CN105988430B - 生成生产过程语义模型的方法和装置 - Google Patents
生成生产过程语义模型的方法和装置 Download PDFInfo
- Publication number
- CN105988430B CN105988430B CN201510050555.1A CN201510050555A CN105988430B CN 105988430 B CN105988430 B CN 105988430B CN 201510050555 A CN201510050555 A CN 201510050555A CN 105988430 B CN105988430 B CN 105988430B
- Authority
- CN
- China
- Prior art keywords
- production
- model
- event data
- acquisition
- contextual information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明提供了一种生成生产过程语义模型的方法和装置。该方法包括:收集生产过程中事件数据采集点采集的事件数据,事件数据反映生产过程中生产元素的状态的改变;从上下文信息库获取与采集的事件数据相关的上下文信息;基于采集的事件数据、以及与采集的事件数据相关的上下文信息,将采集的事件数据涉及的生产元素用语义关系连接成所述生产过程语义模型。本发明提高了生成生产过程语义模型的效率。
Description
技术领域
本发明涉及工业控制领域,尤其涉及一种生成生产过程语义模型的方法和装置。
背景技术
现代工业生产控制中,常常需要生成生产过程语义模型。生产过程语义模型是生产最终产品的生产过程中所实际涉及的生产元素及生产元素之间的语义关系的表示。生产元素是指生产过程中涉及到的人、机器、物(材料、中间产品、最终产品)。最终产品是指一个生产过程最后获得的产品,中间产品是指在一个生产过程中所用到的、由其它生产过程获得的产品。也就是说,中间产品和最终产品是对于特定生产过程来说的。例如,由于在生产汽车车体的过程中要用到车门,而车门是另一个生产过程(生产车门的生产过程)获得的产品,因此对于生产汽车车体的生产过程,车门是中间产品,汽车车体是最终产品。而对于生产汽车的生产过程来说,需要将汽车车体和轮胎组装成汽车,因此对于生产汽车的生产过程,汽车车体是中间产品,汽车是最终产品。
由于生产元素的相互作用,最终才得到了最终产品。语义关系就是为了得到最终产品,生产元素之间的相互作用关系。例如工人和机床之间是操作关系,叉车司机和原料之间是搬运关系。
生产过程语义模型不同于企业资源计划(ERP)生产模型、制造执行系统(MES)生产模型或产品生命周期管理(PLM)生产模型。企业资源计划(ERP)生产模型、制造执行系统(MES)生产模型或产品生命周期管理(PLM)生产模型都是在最终产品的实际生产之前计划的生产模型,在实际生产过程中的生产元素可能变化(例如工人A请假,工人B临时代班),在企业资源计划(ERP)生产模型、制造执行系统(MES)生产模型或产品生命周期管理(PLM)生产模型中是体现不出来的。产品经理按照企业资源计划(ERP)生产模型、制造执行系统(MES)生产模型或产品生命周期管理(PLM)生产模型进行生产过程的监控或故障诊断,就会造成错误的决策。只有生成反映生产过程中所实际涉及的生产元素及生产元素之间的语义关系的生产过程语义模型,产品经理才能进行正确的生产监控和故障诊断。
现有技术中,生产过程语义模型通常是人工考察生产现场,然后绘制的。
发明内容
有鉴于此,本发明的一个实施例解决的问题之一是提高生成生产过程语义模型的效率。
根据本发明的一个实施例,提供了一种生成生产过程语义模型的方法,该方法包括:收集生产过程中事件数据采集点采集的事件数据,事件数据反映生产过程中生产元素的状态的改变;从上下文信息库获取与采集的事件数据相关的上下文信息;基于采集的事件数据、以及与采集的事件数据相关的上下文信息,将采集的事件数据涉及的生产元素用语义关系连接成所述生产过程语义模型。
可选地,事件数据采集点采集的事件数据包括采集点标识、事件发生时间、事件名称、最终产品标识中的至少一个。
可选地,上下文信息库存储的上下文信息包括以下中的至少一个:以采集点标识为索引的事件数据采集点工位和关联位置;以工位和关联位置为索引的工序和生产元素;以生产元素为索引的工位、关联位置、和工序。
可选地,将采集的事件数据涉及的生产元素用语义关系连接成所述生产过程语义模型的步骤包括:从与采集的事件数据相关的上下文信息中获得采集的事件数据涉及的生产元素,基于采集的事件数据、以及与采集的事件数据相关的上下文信息确定生产元素之间的语义关系,并将获得的生产元素用确定的语义关系连接成所述生产过程语义模型。
可选地,该方法还包括:接受企业资源计划生产模型、制造执行系统生产模型或产品生命周期管理生产模型;将生成的生产过程语义模型与企业资源计划生产模型、制造执行系统生产模型或产品生命周期管理生产模型对比,找出生成的生产过程语义模型与企业资源计划生产模型、制造执行系统生产模型或产品生命周期管理生产模型的差异。
可选地,该方法还包括:图形化呈现所述生产过程语义模型,其中示出生成的生产过程语义模型与企业资源计划生产模型、制造执行系统生产模型或产品生命周期管理生产模型的差异。
根据本发明的一个实施例,还提供了一种生成生产过程语义模型的装置,该装置包括:收集单元,被配置为收集生产过程中事件数据采集点采集的事件数据,事件数据反映生产过程中生产元素的状态的改变;获取单元,被配置为从上下文信息库获取与采集的事件数据相关的上下文信息;连接单元,被配置为基于采集的事件数据、以及与采集的事件数据相关的上下文信息,将采集的事件数据涉及的生产元素用语义关系连接成所述生产过程语义模型。
可选地,事件数据采集点采集的事件数据包括采集点标识、事件发生时间、事件名称、最终产品标识中的至少一个。
可选地,上下文信息库存储的上下文信息包括以下中的至少一个:以采集点标识为索引的事件数据采集点工位和关联位置;以工位和关联位置为索引的工序和生产元素;以生产元素为索引的工位、关联位置、和工序。
可选地,连接单元被配置为:从与采集的事件数据相关的上下文信息中获得采集的事件数据涉及的生产元素,基于采集的事件数据、以及与采集的事件数据相关的上下文信息确定生产元素之间的语义关系,并将获得的生产元素用确定的语义关系连接成所述生产过程语义模型。
可选地,该装置还包括:接受单元,被配置为接受企业资源计划生产模型、制造执行系统生产模型或产品生命周期管理生产模型;对比单元,被配置为将生成的生产过程语义模型与企业资源计划生产模型、制造执行系统生产模型或产品生命周期管理生产模型对比,找出生成的生产过程语义模型与企业资源计划生产模型、制造执行系统生产模型或产品生命周期管理生产模型的差异。
可选地,该装置还包括:呈现单元,被配置为图形化呈现所述生产过程语义模型,其中示出生成的生产过程语义模型与企业资源计划生产模型、制造执行系统生产模型或产品生命周期管理生产模型的差异。
根据本发明的一个实施例,还提供了一种生成生产过程语义模型的设备,包括:存储器,用于存储可执行指令;以及处理器,用于根据所述存储器所存储的可执行指令,执行前述方法所包括的操作。
根据本发明的一个实施例,还提供了一种机器可读介质,其上存储有可执行指令,当所述可执行指令被执行时,使得机器执行如前述方法所包括的操作。
本发明的实施例首先定义了事件,只要生产过程中生产元素的状态发生了改变,就认为发生了一个事件。通过采集事件数据实际上获得的是生产元素的状态改变信息。当生产元素的状态改变时,生产元素周围的情境(例如工位、关联位置、工序)都会改变,即上下文会改变。通过这些生产元素的状态改变和上下文的改变,就可以分析出生产过程中所实际涉及的全部生产元素及生产元素之间的语义关系,从而通过机器自动得到反映某一最终产品的生产过程中所涉及的生产元素及生产元素之间的语义关系的生产过程语义模型,相比于人工的方式,提高了生成生产过程语义模型的效率。
另外,本发明的实施例还可以接受企业资源计划(ERP)生产模型、制造执行系统(MES)生产模型或产品生命周期管理(PLM)生产模型,并找出生成的生产过程语义模型与企业资源计划(ERP)生产模型、制造执行系统(MES)生产模型或产品生命周期管理(PLM)生产模型的差异。这样带来的好处是,可以自动向产品经理指出在实际生产过程中哪些地方是与当初的计划不一样的,这样的地方可能是产品经理在生产监控或故障诊断中尤其需要注意的。通过这种方式,大大提高了对生产线进行监控或故障诊断的效率。
附图说明
本发明的其它特点、特征、优点和益处通过以下结合附图的详细描述将变得更加显而易见。
图1示出了根据本发明一个实施例的生成生产过程语义模型的方法的流程图。
图2示出了根据本发明另一个实施例的生成生产过程语义模型的方法的流程图。
图3示出了根据本发明另一个实施例的生成生产过程语义模型的方法的流程图。
图4A和4B示出了根据本发明一个实施例将采集的事件数据涉及的生产元素全部用语义关系连接起来的图形的例子,其中图4A成为完整的生产过程语义模型,图4B是不完整的生产过程语义模型。
图5示出了根据本发明一个实施例的生成生产过程语义模型的装置的框图。
图6示出了根据本发明另一个实施例的生成生产过程语义模型的装置的框图。
图7示出了根据本发明另一个实施例的生成生产过程语义模型的装置的框图。
图8示出了根据本发明一个实施例的生成生产过程语义模型的设备的结构图。
具体实施方式
下面,将结合附图详细描述本发明的各个实施例。
图1示出了根据本发明一个实施例的生成生产过程语义模型的方法的流程图。
在步骤S1中,收集生产过程中事件数据采集点采集的事件数据,事件数据反映生产过程中生产元素的状态的改变。
事件数据采集点是在生产线中的用来采集事件数据的设备。它可以是可编程逻辑控制器(PLC),也可以是传感器(例如温度传感器、压力传感器、照相机、RFID读写器等),等等。事件是生产过程中生产元素的状态的改变。例如,叉车司机D1是一个生产元素。叉车司机D1将叉车开出车房(即出车)时,叉车司机D1的状态发生了变化(具体地说,地点从车房变成了车房外面),此时认为叉车司机出车是一个事件。事件数据是指反映事件的数据,或者说,是反映生产过程中生产元素的状态的改变的数据。例如,对于叉车司机D1将叉车开出车房来说,例如在车房门口设置传感器。当车房门口的传感器例如扫描到叉车A的车牌号,则认为叉车A出了车房,这是一个事件,于是传感器上报该事件的事件数据。采集事件数据的也有可能是PLC。例如,生产线中的每台机床都由相应的PLC控制。当机床M1停止工作时,机床M1的状态发生了改变(从工作到停止)。该机床M1的PLC是知道这一情况的,此时认为发生了事件,于是上报事件的事件数据。
事件数据采集点设置在生产线中可能发生事件的地点,例如车房门口、仓库门口、车间门口、车间内机床的工位处、车间内物料等候区处都可以设置传感器,生产线各机床也有相应的PLC。这些传感器和PLC尽量覆盖到生产线上所有可能发生事件的地点。
事件数据包括采集点标识、事件发生时间、事件名称、最终产品标识中的至少一个。例如事件1是叉车A出车房,其事件数据例如可以表示为:
E1:【R1_ID,9:00,叉车A出车房】
R1_ID是事件数据采集点标识,即车房门口的传感器的ID。9:00是叉车A出车房的时间。叉车A出车房是事件名称。传感器通过扫描到叉车A的车牌号,识别出是叉车A出车房,而不是其它叉车出车房。因为此时不知道叉车A出车房是为了哪个最终产品标识的生产,因此没有最终产品标识。
接着,仓库门口的传感器发现了叉车A进仓库这样一个事件,上报如下事件数据:
E2:【R2_ID,9:10,叉车A进仓库】
R2_ID是仓库门口的传感器的ID。9:10是叉车A进仓库的时间。叉车A进仓库是事件名称。传感器通过扫描到叉车A的车牌号,识别出是叉车A进仓库,而不是其它叉车进仓库。因为此时不知道叉车A进仓库是为了哪个最终产品的生产,因此没有最终产品标识。
接着,仓库中橡胶轮胎存储位处的传感器发现了四个橡胶轮胎离开存储位这样一个事件,上报如下事件数据:
E3:【R3_ID,9:12,四个橡胶轮胎出存储位】
R3_ID是存储位处的传感器的ID。9:12是橡胶轮胎出存储位的时间。四个橡胶轮胎出存储位是事件名称。可以规定,橡胶轮胎离开存储位,必须经过传感器所在位置。一个橡胶轮胎经过传感器所在位置,传感器扫描识别出一个橡胶轮胎出存储位。传感器扫描出四次橡胶轮胎出存储位,则识别出事件名称是四个橡胶轮胎出存储位。
接着,仓库门口处的传感器发现了叉车A出仓库这样一个事件,上报如下事件数据:
E4:【R2_ID,9:15,叉车A出仓库】
R2_ID是仓库门口的传感器的ID。9:15是叉车A出仓库的时间。叉车A出仓库是事件名称。传感器通过扫描到叉车A的车牌号,识别出是叉车A出仓库,而不是其它叉车出仓库。因为此时不知道叉车A出仓库是为了哪个最终产品的生产,因此没有最终产品标识。
接着,在车间的机位L2处的传感器发现了工人W2进机位L2这样一个事件,上报如下事件数据:
E5:【R8_ID,9:16,工人W2进机位L2】
R8_ID是机位L2处的传感器的ID。9:16是工人W2进机位L2的时间。工人W2进机位L2是事件名称。传感器通过扫描到工人W2制服上的工号,或扫描人脸进行识别,知道是工人W2进机位L2。因为此时不知道工人W2进机位L2是为了哪个最终产品的生产,因此没有最终产品标识。
接着,在车间的机位L1处的传感器发现了工人W1进机位L1这样一个事件,上报如下事件数据:
E6:【R4_ID,9:20,工人W1进机位L1】
R4_ID是机位L1处的传感器的ID。9:20是工人W1进机位L1的时间。工人W1进机位L1是事件名称。传感器通过扫描到工人W1制服上的工号,或扫描人脸进行识别,知道是工人W1进机位L1。因为此时不知道工人W1进机位L1是为了哪个最终产品的生产,因此没有最终产品标识。
接着,在车间的车体等候区处的传感器发现了车体出车体等候区这样一个事件,上报如下事件数据:
E7:【R7_ID,9:22,车体出车体等候区,38763·X2】
R7_ID是车体等候区处的传感器的ID。9:22是车体出车体等候区的时间。车体出车体等候区是事件名称。38763·X2是最终产品标识。传感器通过扫描到车体上的最终产品标识(生产汽车ID,因为车体是最终的汽车的主要部分,因此与最终的汽车共享同一ID),知道出车体等候区的车体是用于最终产品标识38763·X2的。
接着,在车间的门口处的传感器发现了叉车A进车间这样一个事件,上报如下事件数据:
E8:【R5_ID,9:25,叉车A进车间】
R5_ID是车间门口处的传感器的ID。9:25是叉车A进车间的时间。叉车A进车间是事件名称。传感器通过扫描到叉车A的车牌号,知道是叉车A进车间。因为此时不知道叉车A进车间是为了哪个最终产品的生产,因此没有最终产品标识。
接着,在机位L2处的传感器发现了车体进机位L2这样一个事件,上报如下事件数据:
E9:【R8_ID,9:25,车体进机位L2,38763·X2】
R8_ID是机位L2处的传感器的ID。9:25是车体进机位L2的时间。车体进机位L2是事件名称。38763·X2是最终产品标识。传感器通过扫描到车体上的最终产品标识,知道进机位L2的车体是用于最终产品标识38763·X2的。
接着,在车轮等候区处的传感器发现了橡胶轮胎进车轮等候区这样一个事件,上报如下事件数据:
E10:【R6_ID,9:26,四个橡胶轮胎进车轮等候区】
R6_ID是车轮等候区处的传感器的ID。9:26是四个橡胶轮胎进车轮等候区的时间。四个橡胶轮胎进车轮等候区是事件名称。因为此时不知道四个橡胶轮胎进车轮等候区是为了哪个最终产品的生产,因此没有最终产品标识。
接着,在车轮等候区处的传感器发现了车轮出车轮等候区这样一个事件,上报如下事件数据:
E11:【R6_ID,9:27,四个车轮出车轮等候区】
R6_ID是车轮等候区处的传感器的ID。9:27是四个车轮出车轮等候区的时间。四个车轮出车轮等候区是事件名称。这里的车轮实际上就是橡胶轮胎。在进入车轮等候区后,橡胶轮胎就叫做车轮。因为此时不知道四个车轮出车轮等候区是为了哪个最终产品的生产,因此没有最终产品标识。
接着,在车体等候区处的传感器发现了车体出车体等候区这样一个事件,上报如下事件数据:
E12:【R7_ID,9:29,车体出车体等候区,3764·X2】
R7_ID是车体等候区处的传感器的ID。929是车体出车体等候区的时间。车体出车体等候区是事件名称。38764·X2是最终产品标识。传感器通过扫描到车体上的最终产品标识,知道出车体等候区的车体是用于最终产品标识38764·X2的。
接着,在机位L1处的传感器发现了车体进机位L1这样一个事件,上报如下事件数据:
E13:【R4_ID,9:30,车体进机位L1,38764·X2】
R4_ID是机位L1处的传感器的ID。9:30是车体进机位L1的时间。车体进机位L1是事件名称。38764·X2是最终产品标识。传感器通过扫描到车体上的最终产品标识,知道进机位L1的车体是用于最终产品标识38764·X2的。
接着,在机位L1处的传感器发现了四个车轮进机位L1这样一个事件,上报如下事件数据:
E14:【R4_ID,9:32,四个车轮进机位L1】
R4_ID是机位L1处的传感器的ID。9:32是四个车轮进机位L1的时间。四个车轮进机位L1是事件名称。因为此时不知道四个车轮进机位L1是为了哪个最终产品的生产,因此没有最终产品标识。
接着,在机位L1处的传感器发现了组装好的汽车出机位L1这样一个事件,上报如下事件数据:
E15:【R4_ID,9:40,汽车出机位L1,38764·X2】
R4_ID是机位L1处的传感器的ID。9:40是汽车出机位L1的时间。汽车出机位L1是事件名称。传感器扫描到汽车上的最终产品标识38764·X2。
接着,在机位L2处的传感器发现了组装好的汽车出机位L2这样一个事件,上报如下事件数据:
E16:【R8_ID,9:45,汽车出机位L2,38763·X2】
R8_ID是机位L2处的传感器的ID。9:45是汽车出机位L2的时间。汽车出机位L2是事件名称。传感器扫描到汽车上的最终产品标识38763·X2。
上述E1·16只是例示了连续收集到的16条事件数据,但本领域技术人员已知,本发明也适用于其它的事件数据。
在步骤S2中,从上下文信息库获取与采集的事件数据相关的上下文信息。
上下文信息库是指存储着与事件数据相关的上下文信息的库。上下文信息是指生产元素周围的情境(例如工位、关联位置、工序)信息。与事件数据相关的上下文信息是指事件数据所涉及的生产元素周围的情境信息。
上下文信息库存储的上下文信息包括以下中的至少一个:
i)以采集点标识为索引的事件数据采集点工位和关联位置。
事件数据采集点工位是指事件数据采集点所在的生产线上的位置。例如,如果采集点标识是R8_ID,R8_ID是机位L2处的传感器的ID,其相应的事件数据采集点工位就是机位L2。关联位置是与事件数据采集点关联的生产线上的其它位置。例如,对于机位L2来说,其位于车间A,则车间A门口可能是一个关联位置,因为机位L2生产过程中的物料等需要经过车间A门口运进车间A。对于橡胶轮胎存储位这样一个事件数据采集点工位,橡胶轮胎存储位所在的仓库的门口可能是一个关联位置,如果该仓库是专门给车间A供物料的仓库,车间A的门口也可能是一个关联位置。
ii)以工位和关联位置为索引的工序和生产元素。
工序是指生产线中生产最终产品的生产步骤。例如,对于组装汽车来说,工序如下:
a)叉车司机去仓库取轮胎;
b)叉车司机将轮胎运到车间;
c)车体和轮胎移到机位;
d)工人在机位将车体和轮胎安装成汽车。
例如,工位是机位L2时,以其为索引的工序是上述d)。以其为索引的生产元素有工人W2(人)、机位L2的机床(机器)、生产用到的轮胎和车体、以及生产出的汽车(物)。
例如,关联位置是仓库门口时,以其为索引的工序是a)和b)。以其为索引的生产元素有仓库里存储的轮胎等(物)、仓库保管员(人)。
例如,关联位置是车间大门时,以其为索引的工序是b)。以其为索引的生产元素有车间中最终生产出的汽车、车间中存放的轮胎和车体。
iii)以生产元素为索引的工位、关联位置、和工序。
iii·1)以人为索引
例如,以工人W2为索引的工位是机位L2,关联位置是车间的门口,工序是d)。
iii·2)以机器为索引
例如,以机床M2为索引的工位是机位L2,关联位置是车间的门口,工序是d)。
iii·3)以物料或中间产品为索引
例如,以轮胎为索引的工位是机床M1、机床M2、车辆等候区、仓库中的橡胶轮胎存储位,关联的位置是车间的门口、仓库的门口,工序是a)·d)。
iii·4)以最终产品为索引
例如,以汽车为索引的工位是机床M1、机床M2,关联位置是车间的门口,工序是d)。
下面就以上述E)·)6为例,详述从上下文信息库中获取的与每条事件数据相关的上下文信息。
E1:【R1_ID,9:00,叉车A出车房】
从上述i),由采集点标识R1_ID获知采集点工位是车房门口。从上述ii),由采集点工位获知工序是a),生产元素有叉车司机D1、叉车A。从上述iii),由生产元素获知的工位、关联位置、工序已经获知,故不用重复获知。因此,对于E1来说,与事件数据相关的上下文信息包括:
车房门口、工序a)、叉车司机D1、叉车A。
E2:【R2_ID,9:10,叉车A进仓库】
重复上述i)·iii)的判断过程,得知对于E2来说,与事件数据相关的上下文信息包括:
仓库门口、工序a)。
E3:【R3_ID,9:12,四个橡胶轮胎出存储位】
经过判断,对于E3来说,与事件数据相关的上下文信息包括:
橡胶轮胎存储位、仓库门口、工序a)、橡胶轮胎。
E4:【R2_ID,9:15,叉车A出仓库】
经过判断,对于E4来说,与事件数据相关的上下文信息包括:
仓库门口、工序b)、叉车司机D1、叉车A。
E5:【R8_ID,9:16,工人W2进机位L2】
经过判断,对于E5来说,与事件数据相关的上下文信息包括:
机位L2、车间门口、机床M2、工人W2。
E6:【R4_ID,9:20,工人W1进机位L1】
经过判断,对于E6来说,与事件数据相关的上下文信息包括:
机位L1、车间门口、机床M1、工人W1。
E7:【R7_ID,9:22,车体出车体等候区,38763·X2】
经过判断,对于E7来说,与事件数据相关的上下文信息包括:
车体等候区、车间门口、工序c)、车体38763·X2。
E8:【R5_ID,9:25,叉车A进车间】
经过判断,对于E8来说,与事件数据相关的上下文信息包括:
车间门口、工序b)。
E9:【R8_ID,9:25,车体进机位L2,38763·X2】
经过判断,对于E9来说,与事件数据相关的上下文信息包括:
机位L2、车间门口、工序c)·d)、工人W2、机床M2、车体38763·X2。
E10:【R6_ID,9:26,四个橡胶轮胎进车轮等候区】
经过判断,对于E10来说,与事件数据相关的上下文信息包括:
车轮等候区、车间门口、工序b)、四个橡胶轮胎。
E11:【R6_ID,9:27,四个车轮出车轮等候区】
经过判断,对于E11来说,与事件数据相关的上下文信息包括:
车轮等候区、车间门口、工序c)、四个车轮。
E12:【R7_ID,9:29,车体出车体等候区,38764·X2】
经过判断,对于E12来说,与事件数据相关的上下文信息包括:
车体等候区、车间门口、工序c)、车体38764·X2。
E13:【R4_ID,9:30,车体进机位L1,38764·X2】
经过判断,对于E13来说,与事件数据相关的上下文信息包括:
机位L1、车间门口、工序c)·d)、工人W1、机床M1、车体38764·X2。
E14:【R4_ID,9:32,四个车轮进机位L1】
经过判断,对于E14来说,与事件数据相关的上下文信息包括:
机位L1、车间门口、工序c)·d)、工人W1、机床M1、已运到机位L1的车体38764·X2。
E15:【R4_ID,9:40,汽车出机位L1,38764·X2】
经过判断,对于E15来说,与事件数据相关的上下文信息包括:
机位L1、车间门口、工序d)、工人W1、机床M1、汽车38764·X2。
E16:【R8_ID,9:45,汽车出机位L2,38763·X2】
经过判断,对于E16来说,与事件数据相关的上下文信息包括:
机位L2、车间门口、工序d)、工人W2、机床M2、汽车38763·X2。
上文中例示的上下文信息库存储的上下文信息包括的内容只是示例,本领域技术人员理解,其也可以包括其它内容,例如可以包括以工序为索引的生产元素、工位等。它们都落在本发明的保护范围之内。
在步骤S3中,基于采集的事件数据、以及与采集的事件数据相关的上下文信息,将采集的事件数据涉及的生产元素用语义关系连接成所述生产过程语义模型。
如上所述,事件是生产过程中生产元素的状态的改变。事件数据涉及的生产元素就是指事件中状态发生改变的生产元素。
在一个实施例中,从与采集的事件数据相关的上下文信息中获得采集的事件数据涉及的生产元素,基于采集的事件数据、以及与采集的事件数据相关的上下文信息确定生产元素之间的语义关系,并将获得的生产元素用确定的语义关系连接成所述生产过程语义模型。
下面就仍以上述E1·16为例,说明上述过程的一个具体实施的例子。
E1:【R1_ID,9:00,叉车A出车房】,其上下文信息包括:车房门口、工序a)、叉车司机D1、叉车A。
从与E1的事件数据相关的上下文信息中获得叉车司机D1这个生产元素,表示为图4A中的46。此时,因为没有发生后续事件,还无法确定语义关系,因此唯一确定的是图4A中的生产元素46。
E2:【R2_ID,9:10,叉车A进仓库】,其上下文信息包括:仓库门口、工序a)。
由于与E2的事件数据相关的上下文信息中没有新的生产元素,所以此事件没有在图4A或图4B中产生新的生产元素和语义关系。
E3:【R3_ID,9:12,四个橡胶轮胎出存储位】,其上下文信息包括:橡胶轮胎存储位、仓库门口、工序a)、橡胶轮胎。
从与E3的事件数据相关的上下文信息中获得四个橡胶轮胎这个生产元素,表示为图4A中的47。此时,因为没有后续事件,还不知道橡胶轮胎要运到哪里、要做什么用,还无法确定进一步的语义关系。
E4:【R2_ID,9:15,叉车A出仓库】,其上下文信息包括:仓库门口、工序b)、叉车司机D1、叉车A。
由于与E2的事件数据相关的上下文信息中没有新的生产元素,所以此事件没有在图4A或图4B中产生新的生产元素和语义关系。
E5:【R8_ID,9:16,工人W2进机位L2】,其上下文信息包括:机位L2、车间门口、机床M2、工人W2。
从与E5的事件数据相关的上下文信息中获得机床M2和工人W2两个生产元素,表示成图4B中的63、64。基于采集的事件数据和与采集的事件数据相关的上下文信息,确定出生产元素63、64的语义关系是64操作63的关系,在图4B中表示为语义关系73。
E6:【R4_ID,9:20,工人W1进机位L1】,其上下文信息包括:机位L1、车间门口、机床M1、工人W1。
从与E6的事件数据相关的上下文信息中获得机床M1和工人W1两个生产元素,表示成图4A中的44、45。基于采集的事件数据和与采集的事件数据相关的上下文信息,确定出生产元素44、45的语义关系是45操作44的关系,在图4A中表示为语义关系56。
E7:【R7_ID,9:22,车体出车体等候区,38763·X2】,其上下文信息包括:车体等候区、车间门口、工序c)、车体38763·X2。
从与E7的事件数据相关的上下文信息中获得车体38763·X2,表示成图4A·B中的62。由于没有后续事件,还不知车体38763·X2出车体等候区后要去哪里、要做什么用,无法确定后续的语义关系。
E8:【R5_ID,9:25,叉车A进车间】,其上下文信息包括:车间门口、工序b)。
由于与E8的事件数据相关的上下文信息中没有新的生产元素,所以此事件没有在图4A或图4B中产生新的生产元素和语义关系。
E9:【R8_ID,9:25,车体进机位L2,38763·X2】,其上下文信息包括:机位L2、车间门口、工序c)·d)、工人W2、机床M2、车体38763·X2。
由于E9的事件数据包含车体进机位L2,且与E9的事件数据相关的上下文信息包含机位L2、机床M2、车体38763·X2,可以断定车体38763·X2送到机位L2是要组装汽车38763·X2(与车体具有相同ID)。因此,在图4A·B中添加新的生产元素汽车38763·X2,表示为61,并添加生产元素62和61之间的语义关系71,即组装关系。
E10:【R6_ID,9:26,四个橡胶轮胎进车轮等候区】,其上下文信息包括:车轮等候区、车间门口、工序b)、四个橡胶轮胎。
由于E10的事件数据包含四个橡胶轮胎进车轮等候区,且与E10的事件数据相关的上下文信息包含车轮等候区、四个橡胶轮胎,可以断定四个橡胶轮胎运到车轮等候区是用作汽车生产的车轮,否则不会放在车轮等候区。因此,在图4A·B中添加生产元素42,即车轮。随之,生产元素46和42的语义关系也随之确定为搬运关系,在图4A·B中表示为语义关系54。同时,生产元素47和42的语义关系也随之确定为来源关系,在图4A·B中表示为55。
E11:【R6_ID,9:27,四个车轮出车轮等候区】,其上下文信息包括:车轮等候区、车间门口、工序c)、四个车轮。
由于与E11的事件数据相关的上下文信息中没有新的生产元素,所以此事件没有在图4A或图4B中产生新的生产元素和语义关系。
E12:【R7_ID,9:29,车体出车体等候区,38764·X2】,其上下文信息包括:车体等候区、车间门口、工序c)、车体38764·X2。
从与E12的事件数据相关的上下文信息中获得车体38764·X2,表示成图4A·B中的43。由于没有后续事件,还不知车体38764·X2出车体等候区后要去哪里、要做什么用,无法确定后续的语义关系。
E13:【R4_ID,9:30,车体进机位L1,38764·X2】,其上下文信息包括:机位L1、车间门口、工序c)·d)、工人W1、机床M1、车体38764·X2。
由于E13的事件数据包含车体进机位L1,且与E13的事件数据相关的上下文信息包含机位L1、机床M1、车体38764·X2,可以断定车体38764·X2送到机位L1是要组装汽车38764·X2(与车体具有相同ID)。因此,在图4A·B中添加新的生产元素汽车38764·X2,表示为41,并添加生产元素43和41之间的语义关系52,即组装关系。
E14:【R4_ID,9:32,四个车轮进机位L1】,其上下文信息包括:机位L1、车间门口、工序c)·d)、工人W1、机床M1、已运到机位L1的车体38764·X2。
由于E14的事件数据包含四个车轮进机位L1,而与E14的事件数据相关的上下文信息包含了已运到机位L1的车体38764·X2,车体38764·X2是用于汽车38764·X2生产的,而车体进机位L1的事件E13的发生时间与四个车轮进机位L1的事件的发生时间只差2分钟,可以认为四个车轮也是用于汽车38764·X2生产的,此时在表示车轮的生产元素42和表示汽车的生产元素41之间添加表示加入的语义关系,即图4A·B中的51。
E15:【R4_ID,9:40,汽车出机位L1,38764·X2】,其上下文信息包括:机位L1、车间门口、工序d)、工人W1、机床M1、汽车38764·X2。
由于E15的事件数据中包含汽车出机位L1的信息,表明将车轮和车体组装成汽车的机床加工过程已经完成。现需要在图4A·B中确定在哪两个生产元素间添加表示加工的语义关系。由于与E15的事件数据相关的上下文信息包含汽车38764·X2和机床M1,因此应当在表示机床M1的生产元素44和表示汽车38764·X2的生产元素41之间添加表示加工的语义关系,即图4A·B中的53。
E16:【R8_ID,9:45,汽车出机位L2,38763·X2】,其上下文信息包括:机位L2、车间门口、工序d)、工人W2、机床M2、汽车38763·X2。
由于E16的事件数据中包含汽车出机位L2的信息,表明将车轮和车体组装成汽车的机床加工过程已经完成。现需要在图4A·B中确定在哪两个生产元素间添加表示加工的语义关系。由于与E16的事件数据相关的上下文信息包含汽车38763·X2和机床M2,因此应当在表示机床M2的生产元素63和表示汽车38763·X2的生产元素61之间添加表示加工的语义关系,即图4A·B中的72。
图4A·B就是根据E1·16将采集的时间数据涉及的生产元素用语义关系连接成的图形,其中图4A完整地示出了汽车38764·X2整个生产过程中需要的各生产元素和它们之间的语义关系,即汽车38764·X2的生产过程语义模型,图4B示出了部分汽车38763·X2的生产过程中的一些生产元素和其语义关系。它是一个不完整的生产过程语义模型,这是因为上面的例子中仅是根据发生在9:00·9:45之间的事件进行生成生产过程语义模型的过程。如果时间轴无限延伸,例如根据从工厂刚设立到现在的所有事件,如果汽车38763·X2现在确实生产完,38763·X2的生产过程语义模型一定是完整的。一般地,在基于采集的事件数据、以及与采集的事件数据相关的上下文信息,将采集的事件数据涉及的生产元素用语义关系连接成所述生产过程语义模型的过程中,不能只抽出与目标生产过程语义模型相关的事件,来据此生成目标生产过程语义模型,其它的生产过程语义模型一般也要同时生成。例如,在上述过程中,如果只针对与38764·X2有关的事件生成生产过程语义模型而不管与38763·X2有关的事件,在以后生成38763·X2的生产过程语义模型时就会发生困难。
如上所述,以E1·E16为例例示了将采集的事件数据涉及的生产元素用语义关系连接起来的一个具体例子,但本发明不限于该具体例子。本领域技术人员理解,还可以有其它基于采集的事件数据、以及与采集的事件数据相关的上下文信息将采集的事件数据涉及的生产元素用语义关系连接成所述生产过程语义模型的实现方式,它们都落在本发明的保护范围之内。
如图2所示,根据本发明的另一实施例,该方法1相比于图1的方法还包括:
在步骤S4中,接受企业资源计划(ERP)生产模型、制造执行系统(MES)生产模型或产品生命周期管理(PLM)生产模型。
企业资源计划(ERP)是一种以供应链管理为核心思想从供应链优化的角度去优化企业的资源的管理信息系统。企业资源计划(ERP)生产模型是指企业面对一个订单时从供应链优化的角度优化企业的生产所得到的计划生产模型。
制造执行系统(MES)是一套面向制造企业车间执行层的生产信息化管理系统。它也是面对一个生产任务时如何组织生产的计划生产模型。
产品生命周期管理(PLM)是一种支持产品全生命周期的信息的创建、管理、分发和应用的一系列应用解决方案,它能够集成与产品相关的人力资源。产品生命周期管理(PLM)生产模型是从产品生命周期管理的角度优化生产的要素所得到的计划生产模型。
在步骤S5中,将生成的生产过程语义模型与企业资源计划(ERP)生产模型、制造执行系统(MES)生产模型或产品生命周期管理(PLM)生产模型对比,找出生成的生产过程语义模型与企业资源计划(ERP)生产模型、制造执行系统(MES)生产模型或产品生命周期管理(PLM)生产模型的差异。
无论是企业资源计划(ERP)生产模型、制造执行系统(MES)生产模型,还是产品生命周期管理(PLM)生产模型,都是计划的生产模型。它们反映的生产元素都有可能在实际生产中发生变动。例如,在计划中是工人A操作机床B,但工人A临时请假换成了工人C。企业资源计划(ERP)生产模型、制造执行系统(MES)生产模型和产品生命周期管理(PLM)生产模型都无法反映这一变化。按照它们进行决策,将导致决策错误。因此,在实际对生产线进行监控或故障诊断时,不应按照这些模型进行监控或诊断,而应按本发明实施例生产的生产过程语义模型进行。但如果能使产品经理看到实际的生产过程语义模型与计划时的差别,将更加有助于产品经理明了实际的生产过程中生产元素和其语义关系发生的变化,进一步提高决策的准确率。
因此,本发明实施例通过步骤S5,找出生成的生产过程语义模型与企业资源计划(ERP)生产模型、制造执行系统(MES)生产模型或产品生命周期管理(PLM)生产模型的差异。通过这种方式,大大提高了对生产线进行监控或故障诊断的效率。
如图3所示,根据本发明的另一实施例,该方法1相比于图2的方法还包括:
在步骤S6中,图形化呈现所述生产过程语义模型,其中示出生成的生产过程语义模型与企业资源计划(ERP)生产模型、制造执行系统(MES)生产模型或产品生命周期管理(PLM)生产模型的差异。
示出上述差异可以采用例如用不同颜色标出生成的生产过程语义模型与企业资源计划(ERP)生产模型、制造执行系统(ME S)生产模型或产品生命周期管理(PLM)生产模型不一样的生产元素及不一样的语义关系的方式,也可以采用用较粗的线条标出生成的生产过程语义模型与企业资源计划(ERP)生产模型、制造执行系统(MES)生产模型或产品生命周期管理(PLM)生产模型不一样的生产元素及不一样的语义关系的方式,也可以采用本领域已知的其它方式。
图5示出了根据本发明另一个实施例的生成生产过程语义模型的装置2。该装置2包括收集单元21、获取单元22、连接单元23。收集单元21被配置为收集生产过程中事件数据采集点采集的事件数据,事件数据反映生产过程中生产元素的状态的改变。获取单元22被配置为从上下文信息库获取与采集的事件数据相关的上下文信息。连接单元23被配置为基于采集的事件数据、以及与采集的事件数据相关的上下文信息,将采集的事件数据涉及的生产元素用语义关系连接成所述生产过程语义模型。图5中的各单元可以利用软件、硬件(例如集成电路、FPGA等)或软硬件结合的方式来实现。
可选地,事件数据采集点采集的事件数据包括采集点标识、事件发生时间、事件名称、最终产品标识中的至少一个。
可选地,上下文信息库存储的上下文信息包括以下中的至少一个:以采集点标识为索引的事件数据采集点工位和关联位置;以工位和关联位置为索引的工序和生产元素;以生产元素为索引的工位、关联位置、和工序。
可选地,连接单元23被配置为:从与采集的事件数据相关的上下文信息中获得采集的事件数据涉及的生产元素,基于采集的事件数据、以及与采集的事件数据相关的上下文信息确定生产元素之间的语义关系,并将获得的生产元素用确定的语义关系连接成所述生产过程语义模型。
如图6所示,本发明的一个实施例的装置2还包括接受单元24和对比单元25。接受单元24被配置为接受企业资源计划(ERP)生产模型、制造执行系统(MES)生产模型或产品生命周期管理(PLM)生产模型。对比单元25被配置为将生成的生产过程语义模型与企业资源计划(ERP)生产模型、制造执行系统(MES)生产模型或产品生命周期管理(PLM)生产模型对比,找出生成的生产过程语义模型与企业资源计划(ER P)生产模型、制造执行系统(MES)生产模型或产品生命周期管理(PLM)生产模型的差异。
如图7所示,本发明的一个实施例的装置2还包括:呈现单元26,被配置为图形化呈现所述生产过程语义模型,其中示出生成的生产过程语义模型与企业资源计划(ERP)生产模型、制造执行系统(MES)生产模型或产品生命周期管理(PLM)生产模型的差异。
现在参考图8,其示出了按照本发明一个实施例的生成生产过程语义模型的设备3的示意图。该设备3可以包括存储器31和处理器32。存储器31可以存储可执行指令。处理器32可以根据存储器31所存储的可执行指令,实现前述装置2的各个单元所执行的操作。
此外,本发明实施例还提供一种机器可读介质,其上存储有可执行指令,当所述可执行指令被执行时,使得机器执行处理器32所实现的操作。
本领域技术人员应当理解,上面所公开的各个实施例,可以在不偏离发明实质的情况下做出各种变形和改变。因此,本发明的保护范围应当由所附的权利要求书来限定。
Claims (12)
1.一种生成生产过程语义模型的方法(1),该方法包括:
收集生产过程中事件数据采集点采集的事件数据,事件数据反映生产过程中生产元素的状态的改变(S1);
从上下文信息库获取与采集的事件数据相关的上下文信息(S2);
基于采集的事件数据、以及与采集的事件数据相关的上下文信息,将采集的事件数据涉及的生产元素用语义关系连接成所述生产过程语义模型(S3);
接受企业资源计划(ERP)生产模型、制造执行系统(MES)生产模型或产品生命周期管理(PLM)生产模型(S4);
将生成的生产过程语义模型与企业资源计划(ERP)生产模型、制造执行系统(MES)生产模型或产品生命周期管理(PLM)生产模型对比,找出生成的生产过程语义模型与企业资源计划(ERP)生产模型、制造执行系统(MES)生产模型或产品生命周期管理(PLM)生产模型的差异(S5)。
2.根据权利要求1的方法,其中事件数据采集点采集的事件数据包括采集点标识、事件发生时间、事件名称、最终产品标识中的至少一个。
3.根据权利要求2的方法,其中上下文信息库存储的上下文信息包括以下中的至少一个:
以采集点标识为索引的事件数据采集点工位和关联位置;
以工位和关联位置为索引的工序和生产元素;
以生产元素为索引的工位、关联位置、和工序。
4.根据权利要求1的方法,其中将采集的事件数据涉及的生产元素用语义关系连接成所述生产过程语义模型(S3)的步骤包括:
从与采集的事件数据相关的上下文信息中获得采集的事件数据涉及的生产元素,基于采集的事件数据、以及与采集的事件数据相关的上下文信息确定生产元素之间的语义关系,并将获得的生产元素用确定的语义关系连接成所述生产过程语义模型。
5.根据权利要求1的方法,还包括:
图形化呈现所述生产过程语义模型(S6),其中示出生成的生产过程语义模型与企业资源计划(ERP)生产模型、制造执行系统(MES)生产模型或产品生命周期管理(PLM)生产模型的差异。
6.一种生成生产过程语义模型的装置(2),该装置包括:
收集单元(21),被配置为收集生产过程中事件数据采集点采集的事件数据,事件数据反映生产过程中生产元素的状态的改变;
获取单元(22),被配置为从上下文信息库获取与采集的事件数据相关的上下文信息;
连接单元(23),被配置为基于采集的事件数据、以及与采集的事件数据相关的上下文信息,将采集的事件数据涉及的生产元素用语义关系连接成所述生产过程语义模型;
接受单元(24),被配置为接受企业资源计划(ERP)生产模型、制造执行系统(MES)生产模型或产品生命周期管理(PLM)生产模型;
对比单元(25),被配置为将生成的生产过程语义模型与企业资源计划(ERP)生产模型、制造执行系统(MES)生产模型或产品生命周期管理(PLM)生产模型对比,找出生成的生产过程语义模型与企业资源计划(ERP)生产模型、制造执行系统(MES)生产模型或产品生命周期管理(PLM)生产模型的差异。
7.根据权利要求6的装置,其中事件数据采集点采集的事件数据包括采集点标识、事件发生时间、事件名称、最终产品标识中的至少一个。
8.根据权利要求7的装置,其中上下文信息库存储的上下文信息包括以下中的至少一个:
以采集点标识为索引的事件数据采集点工位和关联位置;
以工位和关联位置为索引的工序和生产元素;
以生产元素为索引的工位、关联位置、和工序。
9.根据权利要求6的装置,其中连接单元(23)被配置为:
从与采集的事件数据相关的上下文信息中获得采集的事件数据涉及的生产元素,基于采集的事件数据、以及与采集的事件数据相关的上下文信息确定生产元素之间的语义关系,并将获得的生产元素用确定的语义关系连接成所述生产过程语义模型。
10.根据权利要求6的装置,还包括:
呈现单元(26),被配置为图形化呈现所述生产过程语义模型,其中示出生成的生产过程语义模型与企业资源计划(ERP)生产模型、制造执行系统(MES)生产模型或产品生命周期管理(PLM)生产模型的差异。
11.一种生成生产过程语义模型的设备(3),包括:
存储器(31),用于存储可执行指令;以及
处理器(32),用于根据所述存储器所存储的可执行指令,执行如权利要求1-5中的任意一个权利要求所述的方法所包括的操作。
12.一种机器可读介质,其上存储有可执行指令,当所述可执行指令被执行时,使得机器执行如权利要求1-5中的任意一个权利要求所述的方法所包括的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510050555.1A CN105988430B (zh) | 2015-01-30 | 2015-01-30 | 生成生产过程语义模型的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510050555.1A CN105988430B (zh) | 2015-01-30 | 2015-01-30 | 生成生产过程语义模型的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105988430A CN105988430A (zh) | 2016-10-05 |
CN105988430B true CN105988430B (zh) | 2019-09-13 |
Family
ID=57035319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510050555.1A Active CN105988430B (zh) | 2015-01-30 | 2015-01-30 | 生成生产过程语义模型的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105988430B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109035060A (zh) * | 2018-07-19 | 2018-12-18 | 西安昆仑工业(集团)有限责任公司 | 一种结构化工艺管理系统及管理方法 |
WO2020107328A1 (zh) * | 2018-11-29 | 2020-06-04 | 西门子股份公司 | 用于获得生产线的数据源的数据的方法和装置 |
US20220138376A1 (en) * | 2019-02-28 | 2022-05-05 | Siemens Ltd., China | Digital twin modeling and simulation method, device, and system |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763066A (zh) * | 2009-12-15 | 2010-06-30 | 沈阳飞机工业(集团)有限公司 | 飞机复杂构件数控加工工装典型件管理系统及方法 |
EP2267562A1 (de) * | 2009-06-19 | 2010-12-29 | Siemens Aktiengesellschaft | Verfahren und Gerät zur Überprüfung von zwischen Komponenten auszutauschenden Daten in einem XML-Format |
CN102365597A (zh) * | 2009-03-30 | 2012-02-29 | 西门子公司 | 用于创建过程模型的装置和方法 |
CN102982430A (zh) * | 2012-11-05 | 2013-03-20 | 西安交通大学 | 利用rfid对在制品物流进行实时跟踪的图式建模方法 |
CN103942364A (zh) * | 2014-03-21 | 2014-07-23 | 北京航空航天大学 | 一种飞机制造工装中典型配套结构自动建模技术 |
CN104166890A (zh) * | 2013-05-16 | 2014-11-26 | 西门子公司 | 用于监控过程和/或制造设备的方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9235909B2 (en) * | 2008-05-06 | 2016-01-12 | International Business Machines Corporation | Simplifying the presentation of a visually complex semantic model within a graphical modeling application |
CN102768703B (zh) * | 2012-07-03 | 2014-10-08 | 河海大学 | 基于树图模型的水轮发电机组虚拟装配建模方法和系统 |
US20140279677A1 (en) * | 2013-03-15 | 2014-09-18 | International Business Machines Corporation | Ontology-driven construction of semantic business intelligence models |
CN103839155A (zh) * | 2013-11-13 | 2014-06-04 | 重庆大学 | 一种基于语义网关的异构信息系统模型集成方法 |
-
2015
- 2015-01-30 CN CN201510050555.1A patent/CN105988430B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102365597A (zh) * | 2009-03-30 | 2012-02-29 | 西门子公司 | 用于创建过程模型的装置和方法 |
EP2267562A1 (de) * | 2009-06-19 | 2010-12-29 | Siemens Aktiengesellschaft | Verfahren und Gerät zur Überprüfung von zwischen Komponenten auszutauschenden Daten in einem XML-Format |
CN101763066A (zh) * | 2009-12-15 | 2010-06-30 | 沈阳飞机工业(集团)有限公司 | 飞机复杂构件数控加工工装典型件管理系统及方法 |
CN102982430A (zh) * | 2012-11-05 | 2013-03-20 | 西安交通大学 | 利用rfid对在制品物流进行实时跟踪的图式建模方法 |
CN104166890A (zh) * | 2013-05-16 | 2014-11-26 | 西门子公司 | 用于监控过程和/或制造设备的方法 |
CN103942364A (zh) * | 2014-03-21 | 2014-07-23 | 北京航空航天大学 | 一种飞机制造工装中典型配套结构自动建模技术 |
Also Published As
Publication number | Publication date |
---|---|
CN105988430A (zh) | 2016-10-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11756126B1 (en) | Method and system for automatically streamlining the vehicle claims process | |
US11860613B2 (en) | Intelligent data object model for distributed product manufacturing, assembly and facility infrastructure | |
US9081914B2 (en) | Component configuration system and methods of operating same | |
CN105988430B (zh) | 生成生产过程语义模型的方法和装置 | |
CN102467699B (zh) | 对缺陷管理建模及基于缺陷管理处理缺陷的方法 | |
US20210232126A1 (en) | Quality monitoring of industrial processes | |
Detzner et al. | A digital twin for root cause analysis and product quality monitoring | |
Pop | Digitalization of the system of data analysis and collection in an automotive company | |
CN103810099B (zh) | 代码跟踪方法及其系统 | |
TW201843640A (zh) | 車輛定損方法及定損客戶端 | |
KR20120133531A (ko) | 타이어 제조 공정용 정보 관리 시스템 | |
US20190033836A1 (en) | Systems and methods for vehicle manufacturing | |
KR102186297B1 (ko) | 멀티플랫폼 지능형 자동차 진단 시스템 | |
Gopalakrishnan et al. | IIoT Framework Based ML Model to Improve Automobile Industry Product. | |
CN105469147B (zh) | 用于诊断故障和/或诊断维修和/或维护需求的方法 | |
KR20220155190A (ko) | 프로세스 관리 계획서 디지털 트윈을 이용하는 제품의 개발 | |
CN110316156B (zh) | 用于检测车辆内部空间的清洁必要性的方法以及处理装置 | |
CN113222185A (zh) | 联网车队中的车辆动力传动系统分析 | |
JP2008287665A (ja) | 製品履歴管理システムおよび製品履歴管理方法 | |
Lichtenstern et al. | Data-Based Digital Twin of an Automated Guided Vehicle System | |
US20160063453A1 (en) | information system and method for processing information, in particular for assisting work in a motor vehicle repair shop | |
US20120323616A1 (en) | Methods and systems for determining downtime drivers | |
Makarova et al. | Improving the reliability of autonomous vehicles in a branded service system using big data | |
Costa et al. | Improving procedures for production and maintenance control towards industry 4.0 implementation | |
Deshpande | PDCA–Analysis for Quality and Productivity Improvement in BISE Plant of Apollo Tyres Limited Company |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |