基于大數據背景下的紡織制造系統設計研究

□楊麗麗

(江蘇蘇美達輕紡國際貿易有限公司江蘇南京210018)

基于大數據背景下的紡織制造系統設計研究

□楊麗麗

(江蘇蘇美達輕紡國際貿易有限公司江蘇南京210018)

在當前的紡織業發展過程中需要解決系統集成以及數據管理的問題，按照紡織制造流程，而對產生工序中的海量數據實施分析，從而能夠對車間制造中在信息銜接問題的解決帶來幫助。因此，這就需要對之前已存在的數據系統、傳感器以及文本類型而建構紡織大數據系統，從而有效幫助解決信息銜接的問題，從而能夠使得紡織制造在大數據環境中實現在線檢測的目標。

大數據背景；紡織制造；系統設計；研究

1 大數據背景下紡織制造系統結構設計

為了能夠促進紡織業能夠在海量的紡織數據中實現集成和管理的目標，可以在結構設計中將生產、研發以及設計等功能在集成管理的平臺中進行統一管理，從而可以使得企業中的數據能夠實現共享以及供用的目的，同時還能夠幫助企業解決信息“孤島”的問題。因此，這就需要在當前所具有的信息量基礎上而分析紡織機械中的各種回路數據，并設計運用HDFS進行存儲數據，而MapReduce則可以分析和處理紡織中的海量數據，然后再通過HBase進行各種數據的存儲，最后能夠有效實現數據融合的目的。由于當前在紡織制造方面和其他的機械工程存在較大的差異性[2]，其整個過程中都發生了化學和物理的變化，這就使得紡織制造中各類數據需要在不同的信息中心進行交換，所以紡織中的大數據存儲可以通過抽取纖維屬性和成紗質量之間的關系進行標示，而紡織中的整個數據都和“品種”之間建立了良好的關系，同時通過大數據收集的方式而能夠把上層計劃和底層控制層的信息銜接起來，例如纖維屬性和紡紗質量的非線性關系，都能夠在這層關系中得到很好的展示。從大數據的角度分析，大數據所構建的結構能夠在不同的數據結構中進行實施獲取，從而建立多個數據信息之間的鏈接關系，其主要的目的就是能夠在不同的品種數據中找到一定的相關性，從而有效增強紡織中低層數據收集和分析的能力[3]，最后，紡織數據就可以在這一關系規則中而掌握數據對接，并進行科學處理，如通過數據融合的方式而進行處理，從而能夠從海量的數據充分“挖掘”纖維屬性和紡紗質量或者是坯布質量關系，通過在線檢測的方式而掌握織物成品的質量。

2 大數據背景下紡織數據分析

2.1 紡織數據分析

一般情況下，紡織數據主要從織布車間中的案例進行分析。如果企業中一定有300臺織機，然而每臺織機在不同的轉速中需要作出不同的調整。在本文中所論述的問題采用的機械類型是CJ 140×140，而機械的計劃轉速大約是460r/min。結合特定條件下的工藝分析可知，織機系統中所產生脈沖信號數是7.7個/s（織機產生過程中每秒所產生的數據記錄是7條)。除了正常的檢修和維護工作之外，織機每天運轉四班所需要的時間是24h，那么300臺織機在產生中所產生的數據記錄是6 000多萬條，而一天安排三個同時進行產生所產生的數據記錄是180多萬條。根據織機在生產中所得到的數據表可知，每個字段數據類型共需500 B，那么織布每天產生數據量乘以每條記錄所占空間的字節數可以得到84.5 GB。從制造層面分析可知，紡織企業車間中每天產生數據量是0.66TB，同時通過紡織機而帶動的電動機回路數據，織機中的文本類型、配棉以及工藝數據，都可以為設備信號的輸出而提供數據資料[4]。但是在紡織制造中屬于非線性以及多變量的系統，這就導致了制造過程中所得到的數據具有不確定性問題，如數據量出現倍增的情況等，從而難以保證紡織制造中的質量和產量數據，這對紡織企業獲取有效數據資料也帶來較大的影響。因此，在無“大數據”背景下，企業如何獲取準確的數據而為生成提供幫助，已成為了國內外研究者高度關注的重要問題。

2.2 試驗比較分析

運用k-means的算法并結合Dk-means進行驗證與對比，從而很好地掌握纖維屬性、坯布質量以及紡紗質量三者的關系，并在紡織大數據中根據存儲體系而做好品種分類，進而能夠有效提取出棉紗的數據，這些數據一共涉及了四個數據源，第一個是紡織中ERP系統以及清梳車間的監測系統，這主要是提取其基本原料纖維所具有的屬性數據，如纖維拉伸的數據；第二個是細紗車間以及筒并捻車間中的監測系統，這主要是掌握良好紗線質量的數據；第三個是織布車間中的監測系統，這主要是提取坯布的質量數據，通過整合這些數據資料能夠為試驗提供良好的數據集[5]。在試驗中平臺搭建是：Windows2003和PC服務器（2臺），再結合其他的服務器供2臺，從而形成了內存是32GB、硬盤容量1TB以及1GB/s的帶寬峰值系統，并用VS2008算法編程同時進行測試。

本試驗中的具體設計內容中運用機器200臺，并對每臺機器中的100個進程進行Dk-means的聚類算法進行實驗，一共分成三個小組進行聚類測試，其中在小數據中的容量是2GB，而在大表數據中的容量是1TB。從第1組中選取二維數據一共100個，并根據棉紗的品種將其劃分為四個不同的類型，從而能夠將群體的規模對應是4，同時通過最大的迭代次數是20，而聚類的效果圖如下所示。由此可見，數據量中的二維數據是100個，并且品種的分類比較少時，那么k-means和Dk-means的算法之間存在區別就不顯著，然而局部的尋優能力卻十分強。所以，紡織大數據的環境之下，紡織制造中的數據聚類分析可以最大限度的改進Dk-means和k-means算法的全局尋優能力，同時也能夠在傳送聚簇和紡織數據中避免大量數據的傳送，這在一定程度上能夠有效提升聚類分析效率，從而能夠為海量的紡織數據提取而做好準備。

3 大數據背景下異構紡織數據融合

3.1 局部融合

通過紡織制造中的各個數據環境分析可知，傳感器的構成主要是由Hadoop中三層紡織所得到的數據并進行存儲的體系，這一中心主要是運用下位機的監測器而有效掌握傳感器數據信息并實施推理，從而能夠更好地達到數據判斷的目的。但是，在不同的監測器中，其傳感器提供數據很容易會對制造過程而帶來較大的影響，其中還存在一些不確定的因素，例如機臺、原料、環境以及系統等都會受到干擾，正是這些不確定的因素會嚴重的影響數據的準確性，尤其是生產過程中的高維、強相關、非線性以及多噪聲的特點都會受到嚴重的影響[5]。而在D-S證據相關的理論指導下，這種具有不確定性的推理方式就會在處理數據中有一定的優勢，即能夠用信任函數方式而代替概率，并且也可以有效集合方式而有效掌握數據。除此之外，在D-S證據的理論下，需要解決上文中所提到的四個特點也能夠提供良好的保障。所以通過局部融合的方式而更好地掌握傳感器中加權因子的分配方式。

3.2 紡織數據融合近似算法

通過證據組的方式而有效掌握各個不同的規則，其中k作為一個有效衡量證據沖突情況的系數，可以對其實施計算，例如當k=1時，這就表示D-S證據不可以采用組合的方式進行數據融合。正如上文所述，在規定的數據融合的背景下，紡織制造中下位機的監測器可以實時收集數據，而且還不會受到外界的影響。例如其中所發生的概率，其賦值是0時，分配問題就會k=1或者是趨于1，進而使得數據融合過程中的結果和實際結構之間出現相悖的問題，然而D-S的證據理論則可以有效解決近似算法中的問題[6]。其基本的思路是Mass函數減少焦元的個數，而能夠在簡化計算中掌握良好的數據。當Mass函數產Bayes的信任函數，那么Mass函數則可以用Bayes代替，從而不會對Dempster的合成規則帶來影響。

結束語

本文通過分析紡織制造系統集成和數據管理是如何進行運作的，在大數據的環境下提出了構建完備的系統方式，從而使得紡織中的各種業務以及生產數據能夠不斷提升集成效率，并在運行速度較快、結果處理準確和易維護中可以解決紡織企業的上層計劃和車間制造層信息難以銜接的問題，同時在整體優化中保障紡織企業能夠在信息化中提升紡織效率。

[1]陳振,邢明杰.淺析我國紡織制造業現狀與產業升級建議[J].棉紡織技術,2016,44(04):80-84.

[2]繆旭紅,趙帥權,徐存東，等.紡織制造執行系統開發與應用中的關鍵技術[J].棉紡織技術,2015,43(06):37-40.

[3]沈海生.芻議紡織服裝企業的生產管理優化問題[J].藝術科技,2016,29(03):342-342.

1004-7026（2017）04-0101-02

TS103

A

10.16675/j.cnki.cn14-1065/f.2017.04.075