一种基于人工智能的工时计算方法技术

本发明专利技术公开了一种基于人工智能的工时计算方法，包括以下步骤：获取工人缝制事件数据，构建训练模型；用训练模型基于工人缝制事件数据分类筛选构建工人数据针数群；获取工人单件产品特征，基于工人单件产品特征对工人数据针数群进行截取分段；对截取分段的段内时间计算得到工时。通过人工智能自动获得的工时数据，获取方便，且训练模型的构建提高了计算工时的速度以及获得的工时的精度，效率高，满足对精确工时使用和查看的需求。确工时使用和查看的需求。确工时使用和查看的需求。

【技术实现步骤摘要】
一种基于人工智能的工时计算方法


[0001]本专利技术涉及缝纫机
，尤其涉及一种基于人工智能的工时计算方法。

技术介绍

[0002]目前，物联网缝制设备已经基本替代了普通缝纫机，并且随着工票软件以及吊挂系统的发展，物联网缝制设备无法单独计工时的缺陷也越来越明显。
[0003]有资料显示，现有技术中，工人以及车间管理对工人的缝纫速度和效率处于一种茫然的状态，只能通过工人每包货的交货时间、每天的交货数量等比较粗浅的工作数据对工人的工作效率来估计他们的效率。如今工时被细分为缝纫时间、调整时间、放料拿料时间等，市场上对精确工时计算的需求越来越多，因此物联网缝纫机系统能否精确计算这些时间数据，能否满足客户使用和查看的需求，也越来越重要。
[0004]中国专利文献CN110241517A公开了一种“缝纫机的计时方法/系统、存储介质、缝纫机及计时网络”。缝纫机的计时系统包括：控制模块，用于识别计时模式的选择，并根据计时模式的选择，查找与该选择匹配的计时模式；计时模块，用于根据查找到的计时模式，在所述缝纫机进入缝纫工作状态后，予以对所述缝纫机的工作状态进行计时。上述技术方案缺少对于工时的精确计算，难以满足客户对精确工时使用和查看的需求。

技术实现思路

[0005]本专利技术主要解决原有的技术方案缺少对于工时的精确计算，难以满足客户对精确工时使用和查看的需求技术问题，提供一种基于人工智能的工时计算方法。
[0006]本专利技术的上述技术问题主要是通过下述技术方案得以解决的：本专利技术包括以下步骤：
[0007]获取工人缝制事件数据，构建训练模型；
[0008]用训练模型基于工人缝制事件数据分类筛选构建工人数据针数群；
[0009]获取工人单件产品特征，基于工人单件产品特征对工人数据针数群进行截取分段；
[0010]对截取分段的段内时间计算得到工时。
[0011]用构建的模型分类筛选构建工人数据针数群，基于工人单件产品特征对工人数据针数群进行截取分段；对截取分段的段内时间计算得到工时。这样是通过人工智能自动获得的工时数据，获取方便，而且训练模型的构建提高了计算工时的速度以及获得的工时的精度，效率高，满足对精确工时使用和查看的需求。
[0012]作为优选，所述工人缝制事件数据包括事件产生的时间、事件类型和事件参数，事件类型包括缝纫机各种动作或状态。
[0013]作为优选，所述获取工人缝制事件数据，构建训练模型具体包括，根据事件数据获取针数和、缝制时间和动作序列，根据针数和、缝制时间和动作序列构建训练模型。
[0014]作为优选，所述根据事件数据获取针数和、缝制时间包括，将事件产生的时间转换
为时间戳，从而将事件数据转换为时间戳数据，转换后每一行时间戳数据为每一次剪线内的数据，包括当次剪线内第一个电机启动的时间、当次剪线内的针数和、当次剪线内最后一个电机停止的时间，根据转换后每一行数据获取对应缝制时间和针数和。
[0015]作为优选，所述根据事件数据获取动作序列包括，将事件产生的时间转换为时间戳，从而将事件数据转换为动作序列，转换后动作序列包括若干数组，每个数组对应动作序列特征，所述每个数组对应的每个元素含义包括事件时间和事件类型。
[0016]作为优选，所述将事件数据转换为动作序列还包括：将动作序列特征进行细分得到的动作细分特征，将动作细分特征进行统计，使用统计后出现的动作细分特征计算在每个数组中出现的次数，将计算后得出的数据作为训练模型的动作序列。由于动作序列的长度不等，可以按一至四个组合进行细分，某些细分特征出现的次数极少不具备分类的作用。
[0017]作为优选，所述根据针数和、缝制时间和动作序列构建训练模型包括：结合缝制时间、针数和以及动作序列构建训练模型的数据特征，通过PCA对训练模型的数据特征进行降维，对针数和进行分群处理获得针数和针群数，通过SVC将降维后训练模型的数据特征与针数和针群数进行训练构建训练模型。
[0018]作为优选，所述用训练模型基于工人缝制事件数据分类筛选构建工人数据针数群包括，采集缝制时间数据构建缝制时间数据的数据特征，用训练模型进行分类得到缝制时间数据的匹配概率，设定概率阈值，若缝制时间数据的匹配概率不小于概率阈值，则将其归于工人数据针数群。
[0019]作为优选，所述获取工人单件产品特征包括，获取工人标注的前若干件中的针数群组，将工人标注的前若干件中的针数群组进行求平均得到工人单件产品特征。
[0020]作为优选，所述对截取分段的段内时间计算得到工时包括，计算截取分段的段内时间差的和作为工人的缝制时间，计算截取分段的段内总时间减去缝制时间则为缝制时的调整时间，计算两个截取分段的前一个结束时间和后一个开始时间之间的时间为工人放料拿料的时间。
[0021]本专利技术的有益效果是：用构建的模型分类筛选构建工人数据针数群，基于工人单件产品特征对工人数据针数群进行截取分段；对截取分段的段内时间计算得到工时。这样是通过人工智能自动获得的工时数据，获取方便，而且训练模型的构建提高了计算工时的速度以及获得的工时的精度，效率高，满足对精确工时使用和查看的需求。
附图说明
[0022]图1是本专利技术的一种流程图。
[0023]图2是本专利技术的一种事件数据。
[0024]图3是本专利技术的一种关于针数和、缝制时间的时间戳数据特征图。
[0025]图4是本专利技术的一种关于动作序列的时间戳数据特征图。
[0026]图5是本专利技术的一种动作细分特征图。
[0027]图6是本专利技术的一种PCA处理前特征图。
[0028]图7是本专利技术的一种PCA处理后特征图。
[0029]图8是本专利技术的一种针数和针数群。
[0030]图9是本专利技术的一种工人缝制数据特征图。
[0031]图10是本专利技术的一种工人缝制数据匹配概率图。
[0032]图11是本专利技术的一种工人数据针数群。
[0033]图12是本专利技术的一种标注数据针数群图。
具体实施方式
[0034]下面通过实施例，并结合附图，对本专利技术的技术方案作进一步具体的说明。
[0035]实施例：本实施例的一种基于人工智能的工时计算方法，如图1所示，包括以下步骤：
[0036]S1，获取工人缝制事件数据，构建训练模型。工人缝制事件数据包括事件产生的时间、事件类型和事件参数，事件类型包括缝纫机各种动作或状态。获取工人缝制事件数据，构建训练模型具体包括，根据事件数据获取针数和、缝制时间和动作序列，根据针数和、缝制时间和动作序列构建训练模型。其中，如图2所示，图2左侧罗列的数据为工人缝制事件数据，分为三部分并由逗号隔开，分别是事件产生的时间、事件类型、事件参数。可以用数字代表缝纫机各种动作或状态，并对应事件参数，例如0的含义是设备关机，1的含义是设备开机，2的含义是电机启动，3的含义是电机停止且对应的事件参数是此次缝制的针数，4的含义是抬压脚，5的含义是放压脚，6的含义是本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的工时计算方法，其特征在于，包括以下步骤：获取工人缝制事件数据，构建训练模型；用训练模型基于工人缝制事件数据分类筛选构建工人数据针数群；获取工人单件产品特征，基于工人单件产品特征对工人数据针数群进行截取分段；对截取分段的段内时间计算得到工时。2.根据权利要求1所述的一种基于人工智能的工时计算方法，其特征在于，所述工人缝制事件数据包括事件产生的时间、事件类型和事件参数，事件类型包括缝纫机各种动作或状态。3.根据权利要求2所述的一种基于人工智能的工时计算方法，其特征在于，所述获取工人缝制事件数据，构建训练模型具体包括，根据事件数据获取针数和、缝制时间和动作序列，根据针数和、缝制时间和动作序列构建训练模型。4.根据权利要求3所述的一种基于人工智能的工时计算方法，其特征在于，所述根据事件数据获取针数和、缝制时间包括，将事件产生的时间转换为时间戳，从而将事件数据转换为时间戳数据，转换后每一行时间戳数据为每一次剪线内的数据，包括当次剪线内第一个电机启动的时间、当次剪线内的针数和、当次剪线内最后一个电机停止的时间，根据转换后每一行数据获取对应缝制时间和针数和。5.根据权利要求3所述的一种基于人工智能的工时计算方法，其特征在于，所述根据事件数据获取动作序列包括，将事件产生的时间转换为时间戳，从而将事件数据转换为动作序列，转换后动作序列包括若干数组，每个数组对应动作序列特征，所述每个数组对应的每个元素含义包括事件时间和事件类型。6.根据权利要求5所述的一种基于人工智能的工时计算方法，其特征在于，所述将事件数据转换...

【专利技术属性】
技术研发人员：李志强，卢明安，王明敏，王昊旭，
申请(专利权)人：杰克科技股份有限公司，
类型：发明
国别省市：