CN106295995A - 一种用于确定生产计划的数据分析方法与设备 - Google Patents
一种用于确定生产计划的数据分析方法与设备 Download PDFInfo
- Publication number
- CN106295995A CN106295995A CN201610651524.6A CN201610651524A CN106295995A CN 106295995 A CN106295995 A CN 106295995A CN 201610651524 A CN201610651524 A CN 201610651524A CN 106295995 A CN106295995 A CN 106295995A
- Authority
- CN
- China
- Prior art keywords
- data
- production
- forecast model
- prediction
- productivity load
- 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.)
- Pending
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 259
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000009826 distribution Methods 0.000 claims description 21
- 238000004088 simulation Methods 0.000 claims description 15
- 239000002994 raw material Substances 0.000 claims description 7
- 238000007405 data analysis Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 abstract description 12
- 239000000047 product Substances 0.000 description 43
- 230000000875 corresponding effect Effects 0.000 description 32
- 239000000463 material Substances 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000003860 storage Methods 0.000 description 8
- 241000196324 Embryophyta Species 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- 230000002354 daily effect Effects 0.000 description 6
- 238000009434 installation Methods 0.000 description 6
- 230000007935 neutral effect Effects 0.000 description 6
- 239000011265 semifinished product Substances 0.000 description 6
- 230000001419 dependent effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000003203 everyday effect Effects 0.000 description 4
- 238000009472 formulation Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000012797 qualification Methods 0.000 description 4
- 230000003442 weekly effect Effects 0.000 description 4
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 3
- 240000002853 Nelumbo nucifera Species 0.000 description 3
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000001755 vocal effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本申请的目的是提供一种用于确定生产计划的数据分析方法与设备。具体地，获取生产对象在预设历史时间段内的生产数据；根据所述在预设历史时间段内的生产数据确定预测模型；根据所述预测模型，生成所述生产对象在指定时间范围内单位时段的预测产能负荷数据；根据所述预测产能负荷数据，生成所述生产对象在指定时间段的生产计划。与现有技术相比，本申请通过获取生产对象在预设历史时间段内的生产数据，并通过生产数据之间变化趋势确定预测模型，从而可以得到适应实际情况的预测产能负荷数据，进而据此生成指定时间段的生产计划，从而通过不断收集历史数据调整和适应各种生产情况的变化，使得生成计划贴近实际，提升工厂生产的效率和计划执行的稳定性。
Description
技术领域
本申请涉及计算机领域，尤其涉及一种用于确定生产计划的数据分析技术。
背景技术
工厂在生产产品时往往需要对未来一定时间范围内的生产计划进行预先制定，以便于对资源进行合理分配和协同。现有技术中对于生产计划的制定，一般会尝试寻找最优的数学模型或搭建仿真模型，以获取最优生产计划。例如，数学规划方法、启发式搜索方法、约束规划方法、进化算法、搭建离散仿真模型等。
然而，通过现有技术所制定的生产计划，由于进行了抽象和建模，忽略了很多无法用模型所能表达的因素，往往与实际车间的执行情况有所出入，过于理想化而忽略了人员、机器设备、物料、生产工艺、环境等对于生产综合的影响，特别是最终产能负荷的影响。在此，产能负荷是指某车间或工厂在单位时间内生产某产品的产量。因此所制定的生产计划与实际执行结果会偏差较大，在较为复杂的生产情况下，参数和各类因素复杂，会导致难以用数学模型进行全面覆盖，从而导致所制定的生产计划适应能力较差，无法通过自我学习和优化进行更新和优化。
发明内容
本申请的一个目的是提供一种用于确定生产计划的数据分析方法与设备。
为实现上述目的，根据本申请的一个方面，本申请提供了一种用于确定生产计划的数据分析方法，该方法包括：
获取生产对象在预设历史时间段内的生产数据；
根据所述在预设历史时间段内的生产数据确定预测模型；
根据所述预测模型，生成所述生产对象在指定时间范围内单位时段的预测产能负荷数据；
根据所述预测产能负荷数据，生成所述生产对象在指定时间段的生产计划。
为实现上述目的，根据本申请的另一个方面，本申请提供了一种用于确定生产计划的数据分析设备，该设备包括：
历史数据获取装置，用于获取生产对象在预设历史时间段内的生产数据；
预测模型确定装置，用于根据所述在预设历史时间段内的生产数据确定预测模型；
预测数据生成装置，用于根据所述预测模型，生成所述生产对象在指定时间范围内单位时段的预测产能负荷数据；
生产计划生成装置，用于根据所述预测产能负荷数据，生成所述生产对象在指定时间段的生产计划。
与现有技术相比，本申请通过获取生产对象在预设历史时间段内的生产数据，并通过生产数据之间变化趋势确定预测模型，从而可以得到适应实际情况的预测产能负荷数据，进而据此生成指定时间段范围内的生产计划，从而通过不断收集历史数据调整和适应各种生产情况的变化，使得生成计划贴近实际，提升工厂生产的效率和计划执行的稳定性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1示出根据本申请一个方面的一种用于确定生产计划的数据分析方法流程图；
图2示出根据本申请一个优选实施例的步骤S2的方法流程图；
图3示出根据本申请另一个方面的一种用于确定生产计划的数据分析设备示意图；
图4示出根据本申请另一个优选实施例的预测模型确定装置的设备示意图。
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
下面结合附图对本申请作进一步详细描述。
在本申请一个典型的配置中，终端、服务网络的设备和可信方均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
图1示出根据本申请一个方面的一种用于确定生产计划的数据分析方法流程图。所述方法包括：步骤S1、步骤S2、步骤S3、步骤S4。
其中，在步骤S1中设备1获取生产对象在预设历史时间段内的生产数据；在步骤S2中设备1根据所述在预设历史时间段内的生产数据确定预测模型；在步骤S3中设备1根据所述预测模型，生成所述生产对象在指定时间范围内单位时段的预测产能负荷数据；在步骤S4中设备1根据所述预测产能负荷数据，生成所述生产对象在指定时间段的生产计划。
具体地，在步骤S1中设备1获取生产对象在预设历史时间段内的生产数据。其中，所述生产对象是指需要进行生产计划制定的对象，包括半成品或成品。例如某一工厂车间中所生产的A型号的齿轮，或者某一产品线上所组装的手机。所述预设历史时间段是指预先设置的进行数据获取的历史时间范围。例如，设置制定生产计划前一天8:00～18:00的时间段，或者每个月2号至10号的时间段为数据获取范围。设置预设历史时间段，是为了方便指定数据获取的范围，以及在有需要的情况下，自动定期更新数据。所述生产数据是指与生产计划相关的历史生产相关数据，例如，需要制定五号齿轮在某一车间的日生产计划，则其生成数据包括，过去每个月中每天这一车间五号齿轮的生产数量，车间人员的熟练程度，车间设备的有效工作时间，原料的合格率等。即所述生产数据包括了所述生产对象的产能负荷以及影响产能负荷的若干关键影响因素数据。可以根据不同的需求，对其中影响产能负荷所包括的数据种类进行调整，将对生产计划影响较为关键的数据进行保留，相关度不高的数据进行剔除。
获取生产对象在预设历史时间段内的生产数据的方法，包括但不限于：在车间自动化较高的情况下，直接调取指定历史时间内自动记录的产品产量以及其它相关数据记录。或者从生产流程卡中进行获取，其中，生产流程卡一般由车间或生产线上班组长或主任进行管理，可直接进行录入和上报。所述生产流程卡上一般会记录每个工序环节的生产数量，从其中找出所需指定计划对应的半成品或成品对应哪个的工序环节记录，获取其生产数量、操作者、设备、生产时间和原材料等信息。
通过获取生产对象在预设历史时间段内的生产数据，可以基于历史生产数据对车间的实际情况对产能负荷的影响进行分析，从而使得最终所产生的预测模型贴近实际情况。
本领域技术人员应能理解上述获取历史生产数据的方式仅为举例，其他现有的或今后可能出现的获取历史生产数据的方式如可适用于本申请，也应包含在本申请保护范围以内，并在此以引用方式包含于此。
优选地，在步骤S1中设备1周期性获取生产对象在预设历史时间段内的生产数据。即为了使得所指定的生产计划可以适应生产对象所在工厂环境和其它因素影响下的变化，周期性对预设历史时间段内的生产数据进行获取，从而周期性的对预测模型进行调整和修正。例如，设置每天或每周对某一产品线8:00～18:00的数据进行获取。通过周期性获取生产数据，使得生产计划的指定和调整有了自我学习和适应的数据基础。
接着，在步骤S2中设备1根据所述在预设历史时间段内的生产数据确定预测模型。其中，所述预测模型是指基于回归分析和神经学习网络等方法，通过分析历史时间段内生产数据的变化趋势，从而建立的产品产能负荷的预测模型。通过将设备、人员、工艺、物料和生产环境等关键影响因素输入该预测模型，即可获取对应单位时间内的产能负荷数据。
根据所述在预设历史时间段内的生产数据确定预测模型，包括：将所述生产数据通过归一化处理等噪音数据处理方法，将其中偏离整体趋势的噪音数据进行删除，并选取对产品产能负荷影响较大的关键生产要素数据作为自变量，并通过BP神经网络学习的方法对其中参数进行确定，从而获取预测模型。例如，选取的预测模型用yi＝a1*x1i+a2*x2i+…+an*xni+ei，yi对应某个成品或半成品的一个单位时间产能负荷(P/T)，Xni对应因素在T时间范围内采集值，例如：人的工作效率，设备利用率，物料及时率，生产自动化程度。通过回归分析或神经网络学习，确定上述模型中的回归系数ai，使误差ei符合正态分布，从而获取确定的预测模型。但不限于此方法，例如，将神经网络与模糊数据、专家系统综合一起，通过将历史时间段内的生产数据带入其中从而构建预测模型。通过确定预测模型，可对单位时间段内的产能负荷数据进行获取，从而基于此完成生产技术的指定，例如，获取1小时A产品的产量，则指定生产计划次日9:00～10:00A产品的计划产量。
本领域技术人员应能理解上述确定预测模型的方式仅为举例，其他现有的或今后可能出现的确定预测模型的方式如可适用于本申请，也应包含在本申请保护范围以内，并在此以引用方式包含于此。
接着，在步骤S3中设备1根据所述预测模型，生成所述生产对象在指定时间范围内单位时段的预测产能负荷数据。其中，所述预测产能负荷数据是指所预测的在指定时间范围内单位时段的，相对于生产对象而言对未来产量的预测。所述指定时间范围内单位时间是指需要获取的预测产能负荷数据对应的未来时间范围内单位时间。例如，获取1小时的A产品生产数量，则1小时为指定时间范围内单位时间段。获取1天的B产品生产数量，则1天为指定时间范围内单位时间段。将指定单位时段，以及对应预测模型中所包含的生产要素数据的当前值输入预测模型，则会获取预测模型所生成的指定时间范围内单位时间段的预测产能负荷数据。例如，接上文举例，当确定好各回归系数ai和ei后，我们就可以根据不同的“工人工作效率、设备利用率、物料及时率和生产自动化程度”等自变量因素组合，确定不同情况下的产能负荷，例如：单位小时的“五号结合齿”产能负荷为5件，优选地，可确定该产品每道工序的产能负荷，这样我们就能做出相应的生产计划，例如：9点开工，10点完工，计划生产数量为5件，产品为“五号结合齿”。
接着，在步骤S4中设备1根据所述预测产能负荷数据，生成所述生产对象在指定时间段的生产计划。所述指定时间段是指生产计划对应的时间段，例如2016年6月23日这一指定时间段的生产计划。即根据所获取的单位时间的预测产能负荷数据，进行对应不同时间阶段的产品的产能负荷分解，确定工厂对于预测模型中所分析产品的生产计划。例如，当确定预测模型的参数后，输入自变量人员、设备、工艺、物料、环境中一种或几种的值和单位时间，例如1天，即可获取该日的产能负荷，例如：每天产量100件，那么日计划即为：2016年6月23日，计划生产100件。由于小时产能负荷也有了，例如：8件，12件，14件，7件，11件，10件，18件，20件，那么一天的工作计划就出来了：8点至9点：8件；9点至10点：12件，以此类推。
优选地，所述生产数据包括：所述生产对象的产能负荷数据、所述生产对象的生产要素数据。其中，所述产能负荷数据是相对于生产对象的单位时间段内的产量。例如，对于工厂半成品或成品单位小时产量，或日产量、周产量、月产量、季产量、年产量等。如A型号齿轮，完成需要7道工序，则从第1道工序到第7道工序之间的时间差为产能负荷的时间范围(设为T)，第7道工序的数量就是该产品的数量(设为P)，即为T时间内该产品的产能负荷为P。同时，若以每道工序的半成品为生产对象，亦可据此给出每道工序的产能负荷。
所述生产要素数据是指，会影响产能负荷数据的影响因素对应的数据，例如，每个操作人员的工作效率，生产对象所在设备的自动化程度，生产工艺的精度要求等。这些数据的变化会直接影响到生产对象在单位时间内的产量。
因此，生产数据包括产能负荷数据和生产要素数据，才能准确的分析对于同一个生成对象而言，生产要素数据对产能负荷数据的影响趋势，从而确定预测模型。
更优选地，所述生产要素数据包含下列至少一项：生产所述生产对象的人员效率，例如，人员熟练度，可与员工岗位级别对应，或考虑人员岗位工作年限，以及职业技术等级，并将这些因素作为不同的比例因素计算获得人员效率值；生产所述生产对象的设备效率，例如，考虑设备的自动化程度：全自动、半自动、手工，以及设备的老化程度以及生产效率等因素作为不同比例计算获得设备效率值；生产所述生产对象的原料信息，例如，物料提供的及时率以及合格率；生产所述生产对象的工艺等级信息，例如，工艺复杂程度和精度评级；生产所述生产对象的环境等级信息，例如，工厂系统信息化程度：全信息化、半信息化、手工等，以及生产环境的恶劣程度等作为不同比例因素计算获得生产环境等级信息值。
优选地，考虑生产要素数据的影响，在步骤S3中设备1将指定时间范围内单位时间段的所述生产要素数据输入所述预测模型；生成所述生产对象在指定时间范围内单位时段的预测产能负荷数据。因为所述预测模型是基于历史时段中生产要素数据对产能负荷数据的变化趋势确定的，即在预测模型中，生产要素数据是自变量，产能负荷数据为因变量。根据历史数据所确定的预测模型负荷当前实际生产情况，因此，将需要预测的时间段或车间的当前生产要素数据代入预测模型中，例如接上文举例，预测模型用yi＝a1*x1i+a2*x2i+…+an*xni+ei，yi对应某个成品或半成品的一个单位时间产能负荷(P/T)，Xni对应因素在T时间范围内采样值，例如：人的工作效率，设备利用率，物料及时率和生产自动化程度。将实际生产车间中的Xni的值代入其中，在ai和ei确定的情况下，即可得到yi也就是预测产能负荷数据。
图2示出根据本申请一个优选实施例的步骤S2的方法流程图。所述步骤S2包括：步骤S21、步骤S22。
其中，在步骤S21中设备1根据所述生产要素数据中的一项或多项选取所述预测模型类型；在步骤S22中设备1根据所述生产要素数据与所述产能负荷数据的变化关系确定所述预测模型类型中的预测参数值，确定所述预测模型。
具体地，在步骤S21中设备1根据所述生产要素数据中的一项或多项选取所述预测模型类型。所述预测模型类型是指对应不同生产要素数据为因变量的预测模型，且其中若涉及模型中的参数，在选取预测模型类型时，参数值尚未确定。设置预测模型类型，有利于根据实际情况快速进行选择预测模型并进一步根据历史数据进行分析和计算。
因为所述生产要素与人员、设备、工艺、物理、生产环境等因素相关，对于不同的产品，对最终产量也就是产能负荷的影响会随着产品的不同而变化，因此，在确定预测模型类型后即可确定生产要素数据，从而将历史时间段中的生产要素数据带入预测模型类型进行趋势分析和计算。例如，上文所举例的预测模型中Xni具体有多少个，即根据实际情况而定，即不同的预测模型类型对应的Xni的种类数目不同。
优选地，所述预测模型对应有确定预测参数值的预测模型类型。即在采用多元回归分析和神经网络分析时，一些预测模型类型中有待确定的参数值，也就是预测参数值。通过对历史时段内的生产数据之间的变化趋势，也就是生产要素数据对产能负荷数据的影响趋势进行分析，方可确定预测参数值的确定数值，当预测参数值确定后称之为预测模型。接上文举例，其中ai和ei即为待确定的预测参数值，当通过BP神经网络、回归分析等手段确定ai和ei具体取值后，举例中的预测模型方可用于对单位时间生产对象产能负荷的预测。
接着，在步骤S22中设备1根据所述生产要素数据与所述产能负荷数据的变化关系确定所述预测模型类型中的预测参数值，确定所述预测模型。即将输入生产要素数据作为自变量，输出产能负荷数据作为因变量，输入与输出之间函数关系可以是多元回归模型，也可以是神经网络中的S函数+多元模型等。回归模型是用来确定输入与输出关系的一种手段，最终是用训练数据确定模型的参数，得出预测模型，然后再基于未来时间范围的输入值，计算输出值，即未来时间范围的产能负荷。进而基于未来时间的产能负荷，生成工厂生产计划。其中，预测参数值的确定方法可以通过使得当预测参数值带入预测模型中时，将历史数据中的生产要素数据输入其中，所得出的产能负荷数据与历史数据中的产能负荷数据的方差符合正态分布。
本领域技术人员应能理解上述确定预测参数值的方式仅为举例，其他现有的或今后可能出现的确定预测参数值的方式如可适用于本申请，也应包含在本申请保护范围以内，并在此以引用方式包含于此。
优选地，在步骤S22中设备1选取所述预测模型类型对应的候选预测参数值，确定候选预测模型；将所述生产要素数据输入所述候选预测模型生成历史模拟产能负荷数据；计算所述历史模拟产能负荷数据与所述预设历史时间段内的所述产能负荷数据的差值，若所述差值符合标准正态分布，则确定所述候选预测模型为预测模型。所述差值若不符合标准正态分布，则重新选取所述候选预测参数值。其中，所述候选预测参数值是指在进行预测参数值确定的过程中，可以通过选取不同的候选值来比较获得最贴近实际情况的最终确定的预测参数值。选取过程可以通过计算机程序自动进行，尤其在实际情况较为复杂的情况下，采用计算机自动调整候选预测参数值会大大提升确定预测模型的效率。所述候选预测模型即为带入了候选预测参数值的预测模型。所述历史模拟产能负荷数据，是指将所获取的预设历史时间段内的生产要素数据，代入候选预测模型中，由候选预测模型所生成的产能负荷数据，这一数据是模拟的历史时段的情况下的产能负荷数据，与所获取的实际的历史时段中的产能负荷数据不同，用于与历史时段的实际产能负荷数据进行比较，而分析当前候选预测模型中的候选预测参数值是否准确。通过比较两者的差值，若两者差值符合正态分布，则说明当前候选参数接近实际情况。若两者差值不符合正态分布则继续选取候选参数值，重复前述步骤进行再次比较，获取历史模拟产能负荷数据，并与实际的历史时段的产能负荷数据进行比较，看两者差值是否符合正态分布。
例如，即上文举例，确定所举例的预测模型中的预测参数值ai，保证E(ei)＝0，D(ei)＝σ2(标准正态分布)。其中，E、D是正态分布中的期望、方差，ei是误差。误差越符合正态分布，则得到的预测参数值ai越准确，通过回归模型给出的结果与历史数据拟合越好。当确定好预测参数值，就可以根据不同的生产要素数据，确定不同情况下的产能负荷，即单位小时产能。例如：单位小时的“五号结合齿”产能负荷为5件，甚至是该产品每道工序的产能负荷，这样我们就能做出相应的生产计划，例如：9点开工，10点完工，计划生产数量为5件，产品为“五号结合齿”。
图3示出根据本申请另一个方面的一种用于确定生产计划的数据分析设备示意图。所述设备1包括：历史数据获取装置11、预测模型确定装置12、预测数据生成装置13、生产计划生成装置14。
其中，历史数据获取装置11获取生产对象在预设历史时间段内的生产数据；预测模型确定装置12根据所述在预设历史时间段内的生产数据确定预测模型；预测数据生成装置13根据所述预测模型，生成所述生产对象在指定时间范围内单位时段的预测产能负荷数据；生产计划生成装置14根据所述预测产能负荷数据，生成所述生产对象在指定时间段的生产计划。
具体地，历史数据获取装置11获取生产对象在预设历史时间段内的生产数据。其中，所述生产对象是指需要进行生产计划制定的对象，包括半成品或成品。例如某一工厂车间中所生产的A型号的齿轮，或者某一产品线上所组装的手机。所述预设历史时间段是指预先设置的进行数据获取的历史时间范围。例如，设置制定生产计划前一天8:00～18:00的时间段，或者每个月2号至10号的时间段为数据获取范围。设置预设历史时间段，是为了方便指定数据获取的范围，以及在有需要的情况下，自动定期更新数据。所述生产数据是指与生产计划相关的历史生产相关数据，例如，需要制定五号齿轮在某一车间的日生产计划，则其生成数据包括，过去每个月中每天这一车间五号齿轮的生产数量，车间人员的熟练程度，车间设备的有效工作时间，原料的合格率等。即所述生产数据包括了所述生产对象的产能负荷以及影响产能负荷的若干关键影响数据。可以根据不同的需求，对其中影响产能负荷所包括的数据种类进行调整，将对生产计划影响较为关键的数据进行保留，相关度不高的数据进行剔除。
获取生产对象在预设历史时间段内的生产数据的方法，包括但不限于：在车间自动化较高的情况下，直接调取指定历史时间内自动记录的产品产量以及其它相关数据记录。或者从生产流程卡中进行获取，其中，生产流程卡一般由车间或生产线上班组长或主任进行管理，可直接进行录入和上报。所述生产流程卡上一般会记录每个工序环节的生产数量，从其中找出所需指定计划对应的半成品或成品对应哪个的工序环节记录，获取其生产数量、操作者、设备、生产时间等信息。
通过获取生产对象在预设历史时间段内的生产数据，可以基于历史生产数据对车间的实际情况对产能负荷的影响进行分析，从而使得最终所产生的预测模型贴近实际情况。
本领域技术人员应能理解上述获取历史生产数据的方式仅为举例，其他现有的或今后可能出现的获取历史生产数据的方式如可适用于本申请，也应包含在本申请保护范围以内，并在此以引用方式包含于此。
优选地，所述历史数据获取装置11周期性获取生产对象在预设历史时间段内的生产数据。即为了使得所指定的生产计划可以适应生产对象所在工厂环境和其它因素影响下的变化，周期性对预设历史时间段内的生产数据进行获取，从而周期性的对预测模型进行调整和修正。例如，设置每天或每周对某一产品线8:00～18:00的数据进行获取。通过周期性获取生产数据，使得生产计划的指定和调整有了自我学习和适应的数据基础。
接着，预测模型确定装置12根据所述在预设历史时间段内的生产数据确定预测模型。其中，所述预测模型是指基于回归分析和神经学习网络等方法，通过分析历史时间段内生产数据的变化趋势，从而建立的产品产能负荷的预测模型。通过将设备、人员、工艺等关键影响因素输入该预测模型，即可获取对应单位时间内的产能负荷数据。
根据所述在预设历史时间段内的生产数据确定预测模型，包括：将所述生产数据通过归一化处理等噪音数据处理方法，将其中偏离整体趋势的噪音数据进行删除，并选取对产品产能负荷影响较大的关键生产要素数据作为自变量，并通过BP神经网络学习或回归分析的方法对其中参数进行确定，从而获取预测模型。例如，选取的预测模型用yi＝a1*x1i+a2*x2i+…+an*xni+ei，yi对应某个成品或半成品的一个单位时间产能负荷(P/T)，Xni对应因素在T时间范围内采集值，例如：人的工作效率，设备利用率，物料及时率和生产自动化程度。通过回归分析或神经网络学习，确定上述模型中的回归系数ai，从而获取确定的预测模型。但不限于此方法，例如，将神经网络与模糊数据、专家系统综合一起，通过将历史时间段内的生产数据带入其中从而构建预测模型。通过确定预测模型，可对单位时间段内的产能负荷数据进行获取，从而基于此完成生产技术的指定，例如，获取1小时A产品的产量，则指定生产计划次日9:00～10:00A产品的计划产量。
本领域技术人员应能理解上述确定预测模型的方式仅为举例，其他现有的或今后可能出现的确定预测模型的方式如可适用于本申请，也应包含在本申请保护范围以内，并在此以引用方式包含于此。
接着，预测数据生成装置13根据所述预测模型，生成所述生产对象在指定时间范围内单位时段的预测产能负荷数据。其中，所述预测产能负荷数据是指所预测的在指定时间范围内单位时段的，相对于生产对象而言对未来产量的预测。所述指定时间范围内单位时间是指需要获取的预测产能负荷数据对应的单位时间。例如，获取1小时的A产品生产数量，则1小时为指定时间范围内单位时间段。获取1天的B产品生产数量，则1天为指定时间范围内单位时间段。将指定时间范围内单位时段，以及对应预测模型中所包含的生产要素数据的当前值输入预测模型，则会获取预测模型所生成的指定时间范围内单位时间段的预测产能负荷数据。例如，接上文举例，当确定好各回归系数ai后，我们就可以根据不同的“工人工作效率、设备利用率、物料及时率和生产自动化程度”等自变量因素组合，确定不同情况下的产能负荷，例如：单位小时的“五号结合齿”产能负荷为5件，优选地，可确定该产品每道工序的产能负荷，这样我们就能做出相应的生产计划，例如：9点开工，10点完工，计划生产数量为5件。
接着，生产计划生成装置14根据所述预测产能负荷数据，生成所述生产对象在指定时间段的生产计划。所述指定时间段是指生产计划对应的时间段，例如2016年6月23日这一指定时间段的生产计划。即根据所获取的单位时间的预测产能负荷数据，进行对应不同时间阶段的产品的产能负荷分解，确定工厂对于预测模型中所分析产品的生产计划。例如，当确定预测模型的参数后，输入自变量人员、设备、工艺、物料、环境中一种或几种的值和单位时间，例如1天，即可获取该日的产能负荷，例如：每天产量100件，那么日计划即为：2016年6月23日，计划生产100件。由于小时产能负荷也有了，例如：8件，12件，14件，7件，11件，10件，18件，20件，那么一天的工作计划就出来了：8点至9点：8件；9点至10点：12件，以此类推。
优选地，所述生产数据包括：所述生产对象的产能负荷数据、所述生产对象的生产要素数据。其中，所述产能负荷数据是相对于生产对象的单位时间段内的产量。例如，对于工厂半成品或成品单位小时产量，或日产量、周产量、月产量、季产量、年产量等。如A型号齿轮，完成需要7道工序，则从第1道工序到第7道工序之间的时间差为产能负荷的时间范围(设为T)，第7道工序的数量就是该产品的数量(设为P)，即为T时间内该产品的产能负荷为P。同时，若以每道工序的半成品为生产对象，亦可据此给出每道工序的产能负荷。
所述生产要素数据是指，会影响产能负荷数据的影响因素对应的数据，例如，每个操作人员的工作效率，生产对象所在设备的自动化程度，生产工艺的精度要求等。这些数据的变化会直接影响到生产对象在单位时间内的产量。
因此，生产数据包括产能负荷数据和生产要素数据，才能准确的分析对于同一个生成对象而言，生产要素数据对产能负荷数据的影响趋势，从而确定预测模型。
更优选地，所述生产要素数据包含下列至少一项：生产所述生产对象的人员效率，例如，人员熟练度，可与员工岗位级别对应，或考虑人员岗位工作年限，以及职业技术等级，并将这些因素作为不同的比例因素计算获得人员效率值；生产所述生产对象的设备效率，例如，考虑设备的自动化程度：全自动、半自动、手工，以及设备的老化程度以及生产效率等因素作为不同比例计算获得设备效率值；生产所述生产对象的原料信息，例如，物料提供的及时率以及合格率；生产所述生产对象的工艺等级信息，例如，工艺复杂程度和精度评级；生产所述生产对象的环境等级信息，例如，工厂系统信息化程度：全信息化、半信息化、手工等，以及生产环境的恶劣程度等作为不同比例因素计算获得环境等级信息值。
优选地，考虑生产要素数据的影响，所述预测数据生成装置13将指定时间范围内单位时间段的所述生产要素数据输入所述预测模型；生成所述生产对象在指定时间范围内单位时段的预测产能负荷数据。因为所述预测模型是基于历史时段中生产要素数据对产能负荷数据的变化趋势确定的，即在预测模型中，生产要素数据是自变量，产能负荷数据为因变量。根据历史数据所确定的预测模型负荷当前实际生产情况，因此，将需要预测的时间段或车间的当前生产要素数据代入预测模型中，例如接上文举例，预测模型用yi＝a1*x1i+a2*x2i+…+an*xni+ei，yi对应某个成品或半成品的一个单位时间产能负荷(P/T)，Xni对应因素在T时间范围内采集值，例如：人的工作效率，设备利用率，物料及时率。将实际生产车间中的Xni的值代入其中，在ai确定的情况下，即可得到yi也就是预测产能负荷数据。
图4示出根据本申请另一个优选实施例的预测模型确定装置的设备示意图。所述预测模型确定装置12包括：类型确定单元121、预测模型确定单元122。
其中，类型确定单元121根据所述生产要素数据中的一项或多项选取所述预测模型类型；预测模型确定单元122根据所述生产要素数据与所述产能负荷数据的变化关系确定所述预测模型类型中的预测参数值，确定所述预测模型。
具体地，类型确定单元121根据所述生产要素数据中的一项或多项选取所述预测模型类型。所述预测模型类型是指对应不同生产要素数据为因变量的预测模型，且其中若涉及模型中的参数，在选取预测模型类型时，参数值尚未确定。设置预测模型类型，有利于根据实际情况快速进行选择预测模型并进一步根据历史数据进行分析和计算。
因为所述生产要素与人员、设备、工艺、物理、生产环境等因素相关，对于不同的产品，对最终产量也就是产能负荷的影响会随着产品的不同而变化，因此，在确定预测模型类型后即可确定生产要素数据，从而将历史时间段中的生产要素数据带入预测模型类型进行趋势分析和计算。例如，上文所举例的预测模型中Xni具体有多少个，即根据实际情况而定，即不同的预测模型类型对应的Xni的种类数目不同。
优选地，所述预测模型对应有确定预测参数值的预测模型类型。即在采用多元回归分析和神经网络分析时，一些预测模型类型中有待确定的参数值，也就是预测参数值。通过对历史时段内的生产数据之间的变化趋势，也就是生产要素数据对产能负荷数据的影响趋势进行分析，方可确定预测参数值的确定数值，当预测参数值确定后称之为预测模型。接上文举例，其中ai即为待确定的预测参数值，当通过BP神经网络、回归分析等手段确定ai具体取值后，举例中的预测模型方可用于对单位时间生产对象产能负荷的预测。
接着，预测模型确定单元122根据所述生产要素数据与所述产能负荷数据的变化关系确定所述预测模型类型中的预测参数值，确定所述预测模型。即将输入生产要素数据作为自变量，输出产能负荷数据作为因变量，输入与输出之间函数关系可以是多元回归模型，也可以是神经网络中的S函数+多元模型等。回归模型是用来确定输入与输出关系的一种手段，最终是用训练数据确定模型的参数，得出预测模型，然后再基于未来时间范围的输入值，计算输出值，即未来时间范围的产能负荷。进而基于未来时间的产能负荷，生成工厂生产计划。其中，预测参数值的确定方法可以通过使得当预测参数值带入预测模型中时，将历史数据中的生产要素数据输入其中，所得出的产能负荷数据与历史数据中的产能负荷数据的方差符合正态分布。
本领域技术人员应能理解上述确定预测参数值的方式仅为举例，其他现有的或今后可能出现的确定预测参数值的方式如可适用于本申请，也应包含在本申请保护范围以内，并在此以引用方式包含于此。
优选地，所述预测模型确定单元122选取所述预测模型类型对应的候选预测参数值，确定候选预测模型；将所述生产要素数据输入所述候选预测模型生成历史模拟产能负荷数据；计算所述历史模拟产能负荷数据与所述预设历史时间段内的所述产能负荷数据的差值，若所述差值符合标准正态分布，则确定所述候选预测模型为预测模型。所述差值若不符合标准正态分布，则重新选取所述候选预测参数值。其中，所述候选预测参数值是指在进行预测参数值确定的过程中，可以通过选取不同的候选值来比较获得最贴近实际情况的最终确定的预测参数值。这选取过程可以通过计算机程序自动进行，尤其在实际情况较为复杂的情况下，采用计算机自动调整候选预测参数值会大大提升确定预测模型的效率。所述候选预测模型即为带入了候选预测参数值的预测模型。所述历史模拟产能负荷数据，是指将所获取的预设历史时间段内的生产要素数据，代入候选预测模型中，由候选预测模型所生成的产能负荷数据，这一数据是模拟的历史时段的情况下的产能负荷数据，与所获取的实际的历史时段中的产能负荷数据不同，用于与历史时段的实际产能负荷数据进行比较，而分析当前候选预测模型中的候选预测参数值是否准确。通过比较两者的差值，若两者差值符合正态分布，则说明当前候选参数接近实际情况。若两者差值不符合正态分布则继续选取候选参数值，重复前述步骤进行再次比较，获取历史模拟产能负荷数据，并与实际的历史时段的产能负荷数据进行比较，看两者差值是否符合正态分布。
例如，即上文举例，确定所举例的预测模型中的预测参数值ai，保证E(ei)＝0，D(ei)＝σ2(标准正态分布)。其中，E、D是正态分布中的期望、方差，ei是误差。误差越符合正态分布，则得到的预测参数值ai越准确，通过回归模型给出的结果与历史数据拟合越好。当确定好预测参数值，就可以根据不同的生产要素数据，确定不同情况下的产能负荷，即单位小时产能。例如：单位小时的“五号结合齿”产能负荷为5件，甚至是该产品每道工序的产能负荷，这样我们就能做出相应的生产计划，例如：9点开工，10点完工，计划生产数量为5件，产品为“五号结合齿”。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
需要注意的是，本申请可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本申请的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。另外，本申请的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。
另外，本申请的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本申请的方法和/或技术方案。而调用本申请的方法的程序指令，可能被存储在固定的或可移动的记录介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输，和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此，根据本申请的一个实施例包括一个装置，该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该装置运行基于前述根据本申请的多个实施例的方法和/或技术方案。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
Claims (18)
1.一种用于确定生产计划的数据分析方法，包括：
获取生产对象在预设历史时间段内的生产数据；
根据所述在预设历史时间段内的生产数据确定预测模型；
根据所述预测模型，生成所述生产对象在指定时间范围内单位时段的预测产能负荷数据；
根据所述预测产能负荷数据，生成所述生产对象在指定时间段的生产计划。
2.根据权利要求1所述的方法，其中，所述获取生产对象在预设历史时间段内的生产数据包括：
周期性获取生产对象在预设历史时间段内的生产数据。
3.根据权利要求1所述的方法，其中，所述生产数据包括：所述生产对象的产能负荷数据、所述生产对象的生产要素数据。
4.根据权利要求3所述的方法，其中，所述生产要素数据包含下列至少一项：
生产所述生产对象的人员效率；
生产所述生产对象的设备效率；
生产所述生产对象的原料信息；
生产所述生产对象的工艺等级信息；
生产所述生产对象的环境等级信息。
5.根据权利要求3所述的方法，其中，所述根据所述在预设历史时间段内的生产数据确定预测模型包括：
根据所述生产要素数据中的一项或多项选取所述预测模型类型；
根据所述生产要素数据与所述产能负荷数据的变化关系确定所述预测模型类型中的预测参数值，确定所述预测模型。
6.根据权利要求5所述的方法，其中，所述预测模型对应有确定预测参数值的预测模型类型。
7.根据权利要求5所述的方法，其中，所述根据所述生产要素数据与所述产能负荷数据的变化关系确定所述预测模型类型中的预测参数值，确定所述预测模型包括：
选取所述预测模型类型对应的候选预测参数值，确定候选预测模型；
将所述生产要素数据输入所述候选预测模型生成历史模拟产能负荷数据；
计算所述历史模拟产能负荷数据与所述预设历史时间段内的所述产能负荷数据的差值，若所述差值符合标准正态分布，则确定所述候选预测模型为预测模型。
8.根据权利要求7所述的方法，其中，所述差值若不符合标准正态分布，则重新选取所述候选预测参数值。
9.根据权利要求3所述的方法，其中，所述根据所述预测模型，生成所述生产对象在指定时间范围内单位时段的预测产能负荷数据包括：
将指定时间范围内单位时间段的所述生产要素数据输入所述预测模型；
生成所述生产对象在指定时间范围内单位时段的预测产能负荷数据。
10.一种用于确定生产计划的数据分析设备，包括：
历史数据获取装置，用于获取生产对象在预设历史时间段内的生产数据；
预测模型确定装置，用于根据所述在预设历史时间段内的生产数据确定预测模型；
预测数据生成装置，用于根据所述预测模型，生成所述生产对象在指定时间范围内单位时段的预测产能负荷数据；
生产计划生成装置，用于根据所述预测产能负荷数据，生成所述生产对象在指定时间段的生产计划。
11.根据权利要求10所述的设备，其中，所述历史数据获取装置用于：
周期性获取生产对象在预设历史时间段内的生产数据。
12.根据权利要求10所述的设备，其中，所述生产数据包括：所述生产对象的产能负荷数据、所述生产对象的生产要素数据。
13.根据权利要求12所述的设备，其中，所述生产要素数据包含下列至少一项：
生产所述生产对象的人员效率；
生产所述生产对象的设备效率；
生产所述生产对象的原料信息；
生产所述生产对象的工艺等级信息；
生产所述生产对象的环境等级信息。
14.根据权利要求12所述的设备，其中，所述预测模型确定装置包括：
类型确定单元，用于根据所述生产要素数据中的一项或多项选取所述预测模型类型；
预测模型确定单元，用于根据所述生产要素数据与所述产能负荷数据的变化关系确定所述预测模型类型中的预测参数值，确定所述预测模型。
15.根据权利要求14所述的设备，其中，所述预测模型对应有确定预测参数值的预测模型类型。
16.根据权利要求14所述的设备，其中，所述预测模型确定单元用于：
选取所述预测模型类型对应的候选预测参数值，确定候选预测模型；
将所述生产要素数据输入所述候选预测模型生成历史模拟产能负荷数据；
计算所述历史模拟产能负荷数据与所述预设历史时间段内的所述产能负荷数据的差值，若所述差值符合标准正态分布，则确定所述候选预测模型为预测模型。
17.根据权利要求16所述的设备，其中，所述差值若不符合标准正态分布，则重新选取所述候选预测参数值。
18.根据权利要求12所述的设备，其中，所述预测数据生成装置包括：
将指定时间范围内单位时间段的所述生产要素数据输入所述预测模型；
生成所述生产对象在指定时间范围内单位时段的预测产能负荷数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610651524.6A CN106295995A (zh) | 2016-08-10 | 2016-08-10 | 一种用于确定生产计划的数据分析方法与设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610651524.6A CN106295995A (zh) | 2016-08-10 | 2016-08-10 | 一种用于确定生产计划的数据分析方法与设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106295995A true CN106295995A (zh) | 2017-01-04 |
Family
ID=57667872
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610651524.6A Pending CN106295995A (zh) | 2016-08-10 | 2016-08-10 | 一种用于确定生产计划的数据分析方法与设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106295995A (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108596457A (zh) * | 2018-04-12 | 2018-09-28 | 中国石油大学(北京) | 管道输运的调度方法和装置 |
| CN108734411A (zh) * | 2018-05-28 | 2018-11-02 | 英特尔产品（成都）有限公司 | 用于产能警示的方法和装置 |
| CN109272141A (zh) * | 2018-08-14 | 2019-01-25 | 国网江西省电力物资有限公司 | 一种电力物资计划智能申报方法及平台 |
| CN109501271A (zh) * | 2017-09-14 | 2019-03-22 | 通用电气公司 | 增材制造工艺计划的优化方法及优化器，增材制造方法 |
| CN109697522A (zh) * | 2017-10-20 | 2019-04-30 | 北京京东尚科信息技术有限公司 | 一种数据预测的方法和装置 |
| CN110378503A (zh) * | 2018-11-21 | 2019-10-25 | 天津京东深拓机器人科技有限公司 | 预测多层穿梭货架生产能力的方法和装置 |
| CN111008749A (zh) * | 2019-12-19 | 2020-04-14 | 北京顺丰同城科技有限公司 | 一种需求预测的方法及装置 |
| JP2020068029A (ja) * | 2018-10-19 | 2020-04-30 | Ｊｆｅスチール株式会社 | 工場内ライン負荷予測モデル作成方法、工場内ライン負荷予測モデル、工場内ライン生産計画作成方法、工場内ライン負荷予測モデル作成プログラム、工場内ライン負荷予測モデル作成装置、及び工場内ライン生産計画作成装置 |
| CN111105151A (zh) * | 2019-12-10 | 2020-05-05 | 珠海格力电器股份有限公司 | 空调用料预测方法、系统和存储介质 |
| CN111401667A (zh) * | 2020-06-03 | 2020-07-10 | 广东电网有限责任公司东莞供电局 | 一种工厂的用电调度方法、装置、计算机设备和存储介质 |
| CN111861050A (zh) * | 2019-04-25 | 2020-10-30 | 鸿富锦精密电子(天津)有限公司 | 生产制程管控装置、方法及计算机可读存储介质 |
| CN112163248A (zh) * | 2020-10-12 | 2021-01-01 | 重庆大学 | 一种基于规则的工艺过程资源环境负荷数据规范化方法 |
| CN112462720A (zh) * | 2020-12-05 | 2021-03-09 | 宜昌湖蓝科技开发有限公司 | 一种服装工装大规模及定制生产的工艺模块标准化系统 |
| CN112580841A (zh) * | 2019-09-29 | 2021-03-30 | 北京国双科技有限公司 | 一种生产排程方法、装置、电子设备及存储介质 |
| CN112785111A (zh) * | 2019-11-11 | 2021-05-11 | 北京京邦达贸易有限公司 | 生产效率预测方法、装置、存储介质与电子设备 |
| CN113673885A (zh) * | 2021-08-25 | 2021-11-19 | 浙江中控技术股份有限公司 | 一种确定排产计划的方法及系统 |
-
2016
- 2016-08-10 CN CN201610651524.6A patent/CN106295995A/zh active Pending
Non-Patent Citations (4)
| Title |
|---|
| 卞建鹏，等；: "应用弱化缓冲算子与最小二乘支持向量机的变压器油中溶解气体浓度预测", 《电网技术》 * |
| 张海波，等；: "回采生产计划决策支持系统的产量预测模型", 《金属矿山》 * |
| 徐晓瑾，: "数据挖掘在生产调度系统中的研究与应用", 《中国优秀博硕士学位论文全文数据库（硕士）信息科技辑（季刊）》 * |
| 郭少飞，: "基于模糊综合评判和支持向量回归的变压器状态评估方法", 《中国优秀硕士学位论文全文数据库工程科技II辑（月刊）》 * |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109501271A (zh) * | 2017-09-14 | 2019-03-22 | 通用电气公司 | 增材制造工艺计划的优化方法及优化器，增材制造方法 |
| US11106192B2 (en) | 2017-09-14 | 2021-08-31 | General Electric Company | Additive manufacturing process plan optimization based on predicted temperature variation |
| CN109697522B (zh) * | 2017-10-20 | 2021-07-09 | 北京京东尚科信息技术有限公司 | 一种数据预测的方法和装置 |
| CN109697522A (zh) * | 2017-10-20 | 2019-04-30 | 北京京东尚科信息技术有限公司 | 一种数据预测的方法和装置 |
| CN108596457A (zh) * | 2018-04-12 | 2018-09-28 | 中国石油大学(北京) | 管道输运的调度方法和装置 |
| CN108734411A (zh) * | 2018-05-28 | 2018-11-02 | 英特尔产品（成都）有限公司 | 用于产能警示的方法和装置 |
| CN109272141A (zh) * | 2018-08-14 | 2019-01-25 | 国网江西省电力物资有限公司 | 一种电力物资计划智能申报方法及平台 |
| JP7040506B2 (ja) | 2018-10-19 | 2022-03-23 | Ｊｆｅスチール株式会社 | 工場内ライン負荷予測モデル作成方法、工場内ライン負荷予測モデル、工場内ライン生産計画作成方法、工場内ライン負荷予測モデル作成プログラム、工場内ライン負荷予測モデル作成装置、及び工場内ライン生産計画作成装置 |
| JP2020068029A (ja) * | 2018-10-19 | 2020-04-30 | Ｊｆｅスチール株式会社 | 工場内ライン負荷予測モデル作成方法、工場内ライン負荷予測モデル、工場内ライン生産計画作成方法、工場内ライン負荷予測モデル作成プログラム、工場内ライン負荷予測モデル作成装置、及び工場内ライン生産計画作成装置 |
| CN110378503A (zh) * | 2018-11-21 | 2019-10-25 | 天津京东深拓机器人科技有限公司 | 预测多层穿梭货架生产能力的方法和装置 |
| CN110378503B (zh) * | 2018-11-21 | 2022-06-07 | 北京京东乾石科技有限公司 | 预测多层穿梭货架生产能力的方法和装置 |
| CN111861050A (zh) * | 2019-04-25 | 2020-10-30 | 鸿富锦精密电子(天津)有限公司 | 生产制程管控装置、方法及计算机可读存储介质 |
| CN111861050B (zh) * | 2019-04-25 | 2024-02-20 | 富联精密电子(天津)有限公司 | 生产制程管控装置、方法及计算机可读存储介质 |
| CN112580841A (zh) * | 2019-09-29 | 2021-03-30 | 北京国双科技有限公司 | 一种生产排程方法、装置、电子设备及存储介质 |
| CN112785111A (zh) * | 2019-11-11 | 2021-05-11 | 北京京邦达贸易有限公司 | 生产效率预测方法、装置、存储介质与电子设备 |
| CN111105151A (zh) * | 2019-12-10 | 2020-05-05 | 珠海格力电器股份有限公司 | 空调用料预测方法、系统和存储介质 |
| CN111105151B (zh) * | 2019-12-10 | 2022-05-20 | 珠海格力电器股份有限公司 | 空调用料预测方法、系统和存储介质 |
| CN111008749A (zh) * | 2019-12-19 | 2020-04-14 | 北京顺丰同城科技有限公司 | 一种需求预测的方法及装置 |
| CN111401667A (zh) * | 2020-06-03 | 2020-07-10 | 广东电网有限责任公司东莞供电局 | 一种工厂的用电调度方法、装置、计算机设备和存储介质 |
| CN112163248A (zh) * | 2020-10-12 | 2021-01-01 | 重庆大学 | 一种基于规则的工艺过程资源环境负荷数据规范化方法 |
| CN112462720A (zh) * | 2020-12-05 | 2021-03-09 | 宜昌湖蓝科技开发有限公司 | 一种服装工装大规模及定制生产的工艺模块标准化系统 |
| CN113673885A (zh) * | 2021-08-25 | 2021-11-19 | 浙江中控技术股份有限公司 | 一种确定排产计划的方法及系统 |
| CN113673885B (zh) * | 2021-08-25 | 2024-05-14 | 浙江中控技术股份有限公司 | 一种确定排产计划的方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106295995A (zh) | 一种用于确定生产计划的数据分析方法与设备 | |
| Li et al. | A novel hybrid MCDM model for machine tool selection using fuzzy DEMATEL, entropy weighting and later defuzzification VIKOR | |
| CN107464025B (zh) | 基于大数据的供应链需求预测与智能决策方法 | |
| CN108647914A (zh) | 生产排程方法、装置、计算机设备和存储介质 | |
| CN115169818B (zh) | 一种基于数字化建模的技术工程测算方法及系统 | |
| Schmitt et al. | Self-optimising production systems | |
| Azimi et al. | Applying basic control theory principles to project control: Case study of off-site construction shops | |
| Schäfer et al. | Creating options while designing prototypes: value management in the automobile industry | |
| Coyle | The technical elements of the system dynamics approach | |
| Ungermann et al. | Data analytics for manufacturing systems–a data-driven approach for process optimization | |
| Wang et al. | Application and improvement of a system dynamics model to forecast the volume of containers | |
| Xue et al. | Relationships between engineering construction standards and economic growth in the construction industry: The case of China’s construction industry | |
| Rötzer et al. | Cost optimization of product families using solution spaces | |
| CN106056239A (zh) | 一种产品库存预测方法及装置 | |
| Pehrsson | Manufacturing management and decision support using simulation-based multi-objective optimisation | |
| Overbeck et al. | Continuous validation and updating for high accuracy of digital twins of production systems | |
| Khanzadi et al. | Finding optimum resource allocation to optimizing construction project Time/Cost through combination of artificial agents CPM and GA | |
| Parnianifard et al. | Robust simulation-optimization of dynamic-stochastic production/inventory control system under uncertainty using computational intelligence | |
| Ostadi et al. | A novel risk assessment approach using Monte Carlo simulation based on co-occurrence of risk factors: A case study of a petrochemical plant construction | |
| Charitopoulos | Uncertainty-aware integration of control with process operations and multi-parametric programming under global uncertainty | |
| Fujita | Deep Reinforcement Learning Approach for Maintenance Planning in a Flow-Shop Scheduling Problem | |
| Sambinelli et al. | Modeling and performance analysis of scrumban with test-driven development using discrete event and fuzzy logic | |
| Kangru et al. | Knowledge-Driven Based Performance Analysis of Robotic Manufacturing Cell for Design Improvement | |
| Tamas | Simulation investigational method for determining the performance characteristics of logistics systems | |
| Birkholzer et al. | A framework for systematic evaluation of process improvement priorities |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information |
Address after: Branch of Beijing economic and Technological Development Zone of Beijing City fourteen Street 100000 No. 99 building 33 D two storey building No. 2196 (central office) Applicant after: Manwei network technology (Beijing) Co., Ltd. Address before: 200233 Shanghai Road, Guiping, No. 391, building 2, room 22, floor 2204 Applicant before: Manwei network technology (Shanghai) Co., Ltd. |
|
| CB02 | Change of applicant information | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170104 |
|
| WD01 | Invention patent application deemed withdrawn after publication |