Core yarn is a type of yarn that has a filament fiber in the center with a different fiber wrapped around it. They have a raising importance in the textile industry. That's why error free production for cotton/elastane core yarns and the design of models that can correctly predict the product quality parameters from fiber quality and spinning parameters are needed more and more. Since the multivariate data size reduces the successful prediction chance, the ways to decrease the dimension of data matrix was investigated. Principal Component Analysis (PCA) and Analysis of Variance (ANOVA) were both used to reduce the dimension of input matrix. Since cotton/elastane yarn quality performance prediction problem is non linear, Artificial Neural Networks (ANN) and Support Vector Machines (SVM) were proposed to predict the quality control parameters of core yarns. Both inputs from PCA, ANOVA and the unreduced input matrix were used to compare the power of each size reduction. The predicting models were designed using the data from a textile plant. Mean Square Error (MSE), Mean Absolute Percentage Error (MAPE) and R squared values were used as performance indicators. Neural Networks with PCA reduced input matrix was shown to have the best MSE and MAPE values. The best model has shown to have over 90% success rate in MAPE for most of the yarn quality characteristics.

Özlü iplikler filaman çevresine farklı bir elyaf sarılmasıyla oluşturulan katma değerli ipliklerdir. Bu iplikler, tekstil endüstrisinde giderek artan bir öneme sahiptir. Bu yüzden hatasız üretim ve ürün kalite özelliklerini elyaf kalite ve eğirme parametrelerini kullanarak tahmin eden modellerin geliştirilmesine duyulan ihtiyaç da giderek artmaktadır. Çok değişkenli veri boyutu doğru tahmin olasılığını düşürdüğü için veri matrisinin boyutlarını küçültme yolları incelenmiştir. Temel Bileşenler Analizi (TBA) ve Varyans Analizi (VA) kullanılarak girdi matrisinin boyutu azaltılmıştır. Pamuk/elastin karışımlı özlü ipliklerin kalite özelliklerini tahmin etme problem lineer olmadığı için. özlü iplik kalite özelliklerinin tahmini için Yapay Sinir Ağları (YSA) ve Destek Vektör Makinaları'nın (DVM) kullanılması önerilmiştir. Boyut küçültme yöntemlerinin etkilerini daha rahat görebilmek amacıyla bütün TBA, VA ve boyutları küçültülmemiş girdi matrisleri ayrı ayrı modellenip sonuçları karşılaştırılmıştır. Tahmin eden modeler bir tekstil fabrikasından alınan veriler kullanılarak geliştirilmiştir. Ortalama Hataların Karesi, Mutlak Ortalama Hata Yüzdesi ve R2 değerleri sistemin performans ölçütleri olarak belirlenmiştir. TBA girdilerini kullanan YSA en iyi Ortalama Hataların Karesi ve Mutlak Ortalama Hata Yüzdesi değerlerini vermiştir. Modellerin en iyisinin, özlü iplik kalite özelliklerinin birçoğunu, Mutlak Ortalama Hata Yüzdesi'ne göre yüzde 90 üzerinde bir başarıyla tahmin ettiği gösterilmiştir.