CN107065795A - 一种多品种小批量pcb板的自动投料方法及其系统 - Google Patents
一种多品种小批量pcb板的自动投料方法及其系统 Download PDFInfo
- Publication number
- CN107065795A CN107065795A CN201710188158.XA CN201710188158A CN107065795A CN 107065795 A CN107065795 A CN 107065795A CN 201710188158 A CN201710188158 A CN 201710188158A CN 107065795 A CN107065795 A CN 107065795A
- Authority
- CN
- China
- Prior art keywords
- scrappage
- model
- order
- prediction
- data
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000004519 manufacturing process Methods 0.000 claims abstract description 79
- 238000013499 data model Methods 0.000 claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000012216 screening Methods 0.000 claims abstract description 17
- 230000002159 abnormal effect Effects 0.000 claims abstract description 16
- 235000021050 feed intake Nutrition 0.000 claims abstract description 16
- 238000013461 design Methods 0.000 claims description 14
- 238000005516 engineering process Methods 0.000 claims description 14
- 238000004381 surface treatment Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000011835 investigation Methods 0.000 claims description 6
- 238000013139 quantization Methods 0.000 claims description 6
- 239000000463 material Substances 0.000 abstract description 15
- 230000000694 effects Effects 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- 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)
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
Abstract
本发明涉及一种多品种小批量PCB板的自动投料方法及其系统，该方法包括基于生产投料及报废数据和产品订单参数信息大数据，通过分析筛选关键影响因素，量化各因素变量数据，建立数据模型；将所述数据模型嵌入至ORACLE系统中，获取系统自动预测模型；运行模型程序，在已完成生成的系统自动预测模型，自动匹配计算订单的历史报废率，自动获取订单信息、余数数量及在线订单数量；基于订单信息和历史报废率，预测报废率；基于预测报废率，预测订单预投料的数量；核查预测报废率及订单预投料的数量是否存在异常数据，若不存在，释放生产。本发明实现消除人工投料经验差异性，提高投料稳定性，提高生产效率，提高准确率，促进自动化精益化生产。
Description
技术领域
本发明涉及印制电路板预投料生产技术领域，更具体地说是指一种多品种小批量PCB板的自动投料方法及其系统。
背景技术
针对多品种以及小批量的PCB板生产时，需要进行投料，现有的投料技术为人工查询订单信息、根据投料经验、参考生产历史记录，手动计算投料数量，其流程如下：人工查询ORACLE生产系统；导出销售订单信息；判断是否新单；若是新订单，则一般难度的参考其他类似产品的历史预投数量；难度大的询问工艺主管确定投料数量；难度更大的找出类似产品的历史记录，并通知研发工艺、品保人员跟进；按确定的预大(％)投料；若不是新订单，则包含返工单处理流程：核查余数；减除余数；调取MI信息查看订单难度；核查在线订单数量计算欠料数量；核查半年内增开与报废异常的数据；剔除异常报废项目影响；评估计算预大(％)投料；通知研发工艺品保人员跟进；按确定的预大(％)投料。以上方法执行时，要求投料人员每3天回顾前15天的投料记录，以发现不足，完善后续投料效果，增加经验。
但是，人工本身投料经验不同，对各订单的难度信息分析和理解能力不同，导致投料效果稳定性低，准确度差异大；并且，产品难度分级存在不明确性，对产品的难度等级无法量化，同一个订单不同的投料人员判定结果不同，波动性大不利于历史数据追溯参考；人工逐个计算订单预大投料数量，效率低；人工计算核查订单信息、余数数量、在线订单数量过程耗时，导致人力时间投入大，投料成本高；以上处理流程复杂冗长，综合投料效果为投料主观性强，波动性大，效率低，准确度有提升空间。
因此，有必要设计一种多品种小批量PCB板的自动投料方法，实现消除人工投料经验差异性，提高投料稳定性，提高生产效率，提高准确率，促进自动化精益化生产。
发明内容
本发明的目的在于克服现有技术的缺陷，提供一种多品种小批量PCB板的自动投料方法及其系统。
为实现上述目的，本发明采用以下技术方案：一种多品种小批量PCB板的自动投料方法，所述方法包括：
基于生产投料及报废数据和产品订单参数信息大数据，通过分析筛选关键变量，量化各关键变量，建立数据模型；
将所述数据模型嵌入至ORACLE系统中，获得系统自动预测模型；
运行系统自动预测模型程序，在已完成生成的系统自动预测模型中，自动匹配计算订单的历史报废率；
自动获取订单信息、余数数量以及在线订单数量；
基于所述订单信息和历史报废率，预测报废率；
基于所述预测报废率，预测订单预投料的数量；
核查所述预测报废率以及订单预投料的数量是否存在异常数据，若不存在异常数据，则释放生产。
其进一步技术方案为：基于生产投料及报废数据和产品订单参数信息大数据，通过分析筛选关键变量，量化各关键变量，建立数据模型的步骤，包括以下具体步骤：
查阅文献法，调查访问了解PCB板生产中的工艺流程、技术特点和重点报废项目信息，设计预测报废量计量模型；
获取各项可能的有效信息指标的参数，基于数据显著性、稳定性和符合公司生产实际的三个原则筛选出关键变量；
分析和量化所述指标，建立所述数据模型。
其进一步技术方案为：基于所述订单信息和历史报废率，预测报废率的步骤，所述预测报废率基于历史报废率取值。
其进一步技术方案为：基于所述订单信息和历史报废率，预测报废率的步骤，包括以下具体步骤：
通过在系统自动预测模型中匹配订单生产型号前一位至九位数字；
根据BFLi,t＝Ordi,tα+Coni,tβ+Peri,tγ+μi,t，计算预测报废率，其中，BFL为报废率；i表示型号t表示时间；Ord为订单变量；Con为技术变量，Per为人员变量。
其进一步技术方案为：通过在系统自动预测模型中匹配订单生产型号前一位至九位数字的步骤，包括以下具体步骤：
判断所述订单是否是新订单，若所述订单不是新订单，则以生产型号前六位为准则，计算历史报废率，若所述订单是新订单，则当所述订单为生产普通板的订单时，依次比照工序数、表面处理以及层数相同的订单，直至获取订单历史报废率，当所述订单为生产HDI的订单时，则依次比照工序数、表面处理、阶数以及层数相同的订单，直至获取订单历史报废率；
根据订单的类型，获取历史报废率的计算公式：其中bfmjint：i个型号的历史报废率；bfmjint：第i个型号第n个订单的报废面积；klmjint表示第i个型号第n个订单的开料面积；Nt表示模型的基础数据至开料日期t已生产的第i型号订单总数量。
其进一步技术方案为：基于所述预测报废率，预测订单预投料的数量的步骤，包括以下具体步骤：
根据预测报废率，预测开投料的零件pieces数，对零件pieces数进行向上取整；
根据预测的零件pieces数及拼板方式，预测投料的set数，对set数进行向上取整；
根据预测set数及拼板方式，预测投料的panel面板数量，对panel面板数量进行向上取整；
根据预测的开料panel面板数量及拼板方式，预测实际开料的零件pieces数；
根据开料pieces数与订单的零件pieces数对比，获取预大率；
其中，拼板方式为：一个面板panel＝N个set；1个出货单元set＝M个pieces产品单元，则一个panel＝N*M个pieces。
其进一步技术方案为：
系统自动预测模型预测投料的零件pieces数＝预测开料的panel面板数量×每个面板的件数；
本发明还提供了一种多品种小批量PCB板的自动投料系统，包括模型建立单元、模型获取单元、匹配计算单元、信息获取单元、报废率预测单元、预投料预测单元以及异常判断单元；
所述模型建立单元，用于基于生产投料及报废数据和产品订单参数信息大数据，通过分析筛选关键变量，量化各关键变量，建立数据模型；
所述模型获取单元，用于将所述数据模型嵌入至ORACLE系统中，获取系统自动预测模型；
所述匹配计算单元，用于运行系统自动预测模型程序，在已完成生成的系统自动预测模型中，自动匹配计算订单的历史报废率；
所述信息获取单元，用于自动获取订单信息、余数数量以及在线订单数量；
所述报废率预测单元，用于基于所述订单信息和历史报废率，预测报废率；
所述预投料预测单元，用于基于所述预测报废率，预测订单预投料的数量；
所述异常判断单元，用于核查所述预测报废率以及订单预投料的数量是否存在异常数据，若不存在异常数据，则释放生产。
其进一步技术方案为：所述模型建立单元包括设计模块、筛选模块以及分析量化模块；
所述设计模块，用于查阅文献法，调查访问了解PCB板生产中的工艺流程、技术特点和重点报废项目信息，设计预测报废量计量模型；
所述筛选模块，用于获取各项可能的有效信息指标的参数，基于数据显著性、稳定性和符合公司生产实际的三个原则筛选出关键变量；
所述分析量化模块，用于分析和量化所述指标，建立所述数据模型。
其进一步技术方案为：所述报废率预测单元包括获取数字模块以及计算报废率模块；
所述获取数字模块，用于通过在系统自动预测模型中匹配订单生产型号前一位至九位数字；
所述计算报废率模块，用于根据BFLi,t＝Ordi,tα+Coni,tβ+Peri,tγ+μi,t，计算预测报废率，其中，BFL为报废率；i表示型号t表示时间；Ord为订单变量；Con为技术变量，Per为人员变量。
本发明与现有技术相比的有益效果是：本发明的一种多品种小批量PCB板的自动投料方法，通过建立数据模型，将数据模型嵌入到ORACLE系统中，获取系统自动预测模型，有订单时，可以实现一键预测，在系统自动预测模型内预测报废率，结合预测报废率以及系统自动预测模型，预测开料数量以及预大率，全自动投料，实现消除人工投料经验差异性，提高投料稳定性，提高生产效率，提高准确率，促进自动化精益化生产，形成投料生产记录数据库，完善了数据可追溯性，有利于后期的投料模型的分析和进一步完善，精准投料降低了PCB生产中预大率、补投率和余数入库率，节约了材料浪费和时间等生产成本，间接为公司实现收益，改善了PCB的准时交货率，提高了公司的生产信誉和客户认可度，有利于后期订单增长和客户扩展。
下面结合附图和具体实施例对本发明作进一步描述。
附图说明
图1为本发明具体实施例提供的一种多品种小批量PCB板的自动投料方法的流程图；
图2为本发明具体实施例提供的建立数据模型的具体流程图；
图3为本发明具体实施例提供的预测报废率的具体流程图；
图4为本发明具体实施例提供的通过在系统自动预测模型中匹配订单生产型号前一位至九位数字获取的具体流程图；
图5为本发明具体实施例提供的预测订单预投料的数量的具体流程图；
图6为本发明具体实施例提供的一种多品种小批量PCB板的自动投料系统的结构框图；
图7为本发明具体实施例提供的模型建立单元的结构框图；
图8为本发明具体实施例提供的报废率预测单元的结构框图；
图9为本发明具体实施例提供的数字获取模块的结构框图；
图10为本发明具体实施例提供的预投料预测单元的结构框图；
图11为本发明具体实施例提供的普通板板预测报废率的变量参数表；
图12为本发明具体实施例提供的预测报废率表达式的变量参数表。
具体实施方式
为了更充分理解本发明的技术内容，下面结合具体实施例对本发明的技术方案进一步介绍和说明，但不局限于此。
如图1～12所示的具体实施例，本实施例提供的一种多品种小批量PCB板的自动投料方法，可以运用在多品种小批量印制电路板预投料精益生产制作过程中，实现消除人工投料经验差异性，提高投料稳定性，提高生产效率，提高准确率，促进自动化精益化生产。
本实施例提供的一种多品种小批量PCB板的自动投料方法，该方法包括：
S1、基于生产投料及报废数据和产品订单参数信息大数据，通过分析筛选关键变量，量化各关键变量，建立数据模型；
S2、将所述数据模型嵌入至ORACLE系统中，获取系统自动预测模型；
S3、运行系统自动预测模型程序，在已完成生成的系统自动预测模型中，自动匹配计算订单的历史报废率；
S4、自动获取订单信息、余数数量以及在线订单数量；
S5、基于所述订单信息和历史报废率，预测报废率；
S6、基于所述预测报废率，预测订单预投料的数量；
S7、核查所述预测报废率以及订单预投料的数量是否存在异常数据，若不存在异常数据，则释放生产。
对于上述的S1步骤，基于生产投料及报废数据和产品订单参数信息大数据，通过分析筛选关键变量，量化各关键变量，建立数据模型的步骤，包括以下具体步骤：
S11、查阅文献法，调查访问了解PCB板生产中的工艺流程、技术特点和重点报废项目信息，设计预测报废量计量模型；
S12、获取各项可能的有效信息指标的参数，基于数据显著性、稳定性和符合公司生产实际的三个原则筛选出关键变量；
S13、分析和量化所述指标，建立所述数据模型。
上述的S11步骤，报废率＝f(X)+μi(x)其中，X为有效信息指标包含历史报废率、订单难度信息如工序数、层数、特殊工序等；x随机因素包含无法预测的干扰因素如设备坏机、突然断电、材料品质等。
对于S12步骤，上述的关键变量包括层数、工艺类别、特殊工序等。
另外，对于上述的S2步骤，将所述数据模型嵌入至ORACLE系统中，获取系统自动预测模型，这样当销售订单上线、系统导入销售订单后，选择订单，点击预测按钮，该系统自动预测模型会自动进行预测报废率，获取所选订单各自的预投料数量。通过系统自动预测模型，优化操作界面，可以实现一键预测，自动预测订单预投料的数量以及预大率，批量转工单，以实现PCB板生产的自动预大投料自动化，形成投料生产记录系统自动预测模型，完善了数据可追溯性，有利于后期的投料模型的分析和进一步完善；精准投料降低了PCB生产中预大率、补投率和余数入库率，节约了材料浪费和时间等生产成本，间接为公司实现收益；精准投料改善了PCB的准时交货率，提高了公司的生产信誉和客户认可度，有利于后期订单增长和客户扩展。
上述的S1步骤以及S2步骤均在首次使用时进行，即未建立系统自动预测模型时进行，若当前已建立系统自动预测模型，则可以选择不进行S1步骤以及S2步骤，也可以进行。
上述的S4步骤，自动获取订单信息、余数数量以及在线订单数量，以作为系统自动预测模型预测报废率、预测订单预投料的数量以及预大率的基础数据，显著提高了工作效率。
对于S5步骤，基于所述订单信息和历史报废率，预测报废率的步骤，所述预测报废率基于历史报废率取值。该步骤包括以下具体步骤：
S51、通过在系统自动预测模型中匹配订单生产型号前一位至九位数字；
S52、根据BFLi,t＝Ordi,tα+Coni,tβ+Peri,tγ+μi,t，计算预测报废率，其中，BFL为报废率；i表示型号t表示时间；Ord为订单变量；Con为技术变量，Per为人员变量。
对于S51步骤，包括以下具体步骤：
S511、判断所述订单是否是新订单，若所述订单不是新订单，则以生产型号前六位为准则，计算历史报废率，若所述订单是新订单，则当所述订单为生产普通板的订单时，依次比照工序数、表面处理以及层数相同的订单，直至获取订单历史报废率，当所述订单为生产HDI的订单时，则依次比照工序数、表面处理、阶数以及层数相同的订单，直至获取订单历史报废率；
S512、根据订单的类型，获取历史报废率的计算公式：其中bfmjint：i个型号的历史报废率；bfmjint：第i个型号第n个订单的报废面积；klmjint表示第i个型号第n个订单的开料面积；Nt表示模型的基础数据至开料日期t已生产的第i型号订单总数量。
上述的S511步骤，历史报废率包括复无改单、复有改单以及新单三种情况，当订单为复无改单或复有改单时，无论是制作HDI板还是普通板，都是以生产型号前六位为准则，计算历史报废率，且按照S412步骤的计算公式计算。
另外，对于S52步骤，普通板预测报废率公式：
bflf＝160.49-0.0451×ddmj+0.8212×setpcs+13.0997×dymi+0.167×gxs
+0.1128×cs+0.9764×bhs+0.6467×tsgxs+0.4047×nation2+0.1741×class3
-0.2979×setbf-0.42×bmclc-3.5889×bmcle+11.1547×bmclf-5.5458×bmclt
-4.648×bmcls-4.6479×bmclh-4.1262×bmcll+11.8012×lsl+0.3469×bflm。
上述的变量参数如图11所示。
对于HDI预测报废率公式：因HDI订单样本量过少，系统自动预测模型合并了部分表面处理方式：
bmclhl＝bmclh+bmcll；bmclst＝bmcls+bmclt；bmclcf＝bmclc+bmclf；
对于预测报废率表达式如下：
bflf＝3.9296-0.0418×ddmj+0.1828×setpcs+0.1566×gxs+0.3863×cs
+119.2628×bmclf-4.271×bmclt+2.7588×bmclhl+1.142×plus+57.0231×lsl
+0.2671×bflm。
上述的变量参数如图12所示。
更进一步的，上述的S6步骤，基于所述预测报废率，预测订单预投料的数量的步骤，包括以下具体步骤：
S61、根据预测报废率，预测开投料的零件pieces数，对零件pieces数进行向上取整；
S62、根据预测的零件pieces数及拼板方式，预测投料的set数，对set数进行向上取整；
S63、根据预测set数及拼板方式，预测投料的panel面板数量，对panel面板数量进行向上取整；
S64、根据预测的开料panel面板数量及拼板方式，预测实际开料的零件pieces数；
S65、根据开料pieces数与订单的零件pieces数对比，获取预大率。
其中，拼板方式为：一个面板panel＝N个set；1个出货单元set＝M个pieces产品单元，则一个panel＝N*M个pieces。
对于S61步骤，
对于S62步骤，
对于S63步骤，
对于S64步骤，
系统自动预测模型预测投料的零件pieces数＝预测开料的panel面板数量×每个面板的件数；
对于S65步骤，
因开料只能以完整的面板计数，而预测的零件个数不一定刚好是整面板数，故需要将初始预算的转换面板数，然后再换成零件个数进行投料。
上述的一种多品种小批量PCB板的自动投料方法，通过建立数据模型，将数据模型嵌入到ORACLE系统中，获取系统自动预测模型，有订单时，可以实现一键预测，在系统自动预测模型内预测报废率，结合预测报废率以及系统自动预测模型，预测开料数量以及预大率，全自动投料，实现消除人工投料经验差异性，提高投料稳定性，提高生产效率，提高准确率，促进自动化精益化生产，形成投料生产记录数据库，完善了数据可追溯性，有利于后期的投料模型的分析和进一步完善，精准投料降低了PCB生产中预大率、补投率和余数入库率，节约了材料浪费和时间等生产成本，间接为公司实现收益，改善了PCB的准时交货率，提高了公司的生产信誉和客户认可度，有利于后期订单增长和客户扩展。
如图6所示，本实施例还提供了一种多品种小批量PCB板的自动投料系统，其特征在于，包括模型建立单元1、模型获取单元2、匹配计算单元7、信息获取单元3、报废率预测单元4、预投料预测单元5以及异常判断单元6。
模型建立单元1，用于基于生产投料及报废数据和产品订单参数信息大数据，通过分析筛选关键变量，量化各关键变量，建立数据模型。
模型获取单元2，用于将所述数据模型嵌入至ORACLE系统中，获取系统自动预测模型。
匹配计算单元7，用于运行系统自动预测模型程序，在已完成生成的系统自动预测模型中，自动匹配计算订单的历史报废率。
信息获取单元3，用于自动获取订单信息、余数数量以及在线订单数量。
报废率预测单元4，用于基于所述订单信息和历史报废率，预测报废率。
预投料预测单元5，用于基于所述预测报废率，预测订单预投料的数量。
异常判断单元6，用于核查所述预测报废率以及订单预投料的数量是否存在异常数据，若不存在异常数据，则释放生产。
对于上述的模型建立单元1包括设计模块11、筛选模块12以及分析量化模块13。
设计模块11，用于查阅文献法，调查访问了解PCB板生产中的工艺流程、技术特点和重点报废项目信息，设计预测报废量计量模型。
筛选模块12，用于获取各项可能的有效信息指标的参数，基于数据显著性、稳定性和符合公司生产实际的三个原则筛选出关键变量。
分析量化模块13，用于分析和量化所述指标，建立所述数据模型。
设计模型在设计预测报废量计量模型时，报废率＝f(X)+μi(x)其中，X为有效信息指标包含历史报废率、订单难度信息如工序数、层数、特殊工序等；x随机因素包含无法预测的干扰因素如设备坏机、突然断电、材料品质等。
筛选模块12主要是筛选出层数、工艺类别、特殊工序等关键变量。
当销售订单上线、系统导入销售订单后，选择订单，点击预测按钮，该模型获取单元2所获取的系统自动预测模型会自动进行预测报废率，获取所选订单各自的预投料数量。通过系统自动预测模型，优化操作界面，可以实现一键预测，自动预测订单预投料的数量以及预大率，批量转工单，以实现PCB板生产的自动预大投料自动化。
更进一步的，报废率预测单元4包括获取数字模块41以及计算报废率模块42。
获取数字模块41，用于通过在系统自动预测模型中匹配订单生产型号前一位至九位数字。
计算报废率模块42，用于根据BFLi,t＝Ordi,tα+Coni,tβ+Peri,tγ+μi,t，计算预测报废率，其中，BFL为报废率；i表示型号t表示时间；Ord为订单变量；Con为技术变量，Per为人员变量。
另外，获取数字模块41还包括判断子模块411以及获取子模块412。
判断子模块411，用于判断所述订单是否是新订单，若所述订单不是新订单，则以生产型号前六位为准则，计算历史报废率，若所述订单是新订单，则当所述订单为生产普通板的订单时，依次比照工序数、表面处理以及层数相同的订单，直至获取订单历史报废率，当所述订单为生产HDI的订单时，则依次比照工序数、表面处理、阶数以及层数相同的订单，直至获取订单历史报废率。
获取子模块412，用于根据订单的类型，获取历史报废率的计算公式：其中bfmjint：i个型号的历史报废率；bfmjint：第i个型号第n个订单的报废面积；klmjint表示第i个型号第n个订单的开料面积；Nt表示模型的基础数据至开料日期t已生产的第i型号订单总数量。
上述的判断子模块411判断时，历史报废率包括复无改单、复有改单以及新单三种情况，当订单为复无改单或复有改单时，无论是制作HDI板还是普通板，都是以生产型号前六位为准则，计算历史报废率，且按照S412步骤的计算公式计算。
获取子模块412获取历史报废率时，分两种情况：普通板预测报废率公式：
上述的变量参数如图11所示。
对于HDI预测报废率公式：因HDI订单样本量过少，系统自动预测模型合并了部分表面处理方式：
bmclhl＝bmclh+bmcll；bmclst＝bmcls+bmclt；bmclcf＝bmclc+bmclf；
对于预测报废率表达式如下：
上述的变量参数如图12所示。
更进一步的，上述的预投料预测单元5包括零件个数获取模块51、出货数量获取模块52、面板数量获取模块53、零件个数预测模块54以及预大率获取模块55。
零件个数获取模块51，用于根据预测报废率，预测开投料的零件pieces数，对零件pieces数进行向上取整。
出货数量获取模块52，用于根据预测的零件pieces数及拼板方式，预测投料的set数，对set数进行向上取整。
面板数量获取模块53，用于根据预测set数及拼板方式，预测投料的panel面板数量，对panel面板数量进行向上取整。
零件个数预测模块54，用于根据预测的开料panel面板数量及拼板方式，预测实际开料的零件pieces数。
预大率获取模块55，用于根据开料pieces数与订单的零件pieces数对比，获取预大率。
其中，拼板方式为：一个面板panel＝N个set；1个出货单元set＝M个pieces产品单元，则一个panel＝N*M个pieces。
上述的一种多品种小批量PCB板的自动投料系统，通过模型建立单元1建立数据模型，模型获取单元2将数据模型嵌入到ORACLE系统中，获取系统自动预测模型，有订单时，可以实现一键预测，在系统自动预测模型内预测报废率，结合预测报废率以及系统自动预测模型，预测开料数量以及预大率，全自动投料，实现消除人工投料经验差异性，提高投料稳定性，提高生产效率，提高准确率，促进自动化精益化生产，形成投料生产记录系统自动预测模型，完善了数据可追溯性，有利于后期的投料模型的分析和进一步完善，精准投料降低了PCB生产中预大率、补投率和余数入库率，节约了材料浪费和时间等生产成本，间接为公司实现收益，改善了PCB的准时交货率，提高了公司的生产信誉和客户认可度，有利于后期订单增长和客户扩展。
上述仅以实施例来进一步说明本发明的技术内容，以便于读者更容易理解，但不代表本发明的实施方式仅限于此，任何依本发明所做的技术延伸或再创造，均受本发明的保护。本发明的保护范围以权利要求书为准。
Claims (10)
1.一种多品种小批量PCB板的自动投料方法，其特征在于，所述方法包括：
基于生产投料及报废数据和产品订单参数信息大数据，通过分析筛选关键变量，量化各关键变量，建立数据模型；
将所述数据模型嵌入至ORACLE系统中，获得系统自动预测模型；
运行系统自动预测模型程序，在已完成生成的系统自动预测模型中，自动匹配计算订单的历史报废率；
自动获取订单信息、余数数量以及在线订单数量；
基于所述订单信息和历史报废率，预测报废率；
基于所述预测报废率，预测订单预投料的数量；
核查所述预测报废率以及订单预投料的数量是否存在异常数据，若不存在异常数据，则释放生产。
2.根据权利要求1所述的一种多品种小批量PCB板的自动投料方法，其特征在于，基于生产投料及报废数据和产品订单参数信息大数据，通过分析筛选关键变量，量化各关键变量，建立数据模型的步骤，包括以下具体步骤：
查阅文献法，调查访问了解PCB板生产中的工艺流程、技术特点和重点报废项目信息，设计预测报废量计量模型；
获取各项可能的有效信息指标的参数，基于数据显著性、稳定性和符合公司生产实际的三个原则筛选出关键变量；
分析和量化所述指标，建立所述数据模型。
3.根据权利要求1所述的一种多品种小批量PCB板的自动投料方法，其特征在于，基于所述订单信息和历史报废率，预测报废率的步骤，所述预测报废率基于历史报废率取值。
4.根据权利要求3所述的一种多品种小批量PCB板的自动投料方法，其特征在于，基于所述订单信息和历史报废率，预测报废率的步骤，包括以下具体步骤：
通过在系统自动预测模型中匹配订单生产型号前一位至九位数字；
根据BFLi,t＝Ordi,tα+Coni,tβ+Peri,tγ+μi,t，计算预测报废率，其中，BFL为报废率；i表示型号t表示时间；Ord为订单变量；Con为技术变量，Per为人员变量。
5.根据权利要求1所述的一种多品种小批量PCB板的自动投料方法，其特征在于，通过在系统自动预测模型中匹配订单生产型号前一位至九位数字的步骤，包括以下具体步骤：
判断所述订单是否是新订单，若所述订单不是新订单，则以生产型号前六位为准则，计算历史报废率，若所述订单是新订单，则当所述订单为生产普通板的订单时，依次比照工序数、表面处理以及层数相同的订单，直至获取订单历史报废率，当所述订单为生产HDI的订单时，则依次比照工序数、表面处理、阶数以及层数相同的订单，直至获取订单历史报废率；
根据订单的类型，获取历史报废率的计算公式：其中bfmjint：i个型号的历史报废率；bfmjint：第i个型号第n个订单的报废面积；klmjint表示第i个型号第n个订单的开料面积；Nt表示模型的基础数据至开料日期t已生产的第i型号订单总数量。
6.根据权利要求1所述的一种多品种小批量PCB板的自动投料方法，其特征在于，基于所述预测报废率，预测订单预投料的数量的步骤，包括以下具体步骤：
根据预测报废率，预测开投料的零件pieces数，对零件pieces数进行向上取整；
根据预测的零件pieces数及拼板方式，预测投料的set数，对set数进行向上取整；
根据预测set数及拼板方式，预测投料的panel面板数量，对panel面板数量进行向上取整；
根据预测的开料panel面板数量及拼板方式，预测实际开料的零件pieces数；
根据开料pieces数与订单的零件pieces数对比，获取预大率；
其中，拼板方式为：一个面板panel＝N个set；1个出货单元set＝M个pieces产品单元，则一个panel＝N*M个pieces。
7.根据权利要求6所述的一种多品种小批量PCB板的自动投料方法，其特征在于，
系统自动预测模型预测投料的零件pieces数＝预测开料的panel面板数量×每个面板的件数；
8.一种多品种小批量PCB板的自动投料系统，其特征在于，包括模型建立单元、模型获取单元、匹配计算单元、信息获取单元、报废率预测单元、预投料预测单元以及异常判断单元；
所述模型建立单元，用于基于生产投料及报废数据和产品订单参数信息大数据，通过分析筛选关键变量，量化各关键变量，建立数据模型；
所述模型获取单元，用于将所述数据模型嵌入至ORACLE系统中，获取系统自动预测模型；
所述匹配计算单元，用于运行系统自动预测模型程序，在已完成生成的系统自动预测模型中，自动匹配计算订单的历史报废率；
所述信息获取单元，用于自动获取订单信息、余数数量以及在线订单数量；
所述报废率预测单元，用于基于所述订单信息和历史报废率，预测报废率；
所述预投料预测单元，用于基于所述预测报废率，预测订单预投料的数量；
所述异常判断单元，用于核查所述预测报废率以及订单预投料的数量是否存在异常数据，若不存在异常数据，则释放生产。
9.根据权利要求8所述的一种多品种小批量PCB板的自动投料系统，其特征在于，所述模型建立单元包括设计模块、筛选模块以及分析量化模块；
所述设计模块，用于查阅文献法，调查访问了解PCB板生产中的工艺流程、技术特点和重点报废项目信息，设计预测报废量计量模型；
所述筛选模块，用于获取各项可能的有效信息指标的参数，基于数据显著性、稳定性和符合公司生产实际的三个原则筛选出关键变量；
所述分析量化模块，用于分析和量化所述指标，建立所述数据模型。
10.根据权利要求9所述的一种多品种小批量PCB板的自动投料系统，其特征在于，所述报废率预测单元包括获取数字模块以及计算报废率模块；
所述获取数字模块，用于通过在系统自动预测模型中匹配订单生产型号前一位至九位数字；
所述计算报废率模块，用于根据BFLi,t＝Ordi,tα+Coni,tβ+Peri,tγ+μi,t，计算预测报废率，其中，BFL为报废率；i表示型号t表示时间；Ord为订单变量；Con为技术变量，Per为人员变量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710188158.XA CN107065795B (zh) | 2017-03-27 | 2017-03-27 | 一种多品种小批量pcb板的自动投料方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710188158.XA CN107065795B (zh) | 2017-03-27 | 2017-03-27 | 一种多品种小批量pcb板的自动投料方法及其系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107065795A true CN107065795A (zh) | 2017-08-18 |
| CN107065795B CN107065795B (zh) | 2019-08-16 |
Family
ID=59620352
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710188158.XA Active CN107065795B (zh) | 2017-03-27 | 2017-03-27 | 一种多品种小批量pcb板的自动投料方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107065795B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108416470A (zh) * | 2018-02-11 | 2018-08-17 | 广州兴森快捷电路科技有限公司 | 线路板的良品率预测方法 |
| WO2019000892A1 (zh) * | 2017-06-29 | 2019-01-03 | 广州兴森快捷电路科技有限公司 | Pcb订单报废率预测方法和装置 |
| CN109815609A (zh) * | 2019-01-31 | 2019-05-28 | 生益电子股份有限公司 | 一种阻抗大数据自动分析及优化方法及系统 |
| CN109871978A (zh) * | 2018-12-28 | 2019-06-11 | 广州兴森快捷电路科技有限公司 | 一种pcb订单合格率预测方法、装置及可读存储介质 |
| CN110032154A (zh) * | 2019-03-29 | 2019-07-19 | 中车青岛四方机车车辆股份有限公司 | 一种小批量产品的生产控制方法及系统 |
| CN114170038A (zh) * | 2022-02-11 | 2022-03-11 | 杭州杰牌传动科技有限公司 | 适应传动系统离散制造需求的供应链调配系统及其方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001337712A (ja) * | 2000-05-26 | 2001-12-07 | Matsushita Electric Ind Co Ltd | プリント基板実装工程の生産順序計画作成方法および装置 |
| US6711456B2 (en) * | 2001-06-07 | 2004-03-23 | Matsushita Electric Industrial Co., Ltd | NC data management apparatus and method |
| CN102023573A (zh) * | 2010-12-10 | 2011-04-20 | 北京化工大学 | 半导体生产线投料控制方法 |
| CN103676881A (zh) * | 2013-12-16 | 2014-03-26 | 北京化工大学 | 一种半导体生产线动态瓶颈分析方法 |
| CN205049957U (zh) * | 2015-09-24 | 2016-02-24 | 淮南联合大学 | 一种基于Petri网的自动生产线 |
-
2017
- 2017-03-27 CN CN201710188158.XA patent/CN107065795B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001337712A (ja) * | 2000-05-26 | 2001-12-07 | Matsushita Electric Ind Co Ltd | プリント基板実装工程の生産順序計画作成方法および装置 |
| US6711456B2 (en) * | 2001-06-07 | 2004-03-23 | Matsushita Electric Industrial Co., Ltd | NC data management apparatus and method |
| CN102023573A (zh) * | 2010-12-10 | 2011-04-20 | 北京化工大学 | 半导体生产线投料控制方法 |
| CN103676881A (zh) * | 2013-12-16 | 2014-03-26 | 北京化工大学 | 一种半导体生产线动态瓶颈分析方法 |
| CN205049957U (zh) * | 2015-09-24 | 2016-02-24 | 淮南联合大学 | 一种基于Petri网的自动生产线 |
Non-Patent Citations (1)
| Title |
|---|
| 刘东 等: "利用数学模型实现精准预投料的研究", 《2012秋季国际PCB技术/信息论坛》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019000892A1 (zh) * | 2017-06-29 | 2019-01-03 | 广州兴森快捷电路科技有限公司 | Pcb订单报废率预测方法和装置 |
| CN108416470A (zh) * | 2018-02-11 | 2018-08-17 | 广州兴森快捷电路科技有限公司 | 线路板的良品率预测方法 |
| CN108416470B (zh) * | 2018-02-11 | 2020-11-17 | 广州兴森快捷电路科技有限公司 | 线路板的良品率预测方法 |
| CN109871978A (zh) * | 2018-12-28 | 2019-06-11 | 广州兴森快捷电路科技有限公司 | 一种pcb订单合格率预测方法、装置及可读存储介质 |
| CN109871978B (zh) * | 2018-12-28 | 2023-07-18 | 广州兴森快捷电路科技有限公司 | 一种pcb订单合格率预测方法、装置及可读存储介质 |
| CN109815609A (zh) * | 2019-01-31 | 2019-05-28 | 生益电子股份有限公司 | 一种阻抗大数据自动分析及优化方法及系统 |
| CN110032154A (zh) * | 2019-03-29 | 2019-07-19 | 中车青岛四方机车车辆股份有限公司 | 一种小批量产品的生产控制方法及系统 |
| CN110032154B (zh) * | 2019-03-29 | 2020-10-27 | 中车青岛四方机车车辆股份有限公司 | 一种小批量产品的生产控制方法及系统 |
| CN110032154B8 (zh) * | 2019-03-29 | 2021-01-19 | 中车青岛四方机车车辆股份有限公司 | 一种小批量产品的生产控制方法及系统 |
| CN114170038A (zh) * | 2022-02-11 | 2022-03-11 | 杭州杰牌传动科技有限公司 | 适应传动系统离散制造需求的供应链调配系统及其方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107065795B (zh) | 2019-08-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107065795A (zh) | 一种多品种小批量pcb板的自动投料方法及其系统 | |
| CN108335041B (zh) | 一种企业数据化绩效考核的控制系统 | |
| CN110310134B (zh) | 一种基于编码信息关联的定制家具管理追溯方法 | |
| Telles et al. | Drum-buffer-rope in an engineering-to-order system: An analysis of an aerospace manufacturer using data envelopment analysis (DEA) | |
| CN109934424B (zh) | 一种刀具寿命预测方法及智能刀具管理系统 | |
| McLaughlin et al. | Cellular manufacturing applications in MRO operations | |
| Dorner et al. | A novel technology-industry concordance table based on linked inventor-establishment data | |
| CN112508314A (zh) | 维吾尔药品的制造执行系统 | |
| CN117689254A (zh) | 良率以及处理建议产生系统以及产生方法 | |
| CN116823026B (zh) | 一种基于区块链的工程数据处理系统及方法 | |
| CN115269570A (zh) | 一种基于零缺陷工程大数据的质量分析方法及系统 | |
| CN113822379B (zh) | 工艺制程异常分析方法、装置、电子设备及存储介质 | |
| DE102011017819A1 (de) | Verfahren, System und Steuerungsprogramm zur Steuerung eines industriellen Fertigungsprozesses | |
| US20080097639A1 (en) | Remote Multipoint Monitoring And Timeline Analysis Equipment | |
| Kaushik et al. | Six sigma application for library services | |
| CN115293734A (zh) | 一种基于制造过程的实时成本核算方法及系统 | |
| CN114662914A (zh) | 基于约束理论的板式定制家具揉单优化方法 | |
| CN114219269A (zh) | 质量评价方法及基于其的全员全过程全业务质量评价方法 | |
| Schuh et al. | Databased learning of influencing factors in order specific transition times | |
| CN114386777A (zh) | 一种生产计划自动排产方法、系统、电脑端及移动终端 | |
| CN112580941A (zh) | 一种中药饮片的物料管理方法 | |
| CN111832913A (zh) | 一种生产线的柔性量化评估方法及设备 | |
| CN110675112A (zh) | 一种基于供应链管理的电子商务系统 | |
| Rane et al. | Design of experiments and Monte Carlo simulation-based prediction model for productivity improvement in printing industry | |
| CN117349780B (zh) | 一种基于数据分析的仓储数据智能识别管控系统及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |