CN115906650A - 一种服装短流水模块化加工工序标准工时预测方法及预测系统 - Google Patents
一种服装短流水模块化加工工序标准工时预测方法及预测系统 Download PDFInfo
- Publication number
- CN115906650A CN115906650A CN202211543959.0A CN202211543959A CN115906650A CN 115906650 A CN115906650 A CN 115906650A CN 202211543959 A CN202211543959 A CN 202211543959A CN 115906650 A CN115906650 A CN 115906650A
- Authority
- CN
- China
- Prior art keywords
- clothes
- style
- standard working
- working hours
- hour
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种服装短流水模块化加工工序标准工时预测方法及预测系统，包括如下步骤：(1)历史数据采集；(2)影响因素分析：结合实际生产中的情况，确定服装生产加工工序标准工时的三大类影响因素，包括：缝纫对象、缝纫结构及工艺要求；根据影响因素的数值类型及对工时长短的影响，采用序号法对各因素进行编码，构建影响因素矩阵，数值归一化后通过熵值法客观评定各影响因素的权重；(3)机器学习模型训练；(4)工时结果输出：将新款服装的基本信息输入至所述步骤(3)训练好的模型后进行拟合，获得当前服装各工序的标准工时；该预测系统包括款式选择模块、参数输入模块、结果输出模块与数据存储模块。
Description
技术领域
本发明属于服装生产加工领域，特别提供一种服装短流水模块化加工工序标准工时预测方法及预测系统。
背景技术
我国是纺织服装生产制造大国，作为劳动密集型产业，许多企业都在尝试通过构建企业内部的精益化管理体系，来实现企业的提效降本，保持企业根本上的竞争优势。目前服装市场整体呈现出“多品种、小批量、短周期”的生产模式，使得制造方需在短时间内交付出高质量成品。
随着工业工程(IE)管理方式的不断推广，目前很多企业已经开始采用“预先分析，后排生产”的方式进行生产管理，整体效率有了明显的提升。其中，标准工时是工业工程的基础，也是服装生产过程中重要的指标，很多企业采用GSD动作代码分析的方法确定每一件服装的标准工时进而施行流程排布，但在实际生产中需要对每一件衣服进行单独的分析，单款服装分析耗时需1小时以上，分析过程中会进行大量重复的动作，并且在短流水的情景下，服装的前置工时工序分析显得尤为重要；同时随着款式的增加，数据库逐渐庞大，历史信息不能得到有效的利用，都会造成人力、时间的浪费。
发明内容
本发明的目的在于提供一种服装短流水模块化加工工序标准工时预测方法及预测系统，针对现有技术的不足，一方面提出服装短流水模块化加工工序标准工时预测方法，提高服装标准工时确定的效率，另一方面，提出一种实施本发明方法的服装短流水模块化加工工序标准工时预测系统，简化整体工时分析的操作流程。
为了解决上述技术问题，采用如下技术方案：
一种服装短流水模块化加工工序标准工时预测方法及预测系统，其特征在于包括如下步骤：
(1)历史数据采集：收集服装加工车间近年生产数据，包括服装加工基础信息以及各工序对应的标准工时，服装加工基础信息包括服装款式、部件、面料、工艺与机器；标准工时的确定采用GSD动作分析与D-station数字工位采集时间相结合的方法；
(2)影响因素分析：结合实际生产中的情况，确定服装生产加工工序标准工时的三大类影响因素，包括：缝纫对象、缝纫结构及工艺要求；根据影响因素的数值类型及对工时长短的影响，采用序号法对各因素进行编码，构建影响因素矩阵，数值归一化后通过熵值法客观评定各影响因素的权重；
(3)机器学习模型训练：构建BP神经网络模型，由输入层、隐含层、输出层构成，采用梯度下降法进行训练，输入层、输出层神经元个数分别由输入的影响因素与输出结果决定，隐含层层数与神经元个数在经验值基础上再根据训练结果进行调整；将获得的服装款式信息及工时数据样本输入至BP神经网络，经重复训练后获得并保存该训练好的模型；
(4)工时结果输出：将新款服装的基本信息输入至所述步骤(3)训练好的模型后进行拟合，获得当前服装各工序的标准工时。
优选后，所述步骤(1)中的服装款式依据服装结构线作为工艺最小操作单位进行部件或部位的划分；部件为领、口袋、前襟等除大身裁片外较为零散的需提前单独制作完成的小面积裁片；部位则为大身裁片组装结构线，如肩缝、侧缝、袖笼、底摆的服装结构线部位。
优选后，所述步骤(1)历史数据采集为企业中已经完成生产的历史数据，标准工时数据是先由专业的IE分析人员根据样衣来确定每个部件或部位所需工艺，在实际生产前采用GSD动作分析确定工时，然后在生产过程中根据实际生产情况进行动作代码的调整，最终形成标准工时数据库；其中GSD动作分析采用企业中常见的GSD标准工时分析系统，实际生产中通过D-station数字工位实时统计工序完成前后时间，对预先分析的工时进行校对。
优选后，所述步骤(2)的影响因素分析中，利用基础参数信息与领域专家知识相结合的方法确定各因素对工时影响的权重，其中缝纫对象包括面料等级、裁片层数、面料图案三个因素，缝纫结构包括长度尺寸、缝纫形状、缝纫数量三个因素，工艺要求包括针步类型、机器种类及工艺难度三个具体的影响因素，共计三类九种影响标准工时制定的因素。
优选后，步骤(2)中的影响因素编码方式采用序号法，将九种影响因素数据分为定类数据和定序数据，其中针步类型、机器种类为定类数据，其余均为定序数据；定类数据的编码在其他因素统一的情况下，统计操作单位长度下耗时的长短后排序编码；定序数据则直接按照各元素耗时长短按照从小到大的顺序进行编码，最终构建影响因素矩阵。
优选后，所述步骤(3)中构建的BP神经网络模型，输入层神经元的个数根据输入影响因素确定，输出层中的输出结果为标准工时一个数据，则相应输出层神经元个数设定为1；隐含层神经元的个数根据经验值公式
w为0-10之间的常数，进行初步确定，再根据预测结果进行调整。
一种服装短流水模块化加工工序标准工时预测系统，其特征在于：该预测系统用于实施服装短流水模块化加工工序标准工时预测方法，预测系统包括款式选择模块、参数输入模块、结果输出模块与数据存储模块；
款式选择模块，用于服装款式、部件、工艺类型的选择和编辑，生成基本服装款式信息；首先对服装基本款式造型进行选择，系统款式库中包含衬衣、T恤、连衣裙、半裙、休闲裤、西裤等常见的基础款式，选择款式后关联出相应的部件信息；款式确定后，再进一步选择各部件的款式类型及对应的工艺；
参数输入模块，样衣的款式确定后需进行进一步制作工序的确定，对九类影响因素进行选择，同时输入工序操作具体的长度数值，完善工序的基本信息；
结果输出模块，影响因素输入后，点击确定，界面直接显示对应工序预测出的标准工时，并写入数据表中，所有工序预测结束后可将结果直接导出；
数据存储模块，当前样衣分析结束后，在进行结果输出的同时会对款式基本信息及相应的标准工时进行存储，用于之后相似款式的调用。
优选后，所述款式选择模块中设置从属关系逻辑，部件从属于服装款式，不同的款式对应不同部件种类；工艺类型为二级标签选择，分为工艺大类以及详细的针步类型。
由于采用上述技术方案，具有以下有益效果：
1、根据服装部件加工相似性原理，将不同品类、款式服装进行归纳整理，构建服装款式、工艺工序以及标准工时数据库。
2、量化标准工时的影响因素，利用机器学习算法进行数据挖掘，简化IE分析人员操作流程，有效减少分析时的重复动作、缩短服装工序分析时间，从而提高标准工时制定的效率。
3、采用计算机系统对历史数据进行存储，可以实现相似服装款式、工艺的快速调用。
附图说明
下面结合附图对本发明做进一步说明：
图1为基于神经网络的服装生产标准工时预测方法及系统；
图2为衬衣款式各部件(部位)种类汇总；
图3为衬衣款式部件示意图；
图4为D-station数字工位工时数据采集结果示意图；
图5为标准工时影响因素及编码结果；
图6为标准工时BP神经网络结构示意图。
具体实施方式
本发明旨在提供一种服装短流水模块化加工工序标准工时预测方法及预测系统，提高服装标准工时确定的效率；同时，提出一种实施本发明方法的服装短流水模块化加工工序标准工时预测系统，简化整体工时分析的操作流程。
下面结合具体的实施例对本发明的技术方案做进一步的说明。
实施例1
以衬衣款式为例，其短流水模块化加工工序标准工时预测方法主要包含如下步骤：
(1)收集企业已生产的衬衣款式及对应的动作分析获得款式的基本数据及标准工时信息，以结构线为基础确定衬衣基本部件(部位)的款式，图2中整理衬衣款式常见的各部件造型种类。以图3中的短袖衬衣款式为例，各部件(部位)的造型分别为：三夹领、圆角贴袋、连裁前襟、折边袖口、卷边底摆，组装拼缝采用先单针电脑车拼合再三线拷缝机拷边的方式。数字工位收集数据如图4所示，获得各工位对应工序具体操作时间以及工序之间的间隔时间，与已分析得出的标准工时进行比较核对，得到服装工序最终的标准工时数据，用于后续分析。
(2)分析工时影响因素，并对其进行编码，判断影响因素的权重。根据动作分析结果，归纳出影响工时的因素可以分为缝纫对象、缝纫结构、工艺要求三大类，具体影响因素有：面料等级、裁片层数、面料图案、长度尺寸、缝纫形状、缝纫数量、针步类型、机器种类及工艺难度等级九种具体的影响因素。九种影响因素数据分为定类数据和定序数据，其中针步类型、机器种类为定类数据，其余均为定序数据。定类数据的编码在其他因素统一的情况下，统计操作单位长度下耗时的长短后排序编码。面料等级、工艺难度、缝纫形状、面料图案几类影响因素具有等级性质，各因素的不同参数会影响标准工时的长短，如面料等级越高，缝制操作时难度越大，耗时越长，按照耗时长短对面料等级从1开始进行编码，共五级。长度尺寸、裁片层数、缝纫数量自身带有相应的数值，即按照实际数值进行输入。针步类型及机器种类则根据操作单位长度的相同工序的耗时长短按顺序编码。具体编码结果如图5所示，数值归一化后通过熵值法对影响因素的权重进行确定，表1中为各因素权重计算结果，缝纫对象的基本属性对工时影响相对较大，而工艺要求的影响则整体偏小。
表1九种影响因素权重计算结果
(3)神经网络模型采用基础的BP神经网络，由输入层、隐含层和输出层构成，根据预测结果调整隐含层结构及神经元数量，采用梯度下降法进行训练，保存最佳神经网络模型结构。输入层神经元个数为9，输出层神经元个数为1，经反复实验后隐含层层数确定为2，神经元个数分别为8和6，神经网络结构如图6所示，训练后保存最佳网络模型用于标准工时预测。以拼缝组装工序为例，训练、验证、测试集中预测值和样本值之间的相关系数分别达到0.97289、0.97097、0.9669，具有显著的相关性，总体R值为0.97164，拟合效果良好。71％工序时间预测结果的相对误差在10％以内，87.1％在15％以内，基本符合实际生产中可接受的浮余范围。表2中展示图3款式拼合部位工时预测结果，除个别工序外，绝大部分工序预测相对误差均在5％以内。
表2部分拼合部位工序标准工时预测结果
步骤4、工时结果输出：将衬衣的基本信息输入至训练好的模型后进行拟合，获得当前衬衣各工序的标准工时。
实施例2
服装短流水模块化加工工序标准工时预测系统建立于实施例1一种服装短流水模块化加工工序标准工时预测方法及预测系统的基础之上，系统中已存储大量的历史数据，包括款式选择模块、参数输入模块、结果输出模块与数据存储模块四大模块。
款式选择模块，用于服装款式、部件、工艺类型的选择和编辑，生成基本服装款式信息。首先对服装基本款式造型进行选择，系统款式库中包含衬衣、T恤、连衣裙、半裙、休闲裤、西裤等常见的基础款式，选择款式后关联出相应的部件信息。款式确定后，再进一步选择各部件(或部位)的款式类型。选择模块中设置从属关系逻辑，操作部件(部位)从属于服装款式，不同的款式对应不同部件(部位)种类；工艺类型为二级标签选择，分为工艺大类以及详细的针步类型。
参数输入模块，样衣的款式确定后需进行进一步制作工序的确定，对九类影响因素进行选择，同时输入工序操作具体的长度数值，完善工序的基本信息。
结果输出模块，影响因素输入后，点击确定后，界面直接显示对应工序预测出的标准工时，并写入数据表中，所有工序预测结束后可将结果直接导出。
数据存储模块，当前样衣分析结束后，在进行结果输出的同时会对款式基本信息及相应的标准工时进行存储，用于之后相似款式的调用。
分析人员选择款式对应工序的基础信息并输入长度尺寸等参数信息，点击确定，系统自动输出预测结果并进行存储，便于后续调用。
以上仅为本发明的具体实施例，但本发明的技术特征并不局限于此。任何以本发明为基础，为解决基本相同的技术问题，实现基本相同的技术效果，所作出地简单变化、等同替换或者修饰等，皆涵盖于本发明的保护范围之中。
Claims (8)
1.一种服装短流水模块化加工工序标准工时预测方法，其特征在于包括如下步骤：
(1)历史数据采集：收集服装加工车间近年生产数据，包括服装加工基础信息以及各工序对应的标准工时，服装加工基础信息包括服装款式、部件、面料、工艺与机器；标准工时的确定采用GSD动作分析与D-station数字工位采集时间相结合的方法；
(2)影响因素分析：结合实际生产中的情况，确定服装生产加工工序标准工时的三大类影响因素，包括：缝纫对象、缝纫结构及工艺要求；根据影响因素的数值类型及对工时长短的影响，采用序号法对各因素进行编码，构建影响因素矩阵，数值归一化后通过熵值法客观评定各影响因素的权重；
(3)机器学习模型训练：构建BP神经网络模型，由输入层、隐含层、输出层构成，采用梯度下降法进行训练，输入层、输出层神经元个数分别由输入的影响因素与输出结果决定，隐含层层数与神经元个数在经验值基础上再根据训练结果进行调整；将获得的服装款式信息及工时数据样本输入至BP神经网络，经重复训练后获得并保存该训练好的模型；
(4)工时结果输出：将新款服装的基本信息输入至所述步骤(3)训练好的模型后进行拟合，获得当前服装各工序的标准工时。
2.根据权利要求1所述的一种服装短流水模块化加工工序标准工时预测方法，其特征在于：所述步骤(1)中的服装款式依据服装结构线作为工艺最小操作单位进行部件或部位的划分；部件为领、口袋、前襟等除大身裁片外较为零散的需提前单独制作完成的小面积裁片；部位则为大身裁片组装结构线，如肩缝、侧缝、袖笼、底摆的服装结构线部位。
3.根据权利要求1所述的一种服装短流水模块化加工工序标准工时预测方法，其特征在于：所述步骤(1)历史数据采集为企业中已经完成生产的历史数据，标准工时数据是先由专业的IE分析人员根据样衣来确定每个部件或部位所需工艺，在实际生产前采用GSD动作分析确定工时，然后在生产过程中根据实际生产情况进行动作代码的调整，最终形成标准工时数据库；其中GSD动作分析采用企业中常见的GSD标准工时分析系统，实际生产中通过D-station数字工位实时统计工序完成前后时间，对预先分析的工时进行校对。
4.根据权利要求1所述的一种服装短流水模块化加工工序标准工时预测方法，其特征在于：所述步骤(2)的影响因素分析中，利用基础参数信息与领域专家知识相结合的方法确定各因素对工时影响的权重，其中缝纫对象包括面料等级、裁片层数、面料图案三个因素，缝纫结构包括长度尺寸、缝纫形状、缝纫数量三个因素，工艺要求包括针步类型、机器种类及工艺难度三个具体的影响因素，共计三类九种影响标准工时制定的因素。
5.根据权利要求4所述的一种服装短流水模块化加工工序标准工时预测方法，其特征在于：步骤(2)中的影响因素编码方式采用序号法，将九种影响因素数据分为定类数据和定序数据，其中针步类型、机器种类为定类数据，其余均为定序数据；定类数据的编码在其他因素统一的情况下，统计操作单位长度下耗时的长短后排序编码；定序数据则直接按照各元素耗时长短按照从小到大的顺序进行编码，最终构建影响因素矩阵。
6.根据权利要求4所述的一种服装短流水模块化加工工序标准工时预测方法，其特征在于：所述步骤(3)中构建的BP神经网络模型，输入层神经元的个数根据输入影响因素确定，输出层中的输出结果为标准工时一个数据，则相应输出层神经元个数设定为1；隐含层神经元的个数根据经验值公式
7.一种服装短流水模块化加工工序标准工时预测系统，其特征在于：该预测系统用于实施服装短流水模块化加工工序标准工时预测方法，预测系统包括款式选择模块、参数输入模块、结果输出模块与数据存储模块；
款式选择模块，用于服装款式、部件、工艺类型的选择和编辑，生成基本服装款式信息；首先对服装基本款式造型进行选择，系统款式库中包含衬衣、T恤、连衣裙、半裙、休闲裤、西裤等常见的基础款式，选择款式后关联出相应的部件信息；款式确定后，再进一步选择各部件的款式类型及对应的工艺；
参数输入模块，样衣的款式确定后需进行进一步制作工序的确定，对九类影响因素进行选择，同时输入工序操作具体的长度数值，完善工序的基本信息；
结果输出模块，影响因素输入后，点击确定，界面直接显示对应工序预测出的标准工时，并写入数据表中，所有工序预测结束后可将结果直接导出；数据存储模块，当前样衣分析结束后，在进行结果输出的同时会对款式基本信息及相应的标准工时进行存储，用于之后相似款式的调用。
8.根据权利要求7所述的一种服装短流水模块化加工工序标准工时预测系统，其特征在于：所述款式选择模块中设置从属关系逻辑，部件从属于服装款式，不同的款式对应不同部件种类；工艺类型为二级标签选择，分为工艺大类以及详细的针步类型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211543959.0A CN115906650A (zh) | 2022-12-03 | 2022-12-03 | 一种服装短流水模块化加工工序标准工时预测方法及预测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211543959.0A CN115906650A (zh) | 2022-12-03 | 2022-12-03 | 一种服装短流水模块化加工工序标准工时预测方法及预测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115906650A true CN115906650A (zh) | 2023-04-04 |
Family
ID=86489370
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211543959.0A Pending CN115906650A (zh) | 2022-12-03 | 2022-12-03 | 一种服装短流水模块化加工工序标准工时预测方法及预测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115906650A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117151448A (zh) * | 2023-10-26 | 2023-12-01 | 合肥新振智能科技有限公司 | 一种基于数字化生产平台的智慧车间管理系统 |
| CN117575107A (zh) * | 2024-01-15 | 2024-02-20 | 泉州装备制造研究所 | 一种基于分类-聚类算法的服装标准工时定额及预测方法 |
-
2022
- 2022-12-03 CN CN202211543959.0A patent/CN115906650A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117151448A (zh) * | 2023-10-26 | 2023-12-01 | 合肥新振智能科技有限公司 | 一种基于数字化生产平台的智慧车间管理系统 |
| CN117151448B (zh) * | 2023-10-26 | 2024-01-26 | 合肥新振智能科技有限公司 | 一种基于数字化生产平台的智慧车间管理系统 |
| CN117575107A (zh) * | 2024-01-15 | 2024-02-20 | 泉州装备制造研究所 | 一种基于分类-聚类算法的服装标准工时定额及预测方法 |
| CN117575107B (zh) * | 2024-01-15 | 2024-05-07 | 泉州装备制造研究所 | 一种基于分类-聚类算法的服装标准工时定额及预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115906650A (zh) | 一种服装短流水模块化加工工序标准工时预测方法及预测系统 | |
| CN109300001A (zh) | 服装裁剪工艺分析方法、装置、电子设备及存储介质 | |
| CN108460407A (zh) | 一种基于深度学习的行人属性精细化识别方法 | |
| CN105354375A (zh) | 面向智能制衣的专家知识库的设计方法 | |
| CN110188984A (zh) | 一种烟草卷包车间异常质量数据模型的建立方法 | |
| CN109165428A (zh) | 一种智能服装定制平台 | |
| CN112734284A (zh) | 一种流程工业能耗优化决策系统及其在异常工况下提高评估结果准确度的操作方法 | |
| CN113379504A (zh) | 一种商品信息搜索推荐方法、系统及计算机存储介质 | |
| CN109165293A (zh) | 一种面向时尚领域的专业数据标注方法与程序 | |
| CN108427753A (zh) | 一种新的数据挖掘方法 | |
| CN108829958B (zh) | 一种服装自动制版方法及其系统 | |
| CN101482897A (zh) | 一种智能裙装款式与纸样设计系统 | |
| CN110458292A (zh) | 一种基于专家知识的服装推荐方法 | |
| CN117413988A (zh) | 一种非常规的大翻领服装制版配领方法 | |
| CN112016608A (zh) | 基于卷积神经网络的服装感性意图分类方法、分类模型及其构建方法 | |
| CN111681078A (zh) | 一种基于c2m的三维羽绒服饰个性化定制系统及使用方法 | |
| CN116385632A (zh) | 一种用于服装制造企业智能设计的方法 | |
| CN112598487B (zh) | 一种基于人工智能的企业信息化管理方法及系统 | |
| CN1773512A (zh) | 服装结构智能设计方法 | |
| CN112465567B (zh) | 一种服装风格流行预测的系统及方法 | |
| Wang et al. | The design of intelligent production line for clothing industry | |
| Ersöz et al. | Fabric and production defect detection in the apparel industry using data mining algorithms | |
| CN113420797A (zh) | 一种可在线学习的图像属性识别方法及系统 | |
| Slavinska et al. | Devising a method for the interactive arrangement of structural elements of men’s jacket models | |
| TSURU et al. | A classification method for silhouettes of various clothes |
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 |