CN112381365B - 一种基于神经网络的化妆品生产工况监测系统及其控制方法 - Google Patents
一种基于神经网络的化妆品生产工况监测系统及其控制方法 Download PDFInfo
- Publication number
- CN112381365B CN112381365B CN202011190673.XA CN202011190673A CN112381365B CN 112381365 B CN112381365 B CN 112381365B CN 202011190673 A CN202011190673 A CN 202011190673A CN 112381365 B CN112381365 B CN 112381365B
- Authority
- CN
- China
- Prior art keywords
- cosmetic
- neural network
- workshop
- working condition
- production
- 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
- 239000002537 cosmetic Substances 0.000 title claims abstract description 193
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 162
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 111
- 238000012544 monitoring process Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims description 17
- 230000003068 static effect Effects 0.000 claims abstract description 17
- 230000006399 behavior Effects 0.000 claims description 12
- 238000004140 cleaning Methods 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 6
- 238000004806 packaging method and process Methods 0.000 claims description 6
- 239000000843 powder Substances 0.000 claims description 6
- 238000007789 sealing Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000005406 washing Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000005065 mining Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims 2
- 125000004122 cyclic group Chemical group 0.000 claims 1
- 238000007726 management method Methods 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 4
- 238000013468 resource allocation Methods 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004088 simulation Methods 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063118—Staff planning in a project environment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/25—Manufacturing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/20—Information sensed or collected by the things relating to the thing itself
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Educational Administration (AREA)
- Manufacturing & Machinery (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Accounting & Taxation (AREA)
- Biodiversity & Conservation Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明提供一种基于神经网络的化妆品生产工况监测系统,包括通过参数获取模块接收来自化妆品车间工况监测传感器获取的工况参数,图神经网络捕获和学习模块读取整个化妆品车间各个设备各个节点上的工况参数并基于上述工况参数形成图神经网络结构,神经网络统筹调配模块,根据上述具体动静载荷结合生产计划、整个化妆品车间的实际产能以及各个设备的载荷裕度,通过结构型循环神经网络建立整个化妆品车间的生产模型,以解决现有的化妆品生产的工况监测还停留在视频监控+人工干预阶段,以合理调配化妆品生产车间的各种生产资料和设备资源,提高化妆品生产车间的工作效率和设备协同性。
Description
技术领域
本发明涉及化妆品生产领域,尤其涉及一种基于神经网络的化妆品生产工况监测系统及其控制方法。
背景技术
随着社会的进步、科学技术的发展以及生活水平的提高,化妆品不再是少数人的奢侈品,它已经成为人们日常生活中不可缺少的组成成分。而化妆品生产的工况监测还停留在视频监控+人工干预阶段,如何优化资源分配是目前摆在化妆品生产车间调度方向上的最大难题。
由于化妆品生产车间调度问题是满足任务条件和约束要求的资源分配问题,因此,优化资源分配以解决化妆品生产车间调度问题,首先要建立准确的化妆品生产车间的生产模型,模型的优异程度由预测输出指标的准确性决定,而作为一种黑箱模型,人工神经网络可以忽略过程机理,通过模拟过程的输入与输出之间的关系,达到对系统的建模。故,急需一种基于神经网络的化妆品生产工况监测系统及其控制方法,以合理调配化妆品生产车间的各种生产资料和设备资源,提高化妆品生产车间的工作效率和设备协同性。
发明内容
本发明的目的在于提供一种基于神经网络的化妆品生产工况监测系统及其控制方法,以解决现有的化妆品生产的工况监测还停留在视频监控+人工干预阶段,通过神经网络建立能够预测化妆品生产车间工况的模型,用于指导化妆品生产车间的装置生产操作,以合理调配化妆品生产车间的各种生产资料和设备资源,提高化妆品生产车间的工作效率和设备协同性。
为解决上述技术问题,本发明是这样实现的:
一种基于神经网络的化妆品生产工况监测系统,包括:
参数获取模块,通过有线和/或无线的方式接收来自化妆品车间工况监测传感器获取的工况参数,发送给主控模块,由主控模块存储在存储模块;工况参数包括但不限于车间设备工况参数、各种生产资料的工况参数;其中,车间设备工况参数包括但不限于12孔口红全自动灌装线、散粉定量机、三维自动包装机、洗护智能高速灌装机和旋盖机、珍珠花样灌装机、半自动一字封箱机、自动组装机、CIP清洗系统等车间设备的工作参数,生产资料的工况参数包括但不限于生产资料的存库参数、生产资料的入库、出库、有效期等参数;
主控模块还分别与图神经网络捕获和学习模块、神经网络统筹调配模块连接,其中,主控模块读取上述工况参数后发送给图神经网络捕获和学习模块,图神经网络捕获和学习模块,读取整个化妆品车间各个设备各个节点上的工况参数并基于上述工况参数形成图神经网络结构,通过图神经网络挖掘整个化妆品车间不同设备不同节点不同特征参数之间的内在联系,从而获得整个化妆品车间不同设备不同节点的具体动静载荷,图神经网络捕获和学习模块的输出端连接神经网络统筹调配模块的输入端;
神经网络统筹调配模块,根据上述具体动静载荷结合生产计划、整个化妆品车间的实际产能以及各个设备的载荷裕度,通过结构型循环神经网络建立整个化妆品车间的生产模型,以充分挖掘整个化妆品车间现有载荷与生产计划之间的时序特征,基于整个化妆品车间的生产模型预演完成生产计划对各个设备和生产资料的调配情况,并制定相应的设备和人员排班,将预演后的工况参数映射为整个化妆品车间所需载荷下限,比较上述所需载荷下限是否超出整个化妆品车间的最大产能和/或各个设备的最大载荷上限,神经网络统筹调配模块的输出端连接主控模块的输入端。
一种基于神经网络的化妆品生产工况监测系统的控制方法,步骤包括:
101,参数获取模块,通过有线和/或无线的方式接收来自化妆品车间工况监测传感器获取的工况参数,发送给主控模块,由主控模块存储在存储模块;工况参数包括但不限于车间设备工况参数、各种生产资料的工况参数;其中,车间设备工况参数包括但不限于12孔口红全自动灌装线、散粉定量机、三维自动包装机、洗护智能高速灌装机和旋盖机、珍珠花样灌装机、半自动一字封箱机、自动组装机、CIP清洗系统等车间设备的工作参数,生产资料的工况参数包括但不限于生产资料的存库参数、生产资料的入库、出库、有效期等参数;;
102,主控模块还分别与图神经网络捕获和学习模块、神经网络统筹调配模块连接,其中,主控模块读取上述工况参数后发送给图神经网络捕获和学习模块,图神经网络捕获和学习模块,读取整个化妆品车间各个设备各个节点上的工况参数并基于上述工况参数形成图神经网络结构,通过图神经网络挖掘整个化妆品车间不同设备不同节点不同特征参数之间的内在联系,从而获得整个化妆品车间不同设备不同节点的具体动静载荷,图神经网络捕获和学习模块的输出端连接神经网络统筹调配模块的输入端;
103,神经网络统筹调配模块,根据上述具体动静载荷结合生产计划、整个化妆品车间的实际产能以及各个设备的载荷裕度,通过结构型循环神经网络建立整个化妆品车间的生产模型,以充分挖掘整个化妆品车间现有载荷与生产计划之间的时序特征,基于整个化妆品车间的生产模型预演完成生产计划对各个设备和生产资料的调配情况,并制定相应的设备和人员排班,将预演后的工况参数映射为整个化妆品车间所需载荷下限,比较上述所需载荷下限是否超出整个化妆品车间的最大产能和/或各个设备的最大载荷上限,神经网络统筹调配模块的输出端连接主控模块的输入端。
与现有技术相比,本申请的技术方案通过参数获取模块接收来自化妆品车间工况监测传感器获取的工况参数,图神经网络捕获和学习模块读取整个化妆品车间各个设备各个节点上的工况参数并基于上述工况参数形成图神经网络结构,通过图神经网络挖掘整个化妆品车间不同设备不同节点不同特征参数之间的内在联系,从而获得整个化妆品车间不同设备不同节点的具体动静载荷,神经网络统筹调配模块,根据上述具体动静载荷结合生产计划、整个化妆品车间的实际产能以及各个设备的载荷裕度,通过结构型循环神经网络建立整个化妆品车间的生产模型,以充分挖掘整个化妆品车间现有载荷与生产计划之间的时序特征,基于整个化妆品车间的生产模型预演完成生产计划对各个设备和生产资料的调配情况,并制定相应的设备和人员排班,将预演后的工况参数映射为整个化妆品车间所需载荷下限,比较上述所需载荷下限是否超出整个化妆品车间的最大产能和/或各个设备的最大载荷上限,通过预演后的整个化妆品车间所需载荷下限与整个化妆品车间的最大产能和/或各个设备的最大载荷上限相比较,告知化妆品车间管理方目前化妆品车间是否可以顺利完成生产计划,以解决现有的化妆品生产的工况监测还停留在视频监控+人工干预阶段,通过神经网络建立能够预测化妆品生产车间工况的模型,用于指导化妆品生产车间的装置生产操作,以合理调配化妆品生产车间的各种生产资料和设备资源,提高化妆品生产车间的工作效率和设备协同性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的一种基于神经网络的化妆品生产工况监测系统。
图2是本发明一实施例提供的一种基于神经网络的化妆品生产工况监测系统的控制方法。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,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,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
如图1所示,本发明一实施例提供一种基于神经网络的化妆品生产工况监测系统,包括:
参数获取模块1,通过有线和/或无线的方式接收来自化妆品车间工况监测传感器获取的工况参数,发送给主控模块2,由主控模块2存储在存储模块3;工况参数包括但不限于车间设备工况参数、各种生产资料的工况参数;其中,车间设备工况参数包括但不限于12孔口红全自动灌装线、散粉定量机、三维自动包装机、洗护智能高速灌装机和旋盖机、珍珠花样灌装机、半自动一字封箱机、自动组装机、CIP清洗系统等车间设备的工作参数,生产资料的工况参数包括但不限于生产资料的存库参数、生产资料的入库、出库、有效期等参数;
主控模块2还分别与图神经网络捕获和学习模块4、神经网络统筹调配模块5连接,其中,主控模块读取上述工况参数后发送给图神经网络捕获和学习模块4,图神经网络捕获和学习模块4,读取整个化妆品车间各个设备各个节点上的工况参数并基于上述工况参数形成图神经网络结构,通过图神经网络挖掘整个化妆品车间不同设备不同节点不同特征参数之间的内在联系,从而获得整个化妆品车间不同设备不同节点的具体动静载荷,图神经网络捕获和学习模块4的输出端连接神经网络统筹调配模块5的输入端;
神经网络统筹调配模块5,根据上述具体动静载荷结合生产计划、整个化妆品车间的实际产能以及各个设备的载荷裕度,通过结构型循环神经网络建立整个化妆品车间的生产模型,以充分挖掘整个化妆品车间现有载荷与生产计划之间的时序特征,基于整个化妆品车间的生产模型预演完成生产计划对各个设备和生产资料的调配情况,并制定相应的设备和人员排班,将预演后的工况参数映射为整个化妆品车间所需载荷下限,比较上述所需载荷下限是否超出整个化妆品车间的最大产能和/或各个设备的最大载荷上限,神经网络统筹调配模块5的输出端连接主控模块2的输入端。
优选的,整个化妆品车间的实际产能小于等于整个化妆品车间的最大产能;
优选的,当预演后的整个化妆品车间所需载荷下限低于个化妆品车间的最大产能和/或各个设备的最大载荷上限时,主控模块2通过有线和/或无线收发模块6发送安全信号给化妆品车间的管理平台7,告知化妆品车间管理方目前化妆品车间可以顺利完成生产计划,仅需进行日常的巡逻和维护即可。
优选的,当预演后的整个化妆品车间所需载荷下限高于整个化妆品车间的最大产能和/或各个设备的最大载荷上限时,主控模块2通过有线和/或无线收发模块6发送预警信号给化妆品车间的管理平台7,告知化妆品车间管理方目前的设备和人员无法应对接下来的生产计划。如果通过调整之后,仍不能将整个化妆品车间的最大产能和/或各个设备的最大载荷上限提升到大于预演后的整个化妆品车间所需载荷下限,则不能接受该生产计划。
优选的,神经网络统筹调配模块5通过结构型循环神经网络建立整个化妆品车间的生产模型,并通过群智能优化算法对模型参数进行优化,从而快速获得模型的最优解,给化妆品车间管理方提供决策依据。
优选的,在结构型循环神经网络模型中,由于前层梯度来自于后层梯度的成绩,随着模型深度的增加会产生梯度的消失或者梯度爆炸,导致模型的不稳定。为了进一步提高利用神经网络所建立的化妆品生产车间工况生产模型的预测能力,用于指导化妆品生产车间的装置生产操作,以合理调配化妆品生产车间的各种生产资料和设备资源,提高化妆品生产车间的工作效率和设备协同性,将基于时序的人员行为识别问题转换为图像识别问题,利用图像识别算法对时序行为特征图像进行特征提取,进而实现基于时序特征的人员行为识别,从而把人的因素,如人员身体健康、疲劳、受伤等情况考虑在内,加入到上述化妆品车间的生产模型中,以进一步挖掘整个化妆品车间现有载荷与生产计划之间的时序特征。
如图2所示,本发明一实施例提供一种基于神经网络的化妆品生产工况监测系统的控制方法,步骤包括:
101,参数获取模块,通过有线和/或无线的方式接收来自化妆品车间工况监测传感器获取的工况参数,发送给主控模块,由主控模块存储在存储模块;工况参数包括但不限于车间设备工况参数、各种生产资料的工况参数;其中,车间设备工况参数包括但不限于12孔口红全自动灌装线、散粉定量机、三维自动包装机、洗护智能高速灌装机和旋盖机、珍珠花样灌装机、半自动一字封箱机、自动组装机、CIP清洗系统等车间设备的工作参数,生产资料的工况参数包括但不限于生产资料的存库参数、生产资料的入库、出库、有效期等参数;;
102,主控模块还分别与图神经网络捕获和学习模块、神经网络统筹调配模块连接,其中,主控模块读取上述工况参数后发送给图神经网络捕获和学习模块,图神经网络捕获和学习模块,读取整个化妆品车间各个设备各个节点上的工况参数并基于上述工况参数形成图神经网络结构,通过图神经网络挖掘整个化妆品车间不同设备不同节点不同特征参数之间的内在联系,从而获得整个化妆品车间不同设备不同节点的具体动静载荷,图神经网络捕获和学习模块的输出端连接神经网络统筹调配模块的输入端;
103,神经网络统筹调配模块,根据上述具体动静载荷结合生产计划、整个化妆品车间的实际产能以及各个设备的载荷裕度,通过结构型循环神经网络建立整个化妆品车间的生产模型,以充分挖掘整个化妆品车间现有载荷与生产计划之间的时序特征,基于整个化妆品车间的生产模型预演完成生产计划对各个设备和生产资料的调配情况,并制定相应的设备和人员排班,将预演后的工况参数映射为整个化妆品车间所需载荷下限,比较上述所需载荷下限是否超出整个化妆品车间的最大产能和/或各个设备的最大载荷上限,神经网络统筹调配模块的输出端连接主控模块的输入端。
优选的,104,当预演后的整个化妆品车间所需载荷下限低于个化妆品车间的最大产能和/或各个设备的最大载荷上限时,主控模块通过有线和/或无线收发模块发送安全信号给化妆品车间的管理平台,告知化妆品车间管理方目前化妆品车间可以顺利完成生产计划,仅需进行日常的巡逻和维护即可。
优选的,步骤104,当预演后的整个化妆品车间所需载荷下限高于整个化妆品车间的最大产能和/或各个设备的最大载荷上限时,主控模块通过有线和/或无线收发模块发送预警信号给化妆品车间管理方的管理平台,告知化妆品车间管理方目前的设备和人员无法应对接下来的生产计划。如果通过调整之后,仍不能将整个化妆品车间的最大产能和/或各个设备的最大载荷上限提升到大于预演后的整个化妆品车间所需载荷下限,则不能接受该生产计划。
优选的,步骤103,神经网络统筹调配模块通过结构型循环神经网络建立整个化妆品车间的生产模型,并通过群智能优化算法对模型参数进行优化,从而快速获得模型的最优解,给化妆品车间管理方提供决策依据。
优选的,步骤103,在结构型循环神经网络模型中,由于前层梯度来自于后层梯度的成绩,随着模型深度的增加会产生梯度的消失或者梯度爆炸,导致模型的不稳定。为了进一步提高利用神经网络所建立的化妆品生产车间工况生产模型的预测能力,用于指导化妆品生产车间的装置生产操作,以合理调配化妆品生产车间的各种生产资料和设备资源,提高化妆品生产车间的工作效率和设备协同性,将基于时序的人员行为识别问题转换为图像识别问题,利用图像识别算法对时序行为特征图像进行特征提取,进而实现基于时序特征的人员行为识别,从而把人的因素,如人员身体健康、疲劳、受伤等情况考虑在内,加入到上述化妆品车间的生产模型中,以进一步挖掘整个化妆品车间现有载荷与生产计划之间的时序特征。
与现有技术相比,本申请的技术方案通过参数获取模块接收来自化妆品车间工况监测传感器获取的工况参数,图神经网络捕获和学习模块读取整个化妆品车间各个设备各个节点上的工况参数并基于上述工况参数形成图神经网络结构,通过图神经网络挖掘整个化妆品车间不同设备不同节点不同特征参数之间的内在联系,从而获得整个化妆品车间不同设备不同节点的具体动静载荷,神经网络统筹调配模块,根据上述具体动静载荷结合生产计划、整个化妆品车间的实际产能以及各个设备的载荷裕度,通过结构型循环神经网络建立整个化妆品车间的生产模型,以充分挖掘整个化妆品车间现有载荷与生产计划之间的时序特征,基于整个化妆品车间的生产模型预演完成生产计划对各个设备和生产资料的调配情况,并制定相应的设备和人员排班,将预演后的工况参数映射为整个化妆品车间所需载荷下限,比较上述所需载荷下限是否超出整个化妆品车间的最大产能和/或各个设备的最大载荷上限,通过预演后的整个化妆品车间所需载荷下限与整个化妆品车间的最大产能和/或各个设备的最大载荷上限相比较,告知化妆品车间管理方目前化妆品车间是否可以顺利完成生产计划,以解决现有的化妆品生产的工况监测还停留在视频监控+人工干预阶段,通过神经网络建立能够预测化妆品生产车间工况的模型,用于指导化妆品生产车间的装置生产操作,以合理调配化妆品生产车间的各种生产资料和设备资源,提高化妆品生产车间的工作效率和设备协同性。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本发明的保护之内。
Claims (10)
1.一种基于神经网络的化妆品生产工况监测系统,其特征在于,包括:
参数获取模块,通过有线和/或无线的方式接收来自化妆品车间工况监测传感器获取的工况参数,发送给主控模块,由主控模块存储在存储模块;工况参数包括但不限于车间设备工况参数、各种生产资料的工况参数;其中,车间设备工况参数包括但不限于12孔口红全自动灌装线、散粉定量机、三维自动包装机、洗护智能高速灌装机和旋盖机、珍珠花样灌装机、半自动一字封箱机、自动组装机、CIP清洗系统车间设备的工作参数,生产资料的工况参数包括但不限于生产资料的存库参数、生产资料的入库、出库、有效期参数;
主控模块还分别与图神经网络捕获和学习模块、神经网络统筹调配模块连接,其中,主控模块读取上述工况参数后发送给图神经网络捕获和学习模块,图神经网络捕获和学习模块,读取整个化妆品车间各个设备各个节点上的工况参数并基于上述工况参数形成图神经网络结构,通过图神经网络挖掘整个化妆品车间不同设备不同节点不同特征参数之间的内在联系,从而获得整个化妆品车间不同设备不同节点的具体动静载荷,图神经网络捕获和学习模块的输出端连接神经网络统筹调配模块的输入端;
神经网络统筹调配模块,根据上述具体动静载荷结合生产计划、整个化妆品车间的实际产能以及各个设备的载荷裕度,通过结构型循环神经网络建立整个化妆品车间的生产模型,以充分挖掘整个化妆品车间现有载荷与生产计划之间的时序特征,基于整个化妆品车间的生产模型预演完成生产计划对各个设备和生产资料的调配情况,并制定相应的设备和人员排班,将预演后的工况参数映射为整个化妆品车间所需载荷下限,比较上述所需载荷下限是否超出整个化妆品车间的最大产能和/或各个设备的最大载荷上限,神经网络统筹调配模块的输出端连接主控模块的输入端。
2.根据权利要求1所述的化妆品生产工况监测系统,神经网络统筹调配模块通过结构型循环神经网络建立整个化妆品车间的生产模型,并通过群智能优化算法对模型参数进行优化,从而快速获得模型的最优解,给化妆品车间管理方提供决策依据。
3.根据权利要求1所述的化妆品生产工况监测系统,其特征在于,当预演后的整个化妆品车间所需载荷下限低于整个化妆品车间的最大产能和/或各个设备的最大载荷上限时,主控模块通过有线和/或无线收发模块发送安全信号给化妆品车间的管理平台,告知化妆品车间管理方目前化妆品车间可以顺利完成生产计划,仅需进行日常的巡逻和维护即可。
4.根据权利要求1所述的化妆品生产工况监测系统,其特征在于,当预演后的整个化妆品车间所需载荷下限高于整个化妆品车间的最大产能和/或各个设备的最大载荷上限时,主控模块通过有线和/或无线收发模块发送预警信号给化妆品车间管理方的管理平台,告知化妆品车间管理方目前的设备和人员无法应对接下来的生产计划。
5.根据权利要求1所述的化妆品生产工况监测系统,其特征在于,将基于时序的人员行为识别问题转换为图像识别问题,利用图像识别算法对时序行为特征图像进行特征提取,进而实现基于时序特征的人员行为识别,从而把人的因素加入到上述化妆品车间的生产模型中,以进一步挖掘整个化妆品车间现有载荷与生产计划之间的时序特征。
6.一种基于神经网络的化妆品生产工况监测系统的控制方法,其特征在于,步骤包括:
101,参数获取模块,通过有线和/或无线的方式接收来自化妆品车间工况监测传感器获取的工况参数,发送给主控模块,由主控模块存储在存储模块;工况参数包括但不限于车间设备工况参数、各种生产资料的工况参数;其中,车间设备工况参数包括但不限于12孔口红全自动灌装线、散粉定量机、三维自动包装机、洗护智能高速灌装机和旋盖机、珍珠花样灌装机、半自动一字封箱机、自动组装机、CIP清洗系统车间设备的工作参数,生产资料的工况参数包括但不限于生产资料的存库参数、生产资料的入库、出库、有效期参数;
102,主控模块还分别与图神经网络捕获和学习模块、神经网络统筹调配模块连接,其中,主控模块读取上述工况参数后发送给图神经网络捕获和学习模块,图神经网络捕获和学习模块,读取整个化妆品车间各个设备各个节点上的工况参数并基于上述工况参数形成图神经网络结构,通过图神经网络挖掘整个化妆品车间不同设备不同节点不同特征参数之间的内在联系,从而获得整个化妆品车间不同设备不同节点的具体动静载荷,图神经网络捕获和学习模块的输出端连接神经网络统筹调配模块的输入端;
103,神经网络统筹调配模块,根据上述具体动静载荷结合生产计划、整个化妆品车间的实际产能以及各个设备的载荷裕度,通过结构型循环神经网络建立整个化妆品车间的生产模型,以充分挖掘整个化妆品车间现有载荷与生产计划之间的时序特征,基于整个化妆品车间的生产模型预演完成生产计划对各个设备和生产资料的调配情况,并制定相应的设备和人员排班,将预演后的工况参数映射为整个化妆品车间所需载荷下限,比较上述所需载荷下限是否超出整个化妆品车间的最大产能和/或各个设备的最大载荷上限,神经网络统筹调配模块的输出端连接主控模块的输入端。
7.根据权利要求6所述的控制方法,其特征在于,步骤103,神经网络统筹调配模块通过结构型循环神经网络建立整个化妆品车间的生产模型,并通过群智能优化算法对模型参数进行优化,从而快速获得模型的最优解,给化妆品车间管理方提供决策依据。
8.根据权利要求6所述的控制方法,其特征在于,步骤103,将基于时序的人员行为识别问题转换为图像识别问题,利用图像识别算法对时序行为特征图像进行特征提取,进而实现基于时序特征的人员行为识别,从而把人的因素加入到上述化妆品车间的生产模型中,以进一步挖掘整个化妆品车间现有载荷与生产计划之间的时序特征。
9.根据权利要求6所述的控制方法,其特征在于,步骤104,当预演后的整个化妆品车间所需载荷下限低于整个化妆品车间的最大产能和/或各个设备的最大载荷上限时,主控模块通过有线和/或无线收发模块发送安全信号给化妆品车间的管理平台,告知化妆品车间管理方目前化妆品车间可以顺利完成生产计划,仅需进行日常的巡逻和维护即可。
10.根据权利要求6所述的控制方法,其特征在于,步骤104,当预演后的整个化妆品车间所需载荷下限高于整个化妆品车间的最大产能和/或各个设备的最大载荷上限时,主控模块通过有线和/或无线收发模块发送预警信号给化妆品车间管理方的管理平台,告知化妆品车间管理方目前的设备和人员无法应对接下来的生产计划。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011190673.XA CN112381365B (zh) | 2020-10-30 | 2020-10-30 | 一种基于神经网络的化妆品生产工况监测系统及其控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011190673.XA CN112381365B (zh) | 2020-10-30 | 2020-10-30 | 一种基于神经网络的化妆品生产工况监测系统及其控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112381365A CN112381365A (zh) | 2021-02-19 |
CN112381365B true CN112381365B (zh) | 2023-11-17 |
Family
ID=74576457
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011190673.XA Active CN112381365B (zh) | 2020-10-30 | 2020-10-30 | 一种基于神经网络的化妆品生产工况监测系统及其控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112381365B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505953B (zh) * | 2021-04-06 | 2024-02-02 | 汕头经济特区超艺螺丝工业有限公司 | 一种紧固件供应链管理系统及其控制方法 |
CN113077237B (zh) * | 2021-04-16 | 2021-08-27 | 广州凯园软件科技有限公司 | 一种自适应混合算法的排课方法及系统 |
CN115426319A (zh) * | 2022-08-30 | 2022-12-02 | 上海飞机制造有限公司 | 一种网络资源调度系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009739A (zh) * | 2017-12-14 | 2018-05-08 | 沈阳工业大学 | 一种智能机加车间生产计划与调度一体化方法 |
CN111769555A (zh) * | 2020-07-08 | 2020-10-13 | 山东大学 | 计及工序限制的短流程钢铁企业负荷优化调控方法及系统 |
-
2020
- 2020-10-30 CN CN202011190673.XA patent/CN112381365B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009739A (zh) * | 2017-12-14 | 2018-05-08 | 沈阳工业大学 | 一种智能机加车间生产计划与调度一体化方法 |
CN111769555A (zh) * | 2020-07-08 | 2020-10-13 | 山东大学 | 计及工序限制的短流程钢铁企业负荷优化调控方法及系统 |
Non-Patent Citations (2)
Title |
---|
大数据驱动的智能车间运行分析与决策方法体系;张洁;高亮;秦威;吕佑龙;李新宇;;计算机集成制造系统(05);全文 * |
实时数据驱动的生产线状态监控与效能评估技术研究;钟珂珂;郭具涛;何其昌;金永乔;;航空制造技术(07);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112381365A (zh) | 2021-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112381365B (zh) | 一种基于神经网络的化妆品生产工况监测系统及其控制方法 | |
CN107330664A (zh) | 一种基于物联网的智能建造管理系统 | |
CN108021084A (zh) | 一种虚实结合的生产线三维监控系统 | |
CN106228270B (zh) | 一种大数据驱动的挤压设备的能耗预测方法及其系统 | |
CN103063968A (zh) | 一种换流站电气设备状态综合在线监测系统 | |
CN111260506A (zh) | 建筑工程物联网信息管理系统 | |
CN104503351A (zh) | 一种铺设架空线的智能监控系统及方法 | |
CN112685472A (zh) | 一种电网多站融合监控方法、装置、电子设备及存储介质 | |
CN114757797B (zh) | 一种基于数据模型驱动的电网资源业务中台架构方法 | |
CN114548721A (zh) | 一种建筑施工安全数据指标处理系统 | |
CN115424048A (zh) | 电网作业现场违章识别系统及方法 | |
CN102281331A (zh) | 一种用于工业现场的远程监控系统及其监控方法 | |
CN115131505A (zh) | 一种变电站多系统融合的全景感知系统 | |
CN111510489A (zh) | 一种基于人工智能的物联网数据的采集分析系统 | |
CN117081240A (zh) | 一种基于多接入边缘计算技术的电网融合控制方法及系统 | |
CN116665305A (zh) | 基于计算机视觉和知识图谱的工人行为检测方法和系统 | |
CN114840588A (zh) | 铁路机务数据集成管理方法、系统、设备及介质 | |
CN115562217A (zh) | 数字孪生监控系统、方法及装置 | |
KR102279334B1 (ko) | 존마스터를 이용한 산업공정용 iot 및 비iot 모듈의 그룹운영기반 스마트 팩토리 시스템 및 그 운영 방법 | |
CN115239160A (zh) | 一种基于数字孪生的电力数字空间资源池化管理调度系统 | |
CN211906344U (zh) | 一种基于bim技术的施工质量监管装置 | |
CN113673952A (zh) | 一种基于工业互联网平台的云服务系统 | |
CN110163168A (zh) | 免布线月台车辆识别系统和方法 | |
He | Fuzzy relationship mapping inversion and automatic reasoning of crime detective | |
CN111999658A (zh) | 一种基于区块链技术的电动自行车电池电量监测系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |