本发明涉及根据权利要求1的前序部分的使合成纱线变形的方法以及根据权利要求9的前序部分的使合成纱线变形的装置。
从ep1144295b1中知道了用于使合成纱线变形的通用方法和通用装置。
为了整理在熔纺过程中由多个细的长丝形成的合成纱线，众所周知的是在随后过程中使合成纱线变形。纱线的长丝获得卷曲，从而合成纱线被赋予蓬松结构，因此尤其适用于纺织应用。在变形过程中，这些纱线从在先在熔纺工艺中制得的筒子被抽出。为了该加工过程能连续运行，常见的做法是将喂给筒子的纱线尾部与备用筒子的纱线端头打结。但这种纱线结形成变形纱线中的扰乱点，它尤其在进一步加工过程中在织布中导致了不希望的瑕疵。
因此在已知的方法和装置中，传感器装置布置在喂给筒子与备用筒子之间的纱线段中，其发信表示纱线结在加工过程中的过渡。但为此需要操作者在将喂给筒子连接至备用筒子时将相应纱线段插入传感器装置。除了额外操作努力外，在此也有以下危险，操作者容易忘记将纱线段插入传感器装置。
尽管也知道在变形过程中监视纱线张力的期间内这样的纱线结导致不希望的测量值变化。但在此已确定了在某种程度上由纱线结造成的测量值波动低于预定阈值，并因此未被探测发现。
因此，本发明的目的是改善用于使合成纱线变形的通用方法和通用装置，使得在纱线路径中的每个纱线结可无需额外操作努力地被可靠识别。
根据本发明，该目的通过一种具有如权利要求1所述特征的方法和通过一种具有如权利要求9所述特征的装置来实现。
本发明的有利改进方案由各自从属权利要求的特征和特征组合限定。
本发明基于以下发现，即，因在纱线张力变化过程中的纱线结而随时间出现的纱线张力测量值变化导致了在独立的测量信号之间的典型关联性。在这里，与纱线张力阈值无关地出现因纱线结而导致的测量信号彼此关联性。因此，通过分析测量信号变化，可从中得到用于识别纱线结的典型特征。为此，根据本发明，该测量信号通过机器学习程序被分析。该机器学习程序容许多个测量信号的快速复杂分析，从而其彼此关联性能尤其以时间间隔被快速分析，因此，纱线结可被可靠快速地识别。
在此，纱线张力测量信号的时间序列作为分析图被探测和被分析的方法变型已被证明是极其有利的。
尤其为了能以与超出预定阈值的不允许的纱线张力变化有区别的方式处理允许的纱线张力变化，以下方法变型已被证明是很有利的，在高出纱线张力阈值时的纱线张力测量信号的时间序列作为瑕疵图被探测和被分析。该阈值例如也可包括因存在纱线张力的上限值和下限值而造成的容差范围。
因为有多个连续存在以供分析的测量信号，故在此通过机器学习程序的至少一个机器学习算法执行纱线张力测量信号的分析的方法变型已被证明是特别重要的。因此，人工智能即便在大量数据情况下也可被用来执行结构化分析以及在最短分析时间内执行纱线结识别。但为此首先需要机器学习算法为了学习而首先动用所确定的基础数据。为此，例如在工作过程开始时，已分析的分析图和已分析的瑕疵图被转交至待学习的机器学习算法。
在学习阶段后，机器学习算法可以自动执行借助测量信号分析或分析图或瑕疵图的纱线结的明确识别。
因为在变形过程中除了纱线结外还可能出现导致高出纱线张力阈值的其它干扰，故优选执行如下的本发明改进方案，在此，瑕疵图被对应分配给多个瑕疵图类别，其中该纱线结是其中一个瑕疵图类别。于是，通过扩展该机器学习算法，可以执行将该瑕疵图补充配属给瑕疵图类别。
为了能够实现有目的的诊断且尤其是快速工作过程变化，以下方法变型是特别有利的，在此，每个瑕疵图类别被对应分配有具体过程瑕疵和/或具体操作错误和/或具体干扰参数和/或具体产品瑕疵。因此，在瑕疵图的对应分配之后可以马上消除纱线张力偏差的基础起因。于是，尤其在纱线制造期间可以避免相对大量的废料。
为了将各自变形过程自动化，规定如下的方法变型，在此，在识别出纱线结之后或在将瑕疵图对应分配至其中一个瑕疵图类别之后，涉及工作过程变化的控制指令被触发。工作过程变化例如可以是早期筒子变化以免纱线结卷绕入。但或者也可通过信号发生给操作者一个具体操作指令。
根据本发明的用于使合成纱线变形的装置如此实现该目的，即，纱线张力测量机构直接与诊断单元合作，使得纱线张力测量信号可以通过机器学习程序被分析以识别纱线结。因此，在变形过程中的纱线张力测量信号可以被直接用于识别纱线结。
诊断单元具有至少一个可编程学习处理器用于执行机器学习程序。学习处理器可以被直接连接至纱线张力测量机构。
为了优化该机器学习程序并改善诊断可靠性，还规定了将学习处理器连接至输入单元，借此可以读取一个或多个已确定的分析图或瑕疵图。因此，尤其为了学习，纱线结的典型分析图被提供给机器学习程序。
为了操作者被告知各自工作过程在工作过程执行期间进行，进一步规定了将学习处理器连接至输出单元，借此可以将纱线结的识别或将被分析瑕疵图对应分配给瑕疵图类别可视化。该输出单元能有利地被无线连接至学习处理器并且代表可以做出显示的任何类型的装置。
为了获得尽量自动的诊断系统，进一步规定了学习处理器具有神经网络以执行机器学习程序。因此大量数据可在纱线张力测量过程中被连续分析。
为了监视变形机内的多个处理站，可以在如下改进方案中有利地采用本发明的装置，在此，学习处理器与输入单元和输出单元在空间上分隔开地布置。在此，学习处理器可与多个输入单元且尤其是多个输出单元处于联系中。所述联系于是最好以无线方式进行，从而学习处理器也可在虚拟空间内形成。
为了自动化，有利地利用本发明装置变型，在此该诊断单元被连接至机器控制单元，借此可执行与工作过程相关的控制指令。于是，在纱线结识别后可考虑适当措施以便在卷绕筒子的头或尾处加入所述纱线结。
以下将利用本发明装置的实施例并参照附图来更详细解释根据本发明的用于使合成纱线变形的方法。在附图中均示意性示出：
图1示出根据本发明的用于使合成纱线变形的装置的实施例，
图2示出图1的本发明装置的实施例的诊断单元的可能结构，
图3.1示出伴随在纱线结情况下的多个纱线张力测量信号的时间序列的分析图，
图3.2示出伴随纱线结时的多个纱线张力测量信号的时间序列的瑕疵图，
图4示出根据本发明的用于使合成纱线变形的装置的诊断单元的另一实施例，
图5.1示出伴随一个瑕疵图类别的多个纱线张力测量信号的时间序列的瑕疵图，
图5.2示出伴随另一瑕疵图类别的纱线张力的多个测量值的时间序列的瑕疵图。
在图1中示意性示出了根据本发明的用于使合成纱线变形的装置的实施例。在此，通过本发明的装置的加工站来描述变形工艺。这样的装置通常具有多个加工站用于相互并行地使多根纱线变形。图1示意性示出了根据本发明的装置的加工站1和卷绕站2。加工站1具有筒子架4，在筒子架中保持有喂给筒子5和备用筒子6。喂给筒子5供应纱线3，纱线被转送入加工站1以便牵伸和变形。喂给筒子5的纱线尾部和备用筒子6的纱线端头通过纱线结24被相互连接。于是，实现在喂给筒子5结束之后的纱线连续抽出。备用筒子6的纱线尾部接着被连接至新的喂给筒子5的纱线端头。
纱线从喂给筒子5中通过第一输送装置7.1被抽出。输送装置7.1通过驱动机构8.1被驱动。输送装置7.1在此实施例中通过被驱动的导丝辊形成。在进一步的纱线移行中，加热装置9、冷却装置10和变形单元11布置在输送装置7.1的下游。变形单元11通过变形驱动机构11.1被驱动。变形单元11优选被设计成摩擦加捻装置以在纱线3中产生假捻。
为了牵伸纱线，被驱动机构8.2驱动的第二输送装置7.2布置在变形单元11的下游。输送装置7.2的结构与第一输送装置7.1相同，其中第二输送装置7.2以更高的周向速度工作以牵伸纱线。在加工站1内，合成纱线3于是被变形和同时被牵伸。在纱线3处理之后，纱线被第三输送装置7.3输送至卷绕站2。输送装置7.3被驱动机构8.3驱动。
卷绕站2具有筒子保持件13，其承载有筒子14。筒子保持件13可枢转且能人工或自动操作以更换筒子14。筒子保持件13配属有驱动辊15，其被辊驱动机构15.1驱动。为了纱线落置在筒子15的周面上，卷绕站2配属有交叉卷绕单元12，其具有被驱动的交叉卷绕导丝器。交叉卷绕导丝器为此通过交叉卷绕驱动机构12.1被驱动。
卷绕站2的交叉卷绕驱动机构12.1和辊驱动机构15.1以单独驱动机构形式构成并且被连接至机器控制单元16。同样，输送装置7.1、7.2和7.3的驱动机构8.1、8.2和8.3和加工站1的变形单元11的变形驱动机构11.1被设计成独立驱动机构且被连接至机器控制单元16。
为了过程监视，在输送装置7.2和7.3之间的测量站中在移动纱线3上连续测量纱线张力。为此设有纱线张力测量机构17，其具有纱线张力传感器17.1和测量信号接收器17.2。纱线张力测量机构17被连接至诊断单元18。为了解释诊断单元18，还将参照图2。
在图2中示意性示出了用于分析纱线张力的测量信号的诊断单元18。在此实施例中，诊断单元18包括学习处理器20。学习处理器20直接连接至纱线张力测量机构17的测量信号接收器17.2。学习处理器20可被编程且最好具有神经网络以执行机器学习程序。机器学习程序包括至少一个机器学习算法以便能够以人工智能执行纱线张力测量信号的综合分析。
学习处理器20配属有输入单元22和输出单元23。为了能在分析后启动可能的工作过程变化，诊断单元18通过学习处理器20被直接连接至机器控制单元16。机器控制单元16被连接至加工站1的加工单元的驱动机构和致动器。
在学习处理器20与纱线张力测量机构17、输入单元22和输出单元23之间的连接可以均通过各自的连线或无线连接来实现。尤其在无线连接情况下，这些独立单元可以不必保持就位在同一地点。因此，学习处理器20被集成在诊断单元18中。也可将学习处理器20布置在与输入单元22和输出单元23无关的虚拟空间中。
在学习处理器20中，由测量信号接收器17.1所传输的纱线张力测量信号被机器学习程序分析。为此，机器学习程序具有至少一个机器学习算法，其在神经网络帮助下执行测量信号的结构化分析以识别纱线结。在此，尤其是在时间序列中出现的测量信号变化被分析以涵盖纱线结识别用典型特征。
图3.1示出纱线张力测量信号的时间序列的实施例，其是在纱线结移动经过测量站时测得的。纱线张力测量信号的整个变化过程在此以分析图的形式被示出。将纱线张力测量信号与上限值和下限值相比较。在分析图中，通过标示字母og表示上限值，通过标示字母ug表示下限值。为此，纱线张力t在y轴上被画出，时间t在x上被画出。在图3.1所示的纱线张力测量信号的信号变化过程中，没有看到高出上限值和低于下限值。就此而言，在测量站处由纱线结造成的纱线张力信号变化在允许范围内。尽管如此，在随后的工作过程中，例如在织布中，纱线结将代表不允许的瑕疵。因此在分析过程中，测量信号的时间曲线就表征变化而言被分析以识别出纱线结。
在变形工艺中，在纱线移行中的这样的纱线结也导致纱线张力变化，其造成高出阈值。为此，在图3.2中示出了在纱线结情况下的典型信号曲线的另一实施例。因为在此情况下高出上限值，故存在不允许的纱线张力波动。就此而言，纱线张力测量信号的变化过程在此情况下被定义为瑕疵图。因此，瑕疵图描绘了高出或低于阈值的纱线张力信号曲线。在此情况下，作为阈值也用标示字母og示出上限值，用标示字母ug示出下限值。
为了允许有区分的且尤其是扩展的瑕疵起因分析和诊断，图4示出了诊断单元18的另一个实施例，就像例如能用在根据图1的本发明装置中那样。在此情况下，诊断单元18包括纱线张力评估单元19，其被直接连接至纱线张力测量机构17。于是，来自测量信号接收器17.2的测量信号被送至纱线张力评估单元19。在纱线张力评估单元19内，首先记录下纱线张力测量信号的时间曲线并作为分析图来生成。同时将测量信号与阈值相比较。通常将纱线张力的测量信号与上限值和下限值相比较。一旦发现纱线张力的不允许误差偏差，纱线张力的短期测量信号曲线被记录下来并作为瑕疵图被生成。
依据是否存在不包含阈值超出的分析图或包含阈值违规的瑕疵图，所述图被转交至学习处理器20。因而，学习处理器20的机器学习算法被适应调整以便能够执行合适的分析以识别纱线结。
因为也由其它干扰参数造成在测量站中所记录的纱线张力波动且具有阈值违规，故机器学习程序且尤其是机器学习算法被扩展了多个瑕疵图类别。在此，一个具体的工作过程瑕疵和在瑕疵图中造成纱线张力的特征信号曲线的一个具体的操作错误或一个具体的干扰参数或一个具体的产品瑕疵被指定为瑕疵图类别。就此而言，其它瑕疵图也可被分析以找到可能瑕疵。于是，例如如图3.2所示的瑕疵图可以限定瑕疵图类别a。瑕疵图类别a因此与识别纱线结同义。
如图4所示，学习处理器20配属有存储器单元21，瑕疵图和瑕疵图类别的数据池被存储于其中。于是，机器学习程序可以被灌输和扩展。
在图5.1和图5.2中示出了可能的瑕疵图类别的其它典型的瑕疵图。如图5.1示出的瑕疵图确定瑕疵图类别b。瑕疵图类别b可能源于纱线断裂或操作错误，在此该纱线张力突然在测量站中完全消失。就此而言，低于下限值ug。纱线张力的测量信号突然降至0值。
如图5.2所示的瑕疵图在此实施例中决定瑕疵图类别c。瑕疵图类别例如可能示出在其中一个加工单元例如纱线所接触的冷却槽轨中的磨损状况。在此，在纱线张力测量信号中缓慢升起直至超出上限值og被确定。
就此而言，每个瑕疵图类别a至c将被对应分配给一个具体瑕疵。如图5.1和图5.2所示的瑕疵图类别只是示例性的。在就像在根据图1的本发明装置中执行的变形过程中，可能出现多个瑕疵图类别，工作过程的一个独特起因基于该瑕疵图类别。在如图4所示的诊断单元18中，由纱线张力评估单元19所提供的瑕疵图通过学习处理器20内的机器学习程序被分析。在此，瑕疵图借助至少一个、最好是多个机器学习算法被分析。在分析结束时，执行分类至已知晓的瑕疵图类别中的一个。
在如图2和图4所示的诊断单元中，均在输出单元23中指明了在纱线移行中的纱线结已经被识别出。在分析瑕疵图时，执行对应分配至瑕疵图类别a。接着，操作者被通知并且在合适的情况下能自己作出干预以改变工作过程。但或者也可以直接由学习处理器20发出信号至机器控制单元16。因此，学习处理器20也被连接至根据图1的本发明装置的机器控制单元16。因此，例如在纱线结识别过程中或在对应分配瑕疵图类别a的过程中，可以启动早期筒子更换，以将纱线结加入筒子的纱线端头区域或筒子的纱线尾部区域。
于是，本发明的方法特别适用于在最终的筒子中定位纱线结并因此适合按照规定方式保持纱线结不用进一步处理。在这里，无需额外辅助来识别纱线移行中的纱线结。