CN108898285A - 一种基于信息熵的啤酒包装生产线运行效率定量评估方法 - Google Patents
一种基于信息熵的啤酒包装生产线运行效率定量评估方法 Download PDFInfo
- Publication number
- CN108898285A CN108898285A CN201810593503.2A CN201810593503A CN108898285A CN 108898285 A CN108898285 A CN 108898285A CN 201810593503 A CN201810593503 A CN 201810593503A CN 108898285 A CN108898285 A CN 108898285A
- Authority
- CN
- China
- Prior art keywords
- production line
- weight
- beer
- packaging production
- health degree
- 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 154
- 235000013405 beer Nutrition 0.000 title claims abstract description 88
- 238000004806 packaging method and process Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000036541 health Effects 0.000 claims abstract description 78
- 238000011156 evaluation Methods 0.000 claims abstract description 32
- 230000008569 process Effects 0.000 claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 46
- 238000005265 energy consumption Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 17
- 239000002131 composite material Substances 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 239000000463 material Substances 0.000 claims description 11
- 238000005314 correlation function Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 238000005303 weighing Methods 0.000 claims description 9
- 239000002994 raw material Substances 0.000 claims description 8
- 238000012706 support-vector machine Methods 0.000 claims description 8
- 150000001875 compounds Chemical class 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 5
- 210000004209 hair Anatomy 0.000 claims description 4
- 238000004335 scaling law Methods 0.000 claims description 4
- 238000009940 knitting Methods 0.000 claims description 3
- 210000002268 wool Anatomy 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000010365 information processing Effects 0.000 abstract description 2
- 241000196324 Embryophyta Species 0.000 description 10
- 230000000694 effects Effects 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 8
- 238000012856 packing Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 4
- 239000003245 coal Substances 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000533950 Leucojum Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012858 packaging process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001954 sterilising effect Effects 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
- 239000008399 tap water Substances 0.000 description 1
- 235000020679 tap water Nutrition 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于信息熵的啤酒包装生产线运行效率定量评估方法，属于智能信息处理技术辅助企业生产管理决策技术。本发明方法主要分五步：第一步确定效率评估的参考变量；第二步建立啤酒包装生产线物元评估模型；第三步；利用AHP层次分析法和熵值法计算评价模型的复合权重；第四步：定量计算计算啤酒包装生产线健康度；第五步建立啤酒包装生产线健康度预测模型。
Description
技术领域
本发明涉及一种基于信息熵的啤酒包装生产线运行效率定量评估方法，属于智能信息处理技术辅助企业生产管理决策技术。
背景技术
啤酒包装是啤酒生产的主要环节，啤酒生产厂家对包装环节运行状况没有科学的评估，致使生产调度不合理、设备维护不及时、生产效率不高、酒损严重和能源消耗超标。目前企事业常用的方法是采用KPI四个参数的计算作为参考，用以反映生产线的运行情况。但由于各厂家生产设备不用，工艺和人员操作水平不同，大致统一的算法势必准确性上不能保证。传统的生产线评估方法多关注设备的运行状况，目前生产线自动化设备和传感器数目逐渐增多，故可通过综合能源消耗、管理效果和人为因素等方面更深层次的对复杂生产线运行状况进行分析和评价。如何能在现有设备和人力的基础上，通过信息数据的分析清楚量化生产线的运行效率，并能预测生产下一周期的生产设备的健康程度，对科学指导生产有巨大的帮助。目前存在的困难主要如下：包装系统的规模大集成的设备越来越多。由于系统内部通常存在复杂的耦合关系，其可靠性难以得到保障。一旦发生故障时，设备的停机损失将会非常大。
发明内容
针对以上问题，本发明对啤酒生产的单位能源消耗、单位时间产能、啤酒损耗以及包装过程中原料消耗和KPI运行参数等实时综合信息采集处理，形成全方位的啤酒包装运行评估信息。通过信息熵原理和支持向量机技术进行设备运行效率评估以及未来生产线健康度预测，本方法为啤酒包装生产工艺改进、设备检修和生产调度等工作提供理论和数据支持。
本发明采取的技术方案如下：
一种基于信息熵的啤酒包装生产线运行效率定量评估方法，包括以下步骤：
第一步：确定评估参考变量，计算参考变量如下：
1.总资产利用率：
2.线毛产出率：
3.总设备利用率：；
4.线效率：
5.啤酒损耗；
6.单位原料消耗；
7.单位能源消耗；
8.单位时间产能；
第二步：建立物元评估模型；
通过第一步的参考变量建立物元评估模型，物元评估模型分三层，自顶向下依次为目标层A、准则层B、决策层C；目标层A为包装生产线的健康度，准则层B为能源消耗指标B1、产能指标B2和KPI综合指标B3三个指标，决策层C包括啤酒损耗C1、单位能源消耗C2、单位时间产能C3、单位原料消耗C4、总资产利用率C5、毛线出产率C6、总设备利用率C7和线效率C8八个指标；详见附图1，
第三步：计算复合权重，计算过程如下：
2.计算理论权重，计算过程如下：
1.1根据物元评估模型不同层次的关联关系，通过第二步建立物元评估模型，应用1-9标度法构建目标层矩阵A、准则层源消耗指标B1、产能指标B2、和KPI综合指标B3的AHP权重矩阵，矩阵中各元素变量的比值参照啤酒车间物料衡算与热量衡算方法，以及KPI计算公式反映的参数权重关系；
1.2求解特征值经归一化后的特征向量W＝(w1,w2,…wn)T，求解矩阵的最大特征值根λmax，
1.3一致性检验，
使用三个参量CI,RI,CR检验目标层判断矩阵和准则层判断矩阵是否合格，其过程如下：
①计算层次一致性指标CI＝(λmax-n)/(n-1)；
②平均随机一致性指标RI；
③一致性比值CR＝CI/RI，如果CR≤0.1认为目标层判断矩阵和准则层判断矩阵的一致性是可以接受的；
1.4计算决策层权重，即各评价指标对目标层的影响权重
决策层各决策方案对准则层的影响权重为准则层权重矩阵的特征矩阵 WC＝[ωC1,ωC2,…ωCn,]，准则层对目标层的影响权重为WB＝[ωB1,ωB2,…ωBn]T，决策层对目标层的理论权重为公式(1)：
ω′＝WC×WB, (1)
2.计算啤酒包装生产线健康度评价客观权重，过程如下：
2.1建立啤酒包装生产线运行评估立体交叉复合物元，其方法为：利用m 个不同时间包装生产线运行状态参加评价，由n项指标来描述，形成有m个目标n个指标的立体交叉复合元；
2.2对立体交叉物元的评价指标进行标准化处理；
2.3立体交叉方案评价指标关联函数及啤酒包装生产线评价客观权重系数的计算，过程如下：
客观权重系数的确定首先确定关联函数理想参考数列为Y＝{y1,y2,…yn}，根据信息论中最大离散熵定理，当各符号出现概率相等时熵最大，值为Hmax＝lnn。则复合物元的第j项指标Cj具有的关联函数如公式(2)所示：
立体交叉第j项指标的熵值为
其中：K＝-(Hmax)-1＝-(lnn)-1，偏差度为 ej＝1-Fj指标cj的权重系数即(啤酒包装生产线评估的客观权重)如下：
3.利用理论权重和客观权重计算啤酒包装生产线健康度评价联合权重，
经过AHP法计算出的主观权重为wi'，熵值法计算出的客观权重为wi”，最终确定的权重为两种权重的联合权重wi如下，
第四步：计算不同时刻啤酒包装生产线健康度，过程如下：
1、建立啤酒包装生产线健康度评价复合物元联合权重矩阵，立体交叉指标复合物元的权重矩阵为wj为下式。
Cj(1≤j≤n)为不同决策，wj(1≤j≤n)为联合权重，
2、依据啤酒包装生产线健康度评价复合物元联合权重，结合最大信息熵理论，计算不同状况下的啤酒包装生产线的健康度，
Mj(1≤j≤m)为不同时间啤酒包装生产线油中检测数据作为评价方案，Hj(1≤j≤m)为健康度的具体数值。计算Hj的具体公式。
第五步：建立啤酒包装生产线健康度预测模型，过程如下：
1.采用mapminmax()函数将历史健康度数据的归一化处理；
2.训练集数据和测试集数据的划分，选取每年相同月份啤酒包装生产线历史健康度作为训练集，要求10组以上，在其中选取一组作为测试集；
3.选用epsilon-SVR和nu-SVR两种支持向量机函数，采用RBF核函数，
4.利用网格搜索法算法、遗传算法、粒子群算法训练测试集进行参数寻优，建立啤酒包装生产线健康程度预测模型，
5.最佳模型为预测拟合程度最高、相关系数最好，预测的误差最小的模型，并确定最佳惩罚参数C和g值，
6.运用支持向量机最优模型，通过测试集验证啤酒包装生产线健康度的预测精度。
转利的整个设计过程如附图9所示。
本发明的有益效果：为解决复杂生产线健康度难以评估、量化和预测的问题，本专利利用数据挖掘技术发明了一套新型的啤酒包装生产线健康度定量计算和预测的方法。通过综合能源消耗、管理效果和人为因素等方面更深层次的对复杂生产线运行状况进行分析和评价。不仅可以定量计算啤酒包装生产线的健康度，还能比较准确的预测啤酒生产线未来的运行趋势。生产管理部门可以根据各生产线的健康状况结合生产需求进行合理科学的排产。相同生产线的不同时期或相同厂家制造的不同生产线健康度越小说明生产线运行效率越差，该方法为生产线是否需要维护和工艺改进提供理论和数据支持。专利的成功推广与应用，对设备或系统运行健康状态科学评估，能够实现科学排产，提高设备生产效率进而提高生产效率；合理使用设备，采用主动的维护模式(PAP)代替被动的维修模式(FAF)，实现由定期维护到状态维护的转变。提前保养设备胜过事后补救，可以延长设备的使用寿命，该方法同样可以适用于其它行业复杂的流程生产线系统。
说明书附图
图1是啤酒包装生产线复合物元结构图。
图2是一线6月生产客观健康度和联合健康度。
图3是一线11月生产客观健康度和联合健康度。
图4是三线6月生产客观健康度和联合健康度。
图5是三线11月生产客观健康度和联合健康度。
图6是预测数据图。
图7是健康度训练集的拟合曲线。
图8是健康度测试集回归曲线。
图9是啤酒生产线运行状态评估和预测的整个系统流程结构框图。
具体实施方式
下面结合实施例来进一步说明本发明的技术方案：
实施例一：
一种基于信息熵的啤酒包装生产线运行效率定量评估方法主要分五步：第一步确定效率评估的参考变量；第二步建立啤酒包装生产线物元评估模型；第三步；利用AHP层次分析法和熵值法计算评价模型的复合权重；第四步：定量计算计算啤酒包装生产线健康度；第五步建立啤酒包装生产线健康度预测模型。
第一步：确定评估参考变量，计算过程如下：
当前啤酒包装生产线主要由洗瓶机、灌酒机、杀菌机、贴标机和码垛等一系列设备组成。以清酒为原料消耗蒸汽、水、电、CO2和压缩空气等能源。传统考核包装生产线的生产效率有4种关键绩效指标(KPI)分别是：
总资产利用率：是体现资产充分利用的评价指标，反应生产是否超负荷或是资源浪费；
线毛产出率：包含生产过程中造成停机的所有时间，用来将工厂生产组织系统综合管理能力；
总设备利用率：是去除了计划停机时间，用来评价包装总车间综合管理能力；
线效率：是排除所有外部原因停机时间，此指标用来衡量啤酒生产线和设备维护部门的管理水平。
KPI的4种关键绩效指标计算时间分类如表1所示，
表1：生产各种时间分类
| 时间种类 | 停机分类 |
| 总时间 | 总时间 |
| 无包装计划时间 | 法定假，无订单 |
| 特殊类计划时间 | 新材料测试、项目测试、活动停机 |
| 计划停机时间 | 大修，预防性维修，清洗，交接班，就餐，班组会，启动停机 |
| 外部原因时间 | 酿造部，公用工程，物流部，采购部，故障 |
KPI的4种关键绩效指标具体计算公式如下：
总资产利用率＝有效生产时间/总时间×100％
有效生产时间/总时间×100％＝有效生产时间/(总时间-无包装计划时间- 特殊类计划时间)×100％
总设备利用率＝有效生产时间/(总时间-无包装计划时间-特殊类计划时间 -计划停机时间)×100％
线效率＝有效生产时间/(总时间-无包装计划时间-特殊类计划时间-计划停机时间-外部原因时间)×100％
本专利创新的将啤酒损耗、单位能源消耗、单位时间产能、单位料消耗也作为运行效率的评价指标。具体计算公式如下：
啤酒损耗＝(清酒送包装生产线流量-啤酒包装后产量)/清酒送包装生产线流量
单位能源消耗＝耗能工质×折标煤系数/单位产量/综合能耗限额×100％
单位原料损耗＝(瓶+箱+瓶盖+贴标纸+清洗液)×价格/单位时间产量
单位时间产能＝单位时间由码垛机计量的啤酒产量。
能源消耗计算说明：能耗工质计算如表2所示。新建啤酒企业生产规模≥10万吨要求产品单位综合能耗限额≤65.00千克标煤/千升。
表2能耗工质换算关系表
| 耗能工质名称 | 系数单位 | 折标煤系数 |
| 自来水 | kgce/t | 0.2571 |
| 软化水 | kgce/t | 0.4857 |
| 压缩空气 | kgce/Nm3 | 0.0400 |
| 二氧化碳气 | kgce/Nm3 | 0.2143 |
| 蒸汽 | kgce/t | 128.60 |
| 电力 | kgce/kWh | 0.1229 |
第二步：建立啤酒包装生产线物元评估模型：
复合物元层次结构模型反映了目标层、准则层和决策层之间相互影响关系。通过第一步的参考变量建立物元评估模型，模型分三层，自顶向下依次为目标层A、准则层B、决策层C；目标层A为包装生产线的健康度，准则层B为能源消耗指标B1、产能指标B2和KPI综合指标B3三个指标，决策层C包括啤酒损耗C1、单位能源消耗C2、单位时间产能C3、单位时间原料消耗C4、总资产利用率C5、毛线出产率C6、总设备利用率C7和线效率C8 八个指标，具体结果见附图1；
第三步：利用AHP层次分析法和熵值法计算评价模型的复合权重，计算过程如下：
3.计算理论权重，计算过程如下：
1.1根据物元评估模型不同层次的关联关系，应用1-9标度法构建目标层矩阵A和准则层矩阵B1、B2、B3的AHP权重矩阵。矩阵中各元素变量的比值参照啤酒车间物料衡算与热量衡算方法，以及KPI计算公式反映的参数权重关系。
1.2求解特征值经归一化后的特征向量W＝(w1,w2,…wn)T，求解矩阵的最大特征值根λmax，
1.3一致性检验，
使用三个参量CI,RI,CR检验目标层判断矩阵和准则层判断矩阵是否合格，其过程如下：
①计算层次一致性指标CI＝(λmax-n)/(n-1)；
②平均随机一致性指标RI；
③一致性比值CR＝CI/RI，如果CR≤0.1认为目标层判断矩阵和准则层判断矩阵的一致性是可以接受的；
1.4计算决策层权重即各评价指标对目标层的影响权重，
计算步骤：决策层各决策指标对准则层的影响权重为准则层权重矩阵的特征矩阵WC＝[ωC1,ωC2,…ωCn,]，准则层对目标层的影响权重为 WB＝[ωB1,ωB2,…ωBn]T，决策层对目标层的理论权重为ω′＝WC×WB。
2.构建立体交叉的信息熵复合元运用熵值法计算啤酒包装生产线健康度评价客观权重，过程如下：
2.1建立啤酒包装生产线运行评估立体交叉复合物元，
利用m个不同时间包装生产线运行状态参加评价，由n项指标来描述，形成有m个目标n个指标的立体交叉复合元记为Rmn即。
Mi为第i个时间的包装生产线运行状态，Cj为立体交叉复合物元的第j项评价指标，xij为第i个待评方案对应的第j项指标量值。
2.2立体交叉物元的标准化，
在计算中需要对评价指标进行标准化处理，对评价指标有推进作用的用公式(3)标准化处理，对评价指标有减弱作用的用公式(4)标准化处理，
公式(2)经过公式(3)和公式(4)标准化处理后建立的立体交叉复合元记为Rmn如公式(5)所示。
2.3立体交叉方案评价指标关联函数及啤酒包装生产线评价客观权重系数的计算，
评价指标权重的确定直接影响评价结果，采用关联熵法来确定各指标的客观权重系数。客观权重系数的确定首先确定关联函数理想参考数列为Y＝{y1,y2,…yn}，根据信息论中最大离散熵定理，当各符号出现概率相等时熵最大，值为Hmax＝lnn。则复合物元的第j项指标Cj具有的关联函数如公式(6)所示：
立体交叉第j项指标的熵值为：
公式(7)中，K＝-(Hmax)-1＝-(lnn)-1，
则指标cj的权重系数为：
熵值的偏差度为：
ej＝1-Fj (9)
3.利用理论权重和客观权重计算啤酒包装生产线健康度评价联合权重，
经过AHP法计算出的主观权重为wi'，熵值法计算出的客观权重为wi”，考虑到主观权重和客观权重均存在一定的缺陷，最终确定的权重为两种权重的联合权重wi如下，
第四步：定量计算啤酒包装生产线健康度，过程如下：
1、建立啤酒包装生产线健康度评价复合物元联合权重矩阵，
立体交叉指标复合物元的权重矩阵为wj为下式。
Cj(1≤j≤n)为不同决策，wj(1≤j≤n)为联合权重，
2、由公式(5)和公式(11)可构建m个啤酒包装生产线综合评价的复合关联熵物元
Mj(1≤j≤m)为不同时间啤酒包装生产线油中检测数据作为评价方案， Hj(1≤j≤m)为健康度的具体数值。计算Hj的具体公式。
第五步：建立啤酒包装生产线健康度预测模型，过程如下：
1.采用mapminmax()函数将历史健康度数据的归一化处理。
2.训练集数据和测试集数据的划分，选取每年相同月份啤酒包装生产线历史健康度作为训练集，要求10组以上，在其中选取一组作为测试集。
3.选用epsilon-SVR和nu-SVR两种支持向量机函数，采用RBF核函数，
4.利用网格搜索法算法(grid-search)、遗传算法(GA)、粒子群算法(PSO)训练测试集进行参数寻优，建立啤酒包装生产线健康程度预测模型，
5.最佳模型为预测拟合程度最高、相关系数最好，预测的误差最小的模型，并确定最佳惩罚参数C和g值，
6.运用支持向量机最优模型，通过测试集验证啤酒包装生产线健康度的预测精度。
第六步：将生产数据带入实施方案计算并分析结果
1.实验数据
为科学、全面地评估啤酒包装生产线的生产健康度，本文实验数据除考虑传统的关键绩效指标KPI(总资产利用率、线毛产出率、总设备利用率和线效率)外，将啤酒损耗、单位能源消耗、单位时间产能、单位原材料消耗也作为健康度的评价物元。能源消耗、酒损、产量和原料消耗数据来源于能源计量管理系统，KPI数据来源于包装车间控制系统。数据取自华润雪花啤酒通化有限公司的包装车间。包装生产一线2016年6月工作19天，11月工作10天，包装三线2016年6月工作23天，11月工作12天，一线为旧生产线，三线为新生产线。
2.依据1、2理论实验及数据分析
1)啤酒包装生产线复合物元结构
采用AHP建立啤酒罐装线健康度评估的立体交叉复合物元，目标层A为啤酒包装生产线的健康度，准则层为影响健康度的能源消耗指标(B1)、产能指标(B2)、KPI综合指标(B3)。决策层为啤酒损耗(C1)、单位能源消耗(C2)、单位时间产能(C3)、单位生产耗材(C4)、和KPI综合指标(C5-C8)。其结构及相互关系见附图2。
2)复合物元决策层权重计算
根据层次结构模型不同层次的关联关系，应用1-9标度法构建目标层矩阵A和准则层矩阵B1、B2、B3的AHP权重矩阵。矩阵中各元素变量的比值参照啤酒车间物料衡算与热量衡算方法，以及KPI计算公式反映的参数权重关系。计算矩阵如公式如下：
判断矩阵是否合理需要进行一致性检验，计算1000次得到的平均随机一致性指标RI如表3所示，通常取第五阶值1.12.
表3 1-15维矩阵平均随机指标
| 维数 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 | 15 |
| R.I. | 0 | 0 | 0.52 | 0.89 | 1.12 | 1.26 | 1.36 | 1.41 | 1.46 | 1.49 | 1.52 | 1.54 | 1.56 | 1.58 | 1.59 |
各判断矩阵进行一致性检验结果如表4所示。
表4参数值一致性验证
| 判断矩阵 | λmax | CI | RI | CR |
| A | 3.054 | 0.0268 | 1.12 | 0.024 |
| B1 | 2 | 0 | 1.12 | 0 |
| B2 | 2 | 0 | 1.12 | 0 |
| B3 | 4.054 | 0.017 | 1.12 | 0.015 |
由表1中CR值均远远小于0.1可知，各判别矩阵均具有满意的一致性。
通过对矩阵进行层次单排序和层次总排序计算如公式(1)，可计算出决策层各项指标相对于目标层的AHP权重ω′(理论权重)如表5所示。
表5理论权重计算表
3)立体交叉复合物元客观权重及联合权重的计算
利用每个月不同生产线的测试数据建立复合物元矩阵Rmn，在8个决策指标中，能耗、酒损和单位时间耗材越低效率越高，其它变量越高生产线效率越高，所以，将变量标准化处理时能耗、酒损和单位耗材利用公式(3)标准化，其它变量利用公式(4)进行标准化处理。由公式(7)、(8)、(9)计算得到的每项评价指标的偏差度ej和权重系数ω″如表6所示。
表6信息熵评价指标的权重
由公式(10)计算得到的联合权重ωj如表7所示。
表7联合评价指标的权重
3.健康度的计算及排序
利用1节采集和计算出来的数据，利用公式(13)计算得到新旧两个生产线分别在6月份和11月份的客观权重下的健康度和联合权重下的健康度的对比图如附图2、附图3、附图4、附图5所示。
表8两个生产线6月、11月计算客观权重下健康度和联合权重下健康度的排序
表9各包装生产线联合权重下每个月的平均健康度
由图2、3、4、5的健康度曲线的变化趋势和表8的健康度的排序情况可见，客观权重和联合权重下的健康度的趋势相似，客观权重关联信息熵曲线变化趋势缓和，而联合权重关联信息熵由于理论权重的加入，健康度更能体现出生产者对评价指标的关注度不同，使得健康度曲线波动剧烈，更能准确的反映生产线的运行状况的变化。
实际生产中在相同月份下，新建生产设备排产量大停机时间少，酒损较小，保温好，能耗消耗较少，所以生产效率好于旧生产线。6月份是生产旺季，设备连续运行时间长，环境温度高，KPI参数好，能耗小，生产效率高。11 月为淡季，生产断断续续。所以6月份的生产线健康度要好于11月份。从表 9各包装生产线月平均生产线健康度上看，本方法计算的结果与实际相吻合，证明方案合理准确，且量化了生产线的健康度，有一定的实际参考价值。
4.SVM预测建模方法
在实际应用中，预测未来的生产线健康度对生产调度和设备维护更具价值。根据3节实验计算的健康度65组数据，按每个月的等间距抽取25组健康度数据作为测试集，其余40组作为训练集。附图6中Train-1-16-6表示1 线2016年6月份生产的联合健康度训练集数据，其它类似；Test-3-16-11表示3线2016年11月份的健康度预测集数据，其它类似。在Matlab 7.11.0 开发环境下，时间作为输入，健康度作为输出，原始数据如附图6所示。
本文选用epsilon-SVR和nu-SVR两种支持向量机，采用径向基RBF (Radial BasisFunction)核函数(g＞0)，K(x,xi)＝exp(-g||x-xi||2)作为SVM的核函数，利用带有交互验证(cross validation)的网格搜索法(grid-search)、遗传算法GA(Genetic Algorithm)、粒子群算法PSO(Particle swarm optimization)来优化训练集的惩罚参数C和RBF函数的跨度系数g，建立啤酒生产线健康度预测模型。其中Train-MSE和Train-R的值为拟合的误差和相关系数，Test-MSE和Test-R为测试验证的误差和相关系数，TIME为学习时间，性能指标如表10表11所示。
表10基于epsilon–SVM三种优化方法的参数对比
表11基于nu-SVM三种优化方法的参数对比
由表10和表11可知，有三种模型的预测效果较好分别为： epsilon-SVM-RBFGrid-search，拟合误差和相关系数分别是0.0071/87.52％％，预测的误差和相关系数为0.0532/75.04％；采用粒子群算法优化的epsilon-SVM-RBF-PSO参数的模型简称ERPSO模型，拟合误差和相关系数分别是0.0077/86.43％，预测的误差和相关系数为0.0097/95.73％；最后一个模型是遗传算法(GA)优化的nu-SVM-RBF-GA参数的模型简称NRGA模型，拟合误差和相关系数分别是0.0076/87.91％，预测的误差和相关系数为 0.0111/95.59％。综合各项指标ERPSO模型的预测效果最好，能够满足生产线健康度预测的需要。三种算法的健康度训练集的拟合曲线如附图7所示，拟合程度均较好，其中ERPSO模型拟合程度要略优于其它模型；模型测试集的回归仿真曲线如附图8所示，各模型的预测精度均较好，其中ERPSO模型预测精度优于其它的模型。
Claims (1)
1.一种基于信息熵的啤酒包装生产线运行效率定量评估方法，其特征在于：包括以下步骤：
第一步：确定评估参考变量，计算参考变量如下：
1.总资产利用率：
2.线毛产出率：
3.总设备利用率：；
4.线效率：
5.啤酒损耗；
6.单位原料消耗；
7.单位能源消耗；
8.单位时间产能；
第二步：建立物元评估模型；
通过第一步的参考变量建立物元评估模型，物元评估模型分三层，自顶向下依次为目标层A、准则层B、决策层C；目标层A为包装生产线的健康度，准则层B为能源消耗指标B1、产能指标B2和KPI综合指标B3三个指标，决策层C包括啤酒损耗C1、单位能源消耗C2、单位时间产能C3、单位原料消耗C4、总资产利用率C5、毛线出产率C6、总设备利用率C7和线效率C8八个指标；
第三步：计算复合权重，计算过程如下：
1.计算理论权重，计算过程如下：
1.1根据物元评估模型不同层次的关联关系，通过第二步建立物元评估模型，应用1-9标度法构建目标层矩阵A、准则层源消耗指标B1、产能指标B2、和KPI综合指标B3的AHP权重矩阵，矩阵中各元素变量的比值参照啤酒车间物料衡算与热量衡算方法，以及KPI计算公式反映的参数权重关系；
1.2求解特征值经归一化后的特征向量W＝(w1,w2,…wn)T，求解矩阵的最大特征值根λmax，
1.3一致性检验，
使用三个参量CI,RI,CR检验目标层判断矩阵和准则层判断矩阵是否合格，其过程如下：
①计算层次一致性指标CI＝(λmax-n)/(n-1)；
②平均随机一致性指标RI；
③一致性比值CR＝CI/RI，如果CR≤0.1认为目标层判断矩阵和准则层判断矩阵的一致性是可以接受的；
1.4计算各评价指标对目标层的影响权重
决策层各决策方案对准则层的影响权重为准则层权重矩阵的特征矩阵WC＝[ωC1,ωC2,…ωCn,]，准则层对目标层的影响权重为WB＝[ωB1,ωB2,…ωBn]T，决策层对目标层的理论权重为公式(1)：
ω′＝WC×WB, (1)
2.计算啤酒包装生产线健康度评价客观权重，过程如下：
2.1建立啤酒包装生产线运行评估立体交叉复合物元，其方法为：利用m个不同时间包装生产线运行状态参加评价，由n项指标来描述，形成有m个目标n个指标的立体交叉复合元；
2.2对立体交叉物元的评价指标进行标准化处理；
2.3立体交叉方案评价指标关联函数及啤酒包装生产线评价客观权重系数的计算，过程如下：
客观权重系数的确定首先确定关联函数理想参考数列为Y＝{y1,y2,…yn}，根据信息论中最大离散熵定理，当各符号出现概率相等时熵最大，值为Hmax＝lnn，则复合物元的第j项指标Cj具有的关联函数如公式(2)所示：
立体交叉第j项指标的熵值为
其中：K＝-(Hmax)-1＝-(lnn)-1，Fj∈[0,1]偏差度为ej＝1-Fj指标cj的权重系数即(啤酒包装生产线评估的客观权重)如下：
3.利用理论权重和客观权重计算啤酒包装生产线健康度评价联合权重，
经过AHP法计算出的主观权重为wi'，熵值法计算出的客观权重为wi”，最终确定的权重为两种权重的联合权重wi如下，
第四步：计算不同时刻啤酒包装生产线健康度，过程如下：
1、建立啤酒包装生产线健康度评价复合物元联合权重矩阵，立体交叉指标复合物元的权重矩阵为wj为下式，
Cj(1≤j≤n)为不同决策，wj(1≤j≤n)为联合权重，
2、依据啤酒包装生产线健康度评价复合物元联合权重，结合最大信息熵理论，计算不同状况下的啤酒包装生产线的健康度，
为不同时间啤酒包装生产线油中检测数据作为评价方案，Hj(1≤j≤m)为健康度的具体数值，计算Hj的具体公式，
第五步：建立啤酒包装生产线健康度预测模型，过程如下：
1.采用mapminmax()函数将历史健康度数据的归一化处理；
2.训练集数据和测试集数据的划分，选取每年相同月份啤酒包装生产线历史健康度作为训练集，要求10组以上，在其中选取一组作为测试集；
3.选用epsilon-SVR和nu-SVR两种支持向量机函数，采用RBF核函数；
4.利用网格搜索法算法、遗传算法、粒子群算法训练测试集进行参数寻优，建立啤酒包装生产线健康程度预测模型；
5.最佳模型为预测拟合程度最高、相关系数最好，预测的误差最小的模型，并确定最佳惩罚参数C和g值；
6.运用支持向量机最优模型，通过测试集验证啤酒包装生产线健康度的预测精度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810593503.2A CN108898285A (zh) | 2018-06-11 | 2018-06-11 | 一种基于信息熵的啤酒包装生产线运行效率定量评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810593503.2A CN108898285A (zh) | 2018-06-11 | 2018-06-11 | 一种基于信息熵的啤酒包装生产线运行效率定量评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108898285A true CN108898285A (zh) | 2018-11-27 |
Family
ID=64344825
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810593503.2A Pending CN108898285A (zh) | 2018-06-11 | 2018-06-11 | 一种基于信息熵的啤酒包装生产线运行效率定量评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108898285A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109711305A (zh) * | 2018-12-19 | 2019-05-03 | 浙江工商大学 | 融合多种分量特征的人脸识别方法 |
| CN110515359A (zh) * | 2019-08-30 | 2019-11-29 | 嘉兴锦鸿包装有限公司 | 包装箱半自动生产方法 |
| CN114115155A (zh) * | 2021-12-17 | 2022-03-01 | 吉林大学 | 一种工业物联网多线程智能生产调度方法及系统 |
| CN115796693A (zh) * | 2022-12-14 | 2023-03-14 | 北华大学 | 一种啤酒生产企业能效确定方法、系统及电子设备 |
| CN115860510A (zh) * | 2022-10-31 | 2023-03-28 | 浙江淏瀚信息科技有限公司 | 一种基于大数据的生产效率分析评估方法 |
| CN116679639A (zh) * | 2023-05-26 | 2023-09-01 | 广州市博煌节能科技有限公司 | 金属制品生产控制系统的优化方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102136040A (zh) * | 2011-04-15 | 2011-07-27 | 北京工业大学 | 污水处理工艺综合评价的熵权模糊物元法 |
| CN106897555A (zh) * | 2017-02-22 | 2017-06-27 | 辽宁工程技术大学 | 一种露天煤矿气体环境的评价方法 |
-
2018
- 2018-06-11 CN CN201810593503.2A patent/CN108898285A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102136040A (zh) * | 2011-04-15 | 2011-07-27 | 北京工业大学 | 污水处理工艺综合评价的熵权模糊物元法 |
| CN106897555A (zh) * | 2017-02-22 | 2017-06-27 | 辽宁工程技术大学 | 一种露天煤矿气体环境的评价方法 |
Non-Patent Citations (4)
| Title |
|---|
| 伍杰杰: ""轮胎生产工艺能耗建模及评估模型研究与实现"", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
| 冯消冰等: ""灌装包装生产线效率评估系统的设计"", 《轻工机械》 * |
| 徐燕妮: ""服装缝制生产运行模拟与综合评估"", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
| 杨秋侠等: ""基于关联熵与复合物元的地下管网健康度评估"", 《西安建筑科技大学学报（自然科学版）》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109711305A (zh) * | 2018-12-19 | 2019-05-03 | 浙江工商大学 | 融合多种分量特征的人脸识别方法 |
| CN110515359A (zh) * | 2019-08-30 | 2019-11-29 | 嘉兴锦鸿包装有限公司 | 包装箱半自动生产方法 |
| CN114115155A (zh) * | 2021-12-17 | 2022-03-01 | 吉林大学 | 一种工业物联网多线程智能生产调度方法及系统 |
| CN114115155B (zh) * | 2021-12-17 | 2023-11-03 | 吉林大学 | 一种工业物联网多线程智能生产调度方法及系统 |
| CN115860510A (zh) * | 2022-10-31 | 2023-03-28 | 浙江淏瀚信息科技有限公司 | 一种基于大数据的生产效率分析评估方法 |
| CN115860510B (zh) * | 2022-10-31 | 2023-08-15 | 浙江淏瀚信息科技有限公司 | 一种基于大数据的生产效率分析评估方法 |
| CN115796693A (zh) * | 2022-12-14 | 2023-03-14 | 北华大学 | 一种啤酒生产企业能效确定方法、系统及电子设备 |
| CN115796693B (zh) * | 2022-12-14 | 2023-12-05 | 北华大学 | 一种啤酒生产企业能效确定方法、系统及电子设备 |
| CN116679639A (zh) * | 2023-05-26 | 2023-09-01 | 广州市博煌节能科技有限公司 | 金属制品生产控制系统的优化方法及系统 |
| CN116679639B (zh) * | 2023-05-26 | 2024-01-05 | 广州市博煌节能科技有限公司 | 金属制品生产控制系统的优化方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108898285A (zh) | 一种基于信息熵的啤酒包装生产线运行效率定量评估方法 | |
| Li et al. | Fuzzy comprehensive evaluation method for energy management systems based on an internet of things | |
| JP2022518887A (ja) | 大規模・中規模企業の技術標準体系化実施の利益評価方法 | |
| Jamali et al. | Analysing larg supply chain management management competitive strategies in Iranian cement industries | |
| CN105701554A (zh) | 基于海量计量数据的用电设备能效混沌分析方法 | |
| Akbari et al. | Goal programming models with interval coefficients for the sustainable selection of marine renewable energy projects in the UK | |
| Cheng et al. | Obstacle diagnosis of green competition promotion: a case study of provinces in China based on catastrophe progression and fuzzy rough set methods | |
| Mi et al. | Integrated intelligent green scheduling of predictive maintenance for complex equipment based on information services | |
| CN107506863A (zh) | 一种基于大数据电网实物资产运维检修费用预测方法 | |
| Dhupia et al. | The role of big data analytics in smart grid management | |
| Zhou et al. | Study on the maintenance scheduling model for compressor units of long-distance natural gas networks considering actual maintenance demands | |
| Hsu et al. | Deploying Industry 4.0 enablers to strengthen supply chain resilience to mitigate ripple effects: an empirical study of top relay manufacturer in China | |
| Li | Predicting the investment risk in supply chain management using BPNN and machine learning | |
| Lin et al. | Design and implementation of a CPS‐based predictive maintenance and automated management platform | |
| Zhao et al. | Fuzzy ridgelet neural network prediction model trained by improved particle swarm algorithm for maintenance decision of polypropylene plant | |
| Yu | Research and prediction of ecological footprint using machine learning: A case study of China | |
| Gerlach et al. | Critical Success Factors for AI-driven Smart Energy Services | |
| Tang et al. | Predicting bottlenecks in manufacturing shops through capacity and demand observations from multiple perspectives | |
| Wang et al. | A new evaluation mechanism on investment effectiveness of a production and technical transformation project in a power system | |
| Sihotang et al. | Data envelopment analysis for stochastic production and supply chain planning | |
| Weng et al. | Performance Evaluation of High-tech Innovation Enterprises Based on Grey Chaotic Neural Network | |
| Maihemuti et al. | New energy power system security and stability assessment based on Apirori and DEMATEL-AEW-dynamic weighted cloud model | |
| Al-Harbi et al. | Development of Reliability Centered Maintenance System Using Artificial Intelligence | |
| Huizhe et al. | Research on assessing about the index of county agriculture science and technology innovation ability based on the uncertainty measurement theory | |
| Kaushik et al. | Optimization of Critical Factors of Northern Railway Network using TISM and DEMATEL |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181127 |