【技术实现步骤摘要】
一种织布机了机智能预测模型的构建方法和构建装置
[0001]本专利技术人工智能
，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。
技术介绍
[0002]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。
[0003]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。
[0004]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。
技术实现思路
[0005]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。
[0006]为了解决上述技术问题，本专利技术是这样实现的：>[0007]第一方面，本专利技术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：
[0008]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；
[0009]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；
[0010]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；
[0011]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。
[0012]可选地，所述获取织机了机时间的目标数据集包括：
[0013]将织轴的生命周期划分N个时段；
[0014]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；
[0015]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。
[0016]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；
[0017]所述经纬向停车时间包括经停消耗时间和纬停消耗时间；
[0018]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：
[0019]将所述织机了机的影响因素作为输入数据向量，得到N个八维输入数据向量
[0020]将所述经纬向停车时间作为输出数据向量，得到N个二维输出向量
[0021]将所述N个八维输入数据向量作为输入数据集，所述N个二维输出向量作为输出数据集；
[0022]所述输入数据集与所述输出数据集构成所述目标数据集。
[0023]可选地，在得到所述目标数据集之后，所述方法还包括：
[0024]采用目标数据归一化方法对所述输入数据集进行处理。
[0025]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：
[0026]获取织轴的生命周期内的总时间；
[0027]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；
[0028]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。
[0029]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：
[0030]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；
[0031]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；
[0032]所述获得完成训练的织布机了机智能预测模型包括：
[0033]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。
[0034]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：
[0035]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。
[0036]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：
[0037]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
[0038]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；
[0039]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。
[0040]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：
[0041]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。
[0042]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：
[0043]将所述第一时间进度系数调整为第二时间进度系数；
[0044]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；
[0045]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；
[0046]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。
[0047]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：
[0048]所述织布机了机智能预测模型迭代优化次数为M次；
[0049]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；
[0050]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：
[0051]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本文档来自技高网...
【技术保护点】
【技术特征摘要】
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。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，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。3.根据权利要求2所述的织布机了机智能预测模型的构建方法，其特征在于，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：将所述织机了机的影响因素作为输入数据向量，得到N个八维输入数据向量将所述经纬向停车时间作为输出数据向量，得到N个二维输出向量将所述N个八维输入数据向量作为输入数据集，所述N个二维输出向量作为输出数据集；所述输入数据集与所述输出数据集构成所述目标数据集。4.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。5.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，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...
【专利技术属性】
技术研发人员：戴宁，徐开心，胡旭东，戚栋明，王璐，汝欣，
申请(专利权)人：浙江理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。