В статье представлены исследования компьютерной имитационной статистической модели между характеристиками потоков по линейной плотности и по доле компонентов в смешанном потоке. Приведены результаты оценки влияния заправочной доли компонента на среднее и среднеквадратическое отклонение доли 1-го компонента в смеси, определен вид автокорреляционных функций линейной плотности смешанного потока и доли 1-го компонента в смешанном потоке, показаны оценки спектральная плотность дисперсии для линейной плотности смешанного потока и доли 1-го компонента в смешанном потоке.

Ключевые слова: смешивание волокон, линейная плотность, доля компонента, автокорреляционная функция, спектральная плотность дисперсии, среднеквадратическое отклонение

1.2.2 - Математическое моделирование, численные методы и комплексы программ , 2.6.16 - Технология производства изделий текстильной и легкой промышленности

В статье рассматриваются проведенные исследования изменения выходного сигналы с измерительного устройства для оценки качества смешивания натуральных и химических волокон в полуфабрикатах прядильного производства, полученных на ленточной машине при различных переходах. Построение полиномиальных моделей при анализе данных позволяет интерпретировать информации о равномерности распределения волокон в ленте, не учитывая влияния на изменения её линейной плотности.

Ключевые слова: качество смешивания волокон, линейная плотность, инфракрасный метод оценки, оценка данных, линейный полином, полиномиальная функция

2.3.1 - Системный анализ, управление и обработка информации , 2.6.16 - Технология производства изделий текстильной и легкой промышленности

Рассмотрена задача разработки интеллектуальной автоматизированной системы обнаружения дефектов текстильных материалов. Проведен анализ алгоритмов машинного обучения и глубокого обучения применительно к решению задачи контроля качества изделий. Рассмотрена реализация искусственной нейронной сети, реализованной в микрокомпьютере Raspberry Pi и получающей набор входных данных в виде большого потока изображений от высокоскоростной цифровой камеры. Описываются этапы создания модели на языке Python с применением библиотек TensorFlow и Keras. Процесс разработки включает подготовку исходных данных, предназначенных для обучения и тестирования системы, а также проверку работы полученной нейросети, заключающейся в распознавании изображений дефектов на ткани по классификационным признакам.

Ключевые слова: машинное обучение, нейронная сеть, изображения дефектов, текстильный материал, обучение, тестирование, точность

1.2.2 - Математическое моделирование, численные методы и комплексы программ , 2.6.16 - Технология производства изделий текстильной и легкой промышленности

Рассмотрены преимущества, недостатки и ограничения применения ниточных швов в технологических процессах сборки изделий, преимущества замены ниточных швов безниточными соединениями, способы их получения с целью управления конкурентоспособностью технологического процесса термоклеевой сборки, показаны производственные процессы получения плоского безниточного соединительного шва с применением современного технологического оборудования, приведены возможные способы его формирования.

Ключевые слова: способ, управление, технологический процесс, безниточное соединение, клеевое соединение, шов, детали, изделия, термолента, адгезия, технологическое оборудование

2.3.3 - Автоматизация и управление технологическими процессами и производствами , 2.6.16 - Технология производства изделий текстильной и легкой промышленности