用于缝纫制品工时标准的异常判断方法、装置及存储介质制造方法及图纸

本发明专利技术公开了一种用于缝纫制品工时标准的异常判断方法、装置以及存储介质，通过一种特制的主板与工业缝纫机或其它辅助设备连接，实时采集加工的各种业务数据、环境数据和工人在岗数据；对采集到的数据进行数据清洗、数据集成、数据归约与数据转换等内容等预处理后存储于本地数据库或云端数据库中，应用已有的数据模型反演生产现场情况，从而判断异常类别；通过实时分解各个终端的时序数据，并与其它来源的数据进行交叉验证，从而判断实际工时异常和标准工时定义异常等，极大减少了工时异常判断和处理的时间，提升效率。

【技术实现步骤摘要】
用于缝纫制品工时标准的异常判断方法、装置及存储介质
本专利技术涉及缝纫制品
，尤其涉及一种用于缝纫制品工时标准的异常判断方法、装置以及存储介质。
技术介绍
目前，生产效率是缝纫制品制造行业的核心竞争力，标准工时是用于生产排程和验证生产现场进度的基础，及时掌握车间的生产数据对于排除障碍和修正计划非常重要。工人的生产工时是用于计算生产效率的唯一因素，工时异常直接影响生产效率计算的准确性，也是影响企业成本的重要指标。通常，工时异常原因包括：物料供应异常、设备故障异常、品质异常和其它异常等。目前，在工时异常出现后，均采用逐级上报的方式来判断和处理异常，这个过程不仅繁琐，而且还浪费作业人员的工时。
技术实现思路
本专利技术的主要目的在于提供一种用于缝纫制品工时标准的异常判断方法、装置以及存储介质，以减少工时异常判断和处理的时间，提升效率。为实现上述目的，本专利技术提出一种用于缝纫制品工时标准的异常判断方法，包括以下步骤：实时采集缝纫制品相关数据，所述缝纫制品相关数据至少包括：缝纫加工的各种业务数据、环境数据和工人在岗数据；对采集的缝纫制品相关数据进行处理；将处理后的数据输入预先构建的缝纫制品工时异常检测模型中进行检测，输出得到当前缝纫制品工时异常结论。其中，所述对采集的缝纫制品相关数据进行处理包括：对采集到的缝纫制品相关数据进行数据清洗及数据集成。其中，所述将处理后的数据输入预先构建的缝纫制品工时异常检测模型中进行检测，输出得到当前缝纫制品工时异常结论的步骤包括：对处理后的数据进行模型运算，所述模型运算包括：数据归约、数据转换和模型运算；将进行模型运算后的数据输入预先构建的缝纫制品工时交叉验证模型中进行冗余和相关分析、数据冲突处理、数据变换和离散化处理，得到处理结果；将所述处理结果输入预先构建的缝纫制品工时异常判断模型，得到当前缝纫制品工时异常结论并输出，所述异常判断模型至少包括：怠工异常判断模型、设备故障判断模型、品质异常判断模型、纪律异常判断模型。其中，所述将处理后的数据输入预先构建的缝纫制品工时异常检测模型中进行检测，输出得到当前缝纫制品工时异常结论的步骤之前还包括：采集样本数据构建缝纫制品工时交叉验证模型及异常判断模型。其中，所述采集样本数据构建缝纫制品工时交叉验证模型及异常判断模型的步骤包括：采集缝纫制品样本数据源，所述缝纫制品样本数据源至少包括：缝纫加工的各种业务数据、环境数据和工人在岗数据；对采集的缝纫制品样本数据源进行数据清洗以获取特征数据和标准数据；并对清洗出的特征数据和标准数据进行处理，生成训练数据，处理过程包括样本采样、样本调权、异常点去除、特征归一化处理、特征变化、特征组合；基于生成的训练数据，采用预设算法进行模型训练，构建缝纫制品工时异常判断模型，并通过训练数据与其它来源的数据进行交叉验证，训练得到交叉验证模型。其中，所述基于生成的训练数据，采用预设算法进行模型训练，构建缝纫制品工时交叉验证模型及异常判断模型的步骤包括：基于生成的训练数据进行工时异常特征选择，选取静态特征作为A类特征；特征构造，在A类特征的基础上进行统计分析，得到B类关系特征；对生成的训练数据分别按照加工速度、合格率，非本位时间，时序温湿度、光亮度、设备故障记录、支援记录和类别建立分析模型，通过预设各因素条件对标准工时的影响定义权重，再与其它来源的记数数据对比，确定其一致性符合要求后，套入模型进行运算，得到交叉验证模型；构建神经网络模型，将选取出来的A类特征、B类关系特征作为输入传入该神经网络模型，结合对应的训练数据进行模型训练，得到缝纫制品工时异常判断模型。其中，所述数据清洗包括：补全不完整的数据、修正错误的数据，以及过滤掉重复的数据。此外，本专利技术还提出一种用于缝纫制品工时标准的异常判断装置，所述装置的主板集成有用于缝纫制品工时标准的异常判断程序，所述主板与工业缝纫机或其它辅助设备连接，所述主板用于实时采集缝纫制品相关数据，所述缝纫制品相关数据至少包括：缝纫加工的各种业务数据、环境数据和工人在岗数据；对采集的缝纫制品相关数据进行处理；将处理后的数据输入预先构建的缝纫制品工时异常检测模型中进行检测，输出得到当前缝纫制品工时异常结论。此外，本专利技术还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有用于缝纫制品工时标准的异常判断程序，所述用于缝纫制品工时标准的异常判断程序被处理器执行时实现如上所述的用于缝纫制品工时标准的异常判断方法的步骤。本专利技术实施例提出的用于缝纫制品工时标准的异常判断方法、装置以及存储介质，通过一种特制的主板与工业缝纫机或其它辅助设备连接，实时采集加工的各种业务数据、环境数据和工人在岗数据；对采集到的数据进行数据清洗、数据集成、数据归约与数据转换等内容等预处理后存储于本地数据库或云端数据库中，应用已有的数据模型反演生产现场情况，从而判断异常类别；通过实时分解各个终端的时序数据，并与其它来源的数据进行交叉验证，从而判断实际工时异常和标准工时定义异常等，极大减少了工时异常判断和处理的时间，提升效率。附图说明图1为本专利技术用于缝纫制品工时标准的异常判断方法的流程示意图；图2为本专利技术方案整体硬件架构示意图；图3及为本专利技术方案整体处理流程示意图；图4为本专利技术方案工时异常判断需要考虑的主要因素示意图；图5为本专利技术构建神经网络模型示意图。具体实施方式应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。参照图1，图1为本专利技术用于缝纫制品工时标准的异常判断方法的流程示意图。该用于缝纫制品工时标准的异常判断方法，包括以下步骤：S1，实时采集缝纫制品相关数据，所述缝纫制品相关数据至少包括：缝纫加工的各种业务数据、环境数据和工人在岗数据；S2，对采集的缝纫制品相关数据进行处理；S3，将处理后的数据输入预先构建的缝纫制品工时异常检测模型中进行检测，输出得到当前缝纫制品工时异常结论。其中，所述对采集的缝纫制品相关数据进行处理包括：对采集到的缝纫制品相关数据进行数据清洗及数据集成，其中，。其中，所述将处理后的数据输入预先构建的缝纫制品工时异常检测模型中进行检测，输出得到当前缝纫制品工时异常结论的步骤包括：对处理后的数据进行模型运算，所述模型运算包括：数据归约、数据转换和模型运算；将进行模型运算后的数据输入预先构建的缝纫制品工时交叉验证模型中进行冗余和相关分析、数据冲突处理、数据变换和离散化处理，得到处理结果；将所述处理结果输入预先构建的缝纫制品工时异常判断模型，得到当前缝纫制品工时异常结论并输出，所述异常判断模型至少包括：怠工异常判断模型、设备故障判断模型、品质异常判断模型、纪律异常判断模型。进一步地，所述将处理后的数据输入预先构建的缝纫制品工时异常检测模型中进行本文档来自技高网...

【技术保护点】
1.一种用于缝纫制品工时标准的异常判断方法，其特征在于，包括以下步骤：/n实时采集缝纫制品相关数据，所述缝纫制品相关数据至少包括：缝纫加工的各种业务数据、环境数据和工人在岗数据；/n对采集的缝纫制品相关数据进行处理；/n将处理后的数据输入预先构建的缝纫制品工时异常检测模型中进行检测，输出得到当前缝纫制品工时异常结论。/n

【技术特征摘要】
1.一种用于缝纫制品工时标准的异常判断方法，其特征在于，包括以下步骤：
实时采集缝纫制品相关数据，所述缝纫制品相关数据至少包括：缝纫加工的各种业务数据、环境数据和工人在岗数据；
对采集的缝纫制品相关数据进行处理；
将处理后的数据输入预先构建的缝纫制品工时异常检测模型中进行检测，输出得到当前缝纫制品工时异常结论。


2.根据权利要求1所述的用于缝纫制品工时标准的异常判断方法，其特征在于，所述对采集的缝纫制品相关数据进行处理包括：
对采集到的缝纫制品相关数据进行数据清洗及数据集成。


3.根据权利要求1所述的用于缝纫制品工时标准的异常判断方法，其特征在于，所述将处理后的数据输入预先构建的缝纫制品工时异常检测模型中进行检测，输出得到当前缝纫制品工时异常结论的步骤包括：
对处理后的数据进行模型运算，所述模型运算包括：数据归约、数据转换和模型运算；
将进行模型运算后的数据输入预先构建的缝纫制品工时交叉验证模型中进行冗余和相关分析、数据冲突处理、数据变换和离散化处理，得到处理结果；
将所述处理结果输入预先构建的缝纫制品工时异常判断模型，得到当前缝纫制品工时异常结论并输出，所述异常判断模型至少包括：怠工异常判断模型、设备故障判断模型、品质异常判断模型、纪律异常判断模型。


4.根据权利要求1所述的用于缝纫制品工时标准的异常判断方法，其特征在于，所述将处理后的数据输入预先构建的缝纫制品工时异常检测模型中进行检测，输出得到当前缝纫制品工时异常结论的步骤之前还包括：
采集样本数据构建缝纫制品工时交叉验证模型及异常判断模型。


5.根据权利要求4所述的用于缝纫制品工时标准的异常判断方法，其特征在于，所述采集样本数据构建缝纫制品工时交叉验证模型及异常判断模型的步骤包括：
采集缝纫制品样本数据源，所述缝纫制品样本数据源至少包括：缝纫加工的各种业务数据、环境数据和工人在岗数据；
对采集的缝纫制品样本数据源进行数据清洗以获取特征数据和标准数据；并对清洗出的特征数据和标准数据进行处理，生成训练数据...

【专利技术属性】
技术研发人员：杨家雄，郭星，罗永强，
申请(专利权)人：深圳哆啦咪软件有限公司，
类型：发明
国别省市：广东;44