基于數據分析的智能服裝行業生產調控方法及系統與流程

本發明涉及智能制造，尤其涉及一種基于數據分析的智能服裝行業生產調控方法及系統。

背景技術：

1、服裝行業是傳統的勞動密集型產業，生產流程涉及設計、打樣、裁剪、縫制、整燙、包裝等多個環節，傳統的服裝生產調控主要依賴于人工經驗和簡單的統計方法，存在著生產效率低、質量不穩定、資源浪費等問題，隨著信息技術的發展和市場競爭的加劇，服裝企業亟需引入智能化的生產調控方法，以提高生產效率，降低成本，滿足多樣化、個性化的市場需求；

2、目前，國內外學者和企業已經開始探索智能化的服裝生產調控方法，其中，大部分采用機器學習算法，如支持向量機、決策樹等，對生產數據進行建模和預測，然而，現有的研究和應用存在缺乏對服裝生產全流程的系統優化、生產數據的采集和處理不夠智能以及知識驅動的決策支持不夠深入的問題；

3、因此，亟需一種方法解決現有技術中存在的問題。

技術實現思路

1、本發明實施例提供一種基于數據分析的智能服裝行業生產調控方法及系統，至少能解決現有技術中存在的部分問題。

2、本發明實施例的第一方面，提供一種基于數據分析的智能服裝行業生產調控方法，包括：

3、設置智能數據采集平臺，基于所述智能數據采集平臺中的數據采集代理模塊，結合數據流實時傳輸技術采集服裝生產設備、供應鏈管理系統和銷售終端系統中的異構數據，對于所述異構數據，通過基于規則的數據清洗算法和基于學習的數據清洗算法識別缺失值和異常值，進行清洗并轉換為向量化表示，通過基于張量分解的多視角數據融合算法進行共性特征提取，結合所述向量化表示生成綜合數據集，通過多模態特征表示學習算法提取多模態特征表示并構建服裝生產數字孿生模型；

4、通過本體知識建模方法定義服裝生產領域的核心概念、屬性和關系，基于所述綜合數據集進行數據抽取，生成三元組并構建服裝生產知識圖譜，基于圖注意力網絡算法構建服裝生產數據分析模型，將所述服裝生產知識圖譜添加至所述服裝生產數據分析模型中，通過注意力機制自適應提取關鍵特征并確定隱性關聯規律，生成跨模態知識圖譜，結合所述服裝生產知識圖譜對應的先驗知識，通過知識推理算法識別服裝生產調控規則，結合多目標優化算法求解得到服裝生產調控參數；

5、基于強化學習算法構建決策評估模型并設置獎勵函數，將所述服裝生產調控參數解析為生產調控決策，通過所述決策評估模型對所述生產調控決策進行評估，基于評估結果進行動態修正，得到優化生產調控決策，將所述優化生產調控決策下發至服裝生產車間的設備終端并結合任務需求自適應優化服裝生產，采集生產過程中的實時生產數據并更新所述服裝生產數字孿生模型和所述服裝生產知識圖譜，周期性優化直至生產任務完成。

6、在一種可選的實施方式中，

7、設置智能數據采集平臺，基于所述智能數據采集平臺中的數據采集代理模塊，結合數據流實時傳輸技術采集服裝生產設備、供應鏈管理系統和銷售終端系統中的異構數據，對于所述異構數據，通過基于規則的數據清洗算法和基于學習的數據清洗算法識別缺失值和異常值，進行清洗并轉換為向量化表示，通過基于張量分解的多視角數據融合算法進行共性特征提取，結合所述向量化表示生成綜合數據集，通過多模態特征表示學習算法提取多模態特征表示并構建服裝生產數字孿生模型包括：

8、基于微服務架構設置智能數據采集平臺，其中，所述智能數據采集平臺包括數據采集代理模塊、消息中間件、數據清洗模塊和數字孿生引擎，所述數據采集代理模塊采用邊車模式，與服裝生產設備、供應鏈管理系統和銷售終端系統的數據接口容器化部署，對于所述服裝生產設備中的數據，周期性采集設備參數和狀態數據，對于非標準的私有協議，結合邊緣計算網關，通過協議解析和數據轉換生成標準設備數據并發送至所述消息中間件，對于供應鏈管理系統，通過表述性狀態接口進行對接，定期拉取采購訂單、庫存水平和物流狀態作為供應鏈數據，將所述供應鏈數據抽取至預先設置的數據集市并發送至所述消息中間件，對于銷售終端系統，通過數據抓取技術定期獲取電商平臺的銷售數量，對于非結構化的用戶評論數據，結合情感分析和主題挖掘技術提取產品屬性詞和情感極性并發送至所述消息中間件，組合所述消息中間件中的數據，得到所述異構數據；

9、對于所述異構數據中的結構化數據，通過基于分布式結構化查詢語言引擎的數據質量校驗函數驗證數據的完整性和沖突性，結合業務規則識別不合規數據并去除，對于非結構化數據，通過基于分布式機器學習庫的數據預處理算法，使用詞嵌入算法將文本數據中的詞映射至低維度向量空間，生成詞向量并執行清洗，通過卷積神經網絡提取圖像數據中的多尺度紋理和邊緣，生成圖像特征向量，根據預先設置的質量閾值對所述圖像特征向量進行清洗，對于時間序列數據，選擇符號聚合近似算法進行分段聚合逼迫和符號映射算法，將所述時間序列數據映射為符號序列，減小數據維度并提取時間序列的形態特征，基于所述形態特征進行異常值識別和缺失值補全；

10、在清洗過程中，通過自適應閾值策略，根據數據質量調整缺失值和異常值的閾值，對于清洗過程中存在的無法判斷的數據，通過人工智能技術選擇最具有代表性的數據進行標注，重復清洗并將清洗后的異構數據轉換為向量化表示；

11、對于向量化表示的異構數據，通過基于張量分解的多視角數據融合算法構造為高階張量，其中，所述高階張量的每個維度對應一個數據視角，通過塔克分解算法對所述高階張量進行低秩逼近，得到一個核心張量和多個因子矩陣，將領域本體知識作為約束施加至所述核心張量和所述因子矩陣，通過基于圖的數據融合策略構建異構信息網絡，將不同視角的特征向量作為為節點，特征之間的關聯關系作為邊，根據語義相似度確定邊的權重，結合隨機游走的網絡嵌入算法學習網絡節點的低維嵌入表示并映射至同一個語義空間，得到共性特征并基于所述共性特征構建得到所述綜合數據集，通過多模態特征表示學習算法提取所述綜合數據集中的多模態特征表示，結合所述數字孿生引擎，構建服裝生產車間的虛擬仿真環境，結合預先設置的三維集合庫將實體抽象為三維模型，得到所述服裝生產數字孿生模型。

12、在一種可選的實施方式中，

13、通過塔克分解算法對所述高階張量進行低秩逼近如下公式所示：

14、；

15、其中， x表示高階張量， g表示核心張量，× n表示張量的模乘積運算，表示第 n個因子矩陣， n表示因子矩陣的總數量， n表示因子矩陣的索引， λ表示平滑性約束的正則化參數， tr表示矩陣的跡， l n表示圖拉普拉斯矩陣，表示因子矩陣，‖‖ f表示弗羅貝尼烏斯范數。

16、在一種可選的實施方式中，

17、通過本體知識建模方法定義服裝生產領域的核心概念、屬性和關系，基于所述綜合數據集進行數據抽取，生成三元組并構建服裝生產知識圖譜，基于圖注意力網絡算法構建服裝生產數據分析模型，將所述服裝生產知識圖譜添加至所述服裝生產數據分析模型中，通過注意力機制自適應提取關鍵特征并確定隱性關聯規律，生成跨模態知識圖譜，結合所述服裝生產知識圖譜對應的先驗知識，通過知識推理算法識別服裝生產調控規則，結合多目標優化算法求解得到服裝生產調控參數包括：

18、基于專家訪談和文獻調研獲取服裝生產領域的核心概念、屬性和關系，對服裝生產領域知識進行形式化表示，基于本體知識建模方法確定層次結構，劃分上位概念和下位概念，整合獲取到的知識并定義生產任務本體，將生產流程抽象為有向無環圖，其中，節點表示生產任務，邊表示任務間的依賴關系，通過基于語義描述的本體匹配算法識別不同本體之間的語義映射關系，基于所述語義映射關系進行知識融合，結合基于邏輯推理的本體對齊算法消除語義異議并進行本體推理與擴展，得到本體知識庫；

19、對所述綜合數據集進行語義標注和知識抽取，提取實體、屬性和關系生成三元組，將所述三元組導入預先設置的圖數據庫中，構建頂點和邊的屬性索引，得到所述服裝生產知識圖譜，基于圖注意力網絡算法構建服裝生產數據分析模型，將所述服裝生產知識圖譜轉化為圖嵌入表示并添加至所述服裝生產數據分析模型中，通過圖注意力網絡學習所述服裝生產知識圖譜中頂點的語義表示，通過注意力權重聚合鄰居信息并更新自身特征表示，基于預先設置的不同粒度的注意力函數計算所述服裝生產知識圖譜中元素的重要性權重并加權生成所述關鍵特征，對所述關鍵特征進行可解釋性分析，結合關聯規則挖掘算法確定生產要素之間的頻繁共現模式和序列模式，結合圖模式匹配技術識別語義關聯結構，得到所述隱性關聯規律，基于所述隱性關聯規律和所述服裝生產知識圖譜，構建得到所述跨模態知識圖譜；

20、獲取所述服裝生產知識圖譜對應的先驗知識，將所述先驗知識與所述跨模態知識圖譜進行融合，通過知識推理算法根據已有的生產規則對融合先驗知識的跨模態知識圖譜進行邏輯推斷，得到所述服裝生產調控規則，基于多目標優化算法，以生產效率最大化和質量損失最小化為目標構建目標函數，基于遺傳算法對所述目標函數進行求解，生成帕累托最優解集并通過禁忌搜索進行優化搜索，得到所述服裝生產調控參數。

21、在一種可選的實施方式中，

22、基于多目標優化算法，以生產效率最大化和質量損失最小化為目標構建目標函數如下公式所示：

23、；

24、其中， x i表示生產任務 i的加工時間， t i表示任務 i的標準加工時間， c i表示任務 i的質量損失系數， μ i表示生產任務 i的質量損失率， m表示任務總數量，表示質量損失的實際值，表示生產效率的實際值。

25、在一種可選的實施方式中，

26、基于強化學習算法構建決策評估模型并設置獎勵函數，將所述服裝生產調控參數解析為生產調控決策，通過所述決策評估模型對所述生產調控決策進行評估，基于評估結果進行動態修正，得到優化生產調控決策，將所述優化生產調控決策下發至服裝生產車間的設備終端并結合任務需求自適應優化服裝生產，采集生產過程中的實時生產數據并更新所述服裝生產數字孿生模型和所述服裝生產知識圖譜，周期性優化直至生產任務完成包括：

27、基于強化學習算法，根據服裝生產調控決策的特點，將所述服裝生產調控參數作為狀態變量構建多維狀態空間，將服裝生產調控決策作為動作變量，構建動作空間，根據生產效率、質量損失和能耗設置多目標獎勵函數，基于所述多維狀態空間，所述動作空間和所述多目標獎勵函數構建所述決策評估模型；

28、將所述服裝生產調控參數解析為生產調控決策并作為輸入數據添加至所述決策評估模型中，通過前向傳播計算當前生產調控決策對應的預期累積獎勵，將所述預期累積獎勵與預先設置的獎勵閾值進行比較，若所述預期累積獎勵大于所述獎勵閾值，則認為當前生產調控決策為優化生產調控決策，否則，通過策略梯度算法對所述生產調控決策進行優化，得到優化生產調控決策；

29、將所述優化生產調控決策下發至服裝生產車間的設備終端，所述設備終端根據接收到的決策指令，結合生產任務需求自適應優化服裝生產過程，實時監測服裝生產狀態并動態調整工藝參數和資源配置，采集不同生產狀態下的實時生產數據，將所述實時生產數據傳輸至所述服裝生產數字孿生模型中，通過數據同步和映射進行更新，通過更新后的服裝生產數字孿生模型生成仿真數據并更新所述服裝生產知識圖譜和所述跨模態知識圖譜；

30、設置優化周期，循環執行優化，在每個優化周期內，重復執行和生成所述優化生產調控決策，直至生產任務完成或達到預先設置的優化目標。

31、在一種可選的實施方式中，

32、通過策略梯度算法對所述生產調控決策進行優化如下公式所示：

33、；

34、其中，表示在狀態 s下，當前策略 π θ選擇動作 a的概率，表示在狀態 s下，舊策略 π old選擇動作 a的概率， e表示期望， a( s， a)為優勢函數，表示在狀態 s下，選擇動作 a的額外收益， ε表示修剪范圍，clip()表示修剪函數。

35、本發明實施例的第二方面，提供一種基于數據分析的智能服裝行業生產調控系統，包括：

36、第一單元，用于設置智能數據采集平臺，基于所述智能數據采集平臺中的數據采集代理模塊，結合數據流實時傳輸技術采集服裝生產設備、供應鏈管理系統和銷售終端系統中的異構數據，對于所述異構數據，通過基于規則的數據清洗算法和基于學習的數據清洗算法識別缺失值和異常值，進行清洗并轉換為向量化表示，通過基于張量分解的多視角數據融合算法進行共性特征提取，結合所述向量化表示生成綜合數據集，通過多模態特征表示學習算法提取多模態特征表示并構建服裝生產數字孿生模型；

37、第二單元，用于通過本體知識建模方法定義服裝生產領域的核心概念、屬性和關系，基于所述綜合數據集進行數據抽取，生成三元組并構建服裝生產知識圖譜，基于圖注意力網絡算法構建服裝生產數據分析模型，將所述服裝生產知識圖譜添加至所述服裝生產數據分析模型中，通過注意力機制自適應提取關鍵特征并確定隱性關聯規律，生成跨模態知識圖譜，結合所述服裝生產知識圖譜對應的先驗知識，通過知識推理算法識別服裝生產調控規則，結合多目標優化算法求解得到服裝生產調控參數；

38、第三單元，用于基于強化學習算法構建決策評估模型并設置獎勵函數，將所述服裝生產調控參數解析為生產調控決策，通過所述決策評估模型對所述生產調控決策進行評估，基于評估結果進行動態修正，得到優化生產調控決策，將所述優化生產調控決策下發至服裝生產車間的設備終端并結合任務需求自適應優化服裝生產，采集生產過程中的實時生產數據并更新所述服裝生產數字孿生模型和所述服裝生產知識圖譜，周期性優化直至生產任務完成。

39、本發明實施例的第三方面，

40、提供一種電子設備，包括：

41、處理器；

42、用于存儲處理器可執行指令的存儲器；

43、其中，所述處理器被配置為調用所述存儲器存儲的指令，以執行前述所述的方法。

44、本發明實施例的第四方面，

45、提供一種計算機可讀存儲介質，其上存儲有計算機程序指令，所述計算機程序指令被處理器執行時實現前述所述的方法。

46、本發明中，通過智能數據采集平臺，采集了服裝生產設備、供應鏈管理系統和銷售終端系統中的異構數據，打通了設計、生產、銷售等環節的數據壁壘，采用規則學習相結合的數據清洗算法和多視角數據融合算法，有效提升了數據質量和融合深度，為后續的分析優化提供了高質量的數據基礎，通過本體知識建模，定義了服裝生產領域的核心概念、屬性和關系，并基于綜合數據集抽取三元組構建知識圖譜，使得生產工藝、質量標準、管理規程等專家知識可通過計算機可理解的形式系統化表示，實現了知識的規范化、結構化管理，為智能調控提供了豐富的領域知識支撐，通過注意力機制自適應提取服裝式樣、面料、工藝、設備等要素的關鍵特征，并從生產實踐數據中發現隱性關聯規律，生成跨模態知識圖譜，從數據、知識、業務的多維度刻畫了服裝生產的內在機理，形成了對生產全局的系統性、關聯性認知，綜上，本發明構建了一套數據-知識-智能深度融合的服裝生產智能調控優化體系，全面提升了服裝生產的數字化、網絡化、智能化水平。對于改善服裝產品質量、提高生產效率、降低運營成本、增強市場響應力等具有顯著效果。