專利地圖及專題文章:AI專利技術解析-布料織造參數推薦系統
![AI專利技術解析-布料織造參數推薦系統 interview-1-01](images/product/20240611134720.png)
來源: Rex Wang 2024-06-11
AI專利技術解析-布料織造參數推薦系統
發明名稱:布料織造參數推薦系統
申請日:110(2021)/04/28
申請人:財團法人紡織產業綜合研究所(TW)
發明專利第202242697A號
一、 本發明之AI技術摘要
本發明之AI技術係揭露一種布料織造參數推薦系統包括使用者介面、資料庫以及伺服器。使用者介面用以輸入布料需求規格及輸出推薦參數。資料庫用以儲存布料織造數據。伺服器耦接於使用者介面及資料庫,用以根據模型、布料織造數據及布料需求規格,產生推薦參數。布料需求規格包括對應固定伸長率的拉伸載荷重量、彈性回復率及單位面積布重中的至少一者,且推薦參數包括主紗喂紗量、主紗丹尼數及織布機針距中的至少一者。
為本發明實施方式的布料織造參數推薦系統之方塊示意圖
二、 本發明之AI技術內容
(一)當前「布料織造參數」技術領域所遭遇到的困難與瓶頸
按,在布料的開發過程中,織布機對於不同規格需求的布料所使用的製造參數常依賴人工經驗來決定。然而,由於各種織布機的運作方式不同,因此當輸入相同的製造參數至不同的織布機時,會產生不同規格的布料,導致往往需依賴大量的人工經驗方能精準地預測並製造出各種規格需求的布料。為了精準地預測並製造出各種規格需求的布料,實有必要建立一種可適用於多種織布機的布料製造參數推薦系統,以縮短布料的開發時程。
(二)本發明之AI系統架構
有鑑於上述傳統布料織造參數所存在的問題,本發明係揭露一些實施方式的布料織造參數推薦系統2,如上述本發明參數推薦系統之方塊示意圖所示,其中本發明布料織造參數推薦系統2係包括使用者介面21、伺服器22及資料庫23,其中伺服器22耦接於使用者介面21及資料庫23。使用者介面21用以輸入布料需求規格RQT及輸出推薦參數RCM。資料庫23用以儲存布料織造數據DATA。伺服器22用以根據模型MD、布料織造數據DATA及布料需求規格RQT產生推薦參數RCM。
詳細而言,當使用者(例如織布廠)將布料需求規格RQT由使用者介面21輸入後,伺服器22可根據模型MD、布料織造數據DATA及布料需求規格RQT產生推薦參數RCM,而推薦參數RCM可進一步由使用者介面21輸出以供織布機運作。換句話說,織布機可根據由使用者介面21輸出的推薦參數RCM精準地製造出所需規格的布料,從而縮短布料的開發時程。本揭露的布料需求規格RQT包括對應固定伸長率的拉伸載荷重量、彈性回復率及單位面積布重中的至少一者,且本揭露的推薦參數RCM包括主紗喂紗量、主紗丹尼數及織布機針距中的至少一者。
其中布料織造數據DATA可以經分類而包括主紗變數、彈性紗變數、彈性回復率、對應固定伸長率的拉伸載荷重量及服裝壓等類別。具體而言,主紗變數可包括主紗用紗成分、主紗張力、主紗喂紗量、織布機針距、主紗丹尼數以及單位面積布重;彈性紗變數可包括彈性紗丹尼數、彈性紗型號、彈性紗比例、彈性紗張力、彈性紗喂紗量及牽伸比例;彈性回復率可包括緯向彈性回復率以及經向彈性回復率;對應固定伸長率的拉伸載荷重量包括對應多個固定伸長率的多個拉伸載荷重量;服裝壓包括對應多個服裝壓的多個緯向服裝壓及多個經向服裝壓。更詳細而言,布料織造數據DATA的類別、各類別所包括的數據項目以及各數據項目所具有的臨界值(最大值與最小值)請參見表一。
即資料庫23可用以儲存紗線規格231、織布機規格232及布料規格233,其中布料規格可包括布料拉伸數據及布料壓力數據(例如服裝壓等)。詳細而言,紗線規格231、織布機規格232及布料規格233可例如是「布料織造數據DATA中有關於紗線、織布機及布料的數據項目」與「以有關於紗線、織布機及布料的數據項目製造出的布料所具有的規格」之間的關聯性。基於上述,資料庫23所儲存的紗線規格231、織布機規格232以及布料規格233可有助於前述模型MD的建立,從而有利於精準地產生推薦參數RCM。
如底下圖示,伺服器22可包括決策模組221及學習模組222,其中決策模組221耦接於使用者介面21,且學習模組222耦接於決策模組221及資料庫23。在一些實施方式中,決策模組221可產生推薦參數RCM,以供織布機根據所述推薦參數RCM精準地製造出所需規格的布料。詳細而言,決策模組221可根據模型MD、布料織造數據DATA及布料需求規格RQT產生推薦參數RCM(產生推薦參數RCM的方式將於下文中詳細說明)。
為本發明另一實施例的布料織造參數推薦系統之方塊示意圖
(三)本發明之AI系統的實施方式
如底下本發明圖式,本發明係從多個群集中提取數據特徵的步驟可包括步驟S71至步驟S77。首先,在步驟S71中,在具有多個點的多維度空間中隨機指派多個群集中心,其中每一個點具有布料織造數據DATA中的多個數據項目(例如主紗用紗條件、彈性紗丹尼數、織布機針距等數據項目),且每個維度代表一個數據項目。應瞭解到,為清楚起見及方便說明,在以下步驟中將僅針對單一個群集中心進行討論。接著,在步驟S72中,由群集中心向外擴張,以產生初始群集。隨後,在步驟S73中,依照初始群集中所具有的多個點的分布狀況移動初始群集的位置,以產生新的群集中心以及由新的群集中心向外擴張而得到的群集。
在一些實施方式中,群集中心的擴張程度與新的群集中心的擴張程度相同。接著,在步驟S74中,計算由新的群集中心向外擴張而得的群集的群集邊界。隨後,在步驟S75中,判斷群集的群集變異(即單一群集中各個點間的變異)是否小於門檻值(例如第一門檻值)。詳細而言,若群集的群集變異小於第一門檻值,代表所述群集中各個點間的變異足夠小,亦即所述群集中各個點所具有的特徵(例如主紗用紗條件、彈性紗丹尼數、織布機針距等數據項目)較為相似且接近。在一些實施方式中,群集中各個點的變異(即群集變異)可介於10%至12%間,且群集間的變異可介於88%至90%間。
為本發明實施例對布料織造數據進行數據分群以產生群集的步驟的流程示意圖
若經步驟S75的判斷後發現群集變異小於第一門檻值時,進行步驟S76,選取並產生所述群集,並進行步驟S77,將取樣點投影到所述群集,以提取數據特徵。舉例而言,若以在步驟S76中所產生的群集中的各個點所織造而成的布料皆具有高彈性回復率的特徵(例如彈性回復率大於80%),而當使用者所需的布料需求規格RQT為彈性回復率95%時,此時可將取樣點投影至所述群集中,以提取所述群集中的數據特徵(亦即,提取該群集中的每一個點)。相對地,若經步驟S75的判斷後發現群集變異不小於第一門檻值時,可回到步驟S73以重新產生新的群集中心,直到產生合適的群集為止。
再如底下本發明圖示,從多個主成分中提取數據特徵的步驟可包括步驟S91至步驟S95。首先,在步驟S91中,對布料織造數據DATA進行數據中心化。具體而言,在具有多個點的多維度空間中,每一個點具有布料織造數據DATA中的多個數據項目,而在此步驟中,可將多個點的布料織造數據DATA進行數據中心化。接著,在步驟S92中,計算中心化的布料織造數據DATA的協方差矩陣特徵。隨後,在步驟S93中,計算協方差矩陣特徵的多個特徵值以及多個特徵向量。
具體而言,一個特徵向量可代表一個主成分(在第5圖的實施方式中即為一個數據項目),而根據所述特徵向量的特徵值的大小,可判斷出所述主成分的重要程度(例如,當特徵值越大,所述主成分對結果所造成的影響越大)。接著,在步驟S94中,提取多個特徵值中大於第二門檻值的至少一者所對應到的特徵向量,以作為主成分。經由上述步驟,可找出布料織造數據DATA中對於特定布料需求規格RQT影響較大的主成分(數據項目),以降低原始的數據矩陣的維度。隨後,在步驟S95中,將取樣點投影到所選取的特徵向量,以提取數據特徵。
為本發明實施例對布料織造數據進行主成分分析以產生主成分的步驟之流程示意圖
基於上述的說明,在從所產生的多個群集或多個主成分中提取數據特徵後,可回到第3圖以繼續進行步驟S45。在步驟S45中,根據布料織造數據DATA與布料需求規格RQT間的相關性,決定所提取的數據特徵中的關鍵因子。具體而言,請參見底下圖式,其繪示根據本揭露一些實施方式的決定關鍵因子的示意圖。
具體而言,透過將布料織造數據DATA與布料需求規格RQT分別放在座標的兩軸並進行相關性比對,可得到對特定布料需求規格RQT影響較大的布料織造數據DATA,從而由所提取的數據特徵中決定出至少一個關鍵因子。
為本發明實施例的決定關鍵因子之示意圖
接著,在步驟S46中,根據關鍵因子、布料需求規格RQT及於學習階段建立的模型MD,便可產生推薦參數RCM,以供織布機運作,從而精準地製造出所需規格的布料。
三、 結論
綜上所述,本揭露的布料織造參數推薦系統可根據模型、布料織造數據及布料需求規格,產生適合於織布機運作的推薦參數,以供織布機精準地預測並製造出各種規格需求的布料,從而縮短布料的開發時程。
若有企業先進或創業家欲對本專題或創新議題或相關專利內容想要進一步瞭解者,或對某產業技術進行FTO、專利地圖分析、專利檢索、專利申請及各專利舉發及迴避設計分析,敬請隨時歡迎電洽:中銓國際專利商標事務所熱線:04-23823629,將派專人提供服務。
資料來源:中華民國專利資訊檢索系統
關鍵字:AI、人工智慧、人工智能、專利、布料織造、推薦參數、大數據
發明名稱:布料織造參數推薦系統
申請日:110(2021)/04/28
申請人:財團法人紡織產業綜合研究所(TW)
發明專利第202242697A號
一、 本發明之AI技術摘要
本發明之AI技術係揭露一種布料織造參數推薦系統包括使用者介面、資料庫以及伺服器。使用者介面用以輸入布料需求規格及輸出推薦參數。資料庫用以儲存布料織造數據。伺服器耦接於使用者介面及資料庫,用以根據模型、布料織造數據及布料需求規格,產生推薦參數。布料需求規格包括對應固定伸長率的拉伸載荷重量、彈性回復率及單位面積布重中的至少一者,且推薦參數包括主紗喂紗量、主紗丹尼數及織布機針距中的至少一者。
![](/images/ckfinder/images/20240611114446.png)
為本發明實施方式的布料織造參數推薦系統之方塊示意圖
二、 本發明之AI技術內容
(一)當前「布料織造參數」技術領域所遭遇到的困難與瓶頸
按,在布料的開發過程中,織布機對於不同規格需求的布料所使用的製造參數常依賴人工經驗來決定。然而,由於各種織布機的運作方式不同,因此當輸入相同的製造參數至不同的織布機時,會產生不同規格的布料,導致往往需依賴大量的人工經驗方能精準地預測並製造出各種規格需求的布料。為了精準地預測並製造出各種規格需求的布料,實有必要建立一種可適用於多種織布機的布料製造參數推薦系統,以縮短布料的開發時程。
(二)本發明之AI系統架構
有鑑於上述傳統布料織造參數所存在的問題,本發明係揭露一些實施方式的布料織造參數推薦系統2,如上述本發明參數推薦系統之方塊示意圖所示,其中本發明布料織造參數推薦系統2係包括使用者介面21、伺服器22及資料庫23,其中伺服器22耦接於使用者介面21及資料庫23。使用者介面21用以輸入布料需求規格RQT及輸出推薦參數RCM。資料庫23用以儲存布料織造數據DATA。伺服器22用以根據模型MD、布料織造數據DATA及布料需求規格RQT產生推薦參數RCM。
詳細而言,當使用者(例如織布廠)將布料需求規格RQT由使用者介面21輸入後,伺服器22可根據模型MD、布料織造數據DATA及布料需求規格RQT產生推薦參數RCM,而推薦參數RCM可進一步由使用者介面21輸出以供織布機運作。換句話說,織布機可根據由使用者介面21輸出的推薦參數RCM精準地製造出所需規格的布料,從而縮短布料的開發時程。本揭露的布料需求規格RQT包括對應固定伸長率的拉伸載荷重量、彈性回復率及單位面積布重中的至少一者,且本揭露的推薦參數RCM包括主紗喂紗量、主紗丹尼數及織布機針距中的至少一者。
其中布料織造數據DATA可以經分類而包括主紗變數、彈性紗變數、彈性回復率、對應固定伸長率的拉伸載荷重量及服裝壓等類別。具體而言,主紗變數可包括主紗用紗成分、主紗張力、主紗喂紗量、織布機針距、主紗丹尼數以及單位面積布重;彈性紗變數可包括彈性紗丹尼數、彈性紗型號、彈性紗比例、彈性紗張力、彈性紗喂紗量及牽伸比例;彈性回復率可包括緯向彈性回復率以及經向彈性回復率;對應固定伸長率的拉伸載荷重量包括對應多個固定伸長率的多個拉伸載荷重量;服裝壓包括對應多個服裝壓的多個緯向服裝壓及多個經向服裝壓。更詳細而言,布料織造數據DATA的類別、各類別所包括的數據項目以及各數據項目所具有的臨界值(最大值與最小值)請參見表一。
![](/images/ckfinder/images/20240611115131.png)
即資料庫23可用以儲存紗線規格231、織布機規格232及布料規格233,其中布料規格可包括布料拉伸數據及布料壓力數據(例如服裝壓等)。詳細而言,紗線規格231、織布機規格232及布料規格233可例如是「布料織造數據DATA中有關於紗線、織布機及布料的數據項目」與「以有關於紗線、織布機及布料的數據項目製造出的布料所具有的規格」之間的關聯性。基於上述,資料庫23所儲存的紗線規格231、織布機規格232以及布料規格233可有助於前述模型MD的建立,從而有利於精準地產生推薦參數RCM。
如底下圖示,伺服器22可包括決策模組221及學習模組222,其中決策模組221耦接於使用者介面21,且學習模組222耦接於決策模組221及資料庫23。在一些實施方式中,決策模組221可產生推薦參數RCM,以供織布機根據所述推薦參數RCM精準地製造出所需規格的布料。詳細而言,決策模組221可根據模型MD、布料織造數據DATA及布料需求規格RQT產生推薦參數RCM(產生推薦參數RCM的方式將於下文中詳細說明)。
![](/images/ckfinder/images/20240611115317(1).png)
為本發明另一實施例的布料織造參數推薦系統之方塊示意圖
(三)本發明之AI系統的實施方式
如底下本發明圖式,本發明係從多個群集中提取數據特徵的步驟可包括步驟S71至步驟S77。首先,在步驟S71中,在具有多個點的多維度空間中隨機指派多個群集中心,其中每一個點具有布料織造數據DATA中的多個數據項目(例如主紗用紗條件、彈性紗丹尼數、織布機針距等數據項目),且每個維度代表一個數據項目。應瞭解到,為清楚起見及方便說明,在以下步驟中將僅針對單一個群集中心進行討論。接著,在步驟S72中,由群集中心向外擴張,以產生初始群集。隨後,在步驟S73中,依照初始群集中所具有的多個點的分布狀況移動初始群集的位置,以產生新的群集中心以及由新的群集中心向外擴張而得到的群集。
在一些實施方式中,群集中心的擴張程度與新的群集中心的擴張程度相同。接著,在步驟S74中,計算由新的群集中心向外擴張而得的群集的群集邊界。隨後,在步驟S75中,判斷群集的群集變異(即單一群集中各個點間的變異)是否小於門檻值(例如第一門檻值)。詳細而言,若群集的群集變異小於第一門檻值,代表所述群集中各個點間的變異足夠小,亦即所述群集中各個點所具有的特徵(例如主紗用紗條件、彈性紗丹尼數、織布機針距等數據項目)較為相似且接近。在一些實施方式中,群集中各個點的變異(即群集變異)可介於10%至12%間,且群集間的變異可介於88%至90%間。
![](/images/ckfinder/images/20240611133948.png)
為本發明實施例對布料織造數據進行數據分群以產生群集的步驟的流程示意圖
若經步驟S75的判斷後發現群集變異小於第一門檻值時,進行步驟S76,選取並產生所述群集,並進行步驟S77,將取樣點投影到所述群集,以提取數據特徵。舉例而言,若以在步驟S76中所產生的群集中的各個點所織造而成的布料皆具有高彈性回復率的特徵(例如彈性回復率大於80%),而當使用者所需的布料需求規格RQT為彈性回復率95%時,此時可將取樣點投影至所述群集中,以提取所述群集中的數據特徵(亦即,提取該群集中的每一個點)。相對地,若經步驟S75的判斷後發現群集變異不小於第一門檻值時,可回到步驟S73以重新產生新的群集中心,直到產生合適的群集為止。
再如底下本發明圖示,從多個主成分中提取數據特徵的步驟可包括步驟S91至步驟S95。首先,在步驟S91中,對布料織造數據DATA進行數據中心化。具體而言,在具有多個點的多維度空間中,每一個點具有布料織造數據DATA中的多個數據項目,而在此步驟中,可將多個點的布料織造數據DATA進行數據中心化。接著,在步驟S92中,計算中心化的布料織造數據DATA的協方差矩陣特徵。隨後,在步驟S93中,計算協方差矩陣特徵的多個特徵值以及多個特徵向量。
具體而言,一個特徵向量可代表一個主成分(在第5圖的實施方式中即為一個數據項目),而根據所述特徵向量的特徵值的大小,可判斷出所述主成分的重要程度(例如,當特徵值越大,所述主成分對結果所造成的影響越大)。接著,在步驟S94中,提取多個特徵值中大於第二門檻值的至少一者所對應到的特徵向量,以作為主成分。經由上述步驟,可找出布料織造數據DATA中對於特定布料需求規格RQT影響較大的主成分(數據項目),以降低原始的數據矩陣的維度。隨後,在步驟S95中,將取樣點投影到所選取的特徵向量,以提取數據特徵。
![](/images/ckfinder/images/20240611134135.png)
為本發明實施例對布料織造數據進行主成分分析以產生主成分的步驟之流程示意圖
基於上述的說明,在從所產生的多個群集或多個主成分中提取數據特徵後,可回到第3圖以繼續進行步驟S45。在步驟S45中,根據布料織造數據DATA與布料需求規格RQT間的相關性,決定所提取的數據特徵中的關鍵因子。具體而言,請參見底下圖式,其繪示根據本揭露一些實施方式的決定關鍵因子的示意圖。
具體而言,透過將布料織造數據DATA與布料需求規格RQT分別放在座標的兩軸並進行相關性比對,可得到對特定布料需求規格RQT影響較大的布料織造數據DATA,從而由所提取的數據特徵中決定出至少一個關鍵因子。
![](/images/ckfinder/images/20240611134226.png)
為本發明實施例的決定關鍵因子之示意圖
接著,在步驟S46中,根據關鍵因子、布料需求規格RQT及於學習階段建立的模型MD,便可產生推薦參數RCM,以供織布機運作,從而精準地製造出所需規格的布料。
三、 結論
綜上所述,本揭露的布料織造參數推薦系統可根據模型、布料織造數據及布料需求規格,產生適合於織布機運作的推薦參數,以供織布機精準地預測並製造出各種規格需求的布料,從而縮短布料的開發時程。
若有企業先進或創業家欲對本專題或創新議題或相關專利內容想要進一步瞭解者,或對某產業技術進行FTO、專利地圖分析、專利檢索、專利申請及各專利舉發及迴避設計分析,敬請隨時歡迎電洽:中銓國際專利商標事務所熱線:04-23823629,將派專人提供服務。
資料來源:中華民國專利資訊檢索系統
關鍵字:AI、人工智慧、人工智能、專利、布料織造、推薦參數、大數據
關鍵字:#AI #人工智慧 #人工智能 #專利 #布料織造 #大數據
![好友人數](http://biz.line.naver.jp/line_business/img/btn/addfriends_zh-Hant.png)