纺织制造中基于云的参数预测机器学习方法
摘要
1.简介
研究了非交互式和交互式机器学习模型之间的预测差异。 开发了用于纺织产品制造的在线分析模块。 通过开发办公自动化宏来启用自动通知,增强了应用程序的价值。
2.相关工作
2.1. 纺织品生产管理
2.2. 纺织品制造过程中的数据分析
3.材料和方法
3.1. 材料
3.2. 数据预处理
(1). 缺失值过程:原始数据集包含缺失值和冗余列(例如备注列)。 在本研究中,我们过滤掉了缺失值的数据,并删除了多余的列。 织机最多可以交织四根纱线,导致集成数据集中出现许多空列(变量)。 例如,当织机交织两根纱线时,准备阶段第三条和第四条生产线的列会被清空。 (2). 特征插值:混纺织物由不同的经纱编织而成,每种纱线材料都分配有相同的工作订单号。 因此,有多行数据具有相同的工作订单号,每行数据代表准备阶段(整经、上浆、整经)这些纱线材料的一组不同的操作参数。 在本研究中,给定最多四种不同的经纱,原始原始数据可能包含空值。 圆形插值无缝地插值循环数值。 圆形插值的主要目标是在数值集中实现平滑、连续的插值,确保在不断变化的环境中保持稳定的趋势。 在本研究中,我们遵循实际的生产线计划规则,使用圆形插值填充空列,如所示 表5 。我们还使用循环插值来填充其他空值。 (3). 数据转换:原始数据值是描述值和数值的混合。 因此,我们使用正则表达式(regex)将生产数据的聚合属性[例如“0010/25N酒红”]拆分为单个属性。例如,纱线规格属性是三个独立属性的聚合:旦尼尔、纤维基和材料。 (4). 异常值去除:原始数据需要进行异常值去除过程,本研究在每列中过滤出超过三个标准偏差的数据。 (5). 归一化:我们使用最小-最大缩放来调整每列0到1之间的数值范围。
3.3. 初步模型
3.3.1. 线性回归
3.3.2. LASSO回归
3.3.3. 岭回归法
3.3.4. 弹性网回归
3.4. 建议的基于查询的回归模型
步骤1。 使用随机配置初始化回归模型中的参数。 让迭代阈值为N,并将错误阈值设置为RMSE。 第2步。 将数据集配置为D={Res 我 ∈样本 n个 },其中n是选定属性的数量。 查询的数据点设置为Q,oracle用Res(Q)进行响应。 通过分层随机抽样收集部分训练样本集DD⊂D。 步骤3。 使用训练样本集DD训练回归模型。如果误差E低于RMSE或迭代次数超过N,则退出。 步骤4。 必须分析未经训练的样本集(D−DD)。
3.5. 模型部署和应用
|
4.实验
4.1. 评估标准
4.2. 验证
(1). 数据分割:初始数据集被分割为10个子集或折叠,每个子集或折叠保持大致一致的大小。 (2). 模型培训和评估:模型经历了10个培训周期,每个培训课程使用9倍的时间进行培训,并保留1倍的时间用于验证。 在初始迭代期间,模型在折叠2到10上进行训练,并在折叠1上进行评估。 随后,在接下来的迭代中,培训包括折叠1和3到10,评估折叠2,依此类推。 这个过程重复进行,直到每个折叠恰好作为一个验证集使用一次。 (3). 性能指标的计算:为每个迭代计算评估标准,生成10个不同的性能分数。 (4). 总体性能指标的编译:这10个性能指标通常是平均值,产生一个单一的性能分数,它封装了模型的综合性能。 此平均性能分数提供了对模型在未发现数据上的预期性能的更具弹性的估计。
5.结果
6.讨论
6.1. 研究的局限性
6.2. 未来研究
7.结论
作者贡献
基金
机构审查委员会声明
知情同意书
数据可用性声明
鸣谢
利益冲突
工具书类
Kritchanchai,D。; Wasusri,T.在泰国纺织业实施供应链管理。 国际期刊信息系统。 物流员。 管理。 2007 , 2 , 107–116. [ 谷歌学者 ] 台湾纺织联合会。 2022年台湾纺织业概况 ; 台湾纺织联合会:台湾台北市,2023年; 第1-3页。 [ 谷歌学者 ] Khamrakulova,Z。通过改进纺纱机的工作机构来提高产品质量。 《教育、科学和人文发展国际会议记录》,意大利利沃诺,2022年6月15日; 第21-24页。 [ 谷歌学者 ] Drean,J.Y。; Decrette,M.织造准备。 在 先进织造技术 ; 施普林格国际出版公司:瑞士查姆,2022年; 第3-80页。 [ 谷歌学者 ] 不列颠哥伦比亚省戈斯瓦米。; 阿南吉瓦拉,R.D。; D.霍尔。 纺织品上浆 ; CRC出版社:美国佛罗里达州博卡拉顿,2004年。 [ 谷歌学者 ] Shaker,K。; 乌迈尔,M。; 阿什拉夫,W。; Nawab,Y.织物制造。 物理学。 科学。 版次。 2016 , 1 , 20160024. [ 谷歌学者 ] 克劳斯,S。; 琼斯,P。; 北卡罗来纳州凯勒。; Weinmann,A。; 北卡罗来纳州Chaparro-Banegas。; Roig-Tierno,N.《数字转型:研究现状概述》。 SAGE打开 2021 , 11 , 21582440211047576. [ 谷歌学者 ] [ 交叉参考 ] Vial,G.理解数字转型:回顾和研究议程。 J.斯特拉格。 信息系统。 2021 , 28 , 118–144. [ 谷歌学者 ] [ 交叉参考 ] Schwertner,K.商业数字化转型。 Trakia J.科学。 2017 , 15 , 388–393. [ 谷歌学者 ] [ 交叉参考 ] 斯特格曼,P。; Nagel,S。; Ströbel,T.价值共创的数字化转型:体育营销研究议程的范围审查。 欧洲体育管理局。 问:。 2023 , 23 , 1221–1248. [ 谷歌学者 ] [ 交叉参考 ] Bathrinath,S。; Dhanasekar,M。; Koppiahraj,K。; Priyanka,R.关于提高纺织业纱线卷绕生产率的模糊AHP观点。 《智能系统信息和通信技术国际会议论文集》,印度艾哈迈达巴德,2023年4月27日至28日; 《施普林格自然》:新加坡,2023年; 第555-562页。 [ 谷歌学者 ] 阿姆贾德,A.I。; Regar,M.L.织物准备。 在 纺织品计算 ; 伍德黑德出版社:英国剑桥,2023年; 第171-195页。 [ 谷歌学者 ] ⑩尤图,医学博士。; C.F.巴班。; 巴班,M。; Dragomir,G。; 托斯,K.E。 纺织行业自动缝纫机的预测性维护 ; 奥拉迪大学:罗马尼亚奥拉迪,2019年。 [ 谷歌学者 ] C.F.巴班。; 巴班,M。; Suteu,M.D.使用模糊逻辑方法对纺织机械进行预测性维护。 J.智力。 模糊系统。 2016 , 30 , 999–1006. [ 谷歌学者 ] [ 交叉参考 ] 巴班,M。; C.F.巴班。; Suteu,M.D.《纺织机械维护决策支持:基于知识的模糊逻辑和振动监测方法》。 IEEE接入 2019 , 7 , 83504–83514. [ 谷歌学者 ] [ 交叉参考 ] 王,S。; Wan,J。; 李,D。; Zhang,C.实施“工业4.0”智能工厂:展望。 Int.J.经销商净敏感度。 2016 , 12 , 3159805. [ 谷歌学者 ] [ 交叉参考 ] 徐,L.D。; He,W。; Li,S.工业物联网:一项调查。 IEEE传输。 Ind.通知。 2014 , 10 , 2233–2243. [ 谷歌学者 ] [ 交叉参考 ] 艾丁,G。; 哈拉克,I.R。; Karakus,B.使用云计算和大数据技术的可扩展传感器数据存储和分析系统的架构和实现。 J.传感器。 2015 , 2015 , 834217. [ 谷歌学者 ] [ 交叉参考 ] 阿加瓦尔,R。; Dhar,V.编辑——大数据、数据科学和分析:IS研究的机遇和挑战。 信息系统。 物件。 2014 , 25 , 443–448. [ 谷歌学者 ] [ 交叉参考 ] 布隆·佩雷斯,J。; González Arrieta,A。; HernándezEncinas,A。; Queiruga-Dios,A.纺织工程中的工业计算机物理系统。国际联合会议论文集SOCO’16-CISIS’16-ICEUTE’16。 2016年SOCO、2016年ICEUTE、2016年CISIS。 《智能系统和计算进展》,西班牙圣塞巴斯蒂安,2016年10月19日至21日; Graña,M.,López-Guede,J.,Etxaniz,O.,Herrero,Ar。, Quintián,H.,Corchado,E.,Eds。; 施普林格:瑞士查姆,2017年; 第527卷。 [ 谷歌学者 ] Davidson,S.传感器网络技术的网络物理系统设计。 IEEE设计。 测试 2017 , 34 , 105–107. [ 谷歌学者 ] [ 交叉参考 ] 丁·H。; Li,C.网络物理系统及其在纺织和化纤企业中的应用。 打开J.Soc.Sci。 2017 , 5 , 352–360. [ 谷歌学者 ] [ 交叉参考 ] 萨吉奥莫,M。; 肯佩尔,M。; Gloy,Y。; 作为网络物理生产系统的织机:织造过程的多目标自优化。 2016年3月14日至17日,台湾台北,IEEE国际工业技术会议(ICIT)会议记录。 [ 谷歌学者 ] [ 交叉参考 ] Ślusarczyk,B。; Haseeb,M。; 侯赛因,H.I.第四次工业革命:纺织业取得更好业绩的前进道路。 工程管理。 生产服务。 2019 , 11 , 52–69. [ 谷歌学者 ] [ 交叉参考 ] 皮沃托,D.G.S。; 阿尔梅达,L.F.F。; Da Rosa Righi,R。; 罗德里格斯,J.J.P.C。; Lugli,A.B。; Alberti,A.M.工业4.0中工业物联网应用的网络物理系统架构:文献综述。 J.制造系统。 2021 , 58 , 176–192. [ 谷歌学者 ] [ 交叉参考 ] Eltayib,H.E。; A.H.M.阿里。; Ishag,I.A.使用线性回归模型预测平纹织物的撕裂强度。 国际高级工程师研究科学杂志。 2016 , 三 , 151–154. [ 谷歌学者 ] [ 交叉参考 ] 卢·D。; Yu,W.使用基于声发射的人工神经网络和多元线性回归模型预测单根羊毛纤维的拉伸强度。 文本。 研究J。 2021 , 91 , 533–542. [ 谷歌学者 ] [ 交叉参考 ] Sarah,M。; 阿道夫特区。; Boubaker,J.使用几何和多线性回归模型预测500级过边缝合线的缝纫线消耗量。 Autex研究杂志。 2021 , 21 , 150–162. [ 谷歌学者 ] [ 交叉参考 ] 唐,X。; D.孔。; Yan,X.织物吸音器的多元回归分析。 文本。 研究J。 2019 , 89 , 855–866. [ 谷歌学者 ] [ 交叉参考 ] 霍克,M.M.U。; 艾哈迈德·T。; Shams,T。; Islam,I.使用不同的机器学习模型预测单面针织物100%纯棉平针织物的顶破强力。 世界高级研究杂志修订版。 2022 , 16 , 283–293. [ 谷歌学者 ] [ 交叉参考 ] 拉巴卡,V。; 佩雷拉,J.M。; Basto、M.Logit Ridge和Lasso预测商业失败。 手套。 J.账户。 经济。 物件。 2023 , 4 , 33–46. [ 谷歌学者 ] 德国高尔。; 圣公会,M。; 基于Sultanolu,S.Kernel Ridge回归的建模和异常检测,用于纺织染色过程的温度控制。 第27届系统理论、控制和计算国际会议(ICSTCC)会议记录,罗马尼亚蒂米索拉,2023年10月11日至13日; 第392-397页。 [ 谷歌学者 ] 麦地那,H。; 培尼亚,M。; Siguenza-Guzman,L。; 关岛R.使用机器学习方法预测纺织品需求。 2021年10月27日至29日在厄瓜多尔基多举行的应用技术国际会议记录; 施普林格国际出版公司:瑞士查姆,2021年; 第301-315页。 [ 谷歌学者 ] 科瓦切维奇,S。; 施瓦兹,I.编织复杂图案——从织机到织机。 在 技术前沿研究 ; InTech:克罗地亚里耶卡,2015年。 [ 谷歌学者 ] [ 交叉参考 ] 格林伍德·尼姆,M。; Shields,K.使用互联网搜索数据清理数据简介。 澳大利亚。 经济。 版次。 2017 , 50 , 363–372. [ 谷歌学者 ] [ 交叉参考 ] 斯坦顿、J.M.高尔顿、皮尔逊和豌豆:统计教师线性回归简史。 J.Stat.教育。 2001 , 9 , 11910537. [ 谷歌学者 ] [ 交叉参考 ] Tibshirani,R.通过套索回归收缩和选择。 J.R.统计社会服务。 B统计方法。 1996 , 58 , 267–288. [ 谷歌学者 ] [ 交叉参考 ] Meier,L。; Van De Geer,S。; Bühlmann,P.逻辑回归组套索。 J.R.统计社会服务。 B统计方法。 2008 , 70 , 53–71. [ 谷歌学者 ] [ 交叉参考 ] 维涅奥,E。; 德沃,M.F。; Qannari,E.M。; 光谱校准中的主成分回归、岭回归和岭主成分回归。 《化学杂志》。 1997 , 11 , 239–249. [ 谷歌学者 ] [ 交叉参考 ] Balamurugan,P.大尺度弹性网正则化线性分类SVM和Logistic回归。 2013年12月7日至10日,美国德克萨斯州达拉斯,IEEE第13届国际数据挖掘会议记录。 [ 谷歌学者 ] [ 交叉参考 ] Van,D.M.使用机器学习技术预测氮浓度。 荷兰蒂尔堡蒂尔堡大学博士论文,2021年。 [ 谷歌学者 ] Ohno,H.基于自动编码器的生成模型,用于回归问题的数据增强。 软计算。 2020 , 24 , 7999–8009. [ 谷歌学者 ] [ 交叉参考 ] Ayoub,A。; 贾,Z。; Szepesvari,C。; 王,M。; Yang,L.基于模型的强化学习与价值目标回归。 机器学习国际会议论文集,虚拟,2020年7月13日至18日; 第463-474页。 [ 谷歌学者 ] He,J。; 赵,H。; 周,D。; Gu,Q.线性马尔可夫决策过程的近似极小极大最优强化学习。 2023年7月23日至29日在美国夏威夷州火奴鲁鲁举行的国际机器学习会议记录; 第12790-12822页。 [ 谷歌学者 ] Chang,R.I.使用基于查询的神经网络进行疾病诊断。 2005年5月30日至6月1日,在《神经网络进展汇编》ISNN 2005计算机科学讲义中,中国重庆; 第767–773页。 [ 谷歌学者 ] [ 交叉参考 ] Chang,R.-I。; Hsu,H.-M。; Lin,S.-Y。; Chang,C.-C。; Ho,J.-M.基于查询的动态粒子群优化学习。 IEEE接入 2017 , 5 , 7648–7658. [ 谷歌学者 ] [ 交叉参考 ] Chang,R。; 黄,C。; 赖,L。; Lee,C.基于查询的无线传感器网络次声信号数据分析机器学习模型。 2018年2月25日至27日,日本东京,第二届数字信号处理国际会议(ICDSP 2018)会议记录。 [ 谷歌学者 ] [ 交叉参考 ] Chang,R.-I。; Lin,S.-Y。; Hung,Y.多目标电力合同问题的基于查询学习的粒子群优化算法。 专家系统。 应用。 2012 , 39 , 3116–3126. [ 谷歌学者 ] [ 交叉参考 ] 赖,L。; Chang,R。; Kouh,J.通过基于查询的错误传播挖掘数据。 2005年8月27日至29日,中国长沙,《计算机科学与自然计算进展》讲义论文集; 第1224-1233页。 [ 谷歌学者 ] [ 交叉参考 ] Ratsaby,J.带示例查询的增量学习。 IEEE传输。 模式分析。 机器。 智力。 1998 , 20 , 883–888. [ 谷歌学者 ] [ 交叉参考 ] Jung,Y.多重预测 K(K) -模型选择的折叠交叉验证。 J.非参数统计。 2018 , 30 , 197–215. [ 谷歌学者 ] [ 交叉参考 ] Rehman,M.H.U。; 艾哈迈德·E。; 雅库布,I。; 哈希姆,麻省理工学院。; 伊姆兰,M。; Ahmad,S.《使用同心计算模型的工业物联网大数据分析》。 IEEE通信。 美格。 2018 , 56 , 37–43. [ 谷歌学者 ] [ 交叉参考 ]