-
题名纺织典型装备故障多特征自适应提取方法
被引量：1
- 1
-
-
作者
任杰
张洁
汪俊亮
-
机构
东华大学人工智能研究院
东华大学机械工程学院
东华大学纺织工业人工智能技术教育部工程研究中心
-
出处
《纺织学报》
EI
CAS
CSCD
北大核心
2024年第4期211-220,共10页
-
基金
山东省重点研发计划项目(2021CXGC011004)
国家自然科学基金面上项目(52375485,52275478)
新疆维吾尔自治区重点研发计划项目(2022B01057-1)。
-
文摘
化纤高速卷绕头故障特征提取是卷绕头故障诊断中的关键步骤。为解决化纤卷绕头故障诊断精度不高、可解释性差的难点,提出了数据驱动的化纤卷绕头故障多特征自适应提取方法。通过改进型基因表达式编程(GEP)的故障特征生成方法,设计了一种运算符与变量符随机组合编码、对位匹配与倒序运算解码方法,构建了突变、插串、重组的遗传算子,实现了多个故障特征构建与生成;提出了低冗余、高互补的多特征提取与分析方法,实现了特征间关系的可解释性分析与关键特征优选。实验结果表明:采用所提出的改进型GEP方法与传统特征提取方法、通用GEP方法所生成的故障特征进行对比,在线速度为1000、2000和3000 m/min状态下,卷绕头故障诊断精度分别提升了8.959%、3.87%、3.77%和2.601%、3.2%、2.018%,有效解决了卷绕头故障特征提取的难题;进一步的特征工程实验表明,所提方法对于多特征组合下的卷绕头故障关键特征提取具有较强的适应性能。
-
关键词
故障特征提取
基因表达式编程
优势特征选择
自适应
卷绕头
仪纤生产线
-
Keywords
fault feature extraction
gene expression programming
feature selection
adaptive
winder
chemical fiber production line
-
分类号
TH133.33
[机械工程—机械制造及自动化]
-
-
题名面向卷绕机装配车间的无线信号聚类分层定位方法
- 2
-
-
作者
丁司懿
童辉辉
毛新华
张洁
-
机构
东华大学人工智能研究院
东华大学纺织工业人工智能技术教育部工程研究中心
上海工业大数据与智能系统工程技术研究中心
北京中丽制机工程技术有限公司
东华大学信息科学与技术学院
-
出处
《纺织学报》
北大核心
2025年第6期212-222,共11页
-
基金
国家自然科学基金项目(52105509)
中央高校基本科研业务费专项资金资助项目(2232023D-25,2232024G-14)
+1 种基金
北京市博士后工作经费资助项目(京人社(2017)99号)
上海市科技计划项目(20DZ2251400)。
-
文摘
为解决卷绕机装配车间这种复杂环境中难以高效准确定位的问题,提出了基于无线网络(WiFi)的分层定位方法。通过分析装配车间无线网络环境的特点及其特定的定位需求,并结合卷绕机装配车间内的无线网络定位的特点,开发了一种结合XGBoost分类模型算法、K-means聚类算法和加权K最近邻(WKNN)算法的无线网络分层定位方法。同时,依据装配车间的特点与需求对定位区域进行有效划分并初步构建指纹库,根据装配车间内WiFi信号的特点,使用K-means聚类算法分割并更新指纹库;然后利用XGBoost分类模型算法确定子区域实现粗定位,再用WKNN算法精确定位。实验结果表明:该方法在定位精度上比传统WKNN算法提高了143.82%,平均定位时间减少了约20%;这些改进有效提升了卷绕机装配车间中无线网络定位的准确性和效率。
-
关键词
卷绕机装配车间
无线网络
分层定位方法
XGBoost分类模型
K-MEANS聚类算法
加权K最近邻算法
-
Keywords
winding machine assembly workshop
wireless network
hierarchical positioning method
XGBoost classification model
K-means clustering algorithm
weighted K-nearest neighbors algorithm
-
分类号
TN99
[电子电信—信号与信息处理]
-
-
题名面向平缝工艺信息融合的知识图谱构建方法
被引量：1
- 3
-
-
作者
郑小虎
刘正好
刘冰
张洁
徐修亮
刘希
-
机构
东华大学人工智能研究院
纺织工业人工智能技术教育部工程研究中心
上海工业大数据与智能系统工程技术研究中心
东华大学机械工程学院
杭州中服科创研究院有限公司
上海富山精密机械科技有限公司
东华大学信息科学与技术学院
-
出处
《纺织学报》
EI
CAS
CSCD
北大核心
2024年第4期195-203,共9页
-
基金
中央高校基本科研业务费专项资金资助项目(2232021D-15)
国家工信部项目(2021-0173-2-1)
上海市科技计划项目(20DZ2251400)。
-
文摘
针对缝纫工艺流程链路长,生产要素多样,工艺知识分散化的特点,首先,提出缝纫工艺信息组织建模方法,面向多源异构平缝工艺信息构建本体模型;其次,研究基于面料力学性能的平缝工艺推荐方法,构建面料基础性能、缝制性能知识体系,结合面料层次分类方法和实验参数分析,形成力学性能参数与缝制参数之间的数学模型;在此基础上,以专家经验文本、实验测量数据为原始数据,构建面向平缝工艺信息融合的知识图谱,开发WEB系统展开应用验证。结果表明:所构建的工艺推荐方法实现了对面料平整度和最大缝缩率的预测,知识融合系统实现了缝纫工艺知识的智能搜索和缝制参数的智能推荐,为工艺数据集成、装备故障运维、工艺路线设计、产品质量控制提供决策参考。
-
关键词
服装
缝纫
知识图谱
工艺知识管理
平缝工艺
知识推荐
缝制参数
-
Keywords
clothing
sewing
knowledge graph
process knowledge management
flat seam
knowledge recommendation
sewing parameter
-
分类号
TS941
[轻工技术与工程—服装设计与工程]
-
-
题名基于机器视觉的缝纫线迹缺陷检测方法
被引量：1
- 4
-
-
作者
陈育帆
郑小虎
徐修亮
刘冰
-
机构
东华大学信息科学与技术学院
东华大学人工智能研究院
纺织工业人工智能技术教育部工程研究中心
上海工业大数据与智能系统工程技术研究中心
上海富山精密机械科技有限公司
杭州中服科创研究院有限公司
-
出处
《纺织学报》
EI
CAS
CSCD
北大核心
2024年第7期173-180,共8页
-
基金
中央高校基本科研业务费专项资金资助项目(2232021D-15)
上海市科技计划项目(20DZ2251400)。
-
文摘
缝纫线迹缺陷检测过程易受缝纫机抖动和面料移动过快等影响,针对缺陷检测过程中的扰动影响,以高精度和快速检测缺陷特征为目标,提出一种基于机器视觉的缝纫线迹缺陷检测方法。首先将主干网络的标准卷积改用蓝图卷积的DeblurGAN-v2算法和拉普拉斯算法联用,分辨模糊与清晰图像,并对运动模糊图像去模糊。然后将师生特征金字塔匹配算法应用到缝纫线迹缺陷检测上,将困难样本挖掘技术应用到师生特征金字塔匹配算法中提高了算法的检测精度与速度。结果表明:图像去模糊算法有效地去除了由外部干扰引起的图像模糊问题,缺陷检测算法检测正确率保持在95%以上,单张图片检测速度在0.04 s以下。本文方法能有效检测线迹缺陷特征,保障生产的高效性和连续性。
-
关键词
机器视觉
缝纫线迹
缺陷检测
DeblurGAN-v2算法
服装质量
-
Keywords
sewing thread defect detection
machine vision
DeblurGAN-v2
student-teacher feature pyramid matching
anomaly detection
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
TS103
[轻工技术与工程—纺织工程]
-
-
题名基于一维卷积神经网络的棉纱线质量预测
- 5
-
-
作者
郑小虎
杜思淇
刘永青
王健
陈峰
-
机构
东华大学人工智能研究院
-
出处
《纺织学报》
2025年第9期120-127,共8页
-
基金
国家重点研发计划项目(2023YFB3210900)
中央高校基本科研业务费专项资金资助项目(2232024G-14)。
-
文摘
棉纱线生产工序复杂、变量多,过程数据多样高维,进而难以准确选择影响纱线质量的关键因素,导致棉纱线质量的预测难度大、精度低。为解决上述问题,提出使用基于copula熵的特征选择方法,以copula熵作为选择依据,量化变量与目标之间的关系,并选取关联度最大的7个关键特征作为后续预测模型的输入,达到模型轻量化的目的。结合一维卷积神经网络(1D-CNN)和K-近邻算法(KNN)对4种纱线质量指标进行预测,即条干均匀度变异系数CV_(m)、毛羽H值、细节(-50%)和粗节(+50%),其中1D-CNN从输入变量中提取深层特征信息,而KNN用于执行纱线质量指标的拟合。并以纺织厂真实的环锭纺纱线生产数据为例,对提出的方法进行检验。结果显示:与1D-CNN、KNN、支持向量回归机、LightGBM、Transformer模型相比,所提模型对纱线质量的预测精度更高,且预测时间平均提高36.5%,提升了纱线质量预测速度。
-
关键词
棉纱线质量预测
多维特征
copula熵
K-近邻算法
一维卷积神经网络
-
Keywords
cotton yarn quality prediction
multidimensional feature
copula entropy
K-nearest neighborhood algorithm
one-dimensional convolutional neural network
-
分类号
TS103
[轻工技术与工程]
-
