Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników

Znaleziono wyników: 6

Liczba wyników na stronie
first rewind previous Strona / 1 next fast forward last
Wyniki wyszukiwania
Wyszukiwano:
w słowach kluczowych:  błędy przędzy
help Sortuj według:

help Ogranicz wyniki do:
first rewind previous Strona / 1 next fast forward last
PL
W artykule zaprezentowano standardową metodę testowania równomierności masy przędz filamentowych za pośrednictwem systemów pomiarowych USTER TESTER oferowanych przez firmę USTER TECHNOLOGIES A.G. System ten dostarcza informacje zarówno w formie kwantytatywnej, jak i graficznej. Uzyskiwane z zestawu USTER TESTER wartości liczbowe, charakteryzujące zmienność masy przędzy filamentowych to: parametr nierównomierności U%, współczynniki zmienności CVm, CV1m, CV3m, CV10m i CV50m. Ponadto podawana jest względna, wyrażona w procentach masa liniowa przędzy filamentowej (Rel. Cnt ±), a także względne minimalne i maksymalne odchylenia od względnej masy liniowej przędzy wyznaczone dla długości pomiarowych 1 m i 10 m. Graficzną formą charakteryzującą równomierność masy przędz filamentowej są: wykresy fluktuacji masy (diagramy), krzywe nierównomierności masy w funkcji długości badanych odcinków, a także spektrogramy. Za pomocą prezentowanej metody pomiarowej istnieje możliwość dokonywania szybkiej oceny jakości przędz filamentowych, wykrywania ewentualnych błędów powodujących okresową zmienność masy tych przędz. Wyniki testów można również wykorzystywać do prognozowania zachowania się przędz w kolejnych etapach procesu technologicznego po procesie przędzenia.
EN
The paper presents a standard method for testing the mass evenness of filament yarns using the USTER TESTER measuring systems offered by USTER TECHNOLOGIES A.G. This system enables the purveying of information in both quantitative and graphic presentation. The numerical values obtained from the USTER TESTER set characterizing the variability of the bed of filament yarns are: unevenness parameter U%, coefficients of variation CVm, CV1m, CV3m, CV10m and CV50m. In addition, the relative weight of filament yarns (Rel. Cnt ±) is expressed as a percentage, as well as the relative minimum and maximum deviations from the relative yarn linear mass determined for measuring lengths 1m and 10m. The graphical form that characterizes the uniformity of the filament yarn mass are: charts of mass fluctuations (diagrams), non-uniformity mass curves as a function of the length of the test sections, as well as spectrograms. By means of this measurement method, it is possible to quickly assess the quality of filament yarns, to detect possible errors causing periodic variability in the mass of these yarns. The test results can also be used to predict the behavior of yarns in subsequent stages of the technological process after the spinning process.
PL
W pierwszej części artykułu przedstawiono historię rozwoju oczyszczaczy produkowanych przez firmę USTER ZELLWEGER (współcześnie USTER TECHNOLOGIES A.G), ze szczególnym uwypukleniem charakterystyki technicznej, zasad pracy i możliwości pomiarowo badawczych oczyszczaczy nowej (USTER® QUANTUM 2) i najnowszej generacji (USTER® QUANTUM 3). W niniejszym artykule zaprezentowano możliwości pomiarowe oczyszczacza Tri Chord Clearer japońskiej firmy KEISOKKI. Stwierdzono, że oczyszczacz ten charakteryzuje się również walorami badawczymi zasługującymi na uwagę. Szczególnym rozwiązaniem prezentowanego oczyszczacza jest czujnik Microeye (MCE), pozwalający na obserwację dostrzeżonych błędów przędzy w znacznym powiększeniu.
EN
The first part of the article presents the history of development of the clearers produced by USTER ZELLWEGER (now USTER TECHNOLOGIES AG) firm, with a special emphasis on the technical characteristics, operating principles and capabilities of the new (USTER®QUANTUM 2) and latest generation (USTER® QUANTUM 3). This article presents the measurement capabilities of the TRI CHORD CLEARER of the Japanese KEI-SOKKI company. It has been found that this clearer is also characterized by research worthy of attention. A special solution for the presented clearer is the Microeye (MCE) detector, which allows the observed yarn faults to be significantly magnified.
PL
Przedstawiono historię rozwoju oczyszczaczy produkowanych przez firmę USTER ZELLWEGER (współcześnie USTER TECHNOLOGIES A.G), ze szczególnym uwypukleniem charakterystyki technicznej, zasad pracy i możliwości pomiarowo- badawczych oczyszczaczy nowej (USTER® QUANTUM 2) i najnowszej generacji (USTER® QUANTUM 3). Stwierdzono, że najbardziej niepokojącymi, stwarzającymi problemy błędami przędz bawełnianych są białe i przezroczyste włókna PP, nawet jeśli ich ilość w przędzy jest niewielka, a odległość pomiędzy ich pojawianiem się w przędzy jest duża. Jednakże częstokroć o wiele bardziej opłaca się pozostawienie części błędów w przędzy i zrezygnowanie z ich usuwania. Z tego też względu oczyszczacze najnowszej generacji muszą być między innymi wyposażone w oprogramowanie umożliwiające klasyfikację świadomie „pozostawianych” w przędzy błędów.
EN
The history of the development of the clearers manufactured by USTER ZELLWEGER firm (actually USTER TECHNOLOGIES A.G), with a special emphasis on technical characteristics, working principles and research capabilities of the new clearers (USTER® QUANTUM 2) and latest generation (USTER® QUANTUM 3) was presented. It has been found that the most disturbing, generating technological problematic faults of cotton yarns are white and transparent PP fibers, even if their amount in yarn is small, and the distance between them appearing in the yarn is large. However, it is often much more profitable to leave some of the faults in the yarn and not to remove them. For this reason, latest generation cleaners must, among other things, be equipped with software that allows them to classify consciously „left” yarn errors.
EN
This article attempts to systematize some scientific problems of classification, recognition, prediction, estimation, optimization, control, approximation of research object via artificial neural networks. There were presented different methods of classifying artificial neural networks (due to the flow of information, types of tasks, way of learning networks, as well as the transition function and topology). Due to the types of tasks artificial neural networks are divided into networks intended to solve regression problems, classification tasks, clustering analysis and time series analysis. The article mentions the industrial fields of applications of artificial neural networks, with particular consideration on areas of the textile industry.
EN
The problem of formation, eradication and assessment of yarn faults, many years located in the center of interest of many research institutes, spinning factories and spinning laboratories and makes up an object of numerous theoretical and experimental researches. To assess deficiencies previously used labor-intensive and subjective organoleptic methods whose effectiveness can be guestioned particularly for smaller common hidden faults. Currently, devices constructed of electro-mechanical, electro-capacitive and electro-optical action counting errors for us and they are very often connected with devices that automatically cut out the place loaded with defects and reconnect the ends of the yarn. We present the history of the development of methods of measurement defects of yarns and we describe the various instrumental methods of measurement of rare occurred yarn faults.
6
Content available remote A Hybrid Expert Systems Architecture for Yarn Fault Diagnosis
EN
This article describes a hybrid expert system architecture to support yarn fault diagnosis. The system uses a combination of rule-based and case-based techniques to achieve the diagnosis. Rule-based systems handle problems with well-defined knowledge bases, which limits the flexibility of such systems. To overcome this inherent weakness of rule-based systems (RBS), case-based reasoning (CBR) has been adopted to improve the performance of the expert system by incorporating previous cases in the generation of new cases. The idea of this research is to use rules to generate a diagnosis on a fault and to use cases to handle exceptions to the rules. The cases are represented using an object-oriented approach to support abstraction, re-use and inheritance features.
PL
Artykuł ten opisuje architekturę hybrydowego systemu eksperckiego, stosowanego jako pomoc w rozpoznawaniu błędów przędzy. W celu dokonania rozpoznania uszkodzeń, system hybrydowy oparty jest na kombinacji technik, których podstawami są „reguły” i „przypadki”. Systemy oparte na „regułach” (SOR) rozwiązują problemy o dobrze znanych i określonych zasadach, co ogranicza elastyczność takich systemów. Aby pokonać tą ich nieodłączną niesprawność i polepszyć działanie systemu, zastosowano podsystemy rozpoznające przypadki (SRP), dla generacji nowych przypadków na podstawie analizy dotychczasowych. Myślą przewodnią przedstawionego opracowania jest stosowanie reguł dla generowania diagnozy, dotyczącej danego błędu i wykorzystania przypadków dla rozpatrywania odstępstw od reguł. Przypadki są reprezentowane poprzez dochodzenie do celu zorientowanie na obiekt dla wsparcia abstrakcji reguły i powtórnej realizacji zadania.
first rewind previous Strona / 1 next fast forward last
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.