Neural Model of the Spinning Process Dedicated to Predicting Properties of Cotton - Polyester Blended Yarns on the Basis of the Characteristics of Feeding Streams

• Autorzy: Jackowska-Strumiłło L. , Cyniak D. , Czekalski J. , Jackowski T.

Warianty tytułu

PL

Neuronowy model procesu przędzenia do prognozowania wybranych własności przędz mieszankowych na podstawie charakterystyk strumieni zasilających

• Języki publikacji: EN

Abstrakty

EN

The subject of our research were yarns manufactured from cotton-polyester blended slivers, as well as pure cotton and polyester slivers with the use of a BD 200S rotor spinning frame. Partial models of the spinning process were developed for selected, essential yarn quality parameters, such as tenacity, irregularity of yarn’s mass, hairiness, number of yarn faults (number of thin and thick places and number of neps). In order to model the variability of these parameters, the following methods were used: linear and linearised regression, non-linear multiple regression as well as ADALINE and two-layer perceptron (MLP) artificial neural networks. The best results of approximation we obtained using the MLP network. Selection of the optimum network structure was carried out for each of the parameters. A hybrid model was used to model the variability of the CV coefficient.

PL

Celem badań było określenie wpływu udziału procentowego włókien poliestrowych w ta­śmie zasilającej oraz masy liniowej wytwarzanej przędzy na jej parametry jakościowe, oraz budowa modelu procesu przędzenia. Analizowano przędze wykonane na przędzarce roto­rowej BD 200S z taśm mieszankowych bawełna/włókna poliestrowe oraz z taśmy baweł­nianej. W taśmach mieszankowych udział włókien poliestrowych wynosił: 12,5, 25, 37,5, 50; 62,5; 75; 87,5 %; pozostałą część stanowiła bawełna średnio włóknista zgrzeblona i czesana. Na przędzarce rotorowej BD 200S wykonywano przędze o masach liniowych: 15, 18, 20, 25, 30 i 40 tex. Dla wybranych, istotnych parametrów jakościowych przędz takich jak: wytrzymałość właściwa, nierównomierność masy liniowej przędzy, włochatość oraz błędy przędzy (liczba zgrubień, pocienień i nopów) zbudowano modele cząstkowe procesu przędzenia. Do modelowania zmienności tych parametrów zastosowano metody regresji liniowej i linearyzowanej, metodę regresji nieliniowej wielorakiej oraz sztuczne sieci neu­ronowe: sieci ADALINE oraz dwuwarstwowe sieci perceptronowe (MLP). Najlepsze wyniki aproksymacji uzyskano dla sieci MLP. Przeprowadzono dobór optymalnej struktury sieci. Do modelowania zmienności współczynnika CV zastosowano model hybrydowy.

Słowa kluczowe

EN

yarn blends; cotton; polyester-fibres; rotor spinning; yarn quality parameters; linear regression; nonlinear regression; artificial neural networks

PL

mieszanki przędzy; bawełna; włókna poliestrowe; przędzarka rotorowa; parametry jakości przędzy; regresja liniowa; regresja nieliniowa; sztuczne sieci neuronowe

• Wydawca: Sieć Badawcza Łukasiewicz - Łódzki Instytut Technologiczny
• Czasopismo: Fibres & Textiles in Eastern Europe
• Rocznik: 2008
• Tom: Vol. 16, no. 1 (66)
• Strony: 28--36
• Opis fizyczny: Bibliogr. 19 poz., rys.

Twórcy

autor

Jackowska-Strumiłło L.

• Computer Engineering Department Technical University of Łódź Al. Politechniki 11, 90-942 Łódź, Poland

autor

Cyniak D.

• Department of Spinning Technology and Yarn Structure Technical University of Łódź ul. Żeromskiego 116, 90-543 Łódź, Poland

autor

Czekalski J.

• Department of Spinning Technology and Yarn Structure Technical University of Łódź ul. Żeromskiego 116, 90-543 Łódź, Poland

autor

Jackowski T.

• Department of Spinning Technology and Yarn Structure Technical University of Łódź ul. Żeromskiego 116, 90-543 Łódź, Poland

Bibliografia

• 1. Azzouz B., Ben Hassen M., Sakli F. „Quality predictions optimising cotton blend using ANN“ The Indian Textile Journal 2007, No. 4, p. 27.
• 2. Cyniak D., Czekalski J., Jackowski T., Popin Ł. “Quality Analysis of Cotton/Polyester Yarn Blends Spun with the Use of a Rotor Spinning Frame” Fibres & Textiles in Eastern Europe, vol 14, No. 3(57) 2006, pp. 33-37.
• 3. Cyniak D., Czekalski J., Jackowski T. “Influence of Selected Parameters of the Spinning Process on the State of Mixing of Fibres of a Cotton/Polyester-Fibre Blend Yarn” Fibres & Textiles in Eastern Europe, vol 14, No. 4, 2006, pp. 36-40.
• 4. Das D., Ishiaque S.M., Veit D., Gmes T. Application of artificial neural network to predict rotor spun yarn properties. Melliand International, No 3, 2004, p. 183.
• 5. Documentation of research project No. 3 T08E 035 26 "System of Identification of Fibre Parameters Deciding about the Spinnability and Quality of the Formed Yarns", Department of Spinning Technology and Yarn Structure, 2006.
• 6. Guha A. at al.; “Predicting Yarn Tenacity:A Comparison of Mechanictic, Statistical and Neural Network Models” The Journal of the Textile Institut, No. 2, vol. 92, 2001, p. 139.
• 7. Jackowski T. Jackowska-Strumiłło L., Chylewska B., Cyniak D. ‘Using Artificial Neural Network for Determination of Irregularity of Yarn Mass Distribution in Rotor-Spun Yarns’, Proceedings of IMTEX’98 - 5th International Scientific Conference, Technical University of Łódź, Łódź, 1 – 2 June 1998, plenary session, pp. 1-7.
• 8. Jackowski T. Chylewska B., Cyniak D., Jackowska-Strumiłło L., ‘Using Artificial Neural Networks for Investigating of Rotor-Yarns (in Polish)’, Przegląd Włókienniczy 1998, No. 9, pp.14 –18.
• 9. Jackowska-Strumiłło L., Jackowski T. Chylewska B., Cyniak D. Application of Hybrid Neural Model to Determination of Selected Yarn Parameters” Fibres & Textiles in Eastern Europe, nr. 4 1998 pp.27-32.
• 10. Jackowska-Strumiłło L., Jackowski T. Chylewska B., Cyniak D., Hybrid Neural Network Modelling Approach to Determination of Selected Yarn Parameters’, Proceedings MMAR 98 Conference ‘Methods and Models in Automation and Robotics, Technical University of Szczecin, Międzyzdroje 25 –29 August 1998, Vol. 3, pp. 1185-1188.
• 11. Jackowska –Strumiłło L., Jackowski T., Chylewska B., Cyniak D. „Hybrid Neural Models for Determination of Yarn Parametres”; a) Third Polish Conference on Theory and Applications of Artificial Intelligence Łódź, October 5-7, 2000.b) Sbornik Dokładow Mieżdunarodnoj Naucznoj Konferencji „Nowoje w Technikie i Technologii Tekstylnoj i Legkoj Promyszliennosti”, Witebsk, 22-23 listopad 2000.
• 12.Jackowska-Strumiłło L. Jackowski T., Chylewska B., Cyniak D., Czekalski J. „Modelling of the relationship betwen feeding sliver structures and parameters of cotton/linen blended yarns” Fibres & Textiles in Eastern Europe, No. 2, 2003 pp.12-17.
• 13. Jackowska-Strumiłło L., Jackowski T., Cyniak D, Czekalski J. “Neural Model of the Spinning Process for Predicting Selected Properties of Flax/Cotton Yarn Blends” Fibres & Textiles in Eastern Europe, No. 4, 2004, pp. 17-21.
• 14. Lewandowski S., Stańczyk T. „Identification and Classification of Spliced Wool Combed Yarn Joints by Artifical Neural Network Model”, Fibres & Textiles in Eastern Europe, part. I, No 1, vol.13, 2005, pp. 39-43, part II No 2, vol.13, 2005, pp.16-19.
• 15. Majumdar M. I inni “Selecting cotton bales by spinning consistency index and micronaire using artifical neural networks” Autex Riserch Journal, No. 1, vol. 4, 2004.
• 16. Majumdar M., Majumdar P.K., Sarker B. “An investigation on yarn engineering using artifical neural networks” Journal of the Textile International, No. 5, vol 97, 2006, p. 429.
• 17. Noyan Ogulata S., Cenk Sahin, Tugrul Ogulata R., Onur Balci „The Prediction of Elongation and Recovery of Woven Bi-Stretch Fabric Using Artifical Neural Network and Linear Regression Models”, Fibres & Textiles in Eastern Europe, No. 2, vol. 14, 2006, pp. 46-49.
• 18. Semnani D. I inni “Grading of Yarn Appearance Using Analysis and an Artifical Intelligence Technique T.R.J. vol. 76, No.3, 2006, pp.187-196.
• 19. Veit D., Batista de Sousa P., Walfhorst B. “Application of a neural network in the false-twist texturing process” Chemical Fibres International, No. 2, 1998, p. 155.