Прогнозирование упругих свойств бортовых тканей

Бесплатный доступ

В статье приведены результаты исследований основных характеристик строения и свойств современных бортовых тканей. Представлены показатели поверхностной плотности тканей, толщины нитей обеих систем и количество нитей на 10 см по основе и утку. Разработана методика определения жесткости и упругости при изгибе с использованием автоматизированной измерительной системы. Составлены справочные сведения по жесткости и упругости в ортогональных направлениях. Разработана интеллектуальная система, построенная на базе искусственных нейронных сетей с использованием программы Neuro - Prognosis. Система позволяет прогнозировать показатели упругости современных бортовых тканей и формировать базу данных для цифровизации их конфекционирования. Достоинством системы является возможность добавления уточнения модели прогнозирования при обновлении ассортимента бортовых тканей. Использование системы удобно при отсутствии дорогостоящего испытательного оборудования.

Еще

Жесткость, прогнозирование, бортовые ткани, упругость при изгибе

Короткий адрес: https://sciup.org/142224625

IDR: 142224625   |   DOI: 10.24411/2079-7958-2020-13801

Текст научной статьи Прогнозирование упругих свойств бортовых тканей

Костромской государственный университет

БОРТОВЫЕ ТКАНИ, УПРУГОСТЬ ПРИ ИЗГИБЕ, ЖЕСТКОСТЬ, ПРОГНОЗИРОВАНИЕ, НЕЙРОННЫЕ СЕТИ

В статье приведены результаты исследований основных характеристик строения и свойств современных бортовых тканей. Представлены показатели поверхностной плотности тканей, толщины нитей обеих систем и количество нитей на 10 ñì по основе и утку. Разработана методика определения жесткости и упругости при изгибе с использованием автоматизированной измерительной системы. Составлены справочные сведения по жесткости и упругости в ортогональных направлениях. Разработана интеллектуальная система, построенная на базе искусственных нейронных сетей с использованием программы NeuroPrognosis. Система позволяет прогнозировать показатели упругости современных бортовых тканей и формировать базу данных для цифровизации их конфекционирования. Достоинством системы является возможность добавления уточнения модели прогнозирования при обновлении ассортимента бортовых тканей. Использование системы удобно при отсутствии дорогостоящего испытательного оборудования.

STIFFENING FABRICS, BENDING ELASTICITY, HARDNESS, PREDICTION, NEURAL NETWORKS

The article presents the results of research on the main characteristics of the structure and properties of modern stiffening fabrics. The indicators of surface density of fabrics, thread thickness of both systems and the number of threads per 10 cm on the base and weft are presented. A technique has been developed for determining bending hardness and elasticity using an automated measuring system. Reference information on hardness and elasticity in orthogonal directions has been compiled. An intelligent system based on artificial neural networks using the "Neuro-Prognosis" program has been developed. The system allows to predict the elasticity indicators of modern onboard fabrics and create a database to digitalize their selection. The advantage of the system is the ability to add refinement of the forecasting model when updating the range of stiffening fabrics. Using the system is convenient in the absence of expensive test equipment.

Качество изделий костюмной группы в значительной степени зависит не только от жесткости, но и от упругих свойств бортовых тканей, используемых для изготовления бортовых прокладок, определяющих способность одежды сохра- нять приданную форму. В современных условиях существует проблема прогнозирования качества швейных изделий по свойствам материалов, используемых для их изготовления. Актуальность исследований и разработки методов прогнози- рования свойств современных бортовых тканей обусловлена возросшими требованиями к качеству и повышению конкурентоспособности отечественных швейных изделий и обновлением современного ассортимента бортовых тканей, что и определило цель работы. Для реализации прогнозирования необходимы экспериментальные исследования свойств бортовых тканей.

Характеристики строения современных бортовых тканей (таблица 1) свидетельствуют о их разнообразии по волокнистому составу и от- личии от классического ассортимента. Для выработки бортовых тканей используются трех-, четырех- и пятикомпонентные смески, содержащие хлопок, лен, полиэфирные, вискозные волокна и животный волос. Имеют место синтетические бортовые ткани, например, артикул SD13.

В требованиях к классическим льняным бортовым тканям ГОСТ 4.4 регламентируется жесткость на изгиб. Поэтому была поставлена задача экспериментальных исследований жесткости и упругости современных бортовых тканей.

Таблица 1 – Характеристики строения бортовых тканей

Артикул

Волокнистый состав, %

Поверхностная плотность, г/м1

Линейная плотность нитей, текс

Плотность ткани (число нитей на 10 см )

Т

О

Т

У

П О

П У

F9012N

хлопок – 33, ЖВ – 33, ПЭ – 34

185

40

90

160

140

CS906A

хлопок – 44, ПЭ – 31, ЖВ – 25

170

40

108

125

120

BH911

хлопок – 42, ЖВ – 23, ПЭ – 23, Ввис – 12

190

34

80

255

130

CS900S

хлопок – 3, ЖВ – 33, ПЭ – 64

160

40

80

140

125

BH231

хлопок – 27, ЖВ – 36, ПЭ – 10, Ввис – 27

196

20

100

255

150

215091

хлопок – 35, ЖВ – 20, ПЭ – 45

190

48

100

150

125

274473

ЖВ – 32, ПЭ – 68

185

56

104

125

115

215090

хлопок – 23, ЖВ – 33, ПЭ – 32, Ввис – 12

170

40

80

145

135

SD13

ПЭ – 100

170

32

86

165

150

CT139

хлопок – 2, ЖВ – 24, ПЭ – 48, Ввис – 26

200

48

132

180

92

CТ400

ЖВ – 35, ПЭ – 65

192

32

80

165

150

DB9308

хлопок – 2, ЖВ – 24, ПЭ – 48, Ввис – 26

200

40

80

196

150

WO543c

хлопок – 13, ЖВ – 23, ПЭ – 46, Ввис – 18

205

34

130

240

100

CT119

хлопок – 16, ЖВ – 24, ПЭ – 40, Ввис – 20

185

40

90

185

125

F313A

хлопок – 35, ПЭ – 33, ЖВ – 32

175

20

80

290

150

F8824

хлопок – 22, ПЭ – 12, ЖВ – 35, Ввис – 16, лен – 15

210

22

120

210

140

K911 V

хлопок – 42, ПЭ – 23, ЖВ –23, Ввис – 12

190

40

80

230

125

Примечание: ЖВ – животный волос; ПЭ – полиэфирное волокно; Ввис – вискозное волокно.

Анализ существующих методов определения [1] и проведенных исследований характеристик изгиба обусловил целесообразность проведения исследований бортовых тканей с использованием разработанного метода [2] и автоматизированной системы [3].

Автоматизированная система характеризуется высоким техническим уровнем проведения испытаний, который соответствует современным тенденциям развития измерительной техники. Система включает устройство определения характеристик изгиба, где закрепленная в форме кольца проба изгибается под действием сосредоточенной нагрузки на треть ее высоты. Автоматизированная система дает возможность определения способности материала сопротивляться изгибающему воздействию и восстанавливать свою форму после освобождения от деформирующей нагрузки, имитируя условия реальной сложности этого явления при изготовлении и эксплуатации швейных изделий. Программное обеспечение системы позволяет количественно оценить характеристики жесткости и упругости.

Проведенные исследования позволили создать базу данных по основным характеристикам изгиба бортовых тканей (таблица 2), которая позволяет осуществлять рациональный выбор материалов и реализовать цифровизацию кон-фекционирования.

Существует градация бортовых тканей по группам жесткости ГОСТ 26484. Жесткость бортовых тканей, определяемая по методу кольца, должна соответствовать: для I группы 4,5-7 сН , для II группы 7,1-15 сН , для III группы 15,1-30 сН . Показатели условной упругости не нормируются, что обусловило необходимость исследований и жесткости, и упругости современных бортовых тканей.

Современный ассортимент бортовых тканей представлен всеми тремя группами жесткости для уточного направления (таблица 2). В направлении основы жесткость тканей существенно различается: ткань артикула К911 - I группы, большинство тканей - II группы. Жесткость синтетической ткани значительно превышает границу III группы жесткости (50 > 30 сН ) .

Таблица 2 – Характеристики изгиба бортовых тканей

Артикул ткани

Упругость при изгибе

У, %

Жесткость при изгибе Р, сН

основа

уток

основа

уток

F9012

87,9

88,9

8,0

16,9

CS906A

83,7

91,6

13,0

11,8

BH911

83,7

96,8

7,8

14,1

CS900S

80,0

84,7

8,3

10,0

BH231

68,4

91,1

3,7

12,9

215091

71,1

98,9

10,7

19,0

274473

96,3

89,5

9,0

12,2

215090

75,3

88,9

11,8

11,9

SD13

89,5

94,7

50,0

51,1

CT139

85,8

92,6

8,4

13,8

CТ400

96,8

93,2

14,5

15,0

DB9308

95,3

82,6

4,4

8,8

WO543c

58,4

90,0

2,4

5,9

CT119

93,7

85,8

12,4

6,4

F313A

85,8

92,6

8,8

10,5

F8824

59,4

91,0

4,2

10,8

K911

86,8

91,3

6,9

12,3

Экспериментальные результаты показали, что жесткость тканей по утку больше жесткости по основе, что можно объяснить большей толщиной уточных нитей и наличием в них животного волоса, поэтому основной слой бортовой прокладки целесообразно выкраивать по утку. Наличие в ассортименте тканей с низкими показателями жесткости по основе (менее 4,5 сН) свидетельствует о целесообразности экспериментальной оценки жесткости современных бортовых тканей при конфекционировании [4].

Исследуемые бортовые ткани обладают высокой упругостью, особенно по утку (таблица 2). Большинство тканей имеют упругость по утку порядка 90 %, что обуславливает целесообразность их выбора для изготовления бортовых прокладок. Высокая упругость бортовых тканей способствует сохранению формы одежды при эксплуатации.

Учитывая важность этого показателя для одежды, актуально изыскание метода прогнозирования упругости при конфекционировании. Для прогнозирования упругих свойств использована интеллектуальная система, созданная на базе искусственных нейронных сетей (ИНС) [5]. Система реализует функции обучения ИНС с учителем по алгоритму обратного распространения ошибки и обобщает экспериментальные результаты показателей упругости. При добавлении новых результатов уточняется модель прогнозирования. В процессе обучения происходит уменьшение средней относительной ошибки обучения, что характеризует приближение аппроксимирующей поверхности к экспериментальным данным.

Для прогнозирования упругих свойств бортовых тканей на основе ИНС по разработанной компьютерной программе [6] входными параметрами выбраны плотность о ^ )/2 и поверхностная плотность бортовых тканей ( M s , г/м2 ) (рисунок 1).

По экспериментальным значениям ИНС аппроксимирует непрерывную поверхность зависимости упругости от входных параметров, которую можно принять за реальную в области рабочих значений: на рисунке 2 а – экспериментальная зависимость упругости по утку Уу ( M s , Пср ) и зависимость У ^ ( M s , Пср ), генерируемая ИНС, а на рисунке 2 б – экспериментальная зависимость упругости по основе Уо ( M s , Пср ) и зависимость У ис ( M s , Пср ), генерируемая ИНС.

Рисунок 1 – Окно программы прогнозирования свойств текстильных материалов

Проверка качества прогнозирования упругости с использованием ИНС (рисунок 3) проводилась на бортовой ткани, не вошедшей в обучающую выборку. Ткань артикула WO543Hc имеет поверхностную плотность 200 г/м2, плотность по основе – 95, по утку – 245, толщину основных нитей - 42 текс,уточных - 110 текс.

Рисунок 2 – Экспериментальная и генерируемая зависимости упругости бортовых тканей от плотности

и поверхностной плотности: а – по утку, б – по основе

Рисунок 3 – Проверка качества прогнозирования упругости

Проверка качества обучения и прогнозирования определялась ошибкой прогнозирования, которая не превышает 5 % (таблица 3). Выполненная проверка свидетельствует о высоком уровне прогнозирования.

Достоинством рассматриваемой системы является практически полное исключение человека из процессов организации структуры сети и обучения, что является ценным в создании самостоятельной подсистемы прогнозирования и учета свойств материалов в САПР одежды. Успешное решение задачи экспериментальной оценки упругих свойств бортовых тканей позволило реализовать способ их прогнозирования с использованием интеллектуальной системы, построенной на базе искусственных нейронных сетей.

ВЫВОДЫ

  • 1.    Проведены исследования характеристик изгиба современных бортовых тканей по разработанной автоматизированной методике, обеспечивающей получение объективных характеристик свойств в условиях испытаний, приближенных к эксплуатации швейных изделий.

  • 2.    Представлены справочные сведения по жесткости и упругости бортовых тканей, практическая значимость которых определяется возможностью создания самостоятельной подсистемы учета свойств материалов в САПР одежды.

  • 3.    Предложено прогнозирование упругих свойств бортовых тканей современного ассортимента с использованием интеллектуальной системы, построенной на базе искусственных нейронных сетей, применяя разработанную компьютерную программу Neuro-Prognosis, позволяющее реализовать цифровизацию конфек-ционирования.

    Таблица 3 – Проверка качества прогнозирования

    Характеристики ткани артикула WO543Hc

    Экспериментальная условная упругость, %

    Прогнозируемая условная упругость, %

    Ошибка прогнозирования, %

    волокнистый состав, %

    направление

    хлопок – 13

    Ввис – 18

    ПЭ – 42

    ЖВ - 27

    основа

    81,6

    78,1

    4,3

    уток

    88,4

    88,7

    0,34

Список литературы Прогнозирование упругих свойств бортовых тканей

  • Бузов, Б. А., Алыменкова, Н. Д. (2010), Материаловедение в производстве изделий легкой промышленности (швейное производство), Москва, 448 с.
  • Замышляева, В. В., Смирнова, Н. А., Лапшин, В. В., Козловский, Д. А., Хохлова, Е. Е., Костромской государственный технологический университет (2011), Способ определения релаксационных свойств материалов при изгибе, Рф, Пат. 2422822.
  • Лапшин, В. В., Смирнова, Н. А. Автоматизированный измерительный комплекс как реализация концепции цифровизации в легкой: монография / Кострома. 2019. 107 с.
  • Замышляева, В. В., Смирнова. Н. А. (2019), Конфекционирование современных прокладочныхматериалов с химическими волокнами, Кострома, Издательство Костромского государственного университета, 81 c.
  • Осовский, С. (2002), Нейронные сети для обработки информации, Москва, 344 с.
  • Лапшин, В. В., Козловский, Д. А., Ершов, В. Н., Смирнова, Н. А., Замышляева, В. В., Костромской государственный университет (2018), Программа Neuro - Prognosis, Россия, программа для ЭВМ 2018619528.
Статья научная