基于LSTM循環神經網絡的織機了機預測

徐開心 戴寧 汝欣 胡旭東

摘 要：不同織機由于生產情況和影響參數各異，實際的織布效率和了機時間也存在著很大的差別。針對利用預先設定好的計劃生產靜態參數對織機了機時間進行計算時，存在理論計算值與實際織機了機時間偏差過大的問題，提出了一種基于長短時記憶（Long short term memory，LSTM）循環神經網絡的織機了機預測方法。從織機經緯向停車情況、人員工作效率、加工布匹品種3個方面出發，分析影響織機了機時間的各類因素，構建了具有時間序列特性的織機生產情況數據集。通過設置時間進度系數動態調整模型在織軸整個生命周期內的預測情況，并從損失程度和訓練耗時兩方面考慮對模型性能進行優化。最后，利用8組實驗數據對模型的可靠性進行驗證。結果表明：模型在了機預測截止時間的前30 h至前6 h，模型的預測結果值與實際值之間的平均誤差范圍為0.84 h至1.52 h，滿足對實際生產時的所需指標要求。

關鍵詞：織機了機；LSTM循環神經網絡；時間序列；經緯向停車；織軸

中圖分類號：TS111.8

文獻標志碼：A

文章編號：1009-265X（2023）03-0070-11

基金項目：浙江省博士后科研項目擇優資助項目（ZJ2021038）；浙江理工大學科研啟動基金項目（11150131722114）

作者簡介：徐開心（1998—），男，浙江嘉興人，碩士研究生，主要從事紡織智能制造及數據化管理方面的研究。

通信作者：戴寧，E-mail：990713260@qq.com

織機的生產主要是將緯紗與織軸上的經紗縱、橫向交織加工成布匹的過程［1］。當織機上織軸的紗線用盡時，需要將織軸、經停片、綜、鋼筘和經紗等從織機上清理下來，這個過程稱為織機的了機［2］。織機了機過早，會使織軸的紗線原料浪費；織機了機不及時，則會造成機臺停滯過久和剩余經紗長度不足而無法對新軸進行結經等問題［3］。對織機了機時間的準確預知，及時安排人員進行穿經、結經、換軸工作［4］，使新的織軸及時投入生產，對提高織造生產效益有著重要的影響作用。

要準確預知織機的了機時間，把控好織造環節的整體生產進度，其中，涉及到對生產車間內基礎數據的實時采集以及利用數據驅動的方式，分析和挖掘出車間內的生產趨勢和因素特性兩部分要求。郭廣慧等［5］利用移動終端和基于Web Service的訪問數據庫中間件架構，實現了對織機運行數據的監測；羅東升［6］提出了一種采用接口植入的織機數據獲取方式，從而解決了由于設備異構而導致的系統不兼容問題。以上研究雖然已經做到了對車間數據的實時、完整收集，但未從海量數據中進行影響因素的挖掘，對生產中的變化趨勢和突發情況沒有做出考慮。鄭寶平等［7］通過對經編機成圈機構的運動規律進行分析，設計了電子凸輪規劃曲線算法和模型預測控制算法，實現了對紗線動態張力的補償控制；張曉俠等［8］提出影響織機效率的最關鍵因素是經、緯向停車，并且利用反向傳播（Back propagation，BP）神經網絡及其改進算法對織機效率進行了預測。這些研究雖然對實際的生產數據進行了統計和分析，但多是基于從工藝參數等靜態數據上考慮，未考慮到織機的各類生產數據與時間進度之間具有的關聯性。

鑒于以上分析，本文將織機對織軸加工時的整個生命周期作為一個長時間序列，研究織機生產時的各類生產數據、生產時間對織機了機時間的關系，基于LSTM循環神經網絡構建織機了機時間預測模型。

1 指標要求

為更符合實際生產要求，對織機了機預測的實際需求指標進行分析和確認。織造的工藝流程分為整經、漿紗、穿綜、織布、驗布［9］，作為典型的全流程生產，各道環節之間不間斷作業是織造高效率生產的重要保證。織機織布前后的生產環節所需時間如表1所示。

通過調研得到，多數紡織廠的織布原材料為筒紗，首先需要經過整經、漿紗、穿綜三道工序才能加工得到用于織機生產的織軸，期間所需要消耗的整體加工時間在8 h到11 h，為了能夠更加貼合實際車間生產要求，使織機的織布生產有更加充足的準備時間，以及考慮到機器故障等額外可能發生的意外情況，對織機的了機預測應控制在織機實際了機的前1天甚至更早的時間才有參考意義。

了機預測時間的誤差范圍則與織機織前準備環節的所需時間有極大關聯。從表1中可以得到，織機的織前準備環節可以分為拉軸、推軸、上軸以及織機開車前的最后檢查4個工作步驟。其中，織軸上軸是織前準備環節中消耗時間最長的，包括紗線結經、工藝參數錄入和布面檢查等。織前準備環節所需要消耗的整體時間在2 h到3 h，為了能夠給織前準備環節預留出充足的操作時間以及當遇到織機故障等情況時，能夠給調度人員更多的改機計劃時間，織機的了機預測時間與實際了機時間的誤差應滿足在3 h內。

結合以上兩點要求，本文所設計的了機時間預測模型需要滿足的需求指標約束如式（1）所示。

式中：k為時間進度索引；d為織機實際了機的前一天時間進度點；Tk為k時間進度下預測的了機時間，h；Tsj為織機的實際了機時間，h；Td為織機實際了機的前一天時間，h。

2 影響因素分析

織機了機時間的預測實際上是對織機加工完目標織軸所需時間的計算。根據織機在織布前預先設定的織布總米數、織機的運行車速和所織布匹品種要求的緯密參數，可計算得到，織機完成所設定達到的織布米長需要的理論織布時間，即織機的理論了機時間。其計算如式（2）所示。

式中：Tll為織機織布的理論總時間，min；M為織軸卷繞的紗線總長度，m；W為布匹的緯密參數值（布匹1英寸長度上的緯紗根數）；S為織機織布時的運行車速（織機1分鐘的打緯次數）。

式（2）的計算默認織機在加工織軸的整個周期內為一直保持理想的織布運行狀態，這不符合實際的生產情況。在實際生產場景下，織機織布過程中會因為紗線斷裂或機器故障等原因而出現停車。織機實際織布時間與理論織布時間二者有如式（3）的關系。

式中：Tjw為織機在加工織軸整個周期內所產生的經緯向停車時間，h；To為織機在加工織軸整個周期內所產生的其他情況停車時間，h。

因此，要做到準確預測織機了機時間的難點，在于如何準確把握織機織布過程中不定時出現的停車而額外對生產增加的消耗時間。

本文以豐田JAT710型噴氣織機為研究對象，從織機經緯向停車情況、擋車工工作效率、加工布匹品種3個方面分析影響織機了機時間的關鍵因素。具體的影響因素組成如圖1所示。

2.1 經緯停影響因素分析

通過對金華蘭溪市某紡織廠采集到的810臺織機設備一個月生產情況數據進行統計后得到：織機的停車時間在織機整個織布時間內的平均占比約為9.68%，其中經、緯向停車時間在織機停車時間中的平均占比約為80.74%。

表2將數據統計維度定位至具體的10臺織機，對各織機的織布米長、實際織布時間、理論織布時間、經緯停時間等數據進行收集，得到表2織機各生產時間的對比。

由表2可知，織機理論計算得到的織布時間加上經緯向停車時間二者的總和與織機實際織布時間相近，進一步論證了經、緯向停車是準確預測織機了機時間的關鍵因素。

2.2 擋車工工作效率影響因素分析

織機由于紗線斷裂等情況暫停對織軸的繼續加工后，一般由擋車人員對斷裂的紗線進行重新結經，以此來恢復織機的正常運行。擋車人員的工作效率直接影響織機停車的持續時間（織機的運行效率）。

圖2反應了某根織軸整個生命周期內的經緯向停車情況。

根據圖2可得到，織機在對此根織軸進行織布期間，每4 h的平均經緯向停車時間為1145 s，每4 h的平均經緯向停車次數為4次。其中，可觀察發現每天的中午時分（11：45）和午夜時分（23：45）以及靠近織軸即將要了機的幾個時間段內的織機經、緯向停車次數與時長較高，大多會超過平均值。

通過進一步的分析，可以得到，造成此種現象的原因主要和擋車工的工作狀態有一定的關系，據了解，大多數紡織企業織造車間設備都是24 h生產，工人白班、夜班輪班工作，而中午和午夜時分是最為疲憊的時間段，在這時間段內工作的工人可能會因為工作狀態的原因，在處理如對紗線進行結經等需要一定專業度和手法的操作上，不能有較高工作效率的因素，而導致織機的停車時間延長；而另一個經緯停次數明顯較多的時間段是在靠近織機將快要了機的幾個時刻內。從圖2數據可觀察到，在此根織軸生命周期的最后48 h內，織機經緯停發生次數較高且集中，原因是卷繞在織軸上的紗線在將要用盡的末尾時間段里，紗線在軸上的纏繞強度不均導致織機對紗線作用的張力變化幅度較大，使紗線斷紗次數增多，織機停車次數頻繁。

2.3 布匹品種影響因素分析

將時間跨度從單根織軸擴大至一個品種，通過對比織機在生產不同品種過程中的經緯向停車情況，來分析針對不同布匹品種下的織機了機影響因素。

織機生產出的布匹品種不同主要由生產布匹時的產品工藝參數和所用到的紗線成分不同所決定。圖3記錄了同臺織機針對6種不同布匹品種的生產工藝需求下，各進行15天生產后，所出現的經緯向停車情況。表3記錄了圖3各品種對應的工藝參數。結合表3與圖3數據可發現，織機織布時的經緯向停車次數與布匹品種所需要達到的經密、緯密工藝參數大小成正比，當經密、緯密越大時，織機在織布過程中所發生的經向、緯向停車次數也會隨之增多；并且織機的經、緯向停車次數多少也與所用紗線的粗細有關，當紗線的紗支參數越大，說明紗線越粗時，織機相對應在織布過程中所產生的經緯向停車次數比紗線紗支參數小、紗線細時的停車次數少。

3 LSTM循環神經網絡

基于第二小節對織機了機時間的影響因素分析可知，各因素對了機時間的作用具有較強的時間關聯，且針對于織機數據具有時變性這一特點，本文采用LSTM循環神經網絡，對織機了機預測模型進行搭建。

長短時記憶（LSTM）循環神經網絡是一種具有選擇記憶功能的循環神經網絡［10］，通過更新每個時刻的細胞狀態，可以學習不定時間長短的時間序列信息，在一般的循環神經網絡（Recurrent neural network，RNN）基礎上引入了門機制用于控制信息特征的流通和損失［11］，在處理如織機了機預測此類對時間敏感的時序數據中可以防止梯度消失和梯度爆炸等問題且有較突出的數據擬合能力。LSTM網絡中的每個神經元主要由遺忘門、輸入門、輸出門3個功能狀態門以及細胞狀態組成。

3.1 模型的搭建

本文以LSTM循環神經網絡為基礎對織機了機時間預測模型進行搭建。首先，區別于直接劃定訓練集與測試集的數據比重，本文根據數據集包含的織機對目標織軸整體的生產時間跨度，按照所需時間精度，計算模型每次迭代優化時的時間進度系數，動態調整訓練集與測試集的數據比重，做到更加貼合實際生產場景下模型可學習的訓練數據量隨生產時間的推移逐漸豐富的真實變化特點，全面反映模型在織軸整個生命周期內的學習和泛化能力；其次，通過定時求解剩余理論織布長度，弱化其他停因素對織機了機時間預測的影響，提高模型的預測精度。模型的搭建流程如圖4所示。

3.1.1 數據集建立與預處理

本文以第二小節對織機了機時間影響因素的分析作為依據，將織軸整個生命周期進行n等分，對其中包含的生產時間段（ti）、擋車工技術等級（ri）、經紗成分（dji）、經紗紗支（bji）、經紗編織密度（wji）、緯紗成分（dwi）、緯紗紗支（bwi）、緯紗編織密度（wwi）進行統計，得到按時間段劃分的n個8維輸入數據向量（pxi）；對每個時間段所產生的織機經停消耗時間（tji）和緯停消耗時間（twi）進行收集，得到n個2維輸出數據向量（pyi）。把同根織軸在整個周期內的數據向量進行整合，得到具有時間序列特征的模型輸入數據集（Cx）和輸出數據集（Cy）。數據集的整體構成如式（4）所示。

為避免選取的輸入數據集中各特征因素數量量綱不一致而導致模型在訓練時小數量級的特征值對結果的影響程度被大數量級特征值弱化的情況，本文采用max-min數據歸一化方法［12］對輸入數據集進行預處理。在不影響特征值之間相對關系的前提下，將輸入數據集中的各特征值映射到特定區域，提高數據之間的可比性，加快模型優化的迭代收斂速度。max-min數據歸一化方法的計算如式（5）所示。

式中：P為需要歸一化的元素值；P′為元素歸一化之后的處理值；Xmax、Xmin為元素P所在向量中的元素最大、最小值；a、b為元素映射的區域邊界。

3.1.2 訓練集與測試集劃分

為更符合實際生產需求，對驗證模型可靠性的數據集不固定其訓練集與測試集的占比大小，在規定預測截止時間點之前，以時間進度系數動態改變訓練集與測試集每次迭代的數據量比重，使模型在預測織機了機的過程中能夠按照實際的生產情況實時不斷學習，調整模型各單元的權重和偏置，以更加貼合實際生產情況的優勢，做到更加精準的預測。

動態調整數據量進行模型優化迭代的步驟如下：

a）計算織軸全生命周期內的總時間。

b）根據需求指標對預測模型需要達到的預測精度要求，計算模型每次迭代時的時間進度系數。

c）按照計算得到的時間進度系數，在模型每次迭代優化前動態調整訓練集與測試集兩者之間的數據量比例占比。訓練集與測試集之間數據的動態調整驅動如式（6）所示。

式中：Ctr為模型的訓練集；Cte為模型的測試集；f為時間進度系數，其值變化范圍為0

3.1.3 模型的訓練與預測

a）利用自適應動量（Adaptive momentum，Adam）梯度下降算法計算并調整模型各適應度參數。Adam優化算法結合了自適應學習率梯度下降算法和動量梯度下降算法兩者的優點，既能提高在稀疏梯度下的擬合效率，又能保證在梯度震蕩時各神經元的權重和偏置調整不會使模型陷入局部最優解。

b）利用均方誤差（Mean square error，MSE）算法比較預測結果集與實際目標結果集之間的損失程度。MSE是回歸損失函數中最常用的誤差比較算法，它是預測值f（x）與目標值y之間差值平方和的均值。利用損失函數來衡量模型的預測性能。其計算如式（7）所示。

式中：E為模型預測值與實際值比較后的損失程度；f（x）為模型計算得到的預測值，y為實際期望的目標值，n為自由度。

c）判斷損失程度是否滿足期望指標。將每次得到損失程度值與期望損失值進行對比，若模型當前的損失程度已經能滿足期望的誤差指標需求，則結束訓練；若模型當前的損失程度過大，則重復訓練，繼續調整模型的各適應度參數，優化模型對數據的擬合能力。模型的損失程度約束如式（8）所示。

式中：Ep為模型此次預測結果值與實際結果值的誤差損失程度；Ee為期望的誤差損失程度。

d）預測織機的了機時間。通過計算各時間進度下的織機理論織布時間、織機加工完目標織軸所消耗的總經緯向停車時間以及織機實際已產生的經緯向停車時間，得到每個時間進度下所預測的織機了機時間。其中，各時間進度下預測的織機了機時間計算如式（9）所示。

式中：Tyci為模型在i時間進度下所預測的織機了機時間，h；Tjwi為模型在i時間進度下所預測的經緯向停車時間，h；Tlli為i時間進度下所計算得到的織機理論織布時間，h；Tsjwi為i時間進度前織機實際已產生的經緯向停車時間，h。

4 模型預測評估

本文以金華蘭溪市某紡織廠采集到的數據和調研結果作為依據對模型的實際預測性能進行評估。選取了2022年2月的織造采集數據。

4.1 模型驗證

將采集到的某根織軸全生命周期下的生產情況數據作為驗證模型可靠性的數據集。首先，通過對織機加工織軸時記錄下的開始時間（2022-02-13 02∶19∶14）與結束時間（2022-02-21 19∶47∶27）計算得到織軸的整個生產時間為209.47 h，根據預測指標的分析結果，對織軸的整個生產時間進行150等分，即令每次的了機預測迭代時間間隔控制在2 h內，細化訓練迭代頻率，提高預測精度，滿足誤差指標。模型的預測結果如圖5所示。

圖5中橫坐標代表織機的實際織布時間進度，縱坐標代表織機的織布時間用時，紅色實線標明了織機的實際織布用時為209.47 h，綠色折線為模型每次定時預測的織布時長。從圖5中可觀察到，隨著織機生產時間的推移，模型所能學習到的織機實際生產情況數據逐漸增多，模型的整體預測趨勢也逐漸向實際值逼近。圖5中虛線所標記的是模型預測時間具有參考性的最晚截止時間（實際了機的前一天），結合需求指標，在截止時間之前的模型預測都有參考價值。

為驗證模型的預測精度是否滿足實際需求指標，將圖5的實際織布時間進度范圍縮小至織機織布中期（織布時間進度104.74 h）到織布結束。織機織布中期到織布結束范圍內的模型預測情況如圖6所示。

圖6中虛線標明了在可接受誤差范圍內的織機織布預測時長上限（212.47 h）與預測時長下限（206.47 h）。從圖6中可發現，在截止時間前兩天的時間段內（織布時間進度137.47～185.47 h），模型共出現5次預測結果超出實際可接受誤差范圍的情況，對應的采樣點分別為A-E點，與實際了機時間的差值分別為12.73、-5.07、-6.20、-21.61、6.70 h。模型存在預測結果不穩定的情況。

4.2 模型性能優化處理

對4.1小節的模型預測情況分析來看，模型的預測精度無法滿足實際的需求指標。原因在于訓練集與測試集數據量每次的動態調整雖然已經做到了貼合實際并不斷學習，但是無法提前確定模型的最優迭代次數，模型每次對新數據量的訓練集數據進行學習時會出現欠擬合或過擬合的情況，導致模型在學習過程中錯過或沒有達到最小損失值，使模型的預測性能不穩定。

通過以上分析，本文提出在模型訓練時設置動態損失變化閾值的方式，以提高模型的泛化能力。動態設置損失變化閾值的流程如圖7所示。

設置動態損失變化閾值的具體步驟如下：

a）對模型前50次迭代訓練中大于零的損失變化差值進行記錄。記錄下的損失變化差值計算如式（10）所示。

式中：Δe為記錄下的損失變化差值，其值大于零；ec為此次模型訓練后的損失值；el為前一次模型訓練后的損失值。

b）計算當前訓練集所對應的損失變化閾值，即計算記錄下的損失變化差值的平均值，損失變化閾值的計算如式（11）所示。

式中：Goffset為損失變化閾值；Δei為第i個損失變化差值；n為記錄下的損失變化差值個數。

c）利用計算得到的損失變化閾值，尋求合適的迭代次數與損失值。若模型此次訓練得到的損失值大于模型前一次訓練所得損失值與損失變化閾值之和，則模型訓練結束，將模型前一次的訓練結果作為最終訓練結果，即模型訓練結果滿足如式（12）時模型訓練結束。

為驗證設置的動態損失變化閾值對模型預測性能的提升，再次利用4.1小節的驗證數據集，將模型優化前后對數據集訓練迭代時的損失程度進行對比。圖8展示了模型優化前在對時間進度61%數據量下的訓練數據集進行固定250次訓練迭代時的損失程度變化，以及模型優化后根據損失變化閾值動態確定迭代次數和損失值的數據變化情況。圖8虛線為模型優化前的訓練損失程度變化情況，可觀察到模型在第71、100、102、187、190次迭代訓練時的損失值較小，分別為10.3、10.5、10.4、9.2、9.1、13.6，而在最后一次迭代訓練中模型對應損失值為13.6，并不是整個迭代訓練中屬于較好的一次，且設置過多的迭代次數也存在著模型訓練耗時、耗資源的問題。

圖8實線所標明的是模型優化后對前50次數據計算得到的損失變化差值，分別為0.021、0.076、1.136、0.026、2.069、0.880、1.120、0.124、1.230，則損失變化閾值為0.74。利用計算得到的損失變化閾值，確認模型的最終訓練結果在第71次，模型的最終訓練損失值為10.3，如圖8中的e點所示。雖然根據所示變化偏置算法所得到的最終訓練結果不

是模型在250次訓練中最好的，但也是在結合了模型訓練耗時與模型訓練準確度兩方面因素考慮下屬于較好的一次。

圖9為模型優化前后對4.1小節的驗證數據集進行訓練迭代時的整體訓練耗時和損失程度對比圖。圖9（a）為訓練耗時對比圖，其中，淡紅色為模型優化前的每次訓練耗時，總耗時為15.70 h，平均耗時為376.65 s，可觀察到對模型設置固定250次的訓練迭代次數情況下，隨著時間進度的推移、模型的訓練數據量變大，模型對每一次訓練集進行訓練所需要的消耗時間也逐漸增大；深藍色為模型優化后所對應的訓練耗時，總耗時為3.21 h，平均耗時為77.67 s，在相同數據量的情況下，模型的訓練耗時明顯下降；圖9（b）為模型優化前后的損失程度對比圖，圖中淡綠色為模型優化前的每次訓練損失程度，平均損失程度為11.55，深紫色為模型優化后的損失程度，平均損失程度為3.21。

可明顯觀察到優化后的模型在訓練耗時和損失精度上都得到了很大的提升。

將優化后的模型用于對4.1小節同根織軸的了機時間進行預測，圖10（a）展示了織軸整個生命周期內不同時間進度下的模型了機時間預測情況。圖10（b）為模型在織機織布中期（織布時間進度104.74 h）到織布結束局部時間范圍下的了機時間預測情況，從圖10（b）中可觀察到模型在截止日期的前兩天時間內，預測結果已經逼近于實際值，且預測結果在允許誤差范圍內始終保持穩定。

為驗證模型的泛化能力，隨機挑選8組數據進行驗證，其結果如表4所示。

從表4中可觀察到，在預測截止時間的前30 h、前24 h、前18 h、前12 h、前6 h，模型的預測值與實際值之間的平均誤差分別為0.88、0.84、1.52、1.51、0.99 h。模型的預測情況滿足指標要求。

5 結 論

本文對織機理論了機時間與實際了機時間進行對比后發現，織機在織布過程中不定時出現的停車而額外對生產增加的消耗時間是影響準確預測織機了機時間的關鍵因素。通過對織軸的整個生命周期內出現的織機經、緯向停車次數和持續時間進行分析，得到影響織機了機時間的數據集，將LSTM模型應用到織機了機時間預測的問題中，提出動態設置損失變化閾值的方法對預測模型進行優化，從模型訓練時間和損失程度兩方面對模型優化前后的結果數據進行對比，驗證方法具有可行性。得出結論如下：

a）對織機實際生產時出現的各類停車狀態消耗時間進行統計，得到織機的停車時間在織機織軸的整個織布時間內的平均占比約為9.68%，其中經緯向停車時間在織機停車時間中的平均占比約為80.74%，說明經、緯向停車對織機的了機預測起到關鍵的影響作用。

b）通過對實驗數據的驗證，發現在預測截止時間的前兩天時間內，本文提出的LSTM預測模型的預測結果與實際值之間的平均誤差范圍為0.84 h至1.52 h，滿足實際生產時的指標要求。

參考文獻：

［1］黃錦波，祝成炎，張紅霞，等.基于劍桿織機改造的三維間隔機織物工藝設計［J］.紡織學報，2021，42（6）：166-170.

HUANG Jingbo， ZHU Chengyan， ZHANG Hongxia， et al. Design of three-dimensional spacer fabrics based on rapier looms［J］. Journal of Textile Research， 2021，42（6）：166-170.

［2］梅自強.紡織辭典［Z］.北京：中國紡織出版社，2007：445.

MEI Ziqiang. Dictionary of Textiles［Z］. Beijing： China Textile&ApparelPress， 2007： 445.

［3］王守澤，張五九.一種基于卷徑變化預測織機了機的方法：CN110331503A［P］.2019-10-15.

WANG Shouze， ZHANG Wujiu. A method for predicting the weaving machine based on the change of winding diameter：CN110331503A［P］. 2019-10-15.

［4］沈春婭，雷鈞杰，汝欣，等.基于改進型NSGAⅡ的織造車間多目標大規模動態調度［J］.紡織學報，2022，43（4）：74-83.

SHEN Chunya， LEI Junjie， RU Xin， et al. Multi-objective large-scale dynamic scheduling for weaving workshops based on improved NSGAII［J］.Journal of Textile Research， 2022，43（4）：74-83.

［5］郭廣慧，李春梅.基于移動終端的織機運行數據監測系統開發［J］.紡織科技進展，2017（6）：15-16.

GUO Guanghui， LI Chunmei.Development of loom runing data monitoring system based on mobile terminal［J］.Progress in Textile Science & Technology， 2017（6）：15-16.

［6］羅東升.織機實時織造信息管理系統的研發與應用［D］.杭州：浙江工業大學，2014：18-25.

LUO Dongsheng. Development & Application of Mana-gement System for Real-time Loom Information［D］. Hangzhou： Zhejiang University of Technology， 2002：4-8.

［7］鄭寶平，蔣高明，夏風林，等.基于模型預測的經編送經動態張力補償系統設計［J］.紡織學報，2021，42（9）：163-169.

ZHENG Baoping， JIANG Gaoming， XIA Fenglin， et al. Design of dynamic tension compensation system for warp knitting let-off based on model predictions［J］. Journal of Textile Research， 2021，42（9）：163-169.

［8］張曉俠，劉鳳坤，買巍，等.基于BP神經網絡及其改進算法的織機效率預測［J］.紡織學報，2020，41（8）：121-127.

ZHANG Xiaoxia， LIU Fengkun， MAI Wei， et al. Prediction of loom efficiency based on BP neural networkand its improved algorithm［J］. Journalof Textile Research， 2020，41（8）：121-127

［9］周亞勤，汪俊亮，鮑勁松，等.紡織智能制造標準體系架構研究與實現［J］.紡織學報，2019，40（4）：145-151.

ZHOU Yaqin， WANG Junliang， BAO Jinsong， et al. Research and implementation of standard system architecture of textile intelligent manufacturing［J］. Journal of Textile Research， 2019，40（4）：145-151.

［10］劉樹鑫，高士珍，劉洋，等.基于LSTM的交流接觸器剩余壽命預測［J］.高電壓技術，2022，48（8）：3210-3220.

LIU Shuxin， GAO Shizhen， LIU Yang， et al. Residual life prediction of AC contactor based on LSTM［J］. High Voltage Engineering， 2022，48（8）：3210-3220.

［11］黃建華，鐘敏，胡慶春.基于改進粒子群算法的LSTM股票預測模型［J/OL］.華東理工大學學報（自然科學版），2021：1-12［2022-09-13］.DOI：10.14135/j.cnki.1006-3080.20210616001.

HUANG Jianhua， ZHONG Min， HU Qingchun， et al. LSTM stock prediction model based on improved particle swarm optimization algorithm［J/OL］. Journal of East China University of Science and Technology， 2021：1-12［2022-09-13］.DOI：10.14135/j.cnki.1006-3080.20210616001.

［12］姚桂國，梁金祥，左保齊.基于網格的織物圖像拼接技術［J］.紡織學報，2012，33（2）：46-49.

YAO Guiguo， LIANG Jinxiang， ZUO Baoqi， et al. Fabric image mosaicing technology based on grille［J］. Journal of Textile Research， 2012，33（2）：46-49.

Abstract： Loom production mainly refers to the process of weaving weft and warp on the weaving axis into cloth in vertical and horizontal directions. When the yarn of the loom axis ， the axis， drop wires， heald， reed and warp yarn need to be cleaned from the loom. This process is called the loom changing the axis. If the axis is changed too early， the yarn material of the weaving axis will be wasted. If the warp axis is not set in time， too long stagnation of machine and insufficient length of remaining warp will cause problems such as inability to knot the new axis. Accurate prediction of warp-out time， timely arrangement of personnel for warp threading， warp knotting and axis change， so that the new weaving axis can be put into production in time， which has an important effect on improving the production efficiency of weaving.

When calculating the looms warp-out time by using the pre-set static parameters of planned production， the deviation between the theoretical calculation value and the actual value is too large. Aiming to solve this problem， a looms warp-out time prediction method based on LSTM recurrent neural network proposed. Based on the analysis of the factors affecting the loom warp-out time from three aspects： the warp and weft stop of the loom， the working efficiency of personnel and the variety of cloth processed， a data set of loom production with time series characteristics s constructed. The prediction of the model in the whole life cycle of the weaving axis was dynamically adjusted by setting the time schedule coefficient， and the performance of the model was optimized from two aspects of loss degree and training time. On this basis， propose to set the dynamic loss change threshold to determine the optimal number of iterations of the model under different training data to improve the generalization ability of the model. Finally， the statistics of the consumption time of all kinds of stop states in the actual production of the loom re carried out， and the conclusion s drawn that the average percentage of the loom's stopping time in the whole weaving time of the weaving axis s about 9.68%， and the average percentage of the warp and weft stopping time in the loom's stopping time s about 80.74%， which shows that the warp and weft stopping plays a key role in the prediction of the warp-out time. Through the verification of the experimental data， it is found that the average error between the predicted results of the model proposed in this paper and the actual values is 0.84 h to 1.52 h in the two days before the deadline of the prediction of the warp-out time， which meets the index requirements of actual production.

The accurate prediction of warp-out time by intelligent prediction model and the analysis of the relationship between looms warp-out time and various influencing factors can provide inspiration for optimizing weaving scheduling and adjusting weaving production process， so that workshop personnel can reasonably control the material processing progress and ensure uninterrupted and efficient production between weaving links. The research results can provide reference suggestions for the intelligent transformation of traditional textile industry.

Keywords： looms warp-out time LSTM recurrent neural networktime serieswarp and weft stopweaving axisdynamic loss change threshold