CN111399453B - 一种基于mes大数据的催化剂智能制造方法 - Google Patents
一种基于mes大数据的催化剂智能制造方法 Download PDFInfo
- Publication number
- CN111399453B CN111399453B CN202010209414.0A CN202010209414A CN111399453B CN 111399453 B CN111399453 B CN 111399453B CN 202010209414 A CN202010209414 A CN 202010209414A CN 111399453 B CN111399453 B CN 111399453B
- Authority
- CN
- China
- Prior art keywords
- parameters
- product
- new product
- mes
- inspection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 76
- 239000003054 catalyst Substances 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 106
- 230000008569 process Effects 0.000 claims abstract description 85
- 238000007689 inspection Methods 0.000 claims abstract description 22
- 239000002002 slurry Substances 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 13
- 239000007787 solid Substances 0.000 claims description 10
- 239000000463 material Substances 0.000 claims description 7
- 230000000704 physical effect Effects 0.000 claims description 7
- 238000004537 pulping Methods 0.000 claims description 4
- 239000010754 BS 2869 Class F Substances 0.000 claims description 3
- 230000009467 reduction Effects 0.000 abstract description 4
- 238000000576 coating method Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000010009 beating Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000012797 qualification Methods 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
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
- 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及催化剂智能制造技术领域，具体公开了一种基于MES大数据的催化剂智能制造方法，其中，包括：获取MES系统数据库中预先录入的首检合格品的生产参数和过程关键工艺参数；当新产品上线时，通过PDA识别新产品的产品信息，并根据预先录入的所述首检合格品的过程关键工艺参数自动匹配新产品的过程关键工艺参数；根据所述首检合格品的生产参数对所述新产品进行首检，获得新产品首检的生产参数；将所述新产品首检的生产参数存储至所述MES系统数据库中。本发明提供的基于MES大数据的催化剂智能制造方法实现了制造过程的降本增效。
Description
技术领域
本发明涉及催化剂智能制造技术领域，尤其涉及一种基于MES大数据的催化剂智能制造方法。
背景技术
随着工业4.0时代的到来，车间生产已从传统的自动化、数字化向智能化发展；随着环保标准的提高，国6排放标准的实施，越来越多的催化剂新产品导入生产。对于催化剂制造过程，如何快速应对新品以及缩短生产过程换型时间将决定催化剂生产成本以及交付能力的高低。先行的新品导入或新批次产品上线，不论是安排工艺验证还是过程的多组调试，都会导致生产时间的浪费，延长导入周期或增加换型时间，导致生产效率降低。另外，制造执行系统(Manufaturing Executive System，MES)虽然已记录了大量实际生产数据，但是这些记录仅作为过程追溯使用，在指导后续生产上并未有效利用。
发明内容
本发明提供了一种基于MES大数据的催化剂智能制造方法，解决相关技术中存在的生产效率低且MES并未有效利用的问题。
作为本发明的一个方面，提供一种基于MES大数据的催化剂智能制造方法，其中，包括：
获取MES系统数据库中预先录入的首检合格品的生产参数和过程关键工艺参数；
当新产品上线时，通过PDA识别新产品的产品信息，并根据预先录入的所述首检合格品的过程关键工艺参数自动匹配新产品的过程关键工艺参数；
根据所述首检合格品的生产参数对所述新产品进行首检，获得新产品首检的生产参数；
将所述新产品首检的生产参数存储至所述MES系统数据库中。
进一步地，所述首检合格品的过程关键工艺参数包括：浆液物性参数、产品型号、生产设备、打浆行程和抽吸负压。
进一步地，所述根据预先录入的所述首检合格品的过程关键工艺参数自动匹配新产品的过程关键工艺参数，包括：根据参数最优原则将所述新产品的过程关键工艺参数与所述首检合格品的过程关键工艺参数进行自动匹配。
进一步地，所述根据参数最优原则将所述新产品的过程关键工艺参数与所述首检合格品的过程关键工艺参数进行自动匹配，包括：
根据新产品上线物料物性及生产设备，在所述MES系统数据库中进行检索，按照生产设备相同或同类、浆液物性参数最接近的原则进行参数直接赋值或运算。
进一步地，所述参数最优原则包括按照优先级由高到低排列的：同一配方同一设备同一固含近似粘度、同一配方同类设备同一固含近似粘度、同一配方同一设备近似固含近似粘度、同一配方同类设备近似固含近似粘度、近似配方同一设备同一固含近似粘度、近似配方同类设备同一固含近似粘度、近似配方同一设备近似固含近似粘度和近似配方同类设备近似固含近似粘度。
进一步地，所述新产品包括TWC、DOC、SCR、GPF和DPF中的任意一种。
进一步地，所述产品型号包括产品直径在93mm～330mm之间，以及产品高度在62mm～152.4mm之间的产品。
进一步地，所述生产设备包括：A类、F类和H类设备中的任意一种。
本发明实施例提供的基于MES大数据的催化剂智能制造方法，通过MES系统实现数据的采集、存储实现大数据库；采用首检数据甄别的方式，避免垃圾数据；通过合格生产后的数据回采进一步丰富数据库。与传统的新品导入、工艺验证、上线调试的新品参数确定原则对比，本发明提供的基于MES大数据的催化剂智能制造方法，通过MES组建结构化数据平台、有效数据导入以及数据应用开发等方式实现涂覆过程数据的智能匹配下发；从而达到调试一次合格率高、调试时间短，真正实现了制造过程的降本增效。
附图说明
附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。在附图中：
图1为本发明提供的基于MES大数据的催化剂智能制造方法的流程图。
图2为本发明提供的建立工艺配方大数据库的流程图。
图3为本发明提供的新产品调用大数据智能匹配及存储数据的流程图。
图4本发明提供的最优参数原则的优先级排列示意图。
图5为本发明提供的参数最优原则中的运算后赋值计算示意图。
图6为本发明提供的实施例1的新产品的工艺参数数据图。
图7为本发明提供的实施例2的新产品的工艺参数数据图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互结合。下面将参考附图并结合实施例来详细说明本发明。
为了使本领域技术人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包括，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本实施例中提供了一种基于MES大数据的催化剂智能制造方法，图1是根据本发明实施例提供的基于MES大数据的催化剂智能制造方法的流程图，如图1所示，包括：
S110、获取MES系统数据库中预先录入的首检合格品的生产参数和过程关键工艺参数；
S120、当新产品上线时，通过PDA识别新产品的产品信息，并根据预先录入的所述首检合格品的过程关键工艺参数自动匹配新产品的过程关键工艺参数；
S130、根据所述首检合格品的生产参数对所述新产品进行首检，获得新产品首检的生产参数；
S140、将所述新产品首检的生产参数存储至所述MES系统数据库中。
本发明实施例提供的基于MES大数据的催化剂智能制造方法，通过MES系统实现数据的采集、存储实现大数据库；采用首检数据甄别的方式，避免垃圾数据；通过合格生产后的数据回采进一步丰富数据库。与传统的新品导入、工艺验证、上线调试的新品参数确定原则对比，本发明提供的基于MES大数据的催化剂智能制造方法，通过MES组建结构化数据平台、有效数据导入以及数据应用开发等方式实现涂覆过程数据的智能匹配下发；从而达到调试一次合格率高、调试时间短，真正实现了制造过程的降本增效。
应当理解的是，在MES系统采集的数据中，可以通过人工选择首检合格品的生产参数录入调试过程数据库。
具体地，如图2所示，所述首检合格品的过程关键工艺参数包括：浆液物性参数、产品型号、生产设备、打浆行程和抽吸负压。
具体地，所述根据预先录入的所述首检合格品的过程关键工艺参数自动匹配新产品的过程关键工艺参数，包括：根据参数最优原则将所述新产品的过程关键工艺参数与所述首检合格品的过程关键工艺参数进行自动匹配。
具体地，所述根据参数最优原则将所述新产品的过程关键工艺参数与所述首检合格品的过程关键工艺参数进行自动匹配，包括：
根据新产品上线物料物性及生产设备，在所述MES系统数据库中进行检索，按照生产设备相同或同类、浆液物性参数最接近的原则进行参数直接赋值或运算。
具体地，如图3和图4所示，所述参数最优原则包括按照优先级由高到低排列的：同一配方同一设备同一固含近似粘度、同一配方同类设备同一固含近似粘度、同一配方同一设备近似固含近似粘度、同一配方同类设备近似固含近似粘度、近似配方同一设备同一固含近似粘度、近似配方同类设备同一固含近似粘度、近似配方同一设备近似固含近似粘度和近似配方同类设备近似固含近似粘度。
优选地，所述新产品包括TWC、DOC、SCR、GPF和DPF中的任意一种。
优选地，所述产品型号包括产品直径在93mm～330mm之间，以及产品高度在62mm～152.4mm之间的产品。
优选地，所述生产设备包括：A类、F类和H类设备中的任意一种。
需要说明的是，如图5所示，参数最优原则中“近似”指代同等条件下，抓取最接近的一组参数。用数据库符合条件的物料参数与新批次产品物料信息进行参数进行比较，选取偏差最下的一组物料参数的配方进行下发。参数最优原则中的运算后赋值，是根据抓取因子的参数与上线产品参数的差距，通过比例进行计算后赋值。
下面结合实施例对本发明提供的基于MES大数据的催化剂智能制造方法进行详细说明。
实施例1
一种基于MES大数据的催化剂智能制造方法，新批次配方A，二浆工序，报工在A生产，固含26％，粘度2304mpa·s。通过智能检索数据库数据，检索到同工序同设备同固含的生产记录有6条，选择最接近的参数进行赋值下发，锁定序号3配方：打浆行程85mm，负压-26kpa(图6中虚线框标注)。
表1实施例1的新产品过程关键工艺参数表
| 序号 | 工序 | 粘度 | 固含量 | 打浆行程 | 抽吸负压 |
| 1 | 二浆 | 1924 | 26 | 84 | -23 |
| 2 | 二浆 | 2546 | 26 | 84.2 | -27 |
| 3 | 二浆 | 2286 | 26 | 84.5 | -26 |
| 4 | 二浆 | 2192 | 26 | 85 | -35 |
| 5 | 二浆 | 2344 | 26 | 85.4 | -27 |
| 6 | 二浆 | 2304 | 26 | 85 | -21 |
如图6所示为实施例1的新产品的工艺参数数据图。
实施例2
一种基于MES大数据的催化剂智能制造方法，新批次B配方，二浆工序，报工在A设备生产，固含23％，粘度2136mpa·s。通过智能检索数据库数据，检索到同工序的生产记录有6条，但涉及3个设备2个固含，选择A设备最接近的参数进行赋值下发，锁定序号6配方：打浆行程140mm，负压-31kpa。
表2实施例2的新产品过程关键工艺参数表
如图7所示为实施例2的新产品的工艺参数数据图。
综上，本发明提供的基于MES大数据的催化剂智能制造方法，首先基于MES系统跟踪收集了大量涂覆过程实际生产结构化数据的基础上，通过增加首检数据甄别将每批次实际工艺参数进行有效采集，按照产品配方(包括产品工序、设备、浆液参数、载体型号、过程参数打浆行程、负压等)进行MES存档行程大数据库；然后新批次产品上线时，通过PDA扫码识别产品的配方和设备，根据上线物料的物性，在数据库按照参数最优的原则自动抓取匹配最优过程参数，实现配方智能下发；最后新批次产品生产后针对首检数据再次采集录入数据库，从而进一步丰富大数据库。本发明通过MES系统实现数据的采集、存储实现大数据库；采用首检数据甄别的方式，避免垃圾数据；通过参数最优原则实现智能匹配；通过合格生产后的数据回采进一步丰富数据库；与传统的新品导入、工艺验证、上线调试的新品参数确定原则对比，本发明方法通过MES组建结构化数据平台、有效数据导入以及数据应用开发等方式实现涂覆过程数据的智能匹配下发；从而达到调试一次合格率高、调试时间短，真正实现了制造过程的降本增效。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。
Claims (6)
1.一种基于MES大数据的催化剂智能制造方法，其特征在于，包括：
获取MES系统数据库中预先录入的首检合格品的生产参数和过程关键工艺参数；
当新产品上线时，通过PDA识别新产品的产品信息，并根据预先录入的所述首检合格品的过程关键工艺参数自动匹配新产品的过程关键工艺参数；
根据所述首检合格品的生产参数对所述新产品进行首检，获得新产品首检的生产参数；
将所述新产品首检的生产参数存储至所述MES系统数据库中；
所述首检合格品的过程关键工艺参数包括：浆液物性参数、产品型号、生产设备、打浆行程和抽吸负压；
所述根据预先录入的所述首检合格品的过程关键工艺参数自动匹配新产品的过程关键工艺参数，包括：根据参数最优原则将所述新产品的过程关键工艺参数与所述首检合格品的过程关键工艺参数进行自动匹配。
2.根据权利要求1所述的基于MES大数据的催化剂智能制造方法，其特征在于，所述根据参数最优原则将所述新产品的过程关键工艺参数与所述首检合格品的过程关键工艺参数进行自动匹配，包括：
根据新产品上线物料物性及生产设备，在所述MES系统数据库中进行检索，按照生产设备相同或同类、浆液物性参数最接近的原则进行参数直接赋值或运算。
3.根据权利要求1所述的基于MES大数据的催化剂智能制造方法，其特征在于，所述参数最优原则包括按照优先级由高到低排列的：同一配方同一设备同一固含近似粘度、同一配方同类设备同一固含近似粘度、同一配方同一设备近似固含近似粘度、同一配方同类设备近似固含近似粘度、近似配方同一设备同一固含近似粘度、近似配方同类设备同一固含近似粘度、近似配方同一设备近似固含近似粘度和近似配方同类设备近似固含近似粘度。
4.根据权利要求1所述的基于MES大数据的催化剂智能制造方法，其特征在于，所述新产品包括TWC、DOC、SCR、GPF和DPF中的任意一种。
5.根据权利要求1所述的基于MES大数据的催化剂智能制造方法，其特征在于，所述产品型号包括产品直径在93mm~330mm之间，以及产品高度在62mm~152.4mm之间的产品。
6.根据权利要求1所述的基于MES大数据的催化剂智能制造方法，其特征在于，所述生产设备包括：A类、F类和H类设备中的任意一种。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010209414.0A CN111399453B (zh) | 2020-03-23 | 2020-03-23 | 一种基于mes大数据的催化剂智能制造方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010209414.0A CN111399453B (zh) | 2020-03-23 | 2020-03-23 | 一种基于mes大数据的催化剂智能制造方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111399453A CN111399453A (zh) | 2020-07-10 |
| CN111399453B true CN111399453B (zh) | 2023-06-27 |
Family
ID=71436555
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010209414.0A Active CN111399453B (zh) | 2020-03-23 | 2020-03-23 | 一种基于mes大数据的催化剂智能制造方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111399453B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112306021A (zh) * | 2020-10-30 | 2021-02-02 | 邓权塑业科技（湖南）有限公司 | 一种基于大数据形成智能生产工艺的控制方法 |
| CN115682705B (zh) * | 2022-10-21 | 2024-05-03 | 无锡威孚环保催化剂有限公司 | 一种防错感应系统及其在催化剂烘干设备上的应用方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003140724A (ja) * | 2001-10-30 | 2003-05-16 | Mitsubishi Heavy Ind Ltd | 生産管理システム |
| CN103268093A (zh) * | 2013-04-28 | 2013-08-28 | 中山美科冷冻设备有限公司 | 基于Web的制冷设备全生命周期智能生产与维护系统 |
| CN106371416A (zh) * | 2016-11-18 | 2017-02-01 | 安徽江淮汽车股份有限公司 | 装配线上的装配控制方法及系统 |
| WO2019048039A1 (en) * | 2017-09-06 | 2019-03-14 | Aviovision | SYSTEM AND METHOD FOR MANAGING OPERATIONS OF A COMMERCIAL TRANSPORT VEHICLE |
| CN109636142A (zh) * | 2018-11-27 | 2019-04-16 | 武汉光迅科技股份有限公司 | 一种基于mes的工艺首检方法和装置 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103632014B (zh) * | 2013-12-18 | 2016-06-15 | 北京科技大学 | 一种热连轧产品生产流程的工艺参数预测方法 |
| CN105084729B (zh) * | 2014-05-12 | 2017-05-10 | 浙江理工大学 | 一种玻璃钢化工艺的工艺参数设置方法 |
| CN104608363A (zh) * | 2015-01-15 | 2015-05-13 | 广东工业大学 | 一种塑料挤出生产中工艺参数配置的专家系统及方法 |
| CN110909507A (zh) * | 2018-09-12 | 2020-03-24 | 台达电子工业股份有限公司 | 焊锡制程参数建议方法 |
| CN110435105A (zh) * | 2019-08-12 | 2019-11-12 | 上海智引信息科技有限公司 | 基于品质信息实现塑料成型最优工艺参数智能推荐控制的系统及其方法 |
| CN111008812A (zh) * | 2019-10-31 | 2020-04-14 | 乳源东阳光磁性材料有限公司 | 一种三元前驱体智能精益化系统及方法 |
-
2020
- 2020-03-23 CN CN202010209414.0A patent/CN111399453B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003140724A (ja) * | 2001-10-30 | 2003-05-16 | Mitsubishi Heavy Ind Ltd | 生産管理システム |
| CN103268093A (zh) * | 2013-04-28 | 2013-08-28 | 中山美科冷冻设备有限公司 | 基于Web的制冷设备全生命周期智能生产与维护系统 |
| CN106371416A (zh) * | 2016-11-18 | 2017-02-01 | 安徽江淮汽车股份有限公司 | 装配线上的装配控制方法及系统 |
| WO2019048039A1 (en) * | 2017-09-06 | 2019-03-14 | Aviovision | SYSTEM AND METHOD FOR MANAGING OPERATIONS OF A COMMERCIAL TRANSPORT VEHICLE |
| CN109636142A (zh) * | 2018-11-27 | 2019-04-16 | 武汉光迅科技股份有限公司 | 一种基于mes的工艺首检方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111399453A (zh) | 2020-07-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111399453B (zh) | 一种基于mes大数据的催化剂智能制造方法 | |
| CN110019218B (zh) | 数据存储与查询方法及设备 | |
| CN106131158A (zh) | 一种云数据中心环境下基于云租户信用度的资源调度装置 | |
| WO2019024622A1 (zh) | 生产管理方法及系统 | |
| CN111400288A (zh) | 数据质量检查方法及系统 | |
| CN111160855A (zh) | 一种报告单自动审核方法、装置、设备及存储介质 | |
| CN105426544B (zh) | 监控数据库状态的方法及装置 | |
| CN107085603B (zh) | 一种数据处理方法及装置 | |
| CN115689407A (zh) | 账户异常检测方法、装置以及终端设备 | |
| CN112184108A (zh) | 工具器管控方法及系统 | |
| CN115880116A (zh) | 任务调度方法、系统，可读存储介质及计算机设备 | |
| CN112380256B (zh) | 能源系统数据存取的方法、数据库、计算机可读存储介质 | |
| CN113961770A (zh) | 一种企业大数据监控系统及监控方法 | |
| CN114490164B (zh) | 日志的收集方法、系统、设备及计算机存储介质 | |
| CN111782657B (zh) | 数据处理方法及装置 | |
| CN110633315A (zh) | 一种数据处理方法、设备及计算机存储介质 | |
| CN105512309A (zh) | 一种报表搜索方法及报表搜索装置 | |
| CN106095857A (zh) | 一种批量振动数据分析方法 | |
| CN118051715A (zh) | 一种基于bom的电子产品平台化程度评价方法 | |
| CN117035544A (zh) | 数据处理方法、系统、电子设备及计算机可读存储介质 | |
| CN111694732A (zh) | 一种测试数据生成方法及装置 | |
| CN118053125A (zh) | 一种工程进度可视化图像监督方法、装置、设备及介质 | |
| CN114090614A (zh) | 一种数据查询方法及装置 | |
| Iwata et al. | In-line wafer inspection data warehouse for automated defect limited yield analysis | |
| CN118331964A (zh) | 一种用于模型表的关联关系识别方法、设备及介质 |
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 |