[0001] 本发明属于纺织织造加工技术领域，涉及一种织机了机时间预测方法。

[0002] 随着纺织产品向小批量多品种的发展，智能化的信息技术在纺织企业不断深化应用，企业数字化转型基础日趋坚实，打造织造数字化、智能化企业是未来产业升级和进步的必由之路。对于一个织造企业而言，织机的生产效率直接制约其产能及质量，一般织造企业一个车间织机台数都在200台左右，而如何准确预测或估计每台织机的了机时间是降低织机空置时间，提高其机台利用效率的重要手段。传统的织机了机时间预测主要是根据历史生产数据及人工生产经验，其缺点是预测精度低，尤其是多品种同时生产时，其了机时间预测误差往往大于12小时，难以满足对车间生产整体调度管理的要求。基于此，近几年随着织造车间生产管理系统的应用，通过对生产车间织机生产基础数据采集，并分析和挖掘这些生产数据与了机时间之间的关联是目前提升了机时间精度主要方式。

[0003] 例如，文献1（基于二分K‑means理论的织机了机预测.纺织学报, 2023, 44(05): 112‑118. DOI: 10. 13475 /j. fzxb.20220100801）利用定期不间断地采集织机的产量数据，然后通过二分K‑means算法对所采集到数据进行聚类后获取织机的当前的平均产量，最后利用该产量进行了机时间预测。

[0004] 文献2（基于LSTM循环神经网络的织机了机预测.现代纺织技术, 2023, 31(03): 70‑80. DOI:10.19398/j.att.202207016）针对现有利用生产的静态参数对织机了机时间预测了机时间存在误差较大的问题，提出了一种基于长短时记忆(Long short term memory, LSTM)循环神经网络的织机了机预测方法，该方法选取了：生产时间段、挡车工技术等级、经/纬纱成分、经/纬纱纱支、经/纬密合计8个参数作为输入进行LSTM网络训练，并进行了机时间预测。

[0005] 专利CN115182083A提供了一种织布机了机智能预测模型的构建方法和构建装置，通过采集大量织机的生产数据、面料品种及挡车工等级进行LSTM网络模型的训练，进而实现了机时间预测。

[0006] 专利CN114461704A提供了一种基于织机产能预测织机了机的方法及系统，该方法的核心在于定期采集实时产量数据，并利用二分K‑mean算法进行平均产量预测，从而实现了机时间预测。

[0007] 专利CN110331503A提供了一种基于卷径变化预测织机了机的方法，首先利用历史生产数据建立机台产量与织轴卷径值之间的关系，然后通过对比实际卷径值与理论卷径值来预测了机时间。

[0008] 综上，现有的织机了机预测方法都是建立在对织机生产历史数据的大量采集下进行的，并通过非线性模型对历史数据进行拟合后实现对了机时间的预测，其缺点是需要大量历史数据进行模型训练，并在此基础上预测未来的生产状态，难以应对瞬息万变实际生产情况。此外，采用测量卷径方式（即专利CN110331503A）进行了机预测的方式，不仅需要额外增加卷径测量装置，而且其精度也受织轴的卷绕密度及纱线细度影响较大。

[0009] 因此，研究一种织机了机时间预测方法，以解决上述问题具有十分重要的意义。

[0037] 下面结合具体实施方式，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

[0038] 一种织机了机时间的预测方法，具体步骤如下：

[0039] （1）织机生产数据的采集；

[0040] 当织机更换好新的织轴并开始正常生产后，对织机当前织轴的生产数据进行采集；设织机生产数据采集时间间隔为T，T为0.75~1小时，采集点的时间记为{t1,t2,…,tn}，对应采集到的已织长度和织轴剩余长度分别记为{p1,p2,…,pn}和{z1,z2,…,zn}；

[0041] （2）织机生产速度的最优估计；

[0042] 设每日生产班次为A、B、C三个班次，三个班次时长分别为SA、SB、SC，计算不同采样点三个班次的生产速度，并对所得生产速度进行最优估计；

[0043] 不同采样点三个班次的生产速度计算公式分别如下：

[0044] 班次A生产速度：viA=(p2i‑p2i‑1)/(t2i‑t2i‑1)；

[0045] 班次B生产速度：vjB=(p2j‑p2j‑1)/(t2j‑t2j‑1)；

[0046] 班次C生产速度：vmC=(p2m‑p2m‑1)/(t2m‑t2m‑1)；

[0047] 其中，i、j、m为分别对应于A、B、C三个班次的不同采样点，p2i和p2i‑1分别代表{p1,p2,…,pi}采样点对应的偶数和奇数下标对应的已织长度，t2i和t2i‑1分别代表{t1,t2,…,ti}采样点对应的偶数和奇数下标对应的时间点；p2j和p2j‑1分别代表{p1,p2,…,pj}采样点对应的偶数和奇数下标对应的已织长度，t2j和t2j‑1分别代表{t1,t2,…,tj}采样点对应的偶数和奇数下标对应的时间点；p2m和p2m‑1分别代表{p1,p2,…,pm}采样点对应的偶数和奇数下标对应的已织长度，t2m和t2m‑1分别代表{t1,t2,…,tm}采样点对应的偶数和奇数下标对应的时间点；

[0048] 对生产速度进行最优估计，具体步骤如下：

[0049] a.任一采样点的生产速度vn=(pn+1‑pn)/(tn+1‑tn)，计算{vn}的平均值和标准差，分别记为μ和σ；

[0050] b.令q为{vn}中的任意一个数，如果满足|μ‑q| >3σ，说明该数为异常点，则将该数剔除；

[0051] c.重复步骤a和步骤b，直到没有满足条件的点，记剔除所有异常点后的生产速度为{vnn}；

[0052] d.采用一元线性方程y=ax+b对{vnn}进行最小二乘拟合，进而得到方程的参数a和b，其中自变量x为织机生产数据采集时间间隔T，因变量y为{vnn}，通过该方程所得的y值即为各个采样点对生产速度的最优估计；

[0053] e.对viA、vjB和vmC，分别应用步骤a和步骤b剔除异常点，并分别记剔除异常点后的i j m i j m i j m平均值为μA、μB和μC，标准差为σA、σB和σC，μA、μ B和μC分别作为A、B、C三个班次生产速度的最优估计，并分别记为vA、vB和vC；

[0054] （3）基于步骤（2）所得生产速度的最优估计，对织机了机时间进行预测；

[0055] 设共有MA个班次A、MB个班次B和Mc个班次C，若(SA×MA×vA+SB×MB×vB+SC×MC×vC)>(SA×MA+SB×MB+SC×MC) (a×tn+b)，则预测的织机了机时间Ho=；否则，Ho=
；

[0056] 其中，Z为织轴总长度，pn和zn分别为采样时间为tn时的已织长度和织轴剩余长度，a和b为上述步骤d中一元线性方程y=ax+b中的参数。

[0057] 下面采用具体的实施例对本发明的一种织机了机时间的预测方法进行说明，具体如下：

[0058] （1）织机生产数据的采集；

[0059] 当织机更换好新的织轴并开始正常生产后，对织机当前织轴的生产数据进行采集；设织机生产数据采集时间间隔为1小时，采集点的时间记为{t1,t2,…,t368}，对应采集到的已织长度和织轴剩余长度分别记为{p1,p2,…,p368}和{z1,z2,…,z368}；

[0060] （2）织机生产速度的最优估计；

[0061] 设每日生产班次为A、B、C三个班次，三个班次时长分别为SA、SB、SC，计算不同采样点三个班次的生产速度，并对所得生产速度进行最优估计；SA为8小时，SB为8小时，SC为8小时；

[0062] 班次A：i为15，μiA为11.19，σiA为1.16；

[0063] 班次B：j为15，μjB为10.7，σjB为1.28；

[0064] 班次B：m为15，μmC为11.3，σmC为0.97；

[0065] （3）基于步骤（2）所得生产速度的最优估计，对织机了机时间进行预测；

[0066] 共有15个班次A、15个班次B和15个班次C，Z为4550米；

[0067] 距离了机前5天，n=248，tn为2023‑08‑25：9：00：00，pn为2770米，zn为1472米，vA为11.2，vB为10.4，vC为10.9；

[0068] 距离了机前4天，n=272，tn为2023‑08‑26：9：00：00，pn为3041米，zn为1173vA为11.21，vB为10.3，vC为11.1；

[0069] 距离了机前3天，n=296，tn为2023‑08‑28：9：00：00，pn为3307米，zn为875米，vA为11.14，vB为10.4，vC为11.4；

[0070] 距离了机前2天，n=320，tn为2023‑08‑30：9：00：00，pn为3567米，zn为586米，vA为11.17，vB为10.6，vC为11.2；

[0071] 对品种编号为1 5，距离了机前5、4、3、2天时的织机了机时间预测数据如下表1，从~表1可以看出距离了机时间越近，了机预测的时间误差越小，距离了机前2天据对误差小于
2%，满足工厂提前准备换轴及调度的要求。

[0072] 本发明织机了机预测时间与采用历史生产速度平均方法的对比如表2所示，从表2中可以看出历史生产速度平均法整体预测了机时间整体误差比本发明大，这也说明本发明的有效性。

[0073] 表1

[0074]

[0075] 表2

[0076]