【技术实现步骤摘要】
本专利技术属于纱线质量控制，更具体地，涉及一种波谱增强时序学习的纱线条干质量异常分析方法、装置、电子设备及存储介质。
技术介绍
1、在纱线生产中，及时准确地检测纱线质量对降低废品率、提高纱线质量具有重要意义。纱线条干不匀，指纱线沿轴向片段的粗细不均匀，是纱线生产中最常见的质量问题之一。
2、传统上，通过条干仪检测一定长度纱线的不匀变异系数（coefficient ofvariation, cv），根据cv曲线，用均值、最大值、最小值等统计指标来进行分析。基于这些统计指标，只能简单地根据cv曲线判断纱线是否存在不匀异常，而无法对纱线不匀的根本异常来源提供详细的解释。这种简单的二分类方法难以满足纱线生产中的质量控制要求。因此，为了给纱线质量控制提供更好的决策，需要通过分析cv曲线之间的细微差异，进一步发现纱线不匀的根本异常来源。然而，纱线不匀受到纤维原料、工艺参数、设备状态、纺纱车间环境等多种动态因素的影响。不同因素引起的纱线不匀在cv曲线上呈现出相似的波动，即它们的时间序列数据相似，仅有细微的差别。这种情况下，很难通过cv曲线相似时间序列数据中的细微差别来区分造成纱线不匀的不同异常源。
3、为解决这一问题，经验丰富的工人师傅通过观察与cv时序曲线对应的频域波谱图，分析波谱图中波峰的形状（如烟筒状、小山状）及其对应的波长，判断是牵伸工艺还是机械部件导致的纱线条干不匀异常，然后通过牵伸波和机械波原理进一步确定异常源。以上方法依赖足够的专家知识经验、速度慢，缺乏智能化的分析决策手段。若将专家经验知识与现有人工智能
技术实现思路
1、针对现有技术的缺陷和改进需求，本专利技术提供了一种波谱增强时序学习的纱线条干质量异常分析方法、装置、电子设备及存储介质，取代人工自动识别时域cv曲线和频域波谱图，实现纱线条干质量异常侦测及异常源分类。
2、为实现上述目的，第一方面，本专利技术提供了一种波谱增强时序学习的纱线条干质量异常分析方法，所述方法包括：
3、构建时域识别网络，以时间窗内的纱线cv时序数据为输入，将固定长度的时间序列离散值输入到卷积层中进行非线性转换为多个时间序列特征分量，输出阶跃型波动、渐变型波动和周期型波动3个异常类别和1个正常类别；以最小化所述时域识别网络的损失函数为目标对其进行训练；
4、对所述时域识别网络识别为周期型波动的纱线cv时序数据，通过傅里叶变换将其转换为以横坐标为波长、纵坐标为幅值的频域波谱图，并输出相应的二值化图像；
5、构建频域识别网络，以所述二值化图像为输入，通过提取频域波谱图中的波峰形态和波长位置特征，输出前区牵伸倍数异常、后区牵伸倍数异常、罗拉加压异常、前罗拉偏心、中罗拉偏心、后罗拉偏心6个异常类别；以最小化所述频域识别网络的损失函数为目标对其进行训练；
6、将训练好的时域识别网络、频域波谱图转换算法、频域识别网络进行串行集成后，实现纱线条干质量异常分析。
7、进一步地，所述时域识别网络包括3个卷积层与2个全连接层；第一卷积层由128个长度为8的卷积核组成，第二卷积层由256个长度为5的卷积核组成，第三卷积层由128个长度为3的卷积核组成，3个卷积层的步长都为1，且每个卷积层后都采用relu作为激活函数和批处理归一化操作；第四层为1个全局平均池化层；第五层为分类层，该分类层的神经元数量为类别数，分别输出时间窗内的纱线cv时序数据隶属于4个类别的概率分布。
8、进一步地，所述频域识别网络包括1个输入层、5个卷积池化层、3个全连接层和1个输出层；第一至第五卷积层分别由64个3×3的卷积核、128个5×5的卷积核、256个5×5的卷积核、512个3×3的卷积核和256个1×1的卷积核组成，5个卷积层的步长都为1，每个卷积层之后为全局平均池化操作。
9、进一步地，所述阶跃型波动类别对应由原料参数导致的纱线条干质量异常；所述渐变型波动类别对应由环境参数导致的纱线条干质量异常；所述周期型波动类别对应由工艺参数或机械参数导致的纱线条干质量异常。
10、第二方面，本专利技术提供了一种波谱增强时序学习的纱线条干质量异常分析装置，所述装置包括：
11、时域识别网络构建与训练模块，用于构建时域识别网络，以时间窗内的纱线cv时序数据为输入，将固定长度的时间序列离散值输入到卷积层中进行非线性转换为多个时间序列特征分量，输出阶跃型波动、渐变型波动和周期型波动3个异常类别和1个正常类别；以最小化所述时域识别网络的损失函数为目标对其进行训练；
12、频域波谱图转换模块，用于对所述时域识别网络识别为周期型波动的纱线cv时序数据，通过傅里叶变换将其转换为以横坐标为波长、纵坐标为幅值的频域波谱图，并输出相应的二值化图像；
13、频域识别网络构建与训练模块，用于构建频域识别网络，以所述二值化图像为输入，通过提取频域波谱图中的波峰形态和波长位置特征，输出前区牵伸倍数异常、后区牵伸倍数异常、罗拉加压异常、前罗拉偏心、中罗拉偏心、后罗拉偏心6个异常类别；以最小化所述频域识别网络的损失函数为目标对其进行训练；
14、纱线条干质量异常分析模块，用于将训练好的时域识别网络、频域波谱图转换算法、频域识别网络进行串行集成后，实现纱线条干质量异常分析。
15、第三方面，本专利技术提供了一种电子设备，包括：存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的一种波谱增强时序学习的纱线条干质量异常分析方法。
16、第四方面，本专利技术提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如第一方面所述的一种波谱增强时序学习的纱线条干质量异常分析方法。
17、总体而言，通过本专利技术所构思的以上技术方案，能够取得以下有益效果：
18、本专利技术提出了一种波谱增强时序学习的纱线条干质量异常分析方法，该方法通过融合纺纱波谱图知识与时序深度学习网络来实现纱线条干质量异常侦测及异常源分类。与传统利用深度学习进行时间序列分类的研究不同的是，传统方法仅通过增强时域曲线特征的注意力机制来提高易混淆类别的分类准确率，而本专利技术所提出的方法通过在时域神经网络中融入频域纺纱波谱图知识，进一步提取易混淆类别的频域波谱图的形态和波长特征，从而提高易混淆类别的甄别能力，准确判断质量异常源。在实际纺纱质量数据上的实验结果表明，所提出的方法表现出更高的准确性，更少的误判，意味着更高效的质量控制。此方法也可以推广应用到化纤、线缆等类似工业场景中，帮助制造企业及时发现质量异常及原因，精准干预管控，实现高质生产。
本文档来自技高网...【技术保护点】
1.一种波谱增强时序学习的纱线条干质量异常分析方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种波谱增强时序学习的纱线条干质量异常分析方法，其特征在于，所述时域识别网络包括3个卷积层与2个全连接层；第一卷积层由128个长度为8的卷积核组成，第二卷积层由256个长度为5的卷积核组成，第三卷积层由128个长度为3的卷积核组成，3个卷积层的步长都为1，且每个卷积层后都采用ReLU作为激活函数和批处理归一化操作；第四层为1个全局平均池化层；第五层为分类层，该分类层的神经元数量为类别数，分别输出时间窗内的纱线CV时序数据隶属于4个类别的概率分布。
3.根据权利要求1所述的一种波谱增强时序学习的纱线条干质量异常分析方法，其特征在于，所述频域识别网络包括1个输入层、5个卷积池化层、3个全连接层和1个输出层；第一至第五卷积层分别由64个3×3的卷积核、128个5×5的卷积核、256个5×5的卷积核、512个3×3的卷积核和256个1×1的卷积核组成，5个卷积层的步长都为1，每个卷积层之后为全局平均池化操作。
4.根据权利要求1所述的一种波谱增强时序
5.一种波谱增强时序学习的纱线条干质量异常分析装置，其特征在于，所述装置包括：
6.一种电子设备，包括：存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-4任一项所述的一种波谱增强时序学习的纱线条干质量异常分析方法。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-4任一项所述的一种波谱增强时序学习的纱线条干质量异常分析方法。
...【技术特征摘要】
1.一种波谱增强时序学习的纱线条干质量异常分析方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种波谱增强时序学习的纱线条干质量异常分析方法，其特征在于，所述时域识别网络包括3个卷积层与2个全连接层；第一卷积层由128个长度为8的卷积核组成，第二卷积层由256个长度为5的卷积核组成，第三卷积层由128个长度为3的卷积核组成，3个卷积层的步长都为1，且每个卷积层后都采用relu作为激活函数和批处理归一化操作；第四层为1个全局平均池化层；第五层为分类层，该分类层的神经元数量为类别数，分别输出时间窗内的纱线cv时序数据隶属于4个类别的概率分布。
3.根据权利要求1所述的一种波谱增强时序学习的纱线条干质量异常分析方法，其特征在于，所述频域识别网络包括1个输入层、5个卷积池化层、3个全连接层和1个输出层；第一至第五卷积层分别由64个3×3的卷积核、128个5×5的卷积核、256个5×5的卷积核、512个3×3的...
【专利技术属性】
技术研发人员：徐楚桥，杨明，张成俊，许临臣，张济涛，罗凯，
申请(专利权)人：湖北先创科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。