CN112095210B - 通过机械学习进行的横编机的驱动数据的处理方法及处理系统 - Google Patents

Abstract

一种通过机械学习进行的横编机的驱动数据的处理方法和横编机的驱动数据的处理系统，通过机械学习来判别能否在横编机中编织，或通过机械学习来求出在横编机中的适当的编织条件。使用学习完毕的机械学习装置，该机械学习装置将纱线的物性值和横编机的驱动数据作为说明变量，将在横编机中的编织的可否或可执行的编织条件作为目的变量，将纱线的物性值和横编机的驱动数据作为说明变量输入机械学习装置，使在横编机中的编织的可否或可执行的编织条件从机械学习装置输出。

Description

通过机械学习进行的横编机的驱动数据的处理方法及处理 系统

技术领域

本发明涉及通过机械学习对横编机的驱动数据进行处理。

背景技术

在横编机中的编织的可否及适当的编织条件依赖于纱线的物性值(表示纱线的性质的参数)而变化。例如即使是同种的纱线，如果实施染色，则纱线的性质也变化，一般来说染料的量越多，纱线越硬。另外，在黑色的染料中，与其它颜色的染料相比，纱线变硬的情况多。纱线的性质根据温度和湿度进行变化，例如，即使是在高湿的环境下能没有问题地编织的编织物，也不一定能在低湿的环境下同样地编织。因为这样的情况，所以在日本进行编织的情况下和在日本国外进行编织的情况下，如果没有确认一下则不知道可否在相同编织条件下进行编织。此外，即使是同种的纱线，去年制造的纱线和今年制造的纱线有时性质也不一致。根据纱线的原材料的微小差异，制造条件的稍许差异、保管期间的差异等，纱线的性质一点一点地变化。

用于编织物的纱线，根据原材料的变化、纺织技术和染色技术的进步等，每年都发生变化。编织物的设计也同样地变化。于是，能否将用于上一季节的纱线的编织条件也适用于现在季节的纱线是不清楚的。

纱线的物性可以认为受到纱线的原材料(羊毛、棉、化学纤维等纤维的种类)、每单位长度的纱线的重量(支数)、捻数(每单位长度的纱线的捻数)等的影响。但是，根据这些因素推测与纱线的物性相应的适当的编织条件是困难的。不仅如此，能否根据原材料、支数、捻数等推测纱线的物性自身也是疑问。例如温度和湿度的影响、染色的影响、每个季节的纱线的物性的差异等，在纱线的原材料、支数、捻数方面难以说明。

结果，每当纱线在某种意义上变化时都需要在横编机上试编织编织物。在试编织中，确认能否编织如目标的那样的品质的编织物，在试编织时应确认的数据是线圈的线圈密度值(线圈的尺寸)、编织物的编织速度、编织的编织物的下拉条件、对纱线施加的张力等多种多样。频繁地进行试编织是非有效的。

对相关的在先技术进行介绍。专利文献1(WO2009/34910)将编织物的不良状况数据存储在计算机的表中，基于编织数据模拟横编机内的针床和导纱器的动作，检测不良状况。在专利文献1中，虽然能检测出编织数据的不良状况，但是不进行学习。在专利文献1中，不良状况数据是被写入表中的固定的数据，不会自动学习不良状况数据。

专利文献2(US2017/0273383)公开了通过机械学习或回归分析生成服装图案(第0034、0036段)。但是，专利文献2既没有公开与纱线的物性值相应地将横编机的驱动数据进行最优化，也没有公开对能否编织进行判别。

在先技术文献

专利文献

专利文献1：WO2009/34910

专利文献2：US2017/0273383

发明内容

发明所要解决的课题

本发明的课题是通过机械学习判别能否在横编机中进行编织，或通过机械学习求出在横编机中的适当的编织条件。

为了解决课题的手段

在本发明的通过机械学习进行的横编机的驱动数据的处理方法中，使用学习完毕的机械学习装置，该机械学习装置将纱线的物性值和横编机的驱动数据作为说明变量，将在横编机中的编织的可否或可执行的编织条件作为目的变量，

将纱线的物性值和横编机的驱动数据作为说明变量输入机械学习装置，

使在横编机中的编织的可否或可执行的编织条件从机械学习装置输出。

在本发明横编机的驱动数据的处理系统中，使用学习完毕的机械学习装置，该机械学习装置将纱线的物性值和横编机的驱动数据作为说明变量，将在横编机中的编织的可否或可执行的编织条件作为目的变量，

并被构成为，如果将纱线的物性值和横编机的驱动数据输入所述机械学习装置，则输出在横编机中的编织的可否或可执行的编织条件。

在本发明中，能通过机械学习判别能否在横编机中进行编织，或获得中横编机中的适当的编织条件。因此，不需要使用新的纱线时的试编织，或能减少试编织的次数。另外，能缩短采用新的纱线后到实际编织为止的准备时间。

优选为，将横编机的驱动数据输入前处理装置，由前处理装置将横编机的驱动数据变换为向机械学习装置输入的数据。因此，机械学习装置不需要将驱动数据向需要的数据变换。

优选为，说明变量包含在放置横编机的环境的温度和湿度下的纱线的物性值，特别优选为，说明变量由在上述的温度和湿度下的纱线的物性值以及横编机的驱动数据构成。纱线的物性值依赖于温度和湿度。在此，在放置横编机的环境的温度和湿度下的纱线的物性值是编织时的实际的纱线的物性值。因此，通过将此物性值作为说明变量，能使温度和湿度的影响变得极小。在此，放置横编机的环境是指放置横编机的建筑内的环境或与其类似的环境。

优选为，在说明变量中不包含纱线的原材料的种类。如果将纱线的原材料不作为说明变量，则不需要对每个纱线的原材料准备学习用的数据。因此，能使机械学习装置更快地学习。

优选为，目的变量有多个，使用与目的变量相应的多个机械学习装置，从各机械学习装置对每个目的变量输出在横编机中的编织的可否或可执行的编织条件。成为目的变量的横编机的编织条件是编织速度、下拉条件、线圈尺寸、施加在纱线上的张力等多种多样。将它们全部在一个机械学习装置中进行处理是困难的。如果设置与目的变量相应的机械学习装置使其进行学习，则能简单地处理需要的编织条件。

优选为，纱线的物性值至少包含纱线宽度、纱线断裂时的张力以及对纱线施加了张力时的伸长率。更优选为，纱线的物性值还包含纱线的摩擦系数。发明人确认了能由纱线宽度、纱线断裂时的张力、对纱线施加了张力时的伸长率以及纱线的摩擦系数说明纱线的物性的差异。而且在它们当中，纱线宽度、纱线断裂时的张力以及对纱线施加了张力时的伸长率是主要的因素。

优选为，如果基于从机械学习装置输出的在横编机中的编织的可否或可执行的编织条件，使机械学习装置追加学习在横编机中编织了编织物时的结果，则能加深机械学习装置的学习。

优选为，目的变量包含可编织的线圈尺寸的下限或以被指定的线圈尺寸进行的编织的可否，机械学习装置对每个线圈的种类输出线圈尺寸的合适范围或以被指定的线圈尺寸进行的编织的可否。可以认为能编织的线圈尺寸的下限依赖于纱线的物性值和线圈的种类(编织物的构造)决定。因此，如果通过机械学习来求出可编织的线圈尺寸的下限，则不需要每当纱线变化时都反复进行试编织来求出下限。此外，按发明人的经验，线圈尺寸的上限由线圈密度三角等横编机的机构上的制约决定，不能成为通过机械学习求出的对象。在假设线圈尺寸的上限不是由横编机的机构而是由纱线的物性值和线圈的种类等决定的情况下，线圈尺寸的上限也能成为机械学习的对象。

优选为，目的变量是每个编织线圈横列的编织速度的合适值或以被指定的编织速度进行的编织的可否。如果增加编织速度则编织物的生产率增加，但同时也容易产生纱线断开、线圈尺寸紊乱等不良状况。因此，如果能通过机械学习来求出适当的编织速度等，则能有效地编织所希望品质的编织物。

优选为，目的变量是每个编织线圈横列的在编织物的最佳的下拉条件或被指定的下拉条件下的编织的可否。例如在折回编织中，由于在一些线圈横列之前编织的线圈被保持在针床上不变，所以难以将编织物适当地下拉。另外扭转线圈难以从针上脱圈。如果通过隐藏线圈将线圈从针床上取下，则会下拉未保持在针床上的线圈列。因此，如果能通过机械学习来求出适当的下拉条件，则不需要反复试编织来求出适当的下拉条件。

此外，在机械学习装置中进行处理的目的变量的种类是任意的。机械学习装置的种类是任意的，但优选使用示教数据。

附图说明

图1是实施例的机械学习系统的框图。

图2是表示装入了实施例的机械学习系统的横编机的框图。

图3是表示实施例的机械学习系统的其它使用环境的图。

图4是示意地表示纱线的摩擦系数的测定方法的图。

图5是示意地表示纱线宽度的测定方法的图。

图6是示意地表示纱线的断裂强度和伸长率的测定方法的图。

图7是求出可编织的线圈尺寸的下限的多重回归分析装置的框图。

图8是用于求出合适编织速度的多重回归分析装置的框图。

图9是用于求出编织物的下拉条件的神经元网络的框图。

图10是变型例的神经元网络的框图。

图11是示意地表示通过k邻域法进行的判别的图。

具体实施方式

以下，表示用于实施发明的最佳实施例。

(实施例)

图1～图11表示实施例及其变型例。图1表示机械学习系统2。在图1中，前处理装置4从纱线的物性值、横编机的驱动数据等的输入抽取个别的对机械学习装置6所需要的数据，或将这些输入中的因素组合，作为说明变量输入个别的机械学习装置6。机械学习装置6优选在学习完毕后与可编织的线圈尺寸的范围、编织速度的最佳值、适当的下拉条件等涉及编织的事项相应地设置多个。与通过一个机械学习装置处理全部事项相比，对每个事项进行处理更简单。此外，前处理装置4、机械学习装置6不需要在硬件上独立地存在，例如可以在1台计算机上以软件的方式实现，也可以在多个计算机上分散地实现。

机械学习装置6例如是多重回归分析装置或判别分析装置等多变量解析装置、神经元网络、将说明变量看做相位空间的点时的根据附近的示教数据进行判别的k邻域法的机械学习装置等。机械学习装置6的种类是任意的。

纱线的物性值(有时也简称为“纱线的物性”)优选包含纱线宽度、纱线断裂时的张力(断裂张力)、对纱线施加张力时的伸长率，以及纱线的摩擦系数，优选至少包含纱线宽度、断裂张力、伸长率。伸长率既可以是在纱线断裂前求出的伸长率，或者也可以是从不施加张力的状态到纱线断裂为止的伸长率。

除了这些之外，也可以将纱线的弯曲刚性、磨损强度、纱线的捻数等包含在纱线的物性值中。但是，根据发明人的经验，弯曲刚性及磨损强度与其称作独立的变量，更能看做是与纱线宽度、断裂张力、伸长率、摩擦系数具有相关关系的从属变量。另外，纱线的捻数对编织的可否或编织条件的最佳值影响少。因此，纱线的弯曲刚性、磨损强度、捻数既可以包含在说明变量中，也可以不包含在说明变量中。

纱线的物性值根据温度和湿度进行变化。对此的想法之一是使用在成为基准的温度和湿度下的物性值，如果在进行编织的环境中的温度和湿度与成为基准的温度和湿度不同，则加以修正。但是，如果使用在进行编织的环境的温度和湿度下的物性值，则不需要这样的修正。另外，由于与在标准环境下的纱线的物性值相比在实际编织环境下的物性值更重要，所以优选将在实际编织环境的温度和湿度下的物性值作为说明变量。实际编织的环境是指，例如，是指设置了横编机的建筑物内的环境等。

为了掌握纱线的物性，从以往以来一直使用纱线的原材料和支数。如果将原材料作为说明变量，则有时也能更准确地预测编织的可否和最佳的编织条件，但在多数情况下，即使不将原材料作为说明变量，也能预测编织的可否和最佳的编织条件。因此，原材料也可以不包含在说明变量中。另外，如果在说明变量中包含原材料，则需要学习更多的数据。例如，如果将原材料分类为棉、羊毛、化学纤维三种，则对学习所需的数据约成为三倍。

横编机的驱动数据是与横编机的动作有关的数据。将编织数据、编织速度(滑架编织编织物的速度)、供给纱线时的张力等横编机的驱动数据在宽的范围内输入前处理装置4。前处理装置4抽取对各个机械学习设备6所需要的数据，或者将输入数据组合生成所需要的数据。

目的变量是编织的可否、最佳的编织条件、可编织范围的上限或下限等。编织的可否、最佳的编织条件等依赖于横编机的种类。因此，机械学习系统2以特定的种类的横编机为前提，或者对横编机的每个种类进行学习。另外，对于相同的说明变量，编织的可否、编织条件的最佳值等可以认为相同的横编机是同种横编机。另外，横编机以横编机为例进行说明，但例如也可以是圆横编机。

作为目标变量，在实施例中以可编织的线圈尺寸的下限、最佳的编织速度、最佳的下拉条件为对象，通过机械学习求出这些值。除了这些之外，也可以通过从纱线供给系统施加在纱线上的张力的最佳值、输入的编织数据进行能否编织所希望品质的编织物的判别等。

图2表示在控制器20内装入了机械学习系统2的横编机10。横编机10具有多个针床11，其中至少一个针床11可通过横移装置12横移。通过滑架13操作针床11的针，同时使纱线供给系统14的导纱器联动。即，通过由横移装置12使多个针床11相对地移动，由滑架13操作针，并从导纱器向针供给纱线，编织编织物。纱线供给系统14由纱线的锥形纱筒、顶弹簧装置、从顶弹簧装置送出纱线的纱线进给装置、对纱线施加所需要的张力的侧张紧装置等构成。编织的编织物，由针床11的下部的下拉装置14下拉。在实施例中，下拉装置14由未图示的下拉辊和将编织物下拉的多个下拉爪构成。

控制器20控制横编机10，从I/O22输入编织数据等驱动数据，由机械学习系统2求出编织的可否或最佳的编织条件等。控制器20将机械学习系统2求出的编织的可否或最佳的编织条件等显示在显示器23上，或者从I/O22向操作者的终端输出。在存在多台横编机10的情况下，不需要在全部横编机10的控制器20上设置机械学习系统2，也可以只在一部分横编机的控制器20上设置机械学习系统2。

在图3中，机械学习系统2独立于横编机10地单独地存在，或者被装入到服务器(未图示)中。机械学习系统2通过网络与I/O32连接，与横编机10或涉及编织设计的设计装置34连接，从横编机10或设计装置34输入说明变量，回复编织的可否、最佳的编织条件等。也可以机械学习系统2设置在设计装置34内。

机械学习系统2，对于自己的输出，将编织是否完成、编织条件是否最佳等编织结果作为示教数据输入。由此，机械学习系统2进行学习。

在图4～图6中说明纱线的物性值的测定方法。另外，测定方法是任意的，测定的项目也是任意的。图4表示摩擦系数的测定，将纱线40的两端由夹钳43固定，在针45a～45c的两侧，由张力传感器44a、44b测定施加在纱线40上的张力。另外，例如使右侧的夹钳43移动，对纱线40施加张力。针45a～45c例如是用于编织的针，测定纱线40与针45a～45c之间的摩擦系数。另外，42是辊，也可以是绝缘电瓷等。这里，因为与针45a～45c的摩擦，所以在张力传感器44a、44b的输出中产生差异。这是摩擦力，将摩擦力除以由张力传感器44a测定的张力得到的值作为摩擦系数。

图5表示纱线宽度的测定，纱线40一般由芯48和毛绒49构成。如果偏移焦点拍摄纱线40，则毛绒49消失，只剩下芯48。然后将芯48的直径作为纱线宽度。

图6表示纱线40的断裂强度和伸长率的测定。一边由测力传感器41监视施加在纱线40上的张力，一边使夹钳43向图的右侧移动。然后，由测力传感器41求出纱线40即将断裂之前的张力，根据夹钳43的移动量求出伸长率。

图7～图9示意性地表示个别的机械学习装置。另外，图7～图9不是机械学习装置的硬件，而是表示功能上的模块。在图7中，使用多重回归分析装置60求出可编织的线圈尺寸的下限。输入部62具备纱线的物性值的输入部62a、线圈尺寸和编织组织(由线圈的种类等决定的编织物的组织)的输入部62b以及目的变量的输入部(示教数据的输入部)62c，从输入部62c输入编织的可否。处理装置64求出对于各个说明变量(纱线的物性值及编织组织)的向目的变量(编织的可否)的回归系数，将学习结果的回归系数存储在存储器66中。

如果对未学习的纱线输入其物性值和编织组织以及线圈尺寸，则运算部68使用存储器66的回归系数，输出编织的可否或可编织的线圈尺寸的下限等。因此，例如可以在没有试编织的情况下对每个编织组织求出可编织的线圈尺寸的范围。另外，如可以马上明白的那样，也可以使用判别分析来代替多重回归分析，机械学习装置的种类是任意的。

在图8中，由多重回归分析装置70求出编织速度的合适值。输入部72具备纱线物性的输入部72a、编织条件的输入部72b以及目的变量的输入部72c。作为纱线的物性值，输入纱线宽度、纱线断裂时的张力、直到纱线断裂为止的伸长率、纱线的摩擦系数以及纱线的磨损强度。但是，由于磨损强度能由断裂力、纱线宽度、摩擦系数进行说明，所以也可以输入纱线宽度、断裂时的张力、伸长率、摩擦系数这四个因素。另外，纱线的原材料的种类，在发明者的经验中由于没有发现与编织速度的上限相关，所以不需要包含在说明变量中。

根据发明人的经验，作为驱动数据有意义的是与定义编织物组织的编织数据(花纹数据)有关的因素和与编织时的横编机的调整(调整数据)有关的因素这两种。在编织数据中重要的数据是与线圈折回编织相伴的集圈线圈的数量、与减针相伴的重叠线圈的数量、贴补线圈的数量、移圈的次数、隐藏线圈的编织中、纱线始末的编织中、无松眼横列、或分离横列线编织后的起针中、在V领或隐藏线圈的开始部的线圈的交叉、编织物的绕入、编织物的除去、需要分割移圈的编织等。这些因素使编织物组织的编织本身变得困难，是应降低编织速度的因素。

在与调整数据有关的因素中，有线圈密度或线圈的尺寸、下摆肋的编织、通过入纱和出纱进行的导纱器的移动、编织组织的切换、编织宽度小等。在存在这些因素的情况下，对于能否编织的高品质的编织物，横编机的机构和调整的影响大，优选与这些因素相应地调整编织速度。

根据发现者的经验，各因素大多与纱线的物性值相关。因此，对是否应该降低或调整编织速度的集圈线圈、重叠线圈、增补线圈等的线圈数量、移圈的次数以及其它因素的阈值，例如能通过多重回归分析与纱线的物性值相应地求出。

从输入部72c作为示教数据输入能合适地编织的、在编织物组织中有紊乱的、编织是困难的数据等。处理装置64根据说明变量求出向目标变量的回归系数，存储在存储器66中。

例如，在使用新的纱线编织编织物的情况下，除了纱线的物性值以外，还将编织数据输入前处理装置4，抽取对输入部72b所需要的数据。然后，由运算部68通过多重回归分析，例如对每个线圈横列求出适当的编织速度。于是，能有效地编织所希望品质的编织物。

图9表示由神经元网络80求出编织物的下拉条件的例子。神经元网络80具备输入层82、中间层84以及输出层86，中间层84例如可以是一层，但也可以是多层。向输入层82a输入纱线的物性值，在实施例中，输入纱线宽度、断裂力、达到断裂为止的伸长率。向输入层82b输入编织宽度、扭转线圈的有无、编织物的绕入的有无、隐藏线圈的有无。此外，输入线圈的保持期间(将线圈保持在针床上的线圈横列数量)，例如输入保持期间的最大值和最小值，但也可以是保持期间的平均值和分散等。在实施例中，由于设想具备前编织物和后编织物的编织物，所以保持期间考虑每个前编织物和每个后编织物。另外，在实施例中，将保持期间作为与一个线圈横列前、四个线圈横列前、一个线圈横列后、四个线圈横列后的差量输入，但也可以例如输入从四个线圈横列前到四个线圈横列后的保持期间本身。这些数据例如由前处理装置4从编织数据中抽取。

示教数据是纱线的物性值、横编机的驱动数据以及最佳的下拉条件的设定值。在它们当中，纱线的物性值和横编机的驱动数据是说明变量，下拉条件是目的变量。最佳的下拉条件，能从实际上能适当地编织了编织物的情况下的横编机的驱动数据中采取。在实施例中，由于由下拉辊和下拉爪大致均匀地下拉编织物整体，所以考虑在编织物整体中的线圈的保持期间的分布。但是，在与编织宽度方向位置相应地控制下拉爪的情况下，只要与在编织宽度方向的位置相应地考虑多个线圈的保持期间的分布即可。

从输出层86对编织的每个线圈横列取出下拉辊的转速、下拉爪的控制数据等的输出。如果这样做，则能在实质上不需要试编织的同时，求出适当的下拉条件。

在机械学习中，按以前的编织线圈横列求出的结果，例如在以后的线圈横列的处理中有时需要在神经元网络中的中间层的输出。图10表示与此对应的变形例，将中间层85的输出的一部分再归性地向中间层85输入。

图11示意性地表示通过k邻域法进行的机械学习。图中的○和△表示两种示教数据，表示可编织和编织困难等。另外，将这些数据间的距离认为是确定的。对于■的未知数据，将k例如作为5，抽取5个附近的数据。在图11中，由于三个属于○，与■的距离也小，所以由多数决定将■判别为○。在示教数据很好地分离成多个集群的情况下，即使是k邻域法的那样的简单的机械学习法，也能进行驱动数据的判别。

从纱线供给系统14施加在纱线40上的张力的最佳值等也能由机械学习系统2求出。在使用两种纱线能否进行添纱编织以便所希望的纱线出现在编织物表面的判别等中，也能适用机械学习系统2。即，只要是能根据纱线40的物性值、横编机的驱动数据和编织结果进行学习的事项，就能适用机械学习系统2。

符号的说明

2：机械学习系统

4：前处理装置

6：机械学习装置

10：横编机

11：针床

12：横移装置

13：滑架

14：纱线供给系统

15：下拉装置

20：控制器

22、32：I/O(输入/输出)

23：显示器

34：设计装置

40：纱线

41测力传感器

42：辊

43：夹钳

44：张力传感器

45：针

48：芯

49：毛绒

50：模具

60、70：多重回归分析装置

62、72：输入部

64：处理装置

66：存储器

68：运算器

80、90：神经元网络

82：输入层

84、85：中间层

86：输出层。

Claims (12)

1.一种通过机械学习进行的横编机的驱动数据的处理方法，其特征在于，

使用学习完毕的机械学习装置，该机械学习装置将纱线的物性值和横编机的驱动数据作为说明变量，将在横编机中的编织的可否或可执行的编织条件作为目的变量进行处理，

将纱线的物性值和横编机的驱动数据作为说明变量输入机械学习装置，

使在横编机中的编织的可否或可执行的编织条件从机械学习装置输出，

目的变量有多个，包括可编织的线圈尺寸的最佳的范围、最佳的编织速度和最佳的下拉条件；机械学习装置有多个，并与该多个目的变量相应地使用，

从各机械学习装置对每个目的变量输出在横编机中的编织的可否或可执行的编织条件，

横编机的驱动数据包括定义编织物组织的编织数据和/或编织速度。

2.如权利要求1所述的通过机械学习进行的横编机的驱动数据的处理方法，其特征在于，将横编机的驱动数据输入前处理装置，由前处理装置将横编机的驱动数据变换为用于向机械学习装置输入的驱动数据，将变换了的驱动数据输入机械学习装置。

3.如权利要求1或2所述的通过机械学习进行的横编机的驱动数据的处理方法，其特征在于，说明变量包含在放置横编机的环境的温度和湿度下的纱线的物性值。

4.如权利要求3所述的通过机械学习进行的横编机的驱动数据的处理方法，其特征在于，说明变量由在放置横编机的环境的温度和湿度下的纱线的物性值以及横编机的驱动数据构成。

5.如权利要求1或2所述的通过机械学习进行的横编机的驱动数据的处理方法，其特征在于，说明变量是与纱线的原材料的种类分离的说明变量。

6.如权利要求1或2所述的通过机械学习进行的横编机的驱动数据的处理方法，其特征在于，纱线的物性值至少包含纱线宽度、纱线断裂时的张力以及对纱线施加了张力时的伸长率。

7.如权利要求6所述的通过机械学习进行的横编机的驱动数据的处理方法，其特征在于，纱线的物性值还包含纱线的摩擦系数。

8.如权利要求1或2所述的通过机械学习进行的横编机的驱动数据的处理方法，其特征在于，基于从机械学习装置输出的在横编机中的编织的可否或可执行的编织条件，使机械学习装置追加学习在横编机中编织了编织物时的结果。

9.如权利要求1或2所述的通过机械学习进行的横编机的驱动数据的处理方法，其特征在于，

目的变量包含可编织的线圈尺寸的下限或以被指定的线圈尺寸进行的编织的可否，

机械学习装置对每个线圈的种类输出线圈尺寸的合适范围或以被指定的线圈尺寸进行的编织的可否。

10.如权利要求1或2所述的通过机械学习进行的横编机的驱动数据的处理方法，其特征在于，目的变量是每个编织线圈横列的编织速度的合适值或以被指定的编织速度进行的编织的可否。

11.如权利要求1或2所述的通过机械学习进行的横编机的驱动数据的处理方法，其特征在于，目的变量是每个编织线圈横列的在编织物的最佳的下拉条件或被指定的下拉条件下的编织的可否，

作为说明变量，输入纱线的物性值、编织宽度、扭转线圈的有无、编织物的绕入的有无、隐藏线圈的有无和包括将线圈保持在针床上的线圈横列数量在内的线圈的保持期间。

12.一种横编机的驱动数据的处理系统，其特征在于，

使用学习完毕的机械学习装置，该机械学习装置将纱线的物性值和横编机的驱动数据作为说明变量，将在横编机中的编织的可否或可执行的编织条件作为目的变量进行处理，

并被构成为，如果将纱线的物性值和横编机的驱动数据输入所述机械学习装置，则输出在横编机中的编织的可否或可执行的编织条件，

目的变量有多个，包括可编织的线圈尺寸的最佳的范围、最佳的编织速度和最佳的下拉条件；机械学习装置有多个，并与该多个目的变量相应地设置，

从各机械学习装置对每个目的变量输出在横编机中的编织的可否或可执行的编织条件，

横编机的驱动数据包括定义编织物组织的编织数据和/或编织速度。

Images