一种基于数据识别的纺织品生产质量预测方法技术

本发明专利技术涉及纺织技术领域，且公开了一种基于数据识别的纺织品生产质量预测方法，方法步骤如下：

【技术实现步骤摘要】
一种基于数据识别的纺织品生产质量预测方法


[0001]本专利技术涉及纺织品质量预测
，具体为一种基于数据识别的纺织品生产质量预测方法
。

技术介绍

[0002]基于数据识别的纺织品生产质量预测方法是一种利用数据分析
、
机器学习和统计方法来预测纺织品生产质量的技术
。
这种方法通过收集和分析与生产过程和产品质量相关的数据，以提前识别潜在的质量问题，从而采取适当的措施来改进质量和生产效率
。
[0003]现代纺织品生产通常使用各种传感器来监测生产过程中的关键参数，如温度
、
湿度
、
张力
、
压力等
。
这些传感器可以实时收集数据，用于监测和控制生产过程，以及后续的质量预测
。
[0004]采集到的数据可以通过机器学习和数据分析技术进行处理
。
常见的方法包括回归分析
、
分类
、
聚类
、
时间序列分析等
。
这些方法可以用来识别与生产质量相关的模式和趋势
。
[0005]对于纺织品的质量预测，图像处理技术也很重要
。
通过拍摄或扫描纺织品表面的图像，可以检测出任何缺陷或不良的区域
。
计算机视觉和深度学习技术可以用于自动化缺陷检测
。
[0006]基于数据的纺织品生产质量预测方法通常与品质控制和过程优化相结合
。
这些方法不仅可以用来检测问题，还可以提供反馈以改进生产过程，减少缺陷率
。
[0007]根据历史数据和实时数据，可以构建预测模型，以预测纺织品生产的质量水平
。
这些模型可以用来辅助决策，例如调整生产参数或提前采取措施来避免质量问题
。
[0008]但是现有技术中的缺点是，对于常规产品，通常有大量的历史数据可供建模和分析，从而可以构建准确的质量预测模型
。
然而，对于非常规产品或定制产品，可能缺乏足够的历史数据，这会影响模型的性能和可靠性
。

技术实现思路

[0009]本专利技术提供了一种基于数据识别的纺织品生产质量预测方法，用于解决上述
技术介绍
中的问题
。
[0010]本专利技术提供如下技术方案：一种基于数据识别的纺织品生产质量预测方法，其特征在于，包括如下步骤：
S1
：采集与纺织品质量相关的数据，包括：纺织材料
、
生产工艺参数和纺织机械传感器数据；其中，所述纺织材料：包括原材料的种类和质量检测等级信息；生产工艺参数：包括记录纺织过程中温度
、
湿度和染色工艺数据；纺织机械传感器数据：包括从纺织机械设备中获取张力
、
压力和速度传感器数据；
S2
：对
S1
中采集到的数据进行清洗和预处理，包括：处理缺失值：填充和删除缺失数据；
处理异常值：识别并处理异常数据点；特征工程：根据纺织品特性，采用
K
均值聚类分析对纺织品数据进行分析，创建新的特征数据，常规状态下将原材料的种类分为
A、B、C
类，每种原材料的质量检测等级分为Ⅰ、Ⅱ、Ⅲ类；
S3
：建立用于纺织品生产质量的预测模型：包括采用决策树模型，对
S2
中创建新的特征数据进行模型训练，使用验证数据进行模型调优，导入原材料特征数据，得出纺织品质量预测结果；
S4
：针对
S2
中不在
A、B、C
以及Ⅰ、Ⅱ、Ⅲ类的原材料，采用异常检测算法来识别和处理异常原材料
。
[0011]优选的，步骤
S1
中，质量检测等级信息包括对纺织品原料物理性能检测；其中，物理性能信息检测包括拉伸强度测试
、
纤维粗细度测试和起球性能密度测试
。
[0012]优选的，其中步骤
S2
中的特征工程结合原材料的种类分为
A、B、C
类，其中
A
类为棉
、B
类为麻
、C
类为毛：特征选取，根据每一类原材料的物理性能数据，选取与其特性相关的特征；其中，对于
A
类棉，特征工程选取与柔软度
、
吸水性相关的特征，具体选择纤维长度和纤维弯曲度特征；对于
B
类麻，特征工程选取与耐磨性
、
透气性和抗菌性相关的特征，具体选择纤维强度
、
纤维粗细度和织物气孔率；而对于
C
类毛，特征工程选取与保暖性
、
弹性相关的特征，如纤维直径
、
纤维弹性模量
。
[0013]优选的，根据纺织品特性，采用
K
均值聚类分析对纺织品数据进行分析，创建新的特征数据，具体包括：
a
：准备包含原材料种类和质量检测等级的数据集；
b
：将原材料的种类和质量检测等级进行编码，使用独热编码（
One
‑
Hot Encoding
）方法，将分类变量转换为数值形式；
c
：进行数据标准化以确保不同特征的值位于相同的范围；
d
：使用
K
均值聚类分析对数据进行聚类，将数据点分为
K
个簇，其中
K
为选择的簇数，将
K
设置为类别数量，即原材料包括
A、B、C
类各一，质量等级Ⅰ、Ⅱ、Ⅲ类各一，总共9个簇；
e
：对每个数据点进行簇分配，确定数据点隶属哪个簇，表示每个数据点所属的原材料种类和质量检测等级簇；
f
：基于簇分配，创建新的特征来表示原材料种类和质量检测等级，包括，创建两个新的二元特征，分别表示原材料的种类和质量检测等级，每个特征的取值为0或1，表示属于某一类别或不属于；
g
：将新的特征数据用于后续的数据分析和建模，确定原材料种类和质量检测等级对纺织品的影响
。
[0014]优选的，根据不同原材料种类和质量等级的重要性，调整特征的权重；其中，原材料种类
A、B、C
和三个质量等级Ⅰ、Ⅱ、Ⅲ，每个特征的重要性进行了评估，分为高
、
中
、
低三个等级，公式：
特征权重
=
原始权重
*
原材料种类权重
*
质量等级权重其中，原材料种类权重和质量等级权重根据不同的原材料种类和质量等级的重要性来设置，权重采用从0到1的实数，其中1表示最高权重，0表示最低权重；具体的，对于
A
类原材料，柔软度特征在所有质量等级中很重要，那么将原始权重设置为
0.8
，并将...

【技术保护点】

【技术特征摘要】
1.
一种基于数据识别的纺织品生产质量预测方法，其特征在于，包括如下步骤：
S1
：采集与纺织品质量相关的数据，包括：纺织材料
、
生产工艺参数和纺织机械传感器数据；其中，所述纺织材料：包括原材料的种类和质量检测等级信息；生产工艺参数：包括记录纺织过程中温度
、
湿度和染色工艺数据；纺织机械传感器数据：包括从纺织机械设备中获取张力
、
压力和速度传感器数据；
S2
：对
S1
中采集到的数据进行清洗和预处理，包括：处理缺失值：填充和删除缺失数据；处理异常值：识别并处理异常数据点；特征工程：根据纺织品特性，采用
K
均值聚类分析对纺织品数据进行分析，创建新的特征数据，常规状态下将原材料的种类分为
A、B、C
类，每种原材料的质量检测等级分为Ⅰ、Ⅱ、Ⅲ类；
S3
：建立用于纺织品生产质量的预测模型：包括采用决策树模型，对
S2
中创建新的特征数据进行模型训练，使用验证数据进行模型调优，导入原材料特征数据，得出纺织品质量预测结果；
S4
：针对
S2
中不在
A、B、C
以及Ⅰ、Ⅱ、Ⅲ类的原材料，采用异常检测算法来识别和处理异常原材料
。2.
根据权利要求1所述的基于数据识别的纺织品生产质量预测方法，其特征在于，步骤
S1
中，质量检测等级信息包括对纺织品原料物理性能检测；其中，物理性能信息检测包括拉伸强度测试
、
纤维粗细度测试和起球性能密度测试
。3.
根据权利要求1所述的基于数据识别的纺织品生产质量预测方法，其特征在于，其中步骤
S2
中的特征工程结合原材料的种类分为
A、B、C
类，其中
A
类为棉
、B
类为麻
、C
类为毛：特征选取，根据每一类原材料的物理性能数据，选取与其特性相关的特征；其中，对于
A
类棉，特征工程选取与柔软度
、
吸水性相关的特征，具体选择纤维长度和纤维弯曲度特征；对于
B
类麻，特征工程选取与耐磨性
、
透气性和抗菌性相关的特征，具体选择纤维强度
、
纤维粗细度和织物气孔率；而对于
C
类毛，特征工程选取与保暖性
、
弹性相关的特征，如纤维直径
、
纤维弹性模量
。4.
根据权利要求1所述的基于数据识别的纺织品生产质量预测方法，其特征在于，根据纺织品特性，采用
K
均值聚类分析对纺织品数据进行分析，创建新的特征数据，具体包括：
a
：准备包含原材料种类和质量检测等级的数据集；
b
：将原材料的种类和质量检测等级进行编码，使用独热编码（
One
‑
Hot Encoding
）方法，将分类变量转换为数值形式；
c
：进行数据标准化以确保不同特征的值位于相同的范围；
d
：使用
K
均值聚类分析对数据进行聚类，将数据点分为
K
个簇，其中
K
为选择的簇数，将
K
设置为类别数量，即原材料包括
A、B、C
类各一，质量等级Ⅰ、Ⅱ、Ⅲ类各一，总共9个簇；
e
：对每个数据点进行簇分配，确定数据点隶属哪个簇，表示每个数据点所属的原材料种类和质量检测等级簇；
f
：基于簇分配，创建新的特征来表示原材料种类和质量检测等级，包括，创建两个新的
二元特征，分别表示原材料的种类和质量检测等级，每个特征的取值为0或1，表示属于某一类别或不属于；
g
：将新的特征数据用于后续的数据分析和建模，确定原材料种类和质量检测等级对纺织品的影响
。5.
根据权利要求4所述的基于数据识别的纺织品生产质量预测方法，其特征在于，根据不同原材料种类和质量等级的重要性，调整特征的权重；其中，原材料种类
A、B、C
和三个质量等级Ⅰ、Ⅱ、Ⅲ，每个特征...

【专利技术属性】
技术研发人员：黄一洲，
申请(专利权)人：江苏洁瑞雅纺织品有限公司，
类型：发明
国别省市：