تحسين عملية انتفاش خيوط الوبر لصناعة السجاد

1. المقدمة

يتناول هذا البحث تحسين عملية انتفاش خيوط الوبر المستخدمة في تصنيع السجاد المزدوج الوبر. أُجريت الدراسة في شركة S.C. INCOV S.A. الواقعة في ألبا يوليا، والتي كانت أكبر مصنع للسجاد في رومانيا حتى عام 2014، باستخدام منشأة SUPERBA TVP-2S المستمرة للانتفاش والتثبيت الحراري. كان الهدف الرئيسي هو تعزيز جودة السجاد من خلال تحسين معلمات انتفاش الخيوط لتحقيق درجة تغطية أفضل بعدد أقل من الخصلات لكل وحدة مساحة.

يركز البحث على خيوط الوبر Nm 6.5/2 المكونة من 50% صوف محلي من النوع 41 و50% بوليستر (PES). تعمل عمليات الانتفاش والتثبيت الحراري على تحسين الثبات الأبعادي، والقابلية للصباغة، وانتظام السطح، ومقاومة البلى، والراحة العامة للسجاد.

2. المواد والمنهجية

تضمن الإعداد التجريبي منشأة SUPERBA TVP-2S التي تجري المعالجة الحرارية باستخدام مبخر حراري عند درجات حرارة أقل من مستويات التثبيت الحراري والضغط الجوي. تم وضع الخيوط بحرية على حزام ناقل لتحقيق انتفاش وانكماش متساويين.

2.1 الإعداد التجريبي

تضمنت المعلمات القابلة للتعديل الرئيسية ما يلي:

سرعة حركة طبقة خيوط الصوف (v₁ = 0-750 م/دقيقة)
سرعة الحزام الناقل داخل المبخّر المسبق (v₂ = 5.5-8.6 م/دقيقة)
درجة حرارة التبخير المسبق (t₁ = 90-99°م)
درجة حرارة البخار في نفق التثبيت الحراري (99.1-150.24°م)

بناءً على البحث الأولي، تم اختيار درجة حرارة التبخير المسبق (x₁) وسرعة الحزام الناقل (x₂) كمتغيرات مستقلة نظرًا لتأثيرهما الكبير على عملية الانتفاش.

2.2 النمذجة الرياضية

استخدمت الدراسة برنامجًا عامليًا مركزيًا مركبًا قابلًا للدوران للنمذجة الرياضية. كان المتغير التابع هو قطر خيط الوبر (y، مم)، بينما كانت المتغيرات المستقلة هي:

x₁: درجة حرارة التبخير المسبق (°م)
x₂: سرعة الحزام داخل المبخّر المسبق (م/دقيقة)

يمكن تمثيل النموذج الرياضي على النحو التالي: $y = f(x_1, x_2) + \epsilon$، حيث يمثل $\epsilon$ الخطأ التجريبي. تم استخدام منهجية سطح الاستجابة لتحديد التركيبات المثلى للمعلمات.

3. النتائج والمناقشة

3.1 تحديد المعلمات المثلى

من خلال النمذجة الرياضية والتحقق التجريبي، تم تحديد الإحداثيات المثلى:

90°م درجة حرارة التبخير المسبق المثلى (x₁ₒₚₜᵢₘ)

6.5 م/دقيقة السرعة المثلى للحزام (x₂ₒₚₜᵢₘ)

أدت هذه المعلمات إلى تحقيق أقصى قطر للخيط وخصائص انتفاش مثلى للتركيبة المحددة للخيوط.

3.2 تحليل قطر الخيط

أدى العملية المُحسّنة إلى زيادة قطر الخيط، مما ساهم في:

تحسين درجة تغطية السجاد
تقليل عدد الخصلات لكل وحدة مساحة سطحية
تحسين المظهر البصري والملمس
مقاومة أفضل للبلى والمتانة

أظهر تحليل سطح الاستجابة علاقة واضحة بين معلمات العملية وقطر الخيط، حيث قدمت النقطة المثلى المُحددة أفضل توازن بين كفاءة الانتفاش وسلامة الخيط.

4. التحليل الفني والرؤى

الرؤية الأساسية

يُظهر هذا البحث نهجًا كلاسيكيًا لكنه فعال لتحسين عمليات النسيج: تطبيق منهجية تصميم التجارب (DoE) على عملية صناعية ناضجة. نجح المؤلفون في تحديد أن درجة حرارة التبخير المسبق وسرعة الحزام هما الرافعتان الأساسيتان للتحكم في قطر خيوط الوبر في نظام SUPERBA. ما هو جدير بالملاحظة بشكل خاص هو تركيزهم على تحقيق تغطية أفضل بعدد أقل من الخصلات – وهو هدف غير بديهي لكنه رائع اقتصاديًا حيث يقلل من تكاليف المواد مع تحسين الجودة المُدركة.

التسلسل المنطقي

تتبع الدراسة تقدمًا بحثيًا صناعيًا متينًا: تعريف المشكلة (تحسين نسبة جودة/تكلفة السجاد) → فرز المعلمات (تحديد x₁ و x₂ كمتغيرات حرجة) → تصميم تجريبي (مركزي مركب قابل للدوران) → التحسين (إيجاد x₁=90°م، x₂=6.5 م/دقيقة) → التحقق. هذا يعكس المنهجيات الموجودة في أبحاث التصنيع المتقدمة، مثل نهج تحسين المعلمات في تصنيع أشباه الموصلات الذي وصفه مونتغمري (2017) في عمله الأساسي حول تصميم التجارب.

نقاط القوة والضعف

نقاط القوة: استخدام منهجية سطح الاستجابة مناسب ومُنفذ جيدًا. البحث قابل للتطبيق الصناعي الفوري، كما يتضح من تنفيذه في أكبر مصنع للسجاد في رومانيا. يركز التركيز على مزيج الصوف-البوليستر على معالجة قيود المواد الواقعية.

نقاط الضعف: الدراسة محدودة النطاق بشكل ملحوظ. فهي تحسن لمتغير استجابة واحد (قطر الخيط) دون النظر في المقايضات المحتملة مع مقاييس الجودة الأخرى مثل قوة الخيط أو ثبات اللون. لا يوجد نقاش حول استهلاك الطاقة – وهو عامل حاسم في مشهد التصنيع الحالي. مقارنة بالنهج الحديثة مثل تلك الموجودة في Journal of Manufacturing Systems التي تتضمن تحسينًا متعدد الأهداف ومقاييس الاستدامة، يبدو هذا العمل قديمًا إلى حد ما.

رؤى قابلة للتنفيذ

لمصنعي السجاد: اختبر معلمات 90°م/6.5 م/دقيقة فورًا إذا كنت تستخدم خلطات صوف-PES مماثلة. للباحثين: يوفر هذا العمل أساسًا لدراسات أكثر شمولاً. يجب أن تشمل الخطوات المنطقية التالية: 1) التوسع إلى تحسين متعدد الاستجابات مع مراعاة قوة الشد واستخدام الطاقة، 2) تطبيق تقنيات التعلم الآلي للنمذجة التنبؤية كما هو موضح في أبحاث النسيج الحديثة (مثل الشبكات العصبية الاصطناعية للتنبؤ بالعمليات)، 3) التحقيق في خلطات الألياف البديلة ومعلمات الانتفاش المثلى لها. المنهجية هنا سليمة، لكن التطبيق يحتاج إلى توسيع لمواجهة تحديات التصنيع المعاصرة.

التفاصيل الفنية والإطار الرياضي

تصميم المركب المركزي القابل للدوران (CCD) المستخدم في هذه الدراسة هو تصميم تجريبي من الدرجة الثانية مفيد بشكل خاص لمنهجية سطح الاستجابة. الشكل العام للنموذج من الدرجة الثانية هو:

$y = \beta_0 + \sum_{i=1}^{k}\beta_i x_i + \sum_{i=1}^{k}\beta_{ii} x_i^2 + \sum_{i

حيث يمثل $y$ قطر الخيط، و $x_i$ هي المتغيرات المستقلة المشفرة، وتمثل معاملات $\beta$ تأثيرات المتغيرات وتفاعلاتها، و $\epsilon$ هو الخطأ العشوائي. تضمن خاصية "القابلية للدوران" تباين تنبؤ ثابت في جميع النقاط المتساوية البعد عن مركز التصميم.

مثال على إطار التحليل

دراسة حالة: إطار عمل تحسين المعلمات

بينما لا تتضمن الدراسة الأصلية كود برمجة، يمكننا تصور إطار التحليل:

تعريف المشكلة: زيادة قطر الخيط (y) إلى أقصى حد مع مراعاة قيود العملية
تصميم التجربة: تصميم مركزي مركب قابل للدوران بعاملين، 5 مستويات لكل منهما
جمع البيانات: قياس قطر الخيط في 13 جولة تجريبية (4 نقاط عاملي، 4 نقاط محورية، 5 نقاط مركزية)
ملاءمة النموذج: ملاءمة متعدد الحدود من الدرجة الثانية: $\hat{y} = b_0 + b_1x_1 + b_2x_2 + b_{11}x_1^2 + b_{22}x_2^2 + b_{12}x_1x_2$
التحسين: حل $\frac{\partial\hat{y}}{\partial x_1} = 0$ و $\frac{\partial\hat{y}}{\partial x_2} = 0$ لإيجاد النقطة الثابتة
التحقق: إجراء جولات تأكيد عند النقطة المثلى المتوقعة

يُظهر هذا الإطار، على الرغم من بساطته، بشكل فعال كيف يمكن للتجريب المنظم أن يحل محل التجربة والخطأ في البيئات الصناعية.

5. التطبيقات المستقبلية والاتجاهات

تتمتع منهجية التحسين الموضحة في هذا البحث بعدة تطبيقات مستقبلية واعدة:

التكامل مع التصنيع الذكي: تنفيذ أنظمة مراقبة في الوقت الفعلي وتحكم تكيفي تضبط معلمات الانتفاش بناءً على خصائص مدخلات الخيوط، على غرار نهج الصناعة 4.0 في قطاعات التصنيع الأخرى.
تحسين المواد المستدامة: توسيع نطاق البحث لتحسين العمليات للألياف المعاد تدويرها والمواد القائمة على أساس حيوي، معالجةً للمطالب المتزايدة بالاستدامة في صناعة النسيج.
التحسين متعدد الأهداف: التوسع إلى ما هو أبعد من قطر الخيط لتحسين كفاءة الطاقة واستخدام المياه والخصائص الميكانيكية في وقت واحد باستخدام تقنيات مثل دوال الرغبة أو تحسين باريتو.
تطوير التوأم الرقمي: إنشاء نماذج افتراضية لعملية الانتفاش يمكنها التنبؤ بالنتائج لخلطات مواد وإعدادات عمليات مختلفة، مما يقلل من التجريب المادي.
التطبيقات عبر الصناعات: تكييف المنهجية لعمليات نسيجية أخرى (تشطيب الأقمشة، الصباغة) وحتى مجالات غير نسيجية مثل معالجة البوليمرات أو تصنيع الأغذية حيث تؤثر المعالجة الحرارية على تمدد المنتج.

يجب أن يركز البحث المستقبلي بشكل خاص على دمج الذكاء الاصطناعي والتعلم الآلي للنمذجة التنبؤية، كما هو موضح في منشورات أبحاث النسيج الحديثة حيث تتنبأ الشبكات العصبية بنجاح بخصائص القماش من معلمات العملية.

6. المراجع

Vinereanu, A., Potop, G.-L., Leon, A.-L., & Vinereanu, E. (n.d.). The Optimization of Plush Yarns Bulking Process. Annals of the University of Oradea, Fascicle of Textiles, Leatherwork, 121, 121-122.
Montgomery, D. C. (2017). Design and Analysis of Experiments (9th ed.). John Wiley & Sons.
Myers, R. H., Montgomery, D. C., & Anderson-Cook, C. M. (2016). Response Surface Methodology: Process and Product Optimization Using Designed Experiments (4th ed.). John Wiley & Sons.
Majumdar, A., Das, A., & Alagirusamy, R. (2011). Process Control in Textile Manufacturing. Woodhead Publishing.
Gurumurthy, B. M., & Patel, R. (2020). Optimization of textile processes using artificial neural networks and genetic algorithms: A review. Journal of Engineered Fibers and Fabrics, 15.
International Textile Manufacturers Federation. (2022). Sustainability in Textile Manufacturing: Best Practices and Future Directions. ITMF Publications.