تنظیم بهینه متغیرهای فرایند ریسندگی و بهبود کیفیت نخ با استفاده از الگوریتم بهینه سازی گرگ خاکستری: پیاده سازی روی ماشین کشش

در این پژوهش به منظور بهینه سازی متغیرهای ماشین کشش در خط ریسندگی و بهبود کیفیت نخ پلی استر ریسیده شده، یک رویکرد سیستماتیک و الگوریتمی به کار گرفته شد. با استفاده از طرح آزمایش سطح پاسخ (RSM) داده های مربوط به خواص نخ شامل درصد نایکنواختی (%CVm) و شاخص عیوب (IPI) جمع آوری شدند. سپس دو مدل RSM و شبکه عصبی مصنوعی (ANN) برای پیش بینی خواص نخ توسعه یافتند و از نظر دقت مورد مقایسه قرار گرفتند. نتایج نشان داد که مدل ANN دقت بالاتری نسبت به RSM دارد. به منظور بهینه سازی چندهدفه الگوریتم بهینه سازی گرگ خاکستری (GWO) برای بهبود کیفیت نخ به کار گرفته شد. پس از انجام بهینه سازی، مقدار CVm از ۱۲.۳۱ به ۱۱.۸۶ کاهش یافت و شاخص IPI نیز تقریبا بدون تغییر باقی ماند (۲۶.۴۰) که نتایج نشان دهنده موفقیت الگوریتم در بهبود کیفیت کلی نخ بود. در نهایت، مقایسه الگوریتم GWO با الگوریتم ژنتیک (GA) نشان داد که هر دو الگوریتم نتایج مشابهی در بهینه سازی متغیرها تولید می کنند با این تفاوت که سرعت اجرای GWO به طور قابل توجهی بیشتر از GA بود. این نتایج نشان دهنده توانمندی الگوریتم GWO در بهینه سازی فرآیندهای صنعتی با هزینه محاسباتی کمتر و دقت مطلوب است.

کلیدواژه ها:

ریسندگی نخ ، کیفیت نخ ، ماشین کشش ، بهینه سازی چندهدفه ، بهینه سازی گرگ خاکستری ، شبکه عصبی مصنوعی