一种高效纱线张力调节系统的制作方法

本发明涉及张力调节，特别是一种高效纱线张力调节系统。

背景技术：

1、现有纱线张力调节系统难以满足生产对高精度和快速响应的需求；现有的张力调节方式通常对张力波动的动态变化和环境影响因素考虑不足，调节过程中缺乏对异常波动的敏感性，导致调节精度低、性能不稳定；传统方法在处理多维时序数据时多采用简单线性模型，忽略了纱线张力的非线性变化特性和多因素耦合关系，无法实现对张力的精细调节和预测，影响纱线质量和生产效率；因此，亟需一种能够实时分析、多维预测、高效调节的纱线张力控制系统，以提升纺织生产过程中的稳定性和产品质量。

技术实现思路

1、本发明提供了一种高效纱线张力调节系统，旨在解决现有技术中由于传统算法对多维时序数据处理能力不足，导致张力调节精度低、响应性能差的问题；本系统采用pso-issa算法优化tcn-tm-bidir-lstm模型的超参数配置，从而提高模型在复杂环境下对张力变化的适应能力和预测精度；此外，系统通过tcn层进行时间序列特征提取，并结合tm-bidir-lstm层进一步提取纱线张力的长短期依赖特征，确保张力调节的实时性和稳定性；该方案不仅有效提升了纱线张力调节的准确性和系统响应速度，还增强了其在生产过程中对异常张力波动的敏感度，显著提高了生产效率和纱线质量。

2、本发明提供了一种高效纱线张力调节系统，该系统包括纱线张力调节装置和中央处理器，所述中央处理器包括数据采集模块、数据预处理模块、特征选择模块、预测模块和超参数优化模块；

3、所述数据采集模块，采集纱线张力时间序列数据和环境时间序列数据，得到综合时间序列数据；

4、所述数据预处理模块，对综合时间序列数据使用插值法补全缺失值、使用iqr方法剔除综合时间序列数据异常值，再进行归一化处理，得到预处理综合时间序列数据；

5、所述特征选择模块，通过皮尔逊相关系数对预处理综合时间序列数据进行线性分析，得到线性特征数据，通过spearman相关系数对预处理综合时间序列数据进行非线性分析，得到非线性特征数据，将线性特征数据和非线性特征数据合并，得到综合时序特征数据；所述预测模块，建立tcn-tm-bidir-lstm模型，将综合时序特征数据输入到tcn-tm-bidir-lstm模型，得到异常预警概率值，根据异常预警概率值进行异常报警和停机保护，tcn-tm-bidir-lstm模型包括输入层、tcn层、tm-bidir-lstmc层、全连接层和输出层；

6、所述超参数优化模块，通过pso-issa算法优化tcn-tm-bidir-lstm模型的超参数，得到优化超参数配置。

7、本发明提供了一种高效纱线张力调节系统，该系统所述纱线张力调节装置包括细纱机、力传感器、电动纱线导向器、张力调节辊、反馈传感器，所述力传感器固定连接于细纱机进线端，所述电动纱线导向器固定于细纱机内壁上，所述张力调节辊固定连接于细纱机内壁上，所述反馈传感器固定连接于细纱机出线端，所述细纱机进线端设有纱线，纱线与力传感器检测端接触，所述纱线接触电动纱线导向器和张力调节辊上壁，所述纱线与反馈传感器检测端接触，所述中央处理器与力传感器、电动纱线导向器、张力调节棍和反馈传感器电性连接。

8、进一步的，所述pso-issa算法优化tcn-tm-bidir-lstm模型的超参数的过程，具体包括以下步骤：

9、步骤s1：初始化tcn-tm-bidir-lstm模型，并设定初始超参数配置，根据初始超参数配置训练tcn-tm-bidir-lstm模型，得到训练结果，并对训练结果评估，得到初始适应度值；

10、步骤s2：初始化pso粒子群，随机生成粒子，并初始化粒子速度和粒子位置；初始化issa麻雀种群，随机生成探索者和跟随者，并设定初始探索者位置和跟随者位置；

11、步骤s3：根据粒子速度和粒子位置计算粒子适应度值，根据探索者位置和跟随者位置计算麻雀种群适应度值；

12、步骤s4：通过比较粒子适应度值，寻找最优粒子个体，得到全局适应度值，使用pso粒子更新方法，根据粒子适应度值和全局适应度值更新粒子速度和粒子位置，通过迭代更新，生成个体最佳位置和全局最佳位置，逐步锁定粒子优化超参数配置,所用公式如下：

13、pso粒子速度更新公式：

14、；

15、其中，第个粒子在次迭代的速度，第个粒子在次迭代的速度，表示惯性权重，表示自我认知系数，表示社会认知系数，和表示在区间[0,1]内的随机数，表示第个粒子的个体最佳位置，表示全局最佳位置，表示第个粒子在第次迭代的位置；

16、pso粒子位置更新公式：

17、；

18、其中，表示第个粒子在第次迭代的位置；

19、步骤s5：根据全局最佳位置指导探索者位置更新，依据探索者位置更新指导跟随者位置更新，通过迭代更新探索者位置和跟随者位置，不断优化麻雀种群适应度值，得到麻雀优化超参数配置；

20、步骤s6：对粒子优化超参数配置和麻雀优化超参数配置进行协同信息共享，通过迭代训练，直到满足迭代次数，得到优化超参数配置。

21、进一步的，所述预测模块中tcn层，具体包括以下内容：

22、步骤m1：接收输入层的综合时序特征数据，对综合时序特征数据进行通道变换，得到通道变换特征数据；

23、步骤m2：对输入层的综合时序特征数据进行膨胀卷积操作，提取长短期依赖特征；

24、步骤m3：对长短期依赖特征进行标准化处理，得到标准时间特征数据；

25、步骤m4：将标准时间特征数据通过relu激活函数进行非线性激活，得到非线性时间特征数据；

26、步骤m5：随机丢弃tcn-tm-bidir-lstm模型的部分神经元，得到正则化时间特征数据；

27、步骤m6：将通道变换特征数据和正则化时间特征数据相加，得到tcn综合特征数据。

28、进一步的，所述预测模块中的tm-bidir-lstm层，具体包括以下内容：

29、步骤b1：引入时间掩码矩阵：依据tcn综合特征数据读取tcn综合特征数据维度信息，根据tcn综合特征数据维度信息生成时间掩码矩阵，应用时间掩码矩阵，遮蔽无效时间步，得到掩码处理特征数据；

30、步骤b2：前向lstm穿行：对掩码处理特征数据从左到右进行前向lstm穿行操作，提取从过去到未来的时间依赖信息，得到前向穿行特征数据；

31、步骤b3：后向lstm穿行：对掩码处理特征数据从右到左进行后向lstm穿行操作，提取从未来到过去的时间依赖信息，得到后向穿行特征数据；

32、步骤b4：前后向特征融合：将前向穿行特征数据和后向穿行特征数据进行拼接融合，得到综合穿行特征数据，所用公式如下：

33、；

34、其中，表示第个时间步的综合穿行特征数据，表示第个时间步的前向穿行特征数据，表示第个时间步的后向穿行特征数据。

35、进一步的，所述预测模块中全连接层，通过relu激活函数将tcn综合特征数据和综合穿行特征数据映射到tcn-tm-bidir-lstm模型的输出空间，得到激活特征数据。

36、进一步的，所述预测模块中输出层，通过sigmoid 激活函数将激活特征数据映射为异常预警概率值，所用公式如下：

37、；

38、其中，表示激活特征数据，表示通过sigmoid激活函数将映射到(0,1)区间的输出。

39、采用上述方案，本发明取得的有益效果如下：

40、本发明通过pso-issa算法优化tcn-tm-bidir-lstm模型的超参数配置，实现了对纱线张力调节系统中复杂时序数据的精准建模与实时响应；pso-issa算法通过全局与局部的双重优化策略，有效调整模型的学习率、层数、节点数等超参数，显著提升了tcn-tm-bidir-lstm模型对张力变化的敏感性和适应性；与传统的静态超参数调节方法相比，本发明能够动态适应生产过程中的环境变化与张力波动，解决了传统调节方法因超参数配置不佳导致的响应滞后和调节失准问题，从而增强了系统的稳定性和调节精度。

41、本发明在特征提取方面，采用tcn层与tm-bidir-lstm层相结合的方式进行多维特征分析与提取，充分利用了tcn层对长时间序列的依赖性捕捉能力和tm-bidir-lstm层对短期波动的响应能力，有效解决了传统方法对纱线张力非线性特征处理不足的问题；tcn层首先对综合时序特征数据进行时序依赖性提取，而tm-bidir-lstm层进一步提取特征数据中的双向时间依赖信息，实现了对纱线张力长短期变化的精细捕捉；该技术的应用提升了纱线张力调节系统对动态环境的适应能力，确保了调节过程中的高精度与高响应速度。

42、通过将上述优化算法和特征提取技术应用于纱线张力调节系统，本发明实现了更高效、更精准的纱线张力控制，有效提升了纺织生产过程中的张力稳定性和产品质量；系统在面对复杂的生产环境和多变的张力条件时，能够实时分析并调整张力值，解决了传统监测系统因对张力波动不敏感而导致的调节滞后和控制精度差的问题；该系统不仅提高了生产线的工作效率和产品一致性，还减少了张力异常带来的纱线断裂和质量缺陷风险，为现代纺织工业提供了一种先进、可靠的张力调节解决方案。