پيش­بيني ميزان پرزينگي نخ رينگ با استفاده از شبكه عصبي مصنوعي و سامانه استنتاج تطبيقي عصبي- فازي

Prediction of ring yarn hairiness using artificial neural network and adaptive neuro-fuzzy inference system

امروزه استفاده از روش­هاي بهينه‌سازي و مدل‌سازي نوين كه بتواند خاصيت خروجي را دقيق­تر پيش­بيني كند، رواج و پيشرفت بسزايي داشته است؛ چراكه روش­هاي مبتني بر هوش مصنوعي با هزينه و زمان به مراتب كمتر مي­تواند پاسخ بهينه­ با خطاي پايين را گزارش كند. در اين تحقيق به منظور پيش­بيني پرزينگي نخ پنبه/پلي­استر رينگ، از شبكه عصبي مصنوعي و سامانه استنتاج تطبيقي عصبي- فازي استفاده شد. براي اين منظور زاويه ريسندگي، سختي روكش غلتك، فشار غلتك توليد، فاصله‌دهنده و فاصله بين غلتك مياني با غلتك توليد به عنوان متغير­هاي ورودي و عامل پرزينگي به عنوان خروجي در نظر گرفته شد. نتايج حاصل نشان داد كه مدل­ شبكه عصبي مصنوعي به مراتب بهتر از نتايج مدل­هاي رگرسيون معمول بود، از طرفي سامانه استنتاج تطبيقي عصبي- فازي (ANFIS) قابليت پيش­بيني با ضريب اطمينان بالا و خطاي كمتري را نسبت به مدل شبكه عصبي مصنوعي نشان داد.

Nowadays, the use of modern optimization and modeling methods that can predict the output property more accurately has been widespread and has made significant progress, as the methods based on artificial intelligence can report the optimal answer with low error with much less cost and time. In this research, artificial neural network and adaptive neuro-fuzzy inference system (ANFIS) were used to predict the hairiness of cotton/polyester ring yarn. For this purpose, the spinning angle, cots shore (soft, hard, and medium), the pressure of the front roller, clips and the distance between middle roller and front roller were considered as input variables and the hairiness factor was considered as the output. The results showed that the artificial neural network (ANN) model was far better than the results of the usual regression models. On the other hand, the adaptive neuro-fuzzy inference system (ANFIS) showed the ability to predict with a high confidence factor and less error than the artificial neural network model.