论文部分内容阅读
产业用纺织品具有较高的技术含量和附加值,其对内在质量尤其是物理机械性能的要求都较高。非高性能纤维的纯纺纱通常较难满足这些要求,采用多组分纤维混纺是常用的解决方法。然而,生产实践发现:混纺纱的实际强度往往低于其理论强度,各组分纤维强力利用率较低。因此有必要对多组分纤维混纺纱的拉伸断裂行为进行分析,指导混纺纱的生产,以提高各组分纤维强力利用率提升整体混纺纱的拉伸断裂强力。传统的混纺纱强力研究方法,或是通过检测其基本的力学性能指标如断裂强力、断裂伸长率等评测纱线的拉伸性能,难以全面揭示造成其断裂强力低的原因;或是通过简化纱线和织物结构构造强力预测模型,由于涉及参数较多,人为假设或简化对预测结果的准确性影响较大,预测精度受限。业内人们一直期待着有实用价值的混纺纱拉伸断裂行为分析方法的提出。本课题自主搭建了AE信号采集平台,采集了四种纤维(A、芳纶1313、黏胶、D)及其混纺纱拉伸断裂的AE信号,运用小波去噪、HHT、PCA和最小二乘支持向量机(LS-SVM)对混纺纱的拉伸断裂行为进行了较深入的研究。本课题主要研究内容与结论如下:(1)搭建纤维拉伸断裂AE信号采集平台,采集并直观对比了单纤维和束纤维AE信号。在现有的YG065C电子织物强力机上加装传感器,与数据采集仪、计算机等一起构建了纤维拉伸断裂AE信号的采集平台。以有限的实验分别采集四种纤维(单纤维和束纤维)拉伸断裂的AE信号若干组并进行了直观比较,结果发现:束纤维的信号较复杂,较强;单纤维的信号较清晰,较微弱。(2)在对单纤维和束纤维AE信号进行处理与分析过程中,确定了小波去噪-截取断裂区信号-HHT的AE信号特征提取算法,选择了单纤维为实验对象。对预实验采集的AE信号进行去噪-时频分析,探索基于小波去噪-HHT的特征提取算法,结果发现:相比于束纤维,单纤维的频谱更清晰、特征更突出,更适合作为本研究的实验对象;比较四种纤维AE信号的希尔伯特(Hilbert)谱,结果发现:增强经验模态分解(EEMD)存在端点效应,对特征的提取存在干扰,因此对EEMD进行改进,基本消除了端点效应,最终确定了小波去噪-截取断裂区信号-HHT(改进后的EEMD-IMF分量的选择-Hilbert变换-求Hilbert谱-求边际谱-提取特征频率)的特征提取算法。(3)批量采集并处理单纤维拉伸断裂AE信号,初步建立了四种单纤维拉伸断裂AE信号的特征频率库。有效采集(各采集100组)四种单纤维拉伸断裂的AE信号,分别进行小波去噪-截取断裂区信号-HHT处理,获得四种单纤维的特征频率(各100组),从而初步建立了四种单纤维拉伸断裂AE信号的特征频率库。整体观察断裂特征频率发现:四种单纤维的特征频率相似度较高,区分度较低。(4)利用经PCA改良后的单纤维特征频率,基于支持向量机,构建智能的LS-SVM分类器,测试获得较高的正确识别率。起初,根据四种单纤维拉伸断裂AE信号的特征频率库,选择了LS-SVM分类器、径向基核函数(RBF),采用二分类法构建4个子分类器;分别选择各种纤维100组特征频率中的前50组为训练样本以训练分类器,留下的后50组为测试样本以测试分类器性能的优劣。测试发现:该分类器对四种纤维的断裂特征频率平均正确识别率仅有31%。鉴于此,而后运用PCA对特征频率进一步处理,利用PCA处理后的特征频率构建LS-SVM分类器,该LS-SVM分类器测试获得的平均正确识别率提升至89.5%。识别结果表明:PCA-LS-SVM能够实现对不同纤维拉伸断裂特征频率的可靠识别,构建的LS-SVM分类器性能良好。(5)获取并运用特征提取算法处理混纺纱的拉伸断裂的AE信号,经构建的LS-SVM分类器测试,获得较清晰、可信的混纺纱的拉伸断裂行为。对特定的混纺纱拉伸断裂的AE信号进行有效采集(采集15组),将混纺纱信号分为若干段,运用特征提取算法分别对其进行处理,得到各段的特征频率,并送入构建的LS-SVM分类器进行识别。识别结果为:该四组分混纺纱在拉伸断裂过程中,主要是芳纶1313集中发生了断裂,其断裂持续发生于拉伸断裂的整个过程;黏胶断裂在拉伸断裂过程的最后阶段;A基本没有发生断裂;D断裂点仅出现十几处,为240个点的5.4%,且其断裂时刻分布于拉伸的起始、中间和结束三个区段。从而可以初步推断,在四组分混纺纱拉伸过程中,强力贡献最大的是芳纶1313纤维,其次是D纤维,黏胶纤维仅微微有一点点贡献,A纤维对强力贡献为零。四种纤维的断裂时间不同步是造成该混纺纱强力低于理论值的重要原因。为了验证混纺纱SVM的识别结果,分别分析了混纺纱组分纤维的力学性能,在光学显微镜下观察了混纺纱拉伸断裂的断口情况,验证结果与SVM识别结果基本相符。