阅读说明：本技术 用于监视变形过程的方法和设备 (Method and device for monitoring a deformation process ) 是由 J·胡特马赫尔 于 2019-01-02 设计创作，主要内容包括：本发明涉及用于监视用于制造卷曲纱线的变形过程的一种方法和一种设备。在此在变形的纱线上连续地测量纱线张力并且至少在一个时间间隔内连续地测得纱线张力测量信号并进行分析。在这种情况下,根据本发明为了提前诊断多个干扰源之一利用机器自学程序对一个在时间间隔内出现的测量信号序列进行分析。本发明的设备为此具有一个诊断单元,该诊断单元与纱线张力测量装置如此共同作用,使得能够利用机器自学程序对纱线张力测量信号进行分析以辨别出多个干扰源之一。(The invention relates to a method and a device for monitoring a texturing process for producing crimped thread. The yarn tension is continuously measured on the textured yarn and the yarn tension measurement signal is continuously measured and evaluated at least over a time interval. In this case, according to the invention, a sequence of measurement signals occurring within a time interval is analyzed by means of a machine self-learning program in order to diagnose one of a plurality of interference sources in advance. The inventive device has a diagnostic unit which interacts with the thread tension measuring device in such a way that the thread tension measuring signal can be analyzed by a machine-specific program in order to detect one of a plurality of interference sources.)

用于监视变形过程的方法和设备

技术领域

本发明涉及一种如权利要求1的前序部分所述的、用于监视用于制造卷曲纱线的变形过程的方法以及一种如权利要求11的前序部分所述的、用于监视变形过程的设备。

背景技术

例如由DE 196 14 027 A1公知了用于监视用于制造卷曲纱线的变形过程的这种类型的方法和这种类型的设备。

在使合成纱线变形时通常连续地对制造过程进行监视，以便这样获得可能的、稳定的过程控制和特别是尽可能地维持卷曲纱线的稳定的产品质量。在这种情况下，对移动的纱线上的纱线张力的监视已经证明在识别过程干扰和/或产品波动方面是有效的。为此在用于监视变形过程的公知的方法和公知的设备中连续地测量纱线上的纱线张力。将与此同时生成的纱线张力测量信号与允许的纱线张力的一个阈值进行比较。在这种情况下，在一个时间间隔内连续测得的纱线张力测量信号的信号曲线显示可能的公差偏差。在这种情况下，根据过程中的相应的干扰可以测得测量信号的不同的信号曲线。这样，经验丰富的操作人员能够将纱线张力的测量信号曲线用于辨别变形过程的可能的干扰源。

然而该用于监视变形过程的公知的方法和公知的设备具有重大缺陷：仅仅将超过纱线张力的阈值的测量信号曲线用于分析。以此已经达到了导致纱线质量缺陷的不允许的产品极限。另外，该公知的方法和公知的设备具有另外的缺陷：对可能的干扰源的辨别仅仅取决于相应操作人员的经验。

发明内容

因此本发明的目的是如此进一步发展用于监视用于制造卷曲纱线的变形过程的这种类型的方法和这种类型的设备，使得能够实现用于产生稳定的纱线质量的、改进的过程控制。

本发明的另一个目的在于提供用于监视变形过程的这种类型的方法和这种类型的设备，利用该方法和设备能够尽可能提前辨别以及快速和有针对性地排除过程干扰。

根据本发明，这个目的通过具有权利要求1的特征的方法和通过具有权利要求9的特征的设备得以实现。

本发明的有益的发展设计通过相应的从属权利要求的特征和特征组合确定。

本发明基于以下认识：在一个时间间隔内出现的测量信号序列具有一定的特征，这些特征体现在信号曲线中并且能够分别用作过程控制的指示。因此，根据本发明利用机器自学程序对在该时间间隔内出现的纱线张力测量信号序列进行分析，以提前诊断多个干扰源之一。这样能够基于一个已知的干扰源提前识别已经提前确定的、按照时间顺序出现的纱线张力测量值变化。因此在纱线张力测量值事先未超过一个阈值的情况下，已经能够提前识别对于一个干扰源来说具有代表性的测量信号变化。基于一个干扰源的测量信号彼此间的相关性与纱线张力的阈值无关。这样可以通过对测量信号变化的分析，导出用于辨别干扰源的典型特征。机器自学程序使对许多测量信号的快速且复杂的分析成为可能，使得它们(特别是在时间间隔内的)彼此间的相关性被快速地分析并且因此能够可靠且快速地辨别一个干扰源。

由于基于一个干扰源的测量信号的变化根据该干扰源引发独特的、特有的、时间上的变化，所以一个方法变型方案是特别有利的，以获得干扰源的尽可能明确的辨别。这样纱线张力测量信号序列优选作为一个分析图被测得和分析。

为了能够特别是将允许的纱线张力变化与不允许的、超过事先给定的阈值的纱线张力变化区别处理，所述方法变型方案是特别有益的，在该方法变型方案中在超过纱线张力的阈值时纱线张力测量信号的时间序列作为瑕疵图测得并被分析。阈值例如通过纱线张力的一个上极限值和一个下极限值也可以包括一个公差范围。

基于许多连续等待分析的测量信号，所述方法变型方案已经证明为特别有效的，在该方法变型方案中通过机器自学程序的至少一种机器学习算法执行对纱线张力测量信号的分析。这样能够将人工智能用于即使在数据量大的情况下进行结构化的分析和使在最短的分析时间内辨别干扰源成为可能。然而为此需要机器学习算法为了学习目的首先参考已经确定的基本数据。为此例如在过程开始时将经过分析的分析图和经过分析的瑕疵图为了学习目的传送给机器学习算法。在一个学习阶段过后具有可能性：机器学习算法通过对测量信号或者分析图或者瑕疵图的分析自动执行对相应干扰源的明确辨别。

为了在许多干扰源的情况中便于进行辨别，另外还规定：给分析图和/或瑕疵图配置多个干扰图，其中干扰源中的每一个通过干扰图之一确定。这样的干扰图被用于机器自学程序的学习，使得在对分析图或者瑕疵图进行分析时能够提前辨别干扰源。

根据一个特别有益的方法变型方案，机器学习算法在一个学习阶段之后达到学习结束的运行状况。干扰图的传输可以省略，并且机器自学程序能够对测量的瑕疵图进行分析和在必要时配置给一个已知的干扰源。

对于出现不能辨别的未知干扰源的情况，为了外部学习的目的可以更换机器学习算法，以便能够利用经过最新学习的机器学习算法继续生产。就这点而言，诊断系统能够持续扩展到包含新的、依然未知的干扰源。

在这种情况下，操作失误或者处理机组的误调节，或者材料缺陷或者纱线导向元件磨损或者纱线结或者其他的产品瑕疵能够被识别为干扰源。已经在达到纱线张力阈值之前对可能的干扰源的提前诊断因此特别适宜于例如未雨绸缪地执行对处理机组的保养。这样例如能够提前抑制纱线导向元件的磨损现象。

然而，为了使相应的变形过程自动化，还具有可能性：在辨别出干扰源后或者在配置给干扰图之一后，触发改变过程的控制指令。改变过程例如可以是提前更换筒管，以避免夹带纱线结。然而作为备选方案还具有通过发送信号给操作人员发出一定的操作指令的可能性。

用于监视用于制造卷曲纱线的变形过程的本发明设备通过如下方式实现所述目的：数据分析装置通过诊断单元构成，通过该诊断单元利用机器自学程序可以对纱线张力的测量信号进行分析以辨别出多个干扰源中的一个。这样能够将变形过程中在时间间隔内出现的纱线张力测量信号直接用于干扰源的诊断。

诊断单元具有至少一个可编程的学习处理器，其用于执行机器自学程序。在此，可以将学习处理器直接与纱线张力测量装置联接。

为了优化机器自学程序和为了提高诊断可靠性，另外规定：学习处理器可选择地为了学习的目的与一个输入单元联接，通过该输入单元能够读取一个或者多个干扰图。这样特别是为了学习目的将典型的干扰图传输给机器自学程序。在一个学习阶段后和学习结束后学习处理器可以在不连接输入单元的情况下随时使用。

为了在过程控制中操作人员获得有关相应的过程运行的信息，应用本发明设备的有益的发展设计，在该发展设计中学习处理器与一个输出单元联接，通过该输出单元能够使干扰源之一的辨别或者将经分析的瑕疵图配置给一个干扰图可视化。这个输出单元在此可以有益地与学习处理器无线式联接并且可以是任何类型的其上具有显示器的仪器。

为了获得一个尽可能自主的诊断系统，另外规定：学习处理器具有用于执行机器自学程序的神经元网络。这样能够通过人工智能对大数据量的纱线张力测量信号进行分析。

为了监视一台变形机中的多个加工站，可以有益地将本发明设备应用在发展设计中，在该发展设计中学习处理器在空间上与输入单元和输出单元分离地设置。在这种情况下存在可能性：学习处理器与多个输入单元和特别是与多个输出单元连接。该连接可以设计为无线式的，使得学习处理器例如也可以构成在虚拟空间中。

将本发明的设备变型有益地用于自动化，在该设备变型中诊断单元与一个机器控制单元连接，通过该机器控制单元能够执行用于改变过程的控制指令。这样例如在辨别到一个纱线结后能够采取将纱线结缠绕在已缠绕的筒管的始端或者末端上的措施。

附图说明

下文将参照附图借助本发明设备的一些实施例详细阐述用于监视变形过程的本发明方法。附图中：

图1示意性地示出了制造卷曲纱线的变形过程的一个实施例；

图2示意性地示出了用于监视图1所示的变形过程的本发明设备的一个实施例；

图3示意性地示出了一个包括测量信号序列的纱线张力曲线图；

图4示意性地示出了用于监视图1所示的变形过程的本发明设备的一个另外的实施例；

图5.1示意性地示出了具有多个纱线张力测量信号的时间序列的分析图；

图5.2示意性地示出了具有多个纱线张力测量信号的时间序列的瑕疵图；

图6.1至6.5示意性地示出了多个干扰图，其具有不同干扰源的纱线张力的相应一个测量信号曲线。

具体实施方式

在图1中示意性地示出用于制造卷曲纱线的变形过程的实施例。在这种情况下，通过变形机的一个加工站对变形过程进行说明。这样的变形机通常具有许多加工站，以便平行并列地对许多合成纱线进行变形处理。在图1中示意性地图示出了这样的变形机的一个加工站1和一个筒管站2。加工站1具有一个筒子架4，一个供给纱筒5和一个储备纱筒6保持在该筒子架中。供给纱筒5提供一种纱线3，该纱线在加工站1中被传送以进行拉伸和变形。供给纱筒5的纱线末端通过一个纱线结与储备纱筒6的纱线始端相互连接。这样实现了在供给纱筒5用完后纱线3的连续抽出。然后将储备纱筒6的纱线末端与一个新的供给纱筒5的纱线始端连接。

通过第一传送机构7.1将纱线从供给纱筒5中抽出。传送机构7.1经由一个驱动装置8.1驱动。传送机构7.1在这个实施例中通过一个被驱动的导纱辊和一个可自由转动的辊子构成，这些辊子由纱线多重缠绕。在纱线的进一步行程中，在传送机构7.1之后设置有一个加热装置9、一个冷却装置10和一个变形机组11。变形机组11由一个变形驱动装置11.1驱动。变形机组11优选设计为一个摩擦式假捻器，以便在纱线上产生一个假捻，该假捻产生纱线的各个细丝的卷曲效果。

为了对纱线进行拉伸，在变形机组11之后设置有第二传送机构7.2，该第二传送机构通过驱动装置8.2驱动。传送机构7.2在构造上与第一传送机构7.1相同，其中第二传送机构7.2为了对纱线进行拉伸以更高的圆周速度运行。因此在加工站1内使合成纱线3变形并同时进行拉伸。在使纱线3卷曲之后，通过第三传送机构7.3将该纱线引向一个筒管站2。传送机构7.3通过驱动装置8.3驱动。

筒管站2具有一个筒管支架13，该筒管支架支承一个筒管14。筒管支架13构造为可枢转的并且为了更换筒管14能够手动或者自动操作。筒管支架13配置有一个驱动辊15，该驱动辊通过一个辊驱动装置15.1驱动。为了将纱线布放在筒管14的外周上，筒管站2配置有一个横动单元12，该横动单元具有一个可被驱动的纱线横动引导件。该纱线横动引导件为此经由横动驱动装置12.1振荡地驱动。

排线驱动装置12.1和筒管站2的辊驱动装置15.1构造为独立驱动装置并且与一个机器控制单元16连接。加工站1的传送机构7.1、7.2和7.3的驱动装置8.1、8.2和8.3以及变形机组11的变形驱动装置11.1同样设计为独立驱动装置并且与机器控制单元16联接。

为了监视变形过程，在传送机构7.2与7.3之间的测量点中在移动的纱线3上连续地测量纱线张力。为此设置有一个纱线张力测量装置17，该纱线张力测量装置具有一个纱线张力传感器17.1和一个测量信号接收器17.2。纱线张力测量装置17与一个构造为诊断单元的数据分析装置18连接。为了进一步阐述诊断单元18，另外参照图2。

在图2中示意性地示出用于对纱线张力测量信号进行分析的诊断单元18。该诊断单元18在这个实施例中包括一个学习处理器20。该学习处理器20直接与纱线张力测量装置17的测量信号接收器17.2连接。学习处理器20设计为可编程的并且优选具有一个神经元网络，以执行机器自学程序。机器自学程序包括至少一个机器学习算法，以便能够利用人工智能对纱线张力测量信号进行广泛分析。

学习处理器20配置有一个输入单元22和一个输出单元23。可以通过相应一个有线或者无线连接实现学习处理器20与纱线张力测量装置17之间、输入单元22与输出单元23之间的连接。特别是在无线连接的情况中存在以下可能性：不必将各单元直接保持在变形机上。这样也可以利用存在于虚拟空间中的自学程序。这样存在以下可能性：独立于输入单元22和输出单元23设置学习处理器20。

在学习处理器20中利用机器自学程序对由测量信号接收器17.1传输的纱线张力测量信号进行分析。机器自学程序具有至少一个机器学习算法，该机器学习算法为了提前诊断多个干扰源之一借助一个神经元网络执行对一个时间间隔内出现的纱线张力测量信号序列的结构化分析。与此同时对纱线张力测量信号按照时间顺序出现的测量信号变化进行分析，以便揭示用于辨别一个确定的干扰源的典型特征。

在图2示出的实施例中，输入单元22配置给学习处理器20。就这点而言，机器学习算法能够连续地利用已知干扰源的干扰图进行学习。通常在一个运行时间后机器学习算法的这个学习阶段达到一个成熟状态并且因此达到一个学习结束的运行状况。在这个状态中诊断单元18在无输入单元22情况下运行。与此相应地也能够将诊断单元18应用在已知的变形过程中，该变形过程从一开始就具备具有经过学习的机器算法的自学程序。于是输入单元的使用变得没有必要。

对于在一个经过学习的系统中出现未知干扰源的、通过机器学习算法无法辨别的瑕疵图的情况，学习处理器的自学程序能够被替换或者在一个中心位置重新学习。首先直接将未知干扰源的瑕疵图传输给中心学习位置，以便已经能够使现有的机器学习算法学习。

在图3中以曲线图示出了纱线张力测量信号的时间序列的实施例。在曲线图的纵坐标上记入纱线张力的高度T，在横坐标上记入时间t。测量信号的曲线能够识别纱线张力的跳跃式增加，该纱线张力增加仅仅在从时间t₁到t₂的短时间内出现。增加前和增加后的纱线张力测量信号并不显眼。这个测量信号序列表明一个形式上为纱线结的干扰源，该纱线结已经通过测量点。为了识别这样的干扰源，事先将典型的测量信号曲线发送给自学程序，使得在以后对测量信号序列的分析时能够辨别这样的具有代表性的特征。

对于在监视变形过程中纱线中的一个纱线结经过测量点的情况，通过测量信号接收器17.1生成一个类似的测量信号序列，该测量信号序列被传输给诊断单元18。通过在学习处理器中进行的对测量信号序列的分析，辨别典型的、具有代表性的测量信号变化并且识别有关的干扰源。在这种情况下，纱线张力变化是否超过一个阈值或者是否保留在一个允许的公差范围内并不重要。

由于在一个变形过程中不是只有产品瑕疵作为干扰源出现，所以希望对干扰源进行区分的和特别是扩展的分析和诊断。为此，在图4中示出了本发明设备的一个另外的实施例，如其例如可以应用在图1所示的变形过程中那样。在这个情况中，诊断单元18包括一个纱线张力评估单元19，其直接与纱线张力测量装置17连接。这样将测量信号接收器17.2的测量信号传输给纱线张力评估单元19。在该纱线张力评估单元19内部首先测量信号的时间过程按照顺序被记录并且生成为一个分析图。与此同时将测量信号与一个阈值进行比较。通常将纱线张力测量信号与纱线张力的一个上极限值和一个下极限值进行比较。当识别到纱线张力的一个不允许的公差偏差时，立刻对纱线张力的短时测量信号曲线进行记录并且生成为一个瑕疵图。

根据是否存在无阈值超出的分析图或者存在具有阈值违反的瑕疵图，将该图传给一个学习处理器20。该学习处理器20与此相应地在其机器学习算法方面被适配，以便能够执行用于诊断干扰原因的相应分析。

在图5.1和5.2中分别示出了一个无阈值违反的分析图和一个具有阈值违反的瑕疵图。在此，将纱线张力测量信号与一个上极限值和一个下极限值进行比较。在分析图和瑕疵图中上极限值用标记字母OG标注并且下极限值用标记字母UG标注。为此在纵坐标上画出纱线张力T并且在横坐标上画出时间t。在图5.1示出的纱线张力测量信号的信号曲线中未能识别到超过上极限值和低于下极限值。就这点而言，由一个干扰源引起的纱线张力的信号变化在允许范围内。尽管如此，例如一个纱线结在后续过程中也可能在织物中构成一个不允许的瑕疵。

在图5.2示出的瑕疵图中，纱线张力测量信号短时超过上极限值OG，因而存在一个阈值违反和因此存在不允许的纱线质量变差。因此本发明方法和本发明设备与通过一个干扰源引起的过程干扰是否在纱线上导致允许的或者不允许的纱线张力变化无关。

如从图4的示图中可以看出的那样，经由输入单元为学习处理器事先给定多个所谓的干扰图。一个干扰图在此包含对于一定的干扰源来说具有代表性的纱线张力测量信号曲线。这样使机器自学程序学习和扩展，以使明确诊断和辨别干扰源成为可能。

在图6.1至6.5中作为示例示意性地通过一个典型的纱线张力测量信号序列示出了不同干扰源的多个干扰图。干扰图中的每一个都意味着一个典型的干扰源，如其在变形过程中可能出现的那样。根据图6.1的干扰图示出了在纱线结的情况中纱线张力的信号曲线，纱线结此处标注为干扰源A。

图6.2中示出的干扰源B示出了一个突然的纱线张力下降，如其例如可能通过断纱或者操作失误引起的那样。在这种情况下，纱线张力传感器上的纱线张力突然完全急剧下降。

在图6.3中示出的干扰图确定干扰源C。该干扰源C例如可以表示处理机组之一或者一个纱线导向元件上的磨损情况。

在图6.4示出的干扰图中出现一个短时的纱线张力损失，该纱线张力损失在此配设给干扰源D。在此在筒管站中在更换筒管时可能存在一个过程干扰。

在图6.5示出的干扰图中可以看到纱线张力的测量信号重复升高。相应的干扰图在这个情况中属于干扰源E。该干扰源E例如可能在于纱线的不均匀的变形。

就这点而言，干扰源A至E中的任何一个都分别对应一个确定的过程干扰或者一个确定的操作失误或者一个确定的产品瑕疵。在图6.1至6.5中示出的干扰图及其干扰源是示范性的。在一个如在图1中示出的变形过程中可能出现许多干扰源，这些干扰源以用于诊断辨别的明确的测量信号序列为基础。

在图4示出的本发明设备的实施例中诊断单元18经由学习处理器20直接与一个机器控制单元16连接。如在图1中示出的那样，机器控制单元16与加工站1的处理机组的驱动装置和执行器联接，这些驱动装置和执行器被控制和调节以实施变形过程。就这点而言，可以在辨别和诊断一个干扰源之后直接进行过程干预。这样例如在诊断到原因为纱线结的干扰源A时可以在筒管站2中启动筒管更换，使得将纱线结缠绕在一个筒管的末端或者始端上。同样，通过提前诊断磨损现象能够启动相应的维修作业。这样可以未雨绸缪地对处理机组进行维修和保养，以便在制造卷曲纱线时使质量保持尽可能稳定不变。在图4中示出的本发明设备的实施例依然处于学习阶段。在机器学习算法为了辨别所有已知干扰源的学习结束之后，诊断单元18立刻能够在无输入单元22的情况下运行。然后将纱线张力信号直接传输给学习处理器20并直接进行分析。