CN111626548A - 一种基于mes系统的质量管理方法和设备 - Google Patents
一种基于mes系统的质量管理方法和设备 Download PDFInfo
- Publication number
- CN111626548A CN111626548A CN202010266139.6A CN202010266139A CN111626548A CN 111626548 A CN111626548 A CN 111626548A CN 202010266139 A CN202010266139 A CN 202010266139A CN 111626548 A CN111626548 A CN 111626548A
- Authority
- CN
- China
- Prior art keywords
- data
- quality
- preset
- factor
- acquiring
- 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
- 238000007726 management method Methods 0.000 title abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000004519 manufacturing process Methods 0.000 claims abstract description 41
- 238000011068 loading method Methods 0.000 claims abstract description 32
- 238000013075 data extraction Methods 0.000 claims abstract description 30
- 238000006243 chemical reaction Methods 0.000 claims abstract description 29
- 238000007781 pre-processing Methods 0.000 claims abstract description 27
- 238000000605 extraction Methods 0.000 claims description 18
- 238000007418 data mining Methods 0.000 claims description 16
- 238000013138 pruning Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 13
- 230000007547 defect Effects 0.000 claims description 12
- 238000012423 maintenance Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000008676 import Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011960 computer-aided design Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000011157 data evaluation Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
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
- G06Q10/06395—Quality analysis or management
-
- 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)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于MES系统的质量管理方法和设备,该方法包括:基于预设采集频率和采集类型采集原始质量数据;根据对所述原始质量数据进行预处理的结果确定质量特征数据,所述预处理包括数据抽取、数据转换和数据加载;根据所述质量特征数据和预设质量因素的匹配结果获取多个质量模式数据集合,所述预设质量因素为基于历史生产数据确定的影响产品质量的因素;基于各所述质量模式数据集合对应的预设质量模式选择规则确定有效质量模式数据,并通过所述有效质量模式数据进行质量管理,从而实现对质量数据的全面管理,提高了管理效率。
Description
技术领域
本申请涉及制造信息化技术领域,更具体地,涉及一种基于MES系统的质量管理方法和设备。
背景技术
随着社会经济的快速发展,人们对生活高质量的追求和对物质高品位的需求越来越高,产品质量关乎企业的生命。信息化是当今时代发展的大趋势,代表着先进生产力。
MES系统(Manufacturing Execution System,制造执行系统)作为一种高效智能的制造系统已广泛应用于生产加工领域,旨在加强生产计划的执行功能。
基于MES系统的生产过程产生大量的质量数据,这些质量数据对涉及人员、设备、零件、检验、质量、工艺、制造和管理等各个方面。由于数据类型多种多样,相互关联性明显且来源繁多,传统的质量管理依赖专家的经验,存在以下的缺点:
1、质量检验结果以数据记录,不合格项反馈为主,各检验环节对质检数据的系统性统计与分析工作很少,不能对生产过程产生预防性指导;
2、分析过程严重依赖主观经验,效率低下,分析流程不规范,理论依据不充足,分析结果难以重现。
因此,如何对质量数据进行有效控制,提高管理效率是目前有待解决的技术问题。
发明内容
本发明提供一种基于MES系统的质量管理方法,用以解决现有技术中基于MES系统的生产过程中对于质量的管理方式单一,效率低下的技术问题,该方法包括:
基于预设采集频率和采集类型采集原始质量数据,所述采集类型是基于4M1E法确定的,包括人员类型、设备类型、物料类型、方法类型和环境类型;
根据对所述原始质量数据进行预处理的结果确定质量特征数据,所述预处理包括数据抽取、数据转换和数据加载;
根据所述质量特征数据和预设质量因素的匹配结果获取多个质量模式数据集合,所述预设质量因素为基于历史生产数据确定的影响产品质量的因素;
基于各所述质量模式数据集合对应的预设质量模式选择规则确定有效质量模式数据,并通过所述有效质量模式数据进行质量管理。
优选的,根据所述质量特征数据和预设质量因素的匹配结果获取多个质量模式数据集合,具体为:
根据所述匹配结果获取多个质量因素数据集合;
根据各所述预设质量因素对应的质量模式因素数设定数据挖掘策略;
基于所述数据挖掘策略将各所述质量因素数据集合划分为各所述质量模式数据集合。
优选的,基于所述数据挖掘策略将各所述质量因素数据集合划分为各所述质量模式数据集合,具体为:
基于设定最小支持度和最小置信度生成各所述质量因素数据集合对应的候选k项集,其中k为正整数;
对所述候选k项集进行剪枝,获取频繁集,具体的剪枝做法为遍历候选集每一条记录Ti,计算Ti的支持度support(Ti),若support(Ti)小于最小支持度则删除该条记录;同时遍历Ti中每一个非空子集,若存在非频繁集也删除该条记录;
对获取的频繁集进行自连接,形成下一轮的候选集;
重新对所述候选k项集进行剪枝,获取频繁集,直到没有新的项集满足所述最小支持度;
根据形成的最终频繁集,计算频繁集各项之间的置信度,过滤掉小于所述最小置信度的项集,生成强关联规则并得到各所述质量模式数据集合。
优选的,根据对所述原始质量数据进行预处理的结果确定质量特征数据,具体为:
从所述原始质量数据对应的各数据源抽取数据到预设临时存储区域,获取数据抽取数据,所述数据抽取数据包括全量抽取数据和增量抽取数据;
将所述数据抽取数据进行数据合并汇总、格式统一、文件过滤、关键数据的重构及定位,获取数据转换数据;
将所述数据转换数据按预设物理和逻辑模型定义从所述预设临时存储区域加载到预设目标数据库,获取数据加载数据;
根据所述数据加载数据确定所述质量特征数据。
优选的,所述预设质量因素至少包括物理指标因素、生产过程实时状态因素、设备维修因素、辅料信息因素或外观缺陷因素中的一种或一种以上组合。
相应地,本发明还提出了一种基于MES系统的质量管理设备,所述设备包括:
采集模块,用于基于预设采集频率和采集类型采集原始质量数据,所述采集类型是基于4M1E法确定的,包括人员类型、设备类型、物料类型、方法类型和环境类型;
确定模块,用于根据对所述原始质量数据进行预处理的结果确定质量特征数据,所述预处理包括数据抽取、数据转换和数据加载;
获取模块,用于根据所述质量特征数据和预设质量因素的匹配结果获取多个质量模式数据集合,所述预设质量因素为基于历史生产数据确定的影响产品质量的因素;
管理模块,用于基于各所述质量模式数据集合对应的预设质量模式选择规则确定有效质量模式数据,并通过所述有效质量模式数据进行质量管理。
优选的,所述获取模块,具体用于:
根据所述匹配结果获取多个质量因素数据集合;
根据各所述预设质量因素对应的质量模式因素数设定数据挖掘策略;
基于所述数据挖掘策略将各所述质量因素数据集合划分为各所述质量模式数据集合。
优选的,所述获取模块,还具体用于:
基于设定最小支持度和最小置信度生成各所述质量因素数据集合对应的候选k项集,其中k为正整数;
对所述候选k项集进行剪枝,获取频繁集,具体的剪枝做法为遍历候选集每一条记录Ti,计算Ti的支持度support(Ti),若support(Ti)小于最小支持度则删除该条记录;同时遍历Ti中每一个非空子集,若存在非频繁集也删除该条记录;
对获取的频繁集进行自连接,形成下一轮的候选集;
重新对所述候选k项集进行剪枝,获取频繁集,直到没有新的项集满足所述最小支持度;
根据形成的最终频繁集,计算频繁集各项之间的置信度,过滤掉小于所述最小置信度的项集,生成强关联规则并得到各所述质量模式数据集合。
优选的,所述确定模块,具体用于:
从所述原始质量数据对应的各数据源抽取数据到预设临时存储区域,获取数据抽取数据,所述数据抽取数据包括全量抽取数据和增量抽取数据;
将所述数据抽取数据进行数据合并汇总、格式统一、文件过滤、关键数据的重构及定位,获取数据转换数据;
将所述数据转换数据按预设物理和逻辑模型定义从所述预设临时存储区域加载到预设目标数据库,获取数据加载数据;
根据所述数据加载数据确定所述质量特征数据。
优选的,所述预设质量因素至少包括物理指标因素、生产过程实时状态因素、设备维修因素、辅料信息因素或外观缺陷因素中的一种或一种以上组合。
与现有技术对比,本发明具备以下有益效果:
本发明公开了一种基于MES系统的质量管理方法和设备,该方法包括:基于预设采集频率和采集类型采集原始质量数据;根据对所述原始质量数据进行预处理的结果确定质量特征数据,所述预处理包括数据抽取、数据转换和数据加载;根据所述质量特征数据和预设质量因素的匹配结果获取多个质量模式数据集合,所述预设质量因素为基于历史生产数据确定的影响产品质量的因素;基于各所述质量模式数据集合对应的预设质量模式选择规则确定有效质量模式数据,并通过所述有效质量模式数据进行质量管理,从而实现对质量数据的全面管理,提高了管理效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本发明实施例提出的一种基于MES系统的质量管理方法的流程示意图;
图2示出了本发明另一实施例提出的一种基于MES系统的质量管理方法的流程示意图;
图3示出了本发明实施例中数据挖掘策略流程示意图;
图4示出了本发明又一实施例提出的一种基于MES系统的质量管理方法的流程示意图;
图5示出了本发明实施例提出的一种基于MES系统的质量管理设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
如背景技术所述,现有技术中在基于MES系统的生产过程中对于质量的管理方式单一,效率低下。
为解决上述问题,本申请实施例提出了基于MES系统的质量管理方法,通过对采集的原始质量数据进行预处理确定质量特征数据,并根据质量特征数据和预设质量因素的匹配结果获取多个质量模式数据集合,基于各质量模式数据集合对应的预设质量模式选择规则确定有效质量模式数据,并通过所述有效质量模式数据进行质量管理,从而实现对质量数据的全面管理,提高了管理效率。
如图1所示本发明实施例提出的一种基于MES系统的质量管理方法的流程示意图,该方法包括以下步骤:
步骤S101,基于预设采集频率和采集类型采集原始质量数据,所述采集类型是基于4M1E法确定的,包括人员类型、设备类型、物料类型、方法类型和环境类型。
具体的,“4M”指Man(人),Machine(机器),Material(物),Method(方法),简称人、机、物、法,即要充分考虑人、机、物、法这四个方面因素,通常还要包含“1E”:Environments(环境),故合称4M1E,具体包括:
具体内容如下:
1)人员(Man):包括设计人员、工艺人员、装配人员、检测人员等,人员的受教育程度、专业技术水平、身体健康状况、心理素质情况等数据。
2)设备(Machine):设备的使用年限、运行状况、保养维护情况、故障频率等数据可以作为统计分析的装配数据内容。
3)物料(Material):物料的制造精度、材质、外形尺寸等数据都将作为装配的基础数据内容。
4)方法(Method):工艺方法包括飞机装配工艺计划和检测工艺计划等数据。
5)环境(Environment):装配现场的环境因素,比如湿度、温度、照明、气压、噪声、震动等因素都会对人员、设备、物料等数据。
对于现代化的数字化工厂,自动化程度高是体现工厂先进性的象征,MES系统作为制造车间制造执行管理的核心需要考虑与工厂底层自动化的集成,目前市场上大型的MES系统平台大都提供了与这些自动化设备或系统的标准集成接口,从而为MES系统系统的设备数据采集提供技术保障,也减轻了一线作业人员纸质记录生产过程数据的负担。还包括FRID(Radio Frequency Identification,无线射频识别技术)和条码识别技术等数据采集方式。以及各种先进装配测量设备比如激光跟踪仪、激光雷达、三维坐标测量仪、iGPS(indoor GPS,室内GPS)室内测量、关节臂测量等数字化测量仪器设备。同时还有包括各数字化应用系统数据的转换和导入,比如CAD(Computer Aided Design,计算机辅助设计)、DELMIA(Digital Enterprise Lean Manufacturing Interactive Application,数字化企业的互动制造应用软件)、3DVIA Composer、ERP(Enterprise Resource Planning,企业资源计划)等应用系统生成的数据信息,并按预设采集频率进行原始质量数据采集。
步骤S102,根据对所述原始质量数据进行预处理的结果确定质量特征数据,所述预处理包括数据抽取、数据转换和数据加载。
具体的,数字化装配质量数据因为采集生成方式多样以及制造过程复杂等原因,导致其具有以下特征:数据高维、数据多源、信息量大、数据异构、数据质量差等特点。针对这种数据缺乏统一规范、未标准化不能很好实现数据共享以及充分利用数据来改进装配质量等现状,因此需要对原始质量数据进行预处理,把各来源、各种格式、各种性质特点的数据在物理和逻辑上科学合理地有机集合,从而为质量管理提供基础数据条件。
数据预处理包括数据抽取、数据转换和数据加载,数据抽取、转换和加载是随着数据仓库而提出,数据仓库也是数据集成的一个重要方法,主要对各信息系统数据进行抽取、转换、清洗和装载等数据准备活动,为智能系统提供所需要的数据准备。
步骤S103,根据所述质量特征数据和预设质量因素的匹配结果获取多个质量模式数据集合,所述预设质量因素为基于历史生产数据确定的影响产品质量的因素。
具体的,为了实现全面质量管理,基于历史生产数据确定生产过程中影响产品质量问题的所有因素,将这些因素作为预设质量因素,并将步骤S102获得的质量特征数据与该预设质量因素进行匹配获取多个质量模式数据集合,举例来说,预设质量因素可以为实时状态因素,而实时状态因素可包括多个质量模式因素,如设备停机信息模式因素、产量信息模式因素、停机原因模式因素或设备有效作业率模式因素等,将对应的质量特征数据与实时状态因素进行匹配可获取质量模式数据集合,预设质量因素可以为多个,因此可获取多个质量模式数据集合。
步骤S104,基于各所述质量模式数据集合对应的预设质量模式选择规则确定有效质量模式数据,并通过所述有效质量模式数据进行质量管理。
具体的,根据质量模式数据集合表达定义及解释,设定的质量数据分析和评价结果的方法,作为预设质量模式选择规则,并进行判断:
若数据符合预设质量模式选择规则,确定该数据为有效质量模式数据,用于下一步调用,进行质量管理;若数据不符合预设质量模式选择规则,则弃用该数据。
通过应用以上技术方案,基于预设采集频率和采集类型采集原始质量数据;根据对所述原始质量数据进行预处理的结果确定质量特征数据;根据所述质量特征数据和预设质量因素的匹配结果获取多个质量模式数据集合;基于各所述质量模式数据集合对应的预设质量模式选择规则确定有效质量模式数据,并通过所述有效质量模式数据进行质量管理,从而实现对质量数据的全面管理,提高了管理效率。
如图2所示为本发明另一实施例提出的一种基于MES系统的质量管理方法的流程示意图,包括以下步骤:
步骤S201,基于预设采集频率和采集类型采集原始质量数据。
所述采集类型是基于4M1E法确定的,包括人员类型、设备类型、物料类型、方法类型和环境类型,按预设采集频率和采集类型进行原始质量数据采集。采集方式可包括集成数据接口,FRID和条码识别,数据测量和数字化应用系统数据的转换和导入等。
步骤S202,根据对所述原始质量数据进行预处理的结果确定质量特征数据。
数字化装配质量数据因为采集生成方式多样以及制造过程复杂等原因,导致其具有以下特征:数据高维、数据多源、信息量大、数据异构、数据质量差等特点。针对这种数据缺乏统一规范、未标准化不能很好实现数据共享以及充分利用数据来改进装配质量等现状,因此需要对原始质量数据进行预处理,把各来源、各种格式、各种性质特点的数据在物理和逻辑上科学合理地有机集合,从而为质量管理提供基础数据条件。数据预处理包括数据抽取、数据转换和数据加载。
步骤S203,根据所述质量特征数据和预设质量因素的匹配结果获取多个质量因素数据集合。
预设质量因素为基于历史生产数据确定的影响产品质量的因素,预设质量因素可以为多个,将质量特征数据和多个预设质量因素匹配可获取多个质量因素数据集合。
所述预设质量因素至少包括物理指标因素、生产过程实时状态因素、设备维修因素、辅料信息因素或外观缺陷因素中的一种或一种以上组合,其中:
物理指标因素可包括产品尺寸、产品重量等因素,当然也包括有其它影响物理指标的因素;
生产过程实时状态因素可包括设备停机信息、产量信息、停机原因或设备有效作业率中的一种或一种以上组合,此方面具体需要采集哪些数据,根据实际的需要进行设定,但是,在生产过程实时状态因素的数据采集中,也可以包括实际生产时,其它方面影响到产品质量的生产过程实时状态因素的数据;
辅料信息因素可为产品对应的物料的规格、种类等因素;
外观缺陷因素可以为产品在外观上的缺陷,如包装缺陷,本体缺陷等因素。
步骤S204,根据各所述预设质量因素对应的质量模式因素数设定数据挖掘策略。
每个预设质量因素可包括多个质量模式因素,例如预设质量因素可以为实时状态因素,而实时状态因素可包括多个质量模式因素,如设备停机信息模式因素、产量信息模式因素、停机原因模式因素或设备有效作业率模式因素等,而物理指标因素可以包括产品圆周模式因素,产品长度模式因素、产品重量模式因素等,为了获得更加准确的质量模式数据集合,根据各所述预设质量因素对应的质量模式因素数设定数据挖掘策略,在本申请中,不同的质量模式因素,可设定不同的数据挖掘策略,也可以几个质量模式因素,设定一个相同的数据挖掘策略。
步骤S205,基于所述数据挖掘策略将各所述质量因素数据集合划分为各所述质量模式数据集合。
如图3所示为本发明实施例中数据挖掘策略流程示意图,包括以下步骤:
步骤S301,基于设定最小支持度和最小置信度生成各所述质量因素数据集合对应的候选k项集,其中k为正整数。
步骤S302,对所述候选k项集进行剪枝,获取频繁集。
步骤S303,对获取的频繁集进行自连接,形成下一轮的候选集。
步骤S304,判断是否存在新的项集满足所述最小支持度,若是执行步骤S302,若否执行步骤S305。
步骤S305,根据形成的最终频繁集,计算频繁集各项之间的置信度,过滤掉小于所述最小置信度的项集,生成强关联规则并得到各所述质量模式数据集合。
步骤S206,基于各所述质量模式数据集合对应的预设质量模式选择规则确定有效质量模式数据,并通过所述有效质量模式数据进行质量管理。
根据质量模式数据集合表达定义及解释,设定的质量数据分析和评价结果的方法,作为预设质量模式选择规则,并进行判断:若数据符合预设质量模式选择规则,确定该数据为有效质量模式数据,用于下一步调用,进行质量管理;若数据不符合预设质量模式选择规则,则弃用该数据。
通过应用以上技术方案,基于预设采集频率和采集类型采集原始质量数据;根据对所述原始质量数据进行预处理的结果确定质量特征数据;根据所述质量特征数据和预设质量因素的匹配结果获取多个质量模式数据集合;基于各所述质量模式数据集合对应的预设质量模式选择规则确定有效质量模式数据,并通过所述有效质量模式数据进行质量管理,从而实现对质量数据的全面管理,提高了管理效率。
如图4所示为本发明又一实施例提出的一种基于MES系统的质量管理方法的流程示意图,包括以下步骤:
步骤S401,基于预设采集频率和采集类型采集原始质量数据。
所述采集类型是基于4M1E法确定的,包括人员类型、设备类型、物料类型、方法类型和环境类型,按预设采集频率和采集类型进行原始质量数据采集。采集方式可包括集成数据接口,FRID和条码识别,数据测量和数字化应用系统数据的转换和导入等。
步骤S402,从所述原始质量数据对应的各数据源抽取数据到预设临时存储区域,获取数据抽取数据。
数据抽取是数据的输入环节,主要是解决数据多源异构问题,即从外部各应用系统、各数据库等多个异构数据源抽取数据到统一的数据存储区域。根据抽取时间不同可以把数据抽取分为全量抽取和增量抽取,全量抽取为数据仓库初始化时将源数据中所有图表等数据全部提取出来,增量抽取为数据仓库增量维护中只针对上一次抽取后更改和新增的数据进行抽取。在实施时可利用触发器采取增量抽取方法来实现数据仓库的维护更新工作,在抽取的数据安装新建、更改和删除3个触发器,当数据发生更改等变化情况触发器开始工作并将数据记录在临时过渡表中,在从临时过渡表中抽取增量数据。
数据高维量大等特点简单进行常规的一次数据预处理很难得到理想的目标数据,所以采取构造临时数据存储方式将第一次抽取数据存放在预设临时存储区域,然后再次对数据预处理就能容易得到目标数据。
步骤S403,将所述数据抽取数据进行数据合并汇总、格式统一、文件过滤、关键数据的重构及定位,获取数据转换数据。
数据转换指将抽取的数据进行数据合并汇总、格式统一、文件过滤、关键数据的重构及定位等操作,因为数据格式不统一、数据不完整容易造成数据读取失败等问题,所以对数据进行转换和加工就显得尤为重要。
步骤S404,将所述数据转换数据按预设物理和逻辑模型定义从所述预设临时存储区域加载到预设目标数据库,获取数据加载数据。
数据加载就是数据的输出环节,即将抽取、转换、清洗后的干净数据按照物理和逻辑模型定义从统一的数据临时存储加载到目标数据库的过程,同时允许人工干预以及提供系统日志、错误报警、数据备份和恢复功能。
步骤S405,根据所述数据加载数据确定质量特征数据。
步骤S406,根据所述质量特征数据和预设质量因素的匹配结果获取多个质量模式数据集合。
为了实现全面质量管理,基于历史生产数据确定生产过程中影响产品质量问题的所有因素,将这些因素作为预设质量因素,并将步骤S102获得的质量特征数据与该预设质量因素进行匹配获取多个质量模式数据集合。举例来说,预设质量因素可以为实时状态因素,而实时状态因素可包括多个质量模式因素,如设备停机信息模式因素、产量信息模式因素、停机原因模式因素或设备有效作业率模式因素等,将对应的质量特征数据与实时状态因素进行匹配可获取质量模式数据集合,预设质量因素可以为多个,因此可获取多个质量模式数据集合。所述预设质量因素至少包括物理指标因素、生产过程实时状态因素、设备维修因素、辅料信息因素或外观缺陷因素中的一种或一种以上组合。
步骤S407,基于各所述质量模式数据集合对应的预设质量模式选择规则确定有效质量模式数据,并通过所述有效质量模式数据进行质量管理。
根据质量模式数据集合表达定义及解释,设定的质量数据分析和评价结果的方法,作为预设质量模式选择规则,并进行判断:若数据符合预设质量模式选择规则,确定该数据为有效质量模式数据,用于下一步调用,进行质量管理;若数据不符合预设质量模式选择规则,则弃用该数据。
通过应用以上技术方案,基于预设采集频率和采集类型采集原始质量数据;根据对所述原始质量数据进行预处理的结果确定质量特征数据;根据所述质量特征数据和预设质量因素的匹配结果获取多个质量模式数据集合;基于各所述质量模式数据集合对应的预设质量模式选择规则确定有效质量模式数据,并通过所述有效质量模式数据进行质量管理,从而实现对质量数据的全面管理,提高了管理效率。
为了达到以上技术目的,本申请实施例还提出了一种基于MES系统的质量管理设备,如图5所示,所述设备包括:
采集模块501,用于基于预设采集频率和采集类型采集原始质量数据,所述采集类型是基于4M1E法确定的,包括人员类型、设备类型、物料类型、方法类型和环境类型;
确定模块502,用于根据对所述原始质量数据进行预处理的结果确定质量特征数据,所述预处理包括数据抽取、数据转换和数据加载;
获取模块503,用于根据所述质量特征数据和预设质量因素的匹配结果获取多个质量模式数据集合,所述预设质量因素为基于历史生产数据确定的影响产品质量的因素;
管理模块504,用于基于各所述质量模式数据集合对应的预设质量模式选择规则确定有效质量模式数据,并通过所述有效质量模式数据进行质量管理。
在具体的应用场景中,所述获取模块503,具体用于:
根据所述匹配结果获取多个质量因素数据集合;
根据各所述预设质量因素对应的质量模式因素数设定数据挖掘策略;
基于所述数据挖掘策略将各所述质量因素数据集合划分为各所述质量模式数据集合。
在具体的应用场景中,所述获取模块503,还具体用于:
基于设定最小支持度和最小置信度生成各所述质量因素数据集合对应的候选k项集,其中k为正整数;
对所述候选k项集进行剪枝,获取频繁集,具体的剪枝做法为遍历候选集每一条记录Ti,计算Ti的支持度support(Ti),若support(Ti)小于最小支持度则删除该条记录;同时遍历Ti中每一个非空子集,若存在非频繁集也删除该条记录;
对获取的频繁集进行自连接,形成下一轮的候选集;
重新对所述候选k项集进行剪枝,获取频繁集,直到没有新的项集满足所述最小支持度;
根据形成的最终频繁集,计算频繁集各项之间的置信度,过滤掉小于所述最小置信度的项集,生成强关联规则并得到各所述质量模式数据集合。
在具体的应用场景中,所述确定模块502,具体用于:
从所述原始质量数据对应的各数据源抽取数据到预设临时存储区域,获取数据抽取数据,所述数据抽取数据包括全量抽取数据和增量抽取数据;
将所述数据抽取数据进行数据合并汇总、格式统一、文件过滤、关键数据的重构及定位,获取数据转换数据;
将所述数据转换数据按预设物理和逻辑模型定义从所述预设临时存储区域加载到预设目标数据库,获取数据加载数据;
根据所述数据加载数据确定所述质量特征数据。
在具体的应用场景中,所述预设质量因素至少包括物理指标因素、生产过程实时状态因素、设备维修因素、辅料信息因素或外观缺陷因素中的一种或一种以上组合。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不驱使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种基于MES系统的质量管理方法,其特征在于,所述方法包括:
基于预设采集频率和采集类型采集原始质量数据,所述采集类型是基于4M1E法确定的,包括人员类型、设备类型、物料类型、方法类型和环境类型;
根据对所述原始质量数据进行预处理的结果确定质量特征数据,所述预处理包括数据抽取、数据转换和数据加载;
根据所述质量特征数据和预设质量因素的匹配结果获取多个质量模式数据集合,所述预设质量因素为基于历史生产数据确定的影响产品质量的因素;
基于各所述质量模式数据集合对应的预设质量模式选择规则确定有效质量模式数据,并通过所述有效质量模式数据进行质量管理。
2.如权利要求1所述的方法,其特征在于,根据所述质量特征数据和预设质量因素的匹配结果获取多个质量模式数据集合,具体为:
根据所述匹配结果获取多个质量因素数据集合;
根据各所述预设质量因素对应的质量模式因素数设定数据挖掘策略;
基于所述数据挖掘策略将各所述质量因素数据集合划分为各所述质量模式数据集合。
3.如权利要求2所述的方法,其特征在于,基于所述数据挖掘策略将各所述质量因素数据集合划分为各所述质量模式数据集合,具体为:
基于设定最小支持度和最小置信度生成各所述质量因素数据集合对应的候选k项集,其中k为正整数;
对所述候选k项集进行剪枝,获取频繁集,具体的剪枝做法为遍历候选集每一条记录Ti,计算Ti的支持度support(Ti),若support(Ti)小于最小支持度则删除该条记录;同时遍历Ti中每一个非空子集,若存在非频繁集也删除该条记录;
对获取的频繁集进行自连接,形成下一轮的候选集;
重新对所述候选k项集进行剪枝,获取频繁集,直到没有新的项集满足所述最小支持度;
根据形成的最终频繁集,计算频繁集各项之间的置信度,过滤掉小于所述最小置信度的项集,生成强关联规则并得到各所述质量模式数据集合。
4.如权利要求1所述的方法,其特征在于,根据对所述原始质量数据进行预处理的结果确定质量特征数据,具体为:
从所述原始质量数据对应的各数据源抽取数据到预设临时存储区域,获取数据抽取数据,所述数据抽取数据包括全量抽取数据和增量抽取数据;
将所述数据抽取数据进行数据合并汇总、格式统一、文件过滤、关键数据的重构及定位,获取数据转换数据;
将所述数据转换数据按预设物理和逻辑模型定义从所述预设临时存储区域加载到预设目标数据库,获取数据加载数据;
根据所述数据加载数据确定所述质量特征数据。
5.如权利要求1所述的方法,其特征在于,所述预设质量因素至少包括物理指标因素、生产过程实时状态因素、设备维修因素、辅料信息因素或外观缺陷因素中的一种或一种以上组合。
6.一种基于MES系统的质量管理设备,其特征在于,所述设备包括:
采集模块,用于基于预设采集频率和采集类型采集原始质量数据,所述采集类型是基于4M1E法确定的,包括人员类型、设备类型、物料类型、方法类型和环境类型;
确定模块,用于根据对所述原始质量数据进行预处理的结果确定质量特征数据,所述预处理包括数据抽取、数据转换和数据加载;
获取模块,用于根据所述质量特征数据和预设质量因素的匹配结果获取多个质量模式数据集合,所述预设质量因素为基于历史生产数据确定的影响产品质量的因素;
管理模块,用于基于各所述质量模式数据集合对应的预设质量模式选择规则确定有效质量模式数据,并通过所述有效质量模式数据进行质量管理。
7.如权利要求6所述的设备,其特征在于,所述获取模块,具体用于:
根据所述匹配结果获取多个质量因素数据集合;
根据各所述预设质量因素对应的质量模式因素数设定数据挖掘策略;
基于所述数据挖掘策略将各所述质量因素数据集合划分为各所述质量模式数据集合。
8.如权利要求7所述的设备,其特征在于,所述获取模块,还具体用于:
基于设定最小支持度和最小置信度生成各所述质量因素数据集合对应的候选k项集,其中k为正整数;
对所述候选k项集进行剪枝,获取频繁集,具体的剪枝做法为遍历候选集每一条记录Ti,计算Ti的支持度support(Ti),若support(Ti)小于最小支持度则删除该条记录;同时遍历Ti中每一个非空子集,若存在非频繁集也删除该条记录;
对获取的频繁集进行自连接,形成下一轮的候选集;
重新对所述候选k项集进行剪枝,获取频繁集,直到没有新的项集满足所述最小支持度;
根据形成的最终频繁集,计算频繁集各项之间的置信度,过滤掉小于所述最小置信度的项集,生成强关联规则并得到各所述质量模式数据集合。
9.如权利要求6所述的设备,其特征在于,所述确定模块,具体用于:
从所述原始质量数据对应的各数据源抽取数据到预设临时存储区域,获取数据抽取数据,所述数据抽取数据包括全量抽取数据和增量抽取数据;
将所述数据抽取数据进行数据合并汇总、格式统一、文件过滤、关键数据的重构及定位,获取数据转换数据;
将所述数据转换数据按预设物理和逻辑模型定义从所述预设临时存储区域加载到预设目标数据库,获取数据加载数据;
根据所述数据加载数据确定所述质量特征数据。
10.如权利要求6所述的设备,其特征在于,所述预设质量因素至少包括物理指标因素、生产过程实时状态因素、设备维修因素、辅料信息因素或外观缺陷因素中的一种或一种以上组合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010266139.6A CN111626548A (zh) | 2020-04-07 | 2020-04-07 | 一种基于mes系统的质量管理方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010266139.6A CN111626548A (zh) | 2020-04-07 | 2020-04-07 | 一种基于mes系统的质量管理方法和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111626548A true CN111626548A (zh) | 2020-09-04 |
Family
ID=72259696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010266139.6A Pending CN111626548A (zh) | 2020-04-07 | 2020-04-07 | 一种基于mes系统的质量管理方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111626548A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113190544A (zh) * | 2021-05-26 | 2021-07-30 | 重庆高新技术产业研究院有限责任公司 | 一种面向企业的mes数据抽取和清洗方法 |
CN113364590A (zh) * | 2021-06-07 | 2021-09-07 | 重庆高新技术产业研究院有限责任公司 | 一种面向多类型企业生产过程数据的区块链加密方法 |
CN113808376A (zh) * | 2021-09-18 | 2021-12-17 | 中国工商银行股份有限公司 | 自助柜员机设备安全监控方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107168263A (zh) * | 2017-06-16 | 2017-09-15 | 江南大学 | 一种基于大数据挖掘的针织mes生产计划与调度方法 |
CN109840258A (zh) * | 2019-01-29 | 2019-06-04 | 四川大学华西医院 | 一种基于关联规则的数据挖掘方法及装置 |
CN110188085A (zh) * | 2019-04-18 | 2019-08-30 | 红云红河烟草(集团)有限责任公司 | 一种烟草卷包车间质量数据模型建立方法 |
CN110555067A (zh) * | 2018-03-30 | 2019-12-10 | 南京理工大学 | 装配质量数据的采集、处理和集成管理方法 |
-
2020
- 2020-04-07 CN CN202010266139.6A patent/CN111626548A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107168263A (zh) * | 2017-06-16 | 2017-09-15 | 江南大学 | 一种基于大数据挖掘的针织mes生产计划与调度方法 |
CN110555067A (zh) * | 2018-03-30 | 2019-12-10 | 南京理工大学 | 装配质量数据的采集、处理和集成管理方法 |
CN109840258A (zh) * | 2019-01-29 | 2019-06-04 | 四川大学华西医院 | 一种基于关联规则的数据挖掘方法及装置 |
CN110188085A (zh) * | 2019-04-18 | 2019-08-30 | 红云红河烟草(集团)有限责任公司 | 一种烟草卷包车间质量数据模型建立方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113190544A (zh) * | 2021-05-26 | 2021-07-30 | 重庆高新技术产业研究院有限责任公司 | 一种面向企业的mes数据抽取和清洗方法 |
CN113364590A (zh) * | 2021-06-07 | 2021-09-07 | 重庆高新技术产业研究院有限责任公司 | 一种面向多类型企业生产过程数据的区块链加密方法 |
CN113808376A (zh) * | 2021-09-18 | 2021-12-17 | 中国工商银行股份有限公司 | 自助柜员机设备安全监控方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111626548A (zh) | 一种基于mes系统的质量管理方法和设备 | |
EP3513314B1 (en) | System for analysing data relationships to support query execution | |
EP3513315A1 (en) | System for data management in a large scale data repository | |
CN105868373B (zh) | 电力业务信息系统关键数据处理方法及装置 | |
CN114462133A (zh) | 基于数字孪生技术装备产品碳足迹数字化核算方法及系统 | |
CN105159239B (zh) | 一种spc策略自动更新方法及spc自动策略系统 | |
CN112462696A (zh) | 一种智能制造车间数字孪生模型构建方法与系统 | |
US20200250584A1 (en) | Modeling method for smart prognostics and health management system and computer program product thereof | |
CN115470195A (zh) | 一种融合维度模型的指标数据自动化计算方法及装置 | |
CN117056688A (zh) | 一种基于数据分析的新材料生产数据管理系统及方法 | |
CN107392385A (zh) | 一种基于质量数据深度分析的生产计划编制方法 | |
CN117010549A (zh) | 基于大数据管理体系的信息溯源方法及终端 | |
CN111026760A (zh) | 一种基于多维度业务时间的cdc数据采集方法 | |
CN115169658B (zh) | 基于npl和知识图谱的库存消耗预测方法、系统和存储介质 | |
CN110555067A (zh) | 装配质量数据的采集、处理和集成管理方法 | |
CN115577424A (zh) | 一种施工建筑工程量的计算方法、装置、设备及存储介质 | |
CN116029579A (zh) | 一种继电保护设备采购评价方法及系统 | |
CN114648280A (zh) | 一种基于大数据的库存呆滞料原因追溯方法及系统 | |
CN114595839A (zh) | 一种智能电能表故障原因分析方法和系统 | |
CN110008245B (zh) | 一个适用于设备故障预警模型时间段查找的方法 | |
TWI230349B (en) | Method and apparatus for analyzing manufacturing data | |
CN111581200B (zh) | 一种基于mes的生产管理系统 | |
CN111221809B (zh) | 基于实时数据库存储的数据清洗方法和系统及存储介质 | |
CN116976861B (zh) | 一种铜管生产车间设备的养护数据管理方法及系统 | |
CN117787670B (zh) | 一种基于建筑工程的bim数据管理方法及系统 |
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 |