一种基于人工智能的工时计算方法与流程

1.本发明涉及缝纫机技术领域，尤其涉及一种基于人工智能的工时计算方法。


背景技术：

2.目前，物联网缝制设备已经基本替代了普通缝纫机，并且随着工票软件以及吊挂系统的发展，物联网缝制设备无法单独计工时的缺陷也越来越明显。
3.有资料显示，现有技术中，工人以及车间管理对工人的缝纫速度和效率处于一种茫然的状态，只能通过工人每包货的交货时间、每天的交货数量等比较粗浅的工作数据对工人的工作效率来估计他们的效率。如今工时被细分为缝纫时间、调整时间、放料拿料时间等，市场上对精确工时计算的需求越来越多，因此物联网缝纫机系统能否精确计算这些时间数据，能否满足客户使用和查看的需求，也越来越重要。
4.中国专利文献cn110241517a公开了一种“缝纫机的计时方法/系统、存储介质、缝纫机及计时网络”。缝纫机的计时系统包括：控制模块，用于识别计时模式的选择，并根据计时模式的选择，查找与该选择匹配的计时模式；计时模块，用于根据查找到的计时模式，在所述缝纫机进入缝纫工作状态后，予以对所述缝纫机的工作状态进行计时。上述技术方案缺少对于工时的精确计算，难以满足客户对精确工时使用和查看的需求。


技术实现要素：

5.本发明主要解决原有的技术方案缺少对于工时的精确计算，难以满足客户对精确工时使用和查看的需求技术问题，提供一种基于人工智能的工时计算方法。
6.本发明的上述技术问题主要是通过下述技术方案得以解决的：本发明包括以下步骤：
7.获取工人缝制事件数据，构建训练模型；
8.用训练模型基于工人缝制事件数据分类筛选构建工人数据针数群；
9.获取工人单件产品特征，基于工人单件产品特征对工人数据针数群进行截取分段；
10.对截取分段的段内时间计算得到工时。
11.用构建的模型分类筛选构建工人数据针数群，基于工人单件产品特征对工人数据针数群进行截取分段；对截取分段的段内时间计算得到工时。这样是通过人工智能自动获得的工时数据，获取方便，而且训练模型的构建提高了计算工时的速度以及获得的工时的精度，效率高，满足对精确工时使用和查看的需求。
12.作为优选，所述工人缝制事件数据包括事件产生的时间、事件类型和事件参数，事件类型包括缝纫机各种动作或状态。
13.作为优选，所述获取工人缝制事件数据，构建训练模型具体包括，根据事件数据获取针数和、缝制时间和动作序列，根据针数和、缝制时间和动作序列构建训练模型。
14.作为优选，所述根据事件数据获取针数和、缝制时间包括，将事件产生的时间转换
为时间戳，从而将事件数据转换为时间戳数据，转换后每一行时间戳数据为每一次剪线内的数据，包括当次剪线内第一个电机启动的时间、当次剪线内的针数和、当次剪线内最后一个电机停止的时间，根据转换后每一行数据获取对应缝制时间和针数和。
15.作为优选，所述根据事件数据获取动作序列包括，将事件产生的时间转换为时间戳，从而将事件数据转换为动作序列，转换后动作序列包括若干数组，每个数组对应动作序列特征，所述每个数组对应的每个元素含义包括事件时间和事件类型。
16.作为优选，所述将事件数据转换为动作序列还包括：将动作序列特征进行细分得到的动作细分特征，将动作细分特征进行统计，使用统计后出现的动作细分特征计算在每个数组中出现的次数，将计算后得出的数据作为训练模型的动作序列。由于动作序列的长度不等，可以按一至四个组合进行细分，某些细分特征出现的次数极少不具备分类的作用。
17.作为优选，所述根据针数和、缝制时间和动作序列构建训练模型包括：结合缝制时间、针数和以及动作序列构建训练模型的数据特征，通过pca对训练模型的数据特征进行降维，对针数和进行分群处理获得针数和针群数，通过svc将降维后训练模型的数据特征与针数和针群数进行训练构建训练模型。
18.作为优选，所述用训练模型基于工人缝制事件数据分类筛选构建工人数据针数群包括，采集缝制时间数据构建缝制时间数据的数据特征，用训练模型进行分类得到缝制时间数据的匹配概率，设定概率阈值，若缝制时间数据的匹配概率不小于概率阈值，则将其归于工人数据针数群。
19.作为优选，所述获取工人单件产品特征包括，获取工人标注的前若干件中的针数群组，将工人标注的前若干件中的针数群组进行求平均得到工人单件产品特征。
20.作为优选，所述对截取分段的段内时间计算得到工时包括，计算截取分段的段内时间差的和作为工人的缝制时间，计算截取分段的段内总时间减去缝制时间则为缝制时的调整时间，计算两个截取分段的前一个结束时间和后一个开始时间之间的时间为工人放料拿料的时间。
21.本发明的有益效果是：用构建的模型分类筛选构建工人数据针数群，基于工人单件产品特征对工人数据针数群进行截取分段；对截取分段的段内时间计算得到工时。这样是通过人工智能自动获得的工时数据，获取方便，而且训练模型的构建提高了计算工时的速度以及获得的工时的精度，效率高，满足对精确工时使用和查看的需求。
附图说明
22.图1是本发明的一种流程图。
23.图2是本发明的一种事件数据。
24.图3是本发明的一种关于针数和、缝制时间的时间戳数据特征图。
25.图4是本发明的一种关于动作序列的时间戳数据特征图。
26.图5是本发明的一种动作细分特征图。
27.图6是本发明的一种pca处理前特征图。
28.图7是本发明的一种pca处理后特征图。
29.图8是本发明的一种针数和针数群。
30.图9是本发明的一种工人缝制数据特征图。
31.图10是本发明的一种工人缝制数据匹配概率图。
32.图11是本发明的一种工人数据针数群。
33.图12是本发明的一种标注数据针数群图。
具体实施方式
34.下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
35.实施例：本实施例的一种基于人工智能的工时计算方法，如图1所示，包括以下步骤：
36.s1，获取工人缝制事件数据，构建训练模型。工人缝制事件数据包括事件产生的时间、事件类型和事件参数，事件类型包括缝纫机各种动作或状态。获取工人缝制事件数据，构建训练模型具体包括，根据事件数据获取针数和、缝制时间和动作序列，根据针数和、缝制时间和动作序列构建训练模型。其中，如图2所示，图2左侧罗列的数据为工人缝制事件数据，分为三部分并由逗号隔开，分别是事件产生的时间、事件类型、事件参数。可以用数字代表缝纫机各种动作或状态，并对应事件参数，例如0的含义是设备关机，1的含义是设备开机，2的含义是电机启动，3的含义是电机停止且对应的事件参数是此次缝制的针数，4的含义是抬压脚，5的含义是放压脚，6的含义是缝纫机的剪线、7的含义是缝纫机的后剪线，9的含义是加固缝，10的含义是针距调整，图2右侧罗列了数字对应含义以及参数的表格。后文中缝纫机的动作事件由相对应的数字来代替，用[]表示一串数据的组合。
[0037]
根据事件数据获取针数和、缝制时间包括，将事件产生的时间转换为时间戳，从而将事件数据转换为时间戳数据，转换后每一行时间戳数据为每一次剪线内的数据，包括当次剪线内第一个电机启动的时间、当次剪线内的针数和、当次剪线内最后一个电机停止的时间，根据转换后每一行数据获取对应缝制时间和针数和。如图3所示，举例了实际操作中会显示的时间戳，图中每一行含义是[当次剪线内第一个电机启动的时间(即当次动作2对应的事件产生的时间)，当次剪线内的针数和(即当次动作3的事件参数)，当次剪线内最后一个电机停止的时间(即当次动作3对应的事件产生的时间)]，对应缝制时间、针数和这两个特征。时间戳在代码中用于计算时间差。
[0038]
根据事件数据获取动作序列(即事件类型序列)包括，将事件产生的时间转换为时间戳，从而将事件数据转换为动作序列，转换后动作序列包括若干数组，每个数组对应动作序列特征，所述每个数组对应的每个元素含义包括事件时间和事件类型。如图4所示，举例了实际操作中会显示的时间戳，图中每一行数组的含义是[事件时间，事件类型]。
[0039]
由于动作序列的长度不等，可以按一至四个组合进行细分，某些细分特征出现的次数极少不具备分类的作用。将事件数据转换为动作序列还包括：将动作序列特征进行细分得到的动作细分特征，将动作细分特征进行统计，使用统计后出现的动作细分特征计算在每个数组中出现的次数，将计算后得出的数据作为训练模型的动作序列。举例进行说明:假设动作序列为4545234523293456，按照一至四个组合拆分为[4,5,4,5,2,3,4,5,2,3,2,9,3,4,5,6],[45,45,23,45,23,29,34,56],[454，523，452，329，345]，[4545,2345,2329,3456]。将动作序列特征细分为若干特征后，由于动作序列的长度不等，某些细分特征出现的次数极少不具备分类的作用会进行略去,例如上述按四个组合进行拆分的特征[4545,2345,2329,3456]就可以略去，然后进行细分特征的统计。使用统计后出现的特征计算在每
个数组中出现的次数，这里是数组为图4中的每个数组，指的是每个剪线内的动作序列。计算后得出如图5所示的若干列数据，将这些数据作为动作序列这一项特征。
[0040]
根据针数和、缝制时间和动作序列构建训练模型包括：结合缝制时间、针数和以及动作序列构建训练模型的数据特征，通过pca对训练模型的数据特征进行降维，对针数和进行分群处理获得针数和针群数，通过svc将降维后训练模型的数据特征与针数和针群数进行训练构建训练模型。
[0041]
举例来说，如图6所示即为训练模型的数据特征，将图3中所示每行数据的时间作差得到如图6第一列所示的数据(即当次剪线内最后一个电机停止的时间减去当次剪线内第一个电机启动的时间，即缝制时间)，图6中第二列为图3中的针数和，第三至最后一列为图5中的动作细分特征。
[0042]
如图6举例所示的特征维数为m(图中每一列为一个特征，共n列)，通过pca对训练模型的数据特征进行降维处理得到n维，得到如图7所示特征图。降低后的维数可以自定，例如可以选择降维后n为m的一半。
[0043]
对针数和进行分群处理获得针数和针群数，例如图8所示的0-6(数字越大针数越大)的针数和针数群，具体分群示例如下:假设针数和为[10,12,20,22,50,55,100],那么可以明显得到4个针数和针数群组即[10,12]，[20,22]，[50,55]，
[0044]
[100]记为0-3的针数群组。
[0045]
将图7所示的pca降维后训练模型的数据特征与图8所示的针数和针数群通过svc进行训练建立训练模型。
[0046]
s2，用训练模型基于工人缝制事件数据分类筛选构建工人数据针数群包括，采集缝制时间数据构建缝制时间数据的数据特征，用训练模型进行分类得到缝制时间数据的匹配概率，设定概率阈值，若缝制时间数据的匹配概率不小于概率阈值，则将其归于工人数据针数群。
[0047]
举例来说，用训练模型基于如图9所示的工人缝制事件数据进行分类筛选，图9中每一列与图7中每一列的含义一致。分类筛选后会获得如图10所示的匹配概率，图10中共7列，从左到右每一列代表0-6的针数群组，每一行代表每个剪线的特征，每一行中若其概率大于预设阈值，则将其归于工人数据针数群。最后得到如图11所示的工人数据针数群。其中，预设阈值可以设为60％-80％，具体根据实际需求设置。
[0048]
s3，获取工人单件产品特征，基于工人单件产品特征对工人数据针数群进行截取分段。
[0049]
一种示例，获取工人单件产品特征包括，获取工人标注的前若干件中的针数群组，将工人标注的前若干件中的针数群组进行求平均得到工人单件产品特征。举例来说，获取如图12所示的工人标注的前三件中的针数群组，即工人标注的前三件中的针数群组，对图12中的三个针数群组进行求平均，可得本案例中4个针数群6和2个针数群4即为工人完成一件的特征。对图11中的工人数据针数群按连续的4个6和2个4进行截取分段。
[0050]
另一种示例中，获取工人单件产品特征可以采取不标注的方式获得。假设工人缝制事件数据在不知道工人单件产品特征的前提下得到针数群特征为446666446666442666644236666，那么可清晰得知工人单件产品特征为446666，采用这种方案相对于事前标注方案需要进行更多数据的训练，但无需工人进行标注，在利于推广应用
的情况下不增加额外的标注工作以及标注所需的硬件成本。
[0051]
s4，对截取分段的段内时间计算得到工时包括，计算截取分段的段内时间差的和作为工人的缝制时间，计算截取分段的段内总时间减去缝制时间则为缝制时的调整时间，计算两个截取分段的前一个结束时间和后一个开始时间之间的时间为工人放料拿料的时间。
[0052]
计算截取的段内的时间差的和作为工人的缝制时间，具体是将图11中每一行第三列的时间减去第一列的时间，再根据截取段内的个数对这些个数的时间差求和。计算截取的段内的总时间减去缝制时间则为缝制时的调整时间，具体是将图4数据中每个数组的最后一个时间减去第一个时间的时间差，根据截取段内的个数对这些个数的时间差求和，用该时间减去缝制时间即为调整时间。计算两个截取的段内的前一个结束时间和后一个开始时间则为工人放料拿料的时间。以下进行举例说明:
[0053]
若工人数据针数群为[4，4，6，6，6，6，4，4，3，6，6，6，6]，446666为工人单件产品特征，则会截取分段为446666和4436666两段，其中每段中每一个针数群组的缝制时间和为该段的工人的缝制时间，用每段的最后一个6的时间减去每段的第一个4的时间并减去该段缝制时间则为工人的调整时间。4436666也是完成一件，但是其中多了个3的异常针数群组，计算时可以将3算作异常时间单独拎出来，也可将该时间算在工人的缝制时间内(表示工人熟练度不够等)。用4436666的第一个4的时间减去446666最后一个6的时间即为放料拿料时间。
[0054]
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
[0055]
尽管本文较多地使用了针数和、动作序列、训练模型和时间戳等术语，但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质；把它们解释成任何一种附加的限制都是与本发明精神相违背的。

技术特征：
1.一种基于人工智能的工时计算方法，其特征在于，包括以下步骤：获取工人缝制事件数据，构建训练模型；用训练模型基于工人缝制事件数据分类筛选构建工人数据针数群；获取工人单件产品特征，基于工人单件产品特征对工人数据针数群进行截取分段；对截取分段的段内时间计算得到工时。2.根据权利要求1所述的一种基于人工智能的工时计算方法，其特征在于，所述工人缝制事件数据包括事件产生的时间、事件类型和事件参数，事件类型包括缝纫机各种动作或状态。3.根据权利要求2所述的一种基于人工智能的工时计算方法，其特征在于，所述获取工人缝制事件数据，构建训练模型具体包括，根据事件数据获取针数和、缝制时间和动作序列，根据针数和、缝制时间和动作序列构建训练模型。4.根据权利要求3所述的一种基于人工智能的工时计算方法，其特征在于，所述根据事件数据获取针数和、缝制时间包括，将事件产生的时间转换为时间戳，从而将事件数据转换为时间戳数据，转换后每一行时间戳数据为每一次剪线内的数据，包括当次剪线内第一个电机启动的时间、当次剪线内的针数和、当次剪线内最后一个电机停止的时间，根据转换后每一行数据获取对应缝制时间和针数和。5.根据权利要求3所述的一种基于人工智能的工时计算方法，其特征在于，所述根据事件数据获取动作序列包括，将事件产生的时间转换为时间戳，从而将事件数据转换为动作序列，转换后动作序列包括若干数组，每个数组对应动作序列特征，所述每个数组对应的每个元素含义包括事件时间和事件类型。6.根据权利要求5所述的一种基于人工智能的工时计算方法，其特征在于，所述将事件数据转换为动作序列还包括：将动作序列特征进行细分得到的动作细分特征，将动作细分特征进行统计，使用统计后出现的动作细分特征计算在每个数组中出现的次数，将计算后得出的数据作为训练模型的动作序列。7.根据权利要求3所述的一种基于人工智能的工时计算方法，其特征在于，所述根据针数和、缝制时间和动作序列构建训练模型包括：结合缝制时间、针数和以及动作序列构建训练模型的数据特征，通过pca对训练模型的数据特征进行降维，对针数和进行分群处理获得针数和针群数，通过svc将降维后训练模型的数据特征与针数和针群数进行训练构建训练模型。8.根据权利要求3所述的一种基于人工智能的工时计算方法，其特征在于，所述用训练模型基于工人缝制事件数据分类筛选构建工人数据针数群包括，采集缝制时间数据构建缝制时间数据的数据特征，用训练模型进行分类得到缝制时间数据的匹配概率，设定概率阈值，若缝制时间数据的匹配概率不小于概率阈值，则将其归于工人数据针数群。9.根据权利要求1所述的一种基于人工智能的工时计算方法，其特征在于，所述获取工人单件产品特征包括，获取工人标注的前若干件中的针数群组，将工人标注的前若干件中的针数群组进行求平均得到工人单件产品特征。10.根据权利要求1所述的一种基于人工智能的工时计算方法，其特征在于，所述对截取分段的段内时间计算得到工时包括，计算截取分段的段内时间差的和作为工人的缝制时间，计算截取分段的段内总时间减去缝制时间则为缝制时的调整时间，计算两个截取分段
的前一个结束时间和后一个开始时间之间的时间为工人放料拿料的时间。

技术总结
本发明公开了一种基于人工智能的工时计算方法，包括以下步骤：获取工人缝制事件数据，构建训练模型；用训练模型基于工人缝制事件数据分类筛选构建工人数据针数群；获取工人单件产品特征，基于工人单件产品特征对工人数据针数群进行截取分段；对截取分段的段内时间计算得到工时。通过人工智能自动获得的工时数据，获取方便，且训练模型的构建提高了计算工时的速度以及获得的工时的精度，效率高，满足对精确工时使用和查看的需求。确工时使用和查看的需求。确工时使用和查看的需求。


技术研发人员：李志强 卢明安 王明敏 王昊旭
受保护的技术使用者：杰克科技股份有限公司
技术研发日：2023.04.20
技术公布日：2023/8/9