CN115576284A - 一种服装车间智能化管理方法及*** - Google Patents

Abstract

本发明提供了一种服装车间智能化管理方法及***，涉及服装生产技术领域，方法包括：采集获得服装车间的车间基础信息，进行服装数字孪生模型构建；构建设备运行特征集合；生成设备运行特征数据集；进行所述设备运行特征集合的特征随机选定，获得随机特征集合；进行所述设备运行特征数据集的特征数据筛选，对特征数据筛选结果进行多层级数据分割，获得分割结果；进行分割路径长度分析，生成异常特征标识结果；根据所述异常特征标识结果生成检修数据，所述检修数据包括检修窗口信息；进行生产调整安排，进行所述服装车间管理。解决了现有技术中存在的由于对生产运行状态把控不精准，对运行设备的故障预测不及时，使得生产管理效率低的技术问题。

Description

一种服装车间智能化管理方法及***

技术领域

本发明涉及服装生产技术领域，具体涉及一种服装车间智能化管理方法及***。

背景技术

随着人工智能的飞速发展，服装生产管理智能化也越来越重要。智能化的管理，可以更有效率的完成订单，另一方面也可以根据数据分析了生产设备的工作信息并提高产品质量。现有的服装车间服装生产质量的管理方式是以抽检的方式对服装的生产质量进行检验和把控，但是抽检的方式很容易出现漏检的现象，且很难判断出造成产品质量不合格的设备以及时间，极易出现工艺不合格的服装产品顺利下线，服装产品的质量控制精准性不高，当发现服装产品出现质量问题时，服装产品已加工完成，同时可能同批次产品会出现多件问题产品，无法对服装产品进行及时止损。

现有技术中存在着由于对生产运行状态把控不精准，对运行设备的故障预测不及时，使得生产管理效率低的技术问题。

发明内容

本申请提供了一种服装车间智能化管理方法及***，用于针对解决现有技术中存在的由于对生产运行状态把控不精准，对运行设备的故障预测不及时，使得生产管理效率低的技术问题。

鉴于上述问题，本申请提供了一种服装车间智能化管理方法及***。

第一方面，本申请提供了一种服装车间智能化管理方法，所述方法包括：采集获得服装车间的车间基础信息，基于所述车间基础信息进行服装数字孪生模型构建；获得所述服装车间设备的历史输入和输出控制数据，根据所述历史输入和输出控制数据进行设备运行特征筛选，构建设备运行特征集合；通过所述数据采集设备进行服装车间设备的设备运行数据采集，基于所述设备运行特征集合进行数据采集结果的数据关联，生成设备运行特征数据集；设定随机特征约束值，通过所述随机特征约束值进行所述设备运行特征集合的特征随机选定，获得随机特征集合；通过所述随机特征集合进行所述设备运行特征数据集的特征数据筛选，对特征数据筛选结果进行多层级数据分割，获得分割结果；通过所述分割结果进行分割路径长度分析，基于分割路径长度分析结果生成异常特征标识结果；根据所述异常特征标识结果生成检修数据，其中，所述检修数据包括检修窗口信息；通过所述服装数字孪生模型基于所述检修窗口信息进行生产调整安排，根据所述检修数据和调整安排结果进行所述服装车间管理。

第二方面，本申请提供了一种服装车间智能化管理***，所述***包括：

服装数字孪生模型构建模块，所述服装数字孪生模型构建模块用于采集获得服装车间的车间基础信息，基于所述车间基础信息进行服装数字孪生模型构建；设备运行特征筛选模块，所述设备运行特征筛选模块用于获得所述服装车间设备的历史输入和输出控制数据，根据所述历史输入和输出控制数据进行设备运行特征筛选，构建设备运行特征集合；设备运行数据关联模块，所述设备运行数据关联模块用于通过所述数据采集设备进行服装车间设备的设备运行数据采集，基于所述设备运行特征集合进行数据采集结果的数据关联，生成设备运行特征数据集；随机特征选定模块，所述随机特征选定模块用于设定随机特征约束值，通过所述随机特征约束值进行所述设备运行特征集合的特征随机选定，获得随机特征集合；数据分割模块，所述数据分割模块用于通过所述随机特征集合进行所述设备运行特征数据集的特征数据筛选，对特征数据筛选结果进行多层级数据分割，获得分割结果；异常特征标识模块，所述异常特征标识模块用于通过所述分割结果进行分割路径长度分析，基于分割路径长度分析结果生成异常特征标识结果；检修数据生成模块，所述检修数据生成模块用于根据所述异常特征标识结果生成检修数据，其中，所述检修数据包括检修窗口信息；服装车间管理模块，通过所述服装数字孪生模型基于所述检修窗口信息进行生产调整安排，根据所述检修数据和调整安排结果进行所述服装车间管理。

本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：

由于采用了一种服装车间智能化管理方法，采集获得服装车间的车间基础信息，基于所述车间基础信息进行服装数字孪生模型构建，获得所述服装车间设备的历史输入和输出控制数据，进而进行设备运行特征筛选，构建设备运行特征集合，进行设备运行数据采集，基于所述设备运行特征集合进行数据采集结果的数据关联，生成设备运行特征数据集，设定随机特征约束值，进行所述设备运行特征集合的特征随机选定，获得随机特征集合，进一步进行所述设备运行特征数据集的特征数据筛选，对特征数据筛选结果进行多层级数据分割，获得分割结果，进一步通过所述分割结果进行分割路径长度分析，基于分割路径长度分析结果生成异常特征标识结果，根据所述异常特征标识结果生成检修数据，从而进行所述服装车间管理。本申请实施例通过采集车间基础信息进行服装数字孪生模型构建，获取设备运行特征数据集，基于孤立森林法输出异常数据，在服装车间的运行过程中上，能够快速检测出出现异常数据的设备，达到提升设备运行故障检测效率的技术效果。

附图说明

图1为本申请提供了一种服装车间智能化管理方法流程示意图；

图2为本申请提供了一种服装车间智能化管理方法中对特征数据进行分割的流程示意图；

图3为本申请提供了一种服装车间智能化管理方法中异常特征标识流程示意图；

图4为本申请提供了一种服装车间智能化管理***结构示意图。

附图标记说明：服装数字孪生模型构建模块1，设备运行特征筛选模块2，设备运行数据关联模块3，随机特征选定模块4，数据分割模块5，异常特征标识模块6，检修数据生成模块7，服装车间管理模块8。

具体实施方式

本申请提供的一种服装车间智能化管理方法，首先采集获得服装车间的车间基础信息，基于所述车间基础信息进行服装数字孪生模型构建；获得所述服装车间设备的历史输入和输出控制数据，根据所述历史输入和输出控制数据进行设备运行特征筛选，构建设备运行特征集合；通过所述数据采集设备进行服装车间设备的设备运行数据采集，基于所述设备运行特征集合进行数据采集结果的数据关联，生成设备运行特征数据集；设定随机特征约束值，通过所述随机特征约束值进行所述设备运行特征集合的特征随机选定，获得随机特征集合；通过所述随机特征集合进行所述设备运行特征数据集的特征数据筛选，对特征数据筛选结果进行多层级数据分割，获得分割结果；通过所述分割结果进行分割路径长度分析，基于分割路径长度分析结果生成异常特征标识结果；根据所述异常特征标识结果生成检修数据，其中，所述检修数据包括检修窗口信息；通过所述服装数字孪生模型基于所述检修窗口信息进行生产调整安排，根据所述检修数据和调整安排结果进行所述服装车间管理，解决了现有技术中存在的由于对生产运行状态把控不精准，对运行设备的故障预测不及时，使得生产管理效率低的技术问题。

实施例一

如图1所示，本申请提供的一种服装车间智能化管理方法，所述方法应用于服装智能化管理***，所述服装智能化管理***与数据采集设备通信连接，所述方法包括：

步骤S100：采集获得服装车间的车间基础信息，基于所述车间基础信息进行服装数字孪生模型构建；

本申请实施例中，服装车间为进行服装生产的任意服装生产车间，该服装车间生产的服装可为现有技术中的任意服装，上述的服装智能化管理***为进行服装车间生产管理的***平台，上述的数据采集设备用于采集服装车间内的设备数据，包括设备运行温度、电压、电流等，基于物联网技术，上述的服装智能化管理***与数据采集设备通信连接，可以实现信息的交互。

具体而言，采集服装车间的车间基础信息，车间基础信息包括服装车间进行设备运行实况，即车间的空间环境、车间设备、生产流程、设备组合(吊挂生产线、AGV等设备等)、设备数据等信息，以车间基础信息为基准，构建服装数字孪生模型。

具体的，数字孪生模型是利用“虚拟现实”的方式，做了一个全三维的仿真工厂，它和现实的工厂车间一模一样，现实世界中的整个生产状态在虚拟世界中完全模拟，就像孪生双胞胎一样，简单的说就是将物理实体的世界进行数字化,构建一个物数字孪生信息分析技术，通过AI智能计算模型、算法，结合先进的可视化技术，只要模型正确,并拥有了完整的输入信息和环境数据,就可以基本正确地反映物理世界的特性和参数，根据服装车间基础信息，构建一个服装数字孪生模型，根据服装数字孪生模型，就可以获取到该服装车间的生产数据。

步骤S200：获得所述服装车间设备的历史输入和输出控制数据，根据所述历史输入和输出控制数据进行设备运行特征筛选，构建设备运行特征集合；

具体而言，基于车间基础信息，获得上述服装车间设备的历史输入和输出控制数据，历史输入和输出控制数据包括设备运行速度、设备温度、电压、电流等信息，以历史输入和输出控制数据为基准，进行设备运行特征筛选，构建设备运行特征集合，设备运行特征集合里面包含多个特征，比如设备温度特征、转速特征、速度特征等。

步骤S300：通过所述数据采集设备进行服装车间设备的设备运行数据采集，基于所述设备运行特征集合进行数据采集结果的数据关联，生成设备运行特征数据集；

具体而言，基于数据采集设备，采集服装车间设备的设备运行数据，设备运行数据可包括设备运行温度、电压、电流等数据，示例性的，可以每隔20分钟采集一次设备运行数据，采集到的数据里面包含各种数据，根据设备运行特征集合，进行数据采集结果的数据关联，将采集到的数据和设备运行特征集合里的特征对应，每一个特征就有其对应的特征数据集，从而构成设备运行特征数据集，为后续的异常特征检测提供数据。

步骤S400：设定随机特征约束值，通过所述随机特征约束值进行所述设备运行特征集合的特征随机选定，获得随机特征集合；

具体而言，本申请实施例通过检测服装车间设备运行数据中的异常数据，根据异常数据进行车间生产管理，这里，采用了孤立森林法，孤立森林法为一种异常检测方法，其将一数据样本内的异常数据认为较为容易孤立的、离群的数据，而将该数据样本内的正常数据认为较为密集、不易孤立的数据，孤立森林内包括多个孤立树，每个孤立树内包括多个分割节点，并包括分割路径长度，分割路径长度即分割的次数。构建孤立森林之前，需要设定随机特征约束值，通过随机特征约束值进行设备运行特征集合的特征随机选定，获得随机特征集合，比如说，一共有6个特征，设定随机特征约束值为3，就是6个特征里面随机选择3个特征，这3个特征构成随机特征集合，为后续的数据分割奠定基础。

步骤S500：通过所述随机特征集合进行所述设备运行特征数据集的特征数据筛选，对特征数据筛选结果进行多层级数据分割，获得分割结果；

具体而言，随机特征集合里面包含随机选出的特征，根据随机特征集合里面包含的特征，从设备运行特征数据集中筛选出对应的特征数据，基于孤立森林法对特征数据筛选结果进行多层级数据分割，获得分割结果。

具体的，基于孤立森林法，递归地随机分割特征数据集，无需对分割方法和数据集进行监督训练，直至将所有的特征数据信息分割至孤立状态或者达到预期要求为止。在此随机进行分割的过程中，由于未出现异常数据形成密集的数据群，因此，将未出现异常的数据分割至孤立需要多次分割，而出现异常的数据远离密集的数据群，将出现异常的数据分割至孤立只需要较少次数的分割，因此在孤立森林中的树不需要太大的分割路径长度，所以可以用更小的值作为分割路径长度，从根节点经过的分割次数即为分割路径长度，可以根据实际情况，设定一个分割路径长度，达到分割路径长度后停止分割，获取分割结果，作为后续进行异常特征标识的依据。

步骤S600：通过所述分割结果进行分割路径长度分析，基于分割路径长度分析结果生成异常特征标识结果；

具体而言，分割结果包括分孤立森立的所有稍节点数据及其分割路径长度，孤立森林法隔离数据点中的异常值，而不是分析正常的数据点，和其他正常的数据点相比，异常数据点的分割路径更短，基于分割路径长度，确定异常数据，对异常特征进行标识，生成异常特征标识结果。

步骤S700：根据所述异常特征标识结果生成检修数据，其中，所述检修数据包括检修窗口信息；

具体而言，以异常特征标识结果为基准，生成检修数据，异常特征标识结果确定设备是否需要检查维修，进行维修检查的时间，以及维修检查所需的时间，检修数据包括检修窗口信息，检修窗口信息即适宜安排某一设备进行检修的时间段。

步骤S800：通过所述服装数字孪生模型基于所述检修窗口信息进行生产调整安排，根据所述检修数据和调整安排结果进行所述服装车间管理。

具体而言，获得检修窗口信息后，通过服装数字孪生模型进行生产调整安排，比如，某一时间段要对某一设备进行检修，该台设备在检修期无法进行工作，该设备负责的生产任务需要进行调配。

本申请实施例通过按照服装车间信息构建服装数字孪生模型，基于孤立森林法检测设备运行数据，在服装车间的特征数据集上，能够快速且较为准确的检测出异常数据，确定异常特征，进而根据异常特征生成检修数据，从而进行车间管理，达到能够较为准确的检测出设备异常，提升车间管理效率的技术效果。

进一步而言，如图2所示，本申请实施例步骤S500还包括：

步骤S510：根据所述特征数据筛选结果获得各运行特征的特征极大值数据和极小值数据；

步骤S520：根据所述极大值数据和所述极小值数据生成特征随机取值约束区间；

步骤S530：根据所述特征随机取值约束区间进行随机特征值选定，根据所述随机特征值选定结果进行所述特征数据筛选结果的多层级数据筛选。

具体而言，随机分割数据集的过程中，每个孤立树内的多个分割节点中，可选择特征数据内的多个不同特征值进行分割，且每个特征值在该对应特征的最大值和最小值之间，根据特征数据筛选结果获得各运行特征的特征极大值数据和极小值数据，生成特征随机取值约束区间，进而根据特征随机取值约束区间进行随机特征值选定，根据随机特征值选定结果进行特征数据筛选结果的多层级数据分割。例如，选择设备运行温度内的一个特征数据进行分割，分割后再随机选择另一特征数据进行分割，直至分割结束，为后续的异常特征识别提供数据支持。

进一步而言，本申请实施例提供的方法中的步骤S530之后还包括步骤S540，如图2所示，步骤S540包括：

步骤S541：根据所述特征随机取值约束区间进行随机特征值选定，获得第一特征选定值；

步骤S542：通过所述第一特征选定值进行对应特征的特征数据筛选结果分割，获得第一分割子节点集合；

步骤S543：根据所述特征随机取值约束区间进行随机特征值选定，获得第二特征选定值；

步骤S544：通过所述第二特征选定值进行所述第一分割子节点集合的分割，获得第二分割子节点集合；

步骤S545：对所述第二分割子节点集合进行特征选定值分割，直至分割结果满足预设阈值，则停止分割，获得所述分割结果。

具体而言，采用孤立森林法检测异常数据的过程中，需要构建孤立树，由多个孤立树构建完成孤立森林模型。从设备特征数据集合内随机抽取一个特征的特征数据集作为孤立森林的根节点，基于该根节点，根据特征随机取值约束区间内的数据选择一个数据作为第一特征选定值，通过第一特征选定值进行对应特征的特征数据筛选结果分割，分割具体指的是二叉划分，即将设备特征数据集合内的所有特征数据划分得到两部分，分别为第一分支和第二分支，其中，第一分支中的数据的对应特征值小于第一特征选定值，而第二分支中的数据的对应特征值大于第一特征选定值，上述两个分支对应特征值即为第一分割子节点集合。

如此，基于第一次分割产生的第一分支和第二分支，再次随机选取一特征值作为第二特征选定值，在两个分支内重复进行上述的二叉划分动作，将第一分割子节点集合内的所有特征值分割得到四部分，即为第二分割子节点集合，基于第二次分割产生的四个分支，再次随机选取一特征值在四个分支内重复进行上述的二叉划分动作，重新选取的特征值可为上述的数据特征信息，直到分割结果满足预设阈值，示例如，设定分割路径长度为8，那么从根节点开始，分割8次后，就停止分割，获取分割结果，获取的分割结果是后续进行异常特征识别的重要依据。

进一步而言，本申请实施例步骤S545还包括：

步骤S5451：设定分割路径长度约束值；

步骤S5452：判断各子节点集合中是否存在孤立数据子节点；

步骤S5453：当所述子节点集合中存在所述孤立数据子节点时，则停止对所述孤立数据子节点的分割；

步骤S5454：判断各子节点集合中的子节点分割路径长度是否满足所述分割路径长度约束值，当所述子节点分割路径长度满足所述分割路径长度约束值时，则停止对应子节点集合的分割。

具体而言，停止分割条件包括特征数据不可分割和孤立森林的二叉树到达限定分割路径长度约束值。分割至某一个特征数据不可分割时，即该孤立森林内的某个特征数据为孤立数据，判断各子节点集合中是否存在孤立数据子节点，孤立数据子节点是指子节点中只有一个数据，如果存在孤立数据子节点，那么该孤立数据子节点就无法再分割，停止对该孤立数据子节点的分割，其他正常数据还可以继续分割，数据较多的情况下，分割次数也较大，可以为孤立树设定分割路径长度约束值，分割路径长度约束值即为允许达到的最大分割路径长度，达到该预设的分割路径长度后，可认为，孤立的异常数据已经全部被分割至分割路径长度较小的孤立分支内，分割路径长度以上特征数据已经全部为正常数据，无需进行更多的分割，示例性的，判断各子节点集合中的子节点分割路径长度是否满足分割路径长度约束值，当子节点分割路径长度满足分割路径长度约束值时，则停止对应子节点的分割，基于上述的方法，重复构建多个孤立树，如此，在特征数据较多的情况下，可节省计算成本以及提升计算效率。

进一步而言，如图3所示，本申请实施例步骤S600还包括：

步骤S610：根据所述分割结果获得分割稍节点集合；

步骤S620：根据所述分割稍节点集合中获得稍节点分割路径长度集合；

步骤S630：根据所述稍节点分割路径长度集合获得同一分割树下的稍节点分割路径长度最大值；

步骤S640：根据所述分割路径长度最大值生成单位长度影响系数；

步骤S650：根据所述单位长度影响系数和所述稍节点分割路径长度最大值获得异常值集合，通过所述异常值集合构成所述异常特征标识结果。

具体而言，根据分割结果获得分割稍节点集合，分割稍节点指停止分割后的分割子节点，即孤立森林最末端的节点，所有分割稍节点一起构成分割稍节点集合，基于分割稍节点集合，确定各个分割稍节点的分割路径长度，分割路径长度指稍节点经历的分割次数，进而获得稍节点分割路径长度集合，根据稍节点分割路径长度集合获得同一分割树下的稍节点分割路径长度最大值，根据分割路径长度最大值生成单位长度影响系数，单位长度影响系数根据分割路径长度最大值、稍节点数据分割路径长度、稍节点数据值计算得出，示例如，用字母A表示异常数据值，字母B表示异常数据分割路径长度，字母C表示分割路径长度最大值，单位长度影响系数就可以表示为A÷B×C，根据单位长度影响系数和稍节点分割路径长度最大值获得异常值集合，完成孤立森林数据异常检测，通过异常值集合确定异常特征，该异常值集合内的数据可认为出现异常问题可能性较大的特征，对异常特征进行标识，构成异常特征标识结果，基于此进行服装车间的设备运行数据检测，能够达到提升服装车间设备异常数据检测效率的技术效果。

进一步而言，本申请实施例步骤S700还包括：

步骤S710：根据所述异常特征标识结果获得异常时间节点；

步骤S720：根据所述异常特征标识结果进行所述异常时间节点的影响时间区间分析，获得影响时间窗口；

步骤S730：通过所述质量检测装置对所述影响时间窗口的服装质量检测，生成质量检测结果；

步骤S740：通过所述质量检测结果和所述异常特征标识结果生成检修数据。

具体而言，根据异常特征标识结果获得异常时间节点，以异常特征标识结果为基准，进行异常时间节点的影响时间区间分析，获得影响时间窗口，影响时间窗口即为数据发生异常的时间段，示例如，异常时间节点为上午9点，采集数据时每隔20分钟采集一次，还需要10分钟的缓冲时间，那么异常时间节点的影响时间区间就为上午9点到9点半，影响时间窗口即为上午9点到9点半，通过上述质量检测装置对影响时间窗口的服装进行质量检测，质量检测装置是用于对生产出的服装进行质量检测的装置，检测服装是否合格，包括外观检查、面料检查、工艺检查等，进而生成质量检测结果，通过质量检测结果和异常特征标识结果生成检修数据，检修数据包括检修时间、检修时长，通过异常特征标识结果获取检修数据，达到对生产运行故障进行预测，方便后续维修人员根据维修数据对相关设备进行检查维修的技术效果。

进一步而言，本申请实施例步骤S900还包括：

步骤S910：获得检修反馈数据；

步骤S920：根据所述检修反馈数据进行预警灵敏度评价，获得预警灵敏度评价结果；

步骤S930：根据所述预警灵敏度评价结果对所述随机特征约束值调整，获得调整随机特征约束值；

步骤S940：通过所述调整随机特征约束值进行后续的异常监督管理。

具体而言，获得检修反馈数据，检修反馈数据是指维修人员根据检修数据对设备进行检查维修后的反馈数据，即检修数据是否准确，故障是否发生在检修预警的部分，根据检修反馈数据进行预警灵敏度评价，获得预警灵敏度评价结果，根据预警灵敏度评价结果对随机特征约束值调整，预警灵敏度较低，可以对随机特征约束值进行调整，示例如，设备运行特征集合一共包含6个特征，初始设定随机特征约束值为3，就是6个特征里面随机选择3个特征，这3个特征构成随机特征集合，进行预警灵敏度评价时，预警灵敏度较低，就需要调整随机特征约束值，可以调整为4或5，获得调整随机特征约束值，即6个特征里面随机选择4个或5个特征构成随机特征集合，然后进行后续的异常监督管理，通过对随机特征约束值，达到提升异常监督准确率的技术效果。

实施例二

基于与前述实施例中一种服装车间智能化管理方法相同的发明构思，如图4所示，本申请提供了一种服装车间智能化管理***，所述***与数据采集装置通信连接，所述***包括：

服装数字孪生模型构建模块1，所述服装数字孪生模型构建模块1用于采集获得服装车间的车间基础信息，基于所述车间基础信息进行服装数字孪生模型构建；

设备运行特征筛选模块2，所述设备运行特征筛选模块2用于获得所述服装车间设备的历史输入和输出控制数据，根据所述历史输入和输出控制数据进行设备运行特征筛选，构建设备运行特征集合；

设备运行数据关联模块3，所述设备运行数据关联模块3用于通过所述数据采集设备进行服装车间设备的设备运行数据采集，基于所述设备运行特征集合进行数据采集结果的数据关联，生成设备运行特征数据集；

随机特征选定模块4，所述随机特征选定模块4用于设定随机特征约束值，通过所述随机特征约束值进行所述设备运行特征集合的特征随机选定，获得随机特征集合；

数据分割模块5，所述数据分割模块5用于通过所述随机特征集合进行所述设备运行特征数据集的特征数据筛选，对特征数据筛选结果进行多层级数据分割，获得分割结果；

异常特征标识模块6，所述异常特征标识模块6用于通过所述分割结果进行分割路径长度分析，基于分割路径长度分析结果生成异常特征标识结果；

检修数据生成模块7，所述检修数据生成模块7用于根据所述异常特征标识结果生成检修数据，其中，所述检修数据包括检修窗口信息；

服装车间管理模块8，所述服装车间管理模块8用于通过所述服装数字孪生模型基于所述检修窗口信息进行生产调整安排，根据所述检修数据和调整安排结果进行所述服装车间管理。

进一步而言，所述***还包括：

特征极值获取模块，所述特征极值获取模块用于根据所述特征数据筛选结果获得各运行特征的特征极大值数据和极小值数据；

特征约束模块，所述特征约束模块用于根据所述极大值数据和所述极小值数据生成特征随机取值约束区间；

多层级数据筛选模块，所述多层级数据筛选模块用于根据所述特征随机取值约束区间进行随机特征值选定，根据所述随机特征值选定结果进行所述特征数据筛选结果的多层级数据筛选。

进一步而言，所述***还包括：

第一特征选定模块，所述第一特征选定模块用于根据所述特征随机取值约束区间进行随机特征值选定，获得第一特征选定值；

第一分割子节点获取模块，所述第一分割子节点获取模块用于通过所述第一特征选定值进行对应特征的特征数据筛选结果分割，获得第一分割子节点集合；

第二特征选定模块，所述第二特征选定模块用于根据所述特征随机取值约束区间进行随机特征值选定，获得第二特征选定值；

第二分割子节点获取模块，所述第二分割子节点获取模块用于通过所述第二特征选定值进行所述第一分割子节点集合的分割，获得第二分割子节点集合；

特征选定分割模块，所述特征选定分割模块用于对所述第二分割子节点集合进行特征选定值分割，直至分割结果满足预设阈值，则停止分割，获得所述分割结果。

进一步而言，所述***还包括：

分割约束模块，所属分割约束模块用于设定分割路径长度约束值；

孤立节点判断模块，所述孤立节点判断模块用于判断各子节点集合中是否存在孤立数据子节点；

孤立节点停止分割模块，所述孤立节点停止分割模块用于当所述子节点集合中存在所述孤立数据子节点时，则停止对所述孤立数据子节点的分割；

分割路径长度约束模块，所述分割路径长度约束模块用于判断各子节点集合中的子节点分割路径长度是否满足所述分割路径长度约束值，当所述子节点分割路径长度满足所述分割路径长度约束值时，则停止对应子节点集合的分割。

进一步而言，所述***还包括：

稍节点获取模块，所述稍节点获取模块用于根据所述分割结果获得分割稍节点集合；

稍节点分割路径长度获取模块，所述稍节点分割路径长度获取模块用于根据所述分割稍节点集合中获得稍节点分割路径长度集合；

分割路径长度最大值获取模块用于根据所述稍节点分割路径长度集合获得同一分割树下的稍节点分割路径长度最大值；

影响系数生成模块，所述影响系数生成模块用于根据所述分割路径长度最大值生成单位长度影响系数；

异常获取模块，所述异常获取模块用于根据所述单位长度影响系数和所述稍节点分割路径长度最大值获得异常值集合，通过所述异常值集合构成所述异常特征标识结果。

进一步而言，所述***还包括：

异常时间获取模块，所述异常时间获取模块用于根据所述异常特征标识结果获得异常时间节点；

影响时间分析模块，所述影响时间分析模块用于根据所述异常特征标识结果进行所述异常时间节点的影响时间区间分析，获得影响时间窗口；

质量检测模块，所述质量检测模块用于通过所述质量检测装置对所述影响时间窗口的服装质量检测，生成质量检测结果；

检修信息生成模块，检修信息生成模块用于通过所述质量检测结果和所述异常特征标识结果生成检修数据。

进一步而言，所述***还包括：

检修反馈模块，所述检修发没亏模块用于获得检修反馈数据；

预警灵敏度评价模块，所述预警灵敏度评价模块用于根据所述检修反馈数据进行预警灵敏度评价，获得预警灵敏度评价结果；

随机特征约束值调整模块，所述随机特征约束值调整模块用于根据所述预警灵敏度评价结果对所述随机特征约束值调整，获得调整随机特征约束值；

异常监督管理模块，所述异常监督管理模块用于通过所述调整随机特征约束值进行后续的异常监督管理。

本说明书通过前述对一种服装车间智能化管理方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种服装车间智能化管理方法，对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种服装车间智能化管理方法，其特征在于，所述方法应用于服装智能化管理***，所述服装智能化管理***与数据采集设备通信连接，所述方法包括：

采集获得服装车间的车间基础信息，基于所述车间基础信息进行服装数字孪生模型构建；

获得所述服装车间设备的历史输入和输出控制数据，根据所述历史输入和输出控制数据进行设备运行特征筛选，构建设备运行特征集合；

通过所述数据采集设备进行服装车间设备的设备运行数据采集，基于所述设备运行特征集合进行数据采集结果的数据关联，生成设备运行特征数据集；

设定随机特征约束值，通过所述随机特征约束值进行所述设备运行特征集合的特征随机选定，获得随机特征集合；

通过所述随机特征集合进行所述设备运行特征数据集的特征数据筛选，对特征数据筛选结果进行多层级数据分割，获得分割结果；

通过所述分割结果进行分割路径长度分析，基于分割路径长度分析结果生成异常特征标识结果；

根据所述异常特征标识结果生成检修数据，其中，所述检修数据包括检修窗口信息；

通过所述服装数字孪生模型基于所述检修窗口信息进行生产调整安排，根据所述检修数据和调整安排结果进行所述服装车间管理。

2.如权利要求1所述的方法，其特征在于，所述方法还包括：

根据所述特征数据筛选结果获得各运行特征的特征极大值数据和极小值数据；

根据所述极大值数据和所述极小值数据生成特征随机取值约束区间；

根据所述特征随机取值约束区间进行随机特征值选定，根据所述随机特征值选定结果进行所述特征数据筛选结果的多层级数据筛选。

3.如权利要求2所述的方法，其特征在于，所述方法还包括：

根据所述特征随机取值约束区间进行随机特征值选定，获得第一特征选定值；

通过所述第一特征选定值进行对应特征的特征数据筛选结果分割，获得第一分割子节点集合；

根据所述特征随机取值约束区间进行随机特征值选定，获得第二特征选定值；

通过所述第二特征选定值进行所述第一分割子节点集合的分割，获得第二分割子节点集合；

对所述第二分割子节点集合进行特征选定值分割，直至分割结果满足预设阈值，则停止分割，获得所述分割结果。

4.如权利要求3所述的方法，其特征在于，所述方法包括：

设定分割路径长度约束值；

判断各子节点集合中是否存在孤立数据子节点；

当所述子节点集合中存在所述孤立数据子节点时，则停止对所述孤立数据子节点的分割；

判断各子节点集合中的子节点分割路径长度是否满足所述分割路径长度约束值，当所述子节点分割路径长度满足所述分割路径长度约束值时，则停止对应子节点集合的分割。

5.如权利要求1所述的方法，其特征在于，所述方法包括：

根据所述分割结果获得分割稍节点集合；

根据所述分割稍节点集合中获得稍节点分割路径长度集合；

根据所述稍节点分割路径长度集合获得同一分割树下的稍节点分割路径长度最大值；

根据所述分割路径长度最大值生成单位长度影响系数；

根据所述单位长度影响系数和所述稍节点分割路径长度最大值获得异常值集合，通过所述异常值集合构成所述异常特征标识结果。

6.如权利要求1所述的方法，其特征在于，所述服装智能化管理***与质量检测装置通信连接，所述方法包括：

根据所述异常特征标识结果获得异常时间节点；

根据所述异常特征标识结果进行所述异常时间节点的影响时间区间分析，获得影响时间窗口；

通过所述质量检测装置对所述影响时间窗口的服装质量检测，生成质量检测结果；

通过所述质量检测结果和所述异常特征标识结果生成检修数据。

7.如权利要求1所述的方法，其特征在于，所述方法包括：

获得检修反馈数据；

根据所述检修反馈数据进行预警灵敏度评价，获得预警灵敏度评价结果；

根据所述预警灵敏度评价结果对所述随机特征约束值调整，获得调整随机特征约束值；

通过所述调整随机特征约束值进行后续的异常监督管理。

8.一种服装车间智能化管理***，其特征在于，所述***与数据采集设备通信连接，所述***包括：

服装数字孪生模型构建模块，所述服装数字孪生模型构建模块用于采集获得服装车间的车间基础信息，基于所述车间基础信息进行服装数字孪生模型构建；

设备运行特征筛选模块，所述设备运行特征筛选模块用于获得所述服装车间设备的历史输入和输出控制数据，根据所述历史输入和输出控制数据进行设备运行特征筛选，构建设备运行特征集合；

设备运行数据关联模块，所述设备运行数据关联模块用于通过所述数据采集设备进行服装车间设备的设备运行数据采集，基于所述设备运行特征集合进行数据采集结果的数据关联，生成设备运行特征数据集；

随机特征选定模块，所述随机特征选定模块用于设定随机特征约束值，通过所述随机特征约束值进行所述设备运行特征集合的特征随机选定，获得随机特征集合；

数据分割模块，所述数据分割模块用于通过所述随机特征集合进行所述设备运行特征数据集的特征数据筛选，对特征数据筛选结果进行多层级数据分割，获得分割结果；

异常特征标识模块，所述异常特征标识模块用于通过所述分割结果进行分割路径长度分析，基于分割路径长度分析结果生成异常特征标识结果；

检修数据生成模块，所述检修数据生成模块用于根据所述异常特征标识结果生成检修数据，其中，所述检修数据包括检修窗口信息；

服装车间管理模块，通过所述服装数字孪生模型基于所述检修窗口信息进行生产调整安排，根据所述检修数据和调整安排结果进行所述服装车间管理。

Images