Prediction of Polypropylene Yarn Shrinkage in the Heat-Setting Process Using the Fuzzy Inference System

In the carpet industry, yarn shrinkage is a very important specification, the percent of which being affected by heat-setting parameters, time and temperature. In order to obtain the best uniform appearance of carpets, the shrinkage of pile yarns should be minimum in the carpet sizing process. Inappropriately heat-set yarn may cause undesirable shrinkage and uneven pile height on carpets after the sizing process. It could be useful for manufacturers to understand the optimum condition of heat setting to obtain the low shrinkage of heat-set yarns before weaving. Therefore, a fuzzy logic model was designed to predict the shrinkage percentage of polypropylene yarn in different heat-setting conditions. Time and temperature are taken into account as input variables, and yarn shrinkage is predicted as the output. For validation of the model, yarn samples were heat set over various periods of time, at different temperatures, and finally yarn shrinkages were measured experimentally. The results of the fuzzy model prediction compared to regression results show that the fuzzy results present a good and better match with experimental results, with an acceptable R2 = 0.97 and average error (2.59%).

---

W przemyśle dywanowym skurcz przędzy jest bardzo ważną specyfikacją, na procent której mają wpływ parametry utrwalania termicznego, czas i temperatura. Aby uzyskać jak najlepszy jednolity wygląd dywanów, skurcz przędzy runowej w procesie klejenia powinien być minimalny. Nieprawidłowo utrwalona na gorąco przędza może powodować niepożądany skurcz i nierówną wysokość runa na dywanach po zaklejaniu. Dla producentów może być przydatne zrozumienie optymalnych warunków stabilizacji termicznej w celu uzyskania niskiego skurczu przędz utrwalanych termicznie przed tkaniem. Dlatego w pracy zaprojektowano model logiki rozmytej do przewidywania procentowego skurczu przędzy polipropylenowej w różnych warunkach utrwalania termicznego. Czas i temperatura są brane pod uwagę jako zmienne wejściowe, a skurcz przędzy jest przewidywany jako wynik. W celu walidacji modelu próbki przędzy utrwalano termicznie w różnych okresach czasu, w różnych temperaturach, a na koniec zmierzono eksperymentalnie skurcz przędzy. Wyniki predykcji modelu rozmytego w porównaniu z wynikami regresji pokazują, że wyniki rozmyte dobrze korelują z wynikami eksperymentalnymi, przy akceptowalnym R2 = 0,97 i średnim błędzie (2,59%).