Исследование и разработка автоматизированных методов контроля характеристик продуктов прядения

• Автор: Назаров, Роман Валерьевич
• Шифр специальности: 05.13.06
• Научная степень: Кандидатская
• Год защиты: 2009
• Место защиты: Москва
• Количество страниц: 175 с. : ил.

Оглавление
Введение

Глава 1. Пороки пряжи, неровнота и методы исследования

1.1. Основные характерне гики продуктов прядения.

1.2. Неровнота продуктов прядения, е источники и виды.

1.3. Виды локальной неровноты.

1.4. Исследование неровноты по линейной плотности продуктов прядения

1.5. Характеристики неровноты и методы их оценки

1.6. Автоматизированные средства измерения неровноты по линейной

плотности.

1.7. Спектральные методы исследования неровноты продуктов прядения

1.8. Особенности обнаружения локальной неровноты
Выводы по главе 1.
Глава 2. Исследование и разработка методов автоматизированного расчета числа пороков
2.1. Постановка задачи обнаружения пороков
2.1.1. Виды пороков утонения, утолщения, неисы
2.1.2. Задача обнаружения пороков и проблемы ее решения
2.2. Метод скользящего среднего, его преимущества для использования
2.2.1. Виды среднего обычное среднее, скользящее среднее, взвешенное скользящее среднее, их свойства и возможности.
2.2.2. Характеристики метода скользящего среднего
2.2.3. Исследование динамических характеристик системы выделения
пороков.
2.3. Методика оценки пороков прибором
2.4. Описание алгоритмов вычисления числа пороков.
2.4.1. Алгоритм определения пороков с использованием скользящей
средней
2.4.2. Алгоритм определения пороков с использованием обычной средней .
2.4.3. Алгоритм определения непсов с использованием обычной средней,
предположительно применяемый в .
2.4.4. Алгоритм определения непсов с использованием скользящей средней .
2.5. Моделирование продукта с заранее заданными и известными свойствами.
2.6. Метод построения спектрограммы.
Выводы по главе
Глава 3. Оптимизация методов выявления пороков
3.1. Оптимизация методов определения количества пороков продуктов прядения на экспериментальном материале.
3.1.1. Определение длины интервала усреднения вычислением расстояния между значениями количеств пороков
3.1.2. Определение длины интервала усреднения расчетом интегрального критерия различия.
3.2. Результаты расчета количества пороков по экспериментальным данным хлопчатобумажной пряжи.
3.2.1. Результаты расчета количества утонений и утолщений хлопковой пряжи методом, основанным на скользящем среднем
3.2.2. Результаты расчета количества утонений и утолщений хлопковой пряжи методом, основанным на среднем арифметическом
3.2.3. Результаты расчета количества пенсов хлопковой пряжи методом, основанным на скользящем среднем.
3.3. Моделирование продукта в виде последовательности линейных
плотностей и в виде последовательности чисел волокон в сечении пряжи с генерацией локальной и периодической неровноты.
3.3.1. Моделирование продукта в виде последовательности линейных плотностей.
3.3.2. Моделирование продукта в виде последовательности чисел волокон в сечении пряжи
Выводы по главе 3.
Глава 4. Разработка модели автоматизированного измерительного комплекса.
4.1. Схема модели автоматизированного измерительного комплекса
4.2. Описание модели автоматизированного измерительного комплекса
4.3. Структура данных.
4.4. Работа с программным комплексом
Выводы по главе 4.
Общие выводы
Литература


Для того чтобы результаты исследования были достаточно точными, теоретические и экспериментальные мегоды дополняют друг друга, служа общей цели. Одной из основных сложностей изучения текстильной технологии, является наличие множества случайных факторов. Изучить все случайные явления, порождаемые второстепенными связями невозможно, но можно попытаться найти закономерности в самих случайных явлениях, выявляя их при многократном наблюдении. Для решения этой задачи широко применяли вероятностные методы. Однако при использовании среднеквадратического отклонения при исследовании неровноты столкнулись с рядом трудностей, гак как никакое единственное числовое значение неровноты не может учесть и оценить с характер. Два продукта могут иметь одинаковые числовые характеристики среднеквадратичной неровноты по линейной плотности, но один из них будет иметь периодическую неровноту, а другой случайную. Причины образования неровноты этих видов различны и внешний вид ткани или трикотажа, выработанных из нряжи данных образцов, будет разный. Для исследования такого сложного явления как неровнота по линейной плотности, необходимо использовать не аппарат теории случайных величин, а аппарат теории случайных функций. Случайная функция может принять в результате опыта конкретный, но неизвестный заранее вид. Применение теории случайных функций в текстильной технологии, и в особенности для оценки неровноты продуктов прядения освещено во многих работах. Одним из основателей применения теории случайных функций для исследования продуктов и процессов прядения является проф. А.Г. Севостьянов . Нужно отметить, что для описания технологических процессов теория случайных функций использовалась, не так широко, как в текстильном материаловедении для оценки продуктов прядения. Вероятностные характеристики продуктов позволяю изучить динамику объектов, преобразующих параметры проходящих через них продуктов. Большие трудности для использования теории случайных функций в экспериментальных исследованиях вызывали непрерывные измерения требуемых параметров продукта или процесса и обработка огромного объема информации, для осуществления непрерывного процесса , , , , , , . Статистическая теория случайных функций берет свое начало с середины двадцатого века, в работах посвященным задачам радиосвязи и радиолокации 3, , , , . Изначально обработка случайных сигналов осуществлялась аналоговыми устройствами. Позднее, успехи вычислительной техники привели к применению новых технических средств обработки данных, в которых данные представлялись в дискретной форме. Это позволило использовать более сложные методы обработки данных, хранить большие объемы информации и осуществлять анализ в режиме реального времени, по при этом возникли проблемы изза ошибок квантования уровня сигнала п дискретизации данных по времени. Эти проблемы нашли свое разрешение с применением методов спектрального анализа 8, 9, ,,,, ,,,. В основе методов обработки случайных сигналов лежат методы спектрального анализа, которые основаны на теории рядов и преобразовании Фурье. После дискретизации во времени случайного процесса образуется временная последовательность, анализируя которую можно получить необходимую информацию о свойствах изучаемой характеристики, определением временных закономерностей и статистического распределения сигнал. Проводя анализ, обычно используют интегралы Фурье, корреляционные функции, энергетические спектры, фильтры , , , . Современные цифровые вычислительные машины, обладающие высоким быстродействием, сделали наиболее применимым анализ сигналов в дискретной форме, когда сигналы представляются в виде временной последовательности или временного ряда. Временной ряд удобно изображать в виде векторастроки, элементы которого могут быть и вещественными, и комплексными. Независимо друг от друга основы исследования характеристик временных рядов были заложены Н. Винеров и Л. Н. Колмогоровым , . Для исследования цифровых данных важное значение имеют энергетические спектры Р. Блекмана и Дж. Тыоки и спектральный анализ методом максимальной энтропии Дж. Бурга , .