纺织典型装备故障多特征自适应提取方法

化纤高速卷绕头故障特征提取是卷绕头故障诊断中的关键步骤。为解决化纤卷绕头故障诊断精度不高、可解释性差的难点,提出了数据驱动的化纤卷绕头故障多特征自适应提取方法。通过改进型基因表达式编程(GEP)的故障特征生成方法,设计了一种运算符与变量符随机组合编码、对位匹配与倒序运算解码方法,构建了突变、插串、重组的遗传算子,实现了多个故障特征构建与生成;提出了低冗余、高互补的多特征提取与分析方法,实现了特征间关系的可解释性分析与关键特征优选。实验结果表明:采用所提出的改进型GEP方法与传统特征提取方法、通用GEP方法所生成的故障特征进行对比,在线速度为1000、2000和3000 m/min状态下,卷绕头故障诊断精度分别提升了8.959%、3.87%、3.77%和2.601%、3.2%、2.018%,有效解决了卷绕头故障特征提取的难题;进一步的特征工程实验表明,所提方法对于多特征组合下的卷绕头故障关键特征提取具有较强的适应性能。

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。