噴氣渦流紡包芯紗工藝自動調節系統的設計

何 建 王 科 裴澤光

（1.東華大學，上海，201620；2.經緯智能紡織機械有限公司，山西晉中，030601）

噴氣渦流紡是一種借助噴嘴中形成的高速旋轉氣流對纖維須條進行加捻成紗的新型紡紗方法。這種方法制成的紗線呈包纏結構，即外層為有捻的包纏纖維，內層為無捻、近似平行的芯纖維。這種特殊的結構使得噴氣渦流紡紗工藝非常適合紡制包芯紗。纖維在噴氣渦流紡加捻過程中的運動狀態決定了所形成紗線的結構和性能，因此對纖維在成紗過程中的運動狀態進行在線觀測和分析，有助于對成紗結構和質量進行實時預測和在線調節。在前期的研究中，我們設計了一種基于工業內窺鏡的在線觀測裝置，借助該裝置研究了噴氣渦流紡金屬絲包芯紗成紗過程中的纖維運動狀態與包纏效果［1?3］。在紡紗過程中，由于工藝參數實際值沒有及時反饋至參數控制系統，參數值無法進行實時校準，沒有形成一個閉環的控制系統，例如噴嘴氣壓值可能會相對進氣閥門的氣壓設定值發生變化，使實際氣壓值偏離設定值；牽伸機構中的傳動比可能會出現誤差，導致羅拉轉速在設定值附近上下波動。當上述工藝參數實際值與設定值之間發生偏離時，將可能導致成紗質量下降。因此有必要將工藝參數的監測系統與參數控制系統相結合，以形成一個閉環的調節系統，來實時監測纖維包纏狀態是否正常以及工藝參數值是否發生了偏離，并能夠動態地調整和更新控制系統中的參數基準值及數據庫，從而確保整個紡紗過程均在設定的最優參數下進行。

為此，本研究提出了一種基于在線觀測裝置的噴氣渦流紡金屬絲包芯紗成紗工藝參數自動調節系統，利用成紗在線觀測裝置作為參數調節系統的檢測模塊，從噴嘴加捻腔內實時拍攝纖維包覆金屬絲過程的圖像，由CCD 相機將獲取的圖像傳輸至圖像分類模型，根據“紡紗參數?纖維包覆金屬絲圖像類型?紗線結構”的相關性，由圖像分類模型判斷纖維包纏圖像是否為正常包覆圖像。如果包覆圖像存在異常，則參數調節系統立即調整工藝參數；當纖維包覆圖像恢復正常時，檢測調節后的參數值是否為設定的工藝參數值，若為設定的工藝參數值，則仍保持該設定參數值；若不為設定的工藝參數值，則立即調整參數調節系統的參數基準值并更新數據庫，以實現紡紗參數在線自動調節。

1 成紗過程圖像分類模型

圖像分類模型可基于從傳統的決策樹、支持向量機（Support Vector Machine）、線性回歸（Lin?ear Regression）、邏輯回歸（Logistic Regression）、樸素貝葉斯、K?近鄰算法等多種方法，到目前利用大數據進行深度學習的方法進行圖像分類。其中深度卷積神經網絡（Deep Convolutional Neural Networks）對圖像進行識別分類具有較高的效率［4］，現已應用到各個領域，效果良好，且能夠降低網絡的復雜度。當圖片進行傾斜、縮放或者其他形式的變形時具有高度不變形的特點；與傳統的神經網絡相比，具有更強大的抽象特征提取能力，在圖像分類模型中不需要在圖片中刻意地進行標定。因此，本研究采用深度卷積神經網絡模型作為噴氣渦流紡金屬絲包芯紗成紗過程圖像的分類模型。

選取單因子變量，在不同的紡紗工藝參數（包括噴嘴氣壓、紡紗速度、牽伸比等）下，將某一參數值設置過大或者過小的工況下所獲得的纖維包纏過程異常圖像進行分類，將纖維出現異常包覆圖像時的紡紗工藝參數作為調整的目標參數。主要根據訓練好的卷積神經網絡模型對圖像進行自動分類，因此訓練識別率高的深度卷積網絡模型是實現紡紗工藝參數在線調節的重要前提。

1.1 網絡分類模型及訓練框架的選擇

紡紗工藝參數在線調節系統研究的關鍵在于取得圖像分類速度和分類準確度之間的平衡。由于VGG 模型［5］的穩定性和魯棒性得到了較多實際應用的驗證，效果良好，且由于該模型使用的圖片符合本研究中訓練圖像尺寸較大這一要求，因此選用VGG 模型作為優化的基礎模型；選用LeNet?5 模型［6］作為本研究網絡模型的參考模型；此外，CIFAR?10［7］的分類與本研究的分類總數相近，因此選擇在VGG 模型、LeNet?5 模型以及CI?FAR?10 應用模型的基礎上對網絡結構進行優化設計。選用Tensorflow 深度學習框架進行模型訓練。

1.2 訓練數據集的準備及預處理

利用在線觀測裝置拍攝的纖維包纏過程圖像作為訓練數據集，根據露芯特征與包纏狀態將拍攝的圖像分為9 種類型。a 類，短纖維與金屬絲均未進入加捻腔；b 類，僅金屬絲進入加捻腔，而短纖維未進入加捻腔；c 類，纖維以一定的包纏角緊密度包覆金屬絲；d 類，纖維緊密包覆金屬絲，但有露芯現象；e 類，進入加捻腔的纖維沒有加捻，且纖維束與金屬絲分離較為明顯；f 類，加捻腔內的纖維量較多且沒有均勻地包覆金屬絲；g 類，加捻腔內纖維量較少，露芯嚴重；h 類，紗條在加捻腔內形成明顯的氣圈；i 類，纖維在加捻腔內發生堵塞。

由于纖維包覆金屬絲的圖像僅為整張圖片［尺寸7 040 μ m×5 280 μ m（1 200 pixel×1 600 pixel）］的一部分，因此只需將纖維包覆金屬絲的圖像部分作為數據集進行訓練。首先對圖片進行剪切預處理，僅保留紡錠上游部分的纖維包纏圖像。在線觀測時，由于每種類型的圖片拍攝數量不等，在訓練過程中易發生權重偏離，導致圖片分類模型的準確率降低，因此采用數據增強的方法增加數據訓練集。本研究設置輸入的圖片寬度和高度大小相等，使用隨機翻轉和旋轉的方法增加數據集。由于a 類、b 類、i 類的纖維包纏圖像屬于出現嚴重缺陷問題的包纏情況，一般很少出現，得到的訓練集較少，因此主要對這3 種纖維包纏圖像的訓練集進行擴充。最后使每種類型纖維包覆過程圖像的數量相等，為300 張，然后將每種類型的圖像縮放至200 pixel×200 pixel。預處理后得到的各類型圖像實例如圖1 所示。

圖1 預處理后得到的各類型圖像實例

1.3 卷積核的設定、激活函數的選擇及分類器的設計

由于訓練集的圖像中金屬絲作為圖像分類的特征之一，其直徑較小，當采用較大的卷積核后，每一層的感受也將增大，則模型的網絡參數誤差將會增加。此外VGG 模型中所有的卷積大小也設置為3×3，其分類效果表現良好，因此本研究每一層卷積核的大小選用3×3。為了可以滑過圖片中的每個像素點，所有卷積核的移動步長都設計為1×1。激活層將卷積層輸出結果做非線性變換，非線性變換使得卷積神經網絡更能逼近各種函數映射，使模型能表達更復雜的分類。本研究采用Leaky Relu 函數作為隱含層的激活函數，見式（1）。式中，α根據經驗取值為0.1。

Leaky Relu 函數在當輸入值大于零時，其變化與Relu 函數［8］一致；當輸入值不大于零時，經過Leaky ReLu 函數變換后，得到一個小于零的輸出值，因此輸入數據的分布范圍沒有發生改變，在反向傳播時，其梯度不會消失，也不會發生飽和現象，有利于權值的更新。

由于本研究涉及多分類問題，因此選用soft?max 函數作為分類器進行決策分類，其不僅可以直接用于多分類問題，還可以將分類的結果用概率值表示出來，其表達式見式（2）。

1.4 損失函數、優化函數及學習率的設定

損失函數為預測值與真實值之間的距離，評價模型與真實值不同的程度，因此損失函數作為目標函數，算法求解就是對這一目標函數進行優化的過程。由于交叉熵損失函數（Cross Entropy Cost）更適用于同一種類樣本的不同模型的分類損失函數，且由于分類器使用softmax 函數，因此選用交叉熵損失函數作為纖維包覆過程圖像分類的損失函數。

在訓練神經網絡模型時，使用優化函數來改善訓練的方法，以此最小化損失函數，使預測值更加接近真實值。本研究選擇一階優化算法中的Adam 函數（Adaptive Moment Estimation）作為優化函數，其利用梯度的一階矩估計和二階矩估計動態地為每個參數調整學習率，經過偏置校正后，使每一次迭代的學習率都有一個確定范圍，使參數表現比較平穩。學習率控制著權重的更新速度，較大學習率會有更快的初始學習，較小學習率會使模型訓練到更好的收斂效果，因此本研究中的模型學習率初始值設置為0.001。

1.5 模型整體框架

在VGG 模型A 系列和LeNet?5 模型的基礎上，設計了如圖2 所示的訓練模型。

圖2 訓練模型

模型共設置了8 個卷積層，3 個全連接層，卷積核大小為3×3，移動步長為1×1，全連接層大小為1×1，其深度依次為200 層、100 層、9 層，分別在第1、2、4、6、8 卷積層后設置了最大池化層，池化核大小為2×2，在第3 個全連接層后設置了softmax 函數作為分類器。在訓練的過程中，為了避免特征過多而導致過擬合現象的發生，使用L2正則化的方法來減少每一層網絡中的特征權重，去除一些不重要的特征來緩解過擬合現象。訓練過程中，梯度剛開始下降時，網絡表現為一個非常平滑的函數，不存在局部極值的問題；當訓練一定時間后，通過不斷學習而改變權值，將網絡演變成一個可以表示高度非線性函數的網絡，可能會出現多個局部極小值。在訓練初期，網絡中的權值初始化為接近于零的隨機數，可以避免網絡因參數過大而過早達到飽和狀態，能有效降低搜索停留在局部極小值的概率。因此，在訓練中不對第1 層卷積的權重進行L2 正則化，而對其他卷積層則進行L2 正則化處理。

1.6 試驗結果與分析

為驗證設計的模型對于纖維包覆過程圖像分類的可靠性，試驗采用1 000 個樣本進行了測試，測試模型以每個類的最大概率（top_1）作為預測的正確結果，其表達式見式（3）。

式中：N1為每類最大概率預測的總數，N為總的預測數量，P為模型圖片分類的準確度。

試驗硬件環境：Intel（R）Core（TM）i7?3770@3.40 GHz 處理器，8 G DDR4 內存，NVID?IA GTX1080 Ti GPU，試驗軟件環境：64 位Win?dows 10 操作系統環境，Python 語言，Tensorflow深度學習框架安裝的庫文件等。

在上述試驗環境下，根據設計的模型進行了模型訓練，共迭代了800 次，每次迭代圖片批次設為32 張，其準確率達到了92.1%，如圖3（a）所示，其損失值變化如圖3（b）所示。

圖3 準確率與損失值變化曲線

從圖3（a）中可以看出，當迭代次數為600 次時，準確率為92.1%，達到了工業級的應用水平，因此設計的模型可以作為圖片的分類模型。而從圖3（b）中可以看出，當迭代次數為400 次時，損失值趨近于0，且在400 次～600 次時，損失值沒有發生較大波動，因此模型中的設計參數設置較為合理，可以用于參數調節系統的圖片分類模型。

2 成紗工藝參數自動調節方案設計

紡紗試驗在DHU?P02 型噴氣渦流紡紗試驗機上進行。由于設備條件的限制，試驗中紡紗速度最高僅能達到約200 m/min。前期進行了紡紗工藝參數對成紗過程以及紗線上露芯點數量和露芯段長度百分比影響的試驗，結果表明，當工藝參數設置為噴嘴氣壓0.55 MPa，紡紗速度100 m/min，牽伸比40 時，紗線包纏效果相對最好。因此，將紡紗工藝參數設置為以上數值，根據獲取的加捻腔內纖維包覆過程的圖像對工藝參數進行在線調節。

在通常的紡紗工藝參數下，大部分纖維包覆過程圖像為c 類、d 類包纏（為正常狀態圖像），約占總圖像數量的90%，其他類型的圖像（e 類、f類、g 類、h 類包纏為異常狀態圖像）占總圖像數量的10%，a 類、b 類、i 類為紡紗時出現嚴重問題的圖像。因此，為了排除在正常紡紗工藝參數下出現異常纖維圖片的干擾，設定當每秒內出現異常狀態各類型的圖像數量超過10%時，立即調節紡紗工藝參數，并檢測參數是否為設定值。若調整參數后包覆圖像恢復正常，則更新紡紗工藝參數的基準值；若經過多次調節后，仍未能恢復正常包覆狀態圖像，則停機檢查。

選用Raspberry Pi 3B+型微控制器作為紡紗工藝參數調節的控制器，其為基于ARM 的微型電腦主板，具備所有PC 的基本功能。將訓練好的卷積神經網絡模型移植于該控制器內，根據圖像的分類及時調整噴嘴氣壓、紡紗速度與牽伸比，調節方案如下。

（1）當出現a 類圖像時，為在開啟進氣閥門前金屬絲未進入加捻類腔內，則立即停機重新引入金屬絲。

（2）當出現b 類圖像時，短纖維未進入加捻腔內，空氣系統未正常工作，立即調節噴嘴氣壓并檢測氣壓值是否為設定值。若圖像恢復正常，則更新噴嘴氣壓設置基準；若圖像未恢復正常，則在設定的噴嘴氣壓值附近進行上下調節；若經上述調節后仍未恢復正常，則停機檢查。

（3）當出現c 類、d 類圖像時，為正常纖維包覆過程的圖像，仍然保持設置的參數。

（4）當每秒內出現異常包纏圖像超過10%，且e 類圖像占比較大時，為紡紗速度出現異常。當紡紗速度較高時，短纖維在包覆金屬絲之前已被拖拽進紡錠內，易出現e 類包覆圖像。在該情況下，參數控制系統立即將紡紗速度按最小控制精度降低，并實時檢測圖像是否恢復正常。若圖像恢復正常，則更新紡紗速度設置基準；如果多次調節速度后圖像仍未恢復正常，則有可能是由于噴嘴氣壓或牽伸比發生變化而導致出現e 類包纏圖像，則在設定的噴嘴氣壓和牽伸比值附近進行上下調節。若圖像恢復正常，則立即更新噴嘴氣壓和牽伸比的設置基準；如果仍未恢復正常包覆圖像，則停機檢查。

（5）當每秒內出現異常包纏圖像超過10%，且f 類或g 類圖像占比較大時，為牽伸比發生異常。當牽伸比較小時，進入噴嘴的短纖維量較多，易出現f 類包纏圖像，則立即將牽伸比按最小控制精度提高，并實時檢測圖像是否恢復正常；當牽伸比較大時，則進入噴嘴內的短纖維量較少，易出現g 類包纏圖像，則立即將牽伸比按最小控制精度降低，并實時檢測圖像是否恢復正常。如果圖像恢復正常，則更新牽伸比設置基準；若未能恢復正常包覆圖像，則在設定的紡紗速度和噴嘴氣壓值附近進行上下調節，并實時檢測圖像是否恢復正常。若圖像恢復正常，則更新紡紗速度和噴嘴氣壓的設置基準；若在調節紡紗速度和噴嘴氣壓后仍沒有恢復正常包覆圖像，則立即停機檢查。

（6）當每秒內出現異常包纏圖像超過10%，且h 類圖像占比較大時，為噴嘴氣壓發生異常。當噴嘴氣壓值較大時，加捻腔內旋轉氣流的切向分力將增大，紗條易形成明顯的氣圈，即h 類包纏圖像，則立即將氣壓值按最小控制精度調低，并實時檢測圖像是否恢復正常。若圖像恢復正常，則更新噴嘴氣壓設置基準；若未恢復正常包覆圖像，則將紡紗速度和牽伸比在設定值附近進行上下調節，并實時檢測圖像是否恢復正常。若圖像恢復正常，則更新紡紗速度和牽伸比的設置基準；若在調節紡紗速度和牽伸比后仍未恢復正常包覆圖像，則立即停機檢查。

（7）當出現i 類圖像時，為金屬絲發生斷裂，則立即停機重新將金屬絲引入噴嘴。

（8）當每秒內出現異常包覆圖像超過10%，且異常包覆的各類圖像都增加時，為噴嘴氣壓、紡紗速度、牽伸比都發生了變化，則立即停機檢查。

3 結論

本研究針對噴氣渦流紡金屬絲包芯紗成紗工藝與設備，基于前期所搭建的工業內窺鏡的纖維運動狀態在線觀測裝置，設計了工藝參數自動調節系統；利用深度卷積神經網絡方法，基于VGG模型和LeNet?5 模型建立了紡紗過程中纖維包覆金屬絲圖像的自動分類模型；利用分類模型對纖維包覆過程圖像進行識別與分類，根據成紗過程中紗條露芯特征與包纏狀態將纖維包覆過程圖像分為9 種類型，并將其作為訓練數據集。試驗結果表明，模型的預測準確率達到了92.1%。借助圖像分類模型，可實現對噴氣渦流紡紗機的故障類型與紡紗工藝參數相關性的判別，實現紡紗工藝參數的自動調節，并實時更新控制系統的參數基準值與數據庫，保證整個紡紗過程始終保持在設定的最優參數下進行。