1. Введение
Данное исследование посвящено оптимизации процесса объемной текстуризации плюшевой пряжи, используемой в производстве двухсторонних ковров. Исследование проводилось на предприятии S.C. INCOV S.A. Alba Iulia, крупнейшего производителя ковров в Румынии до 2014 года, с использованием установки непрерывной объемной текстуризации и термофиксации SUPERBA TVP-2S. Основной целью было повышение качества ковров за счет оптимизации параметров текстуризации пряжи для достижения лучшей степени покрытия при меньшем количестве ворсовых пучков на единицу площади.
Исследование сосредоточено на плюшевой пряже Nm 6.5/2, состоящей из 50% местной шерсти сорта 41 и 50% полиэстера (PES). Процессы объемной текстуризации и термофиксации улучшают размерную стабильность, сродство к красителям, равномерность поверхности, износостойкость и общий комфорт ковров.
2. Материалы и метод
Экспериментальная установка включала агрегат SUPERBA TVP-2S, который проводит термическую обработку с использованием термопарообразователя при температурах ниже уровня термофиксации и атмосферном давлении. Пряжа свободно укладывалась на конвейерную ленту для равномерной объемной текстуризации и усадки.
2.1 Экспериментальная установка
Ключевые регулируемые параметры включали:
- Скорость движения слоя шерстяной пряжи (v₁ = 0-750 м/мин)
- Скорость конвейерной ленты внутри предварительного парообразователя (v₂ = 5.5-8.6 м/мин)
- Температура предварительной парообработки (t₁ = 90-99°C)
- Температура пара в туннеле термофиксации (99.1-150.24°C)
На основе предварительных исследований температура предварительной парообработки (x₁) и скорость конвейерной ленты (x₂) были выбраны в качестве независимых переменных из-за их значительного влияния на процесс объемной текстуризации.
2.2 Математическое моделирование
В исследовании использовалась ротатабельная центральная композиционная факторная программа для математического моделирования. Зависимой переменной был диаметр плюшевой пряжи (y, мм), а независимыми переменными были:
- x₁: Температура предварительной парообработки (°C)
- x₂: Скорость конвейерной ленты внутри предварительного парообразователя (м/мин)
Математическая модель может быть представлена как: $y = f(x_1, x_2) + \epsilon$, где $\epsilon$ представляет экспериментальную ошибку. Методология поверхности отклика использовалась для определения оптимальных комбинаций параметров.
3. Результаты и обсуждение
3.1 Определение оптимальных параметров
С помощью математического моделирования и экспериментальной проверки были определены оптимальные координаты:
Эти параметры обеспечили максимальный диаметр пряжи и оптимальные характеристики объемной текстуризации для указанного состава пряжи.
3.2 Анализ диаметра пряжи
Оптимизированный процесс привел к увеличению диаметра пряжи, что способствовало:
- Улучшению степени покрытия ковра
- Снижению количества ворсовых пучков на единицу площади поверхности
- Улучшению визуального вида и текстуры
- Повышению износостойкости и долговечности
Анализ поверхности отклика показал четкую взаимосвязь между параметрами процесса и диаметром пряжи, причем определенный оптимум обеспечивает наилучший баланс между эффективностью объемной текстуризации и целостностью пряжи.
4. Технический анализ и выводы
Ключевой вывод
Это исследование демонстрирует классический, но эффективный подход к оптимизации текстильных процессов: применение методологии планирования эксперимента (DoE) к зрелому промышленному процессу. Авторы успешно определили, что температура предварительной парообработки и скорость ленты являются основными рычагами управления диаметром плюшевой пряжи в системе SUPERBA. Особенно примечателен их фокус на достижении лучшего покрытия при меньшем количестве ворсовых пучков – контр-интуитивная, но экономически блестящая цель, которая снижает материальные затраты при одновременном улучшении воспринимаемого качества.
Логическая последовательность
Исследование следует прочной прогрессии промышленных исследований: определение проблемы (улучшение соотношения качества/стоимости ковра) → скрининг параметров (идентификация x₁ и x₂ как критических переменных) → планирование эксперимента (ротатабельная центральная композиционная схема) → оптимизация (нахождение x₁=90°C, x₂=6.5 м/мин) → валидация. Это отражает методологии, наблюдаемые в передовых производственных исследованиях, такие как подходы к оптимизации параметров в производстве полупроводников, описанные Монтгомери (2017) в его основополагающей работе по DoE.
Сильные стороны и недостатки
Сильные стороны: Использование методологии поверхности отклика является уместным и хорошо выполненным. Исследование имеет немедленную промышленную применимость, что продемонстрировано его внедрением на крупнейшем производителе ковров Румынии. Фокус на смеси шерсти и полиэстера учитывает реальные ограничения по материалам.
Недостатки: Исследование заметно узко по охвату. Оно оптимизирует одну переменную отклика (диаметр пряжи), не учитывая потенциальные компромиссы с другими показателями качества, такими как прочность пряжи или устойчивость окраски. Нет обсуждения потребления энергии – критического фактора в современном производственном ландшафте. По сравнению с современными подходами, такими как те, что представлены в Journal of Manufacturing Systems, которые включают многоцелевую оптимизацию и показатели устойчивости, эта работа кажется несколько устаревшей.
Практические выводы
Для производителей ковров: немедленно протестируйте параметры 90°C/6.5 м/мин при использовании аналогичных смесей шерсть-PES. Для исследователей: эта работа закладывает основу для более комплексных исследований. Следующие логические шаги должны включать: 1) Расширение до многооткликовой оптимизации с учетом прочности на разрыв и энергопотребления, 2) Применение методов машинного обучения для прогнозного моделирования, как это видно в последних текстильных исследованиях (например, искусственные нейронные сети для прогнозирования процессов), 3) Исследование альтернативных смесей волокон и их оптимальных параметров объемной текстуризации. Методология здесь надежна, но ее применение необходимо расширить, чтобы соответствовать современным производственным вызовам.
Технические детали и математический аппарат
Использованный в этом исследовании ротатабельный центральный композиционный план (ЦКП) – это план эксперимента второго порядка, особенно полезный для методологии поверхности отклика. Общая форма модели второго порядка:
$y = \beta_0 + \sum_{i=1}^{k}\beta_i x_i + \sum_{i=1}^{k}\beta_{ii} x_i^2 + \sum_{i Где $y$ представляет диаметр пряжи, $x_i$ – кодированные независимые переменные, коэффициенты $\beta$ представляют эффекты переменных и их взаимодействий, а $\epsilon$ – случайная ошибка. Свойство "ротатабельности" обеспечивает постоянную дисперсию предсказания во всех точках, равноудаленных от центра плана. Пример: Структура оптимизации параметров Хотя оригинальное исследование не включает программный код, мы можем концептуализировать аналитическую структуру: Эта структура, хотя и простая, эффективно демонстрирует, как структурированный эксперимент может заменить метод проб и ошибок в промышленных условиях.Пример аналитической структуры
5. Будущие применения и направления
Методология оптимизации, продемонстрированная в этом исследовании, имеет несколько многообещающих будущих применений:
- Интеграция в интеллектуальное производство: Внедрение систем мониторинга в реальном времени и адаптивного управления, которые корректируют параметры объемной текстуризации на основе характеристик входной пряжи, аналогично подходам Индустрии 4.0 в других производственных секторах.
- Оптимизация устойчивых материалов: Расширение исследований для оптимизации процессов переработанных волокон и био-основанных материалов, удовлетворяя растущие требования к устойчивости в текстильной промышленности.
- Многоцелевая оптимизация: Расширение за пределы диаметра пряжи для одновременной оптимизации энергоэффективности, расхода воды и механических свойств с использованием таких методов, как функции желательности или оптимизация по Парето.
- Разработка цифровых двойников: Создание виртуальных моделей процесса объемной текстуризации, которые могут прогнозировать результаты для различных смесей материалов и настроек процесса, сокращая физические эксперименты.
- Межотраслевые применения: Адаптация методологии к другим текстильным процессам (отделка тканей, крашение) и даже к нетекстильным областям, таким как переработка полимеров или пищевое производство, где термическая обработка влияет на расширение продукта.
Будущие исследования должны особенно сосредоточиться на интеграции искусственного интеллекта и машинного обучения для прогнозного моделирования, как это продемонстрировано в последних публикациях текстильных исследований, где нейронные сети успешно предсказывают свойства ткани по параметрам процесса.
6. Список литературы
- 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.