CN117575107B - 一种基于分类-聚类算法的服装标准工时定额及预测方法 - Google Patents

一种基于分类-聚类算法的服装标准工时定额及预测方法 Download PDF

Info

Publication number
CN117575107B
CN117575107B CN202410050883.0A CN202410050883A CN117575107B CN 117575107 B CN117575107 B CN 117575107B CN 202410050883 A CN202410050883 A CN 202410050883A CN 117575107 B CN117575107 B CN 117575107B
Authority
CN
China
Prior art keywords
hour
standard
man
clustering
clothing
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
CN202410050883.0A
Other languages
English (en)
Other versions
CN117575107A (zh
Inventor
张剑铭
张浩宇
陈豪
陈松航
王耀宗
王森林
连明昌
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.)
Quanzhou Institute of Equipment Manufacturing
Original Assignee
Quanzhou Institute of Equipment Manufacturing
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 Quanzhou Institute of Equipment Manufacturing filed Critical Quanzhou Institute of Equipment Manufacturing
Priority to CN202410050883.0A priority Critical patent/CN117575107B/zh
Publication of CN117575107A publication Critical patent/CN117575107A/zh
Application granted granted Critical
Publication of CN117575107B publication Critical patent/CN117575107B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • 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)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及服装生产技术领域，尤其涉及一种基于分类‑聚类算法的服装标准工时定额及预测方法。本发明采用先分类后聚类的方法对车间中生产的服装建立一树状图，树状图中根据分类不同，每根树状都具有特定的标准工时，当有新产品进入车间进行生产时，将服装拆解成多个部分，区分每个部分的所属类别及其加工标准工时，从服装的不同的组件部位出发获取标准工时，有效地解决了标准工时的定额效率低，误差大，定制化产品适用性低等难题，尤其是新产品生产工时预测和评估问题，为标准工时的定额和预测提供了基于生产数据分析和预测的求解新思路。

Description

一种基于分类-聚类算法的服装标准工时定额及预测方法
技术领域
本发明涉及服装生产技术领域，尤其是涉及的是一种基于分类-聚类算法的服装标准工时定额及预测方法。
背景技术
长久以来服装行业一直是我国最具竞争力的行业之一，随着信息化技术的发展，现代服装企业对工时管理的要求越来越高，需要将产品制造过程精细化地分解，并确定每个作业的标准工时，从而得到一系列精细化的工时数据。这些工时数据是精益制造的基础，对于合理安排生产、平衡生产能力非常重要。标准工时提供了对生产工序所需时间的准确评估，可以帮助企业更好地进行生产计划和任务安排。通过确定每个作业的标准工时，可以更精确地估计完成某项任务所需的时间，从而优化资源调度，提高生产效率。此外，标准工时可用作评估班组和个人工作绩效的依据。通过与实际工时的对比，可以量化分析班组或个人的任务负荷程度，识别高效工作者和低效工作者。这为建立公平公正的绩效考核和激励机制提供了基础。
目前针对服装标准工时的定额方法有人工实测法，经验判断法以及通过GSD(General Sewing Data)系统求解标准工时的方法。但是上述方法都存在相应的弊端，例如人工实测法效率很低，当前服装生产环境往往存在着订单种类多，产品样式复杂等因素，如果通过人工实测法来求标准工时耗费时间，影响整体生产效率；使用经验判断法评估出的标准工时与实际生产的标准工时存在着较大的误差，也不利于生产；GSD系统求解标准工时主要是通过对完工动作等要素的分解建立标准工时库，系统根据已有的数据和算法计算出标准公式，这个方法由于其定制性很高，并不适合我国目前的工人流动大的服装生产状况。因此，亟需寻找一种新的服装标准工时的额定方法，能够在高效且准确的求解标准工时，从而满足不同生产场景的需求。
发明内容
本发明的其他特征和优点将在随后的说明书中阐述，并且部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及其他说明书附图中所特别指出的结构来实现和获得。
本发明的目的在于克服上述不足，提供一种基于分类-聚类算法的服装标准工时定额及预测方法，采用先分类后聚类的方法对车间中生产的服装建立一树状图，树状图中根据分类不同，每根树状都具有特定的标准工时，当有新产品进入车间进行生产时，将服装拆解成多个部分，区分每个部分的所属类别及其标准工时，从服装的不同的组件部位出发获取标准工时，有效地解决了标准工时的定额效率低，误差大，定制化产品适用性低等难题，尤其是新产品生产工时预测和评估问题，为标准工时的定额和预测提供了基于生产数据分析和预测的求解新思路。
本发明提供一种基于分类-聚类算法的服装标准工时定额及预测方法，包括：
S1、根据车间内服装加工工时的历史数据，获取服装的基本属性，对服装建立树状图，该树状图的第一层为该服装的基本样式，如该基本样式包括有上衣、下衣和连体衣；
S2、在服装基本样式分叉的基础上每个节点继续向下延伸，即产生树状图第二层，该树状图的第二层分叉标准为版型，如在上衣的基本样式节点下包括有版型1-开袖长衫、版型2-长袖套头、版型3-短袖开衫；
S3、在产生树状图第二层的基础上每个节点继续向下延伸，产生树状图第三层，分类标准为服装具体部位及配件；依照服装的通用分类标准，对树状图不断向下进行细分，建立树状图第四层、第五层······直至通用分类标准无法继续对服装进行细分；
S4、已知在S3步骤中，通用分类标准已无法对服装再进行细分，在树状图末端的每个叶片上进行K-means聚类算法，根据加工标准工时对叶片继续向下进行细分，区分出加工工时不同的多个分组，每个叶片下产生聚类分组1、聚类分组2、聚类分组3······；
S5、通过S1-S4步骤对车间中已加工生产过的服装建立一树状图，树状图根据具体分类不同，每个树枝都具有特定的加工标准工时，当有新产品进入车间后，通过树状图对新产品进行解构、定义及分类，将不同部位的加工标准工时统合到一起，可得出加工该服装整体的工时；
S6、在S5步骤中，若新产品服装存在部件未在树状图中找到具体聚类分组的情况，则该部件在树状图下找到最接近的聚类分组，并获取到其加工标准工时，树状图的每一层都引入了一个差异化变量，通过该差异化变量和加工标准工时生成预测标准工时，该预测标准工时为该部件的生产提供参考，直到该部件正式生产并确定加工工时后，生成一个新的聚类分组并携带加工标准工时信息。
在一些实施例中，对S4步骤中产生的加工标准工时数据进行预处理，对数据异常的数值进行数据清洗，将异常的值直接剔除不做后续分析，该剔除过程手动进行；
在一些实施例中，在S4步骤中，聚类算法包括：
S41、依据影响产品工时的特征确定K个聚类中心；
S42 、对于每个数据点，使用欧氏距离或曼哈顿距离，计算其与各个聚类中心的距离；
空间中数据对象x与聚类中心间的欧式距离计算公式为:
，
其中，x为数据对象，为第i个聚类中心，m为数据对象的维度，/>为第j个属性，为第 j 个属性值；
S43、将每个数据点分配给距离最近的聚类中心，形成 K 个聚类；
S44、更新聚类中心的位置，将每个聚类当前所拥有的所有数据对象的平均值，作为每个种类的更新后的聚类中心；
更新后的聚类中心为:
，
其中为聚类中第i个数据对象，p表示聚类中数据对象个数，/>表示第i个数据对象的第j个属性值；
S45、重复S42-S44步骤，直到达到停止条件，即聚类中心不再发生显著变化或达到预设的最大迭代次数。
在一些实施例中，聚类后每个分组的中心的实际生产工时作为该分组的标准工时。
在一些实施例中，在S6步骤中，通过差异化变量生成预测标准工时的具体步骤为：
S61、未找到对应聚类分组的服装部件在树内寻找与其最相似的聚类分组，从而获得加工标准工时T Clustering ，树状图的每一层都引入一个差异化变量(a 1 ,a 2 ,a 3 ...a n )，a n 即为最后一层聚类分组层的差异化变量；
S62、实际加工工时与最接近聚类分组的标准工时的差称为差异工时，将(a 1 ,a 2 , a 3 ...a n )作为自变量，差异工时作为因变量，二者呈线性相关，建立一差异工时预测公式：
则预测标准工时为：
，
其中，为预测出的差异工时，/>为预测标准工时，/>为不同属性的权重因子，通过线性回归分析获得，(a 1 ,a 2 ,a 3 ...a n )由专业人士拟定，代表树状图每层的差异化变量；
新产品在预测标准工时时，需要借鉴已经生产过的产品工时，当有新产品时，将之与树状图中的分类进行比较，最终在树状图中找到最接近的分类的叶子节点，每层的差异由(a 1 ,a 2 ,a 3 ...a n )表示，(a 1 ,a 2 ,a 3 ...a n )由专业人士拟定，作为差异化变量；
差异化变量a n 的正负可以影响差异工时预测；
当a n =0时，预测标准工时与最接近聚类分组的标准工时之间不存在差异，即预测标准工时等于最接近聚类分组的标准工时；
当时，差异化变量a n 存在正向影响，预测标准工时小于最接近聚类分组的标准工时，即减少加工工时；
当时，差异化变量a n 存在反向影响，预测标准工时大于最接近聚类分组的标准工时，即增加加工工时；
S63、在S62步骤中得出的预测标准工时并不代表实际加工工时，预测标准工时为生产过程中的排程、绩效评估做参考，在部件实际生产后，根据实际的加工工时，通过聚类分析生成标准工时数据，将其添加到树状图中生成新的分类。
在一些实施例中，还包括有S7步骤：考虑到生产加工过程中，存在设备或人员更换从而导致加工标准工时产生变化的情况，因此加入更新机制，通过比较加工标准工时和实际加工工时，超出一定阈值即认为通过聚类算法计算得出的聚类分组已产生偏差，若多次出现偏差情况，则重复S1-S6步骤进行更新。
通过采用上述的技术方案，本发明的有益效果是：
本发明采用先分类后聚类的方法对车间中生产的服装建立一树状图，树状图中根据分类不同，每根树状都具有特定的标准工时，当有新产品进入车间进行生产时，将服装拆解成多个部分，区分每个部分的所属类别及其标准工时，从服装的不同的组件部位出发获取标准工，有效地解决了标准工时的定额效率低，误差大，定制化产品适用性低等难题，尤其是新产品生产工时预测和评估问题，为标准工时的定额和预测提供了基于生产数据分析和预测的求解新思路。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
无疑的，本发明的此类目的与其他目的在下文以多种附图与绘图来描述的较佳实施例细节说明后将变为更加显见。
为让本发明的上述和其他目的、特征和优点能更明显易懂，下文特举一个或数个较佳实施例，并配合所示附图，作详细说明如下。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例共同用于解释本发明，并不构成对本发明的限制。
在附图中，相同的部件使用相同的附图标记，并且附图是示意性的，并不一定按照实际的比例绘制。
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的介绍，显而易见地，下面描述中的附图仅仅是本发明的一个或数个实施例，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，还可以根据此类附图获得其他的附图。
图1为本发明一些实施例中的标准工时树状分类示意图；
图2为本发明一些实施例中的工时定额流程示意图；
图3为本发明一些实施例中的工时预测流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合具体实施方式对本发明进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，但并不用于限定本发明。
另外，在本发明的描述中，需要理解的是，术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。但注明直接连接则说明连接地两个主体之间并不通过过渡结构构建连接关系，只通过连接结构相连形成一个整体。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”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必须针对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一个或多个实施例或示例中以合适的方式结合。
参照图1-3，图1为本发明一些实施例中的标准工时树状分类示意图；图2为本发明一些实施例中的工时定额流程示意图；图3为本发明一些实施例中的工时预测流程示意图。
根据本发明的一些实施例，本发明提供了一种基于分类-聚类算法的服装标准工时定额及预测方法，包括：
S1、根据车间内服装加工工时的历史数据，获取服装的基本属性，对服装建立树状图，该树状图的第一层为该服装的基本样式，如该基本样式包括有上衣、下衣和连体衣；
S2、在服装基本样式分叉的基础上每个节点继续向下延伸，即产生树状图第二层，该树状图的第二层分叉标准为版型，如在上衣的基本样式节点下包括有版型1-开袖长衫、版型2-长袖套头、版型3-短袖开衫；
S3、在产生树状图第二层的基础上每个节点继续向下延伸，产生树状图第三层，分类标准为服装具体部位及配件；依照服装的通用分类标准，对树状图不断向下进行细分，建立树状图第四层、第五层······直至通用分类标准无法继续对服装进行细分；
对S4步骤中产生的加工标准工时数据进行预处理，对数据异常的数值进行数据清洗，将异常的值直接剔除不做后续分析，该剔除过程手动进行；
S4、已知在S3步骤中，通用分类标准已无法对服装再进行细分，在树状图末端的每个叶片上进行K-means聚类算法，根据加工标准工时对叶片继续向下进行细分，区分出加工工时不同的多个分组，每个叶片下产生聚类分组1、聚类分组2、聚类分组3······；
聚类算法包括：
S41、依据影响产品工时的特征确定K个聚类中心；
S42 、对于每个数据点，使用欧氏距离或曼哈顿距离，计算其与各个聚类中心的距离；
空间中数据对象x与聚类中心间的欧式距离计算公式为:
，
其中，x为数据对象，为第i个聚类中心，m为数据对象的维度，/>为第j个属性，为第 j 个属性值；
S43、将每个数据点分配给距离最近的聚类中心，形成 K 个聚类；
S44、更新聚类中心的位置，将每个聚类当前所拥有的所有数据对象的平均值，作为每个种类的更新后的聚类中心；
更新后的聚类中心为:
，
其中为聚类中第i个数据对象，p表示聚类中数据对象个数，/>表示第i个数据对象的第j个属性值；
S45、重复S42-S44步骤，直到达到停止条件，即聚类中心不再发生显著变化或达到预设的最大迭代次数；
聚类后每个分组的中心的实际生产工时作为该分组的标准工时。
S5、通过S1-S4步骤对车间中已加工生产过的服装建立一树状图，树状图根据具体分类不同，每个树枝都具有特定的加工标准工时，当有新产品进入车间后，通过树状图对新产品进行解构、定义及分类，将不同部位的加工标准工时统合到一起，可得出加工该服装整体的工时；
S6、在S5步骤中，若新产品服装存在部件未在树状图中找到具体聚类分组的情况，则该部件在树状图下找到最接近的聚类分组，并获取到其加工标准工时，树状图的每一层都引入了一个差异化变量，通过该差异化变量和加工标准工时生成预测标准工时，该预测标准工时为该部件的生产提供参考，直到该部件正式生产并确定加工工时后，生成一个新的聚类分组并携带加工标准工时信息；
通过差异化变量生成预测标准工时的具体步骤为：
S61、未找到对应聚类分组的服装部件在树内寻找与其最相似的聚类分组，从而获得加工标准工时T Clustering ，树状图的每一层都引入一个差异化变量(a 1 ,a 2 ,a 3 ...a n )，a n 即为最后一层聚类分组层的差异化变量；
S62、实际加工工时与最接近聚类分组的标准工时的差称为差异工时，将(a 1 ,a 2 , a 3 ...a n )作为自变量，差异工时作为因变量，二者呈线性相关，建立一差异工时预测公式：
，
则预测标准工时为：
，
其中，为预测出的差异工时，/>为预测标准工时，/>为不同属性的权重因子，通过线性回归分析获得，(a 1 ,a 2 ,a 3 ...a n )由专业人士拟定，代表树状图每层的差异化变量；
新产品在预测标准工时时，需要借鉴已经生产过的产品工时，当有新产品时，将之与树状图中的分类进行比较，最终在树状图中找到最接近的分类的叶子节点，每层的差异由(a 1 ,a 2 ,a 3 ...a n )表示，(a 1 ,a 2 ,a 3 ...a n )由专业人士拟定，作为差异化变量；
差异化变量a n 的正负影响差异工时预测；
当a n =0时，预测标准工时与最接近聚类分组的标准工时之间不存在差异，即预测标准工时等于最接近聚类分组的标准工时；
当时，差异化变量a n 存在正向影响，预测标准工时小于最接近聚类分组的标准工时，即减少加工工时；
当时，差异化变量a n 存在反向影响，预测标准工时大于最接近聚类分组的标准工时，即增加加工工时；
S63、在S62步骤中得出的预测标准工时并不代表实际加工工时，预测标准工时为生产过程中的排程、绩效评估做参考，在部件实际生产后，根据实际的加工工时，通过聚类分析生成标准工时数据，将其添加到树状图中生成新的分类。
S7：考虑到生产加工过程中，存在设备或人员更换从而导致加工标准工时产生变化的情况，因此加入更新机制，通过比较加工标准工时和实际加工工时，超出一定阈值即认为通过聚类算法计算得出的聚类分组已产生偏差，若多次出现偏差情况，则重复S1-S6步骤进行更新，应当理解的是，该阈值可根据实际生产情况拟定，在此不做具体举例。
实施例1
参照图1-3，图1为本发明一些实施例中的标准工时树状分类示意图；图2为本发明一些实施例中的工时定额流程示意图；图3为本发明一些实施例中的工时预测流程示意图。
本实施例提供一种基于分类-聚类算法的服装标准工时定额及预测方法，包括
S1、根据车间内服装加工工时的历史数据，获取服装的基本属性，对服装建立树状图，该树状图的第一层为该服装的基本样式，该基本样式包括有上衣、下衣、连体衣······；
S2、在服装基本样式分叉的基础上每个节点继续向下延伸，即产生树状图第二层，该树状图的第二层分叉标准为版型，在上衣的基本样式节点下包括有版型1-开袖长衫、版型2-长袖套头、版型3-短袖开衫······；
S3、在产生树状图第二层的基础上每个节点继续向下延伸，产生树状图第三层，分类标准为服装具体部位及配件；建立树状图第四层，分类标准为具体部件版型；建立树状图第五层······；
根据车间内建立的通用分类标准对服装进行一层层细分，不同的分类代表大致加工工时不同，而车间内对服装的通用分类标准为该车间通过实践经验得出，如该基本样式包括有上衣、下衣、连体衣等等，而在实际运用过程中，不同车间可以具有不同的通用分类标准；
对S4步骤中产生的加工标准工时数据进行预处理，对数据异常的数值进行数据清洗，将异常的值直接剔除不做后续分析，该剔除过程手动进行；
S4、已知在S3步骤中，通用分类标准已无法对服装再进行细分，在树状图末端的每个叶片上进行K-means聚类算法，根据加工标准工时对叶片继续向下进行细分，区分出加工工时不同的多个分组，每个叶片下产生聚类分组1、聚类分组2、聚类分组3······；
设置聚类算法的作用在于，考虑到在分类中未考虑到加工材料的长度厚度等因素对标准工时的影响，通过分类后的聚类算法可以减小这些因素对标准工时评估的误差。例如按照加工材料的长度和宽度等属性进行聚类，可分为小码偏厚，小码偏薄，中码偏厚，中码偏薄，大码偏厚，大码偏薄等分组。
聚类算法包括：
S41、依据影响产品工时的特征确定K个聚类中心；
S42 、对于每个数据点，使用欧氏距离或曼哈顿距离，计算其与各个聚类中心的距离；
空间中数据对象x与聚类中心间的欧式距离计算公式为:
，
其中，x为数据对象，为第i个聚类中心，m为数据对象的维度，/>为第j个属性，为第 j 个属性值；
S43、将每个数据点分配给距离最近的聚类中心，形成 K 个聚类；
S44、更新聚类中心的位置，将每个聚类当前所拥有的所有数据对象的平均值，作为每个种类的更新后的聚类中心；
更新后的聚类中心为:
，
其中为聚类中第i个数据对象，p表示聚类中数据对象个数，/>表示第i个数据对象的第j个属性值；
S45、重复S42-S44步骤，直到达到停止条件，即聚类中心不再发生显著变化或达到预设的最大迭代次数；
聚类后每个分组的中心的实际生产工时作为该分组的标准工时。
S5、通过S1-S4步骤对车间中已加工生产过的服装建立一树状图，树状图根据具体分类不同，每个树枝都具有特定的加工标准工时，当有新产品进入车间后，通过树状图对新产品进行解构、定义及分类，将不同部位的加工标准工时统合到一起，可得出加工该服装整体的工时；
S6、在S5步骤中，若新产品服装存在部件未在树状图中找到具体聚类分组的情况，则该部件在树状图下找到最接近的聚类分组，并获取到其加工标准工时，树状图的每一层都引入了一个差异化变量，通过该差异化变量和加工标准工时生成预测标准工时，该预测标准工时为该部件的生产提供参考，直到该部件正式生产并确定加工工时后，生成一个新的聚类分组并携带加工标准工时信息；
通过差异化变量生成预测标准工时的具体步骤为：
S61、未找到对应聚类分组的服装部件在树内寻找与其最相似的聚类分组，从而获得加工标准工时T Clustering ，树状图的每一层都引入一个差异化变量(a 1 ,a 2 ,a 3 ...a n )，a n 即为最后一层聚类分组层的差异化变量；
S62、实际加工工时与最接近聚类分组的标准工时的差称为差异工时，将(a 1 ,a 2 , a 3 ...a n )作为自变量，差异工时作为因变量，二者呈线性相关，建立一差异工时预测公式：
，
则预测标准工时为：
，
其中，为预测出的差异工时，/>为预测标准工时，/>为不同属性的权重因子，通过线性回归分析获得，(a 1 ,a 2 ,a 3 ...a n )由专业人士拟定，代表树状图每层的差异化变量；
新产品在预测标准工时时，需要借鉴已经生产过的产品工时，当有新产品时，将之与树状图中的分类进行比较，最终在树状图中找到最接近的分类的叶子节点，每层的差异由(a 1 ,a 2 ,a 3 ...a n )表示，(a 1 ,a 2 ,a 3 ...a n )由专业人士拟定，作为差异化变量；
差异化变量a n 的正负可以影响差异工时预测；
当a n =0时，预测标准工时与最接近聚类分组的标准工时之间不存在差异，即预测标准工时等于最接近聚类分组的标准工时；
当时，差异化变量a n 存在正向影响，预测标准工时小于最接近聚类分组的标准工时，即减少加工工时；
当时，差异化变量a n 存在反向影响，预测标准工时大于最接近聚类分组的标准工时，即增加加工工时；
S63、在S62步骤中得出的预测标准工时并不代表实际加工工时，预测标准工时为生产过程中的排程、绩效评估做参考，在部件实际生产后，根据实际的加工工时，通过聚类分析生成标准工时数据，将其添加到树状图中生成新的分类。
S7：考虑到生产加工过程中，存在设备或人员更换从而导致加工标准工时产生变化的情况，因此加入更新机制，通过比较加工标准工时和实际加工工时，超出一定阈值即认为通过聚类算法计算得出的聚类分组已产生偏差，若多次出现偏差情况，则重复S1-S6步骤进行更新，应当理解的是，该阈值可根据实际生产情况拟定，在此不做具体举例。
现有一件新产品满足以下特点：女上衣、开衫、长泡泡袖、标准衬衣领、门襟是绑绳款，无其他饰品，现针对衣服的各个部位进行缝制的标准工时评估。
首先针对衣襟，结合图1该产品的衣襟节点归类为上衣→长袖开衫→衣襟→襟型1（标准衬衣）。已知该产品的衣襟缝合总长度（包括襟口、襟部、襟翼）规格为140cm，厚度为1mm，材料为纯棉，结合上述因素该产品衣襟可被归为该叶节点聚类分组1，该聚类的缝制标准工时为100s。
针对衣领，结合分类图1该产品的衣领节点归类为上衣→长袖开衫→衣领→领型2（标准领）。已知该产品的衣领缝合总长度规格为40cm，厚度为1mm，材料为纯棉，结合上述因素该产品衣襟可被归为聚类分组1，该聚类的缝制标准工时为20s。
实施例2
参照图1与图3，图1为本发明一些实施例中的标准工时树状分类示意图；图3为本发明一些实施例中的工时预测流程示意图。
本实施例针对实施例1中提出的新产品，其中泡泡袖这个部件在衣袖分类中无法找到对应的分叉，但该产品的衣袖和上衣→长袖开衫→衣袖→袖型2（紧袖）这个节点相似性最强。按照该产品的长度、厚度等规格，该产品可被归为相似节点的聚类分组2上，该聚类的缝制标准工时为20s。
由专家评估差异化系数为(0,0,0,0.2)，差异化系数对应图1（上衣，版型1，衣袖，袖型2）这几个节点。结合差异工时预测工时可得到
所以该产品衣袖的标准生产工时为(20+0.2k 4 )s，经数据回归分析可知k 4 的值为50，因此该产品衣袖缝制的标准工时为30s。
实施例3
参照图1与图3，图1为本发明一些实施例中的标准工时树状分类示意图；图3为本发明一些实施例中的工时预测流程示意图。
本实施例针对实施例1中提出的新产品，其中绑绳款的门襟这个特点在门襟分类中无法找到对应的分类节点，但该产品的门襟和上衣→长袖开衫→配件→配件4（门襟）→纽扣，这个节点相似性最强，按照该产品的长度、厚度等规格，该产品可被归为相似节点的聚类分组2上，该聚类的缝制标准工时为30s。
由专家评估差异化系数为(0,0,0,0,0.5)，差异化系数对应分类图1（上衣，版型1，配件，配件4（门襟），纽扣）这几个节点，结合差异工时预测工时可得到
所以该产品门襟缝制的标准生产工时为(30+0.5k 5 )s，经数据回归分析可知k 5 的值为40，因此该产品门襟缝制的标准工时为50s。
通过实施例1-3中对各部件标准工时的组合判定，即可得出该新产品服装整体的标准加工工时。
应该理解的是，本发明所公开的实施例不限于此处所公开的特定处理步骤或材料，而应当延伸到相关领域的普通技术人员所理解的此类特征的等同替代。还应当理解的是，在此使用的术语仅用于描述特定实施例的目的，而并不意味着限制。
说明书中提到的“实施例”意指结合实施例描述的特定特征、或特性包括在本发明的至少一个实施例中。因此，说明书通篇各个地方出现的短语或“实施例”并不一定均指同一个实施例。
此外，所描述的特征或特性可以任何其他合适的方式结合到一个或多个实施例中。在上面的描述中，提供一些具体的细节，例如厚度、数量等，以提供对本发明的实施例的全面理解。然而，相关领域的技术人员将明白，本发明无需上述一个或多个具体的细节便可实现或者也可采用其他方法、组件、材料等实现。

Claims (4)

1.一种基于分类-聚类算法的服装标准工时定额及预测方法，其特征在于，包括
S1、根据车间内服装加工工时的历史数据，获取服装的基本属性，对服装建立树状图，该树状图的第一层为该服装的基本样式，如该基本样式包括有上衣、下衣和连体衣；
S2、在服装基本样式分叉的基础上每个节点继续向下延伸，即产生树状图第二层，该树状图的第二层分叉标准为版型，如在上衣的基本样式节点下包括有版型1-开袖长衫、版型2-长袖套头、版型3-短袖开衫；
S3、在产生树状图第二层的基础上每个节点继续向下延伸，产生树状图第三层，分类标准为服装具体部位及配件；依照服装的通用分类标准，对树状图不断向下进行细分，建立树状图第四层、第五层······直至通用分类标准无法继续对服装进行细分；
S4、已知在S3步骤中，通用分类标准已无法对服装再进行细分，在树状图末端的每个叶片上进行K-means聚类算法，根据加工标准工时对叶片继续向下进行细分，区分出加工工时不同的多个分组，每个叶片下产生聚类分组1、聚类分组2、聚类分组3······；
S5、通过S1-S4步骤对车间中已加工生产过的服装建立一树状图，该树状图根据具体分类不同，每个树枝都具有特定的加工标准工时，当有新产品进入车间后，通过树状图对新产品进行解构、定义及分类，将不同部位的加工标准工时统合到一起，可得出加工该服装整体的工时；
S6、在S5步骤中，若新产品服装存在部件未在树状图中找到具体聚类分组的情况，则该部件在树状图下找到最接近的聚类分组，并获取到其加工标准工时，树状图的每一层都引入了一个差异化变量，通过该差异化变量和加工标准工时生成预测标准工时，该预测标准工时为该部件的生产提供参考，直到该部件正式生产并确定加工工时后，生成一个新的聚类分组并携带加工标准工时信息；
通过差异化变量生成预测标准工时的具体步骤为：
S61、未找到对应聚类分组的服装部件在树内寻找与其最相似的聚类分组，从而获得加工标准工时TClustering，树状图的每一层都引入一个差异化变量(a1,a2,a3...an)，an即为最后一层聚类分组层的差异化变量；
S62、实际加工工时与最接近聚类分组的标准工时的差称为差异工时，将(a1,a2,a3...an)作为自变量，差异工时作为因变量，二者呈线性相关，建立一差异工时预测公式：
TΔ＝k1a1+k2a2+k3a3+……knan
则预测标准工时为Tprediction为：
Tprediction＝TClustering+TΔ其中，TΔ为预测出的差异工时，Tprediction为预测标准工时，k1,k2…kn为不同属性的权重因子，通过线性回归分析获得，(a1,a2,a3...an)由专业人士拟定，代表树状图每层的差异化变量；
差异化变量an的正负影响差异工时预测；
当an＝0时，预测标准工时与最接近聚类分组的标准工时之间不存在差异，即预测标准工时等于最接近聚类分组的标准工时；
当-1<an<0时，差异化变量an存在正向影响，预测标准工时小于最接近聚类分组的标准工时，即减少加工工时；
当0<an<1时，差异化变量an存在反向影响，预测标准工时大于最接近聚类分组的标准工时，即增加加工工时；
S63、在S62步骤中得出的预测标准工时并不代表实际加工工时，预测标准工时为生产过程中的排程、绩效评估做参考，在部件实际生产后，根据实际的加工工时，通过聚类分析生成标准工时数据，将其添加到树状图中生成新的分类；
S7、考虑到生产加工过程中，存在设备或人员更换从而导致加工标准工时产生变化的情况，因此加入更新机制，通过比较加工标准工时和实际加工工时，超出一定阈值即认为通过聚类算法计算得出的聚类分组已产生偏差，若多次出现偏差情况，则重复S1-S6步骤进行更新。
2.根据权利要求1所述的基于分类-聚类算法的服装标准工时定额及预测方法，其特征在于，对S4步骤中产生的加工标准工时数据进行预处理，对数据异常的数值进行数据清洗，将异常的值直接剔除不做后续分析，该剔除过程手动进行。
3.根据权利要求2所述的基于分类-聚类算法的服装标准工时定额及预测方法，其特征在于，在S4步骤中，聚类算法包括：
S41、依据影响产品工时的特征确定K个聚类中心；
S42、对于每个数据点，使用欧氏距离或曼哈顿距离，计算其与各个聚类中心的距离；
空间中数据对象x与聚类中心Ci间的欧式距离计算公式为:
其中，x为数据对象，Ci为第i个聚类中心，m为数据对象的维度，xj为第j个属性，Cij为第j个属性值；
S43、将每个数据点分配给距离最近的聚类中心，形成K个聚类；
S44、更新聚类中心的位置，将每个聚类当前所拥有的所有数据对象的平均值，作为每个种类的更新后的聚类中心；
更新后的聚类中心为:
其中xi为聚类中第i个数据对象，p表示聚类中数据对象个数，xij表示第i个数据对象的第j个属性值；
S45、重复S42-S44步骤，直到达到停止条件，即聚类中心不再发生显著变化或达到预设的最大迭代次数。
4.根据权利要求3所述的基于分类-聚类算法的服装标准工时定额及预测方法，其特征在于，聚类后每个分组的中心的实际生产工时作为该分组的标准工时。
CN202410050883.0A 2024-01-15 2024-01-15 一种基于分类-聚类算法的服装标准工时定额及预测方法 Active CN117575107B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410050883.0A CN117575107B (zh) 2024-01-15 2024-01-15 一种基于分类-聚类算法的服装标准工时定额及预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410050883.0A CN117575107B (zh) 2024-01-15 2024-01-15 一种基于分类-聚类算法的服装标准工时定额及预测方法

Publications (2)

Publication Number Publication Date
CN117575107A CN117575107A (zh) 2024-02-20
CN117575107B true CN117575107B (zh) 2024-05-07

Family

ID=89864582

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410050883.0A Active CN117575107B (zh) 2024-01-15 2024-01-15 一种基于分类-聚类算法的服装标准工时定额及预测方法

Country Status (1)

Country Link
CN (1) CN117575107B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06316806A (ja) * 1993-05-07 1994-11-15 Touyoubou Apparel Technol & Inf:Kk 縫製の工程分析を自動的に実施する方法および装置
CN102750617A (zh) * 2012-06-26 2012-10-24 苏州纳华美纳米科技有限公司 服装缝制生产工序编排方法
CN102789599A (zh) * 2012-07-06 2012-11-21 西北工业大学 一种基于聚类分析和多属性决策的作业车间瓶颈识别方法
CN102945517A (zh) * 2012-10-19 2013-02-27 利诚服装集团股份有限公司 一种基于聚类分析的服装标准工时的数据挖掘方法
CN106096748A (zh) * 2016-04-28 2016-11-09 武汉宝钢华中贸易有限公司 基于聚类分析和决策树算法的装车工时预测模型
CN106528929A (zh) * 2016-09-30 2017-03-22 南京航空航天大学 一种基于动态加工元—建模树矩阵的中间工序模型动态显示及轻量化存储方法
CN115630839A (zh) * 2022-11-01 2023-01-20 苏州泽达兴邦医药科技有限公司 一种基于数据挖掘的生产智能反馈调控系统
CN115841184A (zh) * 2022-12-09 2023-03-24 电子科技大学 一种基于工序聚类的工时预测方法
CN115906650A (zh) * 2022-12-03 2023-04-04 浙江理工大学 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
CN116167251A (zh) * 2023-04-24 2023-05-26 四川省比杰智会科技有限公司 基于加工设备的自聚类工时定额建模方法
CN116796962A (zh) * 2023-06-06 2023-09-22 北京航空航天大学 基于加工资源相似度的零件分组方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06316806A (ja) * 1993-05-07 1994-11-15 Touyoubou Apparel Technol & Inf:Kk 縫製の工程分析を自動的に実施する方法および装置
CN102750617A (zh) * 2012-06-26 2012-10-24 苏州纳华美纳米科技有限公司 服装缝制生产工序编排方法
CN102789599A (zh) * 2012-07-06 2012-11-21 西北工业大学 一种基于聚类分析和多属性决策的作业车间瓶颈识别方法
CN102945517A (zh) * 2012-10-19 2013-02-27 利诚服装集团股份有限公司 一种基于聚类分析的服装标准工时的数据挖掘方法
CN106096748A (zh) * 2016-04-28 2016-11-09 武汉宝钢华中贸易有限公司 基于聚类分析和决策树算法的装车工时预测模型
CN106528929A (zh) * 2016-09-30 2017-03-22 南京航空航天大学 一种基于动态加工元—建模树矩阵的中间工序模型动态显示及轻量化存储方法
CN115630839A (zh) * 2022-11-01 2023-01-20 苏州泽达兴邦医药科技有限公司 一种基于数据挖掘的生产智能反馈调控系统
CN115906650A (zh) * 2022-12-03 2023-04-04 浙江理工大学 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
CN115841184A (zh) * 2022-12-09 2023-03-24 电子科技大学 一种基于工序聚类的工时预测方法
CN116167251A (zh) * 2023-04-24 2023-05-26 四川省比杰智会科技有限公司 基于加工设备的自聚类工时定额建模方法
CN116796962A (zh) * 2023-06-06 2023-09-22 北京航空航天大学 基于加工资源相似度的零件分组方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
服装工序相似性标准工时预测;王玲;杨以雄;陈炜;;纺织学报;20161115(第11期);全文 *
服装生产中动态工时定额的制定及应用;叶宁;阎玉秀;;上海纺织科技;20091118(第11期);全文 *

Also Published As

Publication number Publication date
CN117575107A (zh) 2024-02-20

Similar Documents

Publication Publication Date Title
CN107146004B (zh) 一种基于数据挖掘的矿渣粉磨系统健康状态识别系统及方法
CN108920863B (zh) 一种机器人伺服系统能耗估计模型的建立方法
Cha et al. Satisfaction assessment of multi-objective schedules using neural fuzzy methodology
CN111291822A (zh) 基于模糊聚类最优k值选择算法的设备运行状态判断方法
Zhengcai et al. Bottleneck prediction method based on improved adaptive network-based fuzzy inference system (ANFIS) in semiconductor manufacturing system
CN107944487B (zh) 一种基于混合协同过滤算法的作物育种品种推荐方法
CN117575107B (zh) 一种基于分类-聚类算法的服装标准工时定额及预测方法
CN113703506B (zh) 一种建筑材料生产车间环境控制调节方法及系统
Lyu et al. A data-driven approach for identifying possible manufacturing processes and production parameters that cause product defects: A thin-film filter company case study
CN115936513A (zh) 一种基于动态指标的工程项目投资估算方法及系统
CN108537249B (zh) 一种密度峰值聚类的工业过程数据聚类方法
CN110866317B (zh) 基于产品历史信息及设计行为分析的设计工具包重构方法
Filz et al. Data-driven analysis of product property propagation to support process-integrated quality management in manufacturing systems
CN108490912B (zh) 一种基于主元相似性分析的多模态过程模态辨识方法
JP2000132558A (ja) 分類ルール探求式クラスター分析装置
CN112966449B (zh) 基于变量选择和概率神经网络的制造过程质量缺陷根源诊断方法
CN114444573A (zh) 基于大数据聚类技术的电力客户标签生成方法
CN113191569A (zh) 一种基于大数据的企业管理方法及系统
CN113033683A (zh) 一种基于静态与动态联合分析的工业系统工况监测方法和系统
Liu et al. An intelligent system for estimating full product Life Cycle Cost at the early design stage
Su A fuzzy approach for part family formation
Zaabar et al. A two-phase part family formation model to optimize resource planning: a case study in the electronics industry
CN111709532B (zh) 基于与模型无关局部解释的在线购物代表性样本选择系统
CN112286923B (zh) 一种智能制造资源数据预处理方法
CN116308190B (zh) 基于能源物联网服务系统的工单全生命周期监控方法

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