CN115491861A - 一种基于大数据的洁净服清洗管理系统 - Google Patents
一种基于大数据的洁净服清洗管理系统 Download PDFInfo
- Publication number
- CN115491861A CN115491861A CN202211437061.5A CN202211437061A CN115491861A CN 115491861 A CN115491861 A CN 115491861A CN 202211437061 A CN202211437061 A CN 202211437061A CN 115491861 A CN115491861 A CN 115491861A
- Authority
- CN
- China
- Prior art keywords
- cleaning
- value
- analysis
- gray
- sub
- 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.)
- Granted
Links
Images
Classifications
-
- D—TEXTILES; PAPER
- D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
- D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
- D06F34/00—Details of control systems for washing machines, washer-dryers or laundry dryers
- D06F34/04—Signal transfer or data transmission arrangements
-
- D—TEXTILES; PAPER
- D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
- D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
- D06F33/00—Control of operations performed in washing machines or washer-dryers
- D06F33/30—Control of washing machines characterised by the purpose or target of the control
- D06F33/32—Control of operational steps, e.g. optimisation or improvement of operational steps depending on the condition of the laundry
-
- D—TEXTILES; PAPER
- D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
- D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
- D06F34/00—Details of control systems for washing machines, washer-dryers or laundry dryers
- D06F34/14—Arrangements for detecting or measuring specific parameters
-
- D—TEXTILES; PAPER
- D06—TREATMENT OF TEXTILES OR THE LIKE; LAUNDERING; FLEXIBLE MATERIALS NOT OTHERWISE PROVIDED FOR
- D06F—LAUNDERING, DRYING, IRONING, PRESSING OR FOLDING TEXTILE ARTICLES
- D06F2103/00—Parameters monitored or detected for the control of domestic laundry washing machines, washer-dryers or laundry dryers
- D06F2103/02—Characteristics of laundry or load
-
- 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
Abstract
本发明属于洁净服清洗领域,涉及数据处理技术,用于解决现有的洁净服清洗管理系统无法为不同颜色以及污染程度的洁净服分配合适的清洗工序的问题,具体是一种基于大数据的洁净服清洗管理系统,包括清洗管理平台,所述清洗管理平台通信连接有特征分析模块、工序管理模块、清洗管理模块以及存储模块;所述特征分析模块用于在清洗前对洁净服进行特征检测分析:将待清洗的洁净服标记为分析对象,获取分析对象的特征值并发送至清洗管理模块;本发明可以在清洗前对洁净服进行特征检测分析,根据洁净服的等级、颜色以及污染程度对洁净服进行分类,从而针对不同类的洁净服采用针对性的清洗模式进行清洗,提高清洗效率的同时降低返工次数。
Description
技术领域
本发明属于洁净服清洗领域,涉及数据处理技术,具体是一种基于大数据的洁净服清洗管理系统。
背景技术
洁净服又叫无菌服,无尘服,净化服,采用专用涤纶长丝,经特殊工艺织造而成,用此种面料经特殊缝纫工艺制成的服装具有优良的防静电防尘性能,广泛应用于电子、制药、食品、生物工程、光学、航天、航空等行业。
在现有技术中,洁净服一般是通过固定工序进行清洗,由于洁净服的各个清洗工序通常采用独立设备进行,这就导致了一批洁净服在进行某一清洗工序时,剩余工序的清洗设备处于闲置状态,因此,洁净服的整套清洗流程的效率低下;另外,现有的洁净服清洗管理系统无法为不同颜色以及污染程度的洁净服分配合适的清洗工序,导致洁净服清洗工序无法得到科学化的管理与分配,清洗效率进一步下降。
针对上述技术问题,本身请提出一种解决方案。
发明内容
本发明的目的在于提供一种基于大数据的洁净服清洗管理系统,用于解决现有的洁净服清洗管理系统无法为不同颜色以及污染程度的洁净服分配合适的清洗工序的问题;
本发明需要解决的技术问题为:如何提供一种可以为不同颜色以及污染程度的洁净服分配合适的清洗工序的洁净服清洗管理系统。
本发明的目的可以通过以下技术方案实现:
一种基于大数据的洁净服清洗管理系统,包括清洗管理平台,所述清洗管理平台通信连接有特征分析模块、工序管理模块、清洗管理模块以及存储模块;
所述特征分析模块用于在清洗前对洁净服进行特征检测分析:将待清洗的洁净服标记为分析对象,获取分析对象的特征值并发送至清洗管理模块;
所述工序管理模块包括工序分割单元、工序执行单元以及工序检测单元;
所述工序分割单元对原有洁净服清洗工序进行分割处理的A工序与B工序;
所述工序执行单元采用随机模式对分析对象进行清洗;
所述工序检测单元用于对分析对象在各个子工序的清洗效果进行检测分析;
所述清洗管理模块用于对洁净服进行工序分配分析:完成清洗与检测的洁净服的数量达到L1时,由完成清洗与检测的分析对象的灰表值的最大值与最小值构成灰表范围,将灰表范围分割为若干个灰表区间,将灰表值位于灰表区间内的分析对象标记为灰表区间的管理对象,对管理对象进行模式分析并将灰表区间的清洗模式标记为随机模式、A模式或B模式。
作为本发明的一种优选实施方式,分析对象的特征值的获取过程包括:获取分析对象的等级并标记为级值,对分析对象的正反面进行图像拍摄并将拍摄到的图像标记为分析图像,将分析图像放大为像素格图像并进行灰度变换得到像素格的灰度值,将分析图像的像素格灰度值进行求和取平均值得到灰均值,将两个分析对象的灰均值进行求和取平均值得到分析对象的灰表值,由级值与灰表值构成分析对象的特征值。
作为本发明的一种优选实施方式,工序分割单元对原有洁净服清洗工序进行分割处理的具体过程包括:通过独立的清洗设备将洁净服清洗工序分割为有机清洗子工序、油污清洗子工序以及漂洗子工序;由有机清洗子工序-油污清洗子工序-漂洗子工序与油污清洗子工序-有机清洗子工序-漂洗子工序分别组成A工序与B工序。
作为本发明的一种优选实施方式,工序检测单元对分析对象在各个子工序的清洗效果进行检测分析的过程包括:在每个子工序执行完成后采用对应的检测方法对清洗效果进行检测,若检测通过,则进行下一子工序;若检测不通过,则重新执行上一子工序,同时对应子工序的返工次数加一。
作为本发明的一种优选实施方式,油污清洗子工序对应的检测方法包括:对完成油污清洗子工序清洗的分析对象进行图像拍摄并标记为检测图像,将检测图像放大为像素格图像并进行灰度变换得到像素格的灰度值,通过存储模块获取到灰度阈值,将像素格的灰度值逐一与灰度阈值进行比较:若灰度值小于等于灰度阈值,则将对应像素格标记为污染格;若灰度值大于灰度阈值,则将对应像素格标记为洁净格;将污染格数量与像素格数量的比值标记为污染系数,通过存储模块获取到污染阈值,将污染系数与污染阈值进行比较:若污染系数小于污染阈值,则判定分析对象的油污清洗效果满足要求,将对应的分析对象标记为合格对象,对合格对象进行下一工序;若污染系数大于等于污染阈值,则判定分析对象的油污清洗效果不满足要求,将对应的分析对象标记为返工对象,对返工对象重新执行油污清洗子工序。
作为本发明的一种优选实施方式,对管理对象进行模式分析的具体过程包括:获取执行管理对象的A类效率值XLa与B类效率值XLb;将A类效率值XLa与B类效率值XLb的差值的绝对值标记为随机值,通过存储模块获取到随机阈值,将随机值与随机阈值进行比较并通过比较结果对灰表区间的清洗模式进行标记。
作为本发明的一种优选实施方式,A类效率值XLa的获取过程包括:将管理对象中执行A工序的分析对象标记为A类对象,获取A类对象的清洗数据QXa与返工数据FGb,A类对象的清洗数据QXa为A类对象通过A工序全部完成清洗与检测的总时长,A类对象的返工数据FGa为A工序的所有子工序对A类对象进行清洗时的返工次数的和值;通过公式对A类对象的清洗数据QXa、返工数据FG以及数量进行数值计算得到A类效率值XLa;
B类效率值XLb的获取过程与A类效率值XLa的获取过程相同。
作为本发明的一种优选实施方式,将随机值与随机阈值进行比较的具体过程包括:
若随机值小于等于随机阈值,则判定管理对象采用A工序与B工序进行清洗时的清洗效率没有明显差异,将对应灰表区间的清洗模式标记为随机模式,随机模式即随机从A工序与B工序中抽取一道清洗工序对灰表值位于灰表区间内的分析对象进行清洗;
若随机值大于等于随机阈值,则判定管理对象采用A工序与B工序进行清洗时的清洗效率存在明显差异,将A类效率值XLa与B类效率值XLb进行比较:
若A类效率值XLa小于B类效率值XLb,则将对应灰表区间的清洗模式标记为A模式,A模式即采用A工序对灰表值位于灰表区间内的分析对象进行清洗;
若A类效率值XLa大于XLb,则将对应灰表区间的清洗模式标记为B模式,B模式即采用B工序对灰表值位于灰表区间内的分析对象进行清洗。
作为本发明的一种优选实施方式,该基于大数据的洁净服清洗管理系统的工作方法,包括以下步骤:
步骤S1:在清洗前对洁净服进行特征检测分析:将待清洗的洁净服标记为分析对象,获取分析对象的等级并标记为级值与灰表值,由级值与灰表值构成分析对象的特征值;
步骤S2:采用随机模式对分析对象进行清洗;
步骤S3:在每个子工序执行完成后采用对应的检测方法对清洗效果进行检测,检测不通过时重新执行上一子工序,直至分析对象完成清洗与检测;
步骤S4:完成清洗与检测的洁净服的数量达到L1时,对洁净服进行工序分配分析,由完成清洗与检测的分析对象的灰表值的最大值与最小值构成灰表范围,将灰表范围分割为若干个灰表区间,将灰表值位于灰表区间内的分析对象标记为灰表区间的管理对象,对管理对象进行模式分析并将灰表区间的清洗模式标记为随机模式、A模式或B模式;
步骤S5:在后续对灰表值位于灰表区间之内的分析对象进行清洗时,采用灰表值对应的清洗模式进行清洗。
本发明具备下述有益效果:
1、通过特征分析模块可以在清洗前对洁净服进行特征检测分析,根据洁净服的等级、颜色以及污染程度对洁净服进行分类,从而针对不同类的洁净服采用针对性的清洗模式进行清洗,提高清洗效率的同时降低返工次数,节省洁净服的清洗资源;
2、通过工序分割单元可以通过独立的清洗设备对洁净服清洗工序进行分割,在分割之后对子工序进行组合形成不同的完整工序,在采用工序执行单元进行洁净服清洗时,首先通过随机模式进行模式随机选取,即不同的完整工序同时进行工作,其完整工序内的设备同时进行运转,以提高洁净服的清洗效率,在每个子工序完成清洗后对清洗效果进行检测,检测不合格即立即返工,避免出现清洗完成后洁净服的清洗效果不合格,需要对洁净服进行全流程的返工清洗的现象,降低清洗效率的同时还浪费了清洗资源;
3、通过清洗管理模块可以对洁净服进行工序分配管理,通过对颜色与污染程度相近的洁净服在不同工序中的清洗效率与返工次数差异性进行分析,从而筛选得到与灰表区间相对应的清洗模式,然后通过工序执行单元采用对应的清洗模式对洁净服进行清洗,进一步提高洁净服的清洗效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一的系统框图;
图2为本发明实施例二的方法流程图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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它实施例,都属于本发明保护的范围。
实施例一
如图1所示,一种基于大数据的洁净服清洗管理系统,包括清洗管理平台,清洗管理平台通信连接有特征分析模块、工序管理模块、清洗管理模块以及存储模块。
特征分析模块用于在清洗前对洁净服进行特征检测分析:将待清洗的洁净服标记为分析对象,获取分析对象的等级并标记为级值,对分析对象的正反面进行图像拍摄并将拍摄到的图像标记为分析图像,将分析图像放大为像素格图像并进行灰度变换得到像素格的灰度值,将分析图像的像素格灰度值进行求和取平均值得到灰均值,将两个分析对象的灰均值进行求和取平均值得到分析对象的灰表值,由级值与灰表值构成分析对象的特征值,将分析对象的特征值发送至清洗管理模块;在清洗前对洁净服进行特征检测分析,根据洁净服的等级、颜色以及污染程度对洁净服进行分类,从而针对不同类的洁净服采用针对性的清洗模式进行清洗,提高清洗效率的同时降低返工次数,节省洁净服的清洗资源。
现有的洁净服清洗管理系统缺少子工序清洗效果检测功能,只能在洁净服完成整个清洗流程后再对其进行效果检测,这就导致了如果洁净服仅在第一道子工序的清洗效果不合格时,返工时的后续子工序属于资源与时间浪费。
工序管理模块包括工序分割单元、工序执行单元以及工序检测单元;工序分割单元用于对原有洁净服清洗工序进行分割处理:通过独立的清洗设备将洁净服清洗工序分割为有机清洗子工序(水溶性有机物清洗机)、油污清洗子工序(油污清洗机)以及漂洗子工序(漂洗清洗机);由有机清洗子工序-油污清洗子工序-漂洗子工序与油污清洗子工序-有机清洗子工序-漂洗子工序分别组成A工序与B工序;工序执行单元采用随机模式对分析对象进行清洗;工序检测单元用于对分析对象在各个子工序的清洗效果进行检测分析:在每个子工序执行完成后采用对应的检测方法对清洗效果进行检测,若检测通过,则进行下一子工序;若检测不通过,则重新执行上一子工序,同时对应子工序的返工次数加一,有机清洗子工序与漂洗子工序的清洗效果检测均可通过现有技术直接进行,在此不做赘述;油污清洗子工序对应的检测方法包括:对完成油污清洗子工序清洗的分析对象进行图像拍摄并标记为检测图像,将检测图像放大为像素格图像并进行灰度变换得到像素格的灰度值,通过存储模块获取到灰度阈值,将像素格的灰度值逐一与灰度阈值进行比较:若灰度值小于等于灰度阈值,则将对应像素格标记为污染格;若灰度值大于灰度阈值,则将对应像素格标记为洁净格;将污染格数量与像素格数量的比值标记为污染系数,通过存储模块获取到污染阈值,将污染系数与污染阈值进行比较:若污染系数小于污染阈值,则判定分析对象的油污清洗效果满足要求,将对应的分析对象标记为合格对象,对合格对象进行下一工序;若污染系数大于等于污染阈值,则判定分析对象的油污清洗效果不满足要求,将对应的分析对象标记为返工对象,对返工对象重新执行油污清洗子工序;通过独立的清洗设备对洁净服清洗工序进行分割,在分割之后对子工序进行组合形成不同的完整工序,在采用工序执行单元进行洁净服清洗时,首先通过随机模式进行模式随机选取,即不同的完整工序同时进行工作,其完整工序内的设备同时进行运转,以提高洁净服的清洗效率,在每个子工序完成清洗后对清洗效果进行检测,检测不合格即立即返工,避免出现清洗完成后洁净服的清洗效果不合格,导致需要对洁净服进行全流程的返工清洗,降低清洗效率的同时还浪费了清洗资源。
清洗管理模块用于对洁净服进行工序分配分析:完成清洗与检测的洁净服的数量达到L1时,L1为数值常量,L1的数值由管理人员自行设置;由完成清洗与检测的分析对象的灰表值的最大值与最小值构成灰表范围,将灰表范围分割为若干个灰表区间,将灰表值位于灰表区间内的分析对象标记为灰表区间的管理对象;对管理对象进行模式分析:获取执行管理对象的A类效率值XLa与B类效率值XLb,A类效率值XLa的获取过程包括:将管理对象中执行A工序的分析对象标记为A类对象,获取A类对象的清洗数据QXa与返工数据FGb,A类对象的清洗数据QXa为A类对象通过A工序全部完成清洗与检测的总时长,A类对象的返工数据FGa为A工序的所有子工序对A类对象进行清洗时的返工次数的和值;通过公式XLa=(α1*QXa+α2*FGa)/(α3*SLa)得到A类效率值XLa,A类效率值是一个反映灰表区间内分析对象采用A工序进行清洗时的整体效率的数值,A类效率值的数值越小,则表示灰表区间内分析对象采用A工序进行清洗时的整体效率越高;其中α1与α2均为比例系数,且α1>α2>α3>1,SLa为A类对象的数量值;B类效率值XLb的获取过程与A类效率值XLa的获取过程相同;将A类效率值XLa与B类效率值XLb的差值的绝对值标记为随机值,通过存储模块获取到随机阈值,将随机值与随机阈值进行比较:若随机值小于等于随机阈值,则判定管理对象采用A工序与B工序进行清洗时的清洗效率没有明显差异,将对应灰表区间的清洗模式标记为随机模式,随机模式即随机从A工序与B工序中抽取一道清洗工序对灰表值位于灰表区间内的分析对象进行清洗;若随机值大于等于随机阈值,则判定管理对象采用A工序与B工序进行清洗时的清洗效率存在明显差异,将A类效率值XLa与B类效率值XLb进行比较:若A类效率值XLa小于B类效率值XLb,则将对应灰表区间的清洗模式标记为A模式,A模式即采用A工序对灰表值位于灰表区间内的分析对象进行清洗;若A类效率值XLa大于XLb,则将对应灰表区间的清洗模式标记为B模式,B模式即采用B工序对灰表值位于灰表区间内的分析对象进行清洗;对洁净服进行工序分配管理,通过对颜色与污染程度相近的洁净服在不同工序中的清洗效率与返工次数差异性进行分析,从而筛选得到与灰表区间相对应的清洗模式,然后通过工序执行单元采用对应的清洗模式对洁净服进行清洗,进一步提高洁净服的清洗效率。
实施例二
如图2所示,基于大数据的洁净服清洗管理方法,包括以下步骤:
步骤S1:在清洗前对洁净服进行特征检测分析:将待清洗的洁净服标记为分析对象,获取分析对象的等级并标记为级值与灰表值,由级值与灰表值构成分析对象的特征值,针对不同类的洁净服采用针对性的清洗模式进行清洗;
步骤S2:采用随机模式对分析对象进行清洗;
步骤S3:在每个子工序执行完成后采用对应的检测方法对清洗效果进行检测,检测不通过时重新执行上一子工序,直至分析对象完成清洗与检测,避免出现清洗完成后洁净服的清洗效果不合格,需要对洁净服进行全流程的返工清洗的现象;
步骤S4:完成清洗与检测的洁净服的数量达到L1时,对洁净服进行工序分配分析,由完成清洗与检测的分析对象的灰表值的最大值与最小值构成灰表范围,将灰表范围分割为若干个灰表区间,将灰表值位于灰表区间内的分析对象标记为灰表区间的管理对象,对管理对象进行模式分析并将灰表区间的清洗模式标记为随机模式、A模式或B模式,得到与灰表区间相对应的清洗模式;
步骤S5:在后续对灰表值位于灰表区间之内的分析对象进行清洗时,采用灰表值对应的清洗模式进行清洗,通过工序执行单元采用对应的清洗模式对洁净服进行清洗,进一步提高洁净服的清洗效率。
一种基于大数据的洁净服清洗管理系统,工作时,在清洗前对洁净服进行特征检测分析:将待清洗的洁净服标记为分析对象,获取分析对象的等级并标记为级值与灰表值,由级值与灰表值构成分析对象的特征值;采用随机模式对分析对象进行清洗;在每个子工序执行完成后采用对应的检测方法对清洗效果进行检测,检测不通过时重新执行上一子工序,直至分析对象完成清洗与检测;对管理对象进行模式分析并将灰表区间的清洗模式标记为随机模式、A模式或B模式。
以上内容仅仅是对本发明结构所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
上述公式均是采集大量数据进行软件模拟得出且选取与真实值接近的一个公式,公式中的系数是由本领域技术人员根据实际情况进行设置;如:公式XLa=(α1*QXa+α2*FGa)/(α3*SLa);由本领域技术人员采集多组样本数据并对每一组样本数据设定对应的A类效率值;将设定的A类效率值和采集的样本数据代入公式,任意三个公式构成三元一次方程组,将计算得到的系数进行筛选并取均值,得到α1、α2以及α3的取值分别为5.184、3.467和2.235;
系数的大小是为了将各个参数进行量化得到的一个具体的数值,便于后续比较,关于系数的大小,取决于样本数据的多少及本领域技术人员对每一组样本数据初步设定对应的A类效率值;只要不影响参数与量化后数值的比例关系即可,如A类效率值与清洗数据的数值成正比。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (9)
1.一种基于大数据的洁净服清洗管理系统,包括清洗管理平台,其特征在于,所述清洗管理平台通信连接有特征分析模块、工序管理模块、清洗管理模块以及存储模块;所述特征分析模块用于在清洗前对洁净服进行特征检测分析:将待清洗的洁净服标记为分析对象,获取分析对象的特征值并发送至清洗管理模块;所述工序管理模块包括工序分割单元、工序执行单元以及工序检测单元;所述工序分割单元对原有洁净服清洗工序进行分割处理的A工序与B工序;所述工序执行单元采用随机模式对分析对象进行清洗;所述工序检测单元用于对分析对象在各个子工序的清洗效果进行检测分析;所述清洗管理模块用于对洁净服进行工序分配分析:完成清洗与检测的洁净服的数量达到L1时,由完成清洗与检测的分析对象的灰表值的最大值与最小值构成灰表范围,将灰表范围分割为若干个灰表区间,将灰表值位于灰表区间内的分析对象标记为灰表区间的管理对象,对管理对象进行模式分析并将灰表区间的清洗模式标记为随机模式、A模式或B模式。
2.根据权利要求1所述的一种基于大数据的洁净服清洗管理系统,其特征在于,分析对象的特征值的获取过程包括:获取分析对象的等级并标记为级值,对分析对象的正反面进行图像拍摄并将拍摄到的图像标记为分析图像,将分析图像放大为像素格图像并进行灰度变换得到像素格的灰度值,将分析图像的像素格灰度值进行求和取平均值得到灰均值,将两个分析对象的灰均值进行求和取平均值得到分析对象的灰表值,由级值与灰表值构成分析对象的特征值。
3.根据权利要求1所述的一种基于大数据的洁净服清洗管理系统,其特征在于,工序分割单元对原有洁净服清洗工序进行分割处理的具体过程包括:通过独立的清洗设备将洁净服清洗工序分割为有机清洗子工序、油污清洗子工序以及漂洗子工序;由有机清洗子工序-油污清洗子工序-漂洗子工序与油污清洗子工序-有机清洗子工序-漂洗子工序分别组成A工序与B工序。
4.根据权利要求3所述的一种基于大数据的洁净服清洗管理系统,其特征在于,工序检测单元对分析对象在各个子工序的清洗效果进行检测分析的过程包括:在每个子工序执行完成后采用对应的检测方法对清洗效果进行检测,若检测通过,则进行下一子工序;若检测不通过,则重新执行上一子工序,同时对应子工序的返工次数加一。
5.根据权利要求4所述的一种基于大数据的洁净服清洗管理系统,其特征在于,油污清洗子工序对应的检测方法包括:对完成油污清洗子工序清洗的分析对象进行图像拍摄并标记为检测图像,将检测图像放大为像素格图像并进行灰度变换得到像素格的灰度值,通过存储模块获取到灰度阈值,将像素格的灰度值逐一与灰度阈值进行比较:若灰度值小于等于灰度阈值,则将对应像素格标记为污染格;若灰度值大于灰度阈值,则将对应像素格标记为洁净格;将污染格数量与像素格数量的比值标记为污染系数,通过存储模块获取到污染阈值,将污染系数与污染阈值进行比较:若污染系数小于污染阈值,则判定分析对象的油污清洗效果满足要求,将对应的分析对象标记为合格对象,对合格对象进行下一工序;若污染系数大于等于污染阈值,则判定分析对象的油污清洗效果不满足要求,将对应的分析对象标记为返工对象,对返工对象重新执行油污清洗子工序。
6.根据权利要求4所述的一种基于大数据的洁净服清洗管理系统,其特征在于,对管理对象进行模式分析的具体过程包括:获取执行管理对象的A类效率值XLa与B类效率值XLb;将A类效率值XLa与B类效率值XLb的差值的绝对值标记为随机值,通过存储模块获取到随机阈值,将随机值与随机阈值进行比较并通过比较结果对灰表区间的清洗模式进行标记。
7.根据权利要求6所述的一种基于大数据的洁净服清洗管理系统,其特征在于,A类效率值XLa的获取过程包括:将管理对象中执行A工序的分析对象标记为A类对象,获取A类对象的清洗数据QXa与返工数据FGb,A类对象的清洗数据QXa为A类对象通过A工序全部完成清洗与检测的总时长,A类对象的返工数据FGa为A工序的所有子工序对A类对象进行清洗时的返工次数的和值;通过公式对A类对象的清洗数据QXa、返工数据FG以及数量进行数值计算得到A类效率值XLa;B类效率值XLb的获取过程与A类效率值XLa的获取过程相同。
8.根据权利要求6所述的一种基于大数据的洁净服清洗管理系统,其特征在于,将随机值与随机阈值进行比较的具体过程包括:若随机值小于等于随机阈值,则判定管理对象采用A工序与B工序进行清洗时的清洗效率没有明显差异,将对应灰表区间的清洗模式标记为随机模式,随机模式即随机从A工序与B工序中抽取一道清洗工序对灰表值位于灰表区间内的分析对象进行清洗;若随机值大于等于随机阈值,则判定管理对象采用A工序与B工序进行清洗时的清洗效率存在明显差异,将A类效率值XLa与B类效率值XLb进行比较:若A类效率值XLa小于B类效率值XLb,则将对应灰表区间的清洗模式标记为A模式,A模式即采用A工序对灰表值位于灰表区间内的分析对象进行清洗;若A类效率值XLa大于XLb,则将对应灰表区间的清洗模式标记为B模式,B模式即采用B工序对灰表值位于灰表区间内的分析对象进行清洗。
9.根据权利要求1-8任一项所述的一种基于大数据的洁净服清洗管理系统,其特征在于,该基于大数据的洁净服清洗管理系统的工作方法,包括以下步骤:步骤S1:在清洗前对洁净服进行特征检测分析:将待清洗的洁净服标记为分析对象,获取分析对象的等级并标记为级值与灰表值,由级值与灰表值构成分析对象的特征值;步骤S2:采用随机模式对分析对象进行清洗;步骤S3:在每个子工序执行完成后采用对应的检测方法对清洗效果进行检测,检测不通过时重新执行上一子工序,直至分析对象完成清洗与检测;步骤S4:完成清洗与检测的洁净服的数量达到L1时,对洁净服进行工序分配分析,由完成清洗与检测的分析对象的灰表值的最大值与最小值构成灰表范围,将灰表范围分割为若干个灰表区间,将灰表值位于灰表区间内的分析对象标记为灰表区间的管理对象,对管理对象进行模式分析并将灰表区间的清洗模式标记为随机模式、A模式或B模式;步骤S5:在后续对灰表值位于灰表区间之内的分析对象进行清洗时,采用灰表值对应的清洗模式进行清洗。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211437061.5A CN115491861B (zh) | 2022-11-17 | 2022-11-17 | 一种基于大数据的洁净服清洗管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211437061.5A CN115491861B (zh) | 2022-11-17 | 2022-11-17 | 一种基于大数据的洁净服清洗管理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115491861A true CN115491861A (zh) | 2022-12-20 |
CN115491861B CN115491861B (zh) | 2023-02-03 |
Family
ID=85105955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211437061.5A Active CN115491861B (zh) | 2022-11-17 | 2022-11-17 | 一种基于大数据的洁净服清洗管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115491861B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116700092A (zh) * | 2023-06-16 | 2023-09-05 | 广州正奇科技有限公司 | 一种适用于工控机的运行控制智能预警系统 |
CN117092102A (zh) * | 2023-10-19 | 2023-11-21 | 江西省检验检测认证总院食品检验检测研究院(江西省粮食质量检验中心) | 一种植物硒含量采样检测管理系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100000023A1 (en) * | 2008-07-01 | 2010-01-07 | Whirlpool Corporation | Method of indicating operational information for a bulk dispensing system |
CN105442290A (zh) * | 2015-12-25 | 2016-03-30 | 上海欧洁洁净室技术股份有限公司 | 一种工业活动洁净洗衣房系统 |
CN105755740A (zh) * | 2016-04-29 | 2016-07-13 | 上海欣丽实业有限公司 | 适用于检测洁净度的洁净服洗衣机系统 |
US20180329738A1 (en) * | 2017-05-11 | 2018-11-15 | Vmware, Inc. | Methods and systems that verify endpoints and external tasks in release-pipeline prior to execution |
CN113818189A (zh) * | 2020-06-18 | 2021-12-21 | 云米互联科技(广东)有限公司 | 洗涤装置的洁净度指示方法及系统、存储介质、洗涤装置 |
CN114875619A (zh) * | 2021-02-05 | 2022-08-09 | 云米互联科技(广东)有限公司 | 洁净状态指示方法及系统、存储介质、洗涤装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114985299B (zh) * | 2022-04-20 | 2023-05-26 | 杭州德适生物科技有限公司 | 基于数据分析的医疗器械清洗消毒管理系统 |
-
2022
- 2022-11-17 CN CN202211437061.5A patent/CN115491861B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100000023A1 (en) * | 2008-07-01 | 2010-01-07 | Whirlpool Corporation | Method of indicating operational information for a bulk dispensing system |
CN105442290A (zh) * | 2015-12-25 | 2016-03-30 | 上海欧洁洁净室技术股份有限公司 | 一种工业活动洁净洗衣房系统 |
CN105755740A (zh) * | 2016-04-29 | 2016-07-13 | 上海欣丽实业有限公司 | 适用于检测洁净度的洁净服洗衣机系统 |
US20180329738A1 (en) * | 2017-05-11 | 2018-11-15 | Vmware, Inc. | Methods and systems that verify endpoints and external tasks in release-pipeline prior to execution |
CN113818189A (zh) * | 2020-06-18 | 2021-12-21 | 云米互联科技(广东)有限公司 | 洗涤装置的洁净度指示方法及系统、存储介质、洗涤装置 |
CN114875619A (zh) * | 2021-02-05 | 2022-08-09 | 云米互联科技(广东)有限公司 | 洁净状态指示方法及系统、存储介质、洗涤装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116700092A (zh) * | 2023-06-16 | 2023-09-05 | 广州正奇科技有限公司 | 一种适用于工控机的运行控制智能预警系统 |
CN116700092B (zh) * | 2023-06-16 | 2024-02-09 | 广州正奇科技有限公司 | 一种适用于工控机的运行控制智能预警系统 |
CN117092102A (zh) * | 2023-10-19 | 2023-11-21 | 江西省检验检测认证总院食品检验检测研究院(江西省粮食质量检验中心) | 一种植物硒含量采样检测管理系统 |
CN117092102B (zh) * | 2023-10-19 | 2024-01-30 | 江西省检验检测认证总院食品检验检测研究院(江西省粮食质量检验中心) | 一种植物硒含量采样检测管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115491861B (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115491861B (zh) | 一种基于大数据的洁净服清洗管理系统 | |
CN115063409B (zh) | 一种机械刀具表面材质检测方法及系统 | |
CN113838054B (zh) | 基于人工智能的机械零件表面损伤检测方法 | |
CN115112183A (zh) | 一种用于异形机械零件尺寸检测系统 | |
CN109030499A (zh) | 一种适用于目标缺陷连续在线检测防止缺陷数目重复计数的装置及方法 | |
CN112084678A (zh) | 一种基于多元回归的配线线损率处理方法及装置 | |
CN115294060A (zh) | 电器设备的外观缺陷检测方法、装置、电子设备及介质 | |
CN114705965A (zh) | 基于大数据的第三代半导体可靠性数据分析系统 | |
CN116028887A (zh) | 一种连续性工业生产数据的分析方法 | |
CN110287114B (zh) | 一种数据库脚本性能测试的方法及装置 | |
CN110310258B (zh) | 一种混凝土构件钢筋锈蚀程度的评定方法 | |
CN114820611B (zh) | 基于人工智能的机械零件质量评估方法及系统 | |
Cheng et al. | Automated real-time pavement distress analysis | |
CN116542910A (zh) | 基于亚像素边缘提取的冲压件圆孔定位及形变检测方法 | |
CN113377683B (zh) | 软件测试用例的生成方法、系统、设备、终端、介质及应用 | |
CN116249186A (zh) | 无线网设备的数据处理方法、装置、存储介质及电子设备 | |
CN114882009A (zh) | 可适应多种表面状态的疲劳裂纹尖端自动检测方法及系统 | |
CN114911085A (zh) | 分析缺陷的方法 | |
CN109670514B (zh) | 数字岩心的孔隙与骨架识别方法和装置、设备、存储介质 | |
CN108108864B (zh) | 一种实验室质量控制数据管理方法 | |
CN112288135A (zh) | 一种基于图像识别的风扇叶片疲劳极限衰减智能监测方法 | |
CN110688309A (zh) | 基于需求的通用型软件测试用例序列定量评价方法 | |
WO2007019254A2 (en) | Method for managing an expert behavior-emulation system assisting an operator-controlled-decision system | |
CN116627093B (zh) | 一种丁腈手套加工控制方法、系统、设备及存储介质 | |
CN110458469B (zh) | 一种印染设计及生产过程基本诊断系统、设备及方法 |
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 |