【AI解題案例】傳產有智慧!染整廠自動預測水洗牢度與總色差方案

解題背景

人人都要穿衣服,紡織業的歷史悠久可想而知,但衣布的科技仍持續推陳出新,生產的技術也在升級,本案由叡揚資訊提出需求,希望透過AI技術讓染整廠的新員工也能更快掌握老師傅的絕學,除了為染整業節省人力,也能降低人為因素對產品品質所造成的影響。

早期染整工廠多以手工記錄片段的資料,現在進步了些,能靠機器上的感測器回傳各種數據,但在染整過程中何時該補料或該升降溫度,全憑老師傅的經驗來做判斷,一旦設備故障後重啟用或材料狀況有變,整條染程都可能生變而難以救回。

另一狀況則是針對新配方或新染程的研發,只能不停地嘗試各種組合,直到產出滿意的產品為止,過程中會造成材料與時間的浪費,大幅提高製作成本。對於新進員工來說,想要做到「出師」則是漫漫長路。

承接此案的解題團隊是「馬訓冷凝」(取義Machine Learning),他們提出的作法是在染色過程中,利用多目標預測模型,透過系統化配方與染程,使過往依賴人力判斷的染程部份能透過機器來判斷,自動預測水洗牢度與總色差。

解題技術架構

本案之解題構想擬採用機器學習與深度學習的技術,建立多目標預測模型,將染色機上的溫度、酸鹼值、水位等 IoT 染程資料視為輸入資料,整合染程設計與配方資料,同時預測該染程的水洗牢度與總色差。

方法一:採用機器學習之多目標預測模型

機器學習流程架構圖

機器學習有多種演算法,根據不同的資料型態來使用不同的演算法,能解決分類或迴歸問題。本方法的流程步驟說明如下:

  1. 將歷史染程數據集之每筆工單之每個 IoT 染程數據序列資料,透過快速傅立葉變換(Fast Fourier Transform, FFT)轉成頻譜特徵。
  2. 經步驟 A 計算後之頻譜特徵再透過功率譜密度(Power Spectrum Density, PSD)的計算,轉換為歸一化的功率譜密度。
  3. 將以往各工單染程數據的頻譜特徵,進行自相關函數(Autocorrelation)計算,取得特徵。
  4. 綜合步驟 A 至步驟 C 產生之特徵值,產生個別 IoT 感測器之特徵向量(每一筆工單都有溫度特徵向量 FT、酸鹼值特徵向量 FP、水位特徵向量 FL 及浴比特徵向量 FR 等四種特徵向量)。
  5. 將步驟 A 到步驟 D 進行特徵提取後的四種 IoT 特徵(FT, FP, FL, FR)配對該工單之實際水洗牢度 LW 與實際總色差 LC 作為聯合標籤(LW, LC),形成該工單對應之訓練資料((FT, FP, FL, FR), (LW, LC)) 。
  6. 使用各種機器學習演算法訓練模型,例如分類預測模型及迴歸預測模型。
  7. 因為機器學習演算法的效能常和資料有關,且各種特徵選取及分類/迴歸方法的組合可能性太多,因此解題策略上優先考慮使用單一 IoT 之特徵向量(如溫度 FT)和各種分類器或迴歸模型開始測試。如果正確率的要求未能滿足,再嘗試多感測器的特徵組合以達到模型正確率的要求。

方法二:採用深度學習網路之多目標預測模型

深度學習流程架構圖

LSTM是一種時間遞歸神經網路的深度學習模型,適合於處理和預測時間序列問題,在長時間序列問題中較其他方法有更好的表現。本方法的流程步驟說明如下:

  1. 建立 LSTM 模型:建立一包含(輸入層、LSTM 層、全連結層及 
輸出層)之深度學習網路。
  2. 調整資料序列長度。
  3. 數值範圍正規化:將數入值及輸出值之範圍正規化到-1 到+1之間。
  4. 採用 K-Fold Cross Validation 的方式訓練 LSTM 模型。如訓練結果未達預期正確率,則調整 LSTM 之Hyperparameter (如Cell 個數、學習速率等)並重新訓練模型測試正確率。
  5. 最終基於 LSTM 網路架構下完成能預測水洗牢度與總色差的多目標預測模型。

各水洗牢度各種特徵選取及分類器之準確度

  • psd: power spectrum density, WP: wavelet packet, AVG: piecewise average, LSTM: long short term memory.

** 所有的數據都是透過 5-fold Cross Validation 計算出之平均正確率。

商轉可行性與成果創新價值

紡織業在染整上分秒必爭,當染整人員進行產品染整上時,如果無法快速定義出適合染整的程序,容易導致產品品質上的瑕疵。假設現在有一批新研發的染整配方時,如果能夠有一套可供相應參考的配方流程,對於染整人員來說,不僅提升了產品上的品質,更節省了多方面的嘗試組合,同時,對於該新研發的染整配方能夠提供給染整人員參考。因此,在染整產品上時,如何找出最適合的染整配方,是本方案所要解決的。

本方案創新價值在於染整流程上所面臨水洗牢固度、總色差,在不清楚染整流程的前提下,使用了機器學習等相關技術,提高產品的品質程度,使產品可多次清洗不易損壞,且不會掉色。

很多紡織業者常面臨無法為染整產品提出最合適染整配方的困擾,本方案在運作時,新研發的染整技術被 LSTM 模型預測後,根據該模型的預測結果,提供給染整人員進行微調,並且將成為改進模型的訓練資料,亦即模型是日復一日、永不中斷的從舊、新資料中自我學習,而非一般的機器學習方法。

這將有助解決上述的染整配方問題,亦能夠幫助新創的紡織公司在初期創立時,透過舊有的染整配方提出有效的染整流程,提供給染整人員研發新的染整技術,這也是本方案的市場價值。

另外,本系統也具備易建置、易移植及易維護等性能,在商業運轉上同時具有可行性。

結論

本方案對於專案開發與染整之品質管理,具有相當高的實用性且具有易建置、易維護及易移植等特色,採用的方法也具有理論的支持,並解決了各項影響因子與染整品質的主要問題。

本方案也可針對布料中各別的材質,提取該材質中特有的染整技術,協助技術員在染整中因應各種突發狀況。未來也可結合企業的資料庫,使本系統不僅能用在染整技術上,亦可用於其他層面,如綠色智能化生產、發展個性化染整設備。

(本文為AIGO解題競賽得獎方案;責任編輯:林亮潔)

 

MakerPRO編輯部

Author: MakerPRO編輯部

MakerPRO.cc為華人圈最專注於Maker創新創業、物聯網及共享經濟報導及共筆發表的專業媒體,不論是趨勢分析與評論,或創新實作文章,在華文創新創業媒體領域都具有重要的影響力。

Share This Post On

發表

跳至工具列