Prediction of Garment Production Cycle Time Based on a Neural Network

• Autorzy: Cao Huaqing , Ji Xiaofen

Identyfikatory

DOI

10.5604/01.3001.0014.5036

Warianty tytułu

PL

Przewidywanie czasu cyklu produkcji odzieży na podstawie sieci neuronowej

• Języki publikacji: EN

Abstrakty

EN

The process of garment production has always been a black box. The production time of different clothing is different and has great changes, thus managers cannot make a production plan accurately. With the world entering the era of industry 4.0 and the accumulation of big data, machine learning can provide services for the garment manufacturing industry. The production cycle time is the key to control the production process. In order to predict the production cycle time more accurately and master the production process in the garment manufacturing process, a neural network model of production cycle time prediction is established in this paper. Using a trained neural network to predict the production cycle time, the overall error of 6 groups is within 5%, and that of 3 groups is between 5% and 10%. Therefore, this neural network can be used to predict the future production cycle time and predict the overall production time of clothing.

PL

Czas produkcji różnych ubrań jest inny i podlega dużym zmianom, dlatego menedżerowie nie mogą dokładnie zaplanować produkcji. Wraz z wkroczeniem świata w erę przemysłu 4.0 i gromadzeniem dużych zbiorów danych dobrym rozwiązaniem dla przemysłu odzieżowego jest zastosowanie maszyn uczących się. Czas cyklu produkcyjnego jest kluczem do kontroli procesu produkcyjnego. W celu dokładniejszego przewidywania czasu cyklu produkcyjnego i opanowania procesu produkcyjnego w procesie produkcji odzieży, w artykule opracowano model sieci neuronowej do przewidywania czasu cyklu produkcyjnego. Do przewidywania czasu cyklu produkcyjnego użyto sieci neuronowej, ogólny błąd 6 grup mieścił się w granicach 5%, a 3 grup – między 5% a 10%. W związku z tym zaprezentowana sieć neuronowa może znaleźć zastosowanie w przewidywaniu czasu cyklu produkcyjnego i całkowitego czasu produkcji odzieży.

Słowa kluczowe

EN

garment production; big data; cycle time; neural network; prediction

PL

produkcja odzieży; zbiór danych; czas cyklu; sieć neuronowa; predykcja

• Wydawca: Sieć Badawcza Łukasiewicz - Łódzki Instytut Technologiczny
• Czasopismo: Fibres & Textiles in Eastern Europe
• Rocznik: 2021
• Tom: Vol. 29, no. 1 (145)
• Strony: 8--12
• Opis fizyczny: Bibliogr. 18 poz., rys., tab.

Twórcy

autor

Cao Huaqing

• Zhejiang Sci-Tech University, College of Textile Science and Engineering, Hangzhou, 310000, P.R. China

autor

Ji Xiaofen

• Zhejiang Sci-Tech University, School of International Education, Hangzhou, 310000, P.R. China

Bibliografia

• 1. World Trade Organization. www.wto.org.
• 2. CHINA COTTON ASSOCIATION. www.china-cotton.org/data/cottonDataList.
• 3. Zhang J, Liu Y, Cheng L. Structural Changes and Growth Factors of China’s Textile Industry: 1997-2012. FIBRES & TEXTILES in Eastern Europe 2018; 26, 2(128): 20-25. DOI: 10.5604/01.3001.0011.5734.
• 4. Salerno-Kochan R, Kowalski M. Safety Management of Textile Products in the European Union and Estimation of its Efficiency. Part 1. FIBRES & TEXTILES in Eastern Europe 2020; 28, 2(140): 8-14. DOI: 10.5604/01.3001.0013.7307.
• 5. Antczak A, Greta M, Kopeć A, Otto J. Characteristics of the Textile Industry of Two Asian Powers: China and India. Prospects for their Further Development on Global Markets. FIBRES & TEXTILES in Eastern Europe 2019; 27, 5(137): 9-14. DOI: 10.5604/01.3001.0013.2895.
• 6. Kumar DV, Mohan GM, Mohanasundaram KM. Lean Tool Implementation in the Garment Industry. FIBRES & TEXTILES in Eastern Europe 2019; 27, 2(134): 19-23.DOI:10.5604/01.3001.0012.9982.
• 7. Wright TP. Factors Affecting the Cost of Airplanes. Journal of Aeronautical Sciences 1936; 3 (4): 122-128.
• 8. Smunt TL, Watts CA. Improving Operations Planning with Learning Curves: Overcoming the Pitfalls of ‘Messy’ Shop Floor Data. Journal of Operations Management 2003; 21 (1): 93-107.
• 9. Smunt TL. A Comparison of Learning Curve Analysis and Moving Average Ratio Analysis for Detailed Operational Planning. Decision Sciences 1986; 17 (4): 475-495.
• 10. Smunt TL. Incorporating Learning Curve Analysis Into Medium-Term Capacity Planning Procedures: A Simulation Experiment. Management Science 1986; 32 (9): 1164-1176.
• 11. Christoph H. Glock. Applications of Learning Curves in Production and Operations Management: A Systematic Literature Review. Computers & Industrial Engineering 2019; 131(5): 422-441.
• 12. Attia EA, Megahed A, Duquenne P. Towards a Learning Curve for Electric Motors Production under Organizational Learning via Shop Floor Data. IFAC-PapersOnLine 2016; 49(12): 1086-1091.
• 13. Hu S, Zhang L, Zhang W. Cycle Time Design Model in Garment Assembly Line Based on Skilled Ratio. Journal of Textile Research 2015, 36(05): 133-138.
• 14. Kalkanci M, Kurumer G, Öztürk H, Sinecen M, Kayacan Ö. Artificial Neural Network System for Prediction of Dimensional Properties of Cloth in Garment Manufacturing: Case Study on a T-Shirt. FIBRES & TEXTILES in Eastern Europe 2017; 25, 4(124): 135-140. DOI: 10.5604/01.3001.0010.2859.
• 15. Hasnat A, Ghosh A, Khatun A, Halder S. Pattern Classification of Fabric Defects Using a Probabilistic Neural Network and Its Hardware Implementation using the Field Programmable Gate Array System. FIBRES & TEXTILES in Eastern Europe 2017; 25, 1(121): 42-48. DOI: 10.5604/01.3001.0010.1709.
• 16. Jin J, Yang Y, Zou F. Developing an Intelligent Model for the Construction a Hip Shape Recognition System Based on 3D Body Measurement. FIBRES & TEXTILES in Eastern Europe 2016; 24, 5(119): 110-118. DOI: 10.5604/12303666.1215535.
• 17. Jaouachi B, Khedher F. Evaluation of Sewed Thread Consumption of Jean Trousers Using Neural Network and Regression Methods. FIBRES & TEXTILES in Eastern Europe 2015; 23, 3(111): 91-96. DOI: 10.5604/12303666.1152518.
• 18. Michael P, Stephanie P. Practical MATLAB Deep Learning: A Project-Based Approach 2020.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2021).