CN107909216A - 一种零件实际生产周期预测方法 - Google Patents

一种零件实际生产周期预测方法 Download PDF

Info

Publication number
CN107909216A
CN107909216A CN201711240629.3A CN201711240629A CN107909216A CN 107909216 A CN107909216 A CN 107909216A CN 201711240629 A CN201711240629 A CN 201711240629A CN 107909216 A CN107909216 A CN 107909216A
Authority
CN
China
Prior art keywords
mrow
cycle
lathe
msub
parts
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
Application number
CN201711240629.3A
Other languages
English (en)
Other versions
CN107909216B (zh
Inventor
周显峰
权盛昌
李汶
李汶一
马克
胡军
罗时杰
黎小华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Aircraft Industrial Group Co Ltd
Original Assignee
Chengdu Aircraft Industrial Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Aircraft Industrial Group Co Ltd filed Critical Chengdu Aircraft Industrial Group Co Ltd
Priority to CN201711240629.3A priority Critical patent/CN107909216B/zh
Publication of CN107909216A publication Critical patent/CN107909216A/zh
Application granted granted Critical
Publication of CN107909216B publication Critical patent/CN107909216B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • General Factory Administration (AREA)
  • Numerical Control (AREA)

Abstract

本发明公开了一种零件实际生产周期预测方法，包括获取A零件的加工周期Q、机床以及工序；计算机床加工系数K，所述机床加工系数K为同一道工序中这一类型机床平均加工周期与所有类型机床的平均加工周期的比值；选取两个不同时间范围的A零件历史加工数据作为样本，分别计算两个样本的平均加工周期和时间修正系数T；将A零件的加工周期Q乘以机床加工系数后再乘以时间修正系数T，得到A零件预测加工周期Z。本发明中A零件的加工周期Q取平均值后乘以机床加工系数K，再乘以时间修正系数T，得到A零件预测加工周期Z。由于近三个月的样本更接近于目前的加工水平和机械水平，因此，采用时间修正系数，增加了零件实际生产周期预测的准确性。

Description

一种零件实际生产周期预测方法
技术领域
本发明涉及周期预测方法技术领域，具体的说，是一种零件实际生产周期预测方法。
背景技术
现有技术中，航空工业飞机制造的生产管理采用的零件生产周期缺乏预测方法，仅仅根据历史数据做出推断或者估算，因而，对于零件生产周期实际需要的时间存在较大的误差，加上对零件加工需要用到多种不同型号的机床，以及各种不同型号的机床参与零件加工的工序可能有一道或者多道，因此，无法根据各种机床对零件的加工时间进行准确的预算。
发明内容
本发明的目的在于提供一种零件实际生产周期预测方法，用于解决现有技术中无法根据零件加工实际用到的机床类型以及参与的工序进行准确预测加工周期的问题。
为了达到上述目的，本发明通过下述技术方案实现：
一种零件实际生产周期预测方法，包括：
步骤S100：从MES系统中获取A零件的历史加工数据，所述加工历史数据包括A零件的加工周期Q、机床以及工序；
步骤S200：计算机床加工系数K，所述机床加工系数K为同一道工序中这一类型机床平均加工周期与所有类型机床的平均加工周期的比值；
步骤S300：选取两个不同时间范围的A零件历史加工数据作为样本，分别计算两个样本的平均加工周期，并计算时间修正系数T；
步骤S400：将A零件的加工周期Q乘以机床加工系数后再乘以时间修正系数T，得到A零件预测加工周期Z。
工作原理：
以A零件为例，进行零件实际生产周期预测，从生产管理系统MES中获取关于A零件的历史加工数据，包括A零件的加工工序，每一道工序中用到的机床类型，以及每一类机床在该工序中的加工周期等。由于A零件的加工记录较多，由于不同的机床类型对零件的加工周期不同，因此需要计算每一种机床的机床加工系数K，采用的方法是，这一类机床在某一道工序中的平均加工周期与所有机床在该工序中的平均加工周期的比值。由此可以得出这一类机床对A零件在该工序中加工效率是否低于平均值。如果机床加工系数大于1，则加工效率高于平均值，反之，低于平均值。由于A零件的历史加工数据较多，因此选用近三年和近三个月的历史加工数据分别作为样本A和样本B，分别计算两个样本中的平均加工周期，近三个月的平均加工周期与近三年的平均加工周期的比值即为时间修正系数T。A零件的加工周期Q取平均值后乘以机床加工系数K，再乘以时间修正系数T，得到A零件预测加工周期Z。由于近三个月的样本更接近于目前的加工水平和机械水平，因此，采用时间修正系数，增加了零件实际生产周期预测的准确性。
进一步地，所述步骤S100具体包括：
步骤S110：根据所述加工周期Q、机床以及工序列出矩阵表；
步骤S120：选取统计样本，分别统计不同机床在不同工序中的平均加工周期。
工作原理：
从MES系统中用关键字筛选A零件历史加工数据，关键字包括机床和工序，筛选出的数据组成新的矩阵表，矩阵表的行表示机床类型，矩阵的列表示工序，行列值即为某机床对应的工序中的加工周期Q。采用矩阵表的形式，更方便的统计和分析计算A零件在某一机床某道工序中的加工周期Q以及平均加工周期。
进一步地，所述步骤S110中矩阵表的行包括工序1，工序2，…，工序j，…，工序m；矩阵表的列包括机床1，机床2，…，机床i，…，机床n；矩阵表的行列值为机床i在工序j中的加工周期Qji。
工作原理：
加工周期Qji表示机床i在工序j中对A零件加工的时间。如果机床i在工序j中没有对A零件进行加工，则Qji＝0。
进一步地，所述步骤S200具体为：
步骤S210：计算机床i在工序j的平均加工周期
步骤S220：计算所有机床在工序j的平均加工周期
步骤S230：机床i在工序j的机床加工系数Kji的计算公式为：
工作原理：
种类为A的每一个零件的加工数据都组成一个矩阵表，因此历史加工数据中包含很多零件的加工数据，而每个零件的加工数据存在随机性，因此需要对所有的A零件进行统计平均加工周期即由每一个矩阵表中的Qji求和取平均值得到。所有机床在工序j中的平均加工周期由此得出机床i在工序j的机床加工系数为需要计算不同的机床在别的工序的机床加工系数时，只需要调用对应的行列值的平均加工数据即可。
进一步地，所述步骤S300具体包括：
步骤S310：选择A零件近三年的历史加工数据为样本A，近三个月的历史加工数据为样本B；
步骤S320：计算机床i在样本A中的平均加工周期
步骤S330：计算机床i在样本B中的平均加工周期
步骤S340：机床i的时间修正系数Ti的计算公式为：
工作原理：
将样本A中机床i的所有工序中的加工周期求和，取平均值，得到QAi，同样的方法计算样本B中的机床i在所有工序中的平均加工周期QBi，由此计算出机床i的时间修正系数因此即采用历史数据作为参考，又采用接近目前操作加工技术水平和加工设备工艺的数据作为预测结果的修正，因此使预测结果更加接近实际。
进一步地，所述步骤S400具体为：计算A零件的预测加工周期Z，计算公式为：
工作原理：
机床i在所有工序中的加工预测周期Zi，Zi的计算公式为：
A零件的预测加工周期Z的计算公式为：
本发明与现有技术相比，具有以下优点及有益效果：
(1)本发明中A零件的加工周期Q取平均值后乘以机床加工系数K，再乘以时间修正系数T，得到A零件预测加工周期Z。由于近三个月的样本更接近于目前的加工水平和机械水平，因此，采用时间修正系数，增加了零件实际生产周期预测的准确性。
(2)本发明采用历史数据作为参考，又采用接近目前操作加工技术水平和加工设备工艺的数据作为预测结果的修正，因此使预测结果更加接近实际。
(3)其他类型的零件可以采用同样的方法，因此不仅可以预测零件的实际生产周期，也可以预测部件的实际生产周期。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合实施例对本发明作进一步地详细说明，但本发明的实施方式不限于此。
实施例1：
结合附图1所示，一种零件实际生产周期预测方法，包括：
步骤S100：从MES系统中获取A零件的历史加工数据，所述加工历史数据包括A零件的加工周期Q、机床以及工序；
步骤S200：计算机床加工系数K，所述机床加工系数K为同一道工序中这一类型机床平均加工周期与所有类型机床的平均加工周期的比值；
步骤S300：选取两个不同时间范围的A零件历史加工数据作为样本，分别计算两个样本的平均加工周期，并计算时间修正系数T；
步骤S400：将A零件的加工周期Q乘以机床加工系数后再乘以时间修正系数T，得到A零件预测加工周期Z。
工作原理：
以A零件为例，进行零件实际生产周期预测，从生产管理系统MES中获取关于A零件的历史加工数据，包括A零件的加工工序，每一道工序中用到的机床类型，以及每一类机床在该工序中的加工周期等。由于A零件的加工记录较多，由于不同的机床类型对零件的加工周期不同，因此需要计算每一种机床的机床加工系数K，采用的方法是，这一类机床在某一道工序中的平均加工周期与所有机床在该工序中的平均加工周期的比值。由此可以得出这一类机床对A零件在该工序中加工效率是否低于平均值。如果机床加工系数大于1，则加工效率高于平均值，反之，低于平均值。由于A零件的历史加工数据较多，因此选用近三年和近三个月的历史加工数据分别作为样本A和样本B，分别计算两个样本中的平均加工周期，近三个月的平均加工周期与近三年的平均加工周期的比值即为时间修正系数T。A零件的加工周期Q取平均值后乘以机床加工系数K，再乘以时间修正系数T，得到A零件预测加工周期Z,A零件的预测加工周期Z接近实际生产周期。由于近三个月的样本更接近于目前的加工水平和机械水平，因此，采用时间修正系数，增加了零件实际生产周期预测的准确性。
实施例2：
在实施例1的基础上，所述步骤S100具体包括：
步骤S110：根据所述加工周期Q、机床以及工序列出矩阵表；
步骤S120：选取统计样本，分别统计不同机床在不同工序中的平均加工周期。
工作原理：
从MES系统中用关键字筛选A零件历史加工数据，关键字包括机床和工序，筛选出的数据组成新的矩阵表，矩阵表的行表示机床类型，矩阵的列表示工序，行列值即为某机床对应的工序中的加工周期Q。采用矩阵表的形式，更方便的统计和分析计算A零件在某一机床某道工序中的加工周期Q以及平均加工周期
实施例3：
在实施例2的基础上，所述步骤S110中矩阵表的行包括工序1，工序2，…，工序j，…，工序m；矩阵表的列包括机床1，机床2，…，机床i，…，机床n；矩阵表的行列值为机床i在工序j中的加工周期Qji。
工作原理：
加工周期Qji表示机床i在工序j中对A零件加工的时间。如果机床i在工序j中没有对A零件进行加工，则Qji＝0。
实施例4：
在实施例3的基础上，所述步骤S200具体为：
步骤S210：计算机床i在工序j的平均加工周期
步骤S220：计算所有机床在工序j的平均加工周期
步骤S230：机床i在工序j的机床加工系数Kji的计算公式为：
工作原理：
种类为A的每一个零件的加工数据都组成一个矩阵表，因此历史加工数据中包含很多零件的加工数据，而每个零件的加工数据存在随机性，因此需要对所有的A零件进行统计平均加工周期即由每一个矩阵表中的Qji求和取平均值得到。所有机床在工序j中的平均加工周期由此得出机床i在工序j的机床加工系数为需要计算不同的机床在别的工序的机床加工系数时，只需要调用对应的行列值的平均加工数据即可。
实施例5：
在实施例4的基础上，所述步骤S300具体包括：
步骤S310：选择A零件近三年的历史加工数据为样本A，近三个月的历史加工数据为样本B；
步骤S320：计算机床i在样本A中的平均加工周期
步骤S330：计算机床i在样本B中的平均加工周期
步骤S340：机床i的时间修正系数Ti的计算公式为：
工作原理：
将样本A中机床i的所有工序中的加工周期求和，取平均值，得到QAi，同样的方法计算样本B中的机床i在所有工序中的平均加工周期QBi，由此计算出机床i的时间修正系数因此即采用历史数据作为参考，又采用接近目前操作加工技术水平和加工设备工艺的数据作为预测结果的修正，因此使预测结果更加接近实际。
实施例6：
在实施例5的基础上，所述步骤S400具体为：计算A零件的预测加工周期Z，计算公式为：
工作原理：
机床i在所有工序中的加工预测周期Zi，Zi的计算公式为：
A零件的预测加工周期Z的计算公式为：
以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护范围之内。

Claims (6)

1.一种零件实际生产周期预测方法，其特征在于，包括：
步骤S100：从MES系统中获取A零件的历史加工数据，所述加工历史数据包括A零件的加工周期Q、机床以及工序；
步骤S200：计算机床加工系数K，所述机床加工系数K为同一道工序中这一类型机床平均加工周期与所有类型机床的平均加工周期的比值；
步骤S300：选取两个不同时间范围的A零件历史加工数据作为样本，分别计算两个样本的平均加工周期，并计算时间修正系数T；
步骤S400：将A零件的加工周期Q乘以机床加工系数后再乘以时间修正系数T，得到A零件预测加工周期Z。
2.根据权利要求1所述的一种零件实际生产周期预测方法，其特征在于，所述步骤S100具体包括：
步骤S110：根据所述加工周期Q、机床以及工序列出矩阵表；
步骤S120：选取统计样本，分别统计不同机床在不同工序中的平均加工周期
3.根据权利要求2所述的一种零件实际生产周期预测方法，其特征在于，所述步骤S110中矩阵表的行包括工序1，工序2，…，工序j，…，工序m；矩阵表的列包括机床1，机床2，…，机床i，…，机床n；矩阵表的行列值为机床i在工序j中的加工周期Qji。
4.根据权利要求3所述的一种零件实际生产周期预测方法，其特征在于，所述步骤S200具体为：
步骤S210：计算机床i在工序j的平均加工周期
步骤S220：计算所有机床在工序j的平均加工周期
步骤S230：机床i在工序j的机床加工系数Kji的计算公式为：
<mrow> <msub> <mi>K</mi> <mrow> <mi>j</mi> <mi>i</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mover> <msub> <mi>Q</mi> <mrow> <mi>j</mi> <mi>i</mi> </mrow> </msub> <mo>-</mo> </mover> <mover> <msub> <mi>Q</mi> <mi>j</mi> </msub> <mo>-</mo> </mover> </mfrac> <mo>=</mo> <mfrac> <mover> <msub> <mi>Q</mi> <mrow> <mi>j</mi> <mi>i</mi> </mrow> </msub> <mo>-</mo> </mover> <mrow> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <mover> <msub> <mi>Q</mi> <mrow> <mi>j</mi> <mi>i</mi> </mrow> </msub> <mo>-</mo> </mover> </mrow> </mfrac> <mo>.</mo> </mrow>
5.根据权利要求4所述的一种零件实际生产周期预测方法，其特征在于，所述步骤S300具体包括：
步骤S310：选择A零件近三年的历史加工数据为样本A，近三个月的历史加工数据为样本B；
步骤S320：计算机床i在样本A中的平均加工周期
步骤S330：计算机床i在样本B中的平均加工周期
步骤S340：机床i的时间修正系数Ti的计算公式为：
6.根据权利要求5所述的一种零件实际生产周期预测方法，其特征在于，所述步骤S400具体为：计算A零件的预测加工周期Z，计算公式为：
<mrow> <mi>Z</mi> <mo>=</mo> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <mrow> <mo>(</mo> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <mover> <msub> <mi>Q</mi> <mrow> <mi>j</mi> <mi>i</mi> </mrow> </msub> <mo>-</mo> </mover> <mo>*</mo> <msub> <mi>T</mi> <mi>i</mi> </msub> <mo>*</mo> <msub> <mi>K</mi> <mrow> <mi>j</mi> <mi>i</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>.</mo> </mrow>
CN201711240629.3A 2017-11-30 2017-11-30 一种零件实际生产周期预测方法 Active CN107909216B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711240629.3A CN107909216B (zh) 2017-11-30 2017-11-30 一种零件实际生产周期预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711240629.3A CN107909216B (zh) 2017-11-30 2017-11-30 一种零件实际生产周期预测方法

Publications (2)

Publication Number Publication Date
CN107909216A true CN107909216A (zh) 2018-04-13
CN107909216B CN107909216B (zh) 2022-05-10

Family

ID=61848217

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711240629.3A Active CN107909216B (zh) 2017-11-30 2017-11-30 一种零件实际生产周期预测方法

Country Status (1)

Country Link
CN (1) CN107909216B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109740813A (zh) * 2018-12-29 2019-05-10 上海华力微电子有限公司 晶圆制造中在线产品批次跑货状态的分析预测方法
CN110083126A (zh) * 2018-01-26 2019-08-02 北京龙腾智控科技有限公司 一种模具行业加工工时评估系统、计算模型及计算方法
CN112884246A (zh) * 2021-03-17 2021-06-01 成都永峰科技有限公司 一种飞机结构件加工工序的工时预测方法
CN114037193A (zh) * 2022-01-11 2022-02-11 成都飞机工业（集团）有限责任公司 飞机的装配周期预测方法、装置、终端设备以及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150254686A1 (en) * 2014-03-05 2015-09-10 International Business Machines Corporation End of Life Product Planning
CN106682773A (zh) * 2016-12-15 2017-05-17 重庆川仪自动化股份有限公司 一种基于模拟退火算法的人机焊接工时预测方法
CN106971249A (zh) * 2017-05-05 2017-07-21 北京挖玖电子商务有限公司 一种销量预测及补货方法
CN107194825A (zh) * 2017-05-18 2017-09-22 浙江力太科技有限公司 一种实时计算工序平均节拍的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150254686A1 (en) * 2014-03-05 2015-09-10 International Business Machines Corporation End of Life Product Planning
CN106682773A (zh) * 2016-12-15 2017-05-17 重庆川仪自动化股份有限公司 一种基于模拟退火算法的人机焊接工时预测方法
CN106971249A (zh) * 2017-05-05 2017-07-21 北京挖玖电子商务有限公司 一种销量预测及补货方法
CN107194825A (zh) * 2017-05-18 2017-09-22 浙江力太科技有限公司 一种实时计算工序平均节拍的方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110083126A (zh) * 2018-01-26 2019-08-02 北京龙腾智控科技有限公司 一种模具行业加工工时评估系统、计算模型及计算方法
CN109740813A (zh) * 2018-12-29 2019-05-10 上海华力微电子有限公司 晶圆制造中在线产品批次跑货状态的分析预测方法
CN109740813B (zh) * 2018-12-29 2020-11-24 上海华力微电子有限公司 晶圆制造中在线产品批次跑货状态的分析预测方法
CN112884246A (zh) * 2021-03-17 2021-06-01 成都永峰科技有限公司 一种飞机结构件加工工序的工时预测方法
CN112884246B (zh) * 2021-03-17 2024-03-22 成都永峰科技有限公司 一种飞机结构件加工工序的工时预测方法
CN114037193A (zh) * 2022-01-11 2022-02-11 成都飞机工业（集团）有限责任公司 飞机的装配周期预测方法、装置、终端设备以及存储介质

Also Published As

Publication number Publication date
CN107909216B (zh) 2022-05-10

Similar Documents

Publication Publication Date Title
CN107909216A (zh) 一种零件实际生产周期预测方法
CN108960306B (zh) 基于smt大数据的锡膏检测阈值优化方法
EP1966664B1 (en) An automated state estimation system for cluster tools and a method of operating the same
CN101036092B (zh) 动态控制量测中的工件的方法及系统
CN110928264A (zh) 数据处理、数据处理装置以及计算机可读取记录介质
CN112183827A (zh) 快递月揽件量的预测方法、装置、设备和存储介质
JP2020047078A (ja) データ処理方法、データ処理装置、およびデータ処理プログラム
CN111273624A (zh) 具有专用缓冲区的柔性离散制造系统暂态性能预测方法
CN104484747B (zh) 利用截尾样本确定产品合格率的方法
CN110928265B (zh) 数据处理方法、装置与系统、以及计算器可读取记录介质
CN114064760A (zh) 一种数据的多维度预警分析判断方法
RU2410750C1 (ru) Устройство для оценки выполнения научно-исследовательских и опытно-конструкторских работ
CN105573269B (zh) 半导体制造机台的参数监控系统及方法
CN109887253B (zh) 石油化工装置报警的关联分析方法
CN110347122B (zh) 一种出站时刻确定、数据确定方法、装置及其设备
CN108427837B (zh) 一种装配粗差判定方法及系统
CN116151975A (zh) 交易异常告警方法和装置
CN108919157A (zh) 一种电子测试系统工况的实时告警方法及设备
JP2019125252A (ja) 情報処理装置、データ管理システム、データ管理方法及びプログラム
Piplani et al. Simplification strategies for simulation models of semiconductor facilities
Skalny An application of graph theory in markov chains reliability analysis
Vanli et al. Model context selection for run-to-run control
Sim Hierarchical factor analysis methodology for Intelligent manufacturing
Wenzel et al. Improving the accuracy of cycle time estimation for simulation in volatile manufacturing execution environments
Park et al. Novel robust g and h charts using the generalized Kullback–Leibler divergence

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