喷气涡流纺包芯纱工艺自动调节系统的设计

何 建 王 科 裴泽光

（1.东华大学，上海，201620；2.经纬智能纺织机械有限公司，山西晋中，030601）

喷气涡流纺是一种借助喷嘴中形成的高速旋转气流对纤维须条进行加捻成纱的新型纺纱方法。这种方法制成的纱线呈包缠结构，即外层为有捻的包缠纤维，内层为无捻、近似平行的芯纤维。这种特殊的结构使得喷气涡流纺纱工艺非常适合纺制包芯纱。纤维在喷气涡流纺加捻过程中的运动状态决定了所形成纱线的结构和性能，因此对纤维在成纱过程中的运动状态进行在线观测和分析，有助于对成纱结构和质量进行实时预测和在线调节。在前期的研究中，我们设计了一种基于工业内窥镜的在线观测装置，借助该装置研究了喷气涡流纺金属丝包芯纱成纱过程中的纤维运动状态与包缠效果［1⁃3］。在纺纱过程中，由于工艺参数实际值没有及时反馈至参数控制系统，参数值无法进行实时校准，没有形成一个闭环的控制系统，例如喷嘴气压值可能会相对进气阀门的气压设定值发生变化，使实际气压值偏离设定值；牵伸机构中的传动比可能会出现误差，导致罗拉转速在设定值附近上下波动。当上述工艺参数实际值与设定值之间发生偏离时，将可能导致成纱质量下降。因此有必要将工艺参数的监测系统与参数控制系统相结合，以形成一个闭环的调节系统，来实时监测纤维包缠状态是否正常以及工艺参数值是否发生了偏离，并能够动态地调整和更新控制系统中的参数基准值及数据库，从而确保整个纺纱过程均在设定的最优参数下进行。

为此，本研究提出了一种基于在线观测装置的喷气涡流纺金属丝包芯纱成纱工艺参数自动调节系统，利用成纱在线观测装置作为参数调节系统的检测模块，从喷嘴加捻腔内实时拍摄纤维包覆金属丝过程的图像，由CCD 相机将获取的图像传输至图像分类模型，根据“纺纱参数⁃纤维包覆金属丝图像类型⁃纱线结构”的相关性，由图像分类模型判断纤维包缠图像是否为正常包覆图像。如果包覆图像存在异常，则参数调节系统立即调整工艺参数；当纤维包覆图像恢复正常时，检测调节后的参数值是否为设定的工艺参数值，若为设定的工艺参数值，则仍保持该设定参数值；若不为设定的工艺参数值，则立即调整参数调节系统的参数基准值并更新数据库，以实现纺纱参数在线自动调节。

1 成纱过程图像分类模型

图像分类模型可基于从传统的决策树、支持向量机（Support Vector Machine）、线性回归（Lin⁃ear Regression）、逻辑回归（Logistic Regression）、朴素贝叶斯、K⁃近邻算法等多种方法，到目前利用大数据进行深度学习的方法进行图像分类。其中深度卷积神经网络（Deep Convolutional Neural Networks）对图像进行识别分类具有较高的效率［4］，现已应用到各个领域，效果良好，且能够降低网络的复杂度。当图片进行倾斜、缩放或者其他形式的变形时具有高度不变形的特点；与传统的神经网络相比，具有更强大的抽象特征提取能力，在图像分类模型中不需要在图片中刻意地进行标定。因此，本研究采用深度卷积神经网络模型作为喷气涡流纺金属丝包芯纱成纱过程图像的分类模型。

选取单因子变量，在不同的纺纱工艺参数（包括喷嘴气压、纺纱速度、牵伸比等）下，将某一参数值设置过大或者过小的工况下所获得的纤维包缠过程异常图像进行分类，将纤维出现异常包覆图像时的纺纱工艺参数作为调整的目标参数。主要根据训练好的卷积神经网络模型对图像进行自动分类，因此训练识别率高的深度卷积网络模型是实现纺纱工艺参数在线调节的重要前提。

1.1 网络分类模型及训练框架的选择

纺纱工艺参数在线调节系统研究的关键在于取得图像分类速度和分类准确度之间的平衡。由于VGG 模型［5］的稳定性和鲁棒性得到了较多实际应用的验证，效果良好，且由于该模型使用的图片符合本研究中训练图像尺寸较大这一要求，因此选用VGG 模型作为优化的基础模型；选用LeNet⁃5 模型［6］作为本研究网络模型的参考模型；此外，CIFAR⁃10［7］的分类与本研究的分类总数相近，因此选择在VGG 模型、LeNet⁃5 模型以及CI⁃FAR⁃10 应用模型的基础上对网络结构进行优化设计。选用Tensorflow 深度学习框架进行模型训练。

1.2 训练数据集的准备及预处理

利用在线观测装置拍摄的纤维包缠过程图像作为训练数据集，根据露芯特征与包缠状态将拍摄的图像分为9 种类型。a 类，短纤维与金属丝均未进入加捻腔；b 类，仅金属丝进入加捻腔，而短纤维未进入加捻腔；c 类，纤维以一定的包缠角紧密度包覆金属丝；d 类，纤维紧密包覆金属丝，但有露芯现象；e 类，进入加捻腔的纤维没有加捻，且纤维束与金属丝分离较为明显；f 类，加捻腔内的纤维量较多且没有均匀地包覆金属丝；g 类，加捻腔内纤维量较少，露芯严重；h 类，纱条在加捻腔内形成明显的气圈；i 类，纤维在加捻腔内发生堵塞。

由于纤维包覆金属丝的图像仅为整张图片［尺寸7 040 μ m×5 280 μ m（1 200 pixel×1 600 pixel）］的一部分，因此只需将纤维包覆金属丝的图像部分作为数据集进行训练。首先对图片进行剪切预处理，仅保留纺锭上游部分的纤维包缠图像。在线观测时，由于每种类型的图片拍摄数量不等，在训练过程中易发生权重偏离，导致图片分类模型的准确率降低，因此采用数据增强的方法增加数据训练集。本研究设置输入的图片宽度和高度大小相等，使用随机翻转和旋转的方法增加数据集。由于a 类、b 类、i 类的纤维包缠图像属于出现严重缺陷问题的包缠情况，一般很少出现，得到的训练集较少，因此主要对这3 种纤维包缠图像的训练集进行扩充。最后使每种类型纤维包覆过程图像的数量相等，为300 张，然后将每种类型的图像缩放至200 pixel×200 pixel。预处理后得到的各类型图像实例如图1 所示。

图1 预处理后得到的各类型图像实例

1.3 卷积核的设定、激活函数的选择及分类器的设计

由于训练集的图像中金属丝作为图像分类的特征之一，其直径较小，当采用较大的卷积核后，每一层的感受也将增大，则模型的网络参数误差将会增加。此外VGG 模型中所有的卷积大小也设置为3×3，其分类效果表现良好，因此本研究每一层卷积核的大小选用3×3。为了可以滑过图片中的每个像素点，所有卷积核的移动步长都设计为1×1。激活层将卷积层输出结果做非线性变换，非线性变换使得卷积神经网络更能逼近各种函数映射，使模型能表达更复杂的分类。本研究采用Leaky Relu 函数作为隐含层的激活函数，见式（1）。式中，α根据经验取值为0.1。

Leaky Relu 函数在当输入值大于零时，其变化与Relu 函数［8］一致；当输入值不大于零时，经过Leaky ReLu 函数变换后，得到一个小于零的输出值，因此输入数据的分布范围没有发生改变，在反向传播时，其梯度不会消失，也不会发生饱和现象，有利于权值的更新。

由于本研究涉及多分类问题，因此选用soft⁃max 函数作为分类器进行决策分类，其不仅可以直接用于多分类问题，还可以将分类的结果用概率值表示出来，其表达式见式（2）。

1.4 损失函数、优化函数及学习率的设定

损失函数为预测值与真实值之间的距离，评价模型与真实值不同的程度，因此损失函数作为目标函数，算法求解就是对这一目标函数进行优化的过程。由于交叉熵损失函数（Cross Entropy Cost）更适用于同一种类样本的不同模型的分类损失函数，且由于分类器使用softmax 函数，因此选用交叉熵损失函数作为纤维包覆过程图像分类的损失函数。

在训练神经网络模型时，使用优化函数来改善训练的方法，以此最小化损失函数，使预测值更加接近真实值。本研究选择一阶优化算法中的Adam 函数（Adaptive Moment Estimation）作为优化函数，其利用梯度的一阶矩估计和二阶矩估计动态地为每个参数调整学习率，经过偏置校正后，使每一次迭代的学习率都有一个确定范围，使参数表现比较平稳。学习率控制着权重的更新速度，较大学习率会有更快的初始学习，较小学习率会使模型训练到更好的收敛效果，因此本研究中的模型学习率初始值设置为0.001。

1.5 模型整体框架

在VGG 模型A 系列和LeNet⁃5 模型的基础上，设计了如图2 所示的训练模型。

图2 训练模型

模型共设置了8 个卷积层，3 个全连接层，卷积核大小为3×3，移动步长为1×1，全连接层大小为1×1，其深度依次为200 层、100 层、9 层，分别在第1、2、4、6、8 卷积层后设置了最大池化层，池化核大小为2×2，在第3 个全连接层后设置了softmax 函数作为分类器。在训练的过程中，为了避免特征过多而导致过拟合现象的发生，使用L2正则化的方法来减少每一层网络中的特征权重，去除一些不重要的特征来缓解过拟合现象。训练过程中，梯度刚开始下降时，网络表现为一个非常平滑的函数，不存在局部极值的问题；当训练一定时间后，通过不断学习而改变权值，将网络演变成一个可以表示高度非线性函数的网络，可能会出现多个局部极小值。在训练初期，网络中的权值初始化为接近于零的随机数，可以避免网络因参数过大而过早达到饱和状态，能有效降低搜索停留在局部极小值的概率。因此，在训练中不对第1 层卷积的权重进行L2 正则化，而对其他卷积层则进行L2 正则化处理。

1.6 试验结果与分析

为验证设计的模型对于纤维包覆过程图像分类的可靠性，试验采用1 000 个样本进行了测试，测试模型以每个类的最大概率（top_1）作为预测的正确结果，其表达式见式（3）。

式中：N1为每类最大概率预测的总数，N为总的预测数量，P为模型图片分类的准确度。

试验硬件环境：Intel（R）Core（TM）i7⁃3770@3.40 GHz 处理器，8 G DDR4 内存，NVID⁃IA GTX1080 Ti GPU，试验软件环境：64 位Win⁃dows 10 操作系统环境，Python 语言，Tensorflow深度学习框架安装的库文件等。

在上述试验环境下，根据设计的模型进行了模型训练，共迭代了800 次，每次迭代图片批次设为32 张，其准确率达到了92.1%，如图3（a）所示，其损失值变化如图3（b）所示。

图3 准确率与损失值变化曲线

从图3（a）中可以看出，当迭代次数为600 次时，准确率为92.1%，达到了工业级的应用水平，因此设计的模型可以作为图片的分类模型。而从图3（b）中可以看出，当迭代次数为400 次时，损失值趋近于0，且在400 次～600 次时，损失值没有发生较大波动，因此模型中的设计参数设置较为合理，可以用于参数调节系统的图片分类模型。

2 成纱工艺参数自动调节方案设计

纺纱试验在DHU⁃P02 型喷气涡流纺纱试验机上进行。由于设备条件的限制，试验中纺纱速度最高仅能达到约200 m/min。前期进行了纺纱工艺参数对成纱过程以及纱线上露芯点数量和露芯段长度百分比影响的试验，结果表明，当工艺参数设置为喷嘴气压0.55 MPa，纺纱速度100 m/min，牵伸比40 时，纱线包缠效果相对最好。因此，将纺纱工艺参数设置为以上数值，根据获取的加捻腔内纤维包覆过程的图像对工艺参数进行在线调节。

在通常的纺纱工艺参数下，大部分纤维包覆过程图像为c 类、d 类包缠（为正常状态图像），约占总图像数量的90%，其他类型的图像（e 类、f类、g 类、h 类包缠为异常状态图像）占总图像数量的10%，a 类、b 类、i 类为纺纱时出现严重问题的图像。因此，为了排除在正常纺纱工艺参数下出现异常纤维图片的干扰，设定当每秒内出现异常状态各类型的图像数量超过10%时，立即调节纺纱工艺参数，并检测参数是否为设定值。若调整参数后包覆图像恢复正常，则更新纺纱工艺参数的基准值；若经过多次调节后，仍未能恢复正常包覆状态图像，则停机检查。

选用Raspberry Pi 3B+型微控制器作为纺纱工艺参数调节的控制器，其为基于ARM 的微型电脑主板，具备所有PC 的基本功能。将训练好的卷积神经网络模型移植于该控制器内，根据图像的分类及时调整喷嘴气压、纺纱速度与牵伸比，调节方案如下。

（1）当出现a 类图像时，为在开启进气阀门前金属丝未进入加捻类腔内，则立即停机重新引入金属丝。

（2）当出现b 类图像时，短纤维未进入加捻腔内，空气系统未正常工作，立即调节喷嘴气压并检测气压值是否为设定值。若图像恢复正常，则更新喷嘴气压设置基准；若图像未恢复正常，则在设定的喷嘴气压值附近进行上下调节；若经上述调节后仍未恢复正常，则停机检查。

（3）当出现c 类、d 类图像时，为正常纤维包覆过程的图像，仍然保持设置的参数。

（4）当每秒内出现异常包缠图像超过10%，且e 类图像占比较大时，为纺纱速度出现异常。当纺纱速度较高时，短纤维在包覆金属丝之前已被拖拽进纺锭内，易出现e 类包覆图像。在该情况下，参数控制系统立即将纺纱速度按最小控制精度降低，并实时检测图像是否恢复正常。若图像恢复正常，则更新纺纱速度设置基准；如果多次调节速度后图像仍未恢复正常，则有可能是由于喷嘴气压或牵伸比发生变化而导致出现e 类包缠图像，则在设定的喷嘴气压和牵伸比值附近进行上下调节。若图像恢复正常，则立即更新喷嘴气压和牵伸比的设置基准；如果仍未恢复正常包覆图像，则停机检查。

（5）当每秒内出现异常包缠图像超过10%，且f 类或g 类图像占比较大时，为牵伸比发生异常。当牵伸比较小时，进入喷嘴的短纤维量较多，易出现f 类包缠图像，则立即将牵伸比按最小控制精度提高，并实时检测图像是否恢复正常；当牵伸比较大时，则进入喷嘴内的短纤维量较少，易出现g 类包缠图像，则立即将牵伸比按最小控制精度降低，并实时检测图像是否恢复正常。如果图像恢复正常，则更新牵伸比设置基准；若未能恢复正常包覆图像，则在设定的纺纱速度和喷嘴气压值附近进行上下调节，并实时检测图像是否恢复正常。若图像恢复正常，则更新纺纱速度和喷嘴气压的设置基准；若在调节纺纱速度和喷嘴气压后仍没有恢复正常包覆图像，则立即停机检查。

（6）当每秒内出现异常包缠图像超过10%，且h 类图像占比较大时，为喷嘴气压发生异常。当喷嘴气压值较大时，加捻腔内旋转气流的切向分力将增大，纱条易形成明显的气圈，即h 类包缠图像，则立即将气压值按最小控制精度调低，并实时检测图像是否恢复正常。若图像恢复正常，则更新喷嘴气压设置基准；若未恢复正常包覆图像，则将纺纱速度和牵伸比在设定值附近进行上下调节，并实时检测图像是否恢复正常。若图像恢复正常，则更新纺纱速度和牵伸比的设置基准；若在调节纺纱速度和牵伸比后仍未恢复正常包覆图像，则立即停机检查。

（7）当出现i 类图像时，为金属丝发生断裂，则立即停机重新将金属丝引入喷嘴。

（8）当每秒内出现异常包覆图像超过10%，且异常包覆的各类图像都增加时，为喷嘴气压、纺纱速度、牵伸比都发生了变化，则立即停机检查。

3 结论

本研究针对喷气涡流纺金属丝包芯纱成纱工艺与设备，基于前期所搭建的工业内窥镜的纤维运动状态在线观测装置，设计了工艺参数自动调节系统；利用深度卷积神经网络方法，基于VGG模型和LeNet⁃5 模型建立了纺纱过程中纤维包覆金属丝图像的自动分类模型；利用分类模型对纤维包覆过程图像进行识别与分类，根据成纱过程中纱条露芯特征与包缠状态将纤维包覆过程图像分为9 种类型，并将其作为训练数据集。试验结果表明，模型的预测准确率达到了92.1%。借助图像分类模型，可实现对喷气涡流纺纱机的故障类型与纺纱工艺参数相关性的判别，实现纺纱工艺参数的自动调节，并实时更新控制系统的参数基准值与数据库，保证整个纺纱过程始终保持在设定的最优参数下进行。