物料自动化输送系统实时可视化故障预警技术

自动化输送是现代化物料运输中被广泛应用的系统,但该系统在实际应用过程中存在无法及时解决与处理故障问题、复杂故障不支持溯源以及故障预警人机交互不够智能、便利等问题现象。因此,针对此种问题现象需要进一步开发与应用实时可视化故障预警技术,用以实现动态化、智能化、可视化的故障问题预警,进而全方位维护物料自动化输送系统的安全、稳定运行。鉴于此,本文以典型数字化车间物料输送系统为例,展开对基于实时可视化故障预警技术的物料自动化输送系统构建研究,以期为提高系统故障预警效率、减少系统运行维护成本、提高生产效率提供参考与借鉴。

应用改进K-means算法的批量定制服装号型分类

为合理确定批量定制服装的版型数量,运用K-means算法,以4个测量项目(身高、胸围、腰围、领围)为分类变量对347名男性进行聚类分析.分别以国标和非国标号型对初始聚心选择和聚类数的确定进行探讨,并以Calinski-Harabasz(CH)指标、变异系数和相对偏差比较了国标和非国标号型的聚类效果.研究结果表明,运用最大最小距离法确定初始聚心的非国标号型分类结果与国标GB/T 1335.1—2008分类结果对比,在相同CH值时,服装版型数由26减少到18,身高、胸围、领围和腰围相对偏差超过3%的比例分别从5.48%,39.48%,7.49%,60.52%降低到0.58%,8.07%,3.17%,12.97%.测量项目波动性从大到小依次为腰围、领围、胸围和身高.

基于神经网络的批量定制服装号型分类研究

为提高批量定制服装号型的分类效率,运用神经网络方法,以男衬衫为研究对象,用6个测量项目(身高、胸围、腰围、颈围、肩宽和全臂长)为分类变量,对686名男性人体号型进行K-means聚类分析,并将聚类结果作为样本,对神经网络进行训练和测试。以混淆矩阵为指标研究了不同网络结构、训练算法及传递函数的分类效果。研究表明,分类效果随训练算法、网络结构不同存在明显差异,其中标准BP算法分类效果最差,弹性BP算法分类效果最好,且分类效果随隐层神经元数量的增加而提高,隐层和输出层传递函数均为logsig时,分类效果最好。

上海地区成年女性批量定制服装号型分类研究

为确定批量定制服装合理板型数及提高合体度,以上海地区520名成年女性为研究对象,选择身高、胸围、腰围、领围为变量,提出了基于K-means聚类分析的非国标规格的号型分类方法。探讨了初始聚心的选择和最佳聚类数的确定,并以Calinski-Harabasz(CH)指标、变异系数和相对偏差为指标,对聚类效果进行评价。研究表明:以国标号型规格为初始聚心,号型被分为30类;相同CH指标时,以非国标规格号型为初始聚心,号型被分为20类,即板型数减少,且变异系数和相对偏差明显降低。