何 建 王 科 裴澤光

（1.東華大學(xué)，上海，201620；2.經(jīng)緯智能紡織機(jī)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(zhuǎn)氣流對(duì)纖維須條進(jìn)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(jié)構(gòu)，即外層為有捻的包纏纖維，內(nèi)層為無捻、近似平行的芯纖維。這種特殊的結(jié)構(gòu)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(yùn)動(dòng)狀態(tài)決定了所形成紗線的結(jié)構(gòu)和性能，因此對(duì)纖維在成紗過程中的運(yùn)動(dòng)狀態(tài)進(jìn)行在線觀測和分析，有助于對(duì)成紗結(jié)構(gòu)和質(zhì)量進(jìn)行實(shí)時(shí)預(yù)測和在線調(diào)節(jié)。在前期的研究中，我們?cè)O(shè)計(jì)了一種基于工業(yè)內(nèi)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(yùn)動(dòng)狀態(tài)與包纏效果［1?3］。在紡紗過程中，由于工藝參數(shù)實(shí)際值沒有及時(shí)反饋至參數(shù)控制系統(tǒng)，參數(shù)值無法進(jìn)行實(shí)時(shí)校準(zhǔn)，沒有形成一個(gè)閉環(huán)的控制系統(tǒng)，例如噴嘴氣壓值可能會(huì)相對(duì)進(jìn)氣閥門的氣壓設(shè)定值發(fā)生變化，使實(shí)際氣壓值偏離設(shè)定值；牽伸機(jī)構(gòu)中的傳動(dòng)比可能會(huì)出現(xiàn)誤差，導(dǎo)致羅拉轉(zhuǎn)速在設(shè)定值附近上下波動(dòng)。當(dāng)上述工藝參數(shù)實(shí)際值與設(shè)定值之間發(fā)生偏離時(shí)，將可能導(dǎo)致成紗質(zhì)量下降。因此有必要將工藝參數(shù)的監(jiān)測系統(tǒng)與參數(shù)控制系統(tǒng)相結(jié)合，以形成一個(gè)閉環(huán)的調(diào)節(jié)系統(tǒng)，來實(shí)時(shí)監(jiān)測纖維包纏狀態(tài)是否正常以及工藝參數(shù)值是否發(fā)生了偏離，并能夠動(dòng)態(tài)地調(diào)整和更新控制系統(tǒng)中的參數(shù)基準(zhǔn)值及數(shù)據(jù)庫，從而確保整個(gè)紡紗過程均在設(shè)定的最優(yōu)參數(shù)下進(jìn)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(shù)自動(dòng)調(diào)節(jié)系統(tǒng)，利用成紗在線觀測裝置作為參數(shù)調(diào)節(jié)系統(tǒng)的檢測模塊，從噴嘴加捻腔內(nèi)實(shí)時(shí)拍攝纖維包覆金屬絲過程的圖像，由CCD 相機(jī)將獲取的圖像傳輸至圖像分類模型，根據(jù)“紡紗參數(shù)?纖維包覆金屬絲圖像類型?紗線結(jié)構(gòu)”的相關(guān)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(shù)調(diào)節(jié)系統(tǒng)立即調(diào)整工藝參數(shù)；當(dāng)纖維包覆圖像恢復(fù)正常時(shí)，檢測調(diào)節(jié)后的參數(shù)值是否為設(shè)定的工藝參數(shù)值，若為設(shè)定的工藝參數(shù)值，則仍保持該設(shè)定參數(shù)值；若不為設(shè)定的工藝參數(shù)值，則立即調(diào)整參數(shù)調(diào)節(jié)系統(tǒng)的參數(shù)基準(zhǔn)值并更新數(shù)據(jù)庫，以實(shí)現(xiàn)紡紗參數(shù)在線自動(dòng)調(diào)節(jié)。

1 成紗過程圖像分類模型

圖像分類模型可基于從傳統(tǒng)的決策樹、支持向量機(jī)（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(shù)據(jù)進(jìn)行深度學(xué)習(xí)的方法進(jìn)行圖像分類。其中深度卷積神經(jīng)網(wǎng)絡(luò)（Deep Convolutional Neural Networks）對(duì)圖像進(jìn)行識(shí)別分類具有較高的效率［4］，現(xiàn)已應(yīng)用到各個(gè)領(lǐng)域，效果良好，且能夠降低網(wǎng)絡(luò)的復(fù)雜度。當(dāng)圖片進(jìn)行傾斜、縮放或者其他形式的變形時(shí)具有高度不變形的特點(diǎn)；與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)相比，具有更強(qiáng)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(jìn)行標(biāo)定。因此，本研究采用深度卷積神經(jīng)網(wǎng)絡(luò)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(shù)（包括噴嘴氣壓、紡紗速度、牽伸比等）下，將某一參數(shù)值設(shè)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(jìn)行分類，將纖維出現(xiàn)異常包覆圖像時(shí)的紡紗工藝參數(shù)作為調(diào)整的目標(biāo)參數(shù)。主要根據(jù)訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)圖像進(jìn)行自動(dòng)分類，因此訓(xùn)練識(shí)別率高的深度卷積網(wǎng)絡(luò)模型是實(shí)現(xiàn)紡紗工藝參數(shù)在線調(diào)節(jié)的重要前提。

1.1 網(wǎng)絡(luò)分類模型及訓(xùn)練框架的選擇

紡紗工藝參數(shù)在線調(diào)節(jié)系統(tǒng)研究的關(guān)鍵在于取得圖像分類速度和分類準(zhǔn)確度之間的平衡。由于VGG 模型［5］的穩(wěn)定性和魯棒性得到了較多實(shí)際應(yīng)用的驗(yàn)證，效果良好，且由于該模型使用的圖片符合本研究中訓(xùn)練圖像尺寸較大這一要求，因此選用VGG 模型作為優(yōu)化的基礎(chǔ)模型；選用LeNet?5 模型［6］作為本研究網(wǎng)絡(luò)模型的參考模型；此外，CIFAR?10［7］的分類與本研究的分類總數(shù)相近，因此選擇在VGG 模型、LeNet?5 模型以及CI?FAR?10 應(yīng)用模型的基礎(chǔ)上對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化設(shè)計(jì)。選用Tensorflow 深度學(xué)習(xí)框架進(jìn)行模型訓(xùn)練。

1.2 訓(xùn)練數(shù)據(jù)集的準(zhǔn)備及預(yù)處理

利用在線觀測裝置拍攝的纖維包纏過程圖像作為訓(xùn)練數(shù)據(jù)集，根據(jù)露芯特征與包纏狀態(tài)將拍攝的圖像分為9 種類型。a 類，短纖維與金屬絲均未進(jìn)入加捻腔；b 類，僅金屬絲進(jìn)入加捻腔，而短纖維未進(jìn)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(xiàn)象；e 類，進(jìn)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(nèi)的纖維量較多且沒有均勻地包覆金屬絲；g 類，加捻腔內(nèi)纖維量較少，露芯嚴(yán)重；h 類，紗條在加捻腔內(nèi)形成明顯的氣圈；i 類，纖維在加捻腔內(nèi)發(fā)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(shù)據(jù)集進(jìn)行訓(xùn)練。首先對(duì)圖片進(jìn)行剪切預(yù)處理，僅保留紡錠上游部分的纖維包纏圖像。在線觀測時(shí)，由于每種類型的圖片拍攝數(shù)量不等，在訓(xùn)練過程中易發(fā)生權(quán)重偏離，導(dǎo)致圖片分類模型的準(zhǔn)確率降低，因此采用數(shù)據(jù)增強(qiáng)的方法增加數(shù)據(jù)訓(xùn)練集。本研究設(shè)置輸入的圖片寬度和高度大小相等，使用隨機(jī)翻轉(zhuǎn)和旋轉(zhuǎn)的方法增加數(shù)據(jù)集。由于a 類、b 類、i 類的纖維包纏圖像屬于出現(xiàn)嚴(yán)重缺陷問題的包纏情況，一般很少出現(xiàn)，得到的訓(xùn)練集較少，因此主要對(duì)這3 種纖維包纏圖像的訓(xùn)練集進(jìn)行擴(kuò)充。最后使每種類型纖維包覆過程圖像的數(shù)量相等，為300 張，然后將每種類型的圖像縮放至200 pixel×200 pixel。預(yù)處理后得到的各類型圖像實(shí)例如圖1 所示。

圖1 預(yù)處理后得到的各類型圖像實(shí)例

1.3 卷積核的設(shè)定、激活函數(shù)的選擇及分類器的設(shè)計(jì)

由于訓(xùn)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(dāng)采用較大的卷積核后，每一層的感受也將增大，則模型的網(wǎng)絡(luò)參數(shù)誤差將會(huì)增加。此外VGG 模型中所有的卷積大小也設(shè)置為3×3，其分類效果表現(xiàn)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(gè)像素點(diǎn)，所有卷積核的移動(dòng)步長都設(shè)計(jì)為1×1。激活層將卷積層輸出結(jié)果做非線性變換，非線性變換使得卷積神經(jīng)網(wǎng)絡(luò)更能逼近各種函數(shù)映射，使模型能表達(dá)更復(fù)雜的分類。本研究采用Leaky Relu 函數(shù)作為隱含層的激活函數(shù)，見式（1）。式中，α根據(jù)經(jīng)驗(yàn)取值為0.1。

Leaky Relu 函數(shù)在當(dāng)輸入值大于零時(shí)，其變化與Relu 函數(shù)［8］一致；當(dāng)輸入值不大于零時(shí)，經(jīng)過Leaky ReLu 函數(shù)變換后，得到一個(gè)小于零的輸出值，因此輸入數(shù)據(jù)的分布范圍沒有發(fā)生改變，在反向傳播時(shí)，其梯度不會(huì)消失，也不會(huì)發(fā)生飽和現(xiàn)象，有利于權(quán)值的更新。

由于本研究涉及多分類問題，因此選用soft?max 函數(shù)作為分類器進(jìn)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(jié)果用概率值表示出來，其表達(dá)式見式（2）。

1.4 損失函數(shù)、優(yōu)化函數(shù)及學(xué)習(xí)率的設(shè)定

損失函數(shù)為預(yù)測值與真實(shí)值之間的距離，評(píng)價(jià)模型與真實(shí)值不同的程度，因此損失函數(shù)作為目標(biāo)函數(shù)，算法求解就是對(duì)這一目標(biāo)函數(shù)進(jìn)行優(yōu)化的過程。由于交叉熵?fù)p失函數(shù)（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(shù)，且由于分類器使用softmax 函數(shù)，因此選用交叉熵?fù)p失函數(shù)作為纖維包覆過程圖像分類的損失函數(shù)。

在訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型時(shí)，使用優(yōu)化函數(shù)來改善訓(xùn)練的方法，以此最小化損失函數(shù)，使預(yù)測值更加接近真實(shí)值。本研究選擇一階優(yōu)化算法中的Adam 函數(shù)（Adaptive Moment Estimation）作為優(yōu)化函數(shù)，其利用梯度的一階矩估計(jì)和二階矩估計(jì)動(dòng)態(tài)地為每個(gè)參數(shù)調(diào)整學(xué)習(xí)率，經(jīng)過偏置校正后，使每一次迭代的學(xué)習(xí)率都有一個(gè)確定范圍，使參數(shù)表現(xiàn)比較平穩(wěn)。學(xué)習(xí)率控制著權(quán)重的更新速度，較大學(xué)習(xí)率會(huì)有更快的初始學(xué)習(xí)，較小學(xué)習(xí)率會(huì)使模型訓(xùn)練到更好的收斂效果，因此本研究中的模型學(xué)習(xí)率初始值設(shè)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(chǔ)上，設(shè)計(jì)了如圖2 所示的訓(xùn)練模型。

圖2 訓(xùn)練模型

模型共設(shè)置了8 個(gè)卷積層，3 個(gè)全連接層，卷積核大小為3×3，移動(dòng)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(shè)置了最大池化層，池化核大小為2×2，在第3 個(gè)全連接層后設(shè)置了softmax 函數(shù)作為分類器。在訓(xùn)練的過程中，為了避免特征過多而導(dǎo)致過擬合現(xiàn)象的發(fā)生，使用L2正則化的方法來減少每一層網(wǎng)絡(luò)中的特征權(quán)重，去除一些不重要的特征來緩解過擬合現(xiàn)象。訓(xùn)練過程中，梯度剛開始下降時(shí)，網(wǎng)絡(luò)表現(xiàn)為一個(gè)非常平滑的函數(shù)，不存在局部極值的問題；當(dāng)訓(xùn)練一定時(shí)間后，通過不斷學(xué)習(xí)而改變權(quán)值，將網(wǎng)絡(luò)演變成一個(gè)可以表示高度非線性函數(shù)的網(wǎng)絡(luò)，可能會(huì)出現(xiàn)多個(gè)局部極小值。在訓(xùn)練初期，網(wǎng)絡(luò)中的權(quán)值初始化為接近于零的隨機(jī)數(shù)，可以避免網(wǎng)絡(luò)因參數(shù)過大而過早達(dá)到飽和狀態(tài)，能有效降低搜索停留在局部極小值的概率。因此，在訓(xùn)練中不對(duì)第1 層卷積的權(quán)重進(jìn)行L2 正則化，而對(duì)其他卷積層則進(jìn)行L2 正則化處理。

1.6 試驗(yàn)結(jié)果與分析

為驗(yàn)證設(shè)計(jì)的模型對(duì)于纖維包覆過程圖像分類的可靠性，試驗(yàn)采用1 000 個(gè)樣本進(jìn)行了測試，測試模型以每個(gè)類的最大概率（top_1）作為預(yù)測的正確結(jié)果，其表達(dá)式見式（3）。

式中：N1為每類最大概率預(yù)測的總數(shù)，N為總的預(yù)測數(shù)量，P為模型圖片分類的準(zhǔn)確度。

試驗(yàn)硬件環(huán)境：Intel（R）Core（TM）i7?3770@3.40 GHz 處理器，8 G DDR4 內(nèi)存，NVID?IA GTX1080 Ti GPU，試驗(yàn)軟件環(huán)境：64 位Win?dows 10 操作系統(tǒng)環(huán)境，Python 語言，Tensorflow深度學(xué)習(xí)框架安裝的庫文件等。

在上述試驗(yàn)環(huán)境下，根據(jù)設(shè)計(jì)的模型進(jìn)行了模型訓(xùn)練，共迭代了800 次，每次迭代圖片批次設(shè)為32 張，其準(zhǔn)確率達(dá)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(zhǔn)確率與損失值變化曲線

從圖3（a）中可以看出，當(dāng)?shù)螖?shù)為600 次時(shí)，準(zhǔn)確率為92.1%，達(dá)到了工業(yè)級(jí)的應(yīng)用水平，因此設(shè)計(jì)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(dāng)?shù)螖?shù)為400 次時(shí)，損失值趨近于0，且在400 次～600 次時(shí)，損失值沒有發(fā)生較大波動(dòng)，因此模型中的設(shè)計(jì)參數(shù)設(shè)置較為合理，可以用于參數(shù)調(diào)節(jié)系統(tǒng)的圖片分類模型。

2 成紗工藝參數(shù)自動(dòng)調(diào)節(jié)方案設(shè)計(jì)

紡紗試驗(yàn)在DHU?P02 型噴氣渦流紡紗試驗(yàn)機(jī)上進(jìn)行。由于設(shè)備條件的限制，試驗(yàn)中紡紗速度最高僅能達(dá)到約200 m/min。前期進(jìn)行了紡紗工藝參數(shù)對(duì)成紗過程以及紗線上露芯點(diǎn)數(shù)量和露芯段長度百分比影響的試驗(yàn)，結(jié)果表明，當(dāng)工藝參數(shù)設(shè)置為噴嘴氣壓0.55 MPa，紡紗速度100 m/min，牽伸比40 時(shí)，紗線包纏效果相對(duì)最好。因此，將紡紗工藝參數(shù)設(shè)置為以上數(shù)值，根據(jù)獲取的加捻腔內(nèi)纖維包覆過程的圖像對(duì)工藝參數(shù)進(jìn)行在線調(diào)節(jié)。

在通常的紡紗工藝參數(shù)下，大部分纖維包覆過程圖像為c 類、d 類包纏（為正常狀態(tài)圖像），約占總圖像數(shù)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(tài)圖像）占總圖像數(shù)量的10%，a 類、b 類、i 類為紡紗時(shí)出現(xiàn)嚴(yán)重問題的圖像。因此，為了排除在正常紡紗工藝參數(shù)下出現(xiàn)異常纖維圖片的干擾，設(shè)定當(dāng)每秒內(nèi)出現(xiàn)異常狀態(tài)各類型的圖像數(shù)量超過10%時(shí)，立即調(diào)節(jié)紡紗工藝參數(shù)，并檢測參數(shù)是否為設(shè)定值。若調(diào)整參數(shù)后包覆圖像恢復(fù)正常，則更新紡紗工藝參數(shù)的基準(zhǔn)值；若經(jīng)過多次調(diào)節(jié)后，仍未能恢復(fù)正常包覆狀態(tài)圖像，則停機(jī)檢查。

選用Raspberry Pi 3B+型微控制器作為紡紗工藝參數(shù)調(diào)節(jié)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(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型移植于該控制器內(nèi)，根據(jù)圖像的分類及時(shí)調(diào)整噴嘴氣壓、紡紗速度與牽伸比，調(diào)節(jié)方案如下。

（1）當(dāng)出現(xiàn)a 類圖像時(shí)，為在開啟進(jìn)氣閥門前金屬絲未進(jìn)入加捻類腔內(nèi)，則立即停機(jī)重新引入金屬絲。

（2）當(dāng)出現(xiàn)b 類圖像時(shí)，短纖維未進(jìn)入加捻腔內(nèi)，空氣系統(tǒng)未正常工作，立即調(diào)節(jié)噴嘴氣壓并檢測氣壓值是否為設(shè)定值。若圖像恢復(fù)正常，則更新噴嘴氣壓設(shè)置基準(zhǔn)；若圖像未恢復(fù)正常，則在設(shè)定的噴嘴氣壓值附近進(jìn)行上下調(diào)節(jié)；若經(jīng)上述調(diào)節(jié)后仍未恢復(fù)正常，則停機(jī)檢查。

（3）當(dāng)出現(xiàn)c 類、d 類圖像時(shí)，為正常纖維包覆過程的圖像，仍然保持設(shè)置的參數(shù)。

（4）當(dāng)每秒內(nèi)出現(xiàn)異常包纏圖像超過10%，且e 類圖像占比較大時(shí)，為紡紗速度出現(xiàn)異常。當(dāng)紡紗速度較高時(shí)，短纖維在包覆金屬絲之前已被拖拽進(jìn)紡錠內(nèi)，易出現(xiàn)e 類包覆圖像。在該情況下，參數(shù)控制系統(tǒng)立即將紡紗速度按最小控制精度降低，并實(shí)時(shí)檢測圖像是否恢復(fù)正常。若圖像恢復(fù)正常，則更新紡紗速度設(shè)置基準(zhǔn)；如果多次調(diào)節(jié)速度后圖像仍未恢復(fù)正常，則有可能是由于噴嘴氣壓或牽伸比發(fā)生變化而導(dǎo)致出現(xiàn)e 類包纏圖像，則在設(shè)定的噴嘴氣壓和牽伸比值附近進(jìn)行上下調(diào)節(jié)。若圖像恢復(fù)正常，則立即更新噴嘴氣壓和牽伸比的設(shè)置基準(zhǔn)；如果仍未恢復(fù)正常包覆圖像，則停機(jī)檢查。

（5）當(dāng)每秒內(nèi)出現(xiàn)異常包纏圖像超過10%，且f 類或g 類圖像占比較大時(shí)，為牽伸比發(fā)生異常。當(dāng)牽伸比較小時(shí)，進(jìn)入噴嘴的短纖維量較多，易出現(xiàn)f 類包纏圖像，則立即將牽伸比按最小控制精度提高，并實(shí)時(shí)檢測圖像是否恢復(fù)正常；當(dāng)牽伸比較大時(shí)，則進(jìn)入噴嘴內(nèi)的短纖維量較少，易出現(xiàn)g 類包纏圖像，則立即將牽伸比按最小控制精度降低，并實(shí)時(shí)檢測圖像是否恢復(fù)正常。如果圖像恢復(fù)正常，則更新牽伸比設(shè)置基準(zhǔn)；若未能恢復(fù)正常包覆圖像，則在設(shè)定的紡紗速度和噴嘴氣壓值附近進(jìn)行上下調(diào)節(jié)，并實(shí)時(shí)檢測圖像是否恢復(fù)正常。若圖像恢復(fù)正常，則更新紡紗速度和噴嘴氣壓的設(shè)置基準(zhǔn)；若在調(diào)節(jié)紡紗速度和噴嘴氣壓后仍沒有恢復(fù)正常包覆圖像，則立即停機(jī)檢查。

（6）當(dāng)每秒內(nèi)出現(xiàn)異常包纏圖像超過10%，且h 類圖像占比較大時(shí)，為噴嘴氣壓發(fā)生異常。當(dāng)噴嘴氣壓值較大時(shí)，加捻腔內(nèi)旋轉(zhuǎn)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(diào)低，并實(shí)時(shí)檢測圖像是否恢復(fù)正常。若圖像恢復(fù)正常，則更新噴嘴氣壓設(shè)置基準(zhǔn)；若未恢復(fù)正常包覆圖像，則將紡紗速度和牽伸比在設(shè)定值附近進(jìn)行上下調(diào)節(jié)，并實(shí)時(shí)檢測圖像是否恢復(fù)正常。若圖像恢復(fù)正常，則更新紡紗速度和牽伸比的設(shè)置基準(zhǔn)；若在調(diào)節(jié)紡紗速度和牽伸比后仍未恢復(fù)正常包覆圖像，則立即停機(jī)檢查。

（7）當(dāng)出現(xiàn)i 類圖像時(shí)，為金屬絲發(fā)生斷裂，則立即停機(jī)重新將金屬絲引入噴嘴。

（8）當(dāng)每秒內(nèi)出現(xiàn)異常包覆圖像超過10%，且異常包覆的各類圖像都增加時(shí)，為噴嘴氣壓、紡紗速度、牽伸比都發(fā)生了變化，則立即停機(jī)檢查。

3 結(jié)論

本研究針對(duì)噴氣渦流紡金屬絲包芯紗成紗工藝與設(shè)備，基于前期所搭建的工業(yè)內(nèi)窺鏡的纖維運(yùn)動(dòng)狀態(tài)在線觀測裝置，設(shè)計(jì)了工藝參數(shù)自動(dòng)調(diào)節(jié)系統(tǒng)；利用深度卷積神經(jīng)網(wǎng)絡(luò)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(dòng)分類模型；利用分類模型對(duì)纖維包覆過程圖像進(jìn)行識(shí)別與分類，根據(jù)成紗過程中紗條露芯特征與包纏狀態(tài)將纖維包覆過程圖像分為9 種類型，并將其作為訓(xùn)練數(shù)據(jù)集。試驗(yàn)結(jié)果表明，模型的預(yù)測準(zhǔn)確率達(dá)到了92.1%。借助圖像分類模型，可實(shí)現(xiàn)對(duì)噴氣渦流紡紗機(jī)的故障類型與紡紗工藝參數(shù)相關(guān)性的判別，實(shí)現(xiàn)紡紗工藝參數(shù)的自動(dòng)調(diào)節(jié)，并實(shí)時(shí)更新控制系統(tǒng)的參數(shù)基準(zhǔn)值與數(shù)據(jù)庫，保證整個(gè)紡紗過程始終保持在設(shè)定的最優(yōu)參數(shù)下進(jìn)行。