方法具有更好的存储稳定性,在追溯速度上分别是MySQL和SQL Server方法的1.6和1.2倍;在数据管理和融合上,采用的数据格式更加灵活,具备可扩展性,该方法在改善纺纱生产的质量溯源方面具有一定的应用价值。

环锭纺纱全流程机器人自动化生产关键技术

针对环锭纺纱全流程自动化生产工艺与工业机器人的深度集成问题,提出了环锭纺纱生产线布局仿真优化方法,构建了生产线协同调度模型,详细阐述了配棉排包、精梳机自动喂棉卷和筒纱外观检测等关键工艺机器人应用场景,提出了以信息互联互通技术为核心的信息集成管控策略,建立了工艺、生产计划、质量、设备及物流一体化智能管控系统,形成了环锭纺纱生产线全流程智能管理模式,实现了基于纱管的纺纱质量追溯。结果表明:所使用的任务调度方法有效提升了相关工序的生产效率,设计的纺纱工艺机器人打通了配棉排包等工艺流程断点,相关技术应用后企业综合生产效率提升22.65%,运营成本降低40%,形成纺纱行业智能化转型典型案例并已向行业推广。

基于Attention-BLSTM的复杂产品制造质量预测方法

复杂产品制造过程中工艺数据的高维特性以及工艺数据间的复杂关联特性,使得工艺数据中的深层次关键工艺特征难以挖掘,限制了产品质量的准确预测。鉴于此,提出一种基于注意力机制(Attention)与双向长短期记忆网络(BLSTM)的复杂产品质量预测方法。首先,设计数据预处理环节进行工艺数据清洗以及互信息特征筛选。然后,运用BLSTM网络模拟产品制造过程误差的复杂传递特性,挖掘上下游工艺参数的关联关系,输出BLSTM所有时刻提取的关联化工艺特征;同时,设计了Self-Attention网络,自学习各时刻关联化工艺特征对最终产品质量贡献的差异,对不同时刻工艺特征分配不同注意力权值,以强化关键特征。通过以上两阶段特征处理方式,实现深层次关键工艺特征的挖掘。最后,以关键特征作为输入层,通过反向传播神经网络(BPNN)实现复杂产品质量的准确预测。实验表明,相较于BPNN、长短期记忆神经网络(LSTM)、BLSTM以及XGBoost、基于粒子群优化的支持向量(PSO-SVR)、随机森林-贝叶期优化(BO-RF)等主流质量预测方法,所提方法有效提高了预测精度。

涡流传感器在电子提花机工作状态检测中的应用

为保证电子提花机电磁阀组件在自动织造系统中的可靠动作,减少其对织物产生的轨迹误差,设计了一种对电磁阀组件工作状态检测的涡流阵列传感器。通过理论计算和组件结构确定检测线圈的相关参数,采用多路复用开关对阵列信号提取;在Ansoft Maxwell电磁场仿真中建立传感器检测模型,求解电磁阀组件在两个工作状态下的电感变化;考虑通丝张紧产生的微位移,仿真分析通丝位移1~10 mm的对传感器输出变化的影响,并进行实验验证仿真结果的正确性。结果表明,传感器产生的489 nH的电感变化可以反应出电磁阀组件的工作状态,验证了检测方法的正确性,且最大误差不超过2.559%,能为提花机控制系统提供可靠的反馈数据。

基于动态时间规整的纱线毛羽H值周期模式识别方法

为了从具有周期性的纱线毛羽H值数据中提取有代表性的毛羽H值周期模式(即周期时间或周期数据长度上毛羽数据的变化),使用动态时间规整(dynamic time warping,DTW)算法识别毛羽H值的周期模式,同时使用局部暴力搜索和剪枝算法对DTW算法进行优化。从14台细纱机上采集棉纺与混纺纱试样,利用乌斯特条干仪测得的毛羽H值计算理论周期及任意两周期模式间的DTW距离。结果表明:当DTW距离矩阵中出现显著不同于其他周期模式的现象时,该设备可能存在异常或故障;在设定的试验条件下,不同品种纱线的理论周期和实际周期存在差异,平均相差0.48 m,由此可根据实际周期反向推导纱线每分钟的实际卷绕长度。

制造大数据分析综述:内涵、方法、应用和趋势

随着5G、物联网(Internet of things,IoT)和云计算等技术的发展,制造系统中数据的体量持续增长,并涌现出了全新的大数据特性与内涵,逐渐成为支撑制造系统运行优化的关键要素。为了进一步释放制造大数据的要素红利,对制造大数据分析方法展开综述,理清制造大数据的内涵,梳理大数据分析方法的发展历程,归纳制造大数据分析的应用,总结挑战与发展趋势。首先,从制造大数据的特点、数据密集型科学的内涵、大数据驱动的智能制造系统新模式三方面论述了制造大数据的新内涵;接着,从支撑技术与方法特点,对制造领域的大数据分析方法的发展历程进行回顾。然后,从产品设计、生产调度、产品装配、质量优化、设备运维和制造服务六个关键应用领域,对大数据分析方法在智能制造中的应用进行综述。最后,讨论制造大数据分析方法面临的挑战,展望未来大数据分析方法的发展方向,以期激发制造大数据分析方法的新思维、新理论,并推进制造大数据技术进一步发展。

基于机器视觉的缝纫线迹缺陷检测方法

缝纫线迹缺陷检测过程易受缝纫机抖动和面料移动过快等影响,针对缺陷检测过程中的扰动影响,以高精度和快速检测缺陷特征为目标,提出一种基于机器视觉的缝纫线迹缺陷检测方法。首先将主干网络的标准卷积改用蓝图卷积的DeblurGAN-v2算法和拉普拉斯算法联用,分辨模糊与清晰图像,并对运动模糊图像去模糊。然后将师生特征金字塔匹配算法应用到缝纫线迹缺陷检测上,将困难样本挖掘技术应用到师生特征金字塔匹配算法中提高了算法的检测精度与速度。结果表明:图像去模糊算法有效地去除了由外部干扰引起的图像模糊问题,缺陷检测算法检测正确率保持在95%以上,单张图片检测速度在0.04 s以下。本文方法能有效检测线迹缺陷特征,保障生产的高效性和连续性。

机理与数据融合的机器人制孔毛刺预测方法

针对机器人制孔系统刚性差,制孔加工时会发生颤振、易产生毛刺的问题,提出了机理与数据融合的预测方法对机器人制孔出口毛刺高度进行预测,构建了基于钻削力及颤振模型的钻削毛刺高度预测静态物理模型,进行毛刺高度的初步预测,并在其基础上采用数据动态更新模型对其修正更新.通过机器人制孔实验对所建立模型进行验证,实验表明该预测方法对制孔毛刺高度分类准确率达到94.74%,为实现制孔毛刺主动控制及提升制孔系统加工质量奠定了基础.

基于两阶段深度迁移学习的面料疵点检测算法

针对针织格纹面料疵点检测存在检测实时性差和疵点数据稀缺的问题,提出一种基于两阶段深度迁移学习的面料疵点检测算法,实现对疵点的实时高精度检测与检测模型的高效训练。第一阶段迁移:设计面料疵点先验知识迁移算法,通过聚类算法求得交并比最优的四类疵点预选框尺寸参数,使用带有先验知识的疵点预选框替代基于特征的定位方法,实现面料疵点尺寸特征先验知识的迁移,提高面料疵点的定位速度;第二阶段迁移:设计面料特征提取能力迁移算法,利用不同种面料之间具有通用特征的特性,通过将纯色棉麻布检测模型参数迁移至格纹面料检测模型,实现对面料通用特征提取能力的迁移,减少检测模型训练所需的样本数量,提高检测模型训练效率。实验结果表明,在检测性能方面,提出的面料疵点检测算法检测精度为95%、检测速度可达30 m/min,优于传统的目标检测算法,能够满足面料生产中对于检测性能的要求;在模型训练方面,检测模型训练所需疵点样本数量减少50%以上、检测模型训练速度同比提高3倍。