New Modelling and Process Optimisation Approach for the False-Twist Texturing of Polyester

• Autorzy: Silva E. A. , Paiva A. P. , Balestrassi P. P. , Silva C. E. S.

Warianty tytułu

PL

Próba modelowania i optymalizacji procesu teksturowania z fałszywym skrętem włókien poliestrowych

• Języki publikacji: EN

Abstrakty

EN

After the wave of ISO 9000 certification, a large number of enterprises started to accumulate a great amount of data regarding their processes. False-twist texturing plants used these data to set up a process and improve their operations. This article shows that data mining, partial least squares modelling and genetic algorithm optimization can provide further use for these data to benefit the company in many areas, such as setting up adequate process parameters without requiring an expert to do so, providing the customer with the requirements that will fulfill his needs, simplifying machine changes, and reducing lot changes. The results show that the model and optimization structure put together can find multiple solutions for machine parameters by providing the multiple product properties or quality levels desired. The prediction of yarn properties, such as linear density (Dtex), elongation, tenacity and boiled water shrinkage were made with R2 between 0.80 and 0.99.

PL

Wprowadzanie norm ISO spowodowało, że duża ilość firm zaczęła gromadzić obszerne dane dotyczące stosowanych procesów produkcyjnych. Przedsiębiorstwa realizujące procesy teksturowania fałszywym skrętem wykorzystywały zgromadzone dane dla ustalenia warunków procesu i udoskonalenia jego przebiegu. W artykule wykazano, że analiza danych, odpowiednie modelowanie oraz optymalizacja z wykorzystaniem algorytmów genetycznych może prowadzić do dalszych udoskonaleń procesu. Wynikiem tego mogą być rozliczne korzyści przedsiębiorstwa polegające na możliwości ustawienia odpowiednich parametrów procesu technologicznego bez potrzeby przeprowadzania dodatkowych doświadczeń oraz udostępnienia klientowi zestawu parametrów spełniających jego wymagania. Dzięki temu można również uzyskać uproszczenie wymiany maszyn oraz zmniejszenie ilość partii próbnych. Wyniki wykazały, że model opracowany wspólnie ze strukturą optymalizacji może doprowadzić do znalezienia wielu zestawów parametrów potrzebnych dla uzyskania określonych asortymentów produkcji oraz wymaganej jakości. Przewidywanie takich parametrów włókien jak gęstość liniowa, wytrzymałość liniowa, wydłużenie przy zerwaniu i skurcz we wrzącej wodzie można było określić przy współczynniku R2 w granicach od 0.80 do 0.99.

Słowa kluczowe

EN

polyester filament; texturing; false twist; multivariate statistics; optimisation; partial least squares; genetic algorithm

PL

włókno poliestrowe; teksturowanie; optymalizacja; algorytm genetyczny

• Wydawca: Sieć Badawcza Łukasiewicz - Łódzki Instytut Technologiczny
• Czasopismo: Fibres & Textiles in Eastern Europe
• Rocznik: 2009
• Tom: Vol. 17, no. 6 (77)
• Strony: 57--62
• Opis fizyczny: Bibliogr. 14 poz., rys., tab.

Twórcy

autor

Silva E. A.

• Industrial Engineering Department, Federal University of Itajubá, Itajubá, Brazil

autor

Paiva A. P.

• Industrial Engineering Department, Federal University of Itajubá, Itajubá, Brazil

autor

Balestrassi P. P.

• Industrial Engineering Department, Federal University of Itajubá, Itajubá, Brazil

autor

Silva C. E. S.

• Industrial Engineering Department, Federal University of Itajubá, Itajubá, Brazil

Bibliografia

• 1. Carmichael A.; Synthetic Fibres – A Global review and a local update, 2007 Summer conference, SYFA, pp. 5-12.
• 2. Endo T., Shintaku S., Kinari T.; Mechanics of disk type false twisting Part I: Yarn path and friction force on a single disk, Textile Research Journal, Feb 2003, 73 (2), pp. 139-146.
• 3. Zimliki D. A., Kennedy J. M., Hirt D. E., Reese G. P.; Determining mechanical properties of yarns and two-ply cords from single-filament data Part I: Model development and predictions, Textile Research Journal, Nov 2000, 70 (11), pp. 991-1004.
• 4. Gandhi R. S., Pal S. K., Kothari V. K.; “Draw-Texturing of Microfibre Polyester Yarn”, Textile Research Journal, Dec 1996, 66 (12), pp. 770-776.
• 5. Feathersone A. M., Hearle J. W. S., Well stead P. E.; “Simulation of the False Twist Textile Yarn Texturing Process”, Simula tion Council Inc., 1986, 46:2, pp. 53-60.
• 6. Gosh S., Wolhar J.; “The influence of some machine settings variables on the properties of yarns in the friction twist draw texturing process”, Textile Research Institute, 1981, Vol. 51 (6), pp. 373-383.
• 7. Yacoub F., MacGregor J. F.; “Product Optimization and Control in the latent variable space of nonlinear PLS models”, Chemometrics and Intelligence laboratory systems, 2004, Vol. 70, pp. 63-74.
• 8. Melvik B. H., Faergestad E. M., Ellejaer M. R., Naes T.; “Using raw material measurements in robust process optimization”, Chemometrics Intell Lab.Syst., 2001, Vol.55, pp. 133-145.
• 9. Hearle J. W.; “Texturing Technology”, The texturing institute, 2002, Cap. 2.
• 10. Hair J. F., Anderson R. E., Tatham R. L., Black W. C.; “Analise multivariada de dados”, 5th Edition, 2005, p. 593.
• 11. Garthwaite P. H.; “An interpretation of partial lest squares”, Journal of the American Statistical Association, Vol. 89, No 425, 1994, pp. 122-127.
• 12. De Jong S.; “SIMPLS: An alternative approach to partial least squares regression”, Chemometrics and Intelligent Laboratory Systems, 1993, 18, pp. 251-263.
• 13. Grundler D., Rolich T.; “Matching weave and color with the help of evolution algo rithm”, Textile Research Journal, 2003, 73 (12), pp. 1033-1040.
• 14. Jeong B., Lee J., Cho H.; “Efficient optimization of process parameters in shadow mask manufacturing using NPLS and genetic algorithm.” International Journal of Production Research, Vol. 43 (15), Aug 2005, pp. 3209-3230.