Mängel, die die erwartete Leistung des Stoffes mindern oder die leicht zu erkennen sind und von einem potenziellen Käufer nicht akzeptiert werden, wenn sie an prominenter Stelle in einem aus Stoff hergestellten Produkt auftreten, werden als „Stofffehler“ bezeichnet.
Diese Fehler treten aufgrund mechanischer Gründe oder des beim Weben des Gewebes verwendeten Garns auf. Die in den Stoffwebereien hergestellten Rohgewebe werden nach dem Webprozess an den Stoffkontrolltischen untersucht. Trotz der Weiterentwicklung der Webtechnologien verursachen Stofffehler immer noch erhebliche Kosten. Gewebefehler werden von erfahrenem Qualitätskontrollpersonal in Textilwebereien kontrolliert. .
Nach den erhaltenen und aus der Literatur gelernten Informationen kann ein erfahrenes Qualitätskontrollpersonal nur 60-70% der Fehler erkennen. Der Stoff, der mit 2-96 % Effizienz auf dem Qualitätskontrolltisch mit einer Breite von etwa 99 Metern produziert wird, kann nur kontrolliert werden, indem er mit einer Geschwindigkeit von 30 m/min gewickelt wird. Die Qualitätsbewertung von Stoffen ist nicht objektiv und eine statistische Auswertung von Stofffehlern ist nicht möglich.
AUTOMATISCHE STOFFQUALITÄTSKONTROLLMETHODEN
Gewebequalitätskontrollsysteme können aus drei Prozessschritten bestehen:
• Merkmalsauswahl
• Vergleichen
• Entscheidung
Automatische Online-Stoffinspektionssysteme verwenden die folgenden Methoden, um Stofffehler zu erkennen:
• Erweiterte Bildanalyse
• Neuronale Netze
• Wavelet-Paketmodell (Bestes Wavelet-Paketmodell)
• Fuzzy-Logik-Methode
Es gibt drei Hauptansätze, um Fehler zu identifizieren:
1. Merkmalsbaum
2. Numerische Identifikation
3. Technischer Aufbau
Der Merkmalsbaumansatz beschreibt das Auftreten von Fehlern bei der manuellen Stoffinspektion.
Der numerische Identifikationsansatz gibt die Länge und Breite des Fehlers an. Kontrollmethoden werden entsprechend ihrer aktiven und passiven Natur in Kategorien eingeteilt. Die aktive Methode benötigt die Beleuchtungsquelle des Sensors.
Automatische Stoffqualitätskontrollverfahren basieren auf Lichtreflexion, Laserlicht oder Videobildverarbeitung. Diese automatisierten Systeme betreiben eine einfache Fotozellenabtastung oder ein Kapazitätsmessgerät auf der Oberfläche des Gewebes. Charge Coupled Device CCD-Kameras, die in gewebten Stoffen weit verbreitet sind, haben eine Auflösung von 2.048 und 4.096 Pixeln.
Solche Systeme bestehen aus einer CCD-Kamera, einem Analogsignal-zu-Digitalsignal-Umsetzer, einer Bild-(Bild-)Speichereinheit, einem Digital-zu-Analog-Umsetzer zur Eingabe in einen Monitor, einer zentralen Verarbeitungseinheit (CPU). Sie werden in Standard-Bildfilter (z. B. Tiefpassfilter) eingeteilt und die Proben mit Fourier-Transformationen charakterisiert. Viele Algorithmen hängen von der Verarbeitungszeit ab; Daher wird für die Fabric-Steuerung eine spezielle leistungsstarke Rechenhardware benötigt.
BILDANALYSE-METHODE
Der Hauptzweck der Stofffehlerkontrolle besteht darin, aus den sehr detaillierten Informationen, die in einem Bild enthalten sind, nur die Informationen zu extrahieren, die für den Forscher von Interesse sind, und die Informationen auszuwerten. Als schnelle und effektive Methode können Bildanalysesysteme für verschiedene Mess- und Kontrollzwecke auf verschiedene Textilprodukte angewendet werden. Bildanalyse ist ein Begriff, der verwendet wird, um die Operationen zu beschreiben, die an Bildern für einen bestimmten Zweck durchgeführt werden. Diese Zwecke sind zum Beispiel; Es kann darum gehen, ein Bild in eine Form zu bringen, die es leichter transportieren kann, oder es in einen Computerspeicher zu stellen, oder es kann nur die Information extrahieren, an der ein Betrachter interessiert ist. Häufig verwendete Bildverarbeitungsoperationen; Es besteht aus Filterung, Abtastung, Klassifizierung, Kodierung, Merkmalsextraktion, Mustererkennung und Bewegungsvorhersage. Unterscheiden sich die beim digitalen Scannen eines Stoffes gewonnenen Daten im Vergleich zum Scannen eines fehlerfreien Stoffes unter gleichen Bedingungen, wird das Vorliegen eines Fehlers eindeutig erkannt. Allerdings erschweren eine Vielzahl von Mustern, Webstrukturen, Farben und verschiedene Arten von Fehlern auf dem Stoff diesen Prozess. Daher sollte der gesamte Prozess Schritt für Schritt vereinfacht werden. Zunächst sollte die farbige Struktur auf dem Stoff mit einem Graustufenbild auf eine einzige Farbe reduziert werden, dann sollten weitere Bearbeitungsschritte auf dieses Bild angewendet werden.
Es gibt zwei grundlegende Stufen der Fehlererkennung durch Bildanalyse. In der ersten Stufe, die wir auch als Lernstufe bezeichnen können, werden anhand eines fehlerfreien Stoffes die praktischen Grenzen der relevanten Parameter des jeweiligen Stoffes berechnet und für jedes Merkmal eine Klassifizierung vorgenommen.
In der zweiten Stufe, der Inspektionsstufe, wird durch Vergleich geprüft, ob die relevanten Merkmale innerhalb der in der vorherigen Stufe vorgegebenen Grenzen liegen. Die Größe jedes Fehlers wird durch die Abweichungsrate von vorbestimmten Grenzen bestimmt. Ein typisches Bildverarbeitungssystem besteht im Allgemeinen aus drei grundlegenden Teilen. Diese;
1. Bilderfassungseinheit: Diese Einheit besteht aus einer TV-Kamera, A/D- und D/A-Wandlern und einem digitalen Speicher. Ein digitaler Speicher hat eine Grauskala von 8 Bit (256 Stellen) und eine Kapazität von 1024 bis 1024 Pixel.
2. Bildverarbeitungseinheit: Diese Einheit besteht hauptsächlich aus einem Mikrocomputersystem, und die Schnittstellenschaltung im Bildspeicher ist zusammen mit dem Plattenlaufwerk, dem Drucker und dem Monitor mit diesem System verbunden. Der Hauptteil des Prozesses findet in dieser Einheit statt. Der Prozess besteht aus drei einfachen Teilen:
• Bildverbesserung,
• Bildanalyse,
• Bildkodierung (Digitalisierung)
3. Monitor (Anzeigeeinheit)
Fuzzy-Logik-Verfahren (Fuzzy-Logik) :
Im Jahr 2001 verwendeten Choi et al., die Fuzzy-Logik-Methode in ihrer Studie, basierend auf der großen Vielfalt von Stofffehlern und der Unsicherheit in ihren Definitionen. Fuzzy-Logik ist definiert als eine mathematische Ordnung, die zum Ausdruck von Unsicherheiten und zum Arbeiten mit Unsicherheiten eingerichtet wurde. In dem System, in dem Fuzzy-Logik-Regeln verwendet werden, werden Zugehörigkeitsfunktionen für diese Regeln an den neuronalen Netzwerkansatz angepasst. Bei der Untersuchung wurden mehrere Fuzzy-Regelannahmen getroffen, um die Bereiche ohne Defekte, Bereiche mit Fischen (in Schuss- und Kettrichtung), Noppen und zusammengesetzte Fehler zu bestimmen.
Eine erstellte unscharfe Regelbasis wurde durch viele knackig-klassische Regeln ersetzt. In klassischen systembasierten komplexen Systemen musste eine große Anzahl von Regeln angewendet werden, um die richtigen Entscheidungen zu treffen, und Fuzzy-Regelansätze boten die Möglichkeit, durch Verwendung einer schmaleren Regelbasis zuverlässige Regeln zu erstellen. Mit der Idee, Stofffehler mit Fuzzy-Logic-System zu ermitteln, wurde in der Studie ein 4-stufiges Prozessmodul erstellt. Diese:
1-Fuzzifizierung,
2-Fuzzy-Regelbasis,
3-Fuzzy-Inferenz
4-Sie sind Defuzzifizierungsprozesse.
Am Ende dieser vier Stufen konnten die Fehlerarten im fehlerhaften Bereich im Testgewebebild bestimmt werden. In der ersten Stufe werden die markantesten Merkmale der Fehler bestimmt und nach der Bestimmung der bestimmenden Merkmale mussten deren Zugehörigkeitsfunktionen gebildet, dh verwischt werden. Eingabeparameter wurden in Fuzzy-Sets umgewandelt, die auf der Grundlage von Wissen und Erfahrung erstellt wurden. Die Messungen auf dem Nissen und Fischdefekt enthaltenden einfachen Stoffbild werden als Variablen genommen und diese Werte werden verwendet, um das Fuzzy-Set zu bilden. Vor dem Fuzzing werden klassische linguistische Erklärungen verwendet, um eine Zugehörigkeitsfunktion zu erstellen, und drei Feldebenen als klein, mittel und groß werden im Fuzzy-Logik-System erstellt, um Fehler zu identifizieren.
1-Kleiner Bereich fehlerfrei
2-mittelgroße Fläche Nissen oder Fischdefekt
Der 3-große Bereich zeigt das Vorhandensein eines zusammengesetzten Fehlers an.
verwendete Begriffe zum Ausdruck
Im zweiten Schritt wurde eine Fuzzy-Regelbasis erstellt und Fehlertypen wurden mit Fuzzy-Regeln definiert. Um die Wahrscheinlichkeiten bei der Bildung der Fuzzy-Logik-Regelbasis auf eine bestimmte Zahl zu reduzieren, wurden einige Annahmen getroffen, die das Ergebnis nicht beeinflussen würden. Durch Verwendung dieser Regeln kann die Regelbasis der Fuzzy-Logik, die die Grundlage der Fuzzy-Logik darstellt, bestimmt werden. In der dritten Stufe wurde ein Fuzzy-Entscheidungsprozess basierend auf den Fuzzy-Logik-Regeln durchgeführt. Schließlich war es notwendig, den Klärungsprozess durchzuführen, bei dem die erhaltenen Fuzzy-Werte als Ergebnis einer Fuzzy-Set-Operation in ungerade Zahlen umgewandelt wurden. Als Ergebnis; Die Position, Nummer und Art des Fehlers, der die Ausgabe-Zugehörigkeitsfunktion ist, die den Fehler gegenüber den Eingabe-Zugehörigkeitsfunktionen zeigt, wurden gefunden. Stofffehler konnten in der Forschung klassifiziert werden, bei der Choi-Freunde die Fuzzy-Logik-Methode verwendeten. Es wurde beobachtet, dass dieses Verfahren, bei dem Fuzzy-Logik-Regeln bei der Stofffehlerkontrolle verwendet werden, der Fähigkeit von Menschen ähnlich ist, Fehler zu erkennen, und dass das Verfahren bessere Ergebnisse liefert als klassische Verfahren. Das neuronale Fuzzy-System wurde in der von Huang und Chen im Jahr 2001 durchgeführten Forschung zur Klassifizierung von Stofffehlern verwendet. Dieses System wird aus der Fuzzy-Logik-Technik und dem Back-Propagation-Lernalgorithmus von neuronalen Netzwerken erstellt. Da sich neuronale Netze und Fuzzy-Logik-Systeme ergänzen, wurde eine Zunahme der Klassifikationsfähigkeit beobachtet. Das Verwischen ist eine nichtlineare Abbildungsoperation. Das neuronale Fuzzy-System wurde betrieben, indem die unsicheren Daten getrennt und Grenzpunkte zwischen den Klassen überlappt wurden. In der Studie wurden glatte Stoffe verwendet, von denen acht fehlerhaft und einer fehlerfrei war. Diese Fehler sind; Schussbruch, Kettbruch, Doppelkette, Doppelschuss, Loch, dünnes Schussband, Ölfleck und Spinnweben. Die Bilder der Stoffe wurden mit einer Auflösung von 512 x 512 Pixeln aufgenommen und drei Klassen wurden durch Proportionieren der Abmessungen der Defekte in vertikaler und horizontaler Richtung gebildet. Ein weiteres Merkmal, das neben Fehlergrößen zur Klassifizierung verwendet wird, ist die Bilddichte. Zum Beispiel; Es wurde beobachtet, dass das doppelte Kettgarn eine höhere Intensität als der Kettbruch hat. Die Bildintensität wurde als Mittelwert und Standardabweichung der Graustufenverteilung ausgedrückt, und der Graustufenmittelwert und die Standardabweichungswerte des fehlerhaften Bereichs wurden als definierendes Merkmal genommen. Eingabeparameter sind unter Verwendung von Dreieckszugehörigkeitsfunktionen unscharf. Die als bestimmendes Merkmal verwendeten Eingabewerte sind Zahlenwerte zwischen 0 und 1. Ausgangswerte in der Testphase wurden anhand der Daten der Proben in der Lernphase berechnet.
CYLOPS-KONTROLLMETHODE
Als automatisches Kontrollsystem von Barco am Webstuhl identifiziert es Kett- und Schussfehler mit Hilfe eines beweglichen Kamerasystems, das in die Webmaschine integriert ist. Wenn ein Kett- oder Schussfehler auftritt, stoppt das System die Webmaschine, die Warnlampe leuchtet auf, zeigt mit Hilfe des Mikroprozessors ihre Position an der Webmaschine an und die Webmaschine wird angehalten, bis die Warnung „Fehler wurde behoben“ durch den Weber angezeigt wird . Alle Fehlerinformationen bezüglich des Barco Weave Master-Überwachungssystems werden an die Stoffqualitätsdatenbank gesendet. So werden Fehlerkarten (Maps) und verschiedene Arten von Qualitätsberichten erstellt. Das Steuersystem der Webmaschine ist mit dem Mikroprozessor der Webmaschine verbunden. Jeder Fehlerzeitpunkt wird mit Historie aufgezeichnet. So sind der Fehler in der Stoffrolle und nähere Informationen in den Qualitätsberichten enthalten. Das Steuersystem Cyclops lässt sich einfach an den Barco Weavemaster anschließen. Das Barco-Überwachungssystem kann in das automatische On-Machine-Überwachungssystem von Cyclops integriert werden.Durch die Verwendung des TCP/IP-Protokolls werden der HUB und das Bench- und Barco-Überwachungssystem über Ethernet miteinander verbunden. Der Stoff wird nach Anzahl und Konzentration der festgestellten Fehler in Qualitäten eingeteilt, der Rohstoff durchläuft die Kontrolle und kann anderen Prozessen zugeführt werden.
Cyclops
Steuereinheit auf der Werkbank,
von der Kamera- und Beleuchtungseinheit,
und Filmaufnahme
besteht aus einem Titel.
Während der Bestimmungsphase (Testen/Lernen) wird das Bild des Gewebes an einer bestimmten Anzahl von Positionen des Gewebes aufgenommen und an die Bildverarbeitungseinheit übertragen. Dabei wird mit speziellen Algorithmen die Webart des Gewebes analysiert und Abweichungen vom Standard als Fehler ermittelt. Der Scanbereich wird automatisch entsprechend der Stoffposition und -breite mit automatischer Erkennung der Stoffränder angepasst. Beleuchtung und Kameraplatzierungen werden durch die Kalibrierung des Softwaremoduls entsprechend den optischen Eigenschaften der Stoffe angepasst. Die Struktur des Gewebes wird automatisch bestimmt, indem die Algorithmusparameter für eine optimale Fehlererkennung berechnet werden. Der Cyclops-Scankopf enthält eine Kamera und ein Beleuchtungssystem. Das System erkennt 70 % der Stofffehler.
Vorteile
• 100 % Erkennung von Dauerfehlern wie Einzug, Kardierfehler, Kettfadenbruch.
• 100 % Erkennung von Schussfehlern in allen Breiten wie Schussauslauf, Doppelschuss.
• Indem die Webmaschine angehalten wird, Fehler sofort erkannt und verhindert werden und eine fehlerhafte Gewebeproduktion verhindert wird.
• Durchführung einer von menschlichen Fehlern unabhängigen Kontrolle.
• Hohe Gewebequalität, weniger Sekundärgewebebildung.
• Weniger Arbeitsaufwand in der Rohwarenkontrollsektion.
• Automatische Stoffkontrolle am Webstuhl.
• Unterstützung mit dem Weave Master Machine Überwachungsmonitor.
• Scangeschwindigkeit: 18 cm\sek.
• Erleichterte Installation.
• Wartungsfrei
Qualimaster unterstützt Roh- und Fertigstoffkontrollen. Außerdem ermittelt es die Fehlerkarten für jeden Stoffballenschnitt und ermittelt die entsprechenden Fehlerwerte. Qualimaster druckt Etiketten am Ende jedes Rieses oder Stoffabschnitts. Zusammen mit dem Produktionsüberwachungssystem Weavemaster werden Webpläne mit der Online-Steuerung von Qualimaster an der Webmaschine kombiniert. Je nach Bedienpult und Schneidwerkzeug erstellt dieses Terminal eine Windows-basierte grafische Benutzeroberfläche zur Fehlereingabe. Fehlercodes erscheinen auf dem Bildschirm als Schaltflächen. Die Steuerung zeichnet den Fehler auf, indem sie die dem Fehler entsprechende Schaltfläche berührt. Für laufende Störungen, Schnitte und Reparaturen sind spezielle Schaltflächen möglich. Optional können verschiedene Fehlercodes über die Tastatur eingegeben werden.
Es kann eine Fehlerkarte erstellt werden, deren Punktzahl für jeden Stoffknäuel berechnet werden kann.
Schnittstellen • Ermöglicht Barcodeleser für jede Stoffrollendefinition • Fehlerkennzeichnungsgerät • Waage zur Erfassung des Stoffballengewichts • Software für Stücketiketten und Fehlerkarten. Jeder Eintrag wird automatisch mit dem Schussfadenzähler für die Stoffkontrolle am Webstuhl verbunden. Sie sorgen für die Bildung der Fehlerkarte während des Webens. Die Qualimaster-Gewebesteuerungssoftware enthält je nach Weberei umfangreiche Berichte von der Kettvorbereitung bis zum Garnlieferanten.
Qualimaster-Berichtstypen
Typenfehleranalyse Unterschiedliche Stofftypen können hinsichtlich Fehlerquoten und Punktzahlen verglichen werden. Die Pareto-Analyse zeigt zehn Hauptfehler für jeden Typ.
Inspector Performance Report Zu Beginn jeder Schicht markiert der Inspector Fabric Report den Ausgangspunkt. Dieser Bericht zeigt die überprüfte Länge und von welchem Bediener die Fehler gemacht wurden. Manager können mehrere Controller für denselben Fabric-Typ über einen langen Zeitraum hinweg vergleichen. Diese Art von Bericht kann vom Qualitätskontrollmanager verwendet werden, um Inspektoren zu identifizieren, die für jeden Typ mehr Schulung benötigen und langsamer als der Durchschnitt arbeiten. Qualimaster optimiert die Aufteilung großer Kugeln in kleinere Partien. Wenn die Kontrolle und das Schneiden in zwei getrennten Schritten erfolgen, bestimmt Qualimaster die Schnittstelle des Stoffes anhand der Fehlerkarte und der Bewertungskriterien. Je nach Kundenwunsch werden minimale/maximale Stofflänge und Fehlerpunkte vorgegeben.
Elbit Vision I-Tex Kontrollsystem
Es kann Fehler bei einer Steuergeschwindigkeit von 300 m/min erkennen. Zunächst werden die Größe und die Koordinatenorte des Fehlers bestimmt und der Fehlerort auf der Fehlerkarte aufgezeichnet und das digitale Bild des Fehlers gespeichert. Die Kosten dieses Systems hängen von der Arbeitsgeschwindigkeit und der Stoffbreite ab.
Elemente des Loom-Tex-Systems
• Alles en control mit Videoscanner
• Kombiniert mit dualem Beleuchtungsmodul
• Für jede Maschine erstellter Prozess
• Bei der Überwachungsmethode kann der Zentralrechner bis zu einer Werkbankbreite von 390 cm arbeiten.
Erkennbare Fehlertypen:
- Schuß locker
- Doppelte Kette
- Redaktionsfehler
- Doppelschal
- Warpbruch
- Kammspur
- Haltungsspuren
- Warp-Ende
- Ölflecken
- Dichter Schuss
- Löcher
- Schlechter Rand
- Falten
- Dicke Stelle
- Schussstapelung
Betreibt das Videosteuersystem I-Tex 1000; erkennt Fehler automatisch, speichert sie, lokalisiert sie und wertet sie später aus. Dieses System kann sogar Fehler von 0,5 mm erkennen. Jeansstoffe, Rohstoffe und einfarbig gefärbte Stoffe können geprüft werden. Es kann erfolgreich in den Bereichen Vlies, Beschichtung, Carbongewebe, Verbundwerkstoffe, Metallkaschierung, Kunststoff, Papier eingesetzt werden.
USTER FABRICSCAN CONTROL SYSTEM
Es verwendet die neueste neuronale Netzwerktechnologie. Je nach Stoffart und -beschaffenheit können Fehler mit einer Geschwindigkeit von 90 m/min und einer Mindestgröße von 0.3 mm erkannt werden. Es funktioniert im Stoffbreitenbereich von 110 – 440 cm. Das Fehlerklassifizierungssystem Uster Fabriclass identifiziert leicht die folgenden Profile. Je nach Größe und Art des Fehlers werden Fehlertypen kategorisch in ihre Anzahl und Art eingeteilt. Je nach Anforderung werden in der gesamten Produktion störende und nicht irritierende Fehlerklassen gebildet. Fehlerpositions-, Fehlermaß- und Fehlertypfunktionen werden bei der Fehlererkennung verwendet. Andere Messungen sind Stofflänge und -breite. Stoffe können roh, fertig (gefärbt), glatt, Köper und Satin sein. Die Fehlerklassifizierung kann auf zwei Arten erfolgen: Demerit Error Scoring und Uster Fabriclass. Zur Prozessanalyse können zusammenfassende Berichte, Maschinenberichte und Schichtberichte erstellt werden. Das System kann das Fehlerbild anzeigen.
Je nach Warenbreite werden zwei oder mehr Spezialtypen von Video-CCD-Kameras zum Abtasten des Gewebes verwendet. Die erste Phase dauert als Lernprozess einige Minuten. Größe und Ort der Fehler werden erfasst und in drei Klassen eingeteilt:
1-Warp-Fehler
2-Schuss-Fehler,
3-Oberflächenfehler) und dessen Grad
bestimmt. Das mit dem Feature-Tree-Ansatz erstellte Fehlerklassifizierungssystem umfasst 100 verschiedene Fehlertypen. Bei der Bildverarbeitung wird das von der Videokamera abgetastete Bild durch den Analog-Digital-Wandler in ein digitales Bild umgewandelt. Das zweidimensionale Array kann unter Verwendung von Bildverarbeitungstechniken analysiert werden, um Fehler aufzudecken. Jeder Fehler wird mit Hilfe einer Kombination aus Standard-Bildverarbeitungsalgorithmen und Filtern untersucht. Die Fehlerart kann mit Hilfe des numerischen Definitionsansatzes aus der Fehlerklassifikation bestimmt werden. Die zur Fehlererkennung entwickelten Techniken sind sehr zahlreich und werden nach ihrem Ansatz klassifiziert. Jeder Fehler wird als Bild gespeichert. Es kann weitgehend eingesehen und mit dem Fehlerbericht ausgedruckt werden. Der Stoff wird zwischen zwei zusammengesetzten Beleuchtungsmodulen hindurchgeführt, die reflektiertes und durchgelassenes Licht passieren lassen. Die Wahl der Beleuchtungsart hängt von der Stoffdichte ab. Bei der Ansteuerung einer neuen Ware findet im ersten Meter des Stoffes die Lernphase statt, in der das System das normale Aussehen des Stoffes registriert und in die interne Lernphase übergeht.Die interne Lernphase dauert ca. 1 Minute und muss für jede Ware im Voraus durchgeführt werden. Alle Teile der gleichen Ware können mit dem gleichen Standard kontrolliert werden Zusammenfassend lässt sich sagen, dass die Fehlererkennungsrate mit den folgenden 3 Maßnahmen steigen wird:
• Kontrollierter Betrieb mit hoher Kameraauflösung und schnellem Bildgebungsbetrieb
• Ein auf neuronalen Netzwerken basierendes, lernfähiges System zur Erkennung von Stofffehlern
• Einfache Unterscheidung von Fehlermerkmalen anhand des Längen- und Farbunterschieds des Fehlers Das automatische Stoffinspektionssystem von Zellweger Uster erfüllt folgende Funktionen:
• Erlernt die charakteristischen Merkmale und bestimmte Fehler des Stoffes.
• Es bestimmt den Ort der Fehler im Stoff.
• Kennzeichnung. • Es zeichnet auf, dh speichert es. Fehlerinformationen werden automatisch analysiert und klassifiziert.
SYSTEMPRÜFBERICHTE
Standardbericht
Sie gibt neben der gemessenen Länge und Breite des Stoffes auch Auskunft über die Anzahl der Fehler in der Stoffrolle und pro 100 Meter. Je nach FABRICLASS und Fehlertyp werden die genaue Position und Größe des Fehlers sowie die Klassifizierung der Fehler angezeigt. Wird ein Fehler als besonders interessant empfunden, genügt ein Klick darauf, um die genaue Form des Fehlers anzuzeigen.
Positionsbericht
Es gibt einen schnellen Überblick über den Defekt im Stoff. Insbesondere Häufigkeit, Größe und Position des Fehlers sind auf einen Blick ersichtlich. Zusammen mit dem Fehlermuster helfen dieser Bericht und der nächste Bericht bei der Prozessoptimierung.
Fehlertypbericht
Der Benutzer kann sehen, ob ein bestimmter Fehlertyp zu oft auftritt. Darüber hinaus soll das Design des Berichts zeigen, ob eine bestimmte Fehlerart häufiger auftritt als die durchschnittliche Häufigkeit der Ware.
Fabriclass-Bericht
Sie gibt Auskunft über die Fehlerhäufigkeit in jeder Klasse. Die Liste zeigt lästige und triviale Fehler nach Farbunterschieden und Längen. Die Häufigkeit nicht signifikanter Fehler wird signifikant, wenn das typische Erscheinungsbild des Gewebes zunimmt, bis es sich ändert.
