【技術實現步驟摘要】
本專利技術屬于紗線質量控制，更具體地，涉及一種波譜增強時序學習的紗線條干質量異常分析方法、裝置、電子設備及存儲介質。
技術介紹
1、在紗線生產中，及時準確地檢測紗線質量對降低廢品率、提高紗線質量具有重要意義。紗線條干不勻，指紗線沿軸向片段的粗細不均勻，是紗線生產中最常見的質量問題之一。
2、傳統上，通過條干儀檢測一定長度紗線的不勻變異系數（coefficient?ofvariation,?cv），根據cv曲線，用均值、最大值、最小值等統計指標來進行分析?；谶@些統計指標，只能簡單地根據cv曲線判斷紗線是否存在不勻異常，而無法對紗線不勻的根本異常來源提供詳細的解釋。這種簡單的二分類方法難以滿足紗線生產中的質量控制要求。因此，為了給紗線質量控制提供更好的決策，需要通過分析cv曲線之間的細微差異，進一步發現紗線不勻的根本異常來源。然而，紗線不勻受到纖維原料、工藝參數、設備狀態、紡紗車間環境等多種動態因素的影響。不同因素引起的紗線不勻在cv曲線上呈現出相似的波動，即它們的時間序列數據相似，僅有細微的差別。這種情況下，很難通過cv曲線相似時間序列數據中的細微差別來區分造成紗線不勻的不同異常源。
3、為解決這一問題，經驗豐富的工人師傅通過觀察與cv時序曲線對應的頻域波譜圖，分析波譜圖中波峰的形狀（如煙筒狀、小山狀）及其對應的波長，判斷是牽伸工藝還是機械部件導致的紗線條干不勻異常，然后通過牽伸波和機械波原理進一步確定異常源。以上方法依賴足夠的專家知識經驗、速度慢，缺乏智能化的分析決策手段。若將專家經驗知識與現有人工智能
技術實現思路
1、針對現有技術的缺陷和改進需求，本專利技術提供了一種波譜增強時序學習的紗線條干質量異常分析方法、裝置、電子設備及存儲介質，取代人工自動識別時域cv曲線和頻域波譜圖，實現紗線條干質量異常偵測及異常源分類。
2、為實現上述目的，第一方面，本專利技術提供了一種波譜增強時序學習的紗線條干質量異常分析方法，所述方法包括：
3、構建時域識別網絡，以時間窗內的紗線cv時序數據為輸入，將固定長度的時間序列離散值輸入到卷積層中進行非線性轉換為多個時間序列特征分量，輸出階躍型波動、漸變型波動和周期型波動3個異常類別和1個正常類別；以最小化所述時域識別網絡的損失函數為目標對其進行訓練；
4、對所述時域識別網絡識別為周期型波動的紗線cv時序數據，通過傅里葉變換將其轉換為以橫坐標為波長、縱坐標為幅值的頻域波譜圖，并輸出相應的二值化圖像；
5、構建頻域識別網絡，以所述二值化圖像為輸入，通過提取頻域波譜圖中的波峰形態和波長位置特征，輸出前區牽伸倍數異常、后區牽伸倍數異常、羅拉加壓異常、前羅拉偏心、中羅拉偏心、后羅拉偏心6個異常類別；以最小化所述頻域識別網絡的損失函數為目標對其進行訓練；
6、將訓練好的時域識別網絡、頻域波譜圖轉換算法、頻域識別網絡進行串行集成后，實現紗線條干質量異常分析。
7、進一步地，所述時域識別網絡包括3個卷積層與2個全連接層；第一卷積層由128個長度為8的卷積核組成，第二卷積層由256個長度為5的卷積核組成，第三卷積層由128個長度為3的卷積核組成，3個卷積層的步長都為1，且每個卷積層后都采用relu作為激活函數和批處理歸一化操作；第四層為1個全局平均池化層；第五層為分類層，該分類層的神經元數量為類別數，分別輸出時間窗內的紗線cv時序數據隸屬于4個類別的概率分布。
8、進一步地，所述頻域識別網絡包括1個輸入層、5個卷積池化層、3個全連接層和1個輸出層；第一至第五卷積層分別由64個3×3的卷積核、128個5×5的卷積核、256個5×5的卷積核、512個3×3的卷積核和256個1×1的卷積核組成，5個卷積層的步長都為1，每個卷積層之后為全局平均池化操作。
9、進一步地，所述階躍型波動類別對應由原料參數導致的紗線條干質量異常；所述漸變型波動類別對應由環境參數導致的紗線條干質量異常；所述周期型波動類別對應由工藝參數或機械參數導致的紗線條干質量異常。
10、第二方面，本專利技術提供了一種波譜增強時序學習的紗線條干質量異常分析裝置，所述裝置包括：
11、時域識別網絡構建與訓練模塊，用于構建時域識別網絡，以時間窗內的紗線cv時序數據為輸入，將固定長度的時間序列離散值輸入到卷積層中進行非線性轉換為多個時間序列特征分量，輸出階躍型波動、漸變型波動和周期型波動3個異常類別和1個正常類別；以最小化所述時域識別網絡的損失函數為目標對其進行訓練；
12、頻域波譜圖轉換模塊，用于對所述時域識別網絡識別為周期型波動的紗線cv時序數據，通過傅里葉變換將其轉換為以橫坐標為波長、縱坐標為幅值的頻域波譜圖，并輸出相應的二值化圖像；
13、頻域識別網絡構建與訓練模塊，用于構建頻域識別網絡，以所述二值化圖像為輸入，通過提取頻域波譜圖中的波峰形態和波長位置特征，輸出前區牽伸倍數異常、后區牽伸倍數異常、羅拉加壓異常、前羅拉偏心、中羅拉偏心、后羅拉偏心6個異常類別；以最小化所述頻域識別網絡的損失函數為目標對其進行訓練；
14、紗線條干質量異常分析模塊，用于將訓練好的時域識別網絡、頻域波譜圖轉換算法、頻域識別網絡進行串行集成后，實現紗線條干質量異常分析。
15、第三方面，本專利技術提供了一種電子設備，包括：存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器執行所述計算機程序時實現如第一方面所述的一種波譜增強時序學習的紗線條干質量異常分析方法。
16、第四方面，本專利技術提供了一種計算機可讀存儲介質，其上存儲有計算機程序，所述程序被處理器執行時實現如第一方面所述的一種波譜增強時序學習的紗線條干質量異常分析方法。
17、總體而言，通過本專利技術所構思的以上技術方案，能夠取得以下有益效果：
18、本專利技術提出了一種波譜增強時序學習的紗線條干質量異常分析方法，該方法通過融合紡紗波譜圖知識與時序深度學習網絡來實現紗線條干質量異常偵測及異常源分類。與傳統利用深度學習進行時間序列分類的研究不同的是，傳統方法僅通過增強時域曲線特征的注意力機制來提高易混淆類別的分類準確率，而本專利技術所提出的方法通過在時域神經網絡中融入頻域紡紗波譜圖知識，進一步提取易混淆類別的頻域波譜圖的形態和波長特征，從而提高易混淆類別的甄別能力，準確判斷質量異常源。在實際紡紗質量數據上的實驗結果表明，所提出的方法表現出更高的準確性，更少的誤判，意味著更高效的質量控制。此方法也可以推廣應用到化纖、線纜等類似工業場景中，幫助制造企業及時發現質量異常及原因，精準干預管控，實現高質生產。
本文檔來自技高網...【技術保護點】
1.一種波譜增強時序學習的紗線條干質量異常分析方法，其特征在于，所述方法包括：
2.根據權利要求1所述的一種波譜增強時序學習的紗線條干質量異常分析方法，其特征在于，所述時域識別網絡包括3個卷積層與2個全連接層；第一卷積層由128個長度為8的卷積核組成，第二卷積層由256個長度為5的卷積核組成，第三卷積層由128個長度為3的卷積核組成，3個卷積層的步長都為1，且每個卷積層后都采用ReLU作為激活函數和批處理歸一化操作；第四層為1個全局平均池化層；第五層為分類層，該分類層的神經元數量為類別數，分別輸出時間窗內的紗線CV時序數據隸屬于4個類別的概率分布。
3.根據權利要求1所述的一種波譜增強時序學習的紗線條干質量異常分析方法，其特征在于，所述頻域識別網絡包括1個輸入層、5個卷積池化層、3個全連接層和1個輸出層；第一至第五卷積層分別由64個3×3的卷積核、128個5×5的卷積核、256個5×5的卷積核、512個3×3的卷積核和256個1×1的卷積核組成，5個卷積層的步長都為1，每個卷積層之后為全局平均池化操作。
4.根據權利要求1所述的一種波譜增強時序
5.一種波譜增強時序學習的紗線條干質量異常分析裝置，其特征在于，所述裝置包括：
6.一種電子設備，包括：存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執行所述計算機程序時實現如權利要求1-4任一項所述的一種波譜增強時序學習的紗線條干質量異常分析方法。
7.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述程序被處理器執行時實現如權利要求1-4任一項所述的一種波譜增強時序學習的紗線條干質量異常分析方法。
...【技術特征摘要】
1.一種波譜增強時序學習的紗線條干質量異常分析方法，其特征在于，所述方法包括：
2.根據權利要求1所述的一種波譜增強時序學習的紗線條干質量異常分析方法，其特征在于，所述時域識別網絡包括3個卷積層與2個全連接層；第一卷積層由128個長度為8的卷積核組成，第二卷積層由256個長度為5的卷積核組成，第三卷積層由128個長度為3的卷積核組成，3個卷積層的步長都為1，且每個卷積層后都采用relu作為激活函數和批處理歸一化操作；第四層為1個全局平均池化層；第五層為分類層，該分類層的神經元數量為類別數，分別輸出時間窗內的紗線cv時序數據隸屬于4個類別的概率分布。
3.根據權利要求1所述的一種波譜增強時序學習的紗線條干質量異常分析方法，其特征在于，所述頻域識別網絡包括1個輸入層、5個卷積池化層、3個全連接層和1個輸出層；第一至第五卷積層分別由64個3×3的卷積核、128個5×5的卷積核、256個5×5的卷積核、512個3×3的...
【專利技術屬性】
技術研發人員：徐楚橋，楊明，張成俊，許臨臣，張濟濤，羅凱，
申請(專利權)人：湖北先創科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。