An intelligent decision support system for the textile industry

Abstract

In the Textile industry there is a need to design new fabrics more rapidly to meet the demands of consumers. With the fourth industrial revolution bringing the digitalization and automation of manufacturing processes to a new level, the volume of data being stored has increased, enabling the use of Artificial Intelligence tools to enhance textile production processes. This PhD work was executed as part of a Research and Development (R&D) project. The main objective is the development of an Intelligent Decision Support System (IDSS), based on the Adaptive Business Intelligence concept, that will assist in the design of new textile fabrics through predictive and prescriptive analytics. To address this goal several experiments were performed. The first set of experiments was related to the prediction of two laboratory quality tests using an Automated Machine Learning (AutoML) tool. In the second predictive experiment, nine quality tests were selected, using an AutoML tool to compare the value of proposed input fabric yarn and finishing feature representations. Then, an initial prescriptive study was performed within the context of a different R&D project, aiming to develop an IDSS for production planning in the Textile industry. Using an AutoML tool for the predictive module, and NSGA-II to minimize both the cost and production time, the IDSS searched for the best subcontractor allocation plan, achieving interesting results. Based on the previously gained experience, the PhD main IDSS was developed, aiming to support the creation of new textile fabrics. For the predictive module, we compared a Single-Target Regression approach, obtained during the second predictive work, and a Multi-Target Regression, via a deep learning approach, for the prediction of four fabric physical properties and the final textile composition. For the prescriptive module, we compared two methods (NSGA-II and R-NSGA-II), aiming to simultaneously minimize the physical property predictive error and the distance of the optimized values to the learned input space. The full IDSS was evaluated using 100 new fabrics and then presented to the textile company experts, which provided positive feedback.

Na indústria Têxtil há necessidade de desenvolver rapidamente novos tecidos para responder ás exigências dos consumidores. Com a quarta revolução industrial a contribuir para a digitalização e automatização dos processos de fabrico, o volume de dados armazenados aumentou, permitindo a utilização de técnicas de Inteligência Artificial para melhorar processos de produção têxtil. Este trabalho de doutoramento foi executado no âmbito de um projeto de Investigação e Desenvolvimento (I&D). O principal objetivo é a investigação e implementação de um Sistema Inteligente de Apoio à Decisão (SIAD) baseado no conceito de Adaptive Business Intelligence, que irá auxiliar a conceção de novos tecidos, através de análises preditivas e prescritivas. Para responder a este desafio, foram efetuadas várias experiências. As primeiras experiências estão relacionadas com a previsão de dois testes de qualidade utilizando uma ferramenta de Automated Machine Learning (AutoML). Nas segundas experiências, também preditivas, foram selecionados nove testes de qualidade, e recorrendo a uma ferramenta AutoML foi comparado o valor de diferentes representações de fios e acabamentos. De seguida, foi efetuado um estudo prescritivo inicial, no contexto de um projeto de I&D diferente, com o objetivo de desenvolver um SIAD para o planeamento da produção na indústria têxtil. Utilizando uma ferramenta AutoML e NSGA-II para minimizar o custo e o tempo de produção simultaneamente, procurou-se o melhor plano de alocação de subcontratados, obtendo resultados interessantes. Com base nos estudos anteriores, foi desenvolvido o SIAD deste doutoramento, para o suporte à conceção de novos tecidos. No módulo preditivo, comparámos uma abordagem de regressão de objetivo único, obtida durante a segunda experiência, e uma regressão com vários objetivos, através de uma abordagem de deep learning, para a previsão de quatro propriedades físicas de tecidos e a composição têxtil final. Para o módulo prescritivo, comparámos dois métodos (NSGA-II e R-NSGA-II), com o objetivo de minimizar simultaneamente o erro preditivo das propriedades físicas e a distância dos valores otimizados ao espaço de entrada aprendido. O SIAD foi avaliado utilizando 100 novos tecidos e apresentado à empresa têxtil que forneceu um parecer positivo.