پیش­بینی میزان پرزینگی نخ رینگ با استفاده از شبکه عصبی مصنوعی و سامانه استنتاج تطبیقی عصبی- فازی

امروزه استفاده از روش­های بهینه‌سازی و مدل‌سازی نوین که بتواند خاصیت خروجی را دقیق­تر پیش­بینی کند، رواج و پیشرفت بسزایی داشته است؛ چراکه روش­های مبتنی بر هوش مصنوعی با هزینه و زمان به مراتب کمتر می­تواند پاسخ بهینه­ با خطای پایین را گزارش کند. در این تحقیق به منظور پیش­بینی پرزینگی نخ پنبه/پلی­استر رینگ، از شبکه عصبی مصنوعی و سامانه استنتاج تطبیقی عصبی- فازی استفاده شد. برای این منظور زاویه ریسندگی، سختی روکش غلتک، فشار غلتک تولید، فاصله‌دهنده و فاصله بین غلتک میانی با غلتک تولید به عنوان متغیر­های ورودی و عامل پرزینگی به عنوان خروجی در نظر گرفته شد. نتایج حاصل نشان داد که مدل­ شبکه عصبی مصنوعی به مراتب بهتر از نتایج مدل­های رگرسیون معمول بود، از طرفی سامانه استنتاج تطبیقی عصبی- فازی (anfis) قابلیت پیش­بینی با ضریب اطمینان بالا و خطای کمتری را نسبت به مدل شبکه عصبی مصنوعی نشان داد.

prediction of ring yarn hairiness using artificial neural network and adaptive neuro-fuzzy inference system

nowadays, the use of modern optimization and modeling methods that can predict the output property more accurately has been widespread and has made significant progress, as the methods based on artificial intelligence can report the optimal answer with low error with much less cost and time. in this research, artificial neural network and adaptive neuro-fuzzy inference system (anfis) were used to predict the hairiness of cotton/polyester ring yarn. for this purpose, the spinning angle, cots shore (soft, hard, and medium), the pressure of the front roller, clips and the distance between middle roller and front roller were considered as input variables and the hairiness factor was considered as the output. the results showed that the artificial neural network (ann) model was far better than the results of the usual regression models. on the other hand, the adaptive neuro-fuzzy inference system (anfis) showed the ability to predict with a high confidence factor and less error than the artificial neural network model.