基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的織機了機預(yù)測

徐開心 戴寧 汝欣 胡旭東

摘 要：不同織機由于生產(chǎn)情況和影響參數(shù)各異，實際的織布效率和了機時間也存在著很大的差別。針對利用預(yù)先設(shè)定好的計劃生產(chǎn)靜態(tài)參數(shù)對織機了機時間進行計算時，存在理論計算值與實際織機了機時間偏差過大的問題，提出了一種基于長短時記憶（Long short term memory，LSTM）循環(huán)神經(jīng)網(wǎng)絡(luò)的織機了機預(yù)測方法。從織機經(jīng)緯向停車情況、人員工作效率、加工布匹品種3個方面出發(fā)，分析影響織機了機時間的各類因素，構(gòu)建了具有時間序列特性的織機生產(chǎn)情況數(shù)據(jù)集。通過設(shè)置時間進度系數(shù)動態(tài)調(diào)整模型在織軸整個生命周期內(nèi)的預(yù)測情況，并從損失程度和訓(xùn)練耗時兩方面考慮對模型性能進行優(yōu)化。最后，利用8組實驗數(shù)據(jù)對模型的可靠性進行驗證。結(jié)果表明：模型在了機預(yù)測截止時間的前30 h至前6 h，模型的預(yù)測結(jié)果值與實際值之間的平均誤差范圍為0.84 h至1.52 h，滿足對實際生產(chǎn)時的所需指標(biāo)要求。

關(guān)鍵詞：織機了機；LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)；時間序列；經(jīng)緯向停車；織軸

中圖分類號：TS111.8

文獻標(biāo)志碼：A

文章編號：1009-265X（2023）03-0070-11

基金項目：浙江省博士后科研項目擇優(yōu)資助項目（ZJ2021038）；浙江理工大學(xué)科研啟動基金項目（11150131722114）

作者簡介：徐開心（1998—），男，浙江嘉興人，碩士研究生，主要從事紡織智能制造及數(shù)據(jù)化管理方面的研究。

通信作者：戴寧，E-mail：990713260@qq.com

織機的生產(chǎn)主要是將緯紗與織軸上的經(jīng)紗縱、橫向交織加工成布匹的過程［1］。當(dāng)織機上織軸的紗線用盡時，需要將織軸、經(jīng)停片、綜、鋼筘和經(jīng)紗等從織機上清理下來，這個過程稱為織機的了機［2］?？棛C了機過早，會使織軸的紗線原料浪費；織機了機不及時，則會造成機臺停滯過久和剩余經(jīng)紗長度不足而無法對新軸進行結(jié)經(jīng)等問題［3］。對織機了機時間的準(zhǔn)確預(yù)知，及時安排人員進行穿經(jīng)、結(jié)經(jīng)、換軸工作［4］，使新的織軸及時投入生產(chǎn)，對提高織造生產(chǎn)效益有著重要的影響作用。

要準(zhǔn)確預(yù)知織機的了機時間，把控好織造環(huán)節(jié)的整體生產(chǎn)進度，其中，涉及到對生產(chǎn)車間內(nèi)基礎(chǔ)數(shù)據(jù)的實時采集以及利用數(shù)據(jù)驅(qū)動的方式，分析和挖掘出車間內(nèi)的生產(chǎn)趨勢和因素特性兩部分要求。郭廣慧等［5］利用移動終端和基于Web Service的訪問數(shù)據(jù)庫中間件架構(gòu)，實現(xiàn)了對織機運行數(shù)據(jù)的監(jiān)測；羅東升［6］提出了一種采用接口植入的織機數(shù)據(jù)獲取方式，從而解決了由于設(shè)備異構(gòu)而導(dǎo)致的系統(tǒng)不兼容問題。以上研究雖然已經(jīng)做到了對車間數(shù)據(jù)的實時、完整收集，但未從海量數(shù)據(jù)中進行影響因素的挖掘，對生產(chǎn)中的變化趨勢和突發(fā)情況沒有做出考慮。鄭寶平等［7］通過對經(jīng)編機成圈機構(gòu)的運動規(guī)律進行分析，設(shè)計了電子凸輪規(guī)劃曲線算法和模型預(yù)測控制算法，實現(xiàn)了對紗線動態(tài)張力的補償控制；張曉俠等［8］提出影響織機效率的最關(guān)鍵因素是經(jīng)、緯向停車，并且利用反向傳播（Back propagation，BP）神經(jīng)網(wǎng)絡(luò)及其改進算法對織機效率進行了預(yù)測。這些研究雖然對實際的生產(chǎn)數(shù)據(jù)進行了統(tǒng)計和分析，但多是基于從工藝參數(shù)等靜態(tài)數(shù)據(jù)上考慮，未考慮到織機的各類生產(chǎn)數(shù)據(jù)與時間進度之間具有的關(guān)聯(lián)性。

鑒于以上分析，本文將織機對織軸加工時的整個生命周期作為一個長時間序列，研究織機生產(chǎn)時的各類生產(chǎn)數(shù)據(jù)、生產(chǎn)時間對織機了機時間的關(guān)系，基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)構(gòu)建織機了機時間預(yù)測模型。

1 指標(biāo)要求

為更符合實際生產(chǎn)要求，對織機了機預(yù)測的實際需求指標(biāo)進行分析和確認。織造的工藝流程分為整經(jīng)、漿紗、穿綜、織布、驗布［9］，作為典型的全流程生產(chǎn)，各道環(huán)節(jié)之間不間斷作業(yè)是織造高效率生產(chǎn)的重要保證?？棛C織布前后的生產(chǎn)環(huán)節(jié)所需時間如表1所示。

通過調(diào)研得到，多數(shù)紡織廠的織布原材料為筒紗，首先需要經(jīng)過整經(jīng)、漿紗、穿綜三道工序才能加工得到用于織機生產(chǎn)的織軸，期間所需要消耗的整體加工時間在8 h到11 h，為了能夠更加貼合實際車間生產(chǎn)要求，使織機的織布生產(chǎn)有更加充足的準(zhǔn)備時間，以及考慮到機器故障等額外可能發(fā)生的意外情況，對織機的了機預(yù)測應(yīng)控制在織機實際了機的前1天甚至更早的時間才有參考意義。

了機預(yù)測時間的誤差范圍則與織機織前準(zhǔn)備環(huán)節(jié)的所需時間有極大關(guān)聯(lián)。從表1中可以得到，織機的織前準(zhǔn)備環(huán)節(jié)可以分為拉軸、推軸、上軸以及織機開車前的最后檢查4個工作步驟。其中，織軸上軸是織前準(zhǔn)備環(huán)節(jié)中消耗時間最長的，包括紗線結(jié)經(jīng)、工藝參數(shù)錄入和布面檢查等?？椙皽?zhǔn)備環(huán)節(jié)所需要消耗的整體時間在2 h到3 h，為了能夠給織前準(zhǔn)備環(huán)節(jié)預(yù)留出充足的操作時間以及當(dāng)遇到織機故障等情況時，能夠給調(diào)度人員更多的改機計劃時間，織機的了機預(yù)測時間與實際了機時間的誤差應(yīng)滿足在3 h內(nèi)。

結(jié)合以上兩點要求，本文所設(shè)計的了機時間預(yù)測模型需要滿足的需求指標(biāo)約束如式（1）所示。

式中：k為時間進度索引；d為織機實際了機的前一天時間進度點；Tk為k時間進度下預(yù)測的了機時間，h；Tsj為織機的實際了機時間，h；Td為織機實際了機的前一天時間，h。

2 影響因素分析

織機了機時間的預(yù)測實際上是對織機加工完目標(biāo)織軸所需時間的計算。根據(jù)織機在織布前預(yù)先設(shè)定的織布總米數(shù)、織機的運行車速和所織布匹品種要求的緯密參數(shù)，可計算得到，織機完成所設(shè)定達到的織布米長需要的理論織布時間，即織機的理論了機時間。其計算如式（2）所示。

式中：Tll為織機織布的理論總時間，min；M為織軸卷繞的紗線總長度，m；W為布匹的緯密參數(shù)值（布匹1英寸長度上的緯紗根數(shù)）；S為織機織布時的運行車速（織機1分鐘的打緯次數(shù)）。

式（2）的計算默認織機在加工織軸的整個周期內(nèi)為一直保持理想的織布運行狀態(tài)，這不符合實際的生產(chǎn)情況。在實際生產(chǎn)場景下，織機織布過程中會因為紗線斷裂或機器故障等原因而出現(xiàn)停車。織機實際織布時間與理論織布時間二者有如式（3）的關(guān)系。

式中：Tjw為織機在加工織軸整個周期內(nèi)所產(chǎn)生的經(jīng)緯向停車時間，h；To為織機在加工織軸整個周期內(nèi)所產(chǎn)生的其他情況停車時間，h。

因此，要做到準(zhǔn)確預(yù)測織機了機時間的難點，在于如何準(zhǔn)確把握織機織布過程中不定時出現(xiàn)的停車而額外對生產(chǎn)增加的消耗時間。

本文以豐田JAT710型噴氣織機為研究對象，從織機經(jīng)緯向停車情況、擋車工工作效率、加工布匹品種3個方面分析影響織機了機時間的關(guān)鍵因素。具體的影響因素組成如圖1所示。

2.1 經(jīng)緯停影響因素分析

通過對金華蘭溪市某紡織廠采集到的810臺織機設(shè)備一個月生產(chǎn)情況數(shù)據(jù)進行統(tǒng)計后得到：織機的停車時間在織機整個織布時間內(nèi)的平均占比約為9.68%，其中經(jīng)、緯向停車時間在織機停車時間中的平均占比約為80.74%。

表2將數(shù)據(jù)統(tǒng)計維度定位至具體的10臺織機，對各織機的織布米長、實際織布時間、理論織布時間、經(jīng)緯停時間等數(shù)據(jù)進行收集，得到表2織機各生產(chǎn)時間的對比。

由表2可知，織機理論計算得到的織布時間加上經(jīng)緯向停車時間二者的總和與織機實際織布時間相近，進一步論證了經(jīng)、緯向停車是準(zhǔn)確預(yù)測織機了機時間的關(guān)鍵因素。

2.2 擋車工工作效率影響因素分析

織機由于紗線斷裂等情況暫停對織軸的繼續(xù)加工后，一般由擋車人員對斷裂的紗線進行重新結(jié)經(jīng)，以此來恢復(fù)織機的正常運行。擋車人員的工作效率直接影響織機停車的持續(xù)時間（織機的運行效率）。

圖2反應(yīng)了某根織軸整個生命周期內(nèi)的經(jīng)緯向停車情況。

根據(jù)圖2可得到，織機在對此根織軸進行織布期間，每4 h的平均經(jīng)緯向停車時間為1145 s，每4 h的平均經(jīng)緯向停車次數(shù)為4次。其中，可觀察發(fā)現(xiàn)每天的中午時分（11：45）和午夜時分（23：45）以及靠近織軸即將要了機的幾個時間段內(nèi)的織機經(jīng)、緯向停車次數(shù)與時長較高，大多會超過平均值。

通過進一步的分析，可以得到，造成此種現(xiàn)象的原因主要和擋車工的工作狀態(tài)有一定的關(guān)系，據(jù)了解，大多數(shù)紡織企業(yè)織造車間設(shè)備都是24 h生產(chǎn)，工人白班、夜班輪班工作，而中午和午夜時分是最為疲憊的時間段，在這時間段內(nèi)工作的工人可能會因為工作狀態(tài)的原因，在處理如對紗線進行結(jié)經(jīng)等需要一定專業(yè)度和手法的操作上，不能有較高工作效率的因素，而導(dǎo)致織機的停車時間延長；而另一個經(jīng)緯停次數(shù)明顯較多的時間段是在靠近織機將快要了機的幾個時刻內(nèi)。從圖2數(shù)據(jù)可觀察到，在此根織軸生命周期的最后48 h內(nèi)，織機經(jīng)緯停發(fā)生次數(shù)較高且集中，原因是卷繞在織軸上的紗線在將要用盡的末尾時間段里，紗線在軸上的纏繞強度不均導(dǎo)致織機對紗線作用的張力變化幅度較大，使紗線斷紗次數(shù)增多，織機停車次數(shù)頻繁。

2.3 布匹品種影響因素分析

將時間跨度從單根織軸擴大至一個品種，通過對比織機在生產(chǎn)不同品種過程中的經(jīng)緯向停車情況，來分析針對不同布匹品種下的織機了機影響因素。

織機生產(chǎn)出的布匹品種不同主要由生產(chǎn)布匹時的產(chǎn)品工藝參數(shù)和所用到的紗線成分不同所決定。圖3記錄了同臺織機針對6種不同布匹品種的生產(chǎn)工藝需求下，各進行15天生產(chǎn)后，所出現(xiàn)的經(jīng)緯向停車情況。表3記錄了圖3各品種對應(yīng)的工藝參數(shù)。結(jié)合表3與圖3數(shù)據(jù)可發(fā)現(xiàn)，織機織布時的經(jīng)緯向停車次數(shù)與布匹品種所需要達到的經(jīng)密、緯密工藝參數(shù)大小成正比，當(dāng)經(jīng)密、緯密越大時，織機在織布過程中所發(fā)生的經(jīng)向、緯向停車次數(shù)也會隨之增多；并且織機的經(jīng)、緯向停車次數(shù)多少也與所用紗線的粗細有關(guān)，當(dāng)紗線的紗支參數(shù)越大，說明紗線越粗時，織機相對應(yīng)在織布過程中所產(chǎn)生的經(jīng)緯向停車次數(shù)比紗線紗支參數(shù)小、紗線細時的停車次數(shù)少。

3 LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)

基于第二小節(jié)對織機了機時間的影響因素分析可知，各因素對了機時間的作用具有較強的時間關(guān)聯(lián)，且針對于織機數(shù)據(jù)具有時變性這一特點，本文采用LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)，對織機了機預(yù)測模型進行搭建。

長短時記憶（LSTM）循環(huán)神經(jīng)網(wǎng)絡(luò)是一種具有選擇記憶功能的循環(huán)神經(jīng)網(wǎng)絡(luò)［10］，通過更新每個時刻的細胞狀態(tài)，可以學(xué)習(xí)不定時間長短的時間序列信息，在一般的循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent neural network，RNN）基礎(chǔ)上引入了門機制用于控制信息特征的流通和損失［11］，在處理如織機了機預(yù)測此類對時間敏感的時序數(shù)據(jù)中可以防止梯度消失和梯度爆炸等問題且有較突出的數(shù)據(jù)擬合能力。LSTM網(wǎng)絡(luò)中的每個神經(jīng)元主要由遺忘門、輸入門、輸出門3個功能狀態(tài)門以及細胞狀態(tài)組成。

3.1 模型的搭建

本文以LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)對織機了機時間預(yù)測模型進行搭建。首先，區(qū)別于直接劃定訓(xùn)練集與測試集的數(shù)據(jù)比重，本文根據(jù)數(shù)據(jù)集包含的織機對目標(biāo)織軸整體的生產(chǎn)時間跨度，按照所需時間精度，計算模型每次迭代優(yōu)化時的時間進度系數(shù)，動態(tài)調(diào)整訓(xùn)練集與測試集的數(shù)據(jù)比重，做到更加貼合實際生產(chǎn)場景下模型可學(xué)習(xí)的訓(xùn)練數(shù)據(jù)量隨生產(chǎn)時間的推移逐漸豐富的真實變化特點，全面反映模型在織軸整個生命周期內(nèi)的學(xué)習(xí)和泛化能力；其次，通過定時求解剩余理論織布長度，弱化其他停因素對織機了機時間預(yù)測的影響，提高模型的預(yù)測精度。模型的搭建流程如圖4所示。

3.1.1 數(shù)據(jù)集建立與預(yù)處理

本文以第二小節(jié)對織機了機時間影響因素的分析作為依據(jù)，將織軸整個生命周期進行n等分，對其中包含的生產(chǎn)時間段（ti）、擋車工技術(shù)等級（ri）、經(jīng)紗成分（dji）、經(jīng)紗紗支（bji）、經(jīng)紗編織密度（wji）、緯紗成分（dwi）、緯紗紗支（bwi）、緯紗編織密度（wwi）進行統(tǒng)計，得到按時間段劃分的n個8維輸入數(shù)據(jù)向量（pxi）；對每個時間段所產(chǎn)生的織機經(jīng)停消耗時間（tji）和緯停消耗時間（twi）進行收集，得到n個2維輸出數(shù)據(jù)向量（pyi）。把同根織軸在整個周期內(nèi)的數(shù)據(jù)向量進行整合，得到具有時間序列特征的模型輸入數(shù)據(jù)集（Cx）和輸出數(shù)據(jù)集（Cy）。數(shù)據(jù)集的整體構(gòu)成如式（4）所示。

為避免選取的輸入數(shù)據(jù)集中各特征因素數(shù)量量綱不一致而導(dǎo)致模型在訓(xùn)練時小數(shù)量級的特征值對結(jié)果的影響程度被大數(shù)量級特征值弱化的情況，本文采用max-min數(shù)據(jù)歸一化方法［12］對輸入數(shù)據(jù)集進行預(yù)處理。在不影響特征值之間相對關(guān)系的前提下，將輸入數(shù)據(jù)集中的各特征值映射到特定區(qū)域，提高數(shù)據(jù)之間的可比性，加快模型優(yōu)化的迭代收斂速度。max-min數(shù)據(jù)歸一化方法的計算如式（5）所示。

式中：P為需要歸一化的元素值；P′為元素歸一化之后的處理值；Xmax、Xmin為元素P所在向量中的元素最大、最小值；a、b為元素映射的區(qū)域邊界。

3.1.2 訓(xùn)練集與測試集劃分

為更符合實際生產(chǎn)需求，對驗證模型可靠性的數(shù)據(jù)集不固定其訓(xùn)練集與測試集的占比大小，在規(guī)定預(yù)測截止時間點之前，以時間進度系數(shù)動態(tài)改變訓(xùn)練集與測試集每次迭代的數(shù)據(jù)量比重，使模型在預(yù)測織機了機的過程中能夠按照實際的生產(chǎn)情況實時不斷學(xué)習(xí)，調(diào)整模型各單元的權(quán)重和偏置，以更加貼合實際生產(chǎn)情況的優(yōu)勢，做到更加精準(zhǔn)的預(yù)測。

動態(tài)調(diào)整數(shù)據(jù)量進行模型優(yōu)化迭代的步驟如下：

a）計算織軸全生命周期內(nèi)的總時間。

b）根據(jù)需求指標(biāo)對預(yù)測模型需要達到的預(yù)測精度要求，計算模型每次迭代時的時間進度系數(shù)。

c）按照計算得到的時間進度系數(shù)，在模型每次迭代優(yōu)化前動態(tài)調(diào)整訓(xùn)練集與測試集兩者之間的數(shù)據(jù)量比例占比。訓(xùn)練集與測試集之間數(shù)據(jù)的動態(tài)調(diào)整驅(qū)動如式（6）所示。

式中：Ctr為模型的訓(xùn)練集；Cte為模型的測試集；f為時間進度系數(shù)，其值變化范圍為0

3.1.3 模型的訓(xùn)練與預(yù)測

a）利用自適應(yīng)動量（Adaptive momentum，Adam）梯度下降算法計算并調(diào)整模型各適應(yīng)度參數(shù)。Adam優(yōu)化算法結(jié)合了自適應(yīng)學(xué)習(xí)率梯度下降算法和動量梯度下降算法兩者的優(yōu)點，既能提高在稀疏梯度下的擬合效率，又能保證在梯度震蕩時各神經(jīng)元的權(quán)重和偏置調(diào)整不會使模型陷入局部最優(yōu)解。

b）利用均方誤差（Mean square error，MSE）算法比較預(yù)測結(jié)果集與實際目標(biāo)結(jié)果集之間的損失程度。MSE是回歸損失函數(shù)中最常用的誤差比較算法，它是預(yù)測值f（x）與目標(biāo)值y之間差值平方和的均值。利用損失函數(shù)來衡量模型的預(yù)測性能。其計算如式（7）所示。

式中：E為模型預(yù)測值與實際值比較后的損失程度；f（x）為模型計算得到的預(yù)測值，y為實際期望的目標(biāo)值，n為自由度。

c）判斷損失程度是否滿足期望指標(biāo)。將每次得到損失程度值與期望損失值進行對比，若模型當(dāng)前的損失程度已經(jīng)能滿足期望的誤差指標(biāo)需求，則結(jié)束訓(xùn)練；若模型當(dāng)前的損失程度過大，則重復(fù)訓(xùn)練，繼續(xù)調(diào)整模型的各適應(yīng)度參數(shù)，優(yōu)化模型對數(shù)據(jù)的擬合能力。模型的損失程度約束如式（8）所示。

式中：Ep為模型此次預(yù)測結(jié)果值與實際結(jié)果值的誤差損失程度；Ee為期望的誤差損失程度。

d）預(yù)測織機的了機時間。通過計算各時間進度下的織機理論織布時間、織機加工完目標(biāo)織軸所消耗的總經(jīng)緯向停車時間以及織機實際已產(chǎn)生的經(jīng)緯向停車時間，得到每個時間進度下所預(yù)測的織機了機時間。其中，各時間進度下預(yù)測的織機了機時間計算如式（9）所示。

式中：Tyci為模型在i時間進度下所預(yù)測的織機了機時間，h；Tjwi為模型在i時間進度下所預(yù)測的經(jīng)緯向停車時間，h；Tlli為i時間進度下所計算得到的織機理論織布時間，h；Tsjwi為i時間進度前織機實際已產(chǎn)生的經(jīng)緯向停車時間，h。

4 模型預(yù)測評估

本文以金華蘭溪市某紡織廠采集到的數(shù)據(jù)和調(diào)研結(jié)果作為依據(jù)對模型的實際預(yù)測性能進行評估。選取了2022年2月的織造采集數(shù)據(jù)。

4.1 模型驗證

將采集到的某根織軸全生命周期下的生產(chǎn)情況數(shù)據(jù)作為驗證模型可靠性的數(shù)據(jù)集。首先，通過對織機加工織軸時記錄下的開始時間（2022-02-13 02∶19∶14）與結(jié)束時間（2022-02-21 19∶47∶27）計算得到織軸的整個生產(chǎn)時間為209.47 h，根據(jù)預(yù)測指標(biāo)的分析結(jié)果，對織軸的整個生產(chǎn)時間進行150等分，即令每次的了機預(yù)測迭代時間間隔控制在2 h內(nèi)，細化訓(xùn)練迭代頻率，提高預(yù)測精度，滿足誤差指標(biāo)。模型的預(yù)測結(jié)果如圖5所示。

圖5中橫坐標(biāo)代表織機的實際織布時間進度，縱坐標(biāo)代表織機的織布時間用時，紅色實線標(biāo)明了織機的實際織布用時為209.47 h，綠色折線為模型每次定時預(yù)測的織布時長。從圖5中可觀察到，隨著織機生產(chǎn)時間的推移，模型所能學(xué)習(xí)到的織機實際生產(chǎn)情況數(shù)據(jù)逐漸增多，模型的整體預(yù)測趨勢也逐漸向?qū)嶋H值逼近。圖5中虛線所標(biāo)記的是模型預(yù)測時間具有參考性的最晚截止時間（實際了機的前一天），結(jié)合需求指標(biāo)，在截止時間之前的模型預(yù)測都有參考價值。

為驗證模型的預(yù)測精度是否滿足實際需求指標(biāo)，將圖5的實際織布時間進度范圍縮小至織機織布中期（織布時間進度104.74 h）到織布結(jié)束?？棛C織布中期到織布結(jié)束范圍內(nèi)的模型預(yù)測情況如圖6所示。

圖6中虛線標(biāo)明了在可接受誤差范圍內(nèi)的織機織布預(yù)測時長上限（212.47 h）與預(yù)測時長下限（206.47 h）。從圖6中可發(fā)現(xiàn)，在截止時間前兩天的時間段內(nèi)（織布時間進度137.47～185.47 h），模型共出現(xiàn)5次預(yù)測結(jié)果超出實際可接受誤差范圍的情況，對應(yīng)的采樣點分別為A-E點，與實際了機時間的差值分別為12.73、-5.07、-6.20、-21.61、6.70 h。模型存在預(yù)測結(jié)果不穩(wěn)定的情況。

4.2 模型性能優(yōu)化處理

對4.1小節(jié)的模型預(yù)測情況分析來看，模型的預(yù)測精度無法滿足實際的需求指標(biāo)。原因在于訓(xùn)練集與測試集數(shù)據(jù)量每次的動態(tài)調(diào)整雖然已經(jīng)做到了貼合實際并不斷學(xué)習(xí)，但是無法提前確定模型的最優(yōu)迭代次數(shù)，模型每次對新數(shù)據(jù)量的訓(xùn)練集數(shù)據(jù)進行學(xué)習(xí)時會出現(xiàn)欠擬合或過擬合的情況，導(dǎo)致模型在學(xué)習(xí)過程中錯過或沒有達到最小損失值，使模型的預(yù)測性能不穩(wěn)定。

通過以上分析，本文提出在模型訓(xùn)練時設(shè)置動態(tài)損失變化閾值的方式，以提高模型的泛化能力。動態(tài)設(shè)置損失變化閾值的流程如圖7所示。

設(shè)置動態(tài)損失變化閾值的具體步驟如下：

a）對模型前50次迭代訓(xùn)練中大于零的損失變化差值進行記錄。記錄下的損失變化差值計算如式（10）所示。

式中：Δe為記錄下的損失變化差值，其值大于零；ec為此次模型訓(xùn)練后的損失值；el為前一次模型訓(xùn)練后的損失值。

b）計算當(dāng)前訓(xùn)練集所對應(yīng)的損失變化閾值，即計算記錄下的損失變化差值的平均值，損失變化閾值的計算如式（11）所示。

式中：Goffset為損失變化閾值；Δei為第i個損失變化差值；n為記錄下的損失變化差值個數(shù)。

c）利用計算得到的損失變化閾值，尋求合適的迭代次數(shù)與損失值。若模型此次訓(xùn)練得到的損失值大于模型前一次訓(xùn)練所得損失值與損失變化閾值之和，則模型訓(xùn)練結(jié)束，將模型前一次的訓(xùn)練結(jié)果作為最終訓(xùn)練結(jié)果，即模型訓(xùn)練結(jié)果滿足如式（12）時模型訓(xùn)練結(jié)束。

為驗證設(shè)置的動態(tài)損失變化閾值對模型預(yù)測性能的提升，再次利用4.1小節(jié)的驗證數(shù)據(jù)集，將模型優(yōu)化前后對數(shù)據(jù)集訓(xùn)練迭代時的損失程度進行對比。圖8展示了模型優(yōu)化前在對時間進度61%數(shù)據(jù)量下的訓(xùn)練數(shù)據(jù)集進行固定250次訓(xùn)練迭代時的損失程度變化，以及模型優(yōu)化后根據(jù)損失變化閾值動態(tài)確定迭代次數(shù)和損失值的數(shù)據(jù)變化情況。圖8虛線為模型優(yōu)化前的訓(xùn)練損失程度變化情況，可觀察到模型在第71、100、102、187、190次迭代訓(xùn)練時的損失值較小，分別為10.3、10.5、10.4、9.2、9.1、13.6，而在最后一次迭代訓(xùn)練中模型對應(yīng)損失值為13.6，并不是整個迭代訓(xùn)練中屬于較好的一次，且設(shè)置過多的迭代次數(shù)也存在著模型訓(xùn)練耗時、耗資源的問題。

圖8實線所標(biāo)明的是模型優(yōu)化后對前50次數(shù)據(jù)計算得到的損失變化差值，分別為0.021、0.076、1.136、0.026、2.069、0.880、1.120、0.124、1.230，則損失變化閾值為0.74。利用計算得到的損失變化閾值，確認模型的最終訓(xùn)練結(jié)果在第71次，模型的最終訓(xùn)練損失值為10.3，如圖8中的e點所示。雖然根據(jù)所示變化偏置算法所得到的最終訓(xùn)練結(jié)果不

是模型在250次訓(xùn)練中最好的，但也是在結(jié)合了模型訓(xùn)練耗時與模型訓(xùn)練準(zhǔn)確度兩方面因素考慮下屬于較好的一次。

圖9為模型優(yōu)化前后對4.1小節(jié)的驗證數(shù)據(jù)集進行訓(xùn)練迭代時的整體訓(xùn)練耗時和損失程度對比圖。圖9（a）為訓(xùn)練耗時對比圖，其中，淡紅色為模型優(yōu)化前的每次訓(xùn)練耗時，總耗時為15.70 h，平均耗時為376.65 s，可觀察到對模型設(shè)置固定250次的訓(xùn)練迭代次數(shù)情況下，隨著時間進度的推移、模型的訓(xùn)練數(shù)據(jù)量變大，模型對每一次訓(xùn)練集進行訓(xùn)練所需要的消耗時間也逐漸增大；深藍色為模型優(yōu)化后所對應(yīng)的訓(xùn)練耗時，總耗時為3.21 h，平均耗時為77.67 s，在相同數(shù)據(jù)量的情況下，模型的訓(xùn)練耗時明顯下降；圖9（b）為模型優(yōu)化前后的損失程度對比圖，圖中淡綠色為模型優(yōu)化前的每次訓(xùn)練損失程度，平均損失程度為11.55，深紫色為模型優(yōu)化后的損失程度，平均損失程度為3.21。

可明顯觀察到優(yōu)化后的模型在訓(xùn)練耗時和損失精度上都得到了很大的提升。

將優(yōu)化后的模型用于對4.1小節(jié)同根織軸的了機時間進行預(yù)測，圖10（a）展示了織軸整個生命周期內(nèi)不同時間進度下的模型了機時間預(yù)測情況。圖10（b）為模型在織機織布中期（織布時間進度104.74 h）到織布結(jié)束局部時間范圍下的了機時間預(yù)測情況，從圖10（b）中可觀察到模型在截止日期的前兩天時間內(nèi)，預(yù)測結(jié)果已經(jīng)逼近于實際值，且預(yù)測結(jié)果在允許誤差范圍內(nèi)始終保持穩(wěn)定。

為驗證模型的泛化能力，隨機挑選8組數(shù)據(jù)進行驗證，其結(jié)果如表4所示。

從表4中可觀察到，在預(yù)測截止時間的前30 h、前24 h、前18 h、前12 h、前6 h，模型的預(yù)測值與實際值之間的平均誤差分別為0.88、0.84、1.52、1.51、0.99 h。模型的預(yù)測情況滿足指標(biāo)要求。

5 結(jié) 論

本文對織機理論了機時間與實際了機時間進行對比后發(fā)現(xiàn)，織機在織布過程中不定時出現(xiàn)的停車而額外對生產(chǎn)增加的消耗時間是影響準(zhǔn)確預(yù)測織機了機時間的關(guān)鍵因素。通過對織軸的整個生命周期內(nèi)出現(xiàn)的織機經(jīng)、緯向停車次數(shù)和持續(xù)時間進行分析，得到影響織機了機時間的數(shù)據(jù)集，將LSTM模型應(yīng)用到織機了機時間預(yù)測的問題中，提出動態(tài)設(shè)置損失變化閾值的方法對預(yù)測模型進行優(yōu)化，從模型訓(xùn)練時間和損失程度兩方面對模型優(yōu)化前后的結(jié)果數(shù)據(jù)進行對比，驗證方法具有可行性。得出結(jié)論如下：

a）對織機實際生產(chǎn)時出現(xiàn)的各類停車狀態(tài)消耗時間進行統(tǒng)計，得到織機的停車時間在織機織軸的整個織布時間內(nèi)的平均占比約為9.68%，其中經(jīng)緯向停車時間在織機停車時間中的平均占比約為80.74%，說明經(jīng)、緯向停車對織機的了機預(yù)測起到關(guān)鍵的影響作用。

b）通過對實驗數(shù)據(jù)的驗證，發(fā)現(xiàn)在預(yù)測截止時間的前兩天時間內(nèi)，本文提出的LSTM預(yù)測模型的預(yù)測結(jié)果與實際值之間的平均誤差范圍為0.84 h至1.52 h，滿足實際生產(chǎn)時的指標(biāo)要求。

參考文獻：

［1］黃錦波，祝成炎，張紅霞，等.基于劍桿織機改造的三維間隔機織物工藝設(shè)計［J］.紡織學(xué)報，2021，42（6）：166-170.

HUANG Jingbo， ZHU Chengyan， ZHANG Hongxia， et al. Design of three-dimensional spacer fabrics based on rapier looms［J］. Journal of Textile Research， 2021，42（6）：166-170.

［2］梅自強.紡織辭典［Z］.北京：中國紡織出版社，2007：445.

MEI Ziqiang. Dictionary of Textiles［Z］. Beijing： China Textile&ApparelPress， 2007： 445.

［3］王守澤，張五九.一種基于卷徑變化預(yù)測織機了機的方法：CN110331503A［P］.2019-10-15.

WANG Shouze， ZHANG Wujiu. A method for predicting the weaving machine based on the change of winding diameter：CN110331503A［P］. 2019-10-15.

［4］沈春婭，雷鈞杰，汝欣，等.基于改進型NSGAⅡ的織造車間多目標(biāo)大規(guī)模動態(tài)調(diào)度［J］.紡織學(xué)報，2022，43（4）：74-83.

SHEN Chunya， LEI Junjie， RU Xin， et al. Multi-objective large-scale dynamic scheduling for weaving workshops based on improved NSGAII［J］.Journal of Textile Research， 2022，43（4）：74-83.

［5］郭廣慧，李春梅.基于移動終端的織機運行數(shù)據(jù)監(jiān)測系統(tǒng)開發(fā)［J］.紡織科技進展，2017（6）：15-16.

GUO Guanghui， LI Chunmei.Development of loom runing data monitoring system based on mobile terminal［J］.Progress in Textile Science & Technology， 2017（6）：15-16.

［6］羅東升.織機實時織造信息管理系統(tǒng)的研發(fā)與應(yīng)用［D］.杭州：浙江工業(yè)大學(xué)，2014：18-25.

LUO Dongsheng. Development & Application of Mana-gement System for Real-time Loom Information［D］. Hangzhou： Zhejiang University of Technology， 2002：4-8.

［7］鄭寶平，蔣高明，夏風(fēng)林，等.基于模型預(yù)測的經(jīng)編送經(jīng)動態(tài)張力補償系統(tǒng)設(shè)計［J］.紡織學(xué)報，2021，42（9）：163-169.

ZHENG Baoping， JIANG Gaoming， XIA Fenglin， et al. Design of dynamic tension compensation system for warp knitting let-off based on model predictions［J］. Journal of Textile Research， 2021，42（9）：163-169.

［8］張曉俠，劉鳳坤，買巍，等.基于BP神經(jīng)網(wǎng)絡(luò)及其改進算法的織機效率預(yù)測［J］.紡織學(xué)報，2020，41（8）：121-127.

ZHANG Xiaoxia， LIU Fengkun， MAI Wei， et al. Prediction of loom efficiency based on BP neural networkand its improved algorithm［J］. Journalof Textile Research， 2020，41（8）：121-127

［9］周亞勤，汪俊亮，鮑勁松，等.紡織智能制造標(biāo)準(zhǔn)體系架構(gòu)研究與實現(xiàn)［J］.紡織學(xué)報，2019，40（4）：145-151.

ZHOU Yaqin， WANG Junliang， BAO Jinsong， et al. Research and implementation of standard system architecture of textile intelligent manufacturing［J］. Journal of Textile Research， 2019，40（4）：145-151.

［10］劉樹鑫，高士珍，劉洋，等.基于LSTM的交流接觸器剩余壽命預(yù)測［J］.高電壓技術(shù)，2022，48（8）：3210-3220.

LIU Shuxin， GAO Shizhen， LIU Yang， et al. Residual life prediction of AC contactor based on LSTM［J］. High Voltage Engineering， 2022，48（8）：3210-3220.

［11］黃建華，鐘敏，胡慶春.基于改進粒子群算法的LSTM股票預(yù)測模型［J/OL］.華東理工大學(xué)學(xué)報（自然科學(xué)版），2021：1-12［2022-09-13］.DOI：10.14135/j.cnki.1006-3080.20210616001.

HUANG Jianhua， ZHONG Min， HU Qingchun， et al. LSTM stock prediction model based on improved particle swarm optimization algorithm［J/OL］. Journal of East China University of Science and Technology， 2021：1-12［2022-09-13］.DOI：10.14135/j.cnki.1006-3080.20210616001.

［12］姚桂國，梁金祥，左保齊.基于網(wǎng)格的織物圖像拼接技術(shù)［J］.紡織學(xué)報，2012，33（2）：46-49.

YAO Guiguo， LIANG Jinxiang， ZUO Baoqi， et al. Fabric image mosaicing technology based on grille［J］. Journal of Textile Research， 2012，33（2）：46-49.

Abstract： Loom production mainly refers to the process of weaving weft and warp on the weaving axis into cloth in vertical and horizontal directions. When the yarn of the loom axis ， the axis， drop wires， heald， reed and warp yarn need to be cleaned from the loom. This process is called the loom changing the axis. If the axis is changed too early， the yarn material of the weaving axis will be wasted. If the warp axis is not set in time， too long stagnation of machine and insufficient length of remaining warp will cause problems such as inability to knot the new axis. Accurate prediction of warp-out time， timely arrangement of personnel for warp threading， warp knotting and axis change， so that the new weaving axis can be put into production in time， which has an important effect on improving the production efficiency of weaving.

When calculating the looms warp-out time by using the pre-set static parameters of planned production， the deviation between the theoretical calculation value and the actual value is too large. Aiming to solve this problem， a looms warp-out time prediction method based on LSTM recurrent neural network proposed. Based on the analysis of the factors affecting the loom warp-out time from three aspects： the warp and weft stop of the loom， the working efficiency of personnel and the variety of cloth processed， a data set of loom production with time series characteristics s constructed. The prediction of the model in the whole life cycle of the weaving axis was dynamically adjusted by setting the time schedule coefficient， and the performance of the model was optimized from two aspects of loss degree and training time. On this basis， propose to set the dynamic loss change threshold to determine the optimal number of iterations of the model under different training data to improve the generalization ability of the model. Finally， the statistics of the consumption time of all kinds of stop states in the actual production of the loom re carried out， and the conclusion s drawn that the average percentage of the loom's stopping time in the whole weaving time of the weaving axis s about 9.68%， and the average percentage of the warp and weft stopping time in the loom's stopping time s about 80.74%， which shows that the warp and weft stopping plays a key role in the prediction of the warp-out time. Through the verification of the experimental data， it is found that the average error between the predicted results of the model proposed in this paper and the actual values is 0.84 h to 1.52 h in the two days before the deadline of the prediction of the warp-out time， which meets the index requirements of actual production.

The accurate prediction of warp-out time by intelligent prediction model and the analysis of the relationship between looms warp-out time and various influencing factors can provide inspiration for optimizing weaving scheduling and adjusting weaving production process， so that workshop personnel can reasonably control the material processing progress and ensure uninterrupted and efficient production between weaving links. The research results can provide reference suggestions for the intelligent transformation of traditional textile industry.

Keywords： looms warp-out time LSTM recurrent neural networktime serieswarp and weft stopweaving axisdynamic loss change threshold