Forscher um Min Shen haben ein kombiniertes CNN‑CBAM‑SVR‑Modell vorgestellt, das den Luftverbrauch von Hilfsdüsen in Air‑Jet‑Webstühlen mit einer Root‑Mean‑Square‑Error (RMSE) von 0,6575 und einem Bestimmtheitsmaß (R²) von 0,9941 vorhersagt.
Hintergrund
Air‑Jet‑Webstühle benötigen erhebliche Mengen komprimierter Luft, wobei die Hilfsdüsen fast 80 % des Gesamtverbrauchs ausmachen. Die Optimierung dieses Verbrauchs ist entscheidend für die Energieeffizienz in der Textilproduktion.
Herausforderung
Die Vorhersage des nichtlinearen Luftverbrauchs ist aufgrund begrenzter Trainingsdaten und mangelnder Erklärbarkeit herkömmlicher Deep‑Learning‑Modelle schwierig.
Methodik
Das vorgestellte Modell kombiniert ein Convolutional‑Neural‑Network (CNN) mit einem Convolutional‑Block‑Attention‑Module (CBAM) und einem Support‑Vector‑Regression‑Modell (SVR). Die Parameter des CNN‑CBAM‑SVR‑Systems werden durch einen verbesserten Archimedes‑Optimierungs‑Algorithmus (IAOA) optimiert.
Ergebnisse
Im Vergleich zu reinen SVR‑, CNN‑ und CNN‑SVR‑Modellen erzielte das IAOA‑optimierte Modell die niedrigste RMSE und das höchste R², was auf eine überlegene Vorhersagegenauigkeit hinweist.
Interpretierbarkeit
Mittels der Shapley‑Additive‑Explanations‑Methode (SHAP) wurden die Beiträge einzelner Düsen‑Strukturparameter zum Luftverbrauch visualisiert, wodurch die Modellentscheidungen nachvollziehbar wurden.
Implikationen
Die Ergebnisse ermöglichen eine fundierte Optimierung der Düsenkonstruktion und tragen zur Reduktion des Energieverbrauchs in Air‑Jet‑Webstühlen bei.
Ausblick
Weitere Forschungen könnten die Modellanwendung auf andere energieintensive Textilmaschinen ausweiten und zusätzliche Betriebsdaten integrieren, um die Generalisierbarkeit zu prüfen.
Dieser Bericht basiert auf Informationen von PLOS ONE, lizenziert unter Creative Commons BY 4.0 (Open Access). Wissenschaftliche Inhalte, offen zugänglich.
Ende der Ăśbertragung