Análisis de cuellos de botella impulsado por datos de series temporales incrustados en grafos de conocimiento en los procesos de producción de textiles y prendas de vestir
Autores: Wang, Guodong; Liu, Guohua; Li, Qianqian
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Análisis de cuellos de botella impulsado por datos de series temporales incrustados en grafos de conocimiento en los procesos de producción de textiles y prendas de vestir
Categoría
Tecnología de Equipos y Accesorios
Subcategoría
Diseño de equipos y herramientas
Palabras clave
Datos de fabricación
Textil y confección
Análisis de cuellos de botella
Gráfico de conocimiento
Procesos de producción
LSTM
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 44
Citaciones: Sin citaciones
Hay una falta de alta correlación y potencial de reutilización entre múltiples datos de fabricación para textiles y confección. Además, la trazabilidad del flujo de materiales entre los puestos de trabajo de producción no es clara, lo que dificulta la detección de posibles cuellos de botella en la producción. Este documento propone un análisis de cuellos de botella impulsado por datos temporales incrustados en un grafo de conocimiento de los procesos de producción de textiles y confección. En primer lugar, se establece un modelo de asociación de información dinámica para organizar la información de fabricación global, incluyendo los datos estáticos y las características de datos de series temporales. También se diseña un modelo de extracción de conocimiento orientado al corpus textil para construir un grafo de conocimiento de series temporales para la producción de textiles y confección (TKG4TA). Luego, se presenta un modelo de predicción de cuellos de botella en el proceso de producción impulsado por conocimiento temporal basado en el conocimiento de fabricación en la industria textil y de confección. De estos, el conocimiento textil se transforma en incrustaciones utilizando una red neuronal convolucional de grafos (GCN). A su vez, las características de información asociada al contexto se aprenden mediante la memoria a corto y largo plazo (LSTM) para predecir los cuellos de botella en el proceso de producción de textiles y confección. Finalmente, se utiliza un flujo de proceso típico en un taller de fabricación de camisas como estudio de caso. Muestra que el valor F1 del método propuesto para el reconocimiento de entidades nombradas y la extracción de relaciones es de hasta 80.3% y 50.6%, respectivamente. El rendimiento del modelo propuesto para la predicción de cuellos de botella se mejora en un 8.2% y un 14.92% en comparación con el uso únicamente de GCN o LSTM en el error absoluto medio. Este modelo puede proporcionar una base sólida para el análisis de cuellos de botella impulsado por grafos de conocimiento temporal en la fabricación de camisas.
Descripción
Hay una falta de alta correlación y potencial de reutilización entre múltiples datos de fabricación para textiles y confección. Además, la trazabilidad del flujo de materiales entre los puestos de trabajo de producción no es clara, lo que dificulta la detección de posibles cuellos de botella en la producción. Este documento propone un análisis de cuellos de botella impulsado por datos temporales incrustados en un grafo de conocimiento de los procesos de producción de textiles y confección. En primer lugar, se establece un modelo de asociación de información dinámica para organizar la información de fabricación global, incluyendo los datos estáticos y las características de datos de series temporales. También se diseña un modelo de extracción de conocimiento orientado al corpus textil para construir un grafo de conocimiento de series temporales para la producción de textiles y confección (TKG4TA). Luego, se presenta un modelo de predicción de cuellos de botella en el proceso de producción impulsado por conocimiento temporal basado en el conocimiento de fabricación en la industria textil y de confección. De estos, el conocimiento textil se transforma en incrustaciones utilizando una red neuronal convolucional de grafos (GCN). A su vez, las características de información asociada al contexto se aprenden mediante la memoria a corto y largo plazo (LSTM) para predecir los cuellos de botella en el proceso de producción de textiles y confección. Finalmente, se utiliza un flujo de proceso típico en un taller de fabricación de camisas como estudio de caso. Muestra que el valor F1 del método propuesto para el reconocimiento de entidades nombradas y la extracción de relaciones es de hasta 80.3% y 50.6%, respectivamente. El rendimiento del modelo propuesto para la predicción de cuellos de botella se mejora en un 8.2% y un 14.92% en comparación con el uso únicamente de GCN o LSTM en el error absoluto medio. Este modelo puede proporcionar una base sólida para el análisis de cuellos de botella impulsado por grafos de conocimiento temporal en la fabricación de camisas.