本发明涉及用于确定用于纺纱厂内的纺织机器和工艺的适配的机器参数的计算机系统和计算机化方法。
背景技术：
：：多种原材料在纺纱厂中在若干处理步骤中处理，经由中间产品到作为最终产品的纱线。原材料经过多种工作站，这些工作站提供诸如清花、开包、清洗、混合、梳理、精梳、牵伸、粗纺、精纺以及最后的络筒和绕纱的处理步骤。机器用于配备有传感器的大多数步骤。传感器信号用于控制处理过程和/或用于监视所生产的中间产品和最终产品的质量。有若干文献公开了用于在纺织厂中优化制造过程的方法。根据第一项权利要求的前序部分，w02010054497a1涉及用于在质量、生产率和/或收益率方面优化在纺织厂（诸如纺纱厂、织造厂或刺绣厂）中的制造过程的方法。当原材料在制造过程中在若干处理步骤中处理成中间产品并生产最终产品时，应用该方法。在至少两个不同处理步骤中测量原材料、中间产品和/或最终产品的参数，将该参数存储在数据库中并链接在索引文件中。因此，采用的批质量尽可能接近于可也指定为批必要质量的批质量，以便提供交付协议规定的纱线质量。de3924779公开了用于在包括多种区域的纺纱厂中操作工艺生产线的方法和设备，例如，该多种区域至少包括清花间、纺纱准备和纺纱的区域，其中每个区域由若干纺织机器组合而成，这些纺织机器串行地和/或平行地操作并形成机器平面，并且其中单个串行连接的纺织机器生产不同的纤维结构，其中进入到清花间中的原纤维材料在纺纱厂的输出处作为纺纱纱线获得。该方法的特征在于，在所称区域中的每个中的至少一些纺织机器处测量相应生产的纤维结构的至少一个质量特征，并使用该质量特征调节相应的纺织机器或在相同区域中的较早的纺织机器；并且在于，从在纺纱准备和纺纱区域中测量的质量特征中的至少一些形成校正值，并且该校正值用于影响较早区域的纺织机器的操作。ep0541483公开了具有用于至少一组机器的工艺控制计算机的纺纱厂，组中的每个机器被提供有其自己的控制机器的致动器系统（以及指定到该机器的任何可能的辅助组件）的控制器。提供了用于在计算机与该组中的每个机器之间的双向通信的至少一个网络。在系统操作期间，控制指令从工艺控制计算机经由网络导向到机器控制器。每个机器控制器将控制指令传递到由该控制器控制的致动器系统，如果需要的话，由机器控制器将控制指令通过转换为适用于致动器系统的控制信号。估算用于纱线纺纱的机器设置的方法在下述文章中给出：sevilla-villanuevab.,sànchez-marrèm.,fischert.v.(2014)estimationofmachinesettingsforspinningofyarns-newalgorithmsforcomparingcomplexstructures.in:lamontagnel.,plazae.(eds)case-basedreasoningresearchanddevelopment.iccbr2014.lecturenotesincomputerscience,vol8765.springer,cham。此外，基于案例的推理的方法在下述文章中给出：sevillavillanuevab.,sànchez-marrèm.(2012)case-basedreasoningappliedtotextileindustryprocesses.in:agudob.d.,watsoni.(eds)case-basedreasoningresearchanddevelopment.iccbr2012.lecturenotesincomputerscience,vol7466.springer,berlin,heidelberg。cbr（cbr：基于案例的推理）方法的局限性在于，只能在数据库中已经存在数据的给定方案空间内确定新设置，而不能超出这样的方案空间。技术实现要素：本发明的目的在于提供改进的计算机系统和改进的计算机化方法，用于确定用于纺纱厂内的纺织机器和工艺的适配的机器参数，以便提高生产质量、减少原材料的使用、减少浪费、并最小化转化成本（诸如能源成本、人力成本、维护成本、和耗材成本）、并且增加生产量以及对纺纱厂内的不同机器的理想批次分配。该目的是通过根据独立权利要求的用于确定用于纺纱厂内的纺织机器和工艺的适配的机器参数的计算机系统和计算机化方法实现的。从属权利要求给出了有利的实施例。特别是，计算机系统用于确定用于纺纱厂内的纺织机器和工艺的适配的机器参数，适配的机器参数涉及以下项中的至少一个：生产质量，原材料使用，减少浪费，诸如能源成本、人力成本、维护成本和耗材成本的转换成本，以及生产量的增加和对纺纱厂内的不同机器的理想批次分配，包括：配置为接收来自纺纱厂和纺织机器的操作信息的接收和传输部段；配置为存储接收的操作信息的第一数据库；包括优化器部段的处理部段，优化器部段包括用于确定适配的机器参数的神经网络，其中神经网络使用用于监督学习、无监督学习、机器学习和/或深度学习的算法或从监督学习、无监督学习、机器学习和/或深度学习得出的算法，并且其中神经网络使用存储在第一数据库中的操作信息。优选地，优化器部段还包括配置为检查适配的机器参数的基于案例的推理（cbr）系统和数学控制和过滤部段，其中，检查适配的机器参数包括将概率函数应用到适配的机器参数并应用到从基于案例的推理系统得出的信息。优选地，计算机系统还配置为确定定义以下项中的至少一个的适配的机器参数：•原材料输入；•纺织机分配到原材料质量的单个批次混合；•棉包在清花间中的具体分配；•纺织机器的优化使用；•纺织机器的操作；•纺织机器的具体部件；•工艺设置和定义；•辅助系统的设置；•纺纱厂内的材料流的定义；•操作员及其任务与纺纱厂的协调；•人力资源（劳动力）到不同工艺步骤的协调和分配；•纺织机器的预防性或预测性维护。优选地，计算机系统还配置为接收来自纺纱厂和纺织机器的操作信息，该操作信息包括以下项中的至少一个：•工厂识别信息，以识别纺纱厂；•机器识别信息，以识别多个纺织机器中的每个纺织机器；•单元识别信息，以识别纺织机器的多个机器单元中的每个机器单元；•来自传感器和辅助纺纱装置的信息。优选地，计算机系统还配置为首先实施在关于质量调查生产测试和试验的训练数据的基础上训练神经网络的步骤，训练数据具有高质量的可靠性；其中，优选地使用来自基于案例的推理系统和/或应用传统数学模型的数学控制和过滤部段的信息预先调整训练数据。优选地，计算机系统还包括以下项中的一个或多个：•第二数据库，该第二数据库具有存储的关于质量调查生产测试和试验的参考数据；•第三数据库，该第三数据库具有存储的收集自纺纱厂的纺织专家或自纺织技术人员的经验数据；和•第四数据库，该第四数据库具有存储的适配的机器参数；其中，优化器部段以及优选地神经网络还配置为，使用存储在第二数据库中的数据、存储在第三数据库中的数据、和存储在第四数据库中的数据中的一个或多个确定适配的机器参数。优选地，第一数据库，以及如果适用的话，第二数据库、第三数据库、和第四数据库中的一个或多个的至少部分以非结构化数据库的形式或以结构化数据库的形式配置。优选地，计算机系统还配置为确定接收的操作信息的质量水平，其中，神经网络配置为就不同质量水平使用不同权重。优选地，传输部段还配置为将适配的机器参数传输到纺纱厂和/或纺织机器。优选地，处理部段还包括有效性检查部段，有效性检查部段配置为检查适配的机器参数的有效性。本发明的目的还由根据对应的独立权利要求的确定纺纱厂内的机器和工艺的适配的操作参数的方法实现。特别是，确定用于纺纱厂内的纺织机器和工艺的适配的机器参数的计算机化方法，适配的机器参数涉及以下项中的至少一个：生产质量，原材料使用，减少浪费，诸如能源成本、人力成本、维护成本和耗材成本的转换成本，以及生产量的增加和对纺纱厂内的不同机器的理想批次分配，包括：在计算机系统的接收和传输部段中接收来自纺纱厂和纺织机器的操作信息；在计算机系统的第一数据库中存储接收的操作信息；在计算机系统的处理部段的优化器部段的神经网络中确定适配的机器参数，其中神经网络使用用于监督学习、无监督学习、机器学习和/或深度学习的算法或从监督学习、无监督学习、机器学习和/或深度学习得出的算法，并且其中神经网络使用存储在第一数据库中的操作信息。优选地，方法还包括通过将概率函数应用到适配的机器参数并应用到从基于案例的推理系统得出的信息，检查适配的机器参数。优选地，方法还包括确定定义以下项中的至少一个的适配的机器参数：•原材料输入；•纺织机分配到原材料质量的单个批次混合；•棉包在清花间中的具体分配；•纺织机器的优化使用；•纺织机器的操作；•纺织机器的具体部件；•工艺设置和定义；•辅助系统的设置；•纺纱厂内的材料流的定义；•操作员及其任务与纺纱厂的协调；•人力资源（劳动力）到不同工艺步骤的协调和分配；•纺织机器的预防性或预测性维护。优选地，方法还包括接收来自纺纱厂和纺织机器的操作信息，该操作信息包括以下项中的至少一个：•工厂识别信息，以识别纺纱厂；•机器识别信息，以识别多个纺织机器中的每个纺织机器；•单元识别信息，以识别纺织机器的多个机器单元中的每个机器单元；•来自传感器和辅助纺纱装置的信息。优选地，方法还包括首先实施在关于质量调查生产测试和试验的训练数据的基础上训练神经网络的步骤，训练数据具有高质量的可靠性；并且优选地使用来自基于案例的推理（cbr）系统和/或应用传统数学模型的数学控制和过滤部段的信息预先调整训练数据。优选地，方法还包括使用存储在第二数据库中的数据、存储在第三数据库中的数据、和存储在第四数据库中的数据中的一个或多个确定适配的机器参数，第二数据库具有存储的关于质量调查生产测试和试验的参考数据，第三数据库具有存储的收集自纺纱厂的纺织专家或自纺织技术人员的经验数据，并且第四数据库具有存储的适配的机器参数。优选地，在方法内，所述神经网络单独访问非结构化数据库或与结构化数据库结合访问非结构化数据库。在方法中，数据量和数据范围（附加数据字段）随时间增加。使用传统sql数据库对此方面产生了一些限制，nosql数据库可有利地克服这些限制。优选地，方法还包括确定接收的操作信息的质量水平，并且在神经网络中就不同质量水平使用不同权重。有利地，以这种方式考虑了收集的数据的质量水平（可信赖度、可再现性、质量检查等）。优选地，方法还包括将适配的机器参数传输到纺纱厂和/或纺织机器。当第一、第二、第三和/或第四数据库是非结构化数据库时，可以这种方式处理随时间增加的数据量和数据范围（附加数据字段）。当中央装置包括有效性检查部段时，该检查部段适应于通过参数管理器检查确定的机器参数的有效性，检查部段通过规定的机器操作模式验证新确定的机器和工艺的参数，以便避免未规定的操作模式并防止损坏。所提出的包括单独的神经网络或与基于案例的推理（cbr）结合的方法的优点在于，可在数据库中已经存在的数据的给定方案空间之外确定新的设置。本发明的有益之处在于神经网络方法的潜力，其用于在当前可获得的数据框架内并且超出该数据框架之外学习和优化纺纱厂机器、系统和工艺设置的参数。本发明适于提出适配参数，并且将基于在操作期间获得的数据自动更新其预测。附图说明借助于由附图图示的以示例方式给出的实施例的描述，将更好地理解本发明，在附图中，图1示出了根据本发明的总体配置的概览；并且图2示出了根据本发明的处理部段和数据库的概览。具体实施方式将参考附图描述本发明的第一实施例。图1是根据本发明的总体配置的概述。图1示出了包括处理部段2的计算机系统1。图1示出了多个纺纱厂a、b、c。三个纺纱厂a、b和c用于描述本发明的实施例。纺纱厂a、b、c的数量不限于三个，并且可大于或小于三个。每个纺纱厂包括终端装置3、一些纺织机器4、每个纺织机器4具有控制部段40和一些机器单元5。计算机系统1、终端装置3、控制部段40经由通信网络6彼此连接，该通信网络6诸如因特网、局域网（lan）、或移动电话网络。计算机系统1例如是服务器计算机或个人计算机。计算机系统1经由通信网络6连接到提供在每个纺纱厂a、b、c中的终端装置3。由于附图空间的限制，在图1中在每个纺纱厂a、b、c中图示了三个纺织机器4。然而，纺织机器4的数量不限于三个，并且可大于或小于三个。类似地，机器单元5的数量可大于一个。此外，在本发明的实施例中，不同公司可分别拥有纺纱厂a、纺纱厂b和纺纱厂c。然而，一个公司可拥有多个纺纱厂。例如，一个公司可拥有纺纱厂a和b，并且另一公司可仅拥有纺纱厂c。根据一些实施例，计算机系统1包括一个或多个计算机网络接口、一个或多个处理器、存储器、以及一个或多个程序。一个或多个程序存储在存储器中并配置为由一个或多个处理器执行。存储器可为易失性的（诸如随机存取存储器（ram））和/或非易失性的（诸如只读存储器（rom）、闪存等）。一个或多个处理器可是中央处理单元（cpu）、微处理器、多核处理器等。一个或多个程序包括计算机可执行指令，用于执行计算机系统1的功能的操作和/或在本公开中描述的方法步骤。计算机可执行指令可以任何适当的程序语言编写。根据一些实施例，非暂时性计算机可读存储介质具有存储于其中的指令，当由具有一个或多个计算机网络接口、存储器和一个或多个处理器的计算机系统1执行时，该指令使计算机系统1执行在此描述的功能的操作和/或方法步骤。非易失性计算机可读存储介质可包括本领域中已知或使用的任何适当介质，诸如但不限于以任何方法或技术实现的用于存储信息（诸如计算机可读指令、数据结构、程序模块或其他数据）的易失性和非易失性、可移除和不可移除介质，包括ram、rom、电可擦可编程只读存储器（eeprom）、闪存或其他存储技术、cd-rom、dvd或其他光存储、磁卡带、磁带、磁盘存储或其他磁性存储装置或任何其他介质。基于在此提供的公开和教导，本领域普通技术人员将理解实现多种实施例的其他方式和/或方法。但是，非暂时性计算机可读存储介质不包括诸如载波等的暂时性介质。纺织机器4是配置有多个机器单元5的机器。例如，纺织机器4可是开包机、梳理机、均整或非均整并条机、精梳准备机或精梳机、诸如环锭纺纱机或紧密纺纱机的最终纺纱装置、转杯纺纱机、喷气纺纱机、自动络筒机、粗纱机、织机、编织机、纱线卷绕机、拉伸变形机等等。额外地，纺纱厂a、b、c可包括辅助纺纱装置，例如气压系统、运输系统、气候控制系统、安全和监视系统等等。在本发明的实施例中，作为示例，将在纺织机器4为转杯纺纱机的假设下进行说明，在该转杯纺纱机中，多个机器单元5从粗纱生产高质量的纱线。纺织机器4提供有控制每个机器单元5的控制部段40。另外，纺织机器4提供有多个传感器，以便感测经处理的材料的质量并收集关于每个机器单元5的部件的操作状态的操作信息。控制部段40将关于由纺织机器4和机器单元5处理的材料的质量特征的信息以及纺织机器4和机器单元5的实际操作信息传输到终端装置3。终端装置3可是个人计算机。代替个人计算机，终端装置3可是专门设计用于控制纺织机器4的装置。关于由纺织机器3处理的材料的质量特征的操作信息的示例可取自de3924779a1的图5、6，尽管其他也是可能的。每个纺纱厂的终端装置3将关于由纺织机器4处理的材料的质量特征的信息传输到计算机系统1。计算机系统1包括适于从纺纱厂a、b、c和纺织机器接收操作信息的接收和传输部段15，该操作信息可包括：•工厂识别信息，以识别纺纱厂a、b、c；•机器识别信息，以识别连接到终端装置3的多个纺织机器4中的每个纺织机器4；•单元识别信息，以识别纺织机器4的多个机器单元中的每个机器单元5；和•如下示出的多项操作信息，例如，关于由纺织机器4和单元5处理的材料的质量特征以及从纺纱厂a、b、c收集的数据。基于纺织机器4和机器单元5的操作信息，计算机系统凭借处理部段2确定适配的机器参数。根据本发明的并且由处理部段2确定的适配的机器参数可包括：•原材料参数；例如，如在de3924779a1的图5（“rohmaterial”）中可见的；•生产流程参数，例如，纺纱计划和机器的使用；•纺织机器4和部件的维护和磨损状态；•操作者典型参数，例如操作者具体偏好和错误；•中间产品和最后产品的质量参数，例如，如在de3924779a1的图5、6中可见的质量变化、韧度、纤维取向或其他；•纺织机器和部件的设置。如在图1中图示的，计算机系统1包括四个不同的数据库71a,b,c、72、73、74。第一数据库71a,b,c配置为存储由接收部段15接收的操作信息，该操作信息特别是包括工厂识别信息、机器识别信息、机器单元识别信息和时间。每个纺纱厂a、b、c等可具有自己的数据库71a,b,c，其存储相应的纺纱厂a、b、c的操作信息。存储在计算机系统1中的第一数据库的数据或这些第一数据库71a,b,c的数据中的至少部分，包括来自机器和传感器的测量数据，并覆盖纺纱厂a、b、c的所有操作方面。数据的量和数据的范围（附加数据字段）随时间增加。使用传统sql数据库对此方面产生了一些限制，nosql数据库可克服这些限制。此外，计算机系统1包括第二数据库72，该第二数据库72具有存储的关于质量调查生产测试和试验的参考数据的参考值。作为示例，这可包括设置参数、原材料数据、关于最终产品和半成品数据的信息以及关于环境和生产过程数据的数据。计算机系统1包括第三数据库73，该第三数据库73具有存储的收集自纺纱厂的纺织专家或纺织技术人员的经验数据。计算机系统1包括第四数据库74，该第四数据库74具有存储的（之前确定的）适配的机器参数，其基于参数请求14并且基于数据库71a,b,c、72、73、74的数据。尽管在图1、2中示出了四个不同的数据库71a,b,c、72、73、74，清楚的是，单个数据库可包括所有提到的数据。在第一、第二、第三和第四数据库71a,b,c、72、73、74中提到的数据可增长为巨量的数据，其称为大数据。如上面已经提到的，本发明单独使用非结构化数据库（nosql数据库、数据仓库或数据湖）或与在纺纱厂系统和平台中的结构化数据库结合使用。当前已知的一些非结构化数据库为hadoop、cassandra、hypertable、accumulo、amazonsimpledb、clouddata、hpcc、flink、splice、mongodb、elasticsearch、couchbasedserver、couchdb、rethinkdb、ravendb、marklogicserver、clusterpointserver、nedb、terrastore、jasdb、raptordb、djoindb、edb、amisaserver、densodb、sisodb、sdb、unqlite、thrudb、timescaledb。存在许多额外的非结构化（nosql）数据库用于关键值/元组存储数据库、图形数据库、多模型数据库、对象数据库、网格和云数据库、xml数据库、多维数据库和网络模型数据库。单独使用非结构化数据库或与结构化数据库结合使用的有益之处在于其满足用于纺纱厂参数和纺纱厂工艺的适配的大数据分析、机器学习和深度学习方法。图2示出了根据本发明的处理部段2和数据库71a,b,c、72、73、74的概览。处理部段2包括优化器部段8、适配的机器参数9和有效性检查部段10。优化器部段8包括基于案例的推理（case-basedreasoning，cbr）系统11、神经网络12以及数学控制和过滤部段13。根据本发明，使用优化器部段8分析收集的数据，即存储在数据库71a,b,c、72、73、74中的数据，该优化器部段8实现包括单独的神经网络12或与基于案例的推理（cbr）系统11和在数学控制和过滤部段13中使用的传统数学模型结合的人工智能算法。在纺纱厂中的基于案例的推理方法本身给出在如在现有技术部分中引用的文章“case-basedreasoningappliedtotextileindustryprocesses”。在根据本发明的方法期间，在第一步骤中，训练神经网络12或利用来自数据库71a,b,c、72、73、74的数据训练其本身。在该步骤期间，构建算法以便在第二步骤中通过神经网络12解决具体参数请求14。这样的具体参数请求14可是对如上面定义的任何适配的机器参数的请求。在第三步骤中，通过神经网络12计算适配的机器参数，并由基于案例的推理（cbr）系统11和/或数学控制和过滤部段13检查合理性。为在由神经网络12确定的适配的机器参数与由基于案例的推理（cbr）系统11和/或数学控制和过滤部段13检查的适配的机器参数之间的差指定概率值，例如根据一个或多个概率函数。取决于概率值，在处理单元8内，为由神经网络12和基于案例的推理（cbr）系统11和/或数学控制和过滤装置13确定的适配的机器参数指定相应的权重用于重新计算适配的机器参数，或是根据概率值选择由神经网络12和基于案例的推理（cbr）系统11和/或数学控制和过滤装置13确定的适配的机器参数。在神经网络12的训练之前，当仅有限的数据可获得时，可能的是在来自第二数据库72的训练数据的基础上训练神经网络12，该第二数据库72具有存储的质量调查生产测试和试验的参考数据，该参考数据是具有高质量的可靠性的数据。此外，可通过基于案例的推理（cbr）系统11和/或数学控制和过滤部段13预先调整训练数据。当接收到参数请求14时，优化器部段8单独使用神经网络12或与基于案例的推理cbr系统11和传统数学模型结合确定适配的机器参数9。神经网络12包括用于监督学习、无监督学习、机器学习和/或深度学习的算法。仅使用神经网络12的方法在其达到其操作表现之前要求大量数据（大数据）用于训练神经网络12（无监督学习方法、深度学习）。为了最小化这样的工作，考虑来自基于案例的推理（cbr）系统11的结果以及来自数据库72、73的数据，并带来监督学习方法，并支持特征在于机器学习过程的特征提取过程。在数据库71a,b,c、72、73、74中的数据具有不同来源，并且因此具有不同质量水平，例如，可信赖度、可再现性、质量检查等。因此，在提到的优化器部段8的算法中，来自数据库71a,b,c、72、73、74的数据可根据为数据指定的质量水平加权。这种方法的有益之处在于，可控制适配的机器参数的整体质量，并且可限制不合格数据的干扰影响。作为结果，输出适配的机器参数9。在本发明中适配的机器参数9可定义：•原材料输入；•纺织机分配到原材料质量的单个批次混合；•棉包在清花间中的具体分配；•纺织机器4的优化使用；•纺织机器4的操作；•纺织机器4的具体部件；•工艺设置和定义；•辅助系统的设置；•纺纱厂a、b、c内的材料流的定义；•操作员及其任务与纺纱厂a、b、c的协调；•人力资源（劳动力）到不同处理步骤的协调和分配；•纺织机器4的预防性或预测性维护。确定的适配的机器参数9也存储在第四数据库74中，以便丰富确定的适配的机器参数的集合。这有助于提高稳定性、质量以及后续参数确定的速度。计算机系统1的接收和传输部段15还配置为将确定的适配的机器参数传输到纺纱厂a、b、c、纺织机器4和机器单元5。根据确定的适配的机器参数，或者自动适配机器设置，或者操作员手动适配纺纱工艺。纺纱厂a、b、c的终端装置3可包括用于显示适配的机器参数的显示单元。一旦适配的机器参数9确定并且在其传输到对应的机器之前，可由有效性检查部段10对其进行检查，该有效性检查部段10适合于检查机器参数的有效性。例如，有效性检查部段10验证机器的新确定的机器参数9是否符合机器的规定的操作模式，以便避免未规定的操作模式并防止损坏。有效性检查部段10可是处理部段2或计算机系统1的部分。利用来自纺纱厂a、b、c的操作信息升级数据库71a,b,c，该操作信息产生自适配的机器参数。包括单独的神经网络12或与基于案例的推理（cbr）11和/或数学控制和过滤部段13结合的神经网络的所提出的方法的优点在于，可在数据库71a,b,c、72、73、74中已经存在的数据的给定方案空间之外确定新的适配的机器参数。本发明的有益之处在于神经网络方法的潜力，其可用以在当前可获得的数据框架内并且超出该数据框架之外学习和优化纺纱厂机器、系统和工艺设置的参数。本发明适合于提出适配的机器参数，并且将基于在操作期间获得的数据自动更新其预测。将神经网络和基于案例的推理系统结合，使得能够限制每个属性之间的距离，以便排除过差异过大或不相关的适配的机器参数。可使用自动补全确定匹配的适配的机器参数。可确定已经使用、记录或批准的类似的适配的机器参数。可将神经网络细分为若干神经网络，其中可使用若干神经网络确定每纺纱厂a、b、c或每纺织机器4的适配的机器参数，并且其中可使用基于案例的推理系统寻找最佳整体优化。基于案例的推理系统可包括关于自动化的信息，诸如用于管理自动导引车辆用于寻找通过纺纱厂的最佳路线或关于服务纺织机器的顺序的策略。基于案例的推理系统可包括关于质量的信息，诸如使得能够搜索相似（旧）的记录用于寻找已经记录的适配的机器参数。基于案例的推理系统可包括关于维护的信息，诸如，对影响特定纺织机器的维护活动分组，这还考虑了生产的物品或人力资源。基于案例的推理系统可包括关于生产计划的信息，诸如为了最佳成本/效益比在特定纺织机器上切换物品的时间点。操作信息的质量水平可考虑不完整数据集、时移记录、由于网络故障/速度/拥堵而丢失的数据集、测量值中的变化（例如，对于未校准的传感器）等。神经网络的训练可考虑质量水平，并且使得能够建立可克服相应缺点的模型。附图标记1计算机系统2处理部段3终端装置4纺织机器40纺织机器4的控制部段5纺织机器4的机器单元6通讯网络71a,b,c第一数据库（纺纱厂a、b、c的操作信息）72第二数据库（质量调查生产测试和试验）73第三数据库（来自纺织专家的经验数据）74第四数据库（适配的机器参数）8优化器部段9适配的机器参数10有效性检查部段11基于案例的推理系统12神经网络13数学控制和过滤部段14参数请求输入15接收和传输部段a、b、c纺纱厂。当前第1页12当前第1页12