CN115182083B - 一种织布机了机智能预测模型的构建方法和构建装置 - Google Patents
一种织布机了机智能预测模型的构建方法和构建装置 Download PDFInfo
- Publication number
- CN115182083B CN115182083B CN202210811627.XA CN202210811627A CN115182083B CN 115182083 B CN115182083 B CN 115182083B CN 202210811627 A CN202210811627 A CN 202210811627A CN 115182083 B CN115182083 B CN 115182083B
- Authority
- CN
- China
- Prior art keywords
- loom
- time
- prediction model
- intelligent prediction
- training
- 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
Links
Images
Classifications
-
- D—TEXTILES; PAPER
- D03—WEAVING
- D03D—WOVEN FABRICS; METHODS OF WEAVING; LOOMS
- D03D51/00—Driving, starting, or stopping arrangements; Automatic stop motions
- D03D51/18—Automatic stop motions
-
- D—TEXTILES; PAPER
- D03—WEAVING
- D03J—AUXILIARY WEAVING APPARATUS; WEAVERS' TOOLS; SHUTTLES
- D03J1/00—Auxiliary apparatus combined with or associated with looms
-
- 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)
- Textile Engineering (AREA)
- Looms (AREA)
Abstract
本发明公开了织布机了机智能预测模型的构建方法及织布机了机智能预测模型的构建装置,属于人工智能技术领域,织布机了机智能预测模型的构建方法包括:获取织机了机时间的目标数据集,目标数据集包括织机了机的影响因素参数和织机的经纬向停车时间;根据第一时间进度系数将目标数据集划分训练集和测试集,根据训练集和所述测试集基于LSTM循环神经网络进行模型训练,以获得完成训练的织布机了机智能预测模型,根据完成训练的织布机了机智能预测模型的评估结果,获得织机了机时间对应的织布机了机智能预测模型。
Description
技术领域
本发明人工智能技术领域,具体涉及一种织布机了机智能预测模型的构建方法和织布机了机智能预测模型的构建装置。
背景技术
织机的生产主要是将纬纱与织轴上的经纱纵、横向交织加工成布匹的过程。当织机上织轴的纱线用尽时,需要将织轴、经停片、综、钢筘和经纱等从织机上清理下来,这个过程称为织机的了机。织机了机过早,会使织轴的纱线原料浪费;织机了机不及时,则会造成机台停滞过久和剩余经纱长度不足而无法对新轴进行结经等问题。对织机了机时间的准确预知,及时安排人员进行穿经、结经、换轴工作,使新的织轴及时投入生产,对提高织造生产效益有着重要的影响作用。
要准确预知织机的了机时间,把控好织造环节的整体生产进度,其中,涉及到对生产车间内基础数据的实时采集以及利用数据驱动的方式,分析和挖掘出车间内的生产趋势和因素特性两部分要求。
现有技术多是基于从工艺参数等静态数据上考虑,未考虑到织机的各类生产数据与时间进度之间具有的关联性。
发明内容
提出了一种织布机了机智能预测模型的构建方法。根据影响织机了机时间的各类因素,构建了具有时间序列特性的织机生产情况数据集。通过设置时间进度系数动态调整模型在织轴整个生命周期内的预测情况,以解决利用预先设定好的计划生产静态参数对织机了机时间进行计算时,存在理论计算值与实际织机了机时间偏差过大的问题。
为了解决上述技术问题,本发明是这样实现的:
第一方面,本发明实施例提供了一种织布机了机智能预测模型的构建方法,包括:
获取织机了机时间的目标数据集,所述目标数据集包括织机了机的影响因素参数和织机的经纬向停车时间;
根据第一时间进度系数将所述目标数据集划分训练集和测试集;
根据所述训练集和所述测试集基于LSTM循环神经网络进行模型训练,以获得完成训练的织布机了机智能预测模型;
根据所述完成训练的织布机了机智能预测模型的评估结果,获得所述织机了机时间对应的织布机了机智能预测模型。
可选地,所述获取织机了机时间的目标数据集包括:
将织轴的生命周期划分N个时段;
获取所述N个时段中每个时段对应的织机了机的影响因素参数和织机的经纬向停车时间,以得到与所述N个时段一一对应的N组织机了机的影响因素及与所述N个时段一一对应的N个经纬向停车时间;
根据所述N组织机了机的影响因素及所述N个经纬向停车时间得到所述目标数据集。
可选地,所述织机了机的影响因素参数包括:生产时间段、挡车工技术等级、经纱成分、经纱纱支、经纱编织密度、纬纱成分、纬纱纱支、纬纱编织密度;
所述经纬向停车时间包括经停消耗时间和纬停消耗时间;
所述根据所述N组织机了机的影响因素及所述N个经纬向停车时间得到所述目标数据集包括:
所述输入数据集与所述输出数据集构成所述目标数据集。
可选地,在得到所述目标数据集之后,所述方法还包括:
采用目标数据归一化方法对所述输入数据集进行处理。
可选地,在所述获取织机了机时间的目标数据集之后,在根据第一时间进度系数将所述目标数据集划分训练集和测试集之前,所述方法还包括:
获取织轴的生命周期内的总时间;
获取目标精度值,所述目标精度值用于表示所述织布机了机智能预测模型需要达到的精度值;
根据所述总时间及所述目标精度值得到第一时间进度系数。
可选地,所述根据所述完成训练的织布机了机智能预测模型的评估结果,获得所述织机了机时间对应的织布机了机智能预测模型,包括:
利用Adam梯度下降算法计算并调整所述织布机了机智能预测模型各适应度参数并得到所述织布机了机智能预测模型输出的预测结果集,所述预测结果集为调整所述织布机了机智能预测模型各适应度参数后输出的结果集;
根据MSE算法比较所述预测结果集与实际目标结果集之间的损失程度;
所述获得完成训练的织布机了机智能预测模型包括:
在所述损失程度满足预设条件的情况下,获得所述织机了机时间对应的织布机了机智能预测模型。
可选地,在所述根据MSE算法比较所述预测结果集与实际目标结果集之间的损失程度之后,在所述获得所述织机了机时间对应的织布机了机智能预测模型之前,所述方法还包括:
在所述损失程度不满足预设条件的情况下,根据所述训练集和所述测试集基于LSTM循环神经网络进行下一次模型训练。
可选地,在所述获得所述织机了机时间对应的织布机了机智能预测模型之后,所述方法还包括:
根据所述织布机了机智能预测模型获取第i时段对应的预测经纬向停车时间
获取第i时段计算得到的织机理论织布时间及第i时段之前所述织机已产生的经纬向停车时间;
根据所述预测经纬向停车时间、所述织机理论织布时间和所述已产生的经纬向停车时间得到所述第i时段对应的预测织机了机时间。
可选地,在所述得到所述第i时段对应的预测织机了机时间之后,所述方法还包括:
在所述织布机了机智能预测模型的构建时间未达到截止时间的情况下,对所述织布机了机智能预测模型进行迭代优化。
可选地,所述对所述织布机了机智能预测模型进行迭代优化包括:
将所述第一时间进度系数调整为第二时间进度系数;
根据第二时间进度系数将所述目标数据集划分新训练集和新测试集;
根据所述新训练集和所述新测试集进行模型训练,以获得完成训练的织布机了机智能预测模型;
根据所述完成训练的织布机了机智能预测模型的评估结果,获得所述织机了机时间对应的织布机了机智能预测模型。
可选地,在所述对所述织布机了机智能预测模型进行迭代优化之前,所述方法包括:
所述织布机了机智能预测模型迭代优化次数为M次;
根据所述M次迭代优化对应的损失差值的得到损失变化阈值;
在所述对所述织布机了机智能预测模型进行迭代优化之后,所述方法还包括:
在所述织布机了机智能预测模型本次训练得到的损失值大于所述织布机了机智能预测模型前一次训练所得损失值与所述损失变化阈值之和的情况下,将所述织布机了机智能预测模型前一次的训练结果作为训练结果,以得到所述织布机了机智能预测模型。
第二方面,本发明实施例提供了一种织布机了机智能预测模型的构建装置,包括:
第一获取模块,用于获取织机了机时间的目标数据集,所述目标数据集包括织机了机的影响因素参数和织机的经纬向停车时间;
划分模块,用于根据第一时间进度系数将所述目标数据集划分训练集和测试集;
第二获取模块,用于根据所述训练集和所述测试集基于LSTM循环神经网络进行模型训练,以获得完成训练的织布机了机智能预测模型;
第三获取模块,用于根据所述完成训练的织布机了机智能预测模型的评估结果,获得所述织机了机时间对应的织布机了机智能预测模型。
可选地,所述第一获取模块具体用于:
将织轴的生命周期划分N个时段;
获取N个时段中每个时段对应的织机了机的影响因素参数和织机的经纬向停车时间,以得到与N个时段一一对应的N组织机了机的影响因素及与N个时段一一对应的N个经纬向停车时间;
根据所述N组织机了机的影响因素及所述N个经纬向停车时间得到所述目标数据集。
可选地,所述织机了机的影响因素参数包括:生产时间段、挡车工技术等级、经纱成分、经纱纱支、经纱编织密度、纬纱成分、纬纱纱支、纬纱编织密度;
所述经纬向停车时间包括经停消耗时间和纬停消耗时间;
所述第一获取模块用于:
所述输入数据集与所述输出数据集构成所述目标数据集。
可选地,所述构建装置还包括处理模块,用于采用目标数据归一化方法对所述输入数据集进行处理。
可选地,所述构建装置还包括:
第四获取模块,用于获取织轴的生命周期内的总时间;
第五获取模块,用于获取目标精度值,所述目标精度值用于表示所述织布机了机智能预测模型需要达到的精度值;
第一计算模块,用于根据所述总时间及所述目标精度值得到第一时间进度系数。
可选地,所述第三获取模块用于:
利用Adam梯度下降算法计算并调整所述织布机了机智能预测模型各适应度参数并得到所述织布机了机智能预测模型输出的预测结果集,所述预测结果集为调整所述织布机了机智能预测模型各适应度参数后输出的结果集;
根据MSE算法比较所述预测结果集与实际目标结果集之间的损失程度;
在所述损失程度满足预设条件的情况下,获得所述织机了机时间对应的织布机了机智能预测模型。
可选地,所述第二获取模块用于:
在所述损失程度不满足预设条件的情况下,根据所述训练集和所述测试集基于LSTM循环神经网络进行下一次模型训练。
可选地,所述构建装置还包括:
第六获取模块,用于根据所述织布机了机智能预测模型获取第i时段对应的预测经纬向停车时间获取第i时段计算得到的织机理论织布时间及第i时段之前所述织机已产生的经纬向停车时间;
第二计算模块,用于根据所述预测经纬向停车时间、所述织机理论织布时间和所述已产生的经纬向停车时间得到所述第i时段对应的预测织机了机时间。
可选地,所述构建装置还包括:
优化模块,用于在所述织布机了机智能预测模型的构建时间未达到截止时间的情况下,对所述织布机了机智能预测模型进行迭代优化。
可选地,所述优化模块用于:
将所述第一时间进度系数调整为第二时间进度系数;
根据第二时间进度系数将所述目标数据集划分新训练集和新测试集;
根据所述新训练集和所述新测试集进行模型训练,以获得完成训练的织布机了机智能预测模型;
根据所述完成训练的织布机了机智能预测模型的评估结果,获得所述织机了机时间对应的织布机了机智能预测模型。
可选地,所述织布机了机智能预测模型迭代优化次数为M次,所述构建装置还包括第三计算模块,用于:
根据所述M次迭代优化对应的损失差值的得到损失变化阈值;
在所述织布机了机智能预测模型本次训练得到的损失值大于所述织布机了机智能预测模型前一次训练所得损失值与所述损失变化阈值之和的情况下,将所述织布机了机智能预测模型前一次的训练结果作为训练结果,以得到所述织布机了机智能预测模型。
在本发明实施例中,获取织机了机时间的目标数据集,目标数据集包括织机了机的影响因素参数和织机的经纬向停车时间,根据第一时间进度系数将目标数据集划分训练集和测试集,根据训练集和测试集基于LSTM循环神经网络进行模型训练,以获得完成训练的织布机了机智能预测模型,根据所述完成训练的织布机了机智能预测模型的评估结果,获得所述织机了机时间对应的织布机了机智能预测模型。通过设置时间进度系数动态调整模型在织轴整个生命周期内的预测情况,以解决利用预先设定好的计划生产静态参数对织机了机时间进行计算时,存在理论计算值与实际织机了机时间偏差过大的问题。
附图说明
图1是本发明一个示例性实施例提供的一种织布机了机智能预测模型的构建方法流程示意图;
图2是本发明一个示例性实施例提供的一种织布机了机智能预测模型的构建方法流程示意图;
图3是本发明一个示例性实施例提供的一种织布机了机智能预测模型优化方法流程示意图
图4是本发明实施例提供的一种织布机了机智能预测模型的构建装置的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例、参照附图做进一步说明。
具体实施方式
为使本发明的目的、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作出创造性劳动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。本发明的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施,且“第一”、“第二”等所区分的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。
下面结合附图,通过具体的实施例及其应用场景对本发明实施例提供的一种织布机了机智能预测模型的构建方法进行详细地说明。
实施例一
参照图1,示出了本发明实施例提供的一种织布机了机智能预测模型的构建方法的流程示意图。
本发明提供的一种织布机了机智能预测模型的构建方法,包括:
S101:获取织机了机时间的目标数据集,所述目标数据集包括织机了机的影响因素参数和织机的经纬向停车时间。
织机了机时间的预测实际上是对织机加工完目标织轴所需时间的计算。根据织机在织布前预先设定的织布总米数、织机的运行车速和所织布匹品种要求的纬密参数,可计算得到,织机完成所设定达到的织布米长需要的理论织布时间,即织机的理论了机时间。其计算公式为:
式中:Tll为织机织布的理论总时间,min;M为织轴卷绕的纱线总长度,m;W为布匹的纬密参数值(布匹1英寸长度上的纬纱根数);S为织机织布时的运行车速(织机1分钟的打纬次数)。
式(1)的计算默认织机在加工织轴的整个周期内为一直保持理想的织布运行状态,这不符合实际的生产情况。在实际生产场景下,织机织布过程中会因为纱线断裂或机器故障等原因而出现停车。织机
实际织布时间与理论织布时间二者有如式(2)的关系。
Tsj=Tll+(Tjw+To) (2)
式中:Tjw为织机在加工织轴整个周期内所产生的经纬向停车时间,h;To为织机在加工织轴整个周期内所产生的其他情况停车时间,h。
因此,本发明在构建织布机了机智能预测模型时,将织机了机的影响因素参数和织机的经纬向停车时间加入训练数据集中。
S102:根据第一时间进度系数将所述目标数据集划分训练集和测试集。
需要说明的是,区别于直接划定训练集与测试集的数据比重,本发明根据数据集包含的织机对目标织轴整体的生产时间跨度,按照所需时间精度,计算织布机了机智能预测模型每次迭代优化时的时间进度系数
S103:根据所述训练集和所述测试集基于LSTM循环神经网络进行模型训练,以获得完成训练的织布机了机智能预测模型。
基于步骤101可知织机了机时间的影响参数影响织机了机时间,且各参数对了机时间的作用具有较强的时间关联。长短时记忆(LSTM)循环神经网络是一种具有选择记忆功能的循环神经网络,通过更新每个时刻的细胞状态,可以学习不定时间长短的时间序列信息,在RNN的基础上引入了门机制用于控制信息特征的流通和损失,在处理如织机了机预测此类对时间敏感的时序数据中可以防止梯度消失和梯度爆炸等问题且有较突出的数据拟合能力。LSTM网络中的每个神经元主要由遗忘门、输入门、输出门三个功能状态门以及细胞状态组成。因而针对于织机数据具有时变性这一特点,发明采用LSTM循环神经网络,对织机了机织布机了机智能预测模型进行搭建。
S104:根据所述完成训练的织布机了机智能预测模型的评估结果,获得所述织机了机时间对应的织布机了机智能预测模型。
需要说明的是,为了满足实际需求指标,还需要对于织布机了机智能预测模型进行验证得到织布机了机智能预测模型的评估结果。
可选的,可采集的某根织轴全生命周期下的生产情况数据作为验证模型可靠性的数据集。
在一种可能的实施方式中,步骤S101可由子步骤S1011至子步骤S1046来完成:
S1011:将织轴的生命周期划分N个时段;
S1012:获取所述N个时段中每个时段对应的织机了机的影响因素参数和织机的经纬向停车时间,以得到与所述N个时段一一对应的N组织机了机的影响因素及与所述N个时段一一对应的N个经纬向停车时间;
S1013:根据所述N组织机了机的影响因素及所述N个经纬向停车时间得到所述目标数据集。
需要说明的是,由于长短时记忆(LSTM)循环神经网络是一种具有选择记忆功能的循环神经网络,通过更新每个时刻的细胞状态,可以学习不定时间长短的时间序列信息,而织机了机时间的影响因素对了机时间的作用具有较强的时间关联,也即织机数据具有时变性这一特点,因此本发明将数据集按照织轴的生命周期进行划分。以得到与时间相关的目标数据集。
在一种可能的实施方式中,所述织机了机的影响因素参数包括:生产时间段、挡车工技术等级、经纱成分、经纱纱支、经纱编织密度、纬纱成分、纬纱纱支、纬纱编织密度;
所述经纬向停车时间包括经停消耗时间和纬停消耗时间;
本发明通过对某厂的10台织机的生产情况进行统计,对各织机的织布米长、实际织布时间、理论织布时间、经纬停时间等数据进行收集,得到表1织机各生产时间的对比。
表1织机各消耗时间对比表
由表1可知,织机理论计算得到的织布时间加上经纬向停车时间二者的总和与织机实际织布时间相近,进一步论证了经、纬向停车是准确预测织机了机时间的关键因素。
步骤S1013可由子步骤S10131至子步骤S10132来完成:
在一种实施方式中,本发明将织轴整个生命周期进行n等分,对其中包含的生产时间段(ti)、挡车工技术等级(ri)、经纱成分经纱纱支/>经纱编织密度/>纬纱成分/>纬纱纱支/>纬纱编织密度/>进行统计,得到按时间段划分的n个八维输入数据向量/>对每个时间段所产生的织机经停消耗时间/>和纬停消耗时间/>进行收集,得到n个二维输出数据向量/>把同根织轴在整个周期内的数据向量进行整合,得到具有时间序列特征的织布机了机智能预测模型的输入数据集(Cx)和输出数据集(Cy)。数据集的整体构成如式(3)所示。
在一种可能的实施方式中,本发明提供的一种织布机了机智能预测模型的构建方法,在步骤104之后,还包括:
S105:采用目标数据归一化方法对所述输入数据集进行处理。
为避免选取的输入数据集中各特征因素数量量纲不一致而导致织布机了机智能预测模型在训练时小数量级的特征值对结果的影响程度被大数量级特征值弱化的情况,本发明采用max-min数据归一化方法对输入数据集进行预处理。在不影响特征值之间相对关系的前提下,将输入数据集中的各特征值映射到特定区域,提高数据之间的可比性,加快织布机了机智能预测模型优化的迭代收敛速度。max-min数据归一化方法的计算公式如式(4)所示。
式中:P为需要归一化的元素值;P′为元素归一化之后的处理值;Xmax、Xmin为元素P所在向量中的元素最大、最小值;a、b为元素映射的区域边界。
在一种可能的实施方式中,本发明提供的一种织布机了机智能预测模型的构建方法,在步骤101与步骤102之间,还包括:
S106:获取织轴的生命周期内的总时间;
S107:获取目标精度值,所述目标精度值用于表示所述织布机了机智能预测模型需要达到的精度值;
S108:根据所述总时间及所述目标精度值得到第一时间进度系数。
为更符合实际生产需求,对验证织布机了机智能预测模型可靠性的数据集不固定其训练集与测试集的占比大小,在规定预测截止时间点之前,以时间进度系数动态改变训练集与测试集每次迭代的数据量比重,使织布机了机智能预测模型在预测织机了机的过程中能够按照实际的生产情况实时不断学习,调整织布机了机智能预测模型各单元的权重和偏置,以更加贴合实际生产情况的优势,做到更加精准的预测。
动态调整数据量进行织布机了机智能预测模型优化迭代的步骤如下:
1)计算织轴全生命周期内的总时间。
2)根据需求指标对织布机了机智能预测模型需要达到的预测精度要求,计算织布机了机智能预测模型每次迭代时的时间进度系数。
3)按照计算得到的时间进度系数,在织布机了机智能预测模型每次迭代
优化前动态调整训练集与测试集两者之间的数据量比例占比。训练集与测试集之间数据的动态调整驱动公式如式(5)所示。
式中:Ctr为织布机了机智能预测模型的训练集;Cte为织布机了机智能预测模型的测试集;f为时间进度系数,其值变化范围为0<f<1。
在一种可能的实施方式中,步骤S104可由子步骤S1041至子步骤S1044来完成:
S1041:利用Adam梯度下降算法计算并调整所述织布机了机智能预测模型各适应度参数并得到所述织布机了机智能预测模型输出的预测结果集,所述预测结果集为调整所述织布机了机智能预测模型各适应度参数后输出的结果集;
需要说明的是,利用Adam梯度下降算法计算并调整织布机了机智能预测模型各适应度参数。Adam优化算法结合了自适应学习率梯度下降算法和动量梯度下降算法两者的优点,既能提高在稀疏梯度下的拟合效率,又能保证在梯度震荡时各神经元的权重和偏置调整不会使织布机了机智能预测模型陷入局部最优解。
S1042:根据MSE算法比较所述预测结果集与实际目标结果集之间的损失程度;
需要说明的是,利用MSE算法比较预测结果集与实际目标结果集之间的损失程度。均方误差(Mean Square Error,MSE)是回归损失函数中最常用的误差比较算法,它是预测值f(x)与目标值y之间差值平方和的均值。利用损失函数来衡量织布机了机智能预测模型的预测性能。其计算公式如式(6)所示。
式中:E为织布机了机智能预测模型预测值与实际值比较后的损失程度;
f(x)为织布机了机智能预测模型计算得到的预测值,y为实际期望的目标值,n为自由度。
S1043:在所述损失程度满足预设条件的情况下,获得所述织机了机时间对应的织布机了机智能预测模型;
S1044:在所述损失程度不满足预设条件的情况下,根据所述训练集和所述测试集基于LSTM循环神经网络进行下一次织布机了机智能预测模型训练。
可选的,预设条件可以为用户设定的期望的误差指标需求,若织布机了机智能预测模型的损失程度已经能够满足期望的误差指标需求,则视为满足预设条件;若织布机了机智能预测模型的损失程度不能满足期望的误差指标需求,则视为不满足预设条件。
判断损失程度是否满足期望指标。将每次得到损失程度值与期望损失值进行对比,若织布机了机智能预测模型当前的损失程度已经能满足期望的误差指标需求,则结束训练;若织布机了机智能预测模型当前的损失程度过大,则重复训练,继续调整织布机了机智能预测模型的各适应度参数,优化织布机了机智能预测模型对数据的拟合能力。织布机了机智能预测模型的损失程度约束公式如式(7)所示。
Ep≤Ee (7)
式中:Ep为织布机了机智能预测模型此次预测结果值与实际结果值的误差损失程度;Ee为期望的误差损失程度。
在一种可能的实施方式中,本发明提供的一种织布机了机智能预测模型的构建方法,在步骤104之后,还包括:
S109:根据所述织布机了机智能预测模型获取第i时段对应的预测经纬向停车时间;
S1010:获取第i时段计算得到的织机理论织布时间及第i时段之前所述织机已产生的经纬向停车时间;
S1011:根据所述预测经纬向停车时间、所述织机理论织布时间和所述已产生的经纬向停车时间得到所述第i时段对应的预测织机了机时间。
图2示出了本发明一个示例性实施例提供的一种织布机了机智能预测模型的构建方法流程示意图,通过计算各时间进度下的织机理论织布时间、织机加工完目标织轴所消耗的总经纬向停车时间以及织机实际已产生的经纬向停车时间,得到每个时间进度下所预测的织机了机时间。
其中,各时间进度下预测的织机了机时间计算公式如式(8)所示。
Ti yc=Ti jw+Ti ll-Ti sjw (8)
式中:为织布机了机智能预测模型在i时间进度下所预测的织机了机时间,h;为织布机了机智能预测模型在i时间进度下所预测的经纬向停车时间,h;/>为i时间进度下所计算得到的织机理论织布时间,h;/>为i时间进度前织机实际已产生的经纬向停车时间,h。
在一种可能的实施方式中,本发明提供的一种织布机了机智能预测模型的构建方法,在步骤1011之后,还包括:
S1012:在所述织布机了机智能预测模型的构建时间未达到截止时间的情况下,对所述织布机了机智能预测模型进行迭代优化。
可选的,若在织布机了机智能预测模型训练结束后,没有达到预设的截止时间的情况下,可进一步对于织布机了机智能预测模型进行迭代优化。
在一种可能的实施方式中,步骤S1012具体可由步骤S10121至步骤S10124执行:
S10121:将所述第一时间进度系数调整为第二时间进度系数;
S10122:根据第二时间进度系数将所述目标数据集划分新训练集和新测试集;
可选的,按照公式(5)调整时间进度系数,根据调整后第二时间进度系数调整训练集与测试集之间的数据量占比。
S10123:根据所述新训练集和所述新测试集进行织布机了机智能预测模型训练,以获得完成训练的织布机了机智能预测模型;
S10124:根据所述完成训练的织布机了机智能预测模型的评估结果,获得所述织机了机时间对应的织布机了机智能预测模型。
步骤S10123与步骤S10124对应与前文实施例对应内容相同,本实施例在此不再赘述。
在一种可能的实施方式中,本发明提供的一种织布机了机智能预测模型的构建方法,在步骤1012之前,还包括:
S1013:所述织布机了机智能预测模型迭代优化次数为M次,根据所述M次迭代优化对应的损失差值的得到损失变化阈值。
在步骤1012之后,还包括:
S1014:在所述织布机了机智能预测模型本次训练得到的损失值大于所述织布机了机智能预测模型前一次训练所得损失值与所述损失变化阈值之和的情况下,将所述织布机了机智能预测模型前一次的训练结果作为训练结果,以得到所述织布机了机智能预测模型。
本发明中训练集与测试集数据量每次的动态调整虽然已经做到了贴合实际并不断学习,但是无法提前确定织布机了机智能预测模型的最优迭代次数,织布机了机智能预测模型每次对新数据量的训练集数据进行学习时会出现欠拟合或过拟合的情况,导致织布机了机智能预测模型在学习过程中错过或没有达到最小损失值,使织布机了机智能预测模型的预测性能不稳定。
因此本发明进一步提出在织布机了机智能预测模型训练时设置动态损失变化阈值的方式,以提高织布机了机智能预测模型的泛化能力。动态设置损失变化阈值的流程如图3所示。
一种实施方式中,设置动态损失变化阈值的具体步骤如下:
1)对织布机了机智能预测模型前50次迭代训练中大于零的损失变化差值进行记录。记录下的损失变化差值计算公式如式(9)所示。
Δe=ec-el (9)
式中:Δe为记录下的损失变化差值,其值大于零;ec为此次织布机了机智能预测模型训练后的损失值;el为前一次织布机了机智能预测模型训练后的损失值。
2)计算当前训练集所对应的损失变化阈值,即计算记录下的损失变化差值的平均值,损失变化阈值的计算公式如式(10)所示。
式中:Goffset为损失变化阈值;Δei为第i个损失变化差值;n为记录下的损失变化差值个数。
3)利用计算得到的损失变化阈值,寻求合适的迭代次数与损失值。若织布机了机智能预测模型此次训练得到的损失值大于织布机了机智能预测模型前一次训练所得损失值与损失变化阈值之和,则织布机了机智能预测模型训练结束,将织布机了机智能预测模型前一次的训练结果作为最终训练结果,即织布机了机智能预测模型训练结果满足如下关系式时织布机了机智能预测模型训练结束,得到织布机了机智能预测模型。
ec-el>Goffset (11)
实施例二
参照图4,示出了本发明实施例提供的一种织布机了机智能预测模型的构建装置结构示意图。
织布机了机智能预测模型的构建装置40,包括:
第一获取模块401,用于获取织机了机时间的目标数据集,所述目标数据集包括织机了机的影响因素参数和织机的经纬向停车时间;
划分模块402,用于根据第一时间进度系数将所述目标数据集划分训练集和测试集;
第二获取模块403,用于根据所述训练集和所述测试集基于LSTM循环神经网络进行模型训练,以获得完成训练的织布机了机智能预测模型;
第三获取模块404,用于根据所述完成训练的织布机了机智能预测模型的评估结果,获得所述织机了机时间对应的织布机了机智能预测模型。
可选地,所述第一获取模块401具体用于:
将织轴的生命周期划分N个时段;
获取N个时段中每个时段对应的织机了机的影响因素参数和织机的经纬向停车时间,以得到与N个时段一一对应的N组织机了机的影响因素及与N个时段一一对应的N个经纬向停车时间;
根据所述N组织机了机的影响因素及所述N个经纬向停车时间得到所述目标数据集。
可选地,所述织机了机的影响因素参数包括:生产时间段、挡车工技术等级、经纱成分、经纱纱支、经纱编织密度、纬纱成分、纬纱纱支、纬纱编织密度;
所述经纬向停车时间包括经停消耗时间和纬停消耗时间;
所述第一获取模块401用于:
所述输入数据集与所述输出数据集构成所述目标数据集。
可选地,所述织布机了机智能预测模型的构建装置40还包括处理模块405,用于采用目标数据归一化方法对所述输入数据集进行处理。
可选地,所述织布机了机智能预测模型的构建装置40还包括:
第四获取模块406,用于获取织轴的生命周期内的总时间;
第五获取模块407,用于获取目标精度值,所述目标精度值用于表示所述织布机了机智能预测模型需要达到的精度值;
第一计算模块408,用于根据所述总时间及所述目标精度值得到第一时间进度系数。
可选地,所述第三获取模块404用于:
利用Adam梯度下降算法计算并调整所述织布机了机智能预测模型各适应度参数并得到所述织布机了机智能预测模型输出的预测结果集,所述预测结果集为调整所述织布机了机智能预测模型各适应度参数后输出的结果集;
根据MSE算法比较所述预测结果集与实际目标结果集之间的损失程度;
在所述损失程度满足预设条件的情况下,获得所述织机了机时间对应的织布机了机智能预测模型。
可选地,所述第二获取模块403用于:
在所述损失程度不满足预设条件的情况下,根据所述训练集和所述测试集基于LSTM循环神经网络进行下一次模型训练。
可选地,所述构建装置40还包括:
第六获取模块409,用于根据所述织布机了机智能预测模型获取第i时段对应的预测经纬向停车时间
获取第i时段计算得到的织机理论织布时间及第i时段之前所述织机已产生的经纬向停车时间;
第二计算模块410,用于根据所述预测经纬向停车时间、所述织机理论织布时间和所述已产生的经纬向停车时间得到所述第i时段对应的预测织机了机时间。
可选地,所述织布机了机智能预测模型的构建装置40还包括:
优化模块411,用于在所述织布机了机智能预测模型的构建时间未达到截止时间的情况下,对所述织布机了机智能预测模型进行迭代优化。
可选地,所述优化模块411用于:
将所述第一时间进度系数调整为第二时间进度系数;
根据第二时间进度系数将所述目标数据集划分新训练集和新测试集;
根据所述新训练集和所述新测试集进行模型训练,以获得完成训练的织布机了机智能预测模型;
根据所述完成训练的织布机了机智能预测模型的评估结果,获得所述织机了机时间对应的织布机了机智能预测模型。
可选地,所述织布机了机智能预测模型迭代优化次数为M次,所述织布机了机智能预测模型的构建装置40还包括第三计算模块412,用于:
根据所述M次迭代优化对应的损失差值的得到损失变化阈值;
在所述织布机了机智能预测模型本次训练得到的损失值大于所述织布机了机智能预测模型前一次训练所得损失值与所述损失变化阈值之和的情况下,将所述织布机了机智能预测模型前一次的训练结果作为训练结果,以得到所述织布机了机智能预测模型。
本发明实施例提供的织布机了机智能预测模型的构建装置40能够实现上述方法实施例中实现的各个过程,为避免重复,这里不再赘述。
在本发明实施例中,获取织机了机时间的目标数据集,目标数据集包括织机了机的影响因素参数和织机的经纬向停车时间,根据第一时间进度系数将目标数据集划分训练集和测试集,根据训练集和测试集基于LSTM循环神经网络进行模型训练,以获得完成训练的织布机了机智能预测模型,根据所述完成训练的织布机了机智能预测模型的评估结果,获得所述织机了机时间对应的织布机了机智能预测模型。通过设置时间进度系数动态调整模型在织轴整个生命周期内的预测情况,以解决利用预先设定好的计划生产静态参数对织机了机时间进行计算时,存在理论计算值与实际织机了机时间偏差过大的问题。
本发明实施例中的虚拟系统可以是装置,也可以是终端中的部件、集成电路、或芯片。
此外,需要说明的是,以上所描述的装置实施例仅仅是示意性的,并不对本发明的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的,此处不做限制。
另外,未在本实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的智能认知方法和系统,此处不再赘述。
以上仅为本发明的较佳实施方式而已,并不用以限制本发明,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 (6)
1.一种织布机了机智能预测模型的构建方法,其特征在于,包括:
获取织机了机时间的目标数据集,所述目标数据集包括织机了机的影响因素参数和织机的经纬向停车时间;
根据第一时间进度系数将所述目标数据集划分训练集和测试集;
根据所述训练集和所述测试集基于LSTM循环神经网络进行模型训练,以获得完成训练的织布机了机智能预测模型;
根据所述完成训练的织布机了机智能预测模型的评估结果,获得所述织机了机时间对应的织布机了机智能预测模型;
其中,所述获取织机了机时间的目标数据集包括:
将织轴的生命周期划分N个时段;
获取所述N个时段中每个时段对应的织机了机的影响因素参数和织机的经纬向停车时间,以得到与所述N个时段一一对应的N组织机了机的影响因素及与所述N个时段一一对应的N个经纬向停车时间;
根据所述N组织机了机的影响因素及所述N个经纬向停车时间得到所述目标数据集;
其中,所述织机了机的影响因素参数包括:生产时间段、挡车工技术等级、经纱成分、经纱纱支、经纱编织密度、纬纱成分、纬纱纱支、纬纱编织密度;
所述经纬向停车时间包括经停消耗时间和纬停消耗时间;
所述根据所述N组织机了机的影响因素及所述N个经纬向停车时间得到所述目标数据集包括:
所述输入数据集与所述输出数据集构成所述目标数据集;
其中,在所述获取织机了机时间的目标数据集之后,在根据第一时间进度系数将所述目标数据集划分训练集和测试集之前,所述方法还包括:
获取织轴的生命周期内的总时间;
获取目标精度值,所述目标精度值用于表示所述织布机了机智能预测模型需要达到的精度值;
根据所述总时间及所述目标精度值得到第一时间进度系数;
其中,所述根据所述完成训练的织布机了机智能预测模型的评估结果,获得所述织机了机时间对应的织布机了机智能预测模型,包括:
利用Adam梯度下降算法计算并调整所述织布机了机智能预测模型各适应度参数并得到所述织布机了机智能预测模型输出的预测结果集,所述预测结果集为调整所述织布机了机智能预测模型各适应度参数后输出的结果集;
根据MSE算法比较所述预测结果集与实际目标结果集之间的损失程度;
所述获得完成训练的织布机了机智能预测模型包括:
在所述损失程度满足预设条件的情况下,获得所述织机了机时间对应的织布机了机智能预测模型。
2.根据权利要求1所述的织布机了机智能预测模型的构建方法,其特征在于,在所述根据MSE算法比较所述预测结果集与实际目标结果集之间的损失程度之后,在所述获得所述织机了机时间对应的织布机了机智能预测模型之前,所述方法还包括:
在所述损失程度不满足预设条件的情况下,根据所述训练集和所述测试集基于LSTM循环神经网络进行下一次模型训练。
3.根据权利要求1所述的织布机了机智能预测模型的构建方法,其特征在于,在所述获得所述织机了机时间对应的织布机了机智能预测模型之后,所述方法还包括:
根据所述织布机了机智能预测模型获取第i时段对应的预测经纬向停车时间;
获取第i时段计算得到的织机理论织布时间及第i时段之前所述织机已产生的经纬向停车时间;
根据所述预测经纬向停车时间、所述织机理论织布时间和所述已产生的经纬向停车时间得到所述第i时段对应的预测织机了机时间。
4.根据权利要求3所述的织布机了机智能预测模型的构建方法,在所述得到所述第i时段对应的预测织机了机时间之后,所述方法还包括:
在所述织布机了机智能预测模型的构建时间未达到截止时间的情况下,对所述织布机了机智能预测模型进行迭代优化。
5.根据权利要求4所述的织布机了机智能预测模型的构建方法,所述对所述织布机了机智能预测模型进行迭代优化包括:
将所述第一时间进度系数调整为第二时间进度系数;
根据第二时间进度系数将所述目标数据集划分新训练集和新测试集;
根据所述新训练集和所述新测试集进行模型训练,以获得完成训练的织布机了机智能预测模型;
根据所述完成训练的织布机了机智能预测模型的评估结果,获得所述织机了机时间对应的织布机了机智能预测模型。
6.根据权利要求5所述的织布机了机智能预测模型的构建方法,其特征在于,在所述对所述织布机了机智能预测模型进行迭代优化之前,所述方法包括:
所述织布机了机智能预测模型迭代优化次数为M次;
根据所述M次迭代优化对应的损失差值的得到损失变化阈值;
在所述对所述织布机了机智能预测模型进行迭代优化之后,所述方法还包括:
在所述织布机了机智能预测模型本次训练得到的损失值大于所述织布机了机智能预测模型前一次训练所得损失值与所述损失变化阈值之和的情况下,将所述织布机了机智能预测模型前一次的训练结果作为训练结果,以得到所述织布机了机智能预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210811627.XA CN115182083B (zh) | 2022-07-11 | 2022-07-11 | 一种织布机了机智能预测模型的构建方法和构建装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210811627.XA CN115182083B (zh) | 2022-07-11 | 2022-07-11 | 一种织布机了机智能预测模型的构建方法和构建装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115182083A CN115182083A (zh) | 2022-10-14 |
CN115182083B true CN115182083B (zh) | 2023-06-16 |
Family
ID=83516432
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210811627.XA Active CN115182083B (zh) | 2022-07-11 | 2022-07-11 | 一种织布机了机智能预测模型的构建方法和构建装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115182083B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116288881B (zh) * | 2023-04-24 | 2023-10-20 | 苏州盈宇纺织科技有限公司 | 一种喷气织机监测系统和方法 |
CN116822909B (zh) * | 2023-08-25 | 2023-11-17 | 七采蜂(苏州)数字科技有限公司 | 一种基于物联网的织机数据智能采集方法及系统 |
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 (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05140844A (ja) * | 1991-11-22 | 1993-06-08 | Nissan Motor Co Ltd | 織機の製織不具合予測装置及び制御装置 |
CN101338473A (zh) * | 2008-08-07 | 2009-01-07 | 浙江大学 | 织机经纱张力控制方法 |
CN106844949A (zh) * | 2017-01-18 | 2017-06-13 | 清华大学 | 一种用于实现机车节能操纵的双向lstm模型的训练方法 |
CN110004573A (zh) * | 2019-04-03 | 2019-07-12 | 东北大学 | 一种基于振动数据的纱线故障检测方法及装置 |
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 |
CN113130014A (zh) * | 2021-04-23 | 2021-07-16 | 华东交通大学 | 一种基于多分支神经网络的稀土萃取模拟方法及系统 |
-
2022
- 2022-07-11 CN CN202210811627.XA patent/CN115182083B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05140844A (ja) * | 1991-11-22 | 1993-06-08 | Nissan Motor Co Ltd | 織機の製織不具合予測装置及び制御装置 |
CN101338473A (zh) * | 2008-08-07 | 2009-01-07 | 浙江大学 | 织机经纱张力控制方法 |
CN106844949A (zh) * | 2017-01-18 | 2017-06-13 | 清华大学 | 一种用于实现机车节能操纵的双向lstm模型的训练方法 |
CN110004573A (zh) * | 2019-04-03 | 2019-07-12 | 东北大学 | 一种基于振动数据的纱线故障检测方法及装置 |
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 |
CN113130014A (zh) * | 2021-04-23 | 2021-07-16 | 华东交通大学 | 一种基于多分支神经网络的稀土萃取模拟方法及系统 |
Non-Patent Citations (1)
Title |
---|
织机监测系统的应用分析与优化设计;邵景峰;;丝绸(03);第42-45页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115182083A (zh) | 2022-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115182083B (zh) | 一种织布机了机智能预测模型的构建方法和构建装置 | |
CN110738360B (zh) | 一种设备剩余寿命预测方法及系统 | |
CN109934337B (zh) | 一种基于集成lstm的航天器遥测数据异常的检测方法 | |
CN110414719A (zh) | 一种基于多变量灰色模型时间序列的车流量预测方法 | |
CN101338473B (zh) | 织机经纱张力控制方法 | |
CN104200268B (zh) | 一种基于粒子群优化极限学习机的带钢出口厚度预测方法 | |
CN107292502B (zh) | 一种配电网可靠性评估方法 | |
CN111563028A (zh) | 一种基于时序数据分析的数据中心任务规模预测方法 | |
CN111310981B (zh) | 一种基于时间序列的水库水位趋势预测方法 | |
CN106055775A (zh) | 一种粒子滤波与机理模型相结合的二次电池寿命预测方法 | |
CN114357852A (zh) | 一种基于长短期记忆神经网络和粒子群优化算法的分层注水优化方法 | |
CN110457369A (zh) | 一种模型的训练方法及相关设备 | |
CN109460613A (zh) | 模型裁剪方法及装置 | |
CN110175247A (zh) | 一种优化基于深度学习的异常检测模型的方法 | |
CN107706938B (zh) | 一种基于分位点回归的风电功率波动区间分析方法 | |
CN106355980A (zh) | 一种基于限定记忆极限学习机的电网调节能力预测方法 | |
CN104993966B (zh) | 一种电力综合业务网流量预测方法 | |
CN106777652A (zh) | 一种预测高炉透气性的方法 | |
CN114357670A (zh) | 一种基于bls和自编码器的配电网用电数据异常预警方法 | |
CN104933418A (zh) | 一种双像机的人群人数统计方法 | |
CN116397604A (zh) | 一种闸门联动控制方法、装置及串联供水发电系统 | |
CN103577942A (zh) | 一种水资源与经济协调发展决策支持系统和方法 | |
CN110119842A (zh) | 一种微电网短期负荷预测方法 | |
CN113627594A (zh) | 基于wgan的一维时序数据增广方法 | |
CN109242142A (zh) | 一种面向基础设施网的时空预测模型参数优化方法 |
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 |