基于大数据背景下的纺织制造系统设计研究

2022-09-11

1 大数据背景下纺织制造系统结构设计

为了能够促进纺织业能够在海量的纺织数据中实现集成和管理的目标, 可以在结构设计中将生产、研发以及设计等功能在集成管理的平台中进行统一管理, 从而可以使得企业中的数据能够实现共享以及供用的目的, 同时还能够帮助企业解决信息“孤岛”的问题。因此, 这就需要在当前所具有的信息量基础上而分析纺织机械中的各种回路数据, 并设计运用HDFS进行存储数据, 而Map Reduce则可以分析和处理纺织中的海量数据, 然后再通过HBase进行各种数据的存储, 最后能够有效实现数据融合的目的。由于当前在纺织制造方面和其他的机械工程存在较大的差异性[2], 其整个过程中都发生了化学和物理的变化, 这就使得纺织制造中各类数据需要在不同的信息中心进行交换, 所以纺织中的大数据存储可以通过抽取纤维属性和成纱质量之间的关系进行标示, 而纺织中的整个数据都和“品种”之间建立了良好的关系, 同时通过大数据收集的方式而能够把上层计划和底层控制层的信息衔接起来, 例如纤维属性和纺纱质量的非线性关系, 都能够在这层关系中得到很好的展示。从大数据的角度分析, 大数据所构建的结构能够在不同的数据结构中进行实施获取, 从而建立多个数据信息之间的链接关系, 其主要的目的就是能够在不同的品种数据中找到一定的相关性, 从而有效增强纺织中低层数据收集和分析的能力[3], 最后, 纺织数据就可以在这一关系规则中而掌握数据对接, 并进行科学处理, 如通过数据融合的方式而进行处理, 从而能够从海量的数据充分“挖掘”纤维属性和纺纱质量或者是坯布质量关系, 通过在线检测的方式而掌握织物成品的质量。

2 大数据背景下纺织数据分析

2.1 纺织数据分析

一般情况下, 纺织数据主要从织布车间中的案例进行分析。如果企业中一定有300台织机, 然而每台织机在不同的转速中需要作出不同的调整。在本文中所论述的问题采用的机械类型是CJJ 140×140, 而机械的计划转速大约是460r/min。结合特定条件下的工艺分析可知, 织机系统中所产生脉冲信号数是7.7个/s (织机产生过程中每秒所产生的数据记录是7条) 。除了正常的检修和维护工作之外, 织机每天运转四班所需要的时间是24h, 那么300台织机在产生中所产生的数据记录是6J 000多万条, 而一天安排三个同时进行产生所产生的数据记录是180多万条。根据织机在生产中所得到的数据表可知, 每个字段数据类型共需5008 B, 那么织布每天产生数据量乘以每条记录所占空间的字节数可以得到84.5J GB。从制造层面分析可知, 纺织企业车间中每天产生数据量是0.66TB, 同时通过纺织机而带动的电动机回路数据, 织机中的文本类型、配棉以及工艺数据, 都可以为设备信号的输出而提供数据资料[4]。但是在纺织制造中属于非线性以及多变量的系统, 这就导致了制造过程中所得到的数据具有不确定性问题, 如数据量出现倍增的情况等, 从而难以保证纺织制造中的质量和产量数据, 这对纺织企业获取有效数据资料也带来较大的影响。因此, 在无“大数据”背景下, 企业如何获取准确的数据而为生成提供帮助, 已成为了国内外研究者高度关注的重要问题。

2.2 试验比较分析

运用k-means的算法并结合Dk-means进行验证与对比, 从而很好地掌握纤维属性、坯布质量以及纺纱质量三者的关系, 并在纺织大数据中根据存储体系而做好品种分类, 进而能够有效提取出棉纱的数据, 这些数据一共涉及了四个数据源, 第一个是纺织中ERP系统以及清梳车间的监测系统, 这主要是提取其基本原料纤维所具有的属性数据, 如纤维拉伸的数据;第二个是细纱车间以及筒并捻车间中的监测系统, 这主要是掌握良好纱线质量的数据;第三个是织布车间中的监测系统, 这主要是提取坯布的质量数据, 通过整合这些数据资料能够为试验提供良好的数据集[5]。在试验中平台搭建是:Windows2003和PC服务器 (2台) , 再结合其他的服务器供2台, 从而形成了内存是32GB、硬盘容量1TB以及1GB/s的带宽峰值系统, 并用VS2008算法编程同时进行测试。

本试验中的具体设计内容中运用机器200台, 并对每台机器中的100个进程进行Dk-means的聚类算法进行实验, 一共分成三个小组进行聚类测试, 其中在小数据中的容量是2GB, 而在大表数据中的容量是1TB。从第1组中选取二维数据一共100个, 并根据棉纱的品种将其划分为四个不同的类型, 从而能够将群体的规模对应是4, 同时通过最大的迭代次数是20, 而聚类的效果图如下所示。由此可见, 数据量中的二维数据是100个, 并且品种的分类比较少时, 那么k-means和Dk-means的算法之间存在区别就不显著, 然而局部的寻优能力却十分强。所以, 纺织大数据的环境之下, 纺织制造中的数据聚类分析可以最大限度的改进Dk-means和k-mean算法的全局寻优能力, 同时也能够在传送聚簇和纺织数据中避免大量数据的传送, 这在一定程度上能够有效提升聚类分析效率, 从而能够为海量的纺织数据提取而做好准备。

3 大数据背景下异构纺织数据融合

3.1 局部融合

通过纺织制造中的各个数据环境分析可知, 传感器的构成主要是由Hadoop中三层纺织所得到的数据并进行存储的体系, 这一中心主要是运用下位机的监测器而有效掌握传感器数据信息并实施推理, 从而能够更好地达到数据判断的目的。但是, 在不同的监测器中, 其传感器提供数据很容易会对制造过程而带来较大的影响, 其中还存在一些不确定的因素, 例如机台、原料、环境以及系统等都会受到干扰, 正是这些不确定的因素会严重的影响数据的准确性, 尤其是生产过程中的高维、强相关、非线性以及多噪声的特点都会受到严重的影响[5]。而在D-S证据相关的理论指导下, 这种具有不确定性的推理方式就会在处理数据中有一定的优势, 即能够用信任函数方式而代替概率, 并且也可以有效集合方式而有效掌握数据。除此之外, 在D-S证据的理论下, 需要解决上文中所提到的四个特点也能够提供良好的保障。所以通过局部融合的方式而更好地掌握传感器中加权因子的分配方式。

3.2 纺织数据融合近似算法

通过证据组的方式而有效掌握各个不同的规则, 其中k作为一个有效衡量证据冲突情况的系数, 可以对其实施计算, 例如当k=1时, 这就表示D-S证据不可以采用组合的方式进行数据融合。正如上文所述, 在规定的数据融合的背景下, 纺织制造中下位机的监测器可以实时收集数据, 而且还不会受到外界的影响。例如其中所发生的概率, 其赋值是0时, 分配问题就会k=1或者是趋于1, 进而使得数据融合过程中的结果和实际结构之间出现相悖的问题, 然而D-S的证据理论则可以有效解决近似算法中的问题[6]。其基本的思路是Mass函数减少焦元的个数, 而能够在简化计算中掌握良好的数据。当Mass函数产Bayes的信任函数, 那么Mass函数则可以用Bayes代替, 从而不会对Dempster的合成规则带来影响。

结束语

本文通过分析纺织制造系统集成和数据管理是如何进行运作的, 在大数据的环境下提出了构建完备的系统方式, 从而使得纺织中的各种业务以及生产数据能够不断提升集成效率, 并在运行速度较快、结果处理准确和易维护中可以解决纺织企业的上层计划和车间制造层信息难以衔接的问题, 同时在整体优化中保障纺织企业能够在信息化中提升纺织效率。

摘要：在当前的纺织业发展过程中需要解决系统集成以及数据管理的问题, 按照纺织制造流程, 而对产生工序中的海量数据实施分析, 从而能够对车间制造中在信息衔接问题的解决带来帮助。因此, 这就需要对之前已存在的数据系统、传感器以及文本类型而建构纺织大数据系统, 从而有效帮助解决信息衔接的问题, 从而能够使得纺织制造在大数据环境中实现在线检测的目标。

关键词：大数据背景,纺织制造,系统设计,研究