An artificial neural network (ANN) model was developed to predict the drape coefficient (DC). Hanging weight, Sample diameter and the bending rigidities in warp, weft and skew directions are selected as inputs of the ANN model. The ANN developed is a multilayer perceptron using a back-propagation algorithm with one hidden layer. The drape coefficient is measured by a Cusick drape meter. Bending rigidities in different directions were calculated according to the Cantilever method. The DC obtained results show a good correlation between the experimental and the estimated ANN values. The results prove a significant relationship between the ANN inputs and the drape coefficient. The algorithm developed can easily predict the drape coefficient of fabrics at different diameters.
2
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
Data analysis of a fabric's compression properties can only be done when the limits of compression are known. The best formula is van Wyk's, although the meaning of the physical parameter is still not clear. On the basis of van Wyk's equation, a study of the compressibility of woven fabrics can be initiated in partnership with Pierce, Kemp and Hamilton's approach for circular yarns and the flattened yarns of a fabric under pressure. Neural network models promise to solve the drawbacks of de.Jong's and other models. The fit of the pressure-thickness relationship may be improved by using exponential function and the Iterative method, such as Marquardt's algorithm for evaluating compression properties. Back-propagation promises to give better results, since the KES-FB3 compression measuring instrument works by minimising error levels. The optimisation of low-stress mechanical properties is possible by using trained networks, and this venture forms an absolute method for comparing the functional properties of fabrics.
The paper describes various neural network models designed for automatic conclusion making software in the PSW [8], [4] system. It presents abilities of neural network configuration for choosing the optimal parameters to process the PSW-registered data. The paper also contains the description of artificial data making algorithms, that allow to overcome the problem of insufficient data records describing particular pathologies.
PL
Praca zawiera opis modeli sieci neuronowych wykonanych dla modułu automatycznego wspomagania diagnozy w systemie PSW (Parotec System for Windows). Przedstawione zostały możliwości konfiguracji i doboru parametrów poszczególnych sieci dla określenia wartości optymalnych dla przetwarzania danych generowanych przez system pomiarowy PSW. Przedstawiona została również metoda sztucznej generacji nowych danych pozwalająca na eksperymentalne dobieranie parametrów sieci w warunkach niedoboru ilości danych pomiarowych.
The paper describes experiments done with the automatic diagnosis module for the PSW System. The experiments have been done in spite of insufficient data records used for learning the neural network. Taking advantage of the artificial data making data making system there was possible to examine some neural network models: Back-Propagation, ART and Counter-Propagation. The paper presents analysis of obtained results and compares efficiency of the neural network algorithms.
PL
Praca prezentuje opis eksperymentów wykonanych przy wykorzystaniu modułu automatycznego wspomagania diagnozy dla systemu PSW (Parotec System for Windows). Eksperymenty zostały wykonane w warunkach niedoboru ilości danych uczących sieć neuronową, stanowiącą trzon całości systemu wnioskowania. Korzystając z metody sztucznej generacji nowych danych pomiarowych na bazie danych rzeczywistych zakłócanych zbiorem wybranych funkcji przetestowano użyteczność dla systemu PSW trzech różnych konfiguracji sieci neuronowej: Back-Propagation, Counter-Propagation oraz ART. Przedstawiona została analiza uzyskanych wyników obejmująca m.in. porównanie efektywności badanych algorytmów oraz zaproponowany został kierunek dalszych badań.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.