مدل سازی اثر خواص نخ پود و سرعت ماشین بافندگی جت هوا بر زمان رسیدن نخ پود و کشش وارد شده به آن

در سامانه پودگذاری جت هوا نخ پود به وسیله نیروی رانش اصطکاکی میان جریان هوا و سطح نخ حرکت می کند. بنابراین، خواص نخ پود مانند تاب، قطر نخ، نمره نخ و ویژگی جریان هوا مانند اغتشاشی بودن، ناپایدار بودن و توزیع جریان هوا در کانال هدایت هوا سبب پیچیدگی حرکت نخ پود می شود. در پژوهش حاضر، اثر خواص نخ پود شامل نمره نخ، ترکیب های مختلف الیاف پلی استر-پنبه و تاب نخ در سرعت های مختلف ماشین بافندگی و در نتیجه فشار های مختلف هوا روی زمان رسیدن نخ پود و میانگین پیک کشش بررسی شده است. 45 نمونه نخ با ترکیب مختلف الیاف پلی استر-پنبه و پنبه خالص و پلی استر خالص با نمره ها و تاب های متفاوت در سامانه ریسندگی رینگ تولید و برای اندازه گیری زمان رسیدن و کشش نخ پود روی ماشین بافندگی جت هوا بررسی شدند. برای رابطه مند کردن نتایج تجربی از مدل شبکه عصبی به روش آموزش پس انتشار خطا استفاده شد. نتایج تحلیل آماری نشان داد، تمام عوامل بررسی شده دارای اثر معنی دار بر زمان رسیدن نخ پود هستند. مشخص شد، عوامل سرعت ماشین و در نتیجه فشار هوا بیشترین اثر را نسبت به سایر عوامل روی زمان رسیدن نخ پود دارند. شبکه عصبی به دست آمده می تواند برای پیش بینی سرعت پودگذاری نخ های پلی استر-پنبه، پنبه خالص و پلی استر خالص در ماشین بافندگی جت هوا با r2 برابر 98/ 0 به کار رودواژه‌های کلیدی: بافندگی، پودگذاری جت هوا، شبکه عصبی، نخ پلی استر- پنبه

Modeling of the effect of weft yarn properties and air-jet loom speed on the weft yarn arrival time and its tension

Abstract In this research the effect of yarn characteristics such as yarn count, different percent of polyester/cotton fiersin blend yarn, yarn twist and average of the weft yarn tension at different supplied air pressures and weaving machine speed on the weft yarn speed, and weft arrival time were investigated. Blend polyester-cottonyarns (45 sles( were produced by ring spinning method and the percentage of cotton in the compositionchanged as 0, 25, 50,7 5, and 100%. The sles were used as weft yarn in an air-jet weaving machine formeasuring the weft yarn arrival time and its tension. In order to fid a correlation between the yarn propertiesand the experimental results, the back-propagation neural network model was adapted. The results showedthat all of the parameters have a signifiant inflence on the weft arrival time. However, the most importantparameter was found to be the loom speed and consequently the applied air pressure on the weft yarn. Thepresented neural network model can be used to predict the weft yarn velocity for cotton, polyester and cottonpolyester blend yarns on an air-jet loom with a regression coeffiient as high as R2= 0.98. Keywords: weaving, Air-jet weft insertion, Neural Network, Polyester/cotton yarn.