Cloud-Based Machine Learning Methods for Parameter Prediction in Textile Manufacturing

Chang, Ray-I; Lin, Jia-Ying; Hung, Yu-Hsin

doi:10.3390/s24041304

开放式访问第条

纺织制造中基于云的参数预测机器学习方法

通过

Ray-I Chang公司

^1,*

,

林嘉英

¹和

余信雄（Yu-Hsin Hung）

^2,*

¹

台湾大学工程科学与海洋工程系，台湾台北市罗斯福路4段1号，邮编10617

²

国立云林科技大学工业工程与管理系，云林64002，台湾

^*

应向其发送信件的作者。

传感器 2024,24(4), 1304;https://doi.org/10.3390/s24041304

收到的提交文件：2023年12月22日/修订日期：2024年2月15日/接受日期：2024年2月16日/发布日期：2024年2月18日

（本文属于特刊智能传感器和物联网解决方案的进展)

下载

浏览地物

版本注释

摘要

:

在传统纺织制造业中，下游制造商使用尼龙和棉纱等原材料生产纺织产品。制造过程包括整经、上浆、整经、织造和检验。工作人员通常使用试错法来调整制造过程中的适当生产参数，这可能会耗费时间和资源。为了经济地提高纺织品制造的效率和有效性，本研究提出了一种基于查询的学习方法，该方法使用现有的制造数据进行回归分析。基于查询的学习允许模型训练通过与其解空间的动态交互来进化其决策过程。在本研究中，首先使用预定义的质量因素目标参数来验证训练结果并创建新的训练模式。然后将这些新模式导入训练模型的解决方案空间。在预测产品质量时，结果表明，所提出的基于查询的回归算法的均方误差为0.0153，优于原始回归相关方法（平均均方误差=0.020）。经过培训的模型被部署为应用程序编程接口（API），用于基于云的分析和广泛的自动通知服务。

关键词：

预测性维护;数据通信;集成学习;工艺参数;纺织品

1.简介

在纺织业供应链中，产业链始于上游工序，涉及将石化和天然原料加工成纤维。向中游方向发展，织物生产通过纺纱、织造和染色等过程进行。下游行业主要围绕服装制造业[1]. 根据最近的一份报告，截至2022年，纺织业贡献了12亿美元，占全球纺织业产出的93.2%[2]. 随着对产品质量和灵活生产能力的需求不断增加，全球纺织业保持着高度的竞争力[三]. 纺织品制造涉及多种工艺、原材料和设备设置。在纺织生产的中游，原料必须经过几个生产步骤，包括整经、上浆、整经、织造和检验。所有这些因素都会影响产品的质量(表1) [4,5,6]. 上述前三个步骤构成了准备阶段。在每个阶段，技术人员根据原纱特性调整不同纺织机械的生产参数。例如，在准备阶段，设置整经机的经轴卷绕张力至关重要。当张力较低时，纱线卷绕力变松。如果张力太高，纱线会被拉伸得很薄，在随后的工序中很容易断裂。一般来说，流程参数的设置取决于人员操作，这导致了一个耗时、资源浪费、试错的流程。此外，新技术人员很难从高级技术人员那里学习到纺织机上不同类型原料纱的适当生产参数设置。

随着数字化转型的迅速发展[7,8,9]通过集成传感器、网络和应用程序，制造业已经发展成为一个更具成本效益和更具价值的业务流程。传感器在将大量工业数据传输到工厂的企业资源规划（ERP）系统中至关重要。通过自学、探索有价值的见解并与他人共享，这些数据可以显著提高制造过程。数字转型的基本原则是创造价值[10]. 因此，利用工业数据已被证明是增强行业业务流程的一种经济高效的方法。本研究旨在通过使用机器学习技术预测不合格产品来提高纺织品制造过程的质量，从而提高生产效率并增加现有数字基础设施的价值。本研究不仅将机器学习用于数据学习，还通过基于查询的交互方法提高了计算性能。纺织产品制造过程的中游作为用例。它使用制造数据和预测模型，使用标准数据分析预测纺织产品的质量。本研究的主要目标包括智能产量预测和系统设计。本研究强调了最佳预测模型，为提高产品质量提供了有价值的见解。此外，该提案引入了在线分析模块和第三方应用程序，促进了从机器到用户的分析及时通信。本研究的贡献可概括如下：

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。

本研究的其余部分安排如下。第1节介绍了研究背景、研究对象和贡献。第2节讨论了纺织制造业的相关问题。第3节概述了使用所建议方法的数据分析过程和数据通信的系统设计。第4节详细介绍了实验过程、使用的数据集和评估标准。第5节给出了分析结果。第6节和第7节通过描述研究的意义、局限性以及对未来工作的建议，对本文进行讨论和总结。

2.相关工作

2.1. 纺织品生产管理

纺织品生产过程，如整经和上浆，对生产现场至关重要。准确的生产信息和过程控制可以提高制造效率[4,11,12]. 以织造为例，它包括了多种工艺，如卷绕、整经、上浆和拉伸。这一复杂的过程包括计算、生产动作和程序，所有这些都为织造过程的展开奠定了基础[12]. Drean等人（2022年）在织造准备过程中提供了实用计算，以确保质量一致，并防止后续处理过程中出现故障[4]. Bathrinath等人使用模糊层次分析法分析纱线卷绕过程中的问题，并设计了相应的策略来提高生产率[11]. 最近，预测性维护已应用于纺织生产管理，包括机器[13,14]和计划维护[15]. 当前这一代智能工厂将传感器和计算机算法集成到整个生产线中。这些工厂使用物联网设备[16,17]利用云计算从物理和网络空间收集实时数据[18]处理大数据[19]并使用人工智能进行统计分析、决策和规划。因此，这些智能工厂可以智能地生产高度定制的产品。一个新的趋势是使用CPS[20,21]其中，软件和物理组件紧密交织，可以智能地相互交互。在纺织行业，CPS的发展始于数据分析和传感器技术的使用[22,23]. 通过异构网络连接，所有实体，包括智能工厂中的物理设备和软件系统，都连接到用于数据交换和远程控制的通用通信接口。所有原始数据和增值信息都集成到ERP系统中。基于这些新兴技术，CPS可以识别产业链中实体的状态。此外，它可以为这些物理实体生成网络双胞胎，在实施任何计划的或意外的更改之前，用更具成本效益、更快的软件模拟来代替物理测试，以进行预测和管理。Ślusarczyk等人报告称，工业4.0建设性地提高了纺织行业内生产和服务的效率[24]. CPS、互操作性、智能城市集成和创新产品智能的建设性合作共同为生产和服务带来积极成果[24,25]. 互联网通信技术的处理能力可以显著提高，特别是当使用机器学习技术分析现有数据时。

2.2. 纺织品制造过程中的数据分析

近年来，机器学习方法已被应用于制造过程中。Eltayib等人使用线性回归模型预测经纬向织物的撕裂强度[26]. 他们发现，纬纱中织物的撕裂强度受纱线的拉伸强度和纱线支数的影响，而经纱方向的撕裂强度则受织物的线密度和纱线支度的影响[26]. Lu等人使用人工神经网络和多元线性回归模型预测单个羊毛纤维的拉伸强度[27]. 从反向传播神经网络和逐步回归中获得的决定系数突出了羊毛强度测量值和预测值之间的强相关性，误差值在可接受范围内[27]. 采用多元线性回归模型和几何方法预测过边缝纫线消耗[28]. 这些研究证明了这些模型在从纺织行业数据中提取有价值见解方面的有效性[26,27,28,29]. Hoque等人应用最小绝对收缩选择算子（LASSO）预测单面针织棉平针织物的顶破强力[30]而Rabaca等人使用logit岭回归和LASSO预测商业失败[31]. 在Gorgül等人的研究中[32]核岭回归（KRR）模型产生了令人满意的异常检测结果。Gorgül等人建议使用KRR进行建模和异常检测，特别是在纺织染色过程中的温度控制方面[32]. 他们的主要目标是快速发现温度控制问题，解决染色机故障，提高染色过程的效率[32]. 岭回归用于预测纺织品的需求[33]. 虽然该算法已应用于纺织制造问题并显示出很强的计算效率，但其训练机制是单向的，并且缺乏与解空间的交互作用。这种限制可能导致出现局部最优问题。相比之下，强化学习的最新进展包含了与环境交互的机制。在本研究中，我们引入了基于查询的学习。此方法通过促进与解决方案空间的交互、使用其他训练实例进行验证以及探索不同的解决方案空间来增强预测性能。

3.材料和方法

本研究介绍了一个基于案例研究数据的综合工作流。边缘数据被传输到ERP以进行数据分析和实施通知。机器学习方法在某些情况下已被证明是高度准确的。在本研究中，我们使用回归相关方法和我们提出的方法来预测纺织品制造过程中的问题。我们根据标准数据工作流处理数据集，其详细信息在实验部分中进行了详细说明。数据库中的知识发现过程包括数据收集和预处理、建模、模型评估和部署(图1). 这种方法可以对流程提供更深入的见解，并允许探索导入数据的价值。数据被充分利用；原始数据和数据分析结果都会传输到API。在故障事件发生之前，用户会收到电子邮件通知并执行预防性维护。

3.1. 材料

除了开发功能性纤维外，该用例还致力于开发交织技术和使用设备来混合天然纤维和化学纤维，以编织功能性混纺纤维纺织产品。因此，本研究的目的是利用机器学习分析生产参数数据来提高产品质量。图2显示了用例中的纺织品生产线。生产过程可分为三个主要阶段：准备、编织和检查。在每个阶段，技术人员根据原纱的特性调整不同纺织机械的生产参数，传感器将参数数据传输到ERP系统数据库。

在本研究中，数据来自ERP系统，数据格式为.csv类型的文件。对获得的数据进行分析，以用于纺织制造业的早期生产诊断。表2,表3和表4描述数据集和具体的预测目标。这些数据是从纺织品制造过程中获得的，包括其关键阶段，如整经、上浆、整经和织造。原始数据必须进行预处理。将不同的预处理数据集转换为16个基本生产属性和13个原料属性，并导入预测模型(表3和表4).

3.2. 数据预处理

该公司在全球经营服务工厂，每家工厂的纺织机械都使用传感器收集生产数据。这些传感器收集的数据以及每个工厂的生产线信息都上传到公司的ERP系统进行集中管理。本研究中使用的数据集是从被调查工厂的ERP系统中收集的。数据源包括五个数据表：整经、上浆、整经、织造和检验。这些数据集包含37、46、31、25和12列，分别有26103、15950、37089、161821和481610条记录。原始数据包含缺失的值和复杂的内容，编织数据本身就很复杂[34]. 不清晰或不正确的数据会严重影响后续的模型训练和预测。因此，清理原始数据至关重要[35]并使用提取-转换-加载（ETL）方法识别其属性。ETL是一种数据预处理方法，其中对原始数据进行更正、清理和格式化。在这项研究中，我们根据研究工厂生产线高级专家的建议提取了数据。从五个数据集中提取主要和常用属性，形成新的数据集。通过从数据集中删除不正确、不完整、格式错误或冗余的数据来清除提取的数据。然后将清理后的数据转换为机器可读的格式。本研究中使用的预处理步骤如下：

(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

在本研究中，我们使用了各种回归算法来预测生产质量。线性回归是预测目标变量的基本方法。LASSO通过消除冗余特征来解决过拟合问题，而岭回归则消除了不必要的特征。弹性网络回归结合了这两种策略以增强预测。每种回归算法都有各自的优缺点，在本案例研究中，我们探讨了这些回归方法预测结果的差异。

3.3.1. 线性回归

线性回归是建模自变量和因变量之间关系的有效线性方法[36]. 作为一种数据驱动技术，线性回归识别一个线性方程来预测未来数据点的位置。在二维数据的上下文中，回归方程显示为一条线。现有数据点和方程式直线之间的差异是误差函数。回归机器学习算法的核心是通过确定最优方程来最小化该误差函数。一种常见的误差计算方法是最小二乘法，它从战略上最小化了误差的平方和。

该算法的概念基础如所示图3线性回归用于导出线性拟合方程。误差是测得的直线和数据点之间的距离。主要目标是将此错误降至最低，并确定与新兴数据趋势紧密一致的方程式。这个合成方程构成了线性回归模型的基础。当引入新的数据点时，自变量被输入到模型中，产生因变量（预测值）。在训练过程中，线性回归算法经常面临拟合不足和拟合过度的问题。当方程不能充分最小化现有数据点的误差时，就会出现拟合不足(图3a） ●●●●。相反，当方程过度符合现有数据点时，会发生过拟合，无法捕捉真实的数据趋势，并在引入新数据输入时导致严重错误(图3c）。图3b说明了理想情况。引入岭回归和LASSO来解决这些问题。这两种方法都通过引入适当的惩罚项来收缩模型的特征参数，这是一种称为正则化的技术，以最小化预测值和实际值之间的误差。

3.3.2. LASSO回归

LASSO是一种回归分析算法[37,38]采用正则化和变量选择来提高预测精度[37]. 这是线性回归的改进版本，旨在对抗多重线性回归中的潜在过拟合。LASSO回归中固有的L1惩罚模型鼓励特定特征系数接近零，从而在特征集中引入稀疏感。LASSO回归策略性地使用L1惩罚进行特征选择，有效地解决了多重线性回归中的过拟合问题。LASSO对于具有较少特征的模型更有效，从而实现流线型和较不复杂的结构。

3.3.3. 岭回归法

岭回归估计预测值和观测变量之间的相关性[39]. 山脊和LASSO差异显著；关键区别在于它们如何对特征系数分配惩罚。岭回归在最小二乘和中引入惩罚项，将其归类为L2惩罚模型，而LASSO回归使用L1惩罚项。

3.3.4. 弹性网回归

弹性网回归集成了LASSO和岭回归，以解决线性回归模型中的多重共线性和过拟合问题。这种统计和机器学习中的通用技术为常见的回归挑战提供了动态解决方案。LASSO通过将一些系数推到零来增强稀疏性，而岭回归使用平方项惩罚较大的系数。相比之下，弹性网引入了一个独特的惩罚项，它包含L1（LASSO）和L2（岭）正则化。弹性网回归的优势在于其细致入微的损失函数，它将平方误差之和与L1和L2正则化惩罚相结合。这种惩罚的平衡集成使弹性网回归能够平衡特征选择（稀疏性）和系数收缩。这在具有许多相关特征的场景中尤其有用，在这些场景中，细微的特征选择水平至关重要。总之，弹性网回归是一种通用且复杂的方法，它结合了LASSO和岭回归的优点，为线性回归模型中的正则化提供了全面的解决方案[40]. Van（2023）发现弹性网回归显示出很强的预测氮浓度的能力[41].

3.4. 建议的基于查询的回归模型

现有的机器学习算法在实际案例研究中证明了良好的计算性能。然而，其中一些算法从头到尾都是单向过程[36,37,39,41]训练模型缺乏与环境的双向交互。近年来，生成方法和交互强化方法被应用于现有的机器学习模型以提高其计算性能[42,43,44]. 本研究提出基于查询的学习，通过在解空间中创建新的学习实例和双向交互，利用生成性和交互强化方法。基于查询的学习[45,46,47,48,49]是一种主动学习技术，通过合并关键数据点有效地提高模型性能。图4使用一个简单的二进制分类示例说明了基于查询的学习的概念。初始训练数据集包含来自两个不同类别的数据点A和B。得到分类边界R1，实际分类边界为R，如所示图4a.基于查询的学习可以在当前边界附近选择额外的数据点（例如数据点C和D），以建立更好的分类边界，如所示图4b.通过查询oracle，基于查询的学习识别C和D的类别，然后可以训练新的分类边界R2，如图4c.基于查询的学习使用学习协议来规定信息积累的方法。

基于查询的学习为训练模型提供了一个演绎过程，以纠正计算路径，并在训练过程中提高每个机器学习模型的解表示性能。在基于查询的学习协议下，训练模型不能被动地识别数据之间的相关性。相反，它通过观察和记录计算结果（例如评估标准）从受控环境中主动学习。基于查询的方法为机器学习模型提供了学习协议。输入数据可以采用示例的形式来说明要学习的概念，也可以采用神谕的形式来表明数据是否体现了概念。因此，该训练模型不仅可以灵活地使用现有样本，还可以使用oracle生成的附加样本来增强训练模型。当查询集的数据点为Q时，oracle用Res（Q）进行响应。配对（Q，Res（Q））指查询的样本(图5). 示例查询方法是一种增量方法，可以动态调整从每个类中提取的样本大小[50]. 我们假设学习者有根据特定规则查询训练样本的自主性，而不是依赖随机选择；来自决策边界的训练样本产生最佳的训练结果。我们设置点Q，使得Res（Q）＝0.5。在该方法中，我们首先检查未经训练的样本，以确定它们是否被正确分类。因为输出还指示了对样本进行正确预测的概率，所以我们可以很容易地将这些正确分类的样本存储在优先级行（max-heap）中。然后选择具有正确预测的存储点作为附加训练样本。当迭代次数超过给定阈值N或获得的RMSE低于给定阈值RMSE时，学习过程被视为完成。图5说明了基于查询的回归的框架。该算法的步骤如下：；学习者分为两类：强学习者（预测误差低的情况）和弱学习者（预计误差高的情况）：

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）。
步骤5。根据这两种学习策略，通过向DD中添加样本，训练样本集由（a）最正确预测的样本组成，即向强学习者学习[47,49]，或（b）最不正确预测的样本，弱学习者被用来探索模糊或未探索的解空间[48].

最初的回归训练是一种带有算法和惩罚模型的单向导入数据训练。图5演示了基于查询的学习的交互能力，以及根据每个迭代结果动态调整的训练模型。该方法可以使用自学习机制改进现有模型。

3.5. 模型部署和应用

进一步使用数据对于制造现场的数据驱动数字转换至关重要。随着物联网及其相关应用的快速发展，各种类型的第三方资源被广泛应用于不同的共创价值应用中。我们将经过训练的模型部署为API，并为其他应用程序使用基于Django的API服务器来使用RESTful格式访问模型。我们开发了一个电子邮件宏来提高生产管理的效率。收到异常产品质量预测后，用户可以自动向其员工发送提醒电子邮件。算法1显示了所提方法的过程。使用临时游标和计数器来实现算法。在系统分析和设计理论的基础上，我们预先构建了系统上下文图，如所示图6.

算法1异常预测通知

描述：API将结果导出为工作表。工作表的单元格可以用于更多应用程序，例如预测性维护。当用户收到来自工作表单元格的预测结果并达到阈值时，建议的宏可以自动向其他员工发送通知。
程序报警通知（date_cursor、attriValue、attriThres）

1:: 初始化：
2:: 让emailAddrQueue成为电子邮件地址项的队列
三：: 让date_cursor是当前使用的资源的临时光标
4:: 让sysDate是运行算法的当前日期时间
5:: 让attriValue成为目标属性的值
6:: 让attriThres作为目标属性的阈值
7:: sysDate=当前系统日期
8:: 如果（date_cursor=null）然后
9:: dat_cursor←系统日期
10:: 结尾
11:: 开始：
12:: foreach公司emailAddrQueue的项目do
13:: 如果（attriValue≥attriThres）则
14:: 日期_光标←系统日期
15:: 形成通知内容
16:: 执行自动通知
17:: 结尾
18:: 外循环
19:: 结束过程

4.实验

实验的数据集来源是拟议用例中使用的ERP系统。该数据集涉及纺织制造过程，如整经、上浆和整经。我们的目标是预测纺织品制造过程中产品的质量。在本研究中，我们使用成品的质量来调整模型的解空间。图7显示了实验流程，该流程由两个阶段组成：数据分析阶段和建模阶段。首先，需要对数据集进行预处理和建模。本研究将提出的方法与初步方法进行了比较。使用各种回归技术实现预测建模，包括线性回归、LASSO回归、岭回归和弹性网回归。将预处理后的数据导入到提出的基于查询的模型中。最后，将经过训练的模型部署为分析API，可以集成到云系统中以供进一步使用，例如在出现异常预测结果的情况下提前通知。

4.1. 评估标准

我们使用均方误差（MSE）来评估预测性能。评估标准如下所述。MSE（方程式（1））是误差估计的关键工具；它测量预测值和观测值之间的差异。在本研究中，MSE是一个损失函数，它为估计和评估预测性能提供了一种稳健的方法：

M（M） S公司 E类 = \frac{1}{S公司} \sum_{我 = 1}^{S公司} {({v（v） 一 对}_{我} - {v（v） 一 对'}_{我})}^{2}

(1)

其中，m预测向量是从所有变量的s数据点样本生成的，var是预测变量的观测值，var’是预测值。

我们使用改进率作为评估算法性能的标准，该改进率比较了原始模型和所提出的方法（方程（2））：

改进 率 = \frac{{MSE公司}_{第页 对 o个 第页 o个 秒 e（电子） d日} - {MSE公司}_{o个 对 我 克 我 n个 一 我}}{{M（M） S公司 E类}_{o个 对 我 克 我 n个 一 我}}

(2)

4.2. 验证

K-fold交叉验证方法通常用于比较和选择预测模型。这涉及到对数据集进行迭代重采样，并递归地将原始数据集划分为多个子组。本研究采用10倍交叉验证来评估训练后的模型，同时减轻数据分区产生的潜在偏差。10倍交叉验证的首要概念是对数据集进行递归分区，最终计算这些分区的平均值。程序验证程序如下[51].

(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

本节显示了我们案例研究中回归相关方法和提议的基于查询的方法的预测结果；60%的预处理数据集用作训练数据集，40%的预处理数据库用作测试数据集。在本研究中，使用10倍交叉验证来评估训练模型，以避免数据分割可能产生的偏差。共有28个训练属性，包括纱线规格、整经、上浆、整经和织造，其中一个预测目标是产品的质量率。在模型设置中，使用L1正则化训练LASSO回归，并将alpha参数值设置为1。用L2调节训练脊线，α参数值设置为1。使用L1正则化训练弹性网回归模型，α=1.0。MSE是实际质量变量和预测变量之间的估计误差。原始回归（Linear/LASSO/Rigin/Elastic-Net）的平均MSE值为0.02，而该方法的平均MSE值为0.0153。与未使用的基于查询的学习相比，基于查询的回归模型的改进率为22%。这一结果有利于制造业的预测性维护(表6).

基于查询的学习是一种主动学习技术，通过添加新数据对模型进行再培训，有效地提高了模型的整体性能。我们使用以下程序比较了各种学习策略：从5898个数据点中，选择60%作为训练数据，其余40%作为测试数据。从测试数据的相邻点识别出适合学习的新数据。本实验采用两种学习策略生成新数据：选择预测误差较大的样本作为新的训练数据，选择预测误差较小的样本作为训练数据。实验中使用了两种学习策略和一种非使用策略（随机生成新的训练数据）。比较了三种方法在基于查询的学习中加强模型预测的能力。结果表明，通过使用表现不佳的样本进行再培训来提供学习指导效果最佳(图8).

经过训练的模型被部署为RESTful API，可用于基于边缘或云的分析，以预测流程参数。API调用的过程在从客户端传输到API端点时开始。此端点是最终目的地，主要位于web应用程序和服务器中。例如，考虑启动API调用的移动客户端。此调用传递到指定的API端点，该端点通常由服务器表示。到达服务器端后，API调用会经历一系列操作：处理它，执行请求，并将响应发送回客户端。这种动态交互构成了API调用的本质，并允许客户端和API端点之间的通信。在本研究中，服务器检测到提交，并根据API消息自动导入训练模型(图9). 接下来，服务器将预测结果作为响应发送给客户端。

许多ERP系统提供的功能使用户能够将数据无缝导出到Excel，从而为深入分析、定制报告和数据操作开辟了道路。这对于那些认为Excel对特定任务更直观的人来说尤其有益。相反，大多数ERP系统便于从Excel文件导入数据。当用户需要使用熟悉的用户友好的Excel界面进行批量更新或输入数据以准备数据时，此功能非常有用。在本研究中，我们使用了Visual Basic for Applications，这是一个办公自动化工具，可以使用宏自动执行Excel的功能。然后将分析结果导出为工作表以供进一步使用。在收到工作表中预测的异常情况后，用户可以自动向其他员工发送通知。图10显示了如何使用建议的异常通知宏将电子邮件正确发送给用户。

本研究的主要发现是，所提出的方法可以预测产品质量，具有良好的优势。与其他产品质量预测算法相比，线性回归具有更好的预测性能。根据以往的研究，基于查询的学习在生成新的学习样本和用不同参数训练模型方面具有优势，因此显示出良好的计算性能[42,43,44,45,46,47,48,49,50]. 这项研究获得了类似的结果。提出的基于查询的回归模型可以搜索比原始初始函数更大的解空间[42,43,44,45,46,47,48,49,50]. 因此，它在案例研究中表现出了良好的预测能力。最后，经过训练的模型可以通过API和通知宏广泛应用于进一步使用。传输数据流的无缝流动促进了从边缘设备到云端网络的通信，是物联网持续进步的关键催化剂。这种相互连接的数据交换不仅构成物联网基础设施的主干，而且也是其持续发展背后的驱动力[49]. 本研究满足了边缘设备和云端应用程序之间的通信需求。拟议API和宏的效能和效率从根本上有助于物联网的动态布局，推动数据分析和实时决策的进步。未来的研究将分析来自其他纺织制造过程、计算机化机器和制造执行系统的不同数据源。这些信息将有助于确定产品质量与不同制造特性之间的相关性。此外，将在工业案例研究和智能维护案例研究中实施并验证所开发的方法，以证明其支持维护工程师和产品检查员的效率和能力。

6.讨论

纺织厂的一个关键转变是转向精细纺织产品，这通常意味着高质量、高定制化和短时间交付。然而，确定适当生产参数的试错法既费时又浪费资源。所提出的方法在预测纺织制造业的产品质量方面具有良好的优势。以前的研究表明，基于查询的学习由于具有动态调整模型的优势，可以带来优异的计算性能[45,46,47,48,49]. 目前的研究获得了类似的结果。提出的基于查询的回归模型搜索的解空间比初始函数大[47,48]从而在我们的案例研究中显示出良好的预测性能。经过训练的模型可以通过API和通知宏进一步使用。在本研究中，传输数据流的无缝流动促进了从边缘设备到云端网络的通信。这种互连的数据交换构成物联网基础设施的主干，并成为其持续发展的驱动力[16,17,18,52].

6.1. 研究的局限性

本研究重点研究了使用基于查询的学习方法和回归相关方法的影响。此外，工业数据集的大小和属性限制了本研究。然而，每个行业都有自己独特的设施、设备、产品和制造工艺。研究案例是一家中游纺织产品制造商。生产线中考虑的制造场景越多，工厂获得的数据就越多。

6.2. 未来研究

在基于云的环境中，在数据安全领域保护敏感制造数据给组织带来了许多挑战。主要关注的是由于身份验证薄弱和凭据受损而导致数据泄露的可能性。其他威胁来自不充分的访问控制和配置不当的权限，这可能导致在用户使用API访问数据分析时对关键数据进行未经授权的访问。因此，建议的API使用授权的登录帐户验证。未来，API访问将使用单点登录方法来降低未经授权访问的风险，并且可以对数据值进行加密以保护数据隐私。此外，上传的数据概述和确认可以解决不正确的数据注入攻击，这可能会影响预测结果。

7.结论

对于复杂的纺织品制造，制造过程中的生产参数设置基于操作员的经验或试错测试。人为错误可能会影响产品质量。为了提高生产效率，本研究提出了一个案例研究，演示如何从现有数据中学习并将其作为应用程序服务集成到现有云基础设施中。这项研究有两个发现：数据分析和系统设计。从数据分析的角度来看，我们使用基于查询的学习来加强模型训练。在高质量生产制造中，基于查询的方法比原始模型表现出更好的预测效果，因为该方法基于与解空间的动态集成来调整解空间。从系统设计的角度来看，经过培训的模块被部署为在线分析和进一步使用的API。为了增加现有环境的价值，本研究提出了一种可以与办公自动化集成的API。因此，我们开发了一个自动通知宏，供用户在预测的异常事件发生时获取通知。最后，案例结果表明，所提出的方法可以使用数据分析和云技术预防性地帮助产品质量维护。

作者贡献

概念化，R.-I.C。；方法论，R.-I.C.，J.-Y.L.和Y.-H.H。；软件、R.-I.C.、J.-Y.L.和Y.-H.H。；验证，J.-Y.L。；形式分析，J.-Y.L。；调查、R.-I.C.、J.-Y.L.和Y.-H.H。；资源，R.-I.C。；数据管理，R.-I.C。；书面原稿，R.-I.C.和Y.-H.H。；写作评论与编辑，Y.-H.H。；监管，R.-I.C。；项目管理，R.-I.C.和Y.-H.H。；资金获取、R.-I.C.和Y.-H.H.所有作者都已阅读并同意手稿的出版版本。

基金

本研究由国家科学技术委员会（NSTC 111-2622-8-002-029、111-2221-E-224-033-MY2）和教育部“教学实践研究”资助项目（PBM1110139）资助。

机构审查委员会声明

不适用。

知情同意书

不适用。

数据可用性声明

本研究未创建或分析新数据。数据共享不适用于本文。

鸣谢

作者衷心感谢台湾国家科学技术委员会（NSTC 111-2622-8-002-029，111-2221-E-224-033-MY2）的资助。

利益冲突

作者声明没有利益冲突。

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Sultanolu，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]

图1。本研究的数据分析流程图。

图2。从纺织制造业收集数据。

图3。线性回归的三（3）个主要现象。注：两个变量之间的数学关系x个和y，其中β₀, β₁, β₂、和β_三是系数。

图4。基于查询的学习概念。注：(一)显示原始分类。R1是预测的分类边界，R′是实际边界，A和B代表数据点。如所示(b条)，基于查询的学习可以选择当前边界附近的其他数据点（例如，数据点C和D）来建立更好的分类边界。最后，如所示(c（c）)，可以获得新的预测分类边界R2。

图5。建议的基于查询的回归方法的过程。

图6。最后阶段的系统上下文图。

图7。实验程序。

图8。生产质量预测中基于查询的回归的MSE。

图9。经过训练的模型被部署为API以供进一步使用。

图10。早期异常通知的结果。

表1。主要制造过程的描述。

程序	行动	描述
1	翘曲	将纱线或线平行排列和对齐，形成机织物纵向基础的过程[4,6].
2	调整大小	织造前在经纱上涂上一种称为上浆的保护物质的过程[4,5,6].
三	光束	浆纱工序后的工序是织造经纱准备的一部分[4,6].
4	编织	将两组纱线以直角交织形成织物的过程[6].
5	检查	在生产阶段早期识别和纠正成品缺陷的过程。

注：翘曲、定径和光束在准备阶段集成。

表2。制造数据集。

文件名（.csv）	柱	原始	描述
翘曲	37	26,103	整经过程中的生产参数
sizeop公司	46	15, 950	上浆过程中的生产参数
光束放大器	31	37,089	波束形成过程中的生产参数
织布	25	161,821	织造过程中的生产参数
检查	12	481,610	织物检验结果

表3。原材料参数。

原材料（13个属性）	姓名	描述
纱线规格（13个属性）	总强度	经纱实际长度¹
	理论长度	理论总长度偏差¹
	警告	翘曲次数¹
	YARNSPECDENIM公司	丹尼尔²纱线规格数量
	纱线面料	纱线规格的纤维数
	牛仔布	理论但尼尔²纱线规格数量
	纤维底座	纱线规格的纤维数
	单位重量	每单位重量
	粒度	纱线的粒度
	WARPLENGTH公司	经纱长度
	WARPSTRIP公司	光束长度
	WARPLENGHT公司	翘曲长度
	尺寸长度	尺寸的长度

笔记：¹经纱是指在机织物中纵向运行的一组纱线或线。²丹尼是纺织工业中用来表示纤维或纱线线密度的计量单位。

表4。设备设置参数。

流程（16个属性）	姓名	描述
翘曲（5个属性）	WARPSPEED公司	翘曲速度
	翘曲	整经机横梁的张力
	不锈钢	单丝的张力
	警告	整经张力
	水合作用	液压翘曲的张力。
调整大小（6个属性）	调整速度	调整大小的速度。
	尺寸确定RES	上浆压力
	上浆张力	上浆张力（卷取）
	尺寸调整张力	上浆（卷绕）张力
	一致性	成型聚合物材料的密度
	密度	上浆密度
横梁（4个属性）	波束速度	波束的速度
	光束	滚出的张力
	光束张力	绕组张力
	光束张力	光束的张力
编织（1个属性）	WEAVEBTENSION公司	织造张力
检查（1个属性）	合格率	范围为0到1的值 1=产品质量高

表5。不同交织程度的填充规则。

交织程度	集成数据集	填充规则和最终数据集
1	{A，0，0，0}	[答，答，答]
2	{A、B、0、0}	[甲、乙、甲、乙]
三	{A、B、C、0}	[甲、乙、丙、甲]
4	{甲、乙、丙、丁}	[甲、乙、丙、丁]

注：A、B、C和D是生产线的ID。

表6。生产质量预测结果。

模型	MSE公司
线性回归	0.0211
LASSO回归	0.0191
岭回归法	0.0193
弹性网回归	0.0190
基于查询的回归	0.0153

免责声明/出版商注释：所有出版物中包含的声明、意见和数据仅为个人作者和贡献者的声明、观点和数据，而非MDPI和/或编辑的声明、看法和数据。MDPI和/或编辑对内容中提及的任何想法、方法、说明或产品造成的任何人员或财产伤害不承担任何责任。

分享和引用

MDPI和ACS样式

Chang，R.-I。；Lin，J.-Y。；洪，Y.-H。纺织制造中基于云的参数预测机器学习方法。传感器 2024,24, 1304.https://doi.org/10.3390/s24041304

AMA风格

Chang R-I、Lin J-Y、Hung Y-H。纺织制造中基于云的参数预测机器学习方法。传感器. 2024; 24(4):1304.https://doi.org/10.3390/s24041304

芝加哥/图拉宾风格

Chang、Ray-I、Jia-Ying Lin和Yu-Hsin Hung。2024.“纺织制造中用于参数预测的基于云的机器学习方法”传感器24，编号4:1304。https://doi.org/10.3390/s24041304

请注意，从2016年第一期开始，该杂志使用文章编号而不是页码。请参阅更多详细信息在这里.

文章菜单