CN109754164B - 一种羊绒纺织生产计算投入量的动态制成率模型 - Google Patents

Abstract

本发明涉及一种羊绒纺织生产计算投入量的动态制成率模型，以纺纱生产的投入产出数为指标，以影响纺纱制成率的影响因素为依据，采用多元回归线性分析并结合DOE试验分析，获得动态制成率区间，根据多元回归线性分析并结合DOE试验分析，建立动态制成率模型。所述动态制成率模型可实现精准投料、降低成本、减少库存余纱的目标。对于作为“软黄金”的羊绒生产来说，可产生重大的经济效益，对于羊绒行业，甚至纺织行业的生产成本控制也将带来巨大的管理变革。

Description

一种羊绒纺织生产计算投入量的动态制成率模型

技术领域

本发明属于羊绒纺织领域，具体涉及一种羊绒纺织生产计算投入量的动态制成率模型。

背景技术

羊绒被誉为服装原料中的软黄金，产量有限，且容易受市场行情波动；而对于羊绒制品而言，原料的成本占到生产成本的75％-85％；且羊绒制品的成衣投入多数都是从纺纱环节开始计算，若造成余纱，往往都会成为小管纱，多数都是无法继续使用的。因此，精确计算原料的投入，是控制成本，降低损耗至关重要的因素。

其中，制成率是生产过程中，各个生产环节设置的一个投入产出指标，包括纺纱制成率，织造制成率，编织制成率，整理制成率等。而制成率＝产品输出重量/投入原料重量。在实际生产过程中，制成率的标准多数是每个区间一个标准；虽然相似区间的制成率相近，批次不同，实际成纱的制成率是一个动态连续的变化过程。

传统制成率原有计算纺纱的投入产出量参照下表，根据每一批纱线的需纱数粗略推算投料数，对应投料后寻找相应区间，再来按照指定的制成率计算准确投料数。

＜100kg	100～200kg	200～300kg	300～400kg	＞400kg
					-8kg	91.00％	93.80％	94.80％	95.50％
-9kg	90.80％	93.30％	94.30％	95.00％
					-10kg	90.30％	92.80％	93.80％	94.50％
-7kg	93.30％	95.30％	96.30％	97.00％

该方法仅考虑纱线的批量，不考虑其他因素；但其他因素也可能会对纱线的制成率产生显著影响。此外，传统方法只是同一批量的下的平均制成率；但既使是同一批量内，都可能存在较大差异，从而造成损失。尤其，当遇到小批量纺纱时，一旦欠纱，就得补纺，按照最低起纺量纺纱就会产生大面积余纱。再次，该方法沿用多年，随着人员、设备技术等因素的变化，每年的实际制成率也在变化；传统方法中，若需要调整上述表格，只是根据批量内所有纱线的实际平均制成率与计划制成率的差异进行统一增减调整，增减量也没有准确的依据，只能采用经验式的增减差异适度，从而会造成制成率的更不精确。由此可见，传统方法存在的问题就是，在总体上，实际成纱多余计划成纱的超制成部分已经达到了2％-4％，若是换算成原料，按照2018年羊绒集团全部的纺纱投入量2000吨估算，相当于多投入40-80吨原料，若能减少这部分投入，则可以节约3000-6000万元。而由于成纱不够造成补纺的纱线余纱统计有4吨，这些若能计划精准，也可以节约近300万元。而这些节约的成本占到了整个羊绒集团生产单元利润的30％。

因此，为了提高纱线计划的精准性，减少余纱，降低成本和库存，需要提供一种更为先进的生产管理方式。

发明内容

基于上述背景技术，本发明为了精确定位每种类型纱线的制成率，本发明采用动态制成率的方式，打破传统计算投料的平均制成率的方式，使其每批纱线的制成率都是非常精准，从而实现指标随着实际生产水平的提升而动态提升。

为了实现动态制成率模型的精准，需要考虑影响成纱的众多因素，根据不同因素影响的情况，灵活调整指标。

本发明提供的一种羊绒纺织生产计算投入量的动态纺纱制成率模型，该模型以纺纱生产的实际成纱为指标，以影响纺纱制成率的影响因素为依据，根据多元回归线性分析并结合DOE试验分析，建立动态制成率模型，并根据该模型计算羊绒的投入产出数。

建立所述动态纺纱制成率模型，包括如下步骤：

1)选取纺纱制成率的影响因素；

2)以所述影响因素为依据，根据多元回归线性分析并结合DOE试验分析，调整投料区间，并对应所述投料区间建立计算公式；

3)根据所述计算公式，计算羊绒的投入产出数。

在实际成纱与投料的关系来看(投入产出数)，是一种线性关系，因此本发明采用多元回归线性分析与DOE试验分析相结合。既可以将影响纺纱的因子统一纳入模型进行分析，来观察这些因素的影响显著性；又可以观测这些因素的交互作用，从而让模型更为准确，因素间的相互作用得到更为直观的体现。

其中，本发明多元线性回归分析的基本任务包括根据因变量与多个自变量的实际观测值建立因变量对多个自变量的多元线性回归方程；检验、分析各个自变量对因自变量的综合线性影响的显著性；检验、分析各个自变量对因变量的单纯线性影响的显著性，选择仅对因变量有显著线性影响的自变量，建立最优多元线性回归方程；评定各个自变量对因变量影响的相对重要性以及测定最优多元线性回归方程的偏离度等。

y＝β₀+β₁x₁+β₂x₂++β₃x₃+......+β_mx_m+ε

其中，y为因变量；x为自变量；β为回归系数；ε称为误差项，为随机误差或其他因素的变化而引起的y的线性变化部分。

其中，所述影响因素选自批量，成分，颜色浓度，支数，原料的长度、细度、短绒率及其原料的结构中的一个或多个。

优选的，所述影响因素为批量、成分、颜色浓度。当采用这个三者为所述影响因素时，其效率高，且模型的效果突出。

其中，所述批量即为投料的数量。

在现有的生产应用中，除了纱线的批量是直接采用数字量化表示的，其他的因子都是采用文字表述格式，且各个生产区间格式经常不统一，从而使传统制成率难以突破，使其投料、产出的数额差异大，造成大量的浪费。

为了改进传统制成率的阻碍，使其模型更为精确，本发明进一步提出了，将所述的影响因素采用数字量化的形式表现。

其中，所述成分中，成分100％即为纯羊绒，成分50％即为羊绒含量为50％。且羊绒含量本身也代表了纱线的可纺性。

其中，所述颜色浓度，不同颜色有不同的染色处方，具备了不同的浓度.这些浓度表示了添加的各种染料占到索要染色绒质量的百分比的加权百分数。比如，7表示染料的质量占到染色绒质量的7％。

其中，所述支数，12S/2表示12支双股纱线，代表了纱线的细度以及纱线的结构，因此就通过支数的数字代码这个共同特性建立量化转化维度。

其中，所述原料的长度、细度以及短绒率也是一个各种原料指标的加权平均数。就直接取其加权平均后的一个数字格式。由于原料的长度、细度、短绒率等指标在原有的纺纱流程中是等纺纱订单下来后才有配绒流程，由此才知道用什么样的原料；动态制成率建模后，就需要改变原来的流程，在纺纱订单下达的时候就需要配绒的大框架，以便于计算原料的整齐度数据。

即，所述影响因素采用如下方式转化：

表1

本发明进一步提出的，为了更精确的求得纺纱成纱与投料之间的关系模型，根据每个批次的羊绒，动态制成率对原批量划段区间进行了重新调整。调整的依据就是观测实际成纱与投料差异率变化的拐点。即求函数y＝f(x)在c点一侧是凸，另一侧是凹的拐点。求得实验数据中实际成纱与投料差异的百分比后带入统计分析软件JMP进行分析。得出了新的制成率发现显著变化的区间。

该区间是可以实时调整的，根据历史数据每次更新模型的时候都可以重新计算，重新设定。

本发明进一步提出的，为了模型进一步精确，还包括模型的修正。

模型刚刚建立完成后，为了缓解小批量区间成纱不够会造成重纺的生产压力，特赋予小批量区间修正值。即给予小批量纺纱通过模型得出投料后，再赋予一定额外的投料。这部分额外的投料主要考虑一些特殊用绒、染色工艺等造成纤维损伤可能会导致成纱不足的经验数据。修正值的增加，既给模型刚实施启动增加了灵活调节的余地，又减轻了操作人员的陌生性。

修正值是通过于模拟成纱与实际成纱小于0部分的中位数与投料系数的乘积得来的。根据模型预测，修正部分为N≤50公斤的区间，计划成纱18吨，修正后多成纱0.7吨，一般是生产过程中可以接受的余量。

本发明所提供的动态制成率模型建立完成后，会产生一套自动运算匹配表。有效的解决了传统生产运行中，纱线计划流程是需要对照制成率表，每批线下先计算大致投料数，然后根据投料区间在精准计算投料，运算复杂，且容易出错，效率难以提高。本发明提供的运算匹配表是采用公式运算，只需要带入纺纱订单的基本数据，不用线下运算，直接可求得原料投入量，极大的提高了生产计划工作的效率。

此外，采用本发明所述提供的模型，还可有效的解决现有的羊绒生产过程中，数据管理的混乱；可协助管理者更好的找到并查阅相关数据。

本发明提供一种优选方案，所述动态制成率模型采用如下方式构建：

1)选取纺纱制成率的影响因素；所述影响因素选自批量，成分，颜色浓度，支数，原料的长度、细度、短绒率及其原料的结构中的一个或多个；

2)以所述影响因素为依据，多元回归线性分析，并采用如下多元线性回归方程：

y＝β₀+β₁x₁+β₂x₂++β₃x₃+......+β_mx_m+ε

其中，y为因变量；x为自变量；β为回归系数；ε称为误差项；

3)结合DOE试验分析，根据每个批次的羊绒，依据观测实际成纱与投料差异率变化的拐点，调整动态制成率对原批量划段区间的划分；并对应所述投料区间建立计算公式；

其中，所述区间具体采用如下方式获得：求函数y＝f(x)在c点一侧是凸，另一侧是凹的拐点，求得实验数据中实际成纱与投料差异的百分比后带入统计分析软件JMP进行分析；

4)对模型进行修正，修正值通过于模拟成纱与实际成纱小于0部分的中位数与投料系数的乘积得来的；

5)根据所述计算公式，计算羊绒的投入产出数。

本发明至少具有如下有益效果：

1)本发明提供的模型，形成了每一批纱线特定的制成率，且能根据实际生产情况不断调整，动态制成率打破了原有的在一个批量区间内只有一个平均制成率指标的模式，通过研究影响成纱的的各项因素，包括投料批量、纱线颜色、支数、成分以及原料的长度、细度、短绒率等，找到影响纺纱成纱的关键影响因素，并将这些因素融合到一个统一的计算模型中，从而形成了每一批纱线特定的制成率。

2)该模型可根据近期的纺纱实际情况不断的更新调整的，可以实现指标随着实际生产水平的提升而动态提升的目标。使得计算模型越来越接近实际情况。动态制成率可谓是对一段时间内人员、设备、原料情况等因素综合作用后纺纱情况的指标反映。

3)从实际成纱与投料的关系来看，是一种线性关系，具备了使用大数据统计中的多元回归模型的基础。且多元回归模型可以将影响因素统一纳入模型进行分析，来观测这些因素的影响显著性。DOE试验设计又可以观测这些因素的交互作用，从而让模型更准确，因素间的相互作用得到直观的体现。

4)本发明所述的动态制成率模型，将对羊绒制造业产生重大影响，会极大的降低原料成本，提高计划的精准性。这样的建模思路不仅可以在生产管理领域进行推广，在整个供应链链条上，以及财务管理、人力资源管理方面都可以尝试。而且，不仅可以在羊绒行业进行推广，在整个纺织行业，甚至是制造业都可以广泛应用和推广。因此，对我们的管理提升来说，动态制成率的研究应用可谓是重大的管理创新突破。

附图说明

图1为JMP软件显示实际成纱与投料的差异分割情况图；

图2为模拟制成率与原制成率对比情况图。

具体实施方式

以下实施例用于说明本发明，但不用来限制本发明的范围。

实施例1

本实施例提供一种羊绒纺织生产计算投入量的动态制成率模型，采用如下方式构建：

1)选取纺纱制成率的影响因素批量(投料)，成分，颜色浓度；

通过DOE试验设计，来研究各因素与实际成纱的影响关系。其中，因为本次研究主体的纱线基本为两种纱线支数，16S/1和18S/1，支数基本没有太大变化，实际生产情况也是证明目前的纺纱结构决定了支数的变化对制成率没有影响。所以试验设计只研究批量，成分，颜色浓度与成纱之间的关系。

本试验是通过Mintab的DOE分析功能和多元回归统计分析功能来实现。首先，通过DOE试验设计分析影响因素之间是否有交互作用。DOE试验设计采用全因子设计，设计了三个中心点，试验数据设计如下：

表2

投料	成分	浓度	投料	成分	浓度
						1	-1	-1	570	0.1	0.1
-1	1	1	35	1	7
						0	0	0	318	0.5	3.5
1	1	1	570	1	7
						-1	1	-1	35	1	0.1
1	-1	1	570	0.1	7
						1	1	-1	570	1	0.1
0	0	0	318	0.5	3.5
						-1	-1	1	35	0.1	7
0	0	0	318	0.5	3.5
						-1	-1	-1	35	0.1	0.1

投料最大值选取了最高水平值570kg，最低水平值为35kg；成分选了含绒量最高水平值为100％山羊绒，最低水平值为10％山羊绒的两类数据；颜色浓度最高水平值选取了黑色浓度为7，最低水平值选了浓度为0.1的浅色纱；中心点数据选取了投料为318kg，成为为50％的含绒量，浓度为3.5的三次纺纱结果数据。从这些试验样本点的试验结果看实际成纱与投料的差异来分析各因素的作用。

以下为试验结果的方差分析：

表3 DOE试验设计方差分析结果

由表3所示，投料数量(批量)、成分和浓度与实际成纱是线性关系，其中，投料数量是非常显著的影响因素，成分和浓度作为单独因子来讲的影响效果也有，但是不算是非常显著的。投料、成分、浓度三者之间的交互作用对成纱量并没有显著影响。即使投料与浓度的交互作用较其他两类交互用相对明显一些，但是仍不是显著影响因素。

2)以所述影响因素为依据，在Mintab里使用回归分析功能，根据多元回归线性分析采用如下多元线性回归方程：

y＝β₀+β₁x₁+β₂x₂++β₃x₃+......+β_mx_m+ε

其中，y为因变量；x为自变量；β为回归系数；ε称为误差项；

3)结合DOE试验分析，根据每个批次的羊绒，依据观测实际成纱与投料差异率变化的拐点，调整动态制成率对原批量划段区间的划分；并对应所述投料区间建立计算公式；

其中，所述区间具体采用如下方式获得：求函数y＝f(x)在c点一侧是凸，另一侧是凹的拐点，求得实验数据中实际成纱与投料差异的百分比后带入统计分析软件JMP进行分析；

通过对1971批纺纱数据的分析，得出了以下区间；如图1所示，各区间的拐点，即投料为50kg，98kg，193kg，506kg的数据点。接下来，就按照这几个数据点，分别做线性回归分析，建立模型；

将所有数据带入到Mintab软件中，进行线性回归分析：

1、N≤50kg

表4 N≤50kg纺纱数据方差分析结果

以上分析可以看出，投料、成分、浓度对于这个区间的纺纱情况来说都是显著影响因子。

表5 N≤50kg纺纱模型

2、50kg＜N≤98kg

表6 50kg＜N≤98kg纺纱数据方差分析结果

以上分析可以看出，投料、成分、浓度对于这个区间的纺纱情况来说都是显著影响因子。

表7 50kg＜N≤98kg纺纱模型

3、98kg＜N≤193kg

表8 98kg＜N≤193kg纺纱数据方差分析结果

以上分析可以看出，投料、成分、浓度对于这个区间的纺纱情况来说都是显著影响因子。

表9 98kg＜N≤193kg纺纱模型

4、193kg＜N≤506kg

表10 193kg＜N≤506kg纺纱数据方差分析结果

以上分析可以看出，投料、成分、浓度对于这个区间的纺纱情况来说都是显著影响因子。

表11 193kg＜N≤506kg纺纱模型

5、N＞506kg

表12 N＞506kg纺纱数据方差分析结果

以上分析可以看出，投料、成分、浓度对于这个区间的纺纱情况来说都是显著影响因子。

表13 N＞506kg纺纱模型

/>

综上所示，各区间的模型为：

表14纺纱的动态制成率模型

投料区间	模型	S	R-sq
				N≤50	Y＝-2.862+0.9343X1+0.623X2+0.1836X3	1.51642	84.51％
50＜N≤98	Y＝-5.67+0.9481X1+2.828X2+0.3008X3	2.09356	85.71％
				98＜N≤193	Y＝-5.52+0.9459X1+3.903X2+0.701X3	3.17919	96.03％
193＜N≤506	Y＝-18.20+0.977X1+11.66X2+1.303X3	9.69818	99.23％
				N＞506	Y＝-20.90+0.9875X1+4.21X2+3.175X3	14.0731	95.35％

其中，X1＝投料；X2＝成分；X3＝颜色浓度；Y＝实际成纱

4)对模型进行修正，修正值通过于模拟成纱与实际成纱小于0部分的中位数与投料系数的乘积得来的；

考虑担心小批量区间成纱不够会造成重纺的生产压力，特赋予小批量区间修正值，即在N≤50这个区间每批增加1.17公斤的修正值。

修正值是通过于模拟成纱与实际成纱小于0部分的中位数与投料系数的乘积得来的。根据模型预测，修正部分为N≤50公斤的区间，计划成纱18吨，修正后多成纱0.7吨，是我们生产可以接受的余量。

修正值是容许计划员根据车间的实际生产情况，订单原料的配比情况以及当下纺纱结果的情况灵活调节余量的一个数据，因此，既可以增加1.17公斤，也可以不增加，或可以增加更多的量。比如，若是车间反馈红色纱线飞毛较多，制成率不容易达到，那么就可以增加2公斤，还比如最近小批量纱线都可以达到制成率，那么也可以取消1.17公斤的修正值。

5)根据所述计算公式，计算羊绒的投入产出数。

模拟验证

把模型带入原数据，对比模型(模拟制成率)对原数据(原制成率)模拟的情况如下：

表15模拟制成率与原计划制成率对比

由上表及图2所示，根据模型模拟2017年的纺纱情况，可降低8.9吨原料投入，节约约685万元。

实际验证2018年1-11月应用效果

1、动态制成率与原制成率批量因素变化对比示例

过去，原制成率都是在一个批量区间给定一个值，在这个区间内，所有纱线的制成率都采用统一的数值。动态制成率则达到了每批纱线都有自己特定的制成率。从表4.1就可以看出，原制成率在投料区间100kg≤N＜200kg之间的制成率是91.5％，但是应用动态制成率之后，分别出现了98.3％，97.3％，94.7％这些不同的制成率，而且实际成纱的情况也达到了动态制成率的要求，实际成纱还大于计划成纱。

虽然动态制成率模型整体上在各个批量区间模拟的制成率都较原制成率有了提升，但是具体到每批纱线，并不是每批的制成率都有提升，像FYCM1830640，FYCR1830764这两批纱，按照原纺纱投料区间看，这两批纱的制成率是93％，应用动态制成率后，制成率分别为90.8％和90.1％。从实际成纱情况看，也没有达到原制成率，FYCM1830640按照238kg的投入，要求成纱为221.3kg，但是实际成纱是218.6kg，接近动态制成率要求；FYCR1830764这批纱按照222kg的投入，原制成率要求成纱为206kg，但是实际成纱为200kg，没有达到原制成率的要求，和动态制成率要求的成纱很接近。

因此，可以看出，动态制成率模拟的投料情况比原制成率更接近实际情况了。

表16动态制成率与原制成率对比批量因素示例

2、动态制成率与原制成率成分因素变化对比示例

同批量，同颜色，但是不同成分的纱线实际制成率也是不同的。FYCM1830373，SYCR1800299，FYCR1830424这三批纱的对比就是很好的示例。他们都是投料在N＞500kg的纱线，都是黑色纱线，原制成率均为97.5％。应用动态制成率之后，由于成分不一样，三批纱线的动态制成率分别为98.9％，99.9％和99.8％，也就是说100％山羊绒和绒毛混合的纱线的制成率是不一样的。从实际成纱情况来看，他们实际成纱的情况也是不一样的，但是都基本满足了动态制成率的要求，前两批纱线还超过了动态制成率。

表17动态制成率与原制成率对比成分因素示例

3、动态制成率与原制成率浓度因素变化对比示例

同样的批量投入，同样成分，不同的颜色浓度，实际成纱也是不一样的。比如，SYCR1830234，SYCR1830235这两批纱，都是35kg的投料，100％山羊绒的成分，若是按照原制成率，这两批纱的计划成纱是减去8kg，制成率约为77％。应用动态制成率模型之后，这两批纱的动态制成率分别为85.7％和88.6％，比原制成率分别提高了6.8个百分点和9.1个百分点。实际成纱也基本达到了动态制成率的要求。

对于FYCR1830336，FYCR1830344，FYCR1830555这4批纱，都是在投料N＞500kg的区间内，投料数量一样，成分也一样，原制成率为95.5％，应用动态制成率模型模拟后，由于颜色浓度不一样，制成率分别为95.8％，95.8％，96.8％，虽然较原制成率都提升了，但从实际成纱数量来看，都达到了动态制成率要求。

表18动态制成率与原制成率对比颜色浓度因素示例

4、动态制成率与原制成率投料数量对比

动态制成率运行9个月后，表19的对比数据说明了运行结果。

投料在N≤50kg的纺纱区间内，动态制成率比原制成率提高了9.5个百分点，实际制成率达到了动态制成率，且比动态制成率高0.6个百分点；

投料在50kg＜N≤98kg的纺纱区间内，动态制成率比原制成率提高了4.5个百分点，实际制成率达到了动态制成率，且比动态制成率高1.3个百分点；

投料在98kg＜N≤193kg的纺纱区间内，动态制成率比原制成率提高了1.1个百分点，实际制成率达到了动态制成率，且比动态制成率高0.1个百分点；

投料在193kg＜N≤506kg的纺纱区间内，动态制成率比原制成率提高了1.1个百分点，实际制成率达到了动态制成率，且比动态制成率高0.5个百分点；

投料在N＞506kg的纺纱区间内，动态制成率比原制成率提高了1个百分点，实际制成率达到了动态制成率，且比动态制成率高0.5个百分点；

到目前为止，动态制成率运行了近9个月，这九个月也是全年纺纱生产最饱和的时段，共纺了1740批纱，投入340吨原料，整体上，动态制成率为95.9％，比原制成率93.9％提高了2个百分点，实际制成率为96.4％，达到了动态制成率。

通过动态制成率的运行，可节约6.8吨原料的投入，就可以产生相同的生产用纱，按照当下的绒价计算，节约约524万，全年预计纺纱440吨，那么可以节约678万元。

表19 2018年应用动态制成率与原制成率对比

投料区间	原制成率	实际制成率	动态制成率	动制成率与原制成率差异
					N≤50	78.9％	89.0％	88.4％	9.5％
50＜N≤98	86.8％	92.6％	91.3％	4.5％
					98＜N≤193	92.0％	93.2％	93.1％	1.1％
193＜N≤506	94.0％	95.6％	95.1％	1.1％
					N＞506	95.9％	97.5％	97.0％	1.0％

5、动态制成率与原制成率计划精准度对比

动态制成率模型很好的模拟了纱线在不同批量，不同成分，不同颜色，甚至是不同设备状态下的生产效率，所以，在动态制成率的模型下，各个纱线区间的制成率也有了显著变化，动态制成率更贴近实际的制成率，这样生产计划的精准性也将大幅度提升。

(1)动态制成率与原制成率计划精准度从整体上对比

整体上，2018年实施动态制成率后，与2017年相比，实际成纱与计划成纱的偏差波动由过去的14.4％，降低到了4％，下降了10个百分点，准确率提升了71％，平均偏差率为3％，较过去的平均偏差率6％的降低了3个百分点。偏差波动的集中度由2017年的4.2％下降到了2.5％，下降了1.7个百分点。

表20动态制成率与原制成率实际成纱与计划成纱偏差对比

变量

样本量

均值

标准差

中位数

最小值

下四分位数

上四分位数

最大值

原制成

1933

6％

14％

4.2％

-61％

1％

10％

135％

动态

1740

3％

4％

2.5％

-11％

1％

6％

15％

差异

-3％

-10.2％

-1.7％

49.7％

-0.4％

-4.9％

-119.8％

提升

43％

71％

40％

82％

35％

47％

89％

(2)动态制成率与原制成率计划精准度在N≤50kg区间内对比

小批量纱线计划的准确性一直是困扰集团生产计划的难点，因为若是计划不准，就会造成补纺，补纺一方面会造成大量的余纱，另一方面会大大制约生产进度，因为小批量纱线本身在调车，质量控制方面难度就比大批量纱线难，往往加急订单基本都是小批量纱线，所以补纺会严重影响生产交货期。动态制成率模拟的成纱与实际成纱差异的大幅度减小，缓解了集团历年谨慎优化小批量纱线制成率的问题。

表21动态制成率与原制成率计划精准度在N≤50kg区间内对比

变量

样本量

均值

标准差

中位数

最小值

下四分位数

上四分位数

最大值

原制成

897

13.0％

17.4％

10.8％

-45.8％

5.9％

15.7％

135.0％

动态

699

5.4％

5.0％

5.4％

-10.8％

1.8％

9.0％

15.2％

差异

-7.6％

-12.4％

-5.4％

35.0％

-4.0％

-6.6％

-119.8％

提升

59％

71％

50％

76％

69％

42％

89％

2018年实施动态制成率后，与2017年相比，投料在N≤50kg区间的实际成纱与计划成纱的偏差波动由过去的17.4％，降低到了5％，下降了12.4个百分点，准确率提升了71％，平均偏差率为5.4％，较过去的平均偏差率13％降低了7.6个百分点，下降了59％。偏差波动的集中度由2017年的10.8％下降到了5.4％，下降了5.4个百分点。

(3)动态制成率与原制成率计划精准度在50kg＜N≤98kg区间内对比

表22动态制成率与原制成率计划精准度在50kg＜N≤98kg区间内对比

变量

样本量

均值

标准差

中位数

最小值

下四分位数

上四分位数

最大值

原制成

169

-0.9％

12.9％

1.3％

-125.5％

-1.7％

3.1％

18.5％

动态

105

1.7％

3.9％

0.8％

-11.0％

-0.2％

4.9％

11.8％

差异

2.6％

-9.0％

-0.5％

114.4％

1.5％

1.8％

-6.7％

提升

298％

69％

35％

91％

86％

-57％

36％

与2017年相比，投料在50kg＜N≤98kg区间的实际成纱与计划成纱的偏差波动由过去的12.9％，降低到了3.9％，下降了9个百分点，准确率提升了69％，平均偏差率为1.7％，较过去的平均偏差率-0.9％降低了2.6个百分点。偏差波动的集中度由2017年的1.3％下降到了0.8％，下降了0.5个百分点。

(4)动态制成率与原制成率计划精准度在98kg＜N≤193kg区间内对比

表23动态制成率与原制成率计划精准度在98kg＜N≤193kg区间内对比

变量

样本量

均值

标准差

中位数

最小值

下四分位数

上四分位数

最大值

原制成

179

1.7％

4.7％

2.4％

-33.4％

0.0％

4.3％

13.8％

动态

81

2.1％

2.7％

1.9％

-3.7％

0.7％

3.4％

7.5％

差异

0.5％

-2.1％

-0.5％

29.7％

0.7％

-0.9％

-6.3％

提升

-28％

44％

22％

89％

20％

46％

与2017年相比，投料在98kg＜N≤193kg区间的实际成纱与计划成纱的偏差波动由过去的4.7％，降低到了2.7％，下降了2.1个百分点，准确率提升了44％，平均偏差率为2.1％，较过去的平均偏差率1.7％上升了0.5个百分点。偏差波动的集中度由2017年的2.4％下降到了1.9％，下降了0.5个百分点。

(5)动态制成率与原制成率计划精准度在193kg＜N≤506kg区间内对比

表24动态制成率与原制成率计划精准度在193kg＜N≤506kg区间内对比

变量

样本量

均值

标准差

中位数

最小值

下四分位数

上四分位数

最大值

原制成

332

2.2％

4.7％

2.5％

-17.7％

0.0％

4.3％

35.4％

动态

318

2.1％

2.3％

1.9％

-4.5％

0.7％

3.5％

8.0％

差异

-0.1％

-2.4％

-0.6％

13.2％

0.8％

-0.8％

-27.4％

提升

4％

51％

23％

74％

19％

77％

与2017年相比，投料在193kg＜N≤506kg区间的实际成纱与计划成纱的偏差波动由过去的4.7％，降低到了2.3％，下降了2.4个百分点，准确率提升了51％，平均偏差率为2.1％，较过去的平均偏差率2.2％降低了0.1个百分点。偏差波动的集中度由2017年的2.5％下降到了1.9％，下降了0.6个百分点。

(6)动态制成率与原制成率计划精准度在N＞506kg区间内对比

表25动态制成率与原制成率计划精准度在N＞506kg区间内对比

变量

样本量

均值

标准差

中位数

最小值

下四分位数

上四分位数

最大值

原制成

356

1.2％

10.5％

1.7％

-154.8％

-0.1％

3.5％

40.8％

动态

537

1.6％

1.9％

1.4％

-5.1％

0.3％

2.6％

9.9％

差异

0.4％

-8.6％

-0.3％

149.7％

0.4％

-0.9％

-30.9％

提升

-29％

82％

16％

97％

25％

76％

与2017年相比，投料在N＞506kg区间的实际成纱与计划成纱的偏差波动由过去的10.5％，降低到了1.9％，下降了8.6个百分点，准确率提升了82％，平均偏差率为1.6％，较过去的平均偏差率1.2％上升了0.4个百分点。偏差波动的集中度由2017年的-0.1％调整到了0.3％。

(7)动态制成率与原制成率计划精准度在各区间对比汇总

表4.11动态制成率与原制成率计划精准度在各区间对比汇总

总体上，可以看到动态制成率的应用使实际成纱与计划成纱的偏差波动(标准差值)大大降低了，也就是生产计划的精准性提高了。而且，均值也再像0靠近。但是，要想进一步提升动态制成率模型的精准性，还需要不断跟踪历史数据，调整参数，同时，保证原始数据录入的准确性，才可以使模型一步步的准确。

通过对比，上述羊绒集团一个生产单元试点，经过一年，节约原料成本近600万元，占到全年利润的30％。2018年下半年，羊绒集团开始全面退关，按照2019年羊绒集团全部的纺纱投入量2000吨估算，相当于多投入40-80吨原料，若能减少这部分投入，则可以节约3000-6000万元。而由于成纱不够造成补纺的纱线余纱统计有4吨，这些若能计划精准，也可以节约近300万元。而这些节约的成本占到了整个羊绒集团生产单元利润的30％-40％。且实际成纱与计划成纱的偏差波动由过去的14％，降低到了5％，准确率提升了160％，且平均偏差率为3.8％，较过去的平均偏差率6％的降低了2.2个百分点。

虽然，上文中已经用一般性说明、具体实施方式及试验，对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (3)

1.一种羊绒纺织生产计算投入量的复合动态制成率模型，其特征在于，采用如下方式构建：

1)以纺纱生产的实际成纱为指标，以批量、成分、颜色浓度、支数为第一批影响因素；进行多元回归线性分析，并采用如下多元线性回归方程：

y＝β₀+β₁x₁+β₂x₂++β₃x₃+......+β_mx_m+ε

其中，y为因变量；x为自变量；β为回归系数；ε称为误差项；

2)结合决策树分析，根据每个批次的羊绒纱线，依据观测实际成纱与投料差异率变化的拐点，调整批量划段区间；并对应所述投料区间建立第一计算公式；

其中，所述区间具体采用如下方式获得：求函数y＝f(x)在c点一侧是凸，另一侧是凹的拐点，求得实验数据中实际成纱与投料差异的百分比后带入统计分析软件JMP进行决策树分析；

3)根据所述第一计算公式，初步计算所述实际成纱所需原料的投入量，并进行原料的配投；

4)根据步骤3)所述配投的情况，计算获得所述原料的质量指标和原料配比；

5)以步骤4)获得的原料的质量指标和原料的配比以及以及第一批影响因素为纺纱制成率的第二批影响因素；重复步骤1)～2)所述的多元回归线性分析和决策树分析；根据每个批次的羊绒纱线，依据观测实际成纱与投料差异率变化的拐点，调整批量划段区间；并对应所述投料区间建立第二计算公式；

其中，所述质量指标为原料纤维的平均平度、长度整齐度；所述原料的配比为开松回丝占比；

6)对模型进行修正，修正值通过于模拟成纱与实际成纱小于0部分的中位数与投料系数的乘积得来的；

7)根据步骤6)修正后的第二计算公式，计算出所述实际成纱所需原料的投入量。

2.根据权利要求1所述的复合动态制成率模型，其特征在于，所述的第一批影响因素和第二批影响因素采用数字量化的形式表现。

3.根据权利要求1所述的复合动态制成率模型，其特征在于，所述区间具体采用如下方式获得：求函数y＝f(x)在c点一侧是凸，另一侧是凹的拐点，求得实验数据中实际成纱与投料差异的百分比后带入统计分析软件JMP进行分析。

Images