شناسايي سوزن شكسته در ماشين گردباف يكروسيلندر با استفاده از شبكه عصبي بر روي سيگنال‌هاي نوساني جريان حركتي نخ

Identification of broken needle in single jersey circular knitting machine using neural network on yarn fluctuations signals

كيفيت پارچه بافته شده در ماشين آلات گردباف نسبت به هرگونه تغييرات ناخواسته در مكانيزم بافت و اجزاي آن منجمله بروز پديده سوزن -شكسته كه سبب پيدايش عيب خطوط عمودي در سطح پارچه مي شود، حساس است. پايش وضعيت ماشين آلات گردباف به منظور افزايش كيفيت و كاهش هزينه هاي توليد، امري اساسي و ضروري به نظر مي رسد. در فرايند بافندگي زماني كه نخ توسط سوزن جهت تشكيل حلقه بافت به سمت پايين كشيده مي شود، نيروي كششي ايجاد شده درون نخ سبب بروز نوسانات جريان حركتي نخ در حال تغذيه مي گردد. هدف از تحقيق حاضر شناسايي عيب شكستگي سوزن و تعداد آن ها در ماشين گردباف يكروسيلندر با استفاده از شبكه عصبي بر روي سيگنال هاي نوساني جريان حركتي نخ است. روند اجرايي آزمايشات به گونه اي طراحي شد كه سه وضعيت معيوب سوزن شكسته در شرايط توليد صنعتي به ماشين گردباف اعمال گرديد. سيگنال نوساني جريان تغذيه نخ توسط سامانه ثبت نوسانات، ذخيره و آغشتگي نويز آن با استفاده از تكنيك موجك حذف و سپس به كمك روش هاي آماري و استفاده از جزييات بدست ‌آمده از آناليز موجك، استخراج ويژگي ها صورت گرفت. در نهايت قابليت شبكه عصبي در تفكيك سيگنال ها به چهار دسته سالم، يك، دو و چهار سوزن شكسته محك خورد. بررسي نتايج نشان مي-دهند كه دقت تشخيص تعداد سوزن‌هاي شكسته در اين روش با پنجاه مرتبه تكرار 43/99 درصد است.

The quality of knitted fabric in circular knitting machines is highly sensitive to any undesired changes in the mechanism and components involved. For instance, a broken needle causes defects on the surface of knitted fabric. Consequently, in order to increase the quality and reduce production cost, rapid detection and diagnosis of defected needles on industrial circular weft knitting machines is a crucial need. In these machines when the yarn is pulled down by the needles to knit a loop, the created yarn tension causes fluctuations in the feeding yarn flow. The aim of the present research is to identify broken needle defects and their numbers during yarn feeding in a circular knitting machine, employing neural network analysis on yarn fluctuation signals. The experimental procedures were designed so that three needle defected conditions were implemented on an industrial circular knitting machine. The yarn fluctuation signals were captured and saved, then, using wavelet the contaminated signal noise was removed. Statistical and wavelet analysis are implemented to produce the required features. Finally the capability of neuro network for classification of four groups of data including healthy, one, two and four broken needles were examined. The results show that 99.43 % accurate distinction of broken needles is achieved in 50 iterations.