CN114461704B - 一种基于织机产能预测织机了机的方法及系统 - Google Patents

一种基于织机产能预测织机了机的方法及系统 Download PDF

Info

Publication number
CN114461704B
CN114461704B CN202210386788.9A CN202210386788A CN114461704B CN 114461704 B CN114461704 B CN 114461704B CN 202210386788 A CN202210386788 A CN 202210386788A CN 114461704 B CN114461704 B CN 114461704B
Authority
CN
China
Prior art keywords
sample set
data
productivity
loom
production
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210386788.9A
Other languages
English (en)
Other versions
CN114461704A (zh
Inventor
俞博
胡旭东
汝欣
彭来湖
方辽辽
徐开心
曾伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Sci Tech University ZSTU
Original Assignee
Zhejiang Sci Tech University ZSTU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang Sci Tech University ZSTU filed Critical Zhejiang Sci Tech University ZSTU
Priority to CN202210386788.9A priority Critical patent/CN114461704B/zh
Publication of CN114461704A publication Critical patent/CN114461704A/zh
Application granted granted Critical
Publication of CN114461704B publication Critical patent/CN114461704B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Looms (AREA)

Abstract

本发明公开了一种基于织机产能预测织机了机的方法及系统，属于纺织织造技术领域，用于采集织造车间生产数据；利用预先建立的数据清洗算法清洗生产数据，获得有效生产数据样本集；根据生产数据样本集，计算出同经轴加工过程中的产能样本集；利用二分聚类算法聚类计算产能样本集，获得产能系数；根据产能系数和产能样本集，计算出织机了机预测时间。本发明减少织造车间现场需要人工确认了机时间工作量并提高织机准备工序及时性，在提高现场生产效率、节省生产时间、保证产品交期、提升企业效益等方面具有重大意义。

Description

一种基于织机产能预测织机了机的方法及系统
技术领域
本发明涉及纺织织造技术领域，尤其涉及一种基于织机产能预测织机了机的方法及系统。
背景技术
纺织行业生产所涉及现有大部分织机没有了机预测装置或了机时间计算时没有引入符合车间现场的缩率导致了机不准确。因此目前在织机在机经轴生产结束前完全由纺织生产人员根据经验和经轴情况来判断何时了机，这种做法存在一下缺陷：人工巡逻织造生产车间并进行记录，所需人力成本大；有经验能准确判断了机时间的生产从业人员在人力市场上难寻；了机时间判断不准确情况下，若提前了机则会造成经轴上经纱原料未用尽导致浪费，造成企业直接经济损失；若剩余了机判断过于滞后，则会导致经轴准备车间排产工作滞后，并有可能造成需要结经的机台剩余经轴长度不够而无法进行结经工序，需对准备好的经轴进行重新穿筘和上机调整工作，降低生产效率并带来人力浪费。
发明内容
针对上述问题中存在的不足之处，本发明提供一种基于织机产能预测织机了机的方法及系统。
为实现上述目的，本发明提供一种基于织机产能预测织机了机的方法，包括：
采集织造车间生产数据；
利用预先建立的数据清洗算法清洗所述生产数据，获得有效生产数据样本集；
根据所述生产数据样本集，计算出同经轴加工过程中的产能样本集；
利用二分聚类算法聚类计算所述产能样本集，获得产能系数；
根据所述产能系数和所述产能样本集，计算出织机了机预测时间。
优选的是，所述生产数据包括织机生产状态下的动态数据和静态数据，所述动态数据包括织布产量、采样时间点和当前班次，所述静态数据包括经轴编号、经轴缩率和设定轴长。
优选的是，利用预先建立的数据清洗算法清洗所述生产数据，获得有效生产数据样本集包括：
将所述生产数据按时序顺序输入到清洗算法中；
将每个采集点的经轴信息与前序采集点的经轴信息比较，划分出隶属不同经轴的数据，并剔除掉产量小于所述前序采集点产量的数据；
比较同经轴的班次数据，划分出所述同经轴生产过程中的不同班次数据；
最后基于时序顺序划分出同班次同经轴的产量数据。
优选的是，根据所述生产数据样本集，计算出同经轴加工过程中的产能样本集包括：
Figure 985039DEST_PATH_IMAGE001
；
式中：
Figure 977266DEST_PATH_IMAGE002
=1，2，3…n-1，
Figure 875952DEST_PATH_IMAGE003
为采样点数量；
Figure 976632DEST_PATH_IMAGE004
为织布产量长度；
Figure 517335DEST_PATH_IMAGE005
为产能。
优选的是，利用二分聚类算法聚类计算所述产能样本集，获得产能系数包括：
将所述产能样本集划分为多个互不相交的类簇，将所述类簇按照所述类簇中成员数量由多至少排序，并剔除掉排序尾部的若干所述类簇；
将剩余所述类簇归属至同一个大类簇，并利用K-Means聚类算法将所述大类簇一分为二；
根据最快降低整个聚类类簇的误差平方和的值从划分好的所述大类簇中选择其中一个继续二分操作，直至划分后类簇数据等于聚类指数；
根据公式，计算所述产能系数；
Figure 629647DEST_PATH_IMAGE006
；
式中：
Figure 964814DEST_PATH_IMAGE007
表示产能系数；
Figure 162577DEST_PATH_IMAGE008
表示第
Figure 506971DEST_PATH_IMAGE009
个产能样本集类簇；
Figure 864003DEST_PATH_IMAGE010
表示第i个产能样本集成员数量；
Figure 104491DEST_PATH_IMAGE011
为聚类指数；N为剔除掉排序尾部所述类簇的数量；
Figure 55130DEST_PATH_IMAGE009
为1，2，…(
Figure 937635DEST_PATH_IMAGE012
)。
优选的是，根据所述产能系数和所述产能样本集，计算出织机了机预测时间包括：
Figure 24540DEST_PATH_IMAGE013
；
式中：
Figure 560563DEST_PATH_IMAGE014
为第
Figure 732919DEST_PATH_IMAGE002
个采样点的剩余了机时间；
Figure 419115DEST_PATH_IMAGE015
为第
Figure 360526DEST_PATH_IMAGE002
个采样点的经轴设定长度；
Figure 208396DEST_PATH_IMAGE016
为第
Figure 992682DEST_PATH_IMAGE002
个采样点的经轴缩率；
Figure 216990DEST_PATH_IMAGE004
为第
Figure 278486DEST_PATH_IMAGE002
个采样点的织布总产量；
Figure 297258DEST_PATH_IMAGE017
为第
Figure 178626DEST_PATH_IMAGE002
个采样点的产能系数。
优选的是，还包括判断所述织机了机预测时间
Figure 206625DEST_PATH_IMAGE018
是否符合所述织造车间；
Figure 247262DEST_PATH_IMAGE019
；
Figure 436935DEST_PATH_IMAGE020
h；
式中：
Figure 71179DEST_PATH_IMAGE021
为采样点的日期；
Figure 637290DEST_PATH_IMAGE022
为最后一个样本点的日期。
本发明还提供一种预测织机了机方法的系统，包括：
采集模块，用于采集织造车间生产数据；
清洗模块，用于利用预先建立的数据清洗算法清洗所述生产数据，获得有效生产数据样本集；
计算模块，用于根据所述生产数据样本集，计算出同经轴加工过程中的产能样本集；
聚类模块，用于利用二分聚类算法聚类计算所述产能样本集，获得产能系数；
预测模块，用于根据所述产能系数和所述产能样本集，计算出织机了机预测时间。
优选的是，所述生产数据包括织机生产状态下的动态数据和静态数据，所述动态数据包括织布产量、采样时间点和当前班次，所述静态数据包括经轴编号、经轴缩率和设定轴长。
优选的是，根据所述产能系数和所述产能样本集，计算出织机了机预测时间包括：
Figure 407799DEST_PATH_IMAGE013
；
式中：
Figure 893007DEST_PATH_IMAGE014
为第
Figure 748968DEST_PATH_IMAGE002
个采样点的剩余了机时间；
Figure 853190DEST_PATH_IMAGE015
为第
Figure 9365DEST_PATH_IMAGE002
个采样点的经轴设定长度；
Figure 540841DEST_PATH_IMAGE016
为第
Figure 8731DEST_PATH_IMAGE002
个采样点的经轴缩率；
Figure 916644DEST_PATH_IMAGE004
为第
Figure 661746DEST_PATH_IMAGE002
个采样点的织布总产量；
Figure 364123DEST_PATH_IMAGE017
为第
Figure 194676DEST_PATH_IMAGE002
个采样点的产能系数。
与现有技术相比，本发明的有益效果为：
本发明减少织造车间现场需要人工确认了机时间工作量并提高织机准备工序及时性，在提高现场生产效率、节省生产时间、保证产品交期、提升企业效益等方面具有重大意义。
附图说明
图1是本发明基于织机产能预测织机了机的方法织造车间生产流程工艺示意图；
图2是本发明一种基于织机产能预测织机了机的方法对采集数据清洗算法流程示意图；
图3是本发明一种基于织机产能预测织机了机的方法一种实施例的原始数据与聚类算法处理后数据的分布图；
图4是图3中采样时间段内各数据均产能值与样本点个数关系图；
图5是本发明一种基于织机产能预测织机了机的方法一种实施例的产能系数类簇关系图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合附图1-图4对本发明做进一步的详细描述：
参照图1，织造车间生产流程中对了机时间进行预测，提高织机准备工序及时性，在提高现场生产效率、节省生产时间、保证产品交期、提升企业效益等方面具有重大意义。
本发明提供一种基于织机产能预测织机了机的方法，包括：
采集织造车间生产数据；
具体地，通过下位机采集程序获取织造车间生产数据，生产数据包括织机生产状态下的动态数据和静态数据，动态数据包括织布产量、采样时间点和当前班次，静态数据包括经轴编号、经轴缩率和设定轴长。
利用预先建立的数据清洗算法清洗生产数据，获得有效生产数据样本集；
具体地，参照图2，将生产数据按时序顺序输入到清洗算法中；
将每个采集点的经轴信息与前序采集点的经轴信息比较，划分出隶属不同经轴的数据，并剔除掉产量小于前序采集点产量的数据；
比较同经轴的班次数据，划分出同经轴生产过程中的不同班次数据；
最后基于时序顺序划分出同班次同经轴的产量数据。
根据生产数据样本集，计算出同经轴加工过程中的产能样本集；
具体地，产能样本集
Figure 906280DEST_PATH_IMAGE023
，公式为：
Figure 896101DEST_PATH_IMAGE001
；
式中：
Figure 769379DEST_PATH_IMAGE002
=1，2，3…n-1，
Figure 821649DEST_PATH_IMAGE003
为采样点数量；
Figure 336944DEST_PATH_IMAGE004
为织布产量长度；
Figure 56638DEST_PATH_IMAGE005
为产能。
利用二分聚类算法聚类计算产能样本集，获得产能系数；
具体地，将产能样本集划分为多个互不相交的类簇，将类簇按照类簇中成员数量由多至少排序，并剔除掉排序尾部的若干类簇；
将剩余类簇归属至同一个大类簇，并利用K-Means聚类算法将大类簇一分为二；
根据最快降低整个聚类类簇的误差平方和的值从划分好的大类簇中选择其中一个继续二分操作，直至划分后类簇数据等于聚类指数；
根据公式，计算产能系数；
Figure 225452DEST_PATH_IMAGE006
；
式中：
Figure 30597DEST_PATH_IMAGE007
表示产能系数；
Figure 818424DEST_PATH_IMAGE008
表示第
Figure 392625DEST_PATH_IMAGE009
个产能样本集类簇；
Figure 873285DEST_PATH_IMAGE010
表示第i个产能样本集成员数量；
Figure 165726DEST_PATH_IMAGE011
为聚类指数；N为剔除掉排序尾部类簇的数量；
Figure 616299DEST_PATH_IMAGE009
为1，2，…(
Figure 576164DEST_PATH_IMAGE012
)。
根据产能系数和产能样本集，计算出织机了机预测时间。
具体地，根据织机数据特性和现场工艺要求建立基于织机产能的织机了机预测理论模型，基于有效数据集中的采样点的数据信息计算织机预了机时间，公式如下：
Figure 962146DEST_PATH_IMAGE013
；
式中：
Figure 476304DEST_PATH_IMAGE014
为第
Figure 605934DEST_PATH_IMAGE002
个采样点的剩余了机时间；
Figure 420307DEST_PATH_IMAGE015
为第
Figure 101824DEST_PATH_IMAGE002
个采样点的经轴设定长度；
Figure 103278DEST_PATH_IMAGE016
为第
Figure 36599DEST_PATH_IMAGE002
个采样点的经轴缩率；
Figure 439898DEST_PATH_IMAGE004
为第
Figure 433262DEST_PATH_IMAGE002
个采样点的织布总产量；
Figure 46646DEST_PATH_IMAGE017
为第
Figure 783658DEST_PATH_IMAGE002
个采样点的产能系数。
在本实施中，还包括判断织机了机预测时间
Figure 307043DEST_PATH_IMAGE018
是否符合织造车间，具体地，由于织造车间前置准备车间，准备车间根据织机织造工艺要求将纱线通过缠绕、上浆等工序制成供给织机的织轴，从排产到织轴成产完成时间为2-3天。故织机了机预测时间在3天（72h）内需要保证准确，根据现场了机预测时间精度在2小时内，故了机时间
Figure 205729DEST_PATH_IMAGE018
需满足如下两公式：
Figure 181775DEST_PATH_IMAGE019
；
Figure 581532DEST_PATH_IMAGE020
h；
式中：
Figure 693845DEST_PATH_IMAGE021
为采样点的日期；
Figure 29011DEST_PATH_IMAGE022
为最后一个样本点的日期。
在本实施例中，经轴缩率由不同计算方式得到不同的经轴缩率，该计算方式包括：
基于纱线性质和织造工艺参数通过公式计算出的理论缩率；
根据品种信息统计工厂生产的所有经轴长度和验布工序记录米数来计算的实际平均缩率；
通过当前经轴所消耗轴长与验布工序记录米数计算的当前经轴缩率。
当前经轴缩率基于满轴经轴织造过程需数周时间，而了机预测在3天内保证精度对织造车间现场的指导意义最大，故可利用经轴前半段所生产布匹在验布环节结束后计算当前经轴缩率。
本发明还提供一种预测织机了机方法的系统，包括：
采集模块，用于采集织造车间生产数据；
具体地，生产数据包括织机生产状态下的动态数据和静态数据，动态数据包括织布产量、采样时间点和当前班次，静态数据包括经轴编号、经轴缩率和设定轴长。
清洗模块，用于利用预先建立的数据清洗算法清洗生产数据，获得有效生产数据样本集；
计算模块，用于根据生产数据样本集，计算出同经轴加工过程中的产能样本集；
聚类模块，用于利用二分聚类算法聚类计算产能样本集，获得产能系数；
预测模块，用于根据产能系数和产能样本集，计算出织机了机预测时间。
具体地，根据织机数据特性和现场工艺要求建立基于织机产能的织机了机预测理论模型，基于有效数据集中的采样点的数据信息计算织机预了机时间，公式如下：
Figure 226775DEST_PATH_IMAGE013
；
式中：
Figure 430223DEST_PATH_IMAGE014
为第
Figure 662621DEST_PATH_IMAGE002
个采样点的剩余了机时间；
Figure 168689DEST_PATH_IMAGE015
为第
Figure 853748DEST_PATH_IMAGE002
个采样点的经轴设定长度；
Figure 736253DEST_PATH_IMAGE016
为第
Figure 823158DEST_PATH_IMAGE002
个采样点的经轴缩率；
Figure 624761DEST_PATH_IMAGE004
为第
Figure 62695DEST_PATH_IMAGE002
个采样点的织布总产量；
Figure 483312DEST_PATH_IMAGE017
为第
Figure 424724DEST_PATH_IMAGE002
个采样点的产能系数。
实施例
实施例采集10台设备的生产数据，具体如表1所示。
表1
序列 设备号 经轴号 开始时间 结束时间 总耗时/h
1 178 H213-012 2021/04/28 07:49:08 2021/05/14 20:56:34 397.12
2 041 H179-012 2021/04/26 12:19:40 2021/05/09 23:22:06 323.04
3 081 H850-012 2021/04/29 10:27:47 2021/05/15 05:09:50 378.7
4 164 4-19+148 2021/04/24 02:49:51 2021/05/05 02:56:14 264.11
5 739 H921-01+37 2021/04/30 07:47:26 2021/05/15 12:50:16 365.05
6 293 H154-148 2021/04/28 12:24:21 2021/05/13 00:08:05 347.73
7 254 H2012-148 2021/04/23 03:37:20 2021/05/05 15:12:55 299.59
8 669 X293-01 2021/04/22 15:41:43 2021/05/10 21:33:08 437.86
9 610 X117-012 2021/04/21 00:53:51 2021/05/02 20:05:13 283.19
10 316 H506-148 2021/04/25 00:05:52 2021/05/11 00:57:03 384.85
通过预设的清洗算法将原始数据划分出有效生产数据样本集，所述清洗算法方法包括：
将生产数据按时序顺序输入到清洗算法中；
将每个采集点的经轴信息与前序采集点的经轴信息比较，划分出隶属不同经轴的数据；
比较同经轴下班次数据，划分出同经轴生产过程中的不同班次数据；
最后基于时序顺序判断同班次同经轴的产量数据，过滤产量小于前序采集点的产量。
根据产量和时间维度计算出经轴加工过程中的产能样本集
Figure 272594DEST_PATH_IMAGE023
，如下式所示：
Figure 197825DEST_PATH_IMAGE024
；
式中：z=1，2，3…n-1，
Figure 281187DEST_PATH_IMAGE003
为采样点数量；
Figure 342684DEST_PATH_IMAGE004
为织布产量长度；
Figure 95876DEST_PATH_IMAGE005
为产能。
根据聚类算法要求将产能样本集划分为
Figure 242824DEST_PATH_IMAGE025
个类簇并计算出产能系数
Figure 270823DEST_PATH_IMAGE007
，聚类算法具体内容如下：
本发明实例根据二分K-Means聚类算法要求将产能样本集划分为
Figure 311460DEST_PATH_IMAGE025
个类簇并计算出产能系数
Figure 501133DEST_PATH_IMAGE007
过程如下:
先将产能样本集
Figure 135377DEST_PATH_IMAGE005
划分为
Figure 435908DEST_PATH_IMAGE025
个互不相交的类簇
Figure 471997DEST_PATH_IMAGE026
，针对织机生产过程中由停机或故障导致的产能远低于正常工作时产能情况，本发明实例首先淘汰类簇成员数量最少的2个类簇（产能较低的采集点）得到
Figure 98150DEST_PATH_IMAGE027
个互不相交的类簇
Figure 78745DEST_PATH_IMAGE028
。
将
Figure 182967DEST_PATH_IMAGE027
个互不相交的类簇所有实例归属于同一个类簇，计算该类簇质心；随后利用K-Means聚类算法中心思想将该类簇一分为二，并根据最快降低整个聚类类簇的误差平方和（SSE）的值为依据从划分好的类簇中选择一个类簇继续进行二分操作，直至类簇数目等于聚类指数
Figure 73563DEST_PATH_IMAGE011
。本发明根据织机产能五大影响因素（正常运行时间、上机时间、经纬停时间、品种更换穿经时间、其他因素导致停机时间）取聚类指数
Figure 870617DEST_PATH_IMAGE011
为5。
基于聚类指数和划分后的产能样本集计算产能系数，如下式所示。
Figure 213874DEST_PATH_IMAGE029
；
式中：
Figure 980842DEST_PATH_IMAGE007
表示产能系数；
Figure 725944DEST_PATH_IMAGE008
表示第
Figure 693900DEST_PATH_IMAGE009
个产能样本集类簇，
Figure 524453DEST_PATH_IMAGE010
表示第i个产能样本集成员数量，
Figure 970477DEST_PATH_IMAGE009
=1，2，3；
Figure 835665DEST_PATH_IMAGE011
为聚类指标。
根据织机数据特性和现场工艺要求建立基于织机产能的织机了机预测理论模型，基于有效数据集中的采样点的数据信息计算织机预了机时间，如下式所示。
Figure 833577DEST_PATH_IMAGE030
；
式中：
Figure 151426DEST_PATH_IMAGE014
为第
Figure 666721DEST_PATH_IMAGE002
个采样点的剩余了机时间；
Figure 120836DEST_PATH_IMAGE015
为第
Figure 165015DEST_PATH_IMAGE002
个采样点的经轴设定长度；
Figure 235740DEST_PATH_IMAGE016
为第
Figure 148201DEST_PATH_IMAGE002
个采样点的经轴缩率；
Figure 722402DEST_PATH_IMAGE004
为第
Figure 937482DEST_PATH_IMAGE002
个采样点的织布总产量；
Figure 495503DEST_PATH_IMAGE017
为第
Figure 821442DEST_PATH_IMAGE002
个采样点的平均产能系数，织机产能系数
Figure 374783DEST_PATH_IMAGE007
为其中变动最频繁、最难捕捉特性的系数；
通过Python内置函数InfluxDBClient连接本地织机样本时序数据库(influxdb)，得到实例产能样本集，如图3所示。
进一步地，根据二分K-means算法将生产状态数据分成5类簇，如图4所示，图4中：A-E五块区域代表五种类簇；OA-OE分别表示每个类簇区域的质心，其值分别为1.25、4.23、7.14、9.58、11.63；且A-E每种类簇的成员数量分别为20、33、159、241、95。通过图4可知采样时间段内各数据均产能值与样本点个数关系。
通过math、numpy、matplotlib等数学处理模块结合K-Means聚类算法运算出产能系数
Figure 291923DEST_PATH_IMAGE007
，聚类过程中各产能样本类簇关系如图5所示。
带入
Figure 806081DEST_PATH_IMAGE007
与其他采集数据带入织机了机预测模型求解出了机预测时间
Figure 935711DEST_PATH_IMAGE018
，计算结果见表2。
表2
Figure 484504DEST_PATH_IMAGE031
通过选择不同情况下统计出的最优缩率对求解出的了机预测时间进行处理，并与实际了机时间对比，误差如表3所示。
表3
Figure DEST_PATH_IMAGE032
由于织造车间前置准备车间，准备车间根据织机织造工艺要求将纱线通过缠绕、上浆等工序制成供给织机的织轴，从排产到织轴成产完成时间为2-3天。故织机了机预测时间在3天（72h）内需要保证准确，根据现场了机预测时间精度在2小时内。故了机时间
Figure 166021DEST_PATH_IMAGE033
需满足如下两公式。
Figure 167475DEST_PATH_IMAGE034
h；
式中：
Figure 366375DEST_PATH_IMAGE035
为采样点的日期；
Figure 769675DEST_PATH_IMAGE036
为最后一个样本点的日期即实际了机日期。
Figure 497460DEST_PATH_IMAGE037
h；
式中：
Figure 110843DEST_PATH_IMAGE033
为采样点预测了机剩余时长。
如表3显示随着时间的推移，在了机前72 h内，了机预测值的误差均小于0.9 h，满足纺织企业对织机了机预测值准确性的要求。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于织机产能预测织机了机的方法，其特征在于，包括：
采集织造车间生产数据；
利用预先建立的数据清洗算法清洗所述生产数据，获得有效生产数据样本集；
根据所述生产数据样本集，计算出同经轴加工过程中的产能样本集；
利用二分聚类算法聚类计算所述产能样本集，获得产能系数；
根据所述产能系数和所述产能样本集，计算出织机了机预测时间；
其中，根据所述生产数据样本集，计算出同经轴加工过程中的产能样本集包括：
Figure DEST_PATH_IMAGE001
；
式中：
Figure 138859DEST_PATH_IMAGE002
=1，2，3…n-1，
Figure 567566DEST_PATH_IMAGE003
为采样点数量；
Figure 953548DEST_PATH_IMAGE004
为织布产量长度；
Figure 733285DEST_PATH_IMAGE005
为产能；
利用二分聚类算法聚类计算所述产能样本集，获得产能系数包括：
将所述产能样本集划分为多个互不相交的类簇，将所述类簇按照所述类簇中成员数量由多至少排序，并剔除掉排序尾部的若干所述类簇；
将剩余所述类簇归属至同一个大类簇，并利用K-Means聚类算法将所述大类簇一分为二；
根据最快降低整个聚类类簇的误差平方和的值从划分好的所述大类簇中选择其中一个继续二分操作，直至划分后类簇数据等于聚类指数；
根据公式，计算所述产能系数；
Figure 987549DEST_PATH_IMAGE006
；
式中：
Figure DEST_PATH_IMAGE007
表示产能系数；
Figure 5184DEST_PATH_IMAGE008
表示第
Figure 827646DEST_PATH_IMAGE009
个产能样本集类簇；
Figure 953734DEST_PATH_IMAGE010
表示第i个产能样本集成员数量；
Figure DEST_PATH_IMAGE011
为聚类指数；N为剔除掉排序尾部所述类簇的数量；
Figure 887055DEST_PATH_IMAGE009
为1，2，…(
Figure 24775DEST_PATH_IMAGE012
)；
根据所述产能系数和所述产能样本集，计算出织机了机预测时间包括：
Figure 18139DEST_PATH_IMAGE013
；
式中：
Figure 631523DEST_PATH_IMAGE014
为第
Figure 102956DEST_PATH_IMAGE002
个采样点的剩余了机时间；
Figure 626341DEST_PATH_IMAGE015
为第
Figure 790606DEST_PATH_IMAGE002
个采样点的经轴设定长度；
Figure 501073DEST_PATH_IMAGE016
为第
Figure 900830DEST_PATH_IMAGE002
个采样点的经轴缩率；
Figure 278722DEST_PATH_IMAGE004
为第
Figure 613888DEST_PATH_IMAGE002
个采样点的织布总产量；
Figure 77231DEST_PATH_IMAGE017
为第
Figure 890466DEST_PATH_IMAGE002
个采样点的产能系数。
2.如权利要求1所述的基于织机产能预测织机了机的方法，其特征在于，所述生产数据包括织机生产状态下的动态数据和静态数据，所述动态数据包括织布产量、采样时间点和当前班次，所述静态数据包括经轴编号、经轴缩率和设定轴长。
3.如权利要求2所述的基于织机产能预测织机了机的方法，其特征在于，利用预先建立的数据清洗算法清洗所述生产数据，获得有效生产数据样本集包括：
将所述生产数据按时序顺序输入到清洗算法中；
将每个采集点的经轴信息与前序采集点的经轴信息比较，划分出隶属不同经轴的数据，并剔除掉产量小于所述前序采集点产量的数据；
比较同经轴的班次数据，划分出所述同经轴生产过程中的不同班次数据；
最后基于时序顺序划分出同班次同经轴的产量数据。
4.如权利要求3所述的基于织机产能预测织机了机的方法，其特征在于，还包括判断所述织机了机预测时间
Figure 247498DEST_PATH_IMAGE018
是否符合所述织造车间；
Figure 487986DEST_PATH_IMAGE019
；
Figure 704204DEST_PATH_IMAGE020
h；
式中：
Figure 321130DEST_PATH_IMAGE021
为采样点的日期；
Figure 408035DEST_PATH_IMAGE022
为最后一个样本点的日期。
5.一种如权利要求1-4任一所述的预测织机了机方法的系统，其特征在于，包括：
采集模块，用于采集织造车间生产数据；
清洗模块，用于利用预先建立的数据清洗算法清洗所述生产数据，获得有效生产数据样本集；
计算模块，用于根据所述生产数据样本集，计算出同经轴加工过程中的产能样本集；
聚类模块，用于利用二分聚类算法聚类计算所述产能样本集，获得产能系数；
预测模块，用于根据所述产能系数和所述产能样本集，计算出织机了机预测时间；
其中，根据所述生产数据样本集，计算出同经轴加工过程中的产能样本集包括：
Figure 209638DEST_PATH_IMAGE023
；
式中：
Figure 381993DEST_PATH_IMAGE002
=1，2，3…n-1，
Figure 537031DEST_PATH_IMAGE003
为采样点数量；
Figure 9601DEST_PATH_IMAGE004
为织布产量长度；
Figure 591892DEST_PATH_IMAGE005
为产能；
利用二分聚类算法聚类计算所述产能样本集，获得产能系数包括：
将所述产能样本集划分为多个互不相交的类簇，将所述类簇按照所述类簇中成员数量由多至少排序，并剔除掉排序尾部的若干所述类簇；
将剩余所述类簇归属至同一个大类簇，并利用K-Means聚类算法将所述大类簇一分为二；
根据最快降低整个聚类类簇的误差平方和的值从划分好的所述大类簇中选择其中一个继续二分操作，直至划分后类簇数据等于聚类指数；
根据公式，计算所述产能系数；
Figure 376177DEST_PATH_IMAGE024
；
式中：
Figure 334906DEST_PATH_IMAGE007
表示产能系数；
Figure 396403DEST_PATH_IMAGE008
表示第
Figure 415174DEST_PATH_IMAGE009
个产能样本集类簇；
Figure 686755DEST_PATH_IMAGE010
表示第i个产能样本集成员数量；
Figure 183596DEST_PATH_IMAGE011
为聚类指数；N为剔除掉排序尾部所述类簇的数量；
Figure 99599DEST_PATH_IMAGE009
为1，2，…(
Figure 554851DEST_PATH_IMAGE012
)；
根据所述产能系数和所述产能样本集，计算出织机了机预测时间包括：
Figure 189095DEST_PATH_IMAGE025
；
式中：
Figure 614260DEST_PATH_IMAGE026
为第
Figure 384770DEST_PATH_IMAGE027
个采样点的剩余了机时间；
Figure 745344DEST_PATH_IMAGE028
为第
Figure 866884DEST_PATH_IMAGE027
个采样点的经轴设定长度；
Figure 830161DEST_PATH_IMAGE029
为第
Figure 720756DEST_PATH_IMAGE027
个采样点的经轴缩率；
Figure 252232DEST_PATH_IMAGE030
为第
Figure 595489DEST_PATH_IMAGE027
个采样点的织布总产量；
Figure 768981DEST_PATH_IMAGE031
为第
Figure 638717DEST_PATH_IMAGE027
个采样点的产能系数。
CN202210386788.9A 2022-04-14 2022-04-14 一种基于织机产能预测织机了机的方法及系统 Active CN114461704B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210386788.9A CN114461704B (zh) 2022-04-14 2022-04-14 一种基于织机产能预测织机了机的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210386788.9A CN114461704B (zh) 2022-04-14 2022-04-14 一种基于织机产能预测织机了机的方法及系统

Publications (2)

Publication Number Publication Date
CN114461704A CN114461704A (zh) 2022-05-10
CN114461704B true CN114461704B (zh) 2022-06-24

Family

ID=81418479

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210386788.9A Active CN114461704B (zh) 2022-04-14 2022-04-14 一种基于织机产能预测织机了机的方法及系统

Country Status (1)

Country Link
CN (1) CN114461704B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117521922B (zh) * 2024-01-08 2024-03-19 江苏恒力化纤股份有限公司 一种织机了机时间预测方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07271858A (ja) * 1994-03-29 1995-10-20 Toray Ind Inc 製織設備配台支援システム
CN104571054A (zh) * 2015-01-15 2015-04-29 无锡北斗星通信息科技有限公司 纺织车间实时数据采集系统
CN109426920A (zh) * 2018-01-19 2019-03-05 武汉十傅科技有限公司 一种考虑预测订单和实际订单的企业生产计划优化方法
CN109739213A (zh) * 2019-01-07 2019-05-10 东莞百宏实业有限公司 一种故障预测系统以及预测方法
CN110331503A (zh) * 2019-07-17 2019-10-15 际华三五四二纺织有限公司 一种基于卷径变化预测织机了机的方法
CN113283180A (zh) * 2021-06-28 2021-08-20 中国石油大学(华东) 基于K-means与SVR组合的致密油藏水平井压裂产能预测方法与应用
EP3876158A1 (en) * 2020-03-04 2021-09-08 Sap Se Method and system for adjusting a machine learning output
CN113627068A (zh) * 2020-05-07 2021-11-09 中国石油化工股份有限公司 一种用于预测缝洞型油气藏试井产能的方法及系统
CN113627069A (zh) * 2020-05-08 2021-11-09 中国石油化工股份有限公司 针对缝洞型油藏油气井的试井动态产量评价方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108399748B (zh) * 2018-03-08 2020-12-22 重庆邮电大学 一种基于随机森林与聚类算法的道路旅行时间预测方法
CN113919235A (zh) * 2021-10-29 2022-01-11 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 基于lstm演化聚类的移动源污染异常排放检测方法及介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07271858A (ja) * 1994-03-29 1995-10-20 Toray Ind Inc 製織設備配台支援システム
CN104571054A (zh) * 2015-01-15 2015-04-29 无锡北斗星通信息科技有限公司 纺织车间实时数据采集系统
CN109426920A (zh) * 2018-01-19 2019-03-05 武汉十傅科技有限公司 一种考虑预测订单和实际订单的企业生产计划优化方法
CN109739213A (zh) * 2019-01-07 2019-05-10 东莞百宏实业有限公司 一种故障预测系统以及预测方法
CN110331503A (zh) * 2019-07-17 2019-10-15 际华三五四二纺织有限公司 一种基于卷径变化预测织机了机的方法
EP3876158A1 (en) * 2020-03-04 2021-09-08 Sap Se Method and system for adjusting a machine learning output
CN113627068A (zh) * 2020-05-07 2021-11-09 中国石油化工股份有限公司 一种用于预测缝洞型油气藏试井产能的方法及系统
CN113627069A (zh) * 2020-05-08 2021-11-09 中国石油化工股份有限公司 针对缝洞型油藏油气井的试井动态产量评价方法及系统
CN113283180A (zh) * 2021-06-28 2021-08-20 中国石油大学(华东) 基于K-means与SVR组合的致密油藏水平井压裂产能预测方法与应用

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
机器学习技术在织机运行状况预测中的应用;侯涛;《纺织科技进展》;20180925(第09期);33-35页 *

Also Published As

Publication number Publication date
CN114461704A (zh) 2022-05-10

Similar Documents

Publication Publication Date Title
CN114461704B (zh) 一种基于织机产能预测织机了机的方法及系统
CN111242464A (zh) 一种基于spc的陶瓷卫浴质量管理方法
DE112016005697T5 (de) Vorrichtung, Verfahren und Programm zur Planerzeugung
CN108681815B (zh) 一种基于快速排序和分块矩阵的配电系统运行可靠性评估方法
CN109634944B (zh) 一种基于多维度时空分析的网损数据清洗方法
CN110163479A (zh) 一种烟草卷包车间质量异常问题主因模型的建立方法
CN115018401A (zh) 一种磨毛机滚轮辊间压力补偿及监控预警系统
CN114834085B (zh) 多台冲床联机运行集中数字控制方法及系统
CN112784938B (zh) 一种面向工业大数据的工序批量产出智能计数方法
CN112527778B (zh) 基于异常信息数据库增量的异常消缺管理系统及方法
CN110287114B (zh) 一种数据库脚本性能测试的方法及装置
CN109086979A (zh) 一种基于最大熵有序加权平均的数控机床可靠性分配方法
CN113112121A (zh) 一种基于多目标非支配排序的车间布局调度优化方法
CN113780354B (zh) 调度自动化主站系统遥测数据异常识别方法和装置
CN109344974B (zh) 电气设备开关量记录快速纠错方法
CN115511681B (zh) 丝织物捻线与织造阶段电力碳足迹核算方法
CN113408915B (zh) 生产线瓶颈识别方法及其系统
CN115829148A (zh) 一种设备维护车间调度优化方法及计算机可读介质
CN109032097A (zh) 一种冷轧带钢镀锌线过程控制方法
CN117521922B (zh) 一种织机了机时间预测方法
CN107717480A (zh) 一种用于叶身无余量叶片机械加工自动化生产线及设计方法
CN112184287B (zh) 一种服装一线员工生产订单批量系数精算方法
CN109034486A (zh) 一种基于大数据分层聚类的棉花生产工艺优化方法
Ubaydov et al. The impact of the technical control system on product quality and cost-effectiveness
WO2006051096A2 (de) Vorrichtung und verfahren zur optimierung von technischen produktionsprozessen durch verdichtung, zusammenführung und analyse von prozess-/qualitätsdaten

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant