پایان نامه

پیش بینی خواص نخ تولید شده از خواص الیاف پلی استر

مولفه

توضیحات

عنوان پایان‌نامه

پیش بینی خواص نخ تولید شده از خواص الیاف پلی استر

نویسنده

سید محمد ممتاز اناری

نام استاد راهنما

سعید فتاحی

نام استاد مشاور

ندارد

دانشگاه و دانشکده

دانشگاه یزد / دانشکده نساجی

مقطع تحصیلی

کارشناسی ارشد

تاریخ دفاع

1396

چکیده پایان نامه:

پیش‌بینی خواص کیفی نخ از ویژگی‌های الیاف پلی‌استر، گامی کلیدی در بهینه‌سازی تولید نساجی و ارتقاء کیفیت نهایی محصول است. این پژوهش با هدف مدل‌سازی خواص مکانیکی و فیزیکی نخ، ازجمله استحکام، ازدیاد طول، نایکنواختی، پرزدهی و عیوب، بر پایه داده‌های الیاف و پارامترهای تولید انجام شد. در این راستا، از هشت بوبین نیمچه نخ با نمره و تاب متفاوت استفاده شده و داده‌ها با آزمون‌های تخصصی C.R.E و Uster مورد ارزیابی قرار گرفتند. تحلیل نتایج با روش رگرسیون نشان داد که تاب و نمره نخ بیشترین تأثیر را بر خواص خروجی دارند. مدل‌های ارائه‌شده با دقت بالا، امکان پیش‌بینی خواص نخ قبل از تولید را فراهم کرده و می‌توانند در صنایع ریسندگی برای کاهش هزینه‌ها، بهبود کیفیت و کنترل دقیق فرآیند مورد استفاده قرار گیرند.
واژگان کلیدی: رگرسیون، پیش‌بینی خواص نخ، پلی‌استر، یکنواختی، استحکام، مهندسی نساجی

مقدمه:

در صنعت پیشرفته نساجی، دستیابی به نخ‌هایی با کیفیت بالا، یکنواختی مطلوب و خواص مکانیکی پایدار، همواره یکی از اهداف کلیدی واحدهای تولیدی و بخش‌های مهندسی فرآیند بوده است. نخ به‌عنوان ماده اولیه اصلی تولید پارچه، تأثیر تعیین‌کننده‌ای بر ویژگی‌های عملکردی محصول نهایی دارد. خواصی همچون استحکام کششی، میزان ازدیاد طول، یکنواختی (U%), پرزدهی و میزان عیوب، نه‌تنها شاخص کیفیت نخ محسوب می‌شوند، بلکه نقش حیاتی در دوام، ظاهر، و قابلیت کاربرد نهایی پارچه ایفا می‌کنند. بنابراین، پیش‌بینی و کنترل این خواص، قبل از تولید انبوه نخ، یک ابزار قدرتمند برای افزایش بهره‌وری، کاهش ضایعات، و کاهش هزینه‌های تولید محسوب می‌شود.

در طول دهه‌های گذشته، مطالعات زیادی با هدف بررسی تأثیر ویژگی‌های الیاف و پارامترهای ریسندگی بر خواص نخ انجام شده است. بااین‌حال، بسیاری از این پژوهش‌ها، مدل‌های تجربی غیرقابل تعمیم ارائه داده‌اند که در شرایط واقعی تولید، دقت یا کارایی لازم را نداشته‌اند. یکی از دلایل اصلی این امر، پیچیدگی روابط میان ویژگی‌های الیاف (نمره، تاب، طول و یکنواختی) و خروجی‌های تولیدی (خواص نخ) است که اغلب نیازمند تحلیل‌های آماری پیشرفته و مدل‌سازی دقیق چندمتغیره برای درک رفتار واقعی سیستم است.

با توجه به رشد سریع استفاده از الیاف مصنوعی به‌ویژه پلی‌استر در صنعت ریسندگی، به دلیل خواص مطلوبی مانند پایداری ابعادی، مقاومت در برابر چروک، و دوام بالا، نیاز به مدل‌سازی دقیق خواص نخ پلی‌استر بیش‌ازپیش احساس می‌شود. پلی‌استر، به‌عنوان یکی از پرکاربردترین الیاف مصنوعی، در صنایع مختلف ازجمله پوشاک، منسوجات خانگی، منسوجات صنعتی و تجهیزات پزشکی استفاده می‌شود و کیفیت نخ‌های پلی‌استری، نقشی تعیین‌کننده در رضایت مشتری و بازارپسندی محصول نهایی دارد.

این پژوهش با هدف توسعه مدلی کاربردی برای پیش‌بینی خواص مکانیکی و فیزیکی نخ پلی‌استر طراحی شد. برای این منظور، هشت بوبین نیمچه نخ پلی‌استر با نمره و تاب‌های مختلف تحت فرآیند ریسندگی قرار گرفتند و نخ‌های تولیدی ازنظر استحکام و ازدیاد طول (به کمک دستگاه C.R.E) و یکنواختی، پرزدهی و عیوب )با دستگاه (Uster مورد ارزیابی دقیق قرار گرفتند. داده‌های حاصل، سپس با استفاده از تحلیل رگرسیون چندمتغیره بررسی و مدل‌هایی برای پیش‌بینی هر یک از خواص کلیدی نخ توسعه یافت.

یافته‌ها به‌روشنی نشان داد که پارامترهای نمره و تاب نخ، اثرگذاری بالایی بر ویژگی‌های نهایی نخ دارند. به‌عنوان نمونه، افزایش تاب نخ منجر به افزایش استحکام و کاهش پرزدهی شد، درحالی‌که افزایش نمره موجب کاهش یکنواختی و افزایش احتمال بروز عیوب شد. این نتایج نشان داد که از طریق تنظیم دقیق نمره و تاب نخ در مرحله طراحی، می‌توان خواص نهایی نخ را با دقت بالا مدیریت کرد و کیفیت مطلوب را به‌صورت هدفمند حاصل نمود. مدل‌های پیش‌بینی استخراج‌شده در این تحقیق، با ضریب همبستگی بالای R² > 0.95، دقت بسیار بالایی در پیش‌بینی خواص نخ از خود نشان دادند.

از منظر صنعتی، این مدل‌سازی‌ها نه‌تنها برای واحدهای کنترل کیفیت و تولید نخ‌های فنی و تخصصی مفید است، بلکه در طراحی محصول و کنترل فرآیند به‌ویژه در ریسندگی‌های مدرن و خطوط تولید نیمه‌خودکار نیز ارزشمند خواهد بود. پیش‌بینی خواص نخ پیش از تولید انبوه، موجب صرفه‌جویی در مواد اولیه، انرژی و زمان می‌شود و از تولید نخ‌های معیوب و ناپایدار جلوگیری می‌کند. این مزیت، به‌ویژه در بازار رقابتی امروز که کاهش هزینه‌ها و ارتقای کیفیت محصولات الزامی است، می‌تواند موجب افزایش بهره‌وری و سودآوری در صنعت ریسندگی گردد.

درمجموع، این پژوهش با ارائه مدل‌های علمی و قابل اجرا برای پیش‌بینی خواص نخ پلی‌استر، گامی مؤثر در جهت مدیریت هوشمند فرآیند تولید، ارتقای کیفیت محصولات نساجی و حرکت به‌سوی تولید پایدار و کم‌هزینه برداشته است و می‌تواند به‌عنوان ابزاری قدرتمند برای مهندسان و مدیران تولید مورد استفاده قرار گیرد.

مرور ادبیات تحقیق

مطالعات پیشین در زمینه پیش‌بینی خواص نخ بر پایه ویژگی‌های الیاف و پارامترهای فرآیند ریسندگی، همواره نشان داده‌اند که ارتباط پیچیده و چندبعدی بین داده‌های ورودی و خروجی تولید نخ، نیازمند تحلیل‌های آماری دقیق و مدل‌سازی ریاضی پیشرفته است. بسیاری از تحقیقات گذشته تلاش کرده‌اند تا با بهره‌گیری از روش‌های سنتی تحلیل تجربی، روابطی بین نمره الیاف، تاب، طول، یکنواختی و خواص نهایی نخ همچون استحکام، ازدیاد طول، یکنواختی و پرزدهی استخراج کنند. اما یکی از مشکلات رایج در این مطالعات، کفایت پایین مدل‌ها در شرایط واقعی صنعتی، عدم تعمیم‌پذیری به فرآیندهای متغیر و عدم لحاظ کردن هم‌زمان تأثیر چند پارامتر کلیدی بوده است.

علاوه بر این، در بسیاری از خطوط تولید، به‌دلیل عدم وجود ابزارهای تحلیلی دقیق، کنترل کیفیت نخ بیشتر به‌صورت پس از تولید و بر پایه آزمون‌های کنترل نهایی انجام می‌شود. این موضوع موجب افزایش هزینه‌های ناشی از ضایعات و تولیدات نامنطبق شده و توان رقابتی کارخانه‌ها را کاهش داده است. راه‌حل‌های مختلفی ازجمله به‌کارگیری مدل‌های آماری رگرسیون و تکنیک‌های یادگیری ماشین در مطالعات اخیر مورد بررسی قرار گرفته‌اند تا بتوان خواص نخ را قبل از تولید، به‌صورت دقیق پیش‌بینی و کنترل کرد.

در میان این راهکارها، رگرسیون چندمتغیره به‌عنوان یکی از روش‌های مؤثر و قابل‌فهم برای تحلیل داده‌های صنعتی مورد توجه قرار گرفته است، زیرا توانایی بررسی تأثیر هم‌زمان چند متغیر بر یک یا چند خروجی کیفی را دارد و می‌تواند با استفاده از داده‌های واقعی کارخانه، مدل‌هایی با دقت قابل قبول برای پیش‌بینی خواص نخ ارائه دهد. با این حال، هنوز در بسیاری از واحدهای صنعتی، عدم وجود داده‌های دقیق و تحلیل‌های آماری مناسب، مانع از به‌کارگیری گسترده این مدل‌ها شده است.

از دیگر مشکلات رایج در صنعت ریسندگی، عدم وجود ارتباط مشخص بین تنظیمات ماشین‌آلات (مانند تاب‌دهی، کشش، و نمره‌دهی) و خواص مورد انتظار نخ است. درواقع، بسیاری از تنظیمات به‌صورت تجربی و با آزمون و خطا انجام می‌شوند، که این مسئله هم زمان‌بر و هم پرهزینه است. مطالعات پیشین پیشنهاد داده‌اند که با استفاده از مدل‌های پیش‌بینی قابل اتکا، می‌توان فرآیند را به‌صورت علمی تنظیم کرد و به خواص دلخواه دست یافت.

در این راستا، پژوهش حاضر تلاش کرده است با بهره‌گیری از آزمون‌های دقیق فیزیکی و مکانیکی )با دستگاه‌های C.R.E و (Uster و تحلیل آماری پیشرفته، مدلی جامع برای پیش‌بینی خواص نخ پلی‌استر ارائه دهد. یکی از نوآوری‌های این مطالعه، توجه هم‌زمان به پارامترهای متنوع فرآیندی نظیر نمره و تاب نخ، و بررسی تأثیر ترکیبی آن‌ها بر چندین ویژگی کیفی نخ است. درحالی‌که بسیاری از پژوهش‌ها تنها یک ویژگی مانند استحکام یا یکنواختی را بررسی کرده‌اند، این تحقیق چندین خواص مهم و تأثیرگذار را به‌طور هم‌زمان مدل‌سازی و تحلیل کرده است.

از منظر صنعتی، پیشنهاد می‌شود که برای افزایش دقت پیش‌بینی و کنترل کیفیت، داده‌های فرآیند به‌صورت مستمر ثبت شده و وارد سیستم‌های مدل‌سازی آماری شوند. همچنین، استفاده از نرم‌افزارهای رگرسیون و شبیه‌سازی فرآیندهای ریسندگی می‌تواند به کاهش خطای انسانی، بهینه‌سازی مصرف مواد و کاهش هزینه‌های آزمون و خطا کمک کند. در آینده، ترکیب این مدل‌ها با تکنولوژی‌های هوشمند مانند اینترنت اشیا (IoT) و یادگیری ماشین، می‌تواند منجر به خودکارسازی و هوشمندسازی خطوط تولید نخ با قابلیت پیش‌بینی و کنترل خودکار کیفیت شود.

در مجموع، مرور ادبیات نشان می‌دهد که با وجود پیشرفت‌های انجام‌شده، هنوز جای توسعه مدل‌های دقیق و قابل اجرا در صنعت باقی است و این پژوهش، با ارائه مدلی مبتنی بر داده‌های واقعی و قابل پیاده‌سازی در محیط صنعتی، گامی مؤثر در این مسیر برداشته است. استفاده از چنین مدل‌هایی، به واحدهای تولیدی امکان می‌دهد تا با کنترل بهتر فرآیند، کاهش ضایعات، افزایش کیفیت و کاهش هزینه‌ها، جایگاه رقابتی خود را در صنعت نساجی حفظ و ارتقاء دهند.

روش تحقیق

در این تحقیق، به‌منظور پیش‌بینی خواص مکانیکی و فیزیکی نخ پلی‌استر بر اساس پارامترهای ریسندگی و طراحی مدلی دقیق برای کاربرد صنعتی، یک فرآیند تجربی دقیق و داده‌محور طراحی و اجرا شد. نخست، با هدف ایجاد تنوع در داده‌های ورودی و امکان مدل‌سازی جامع، از میان موجودی خط تولید، هشت بوبین نیمچه نخ پلی‌استر با نمرات مختلف (از نظر ضخامت) و سطوح متفاوت تاب‌دهی انتخاب گردید. این تنوع در نمونه‌ها موجب شد تا دامنه تغییرات پارامترها گسترده شده و تحلیل‌ها از قدرت پیش‌بینی بالاتری برخوردار شوند.

پیش از آغاز آزمون‌ها، تمامی بوبین‌های انتخاب‌شده تحت بازرسی اولیه قرار گرفتند تا یکنواختی در کیفیت اولیه و حذف خطاهای احتمالی تضمین شود. سپس هر نمونه به بخش تولید منتقل و تحت فرآیند ریسندگی دقیق قرار گرفت. در این مرحله، پارامترهای مؤثر نظیر تاب و نمره نخ برای هر نمونه مطابق برنامه مشخصی تغییر داده شد، درحالی‌که سایر متغیرهای فرآیند (مانند کشش، فشار و سرعت) ثابت نگه داشته شدند. این طراحی فرآیندی به‌منظور ایزوله‌سازی تأثیر دو پارامتر کلیدی تاب و نمره نخ و بررسی دقیق تأثیر آن‌ها بر خواص خروجی صورت گرفت.

پس از تولید نخ، نمونه‌ها در شرایط استاندارد شرایط رطوبت و دمای کنترل‌شده نگهداری شدند تا تأثیر عوامل محیطی به حداقل برسد. سپس نخ‌ها تحت آزمون‌های دقیق آزمایشگاهی قرار گرفتند. برای بررسی استحکام کششی و ازدیاد طول نخ از دستگاه تخصصی C.R.E (Constant Rate of Extension) استفاده شد که با اعمال نیروی ثابت و ثبت مقادیر کشش و طول، امکان تحلیل دقیق رفتار مکانیکی نخ را فراهم کرد. برای هر نمونه، تعداد ۲۰ آزمون تکراری انجام شد و میانگین نتایج برای افزایش اعتبار داده‌ها مورد تحلیل قرار گرفت.

برای تحلیل خواص یکنواختی (U%), میزان پرزدهی و عیوب (از قبیل نقاط نازک، ضخیم و گره‌ها) از دستگاه تخصصی (Uster Tester استفاده گردید که با دقت بالا، پروفایل کیفی نخ را به‌صورت دیجیتال و با استانداردهای جهانی ارائه می‌کند. هر نمونه نخ در طول استاندارد ۵۰۰ متر مورد آزمون قرار گرفت تا داده‌های معنادار و قابل تعمیم برای مدل‌سازی فراهم گردد.

داده‌های به‌دست‌آمده به‌صورت دقیق ثبت و با استفاده از نرم‌افزار آماری تخصصی وارد فرآیند تحلیل شدند. روش تحلیل داده‌ها، رگرسیون چندمتغیره بود که برای بررسی روابط غیرخطی و چندبعدی میان پارامترهای ورودی (نمره و تاب نخ) و خروجی‌های کیفی (استحکام، ازدیاد طول، یکنواختی، پرزدهی و عیوب) به‌کار گرفته شد. صحت مدل‌ها با بررسی ضریب همبستگی ()، آزمون آنالیز واریانس (ANOVA)، و تحلیل مانایی مورد ارزیابی قرار گرفت. مدل‌هایی که دارای بالای ۰.۹۵ بودند، به‌عنوان مدل‌های نهایی انتخاب و به‌عنوان ابزار پیش‌بینی خواص نخ پیش از تولید معرفی شدند.

همچنین، به‌منظور بررسی قابلیت کاربرد مدل‌ها در محیط صنعتی، صحت پیش‌بینی مدل‌ها با داده‌های جدید خارج از مجموعه اولیه آزمون شد. نتایج نشان داد که خطای پیش‌بینی در تمامی مدل‌ها کمتر از ۵  درصد بود که این میزان خطا برای کاربردهای صنعتی کاملاً قابل قبول و مفید محسوب می‌شود.

درنهایت، مدل‌های استخراج‌شده در این پژوهش، به‌گونه‌ای طراحی شدند که در خطوط تولید ریسندگی قابل پیاده‌سازی و اجرا باشند. به‌طوری‌که مهندسان فرآیند می‌توانند با ورود مقادیر نمره و تاب نخ، مقادیر مورد انتظار برای خواص کیفی نخ را با دقت بالا پیش‌بینی کنند و در صورت نیاز، پارامترهای ماشین‌آلات را برای دستیابی به کیفیت مطلوب تنظیم نمایند. این روش، یک رویکرد نوین برای هوشمندسازی کنترل کیفیت و افزایش بهره‌وری در صنعت نساجی محسوب می‌شود.

نتایج تحقیق

یافته‌های این پژوهش به‌وضوح نشان داد که پارامترهای کلیدی فرآیند ریسندگی، به‌ویژه نمره و تاب نخ، تأثیر مستقیم و معناداری بر خواص مکانیکی و فیزیکی نخ پلی‌استر دارند. داده‌های حاصل از آزمون‌های C.R.E و Uster به‌خوبی توانستند روند تغییرات خواص نخ را در پاسخ به تغییرات نمره و تاب، با دقت بالا نمایش دهند و زمینه را برای مدل‌سازی دقیق پیش‌بینی خواص نخ فراهم کنند.

در آزمون‌های مربوط به استحکام کششی نخ، مشخص شد که افزایش تاب نخ موجب افزایش چشمگیر استحکام شده است. به‌طوری‌که نمونه‌هایی با تاب بیشتر، به‌طور میانگین ۱۵ درصد افزایش در استحکام نسبت به نمونه‌های با تاب پایین‌تر از خود نشان دادند. این افزایش استحکام را می‌توان ناشی از افزایش فشردگی ساختار نخ و ایجاد برهم‌کنش‌های بیشتر میان الیاف دانست که مانع از شکست زودهنگام نخ تحت نیروی کششی می‌شود.

در مقابل، افزایش نمره نخ (ضخامت بیشتر) موجب کاهش استحکام در واحد جرم شد. به‌عبارت دیگر، هرچند نخ ضخیم‌تر توان تحمل نیروی بیشتری دارد، اما نسبت به جرم آن، میزان استحکام کاهش یافت، که این نکته برای کاربردهایی که نیاز به نخ سبک با استحکام بالا دارند، حائز اهمیت است. همچنین، در تحلیل ازدیاد طول، نخ‌های با تاب بیشتر ازدیاد طول کمتری نشان دادند که ناشی از ساختار فشرده‌تر و محدودیت در کشش الیاف درون نخ است.

در بررسی یکنواختی نخ (U%) با دستگاه Uster، داده‌ها نشان داد که نخ‌های با نمره پایین‌تر (نخ ظریف‌تر) دارای یکنواختی بهتری بودند. افزایش نمره، موجب افزایش نوسانات در ضخامت نخ شد که خود را در افزایش درصد نایکنواختی و بروز نقاط ضخیم و نازک نمایان ساخت. این یافته نشان داد که در صورت عدم کنترل دقیق نمره، احتمال بروز عیوب کیفی در نخ افزایش می‌یابد و یکنواختی آن تحت تأثیر قرار می‌گیرد.

تحلیل پرزدهی نخ نیز نشان داد که نخ‌های با تاب بالاتر دارای پرزدهی کمتری بودند. دلیل این موضوع، تثبیت بهتر الیاف در ساختار نخ در اثر افزایش تاب و کاهش احتمال رها شدن الیاف کوتاه از سطح نخ است. کاهش پرزدهی، به‌ویژه برای نخ‌هایی که در پوشاک و پارچه‌های ظریف به‌کار می‌روند، مزیت مهمی محسوب می‌شود، زیرا موجب افزایش دوام، بهبود ظاهر پارچه و کاهش پرزدهی سطحی می‌شود.

داده‌های مربوط به تعداد عیوب (نقاط ضخیم، نازک و گره‌ها) نیز نشان داد که نمونه‌هایی با تاب کمتر و نمره بالاتر، بیشترین میزان عیوب را دارا بودند. این موضوع به‌خوبی تأثیر هم‌زمان نمره و تاب را در بروز عیوب ساختاری نخ نمایش داد و نشان داد که برای کاهش عیوب، بهینه‌سازی توأمان این دو پارامتر ضروری است.

با ورود این داده‌ها به مدل رگرسیون چندمتغیره، مدل‌هایی با دقت بالا (R² > 0.95) برای پیش‌بینی هر یک از خواص نخ استخراج شد. این مدل‌ها نشان دادند که تاب نخ بیشترین تأثیر را بر استحکام و پرزدهی، و نمره نخ بیشترین تأثیر را بر یکنواختی و عیوب دارد. مدل‌های به‌دست‌آمده، توانستند مقادیر خواص نخ را با خطای کمتر از ۵ درصد پیش‌بینی کنند، که این دقت برای کاربرد صنعتی کاملاً قابل قبول محسوب می‌شود.

از منظر صنعتی، این نتایج نشان می‌دهند که با استفاده از مدل‌های پیش‌بینی دقیق، می‌توان فرآیند تولید نخ را به‌گونه‌ای طراحی کرد که خروجی دقیقاً مطابق نیاز کیفی محصول نهایی باشد. این امر به کاهش ضایعات، کاهش نیاز به آزمون و خطا، افزایش رضایت مشتری و کاهش هزینه‌های تولید منجر خواهد شد. همچنین، این مدل‌ها می‌توانند در خطوط تولید هوشمند، به‌صورت نرم‌افزاری پیاده‌سازی شده و فرآیند تولید را به‌صورت پویا کنترل کنند.

درمجموع، نتایج این تحقیق نشان داد که مدل‌سازی علمی، ابزار قدرتمندی برای بهینه‌سازی تولید نخ‌های پلی‌استر است، و با استفاده از آن، می‌توان به تولید نخ‌هایی با خواص دقیق، کیفیت بالا و عملکرد پایدار در بازار رقابتی صنعت نساجی دست یافت.

بحث و نتیجه گیری

تفسیر نتایج

نتایج به‌دست‌آمده از این پژوهش نشان داد که پارامترهای نمره و تاب نخ به‌عنوان متغیرهای کلیدی در فرآیند ریسندگی، تأثیر بسیار تعیین‌کننده‌ای بر کیفیت نهایی نخ دارند. این تأثیر نه‌تنها در سطح آماری معنادار است، بلکه از منظر صنعتی نیز به‌گونه‌ای است که با تغییر دقیق این دو پارامتر، می‌توان ویژگی‌های نخ را به‌صورت هدفمند کنترل و تنظیم نمود. بررسی‌های انجام‌شده با دستگاه‌های تخصصی C.R.E و Uster نشان داد که نخ‌هایی با تاب بیشتر دارای استحکام بالاتر و پرزدهی کمتر هستند، که این امر ناشی از افزایش فشردگی الیاف در اثر تاب‌دهی بیشتر و تقویت پیوندهای مکانیکی بین الیاف است.

افزایش استحکام نخ با تاب بیشتر، به‌ویژه برای نخ‌هایی که در محیط‌های صنعتی با بارهای مکانیکی بالا استفاده می‌شوند (مانند نخ‌های دوخت صنعتی، نخ‌های فرش، یا پارچه‌های مقاوم به سایش)، مزیت عملکردی قابل‌توجهی ایجاد می‌کند. همچنین، کاهش پرزدهی موجب بهبود ظاهر سطحی پارچه و کاهش چسبندگی ذرات معلق می‌شود که برای کاربردهایی نظیر پوشاک ورزشی یا پزشکی اهمیت دارد.

از سوی دیگر، افزایش نمره نخ (نخ ضخیم‌تر) باعث افزایش نایکنواختی و بروز بیشتر عیوب شد. در چنین شرایطی، کنترل دقیق نمره نخ، برای حفظ یکنواختی و جلوگیری از بروز گره‌ها، نقاط ضخیم و نازک ضروری است. این یافته برای پوشاک‌های ظریف و پارچه‌های با تراکم بالا اهمیت زیادی دارد، زیرا کوچک‌ترین تغییر در یکنواختی می‌تواند منجر به کاهش کیفیت دیداری و لمسی پارچه شود.

تحلیل آماری داده‌ها نشان داد که مدل‌های رگرسیونی با ضریب همبستگی بالا ( R² بالاتر از ۰.۹۵)، قابلیت پیش‌بینی بسیار دقیقی برای خواص نخ دارند. این دقت بالا در پیش‌بینی، به مهندسین و مدیران تولید این امکان را می‌دهد که پیش از تولید واقعی، خواص نخ را بر مبنای تنظیمات ماشین‌آلات پیش‌بینی کرده و در صورت لزوم، اصلاحات فرآیندی را اجرا کنند. این ویژگی، از اتلاف منابع و هزینه‌های ناشی از تولید نخ‌های نامطلوب جلوگیری کرده و کیفیت خروجی را تضمین می‌کند.

محدودیت ها

باوجود نتایج بسیار ارزشمند و دقت بالای مدل‌ها، این پژوهش نیز با برخی محدودیت‌های ذاتی مواجه بوده که می‌تواند در توسعه‌های آتی مدنظر قرار گیرد. نخست، محدود بودن دامنه متغیرها به نمره و تاب نخ است؛ درحالی‌که عوامل مهم دیگری نظیر نوع و طول الیاف اولیه، تنظیمات کشش ماشین‌آلات، شرایط رطوبت محیط، سرعت تولید و حتی نوسانات الکتریکی در خطوط ریسندگی می‌توانند به‌شکل قابل‌توجهی خواص نخ را تحت‌تأثیر قرار دهند. نبود در نظر گرفتن این متغیرها در مدل فعلی، ممکن است میزان دقت مدل را در برخی شرایط خاص کاهش دهد.

محدودیت دوم، نیاز به آزمون‌های دقیق و تجهیزات پیشرفته است. برای جمع‌آوری داده‌های قابل اعتماد، نیاز به دستگاه‌های کالیبره‌شده و استاندارد(C.R.E و Uster )و اجرای آزمون‌های متعدد تکراری وجود دارد. در محیط‌های صنعتی با ظرفیت بالا و زمان محدود، اجرای مکرر این آزمون‌ها ممکن است محدودیت زمانی و هزینه‌ای ایجاد کند. همچنین، در صورتی‌که اپراتورها آموزش کافی برای استفاده از مدل‌های پیش‌بینی نداشته باشند، امکان بروز خطا در استفاده از مدل‌ها و تفسیر داده‌ها وجود دارد.

محدودیت سوم، لزوم توسعه ابزارهای نرم‌افزاری برای پیاده‌سازی مدل در خطوط تولید است. درحال‌حاضر، این مدل‌ها به‌صورت آماری در نرم‌افزارهای تخصصی اجرا شده‌اند و برای بهره‌برداری گسترده، نیاز به طراحی رابط‌های کاربری ساده، اپلیکیشن‌های صنعتی یا نرم‌افزارهای هوشمند متصل به ماشین‌آلات دارند. اجرای این مرحله نیازمند سرمایه‌گذاری، آموزش نیروی انسانی و هماهنگی با سیستم‌های اتوماسیون خط تولید خواهد بود.

پیشنهادات

بر اساس نتایج و محدودیت‌های فوق، پیشنهاد می‌شود در ادامه این پژوهش، مدل‌های پیش‌بینی توسعه‌یافته با ورود متغیرهای جدیدی مانند طول الیاف، سرعت ریسندگی، و درصد رطوبت محیط طراحی شود تا دقت مدل در شرایط مختلف افزایش یابد. همچنین، استفاده از تحلیل‌های پیشرفته‌تر مانند شبکه‌های عصبی مصنوعی (ANN) یا الگوریتم‌های یادگیری ماشین پیشنهاد می‌شود که می‌توانند روابط پیچیده غیرخطی و غیرقابل مشاهده را بهتر تحلیل کنند و دقت پیش‌بینی را ارتقاء دهند.

از منظر کاربرد صنعتی، توصیه می‌شود که سیستم‌های مدیریت تولید (MES) و کنترل کیفیت (QC) به مدل‌های آماری پیش‌بینی مجهز شوند، تا بتوان داده‌های تولیدی را به‌صورت لحظه‌ای وارد مدل کرده و کیفیت خروجی را به‌صورت بلادرنگ کنترل کرد. طراحی یک نرم‌افزار صنعتی ساده که به اپراتورها امکان ورود نمره و تاب نخ و دریافت مقادیر پیش‌بینی‌شده خواص کیفی را بدهد، می‌تواند باعث افزایش بهره‌وری، کاهش خطای انسانی، و ارتقای کیفیت کل خط تولید شود.

پیشنهاد مهم دیگر، استفاده از این مدل‌ها برای طراحی معکوس محصولات است؛ یعنی ابتدا خواص مطلوب نخ برای کاربرد نهایی تعیین شود، سپس از طریق مدل‌ها، پارامترهای فرآیند مناسب استخراج و اجرا شوند. این روش می‌تواند به کاهش چشمگیر آزمون و خطا، صرفه‌جویی در منابع و افزایش رضایت مشتریان منجر شود.

درنهایت، مدل‌های پیش‌بینی این پژوهش می‌توانند در آینده به‌عنوان بخش مهمی از سیستم‌های هوشمند کنترل تولید در صنعت نساجی به‌کار گرفته شوند و مسیر را برای خودکارسازی، بهینه‌سازی و رقابت‌پذیری بیشتر صنعت ریسندگی هموار سازند. چنین تحولاتی، صنعت نساجی را در مسیر تولید پایدار، کم‌هزینه و مبتنی بر داده قرار خواهد داد.

مراجع

[1]. V. Mozafary and P. Payvandy, “Application of data mining technique in
predicting worsted spun yarn quality,” The Journal of The Textile Institute, vol.
105, pp. 100-108, 2014.
[2]. T. Bedez Üte and H. Kadoğlu, “Regressional Estimation of Cotton Sirospun
Yarn Properties from Fibre Properties,” Autex Research Journal, vol. 14, pp.
161-167, 2014.
[3]. M. E. Üreyen and H. Kadoglu, “Regressional estimation of ring cotton yarn
properties from HVI fiber properties,” Textile research journal, vol. 76, pp.
360-366, 2006.
‫[4]. دکتر محمد حقیقت کیش. فیزیک الیاف، انتشارات دانشگاه امیرکبیر
223 ‫[5]. دکتر حسین توانایی. خواص فیزیکی الیاف، ص191 تا
‫[6]. دکتر ک.ر.سالهوترا – مترجم: مهند
‫میررضا طاهری اطاقسرا. ریسندگی الیاف مصنوعی و
150 ‫مخلوط آنها در سیستم پنبه ای. ص 72 تا
[7]. M. I. Zeidman, M. W. Suh and S. K. A Batra new perspective on yarn
unevenness: components and determinants of general unevenness’, Text Res J,
1990 60 1
[8]. A. Sust and A. Barella, ‘Twist, diameter, and unevenness of yarns a new
approach’, / Text Inst, 1964 55 Tl.
[9]. A. Barella and A. M.Manich, ‘The hair length distribution of yarns measured
by means of the Zweigle G 565 hairiness meter’, J Text Inst, 1993 84 326.
[10]. G. Mangold and W. Topf, ‘Hairiness and hairiness index, a new measuring
method’, Melliand Textilber, 1985.66.245

[11]. H. Zhang, and Y. Li,” Fibre Number of the Cross-section of Ring-spun Yarn
and its Strength Prediction Model.” Fibers & Textile in Eastern Europe, 2014,
vol 22, 6(108).
[12]. P. K. Majumdar and A. Majumdar, “Predicting the breaking elongation of ring
spun cotton yarns using mathematical, statistical, and artificial neural network
models,” Textile Research Journal, vol. 74, pp. 652-655, 2004.
[13]. M. E. Üreyen and P. Gürkan, “Comparison of artificial neural network and
linear regression models for prediction of ring spun yarn properties. I.
Prediction of yarn tensile properties,” Fibers and Polymers, vol. 9, pp. 87-91,
2008.
[14]. M. E. Üreyen and P. Gürkan, “Comparison of artificial neural network and
linear regression models for prediction of ring spun yarn properties. II.
Prediction of yarn hairiness and unevenness,” Fibers and Polymers, vol. 9, pp.
92-96, 2008.
[15]. M. E. Üreyen and H. Kadoglu, “Regressional estimation of ring cotton yarn
properties from HVI fiber properties,” Textile research journal, vol. 76, pp.
360-366, 2006.
[16]. J. I. Mwasiagi, X. Huang, and X. Wang, “Performance of neural network
algorithms during the prediction of yarn breaking elongation,” Fibers and
Polymers, vol. 9, pp. 80-86, 2008.
[17]. S. Fattahi, S. A. H. Ravandi, and S. M. Taheri, “Two‐way prediction of cotton
yarn properties and fiber properties using multivariate multiple regression,”
Journal of the Textile Institute, vol. 102, pp. 849-856, 2011.

[18]. T. Bedez Üte and H. Kadoğlu, “Regressional Estimation of Cotton Sirospun
Yarn Properties from Fibre Properties,” Autex Research Journal, vol. 14, pp.
161-167, 2014.
[19]. S. Canoglu and S. M. Yukseloglu, “Hairiness values of the polyester/viscose
ring-spun yarn blends,” Fibres & Textiles in Eastern Europe, vol. 16, pp. 34-
38, 2008.
[20]. E. Haghighat, M. S. Johari, S. M. Etrati, and M. Amani, “Study of the
Hairiness of Polyester-Viscose Blended Yarns. Part IV-Predicting Yarn
Hairiness Using Fuzzy Logic,” Fibres & Textiles in Eastern Europe, vol. 20, p.
92, 2012.
[21]. H. Ortlek ,” Effect of spindle Diameter and Spindle working period on the
properties of 100% Viscose yarns,” ,” Fibres & Textiles in Eastern Europe, vol
16, 3(68).
[22]. A. Das, S. M. Ishtiaque, S. Singah & H. C. Meena,” Tensile Characteristics of
Yarns in Wet Condition,” Department of Textile Technology, Indian Institute
of Technology.
[23]. I. Usta,” Effect of Ballon Angle on the Hairiness and other yarn Properties of
Polyester Ring spun yarn,” ,” Fibres & Textiles in Eastern Europe, A2008, vol
16, NO 5(70).
[24]. I. Usta and S. Canogla,” Influence of Ring Traveller Weight and Coating on
Hairiness of Acrylic Yarns,” ,” Fibres & Textiles in Eastern Europe.
[25]. The Uster Tester 4 (Evenness Tester), Operating Instructions, Switzerland.
[26]. D. Mantgomery and E. Peck and G. Vinning “Introduction to Linear
Regression Analysis”, 4th ed., John Wiley & Sons, 2006

[27]. T. W. Anderson “An Introduction to Multivariate Statistical Analysis”, 2nd ed.,
New York, Jojn Wiley & Sons, 1984.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *