Kasu:
- Oskus tõlgendada põhiparameetreid nagu lõngade arv, keerdumine, tugevus, ühtlus ja kanga kaal/tihedus ning nende esitus tootmisandmetes.
- Võimalus luua töövoog, mis optimeerib tootmisparameetreid ning fikseerib kõrvalekalded ja vastuolud tehisintellektiga
- Võimalus kinnitada AI soovitusi Usteri statistika, laboratoorsete testide ja protsessifüüsika abil
Kogu tekstiili kvaliteedilugu algab mõne põhiparameetri õigest lugemisest. Kui peen, kui keerdunud, kui tugev ja sile on niit? Kui raske on kangas, kui paks see on, millises kiusegus see on? Need numbrid on nii lõpptoode, mida klient näeb, kui ka tootmisretsept ise. AI teeb selles numbrimeres kaks suurt tööd: puhastab segased tootmisandmed ja muudab need tõlgendatavaks ning aitab avastada parameetrite hulgas peidetud mustreid (milline seadistus millise defekti käivitab). Selles üksuses käsitleme põhiparameetreid, nende esitamist andmetes ja optimeerimise töövoogu AI-ga, säilitades igal sammul kontrollimise distsipliini.
Põhiparameetrid ja nende tähendused
Lõngade arv (peenus). See väljendab niidi jämedust, kuid kahe erineva loogikaga: kaudsetes süsteemides muutub niit arvu kasvades õhemaks — see on Briti puuvillane number Ne ja meetermõõdustik Nm. Otseste süsteemide puhul on nii, et mida suurem on number, seda jämedam on lõng — selline on tex (grammikaal 1000 meetrit) ja denjeer (grammikaal 9000 meetrit). Selle eristuse segi ajamine muudab "paksu" ja "õhuke"; See on täpselt kõige levinum viga AI väljundis.
Keerake. See on lõnga moodustavate kiudude kokkumähimise määr, mida tavaliselt väljendatakse pöörete meetri kohta (TPM) või keerdumistegurina (αe). Keeramine suurendab tugevust, kuid teatud aja möödudes kõvestab lõnga ja vähendab tugevust; Z ja S eristatakse suunas (keeramise suund).
Tugevus ja venivus. Tugevus on jõud, mida niit suudab kanda ilma purunemata; Tekstiilis mõõdetakse seda üldiselt cN/tex (tugevuse) järgi. Tavaliselt 12-22 cN/tex rõngaspuuvilla puhul, kõrgem polüestri puhul. Katkene pikenemine on lõnga protsent, mis venib enne katkemist.
Ühtlus ja vead. Mõõdame selle CV% (variatsioonikoefitsiendi) abil, kui sile on lõng oma pikkuses; alumine CV on siledam lõng. Km kohta arvestatakse õhukesed kohad, paksud kohad ja nepid (väikesed kiusõlmed). Karvasus on lõnga pinnalt väljuva kiu hulk.
Kanga parameetrid. Grammage (g/m², inglise GSM) on kanga kaal pinnaühiku kohta. Tihedus on lõime-/kudetraatide arv (tolli või cm kohta) kudumisel ja pistetihedus kudumisel. Kiusegu (nt 95% puuvill 5% elastaan) määrab nii mugavuse kui ka protsessi käitumise.
Näpunäide. Enne parameetri tõlgendamist öelge tehisintellektile selgelt, millises ühikusüsteemis te töötate ("numbrid milles"). Ühiku määramatus on väljundis suurim veaallikas.
Samm-sammult: parameetrite optimeerimise töövoog tehisintellektiga
- Koguge ja standardiseerige andmeid. Too aruanded erinevatest masinatest ja vahetustest ühte tabelisse; Teisendage ühikud üheks süsteemiks. AI teeb selle teisenduse kiiresti, kuid kontrollib eksemplaris iga konversiooni käsitsi.
- Ilmub kirjeldav kokkuvõte. Märgi keskmine, standardhälve, min-max ja kõrvalekalded. "Miks on CV selles vahetuses kaks korda kõrgem?" Siin tekivad sellised küsimused.
- Hüpoteesige muster. Paluge tehisintellektil püstitada võimalikud seosed parameetrite vahel (nt "kas nep suurenes, kui keerd vähenes?"). Need on hüpoteesid, mitte tõendid.
- Kontrollitud kontrollimine. Testige hüpoteesi protsessiteadmistega ja võimalusel prooviga (nt seadete muutmine masinas ja Usteri kordamine).
- Otsus ja registreerimine. Lisa retseptile heakskiidetud parendus ning fikseeri muudatus ja selle põhjendus.
Kolm miniümbrist: numbrite järgi
Juhtum 1 – sattuti valele vahetusele. Ühes äris oli 30/1 Ne kammlõnga CV väärtus tavaliselt 11-12%, kuid öövahetuses tõusis see 16%-ni. Tehisintellekt võttis kokku 4000 Usteri väljundi rida ja märkis selle nihke kui kõrvalekaldeid. Algpõhjuse otsimise käigus leiti tõmberaami surveseade; Pärast korrigeerimist langes CV taas 11,5%-le. AI ei leidnud viga, kuid näitas kiiresti, kust see leida.
Juhtum 2 – pöörde-tugevuse tasakaal. Üks meeskond suurendas tugevuse suurendamiseks keerdumist αe 3,8-lt 4,4-le; Algul tõusis tugevus 15,2-lt 16,1 cN/tex, kuid kui järgmisel katsel tõstsin 4,8-ni, langes see 15,4-ni ja lõng muutus jäigemaks, suurendades kudumisel varda purunemist. AI tuletas kirjandusest meelde "optimaalse väändeteguri" vahemikku; Meeskond leppis füüsilise testimise teel αe 4.3-ga. Otsus tehti testimise, mitte mudeli järgi.
3. juhtum – grammatika lahknevus. Kui klient soovis 180 g/m² ühekordset kampsunit, siis toodang oli 168 g/m². Tehisintellekt hindas kudumistihedust, lõngade arvu ja masina seadistust koos ning esitas hüpoteesi, et "lõngade arvu suurendamine 30/1-lt 28/1-le (natuke jämedamale) suurendab kaalu ligikaudu sihtmärgini". Muudatus kiideti heaks, kui kootud laboriproov näitas 179 g/m².
Nõrk viip / Tugev viip
Nõrk viip:
Kuidas on niidi kvaliteet, parandage seda.
Võimas viip:
Teie roll: lõngatootmisinsener. Allpool on kokkuvõte 30/1 Ne kammitud puuvillasest lõngast (numbrid Ne, vastupidavus cN/tex, CV %).Ülesanne:1) Võrrelge iga parameetrit tüüpilise kammitud puuvilla vahemikuga, märkige kõrvalekalded.2) Kui on kõrvalekalded, loetlege võimalikud protsessi põhjused HÜPOTEESINA.3) Kirjutage üles, milliseid andmeid ei ole vaja testida/proovida. Kui te pole kindel, öelge "andmed ebapiisavad". Andmed:[Kasutaja kokkuvõte]
Tugev viip kohustab võrdlema tüüpilise vahemikuga, märkima põhjused hüpoteesidena ja küsima iga hüpoteesi katsetee.
Kopeeritavad mallid
1) Ühikute standardimine:
Allolevates lõngaandmetes on numbrid segasüsteemides (Ne, Nm, tex). Teisenda kõik tekstiks, kuva ka teisendusvalem. Märkige eraldi rida, milles te pole kindel. Andmed:[tabel]
2) Kõrvalväärtuste skaneerimine:
Selles tootmistabelis loetlege iga parameetri jaoks keskmine, std hälve ja read, mis erinevad ±2 std keskmisest. Lihtsalt esitage arvulisi tõendeid, ärge lisage kommentaare. Andmed: [tabel]
3) Parameetri-defekti seose hüpotees:
Allolev tabel sisaldab protsessi sätteid ja defektide arvu. Loo HÜPOTEESID selle kohta, millised reguleerimismuudatused ja millise defektiga kaasnevad. Korrelatsioon ei ole põhjuslik seos; Esitage iga hüpotees koos pakutud testiga.Andmed: [tabel]
4) Retsepti muutmise kokkuvõte:
Tehke kokkuvõte järgmisest heakskiidetud parameetri muudatusest, mis töödeldakse tootmisretseptis: vana väärtus, uus väärtus, oodatav mõju, kinnitav test, otsuse kuupäev. Muudatus: [kirjeldus]
Parameetrite viitetabel (tüüpilised vahemikud)
Parameeter
üksus
Tüüpiline vahemik (näide)
märkus
puuvillane niitide arv
mida
10-60
Suurem arv = peen niit
Väändekoefitsient (αe)
—
3,5-4,5 (kootud)
Liiga palju vähendab jõudu
Lõnga tugevus (rõngaspuuvill)
cN/tex
12-22
kõrgem sünteetiliselt
Ühtsus (CV)
%
10-16
Madalam = sujuvam
Ühe trikoo grammkaal
g/m²
120-220
T-särgi klass
Kudumissagedus (näide)
traat/tolli
40-200
Kangatüübi järgi
Tähelepanu: tabelis toodud vahemikud on õpetlikud näited; Teie enda toode, kiud ja kliendi spetsifikatsioonid on olulised. Ärge kunagi asendage kliendi tolerantsust tehisintellekti pakutava "tüüpilise väärtusega".
Levinud vead
- Kaudne/otsene numbrite segadus. Mõeldes, et ne ja tex on samas suunas, pööravad tõlgendused ümber.
- Põhjusliku seose eksimine. „Koos muudetud” erineb sõnadest „üks põhjustas teise”; eraldatud katsega.
- Arvatakse, et tugevus aina suureneb keerdumise suurenedes. Seal on optimaalne; Liigne keerdumine on kahjulik.
- Kustutage kõrvalekalle. Kõrvalväärtus on sageli kõige väärtuslikum vihje; Enne kustutamist uurige põhjust.
- Otsus ühe prooviga. Mõõtmine ei ole trend; Vaja on kordamist ja statistikat.
Kokkuvõttes
Lõnga ja kanga kvaliteet on kokku võetud mõne põhiparameetriga, nagu arv, keerdumine, tugevus, ühtlus ja grammkaal/tihedus. AI on võimas nende parameetrite standardiseerimisel, kõrvalekallete märgistamisel ja seoste hüpoteeside loomisel; Kuid mitte iga hüpotees ei peaks muutuma täiustuseks, ilma et seda protsessifüüsika ja füüsilise testimisega testitaks. Ühiku selgus ja põhimõte "korrelatsioon ≠ põhjuslikkus" on selle ühiku kaks kuldreeglit.
Rakenduse ülesanne
Võtke oma (või näidis) lõnga tootmistabel; Sellel on vähemalt 20 rida ja 4 parameetrit. Harjutage selles üksuses kasutatavaid malle "kõrvalväärtuste sõelumine" ja "parameetri-defekti seose hüpotees". Kontrollige käsitsi vähemalt üht kõrvalekallet, mille AI märgistas, ja selgitage oma protsessiteadmistega, miks. Valige tehisintellekti püstitatud seose hüpotees ja kirjutage ühte lõiku katse, mille selle kontrollimiseks kavandate.
kontrollnimekiri
- [ ] Tõin kõik parameetrid ühtsesse ühikusüsteemi ja kontrollisin näites toodud teisendust.
- [ ] Uurisin põhjuseid kõrvalekaldeid kustutamata.
- [ ] Märkisin AI poolt antud seosed hüpoteesideks, põhjuslikkust ma ei väitnud.
- [ ] Ma ei langenud optimaalsete parameetrite, näiteks twist, ühesuunalise "suurendamise" loogikasse.
- [ ] Toetasin iga parendusotsust füüsilise testimise/ümbermõõtmisega.