CN112598259A - 产能测算方法、装置及计算机可读存储介质 - Google Patents
产能测算方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112598259A CN112598259A CN202011496313.2A CN202011496313A CN112598259A CN 112598259 A CN112598259 A CN 112598259A CN 202011496313 A CN202011496313 A CN 202011496313A CN 112598259 A CN112598259 A CN 112598259A
- Authority
- CN
- China
- Prior art keywords
- historical
- neural network
- capacity
- network model
- characteristic parameters
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000003062 neural network model Methods 0.000 claims abstract description 77
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000004519 manufacturing process Methods 0.000 claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 5
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000006403 short-term memory 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
- G06Q10/0639—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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Agronomy & Crop Science (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- General Factory Administration (AREA)
Abstract
本发明实施例涉及产能预测领域,公开了一种产能测算方法、装置及计算机可读存储介质,所述产能测算方法包括:获取决定产能大小的特征参数,其中,所述特征参数至少包括产品型号和生产设备综合利用效能;将所述特征参数输入预设神经网络模型,得到与所述特征参数对应的产能,其中,所述预设神经网络模型通过历史产能数据、与所述历史产能数据对应的历史特征参数训练得到。本发明提供的产能测算方法、装置及计算机可读存储介质能够提高3C电子制造行业的产能预测的准确率。
Description
技术领域
本发明实施例涉及产能预测领域,特别涉及一种产能测算方法、装置及计算机可读存储介质。
背景技术
工厂生产产能状态预测系统的核心是统计分析、建模和机器学习。与此同时,海量的工厂数据,如电耗单耗、设备运转、工艺仪表等,必须有大数据平台的支撑。因此,现有技术通过物联网技术构建物联网传感器网络,实时接收工厂运行数据,结合统计分析方法,对数据进行预处理,生成可以应用于监督学习方法的预测模型输入特征。从而能够基于AI+大数据技术,准确的进行工厂生产产能状态预测。当工厂数量大量增加时,不同的工厂场景所对应的接收特征存在比较大的差异性,因此,需要一个结合多种机器学习算法且可扩展、可靠的智能预测平台,这要求系统设计具有扩展性和灵活性。
发明人发现现有技术至少存在以下问题:现有ARIMA模型、BP神经网络、小波神经网络(WNN)、广义回归神经网络(GRNN)和动态自回归神经网络(NARX)多数基于历史产能数据或标准常量的CT(标准工时产能)来对企业的产能进行预测。但是3C电子制造行业有着多品种、多批次的特点,属于典型的离散型制造产业,现有预测模型对数据量、数据线性波动有着较高的要求,并且现有预测模型不能很好的考虑产品制造过程中多层次的关键因子,所以预测数据与实际数据的产于较大。例如ARM模型通过各种参数估计方法,针对线性预测问题可以较完美的进行预测,但是,对非线性系辨识上存在着极大的困难,使得3C电子制造行业的产能预测准确率较低。
发明内容
本发明实施例的目的在于提供一种产能测算方法、装置及计算机可读存储介质,其能够提高3C电子制造行业的产能预测的准确率。
为解决上述技术问题,本发明的实施例提供了一种产能测算方法,包括:
获取决定产能大小的特征参数,所述特征参数至少包括产品型号和生产设备综合利用效能;将所述特征参数输入预设神经网络模型,得到与所述特征参数对应的产能,其中,所述预设神经网络模型通过历史产能数据、与所述历史产能数据对应的历史特征参数训练得到。
本发明的实施例还提供了一种产能测算装置,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的产能测算方法。
本发明的实施例还提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现上述的产能测算方法。
本发明的实施例相对于现有技术而言,通过获取决定产能大小的特征参数,且特征参数至少包括产品型号和生产设备综合利用效能,能够充分考虑3C电子制造行业生产流程中所有的关键因子,在将特征参数输入预设神经网络模型后,使得预设神经网络模型的预测结果更接近实际值,预测精度较高,从而提高了3C电子制造行业的产能预测的准确率。
另外,所述预设神经网络模型通过以下方式训练得到:接收历史样本数据,其中所述历史样本数据包括历史产能数据、与所述历史产能数据对应的历史特征参数;将所述历史特征参数输入多级神经网络模型,得到所述多级神经网络模型的输出值,并根据所述输出值和所述历史产能数据计算所述多级神经网络模型的损失函数;根据所述损失函数调整所述多级神经网络模型的模型参数,得到所述预设神经网络模型。
另外,所述接收历史产能数据、与所述历史产能数据对应的历史特征参数,包括:接收预设时间段的历史产能数据,其中,所述预设时间段的时长至少大于三个月;接收与所述历史产能数据对应的历史产品型号和历史生产设备综合利用效能。
另外,所述多级神经网络模型包括第一级神经网络和第二级神经网络;所述将所述历史特征参数输入多级神经网络模型,得到所述多级神经网络模型的输出值,包括:将所述历史产品型号输入所述第一级神经网络,得到第一输出值;将所述历史生产设备综合利用效能输入所述第二级神经网络,得到第二输出值;根据所述第一输出值和所述第二输出值,得到所述输出值。
另外,在将所述历史特征参数输入多级神经网络模型之前,还包括:将所述历史样本数据分割成训练数据集和测试数据集,其中,所述训练数据集中的历史样本数据多于所述测试数据集中的历史样本数据;所述将所述历史特征参数输入多级神经网络模型,包括:将所述训练数据集中的历史特征参数输入所述多级神经网络模型。
另外,在得到所述预设神经网络模型之后,还包括:将所述测试数据集中的历史特征参数输入所述预设神经网络模型,得到所述预设神经网络模型的输出值,判断所述输出值和所述测试数据集中对应的历史产能数据是否在预设误差范围内;若判定不在所述预设误差范围内,则计算所述预设神经网络模型的损失函数,并根据所述损失函数调整所述预设神经网络模型的模型参数。
另外,所述模型参数包括以下之一或其任意组合:输出维度长度、输入维度长度以及神经元数量。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明,这些示例性说明并不构成对实施例的限定,附图中具有相同参考数字标号的元件表示为类似的元件,除非有特别申明,附图中的图不构成比例限制。
图1是根据本发明第一实施例提供的产能测算方法的流程图;
图2是根据本发明第二实施例提供的产能测算方法的流程图;
图3是根据本发明第二实施例提供的预设模型训练方法的流程示意图;
图4是根据本发明第三实施例提供的产能测算装置的结构示意图。
具体实施例
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的各实施例进行详细的阐述。然而,本领域的普通技术人员可以理解,在本发明各实施例中,为了使读者更好地理解本发明而提出了许多技术细节。但是,即使没有这些技术细节和基于以下各实施例的种种变化和修改,也可以实现本发明所要求保护的技术方案。
本发明的第一实施例涉及一种产能测算方法,具体流程如图1所示,包括:
S101:获取决定产能大小的特征参数。
具体的说,本实施例中的特征参数至少包括产品型号和生产设备综合利用效能。值得一提的是,为了进一步提高后续模型训练的精度,本实施例中的特征参数还可以包括每月生产流程工序节点(物料检验、主线、重工、包装)的投入产出、产品工艺参数、产品质量、线平衡数据,以及每月排班、人员流动数据。
S102:将特征参数输入预设神经网络模型,得到与特征参数对应的产能。
具体的说,本实施方式中的预设神经网络模型可以为LSTM网络模型,LSTM网络即为长短期记忆网络,是一种时间循环神经网络模型。值得一提的是,本实施方式的核心在于得到产能,因此本实施方式并不对预设神经网络模型的训练方式作具体限定,任何能够得到产能的预设神经网络模型的训练方式均在本实施例的保护范围之内。
本发明的实施例相对于现有技术而言,通过获取决定产能大小的特征参数,且特征参数至少包括产品型号和生产设备综合利用效能,能够充分考虑3C电子制造行业生产流程中所有的关键因子,在将特征参数输入预设神经网络模型后,使得预设神经网络模型的预测结果更接近实际值,预测精度较高,从而提高了3C电子制造行业的产能预测的准确率。
本发明的第二实施例涉及一种产能测算方法,第二实施例与第一实施例大致相同,不同之处在于,所述预设神经网络模型通过以下方式训练得到:接收历史样本数据,其中所述历史样本数据包括历史产能数据、与所述历史产能数据对应的历史特征参数;将所述历史特征参数输入多级神经网络模型,得到所述多级神经网络模型的输出值,并根据所述输出值和所述历史产能数据计算所述多级神经网络模型的损失函数;根据所述损失函数调整所述多级神经网络模型的模型参数,得到所述预设神经网络模型。
本实施例中的产能测算方法的流程示意图如图2所示,包括:
S201:获取决定产能大小的特征参数。
本实施例中的步骤S201与第一实施例的步骤S101类似,为了避免重复,此处不再赘述。
S202:将特征参数输入调整模型参数后的多级神经网络模型,得到产能。
具体的说,本实施例中的模型参数包括以下之一或其任意组合:输出维度长度、输入维度长度以及神经元数量。
值得一提的是,如图3所示,以多级神经网络模型包括第一级神经网络和第二级神经网络为例,预设神经网络模型的具体训练流程如下:
S2021:接收历史样本数据。
具体的说,本实施例中的历史样本数据包括历史产能数据、与所述历史产能数据对应的历史特征参数。
值得一提的是,为了提高样本数据的数量,以进一步提高模型训练的精度,本实施例中的历史产能数据为预设时间段的历史产能数据,其中,所述预设时间段的时长至少大于三个月。可以理解的是,本实施例并不对预设时间段的时长作具体限定,可以根据实际需求设置,仅需满足预设时间段的时长至少大于三个月即可。
S2022:将历史特征参数输入多级神经网络模型,得到多级神经网络模型的输出值。
具体的说,多级神经网络模型包括第一级神经网络和第二级神经网络;所述将所述历史特征参数输入多级神经网络模型,得到所述多级神经网络模型的输出值,包括:将所述历史产品型号输入所述第一级神经网络,得到第一输出值;将所述历史生产设备综合利用效能输入所述第二级神经网络,得到第二输出值;根据所述第一输出值和所述第二输出值,得到所述输出值。
值得一提的是,为了提高模型训练的效率,本实施例在将所述历史特征参数输入多级神经网络模型之前,还包括:将所述历史样本数据分割成训练数据集和测试数据集,其中,所述训练数据集中的历史样本数据多于所述测试数据集中的历史样本数据;所述将所述历史特征参数输入多级神经网络模型,包括:将所述训练数据集中的历史特征参数输入所述多级神经网络模型。通过此种方式,能够使历史样本数据中的一部分作为模型训练数据,另一部分作为模型训练完成后的测试数据,避免了模型训练完成后难以找到其他现有产能数据以检测模型的精度,从而提高了模型训练的效率;此外,由于训练数据集中的历史样本数据多于所述测试数据集中的历史样本数据,使得不会因训练数据过少而影响模型的训练效果。
更优地,训练数据集中的历史样本数据数量与所述测试数据集中的历史样本数据数量的比值为8:2。通过此种方式,能够进一步避免因训练数据过少而影响模型的训练效果,从而进一步提高3C电子制造行业的产能预测的准确率。
可以理解的是,本实施例采用滑窗预测的方式,即上次预测的值Y(即模型的输出值),添加到训练数据集中当做X(即模型的输入值),然后在预测新的Y。如此往复,直到完成所有训练数据集中的历史样本数据的输入。
需要说明的是,本实施例可以将训练集中的历史产能数据和预设神经网络模型的输出值最接近时的输出维度长度、输入维度长度、神经元数量作为最优的模型参数。
S2023:根据输出值和历史产能数据计算多级神经网络模型的损失函数。
S2024:根据损失函数调整多级神经网络模型的模型参数,得到预设神经网络模型。
具体的说,在得到所述预设神经网络模型之后,还包括:将所述测试数据集中的历史特征参数输入所述预设神经网络模型,得到所述预设神经网络模型的输出值,判断所述输出值和所述测试数据集中对应的历史产能数据是否在预设误差范围内;若判定不在所述预设误差范围内,则计算所述预设神经网络模型的损失函数,并根据所述损失函数调整所述预设神经网络模型的模型参数。
可以理解的是,本实施例中的模型参数包括以下之一或其任意组合:输出维度长度、输入维度长度以及神经元数量。
本发明的实施例相对于现有技术而言,通过获取决定产能大小的特征参数,且特征参数至少包括产品型号和生产设备综合利用效能,能够充分考虑3C电子制造行业生产流程中所有的关键因子,在将特征参数输入预设神经网络模型后,使得预设神经网络模型的预测结果更接近实际值,预测精度较高,从而提高了3C电子制造行业的产能预测的准确率。
本发明第四实施例涉及一种产能测算装置,如图4所示,包括:
至少一个处理器401;以及,
与至少一个处理器401通信连接的存储器402;其中,
存储器402存储有可被至少一个处理器401执行的指令,指令被至少一个处理器401执行,以使至少一个处理器401能够执行上述产能测算方法。
其中,存储器402和处理器401采用总线方式连接,总线可以包括任意数量的互联的总线和桥,总线将一个或多个处理器401和存储器402的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件,也可以是多个元件,比如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。经处理器401处理的数据通过天线在无线介质上进行传输,进一步,天线还接收数据并将数据传送给处理器401。
处理器401负责管理总线和通常的处理,还可以提供各种功能,包括定时,外围接口,电压调节、电源管理以及其他控制功能。而存储器402可以被用于存储处理器401在执行操作时所使用的数据。
本发明第五实施例涉及一种计算机可读存储介质,存储有计算机程序。计算机程序被处理器执行时实现上述方法实施例。
即,本领域技术人员可以理解,实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域的普通技术人员可以理解,上述各实施例是实现本发明的具体实施例,而在实际应用中,可以在形式上和细节上对其作各种改变,而不偏离本发明的精神和范围。
Claims (10)
1.一种产能测算方法,其特征在于,包括:
获取决定产能大小的特征参数,其中,所述特征参数至少包括产品型号和生产设备综合利用效能;
将所述特征参数输入预设神经网络模型,得到与所述特征参数对应的产能,其中,所述预设神经网络模型通过历史产能数据、与所述历史产能数据对应的历史特征参数训练得到。
2.根据权利要求1所述的产能测算方法,其特征在于,所述预设神经网络模型通过以下方式训练得到:
接收历史样本数据,其中所述历史样本数据包括历史产能数据、与所述历史产能数据对应的历史特征参数;
将所述历史特征参数输入多级神经网络模型,得到所述多级神经网络模型的输出值,并根据所述输出值和所述历史产能数据计算所述多级神经网络模型的损失函数;
根据所述损失函数调整所述多级神经网络模型的模型参数,得到所述预设神经网络模型。
3.根据权利要求2所述的产能测算方法,其特征在于,所述接收历史产能数据、与所述历史产能数据对应的历史特征参数,包括:
接收预设时间段的历史产能数据,其中,所述预设时间段的时长至少大于三个月;
接收与所述历史产能数据对应的历史产品型号和历史生产设备综合利用效能。
4.根据权利要求3所述的产能测算方法,其特征在于,所述多级神经网络模型包括第一级神经网络和第二级神经网络;所述将所述历史特征参数输入多级神经网络模型,得到所述多级神经网络模型的输出值,包括:
将所述历史产品型号输入所述第一级神经网络,得到第一输出值;
将所述历史生产设备综合利用效能输入所述第二级神经网络,得到第二输出值;
根据所述第一输出值和所述第二输出值,得到所述输出值。
5.根据权利要求2所述的产能测算方法,其特征在于,在将所述历史特征参数输入多级神经网络模型之前,还包括:
将所述历史样本数据分割成训练数据集和测试数据集,其中,所述训练数据集中的历史样本数据多于所述测试数据集中的历史样本数据;
所述将所述历史特征参数输入多级神经网络模型,包括:
将所述训练数据集中的历史特征参数输入所述多级神经网络模型。
6.根据权利要求5所述的产能测算方法,其特征在于,在得到所述预设神经网络模型之后,还包括:
将所述测试数据集中的历史特征参数输入所述预设神经网络模型,得到所述预设神经网络模型的输出值,判断所述输出值和所述测试数据集中对应的历史产能数据是否在预设误差范围内;
若判定不在所述预设误差范围内,则计算所述预设神经网络模型的损失函数,并根据所述损失函数调整所述预设神经网络模型的模型参数。
7.根据权利要求5所述的产能测算方法,其特征在于,所述训练数据集中的历史样本数据数量与所述测试数据集中的历史样本数据数量的比值为8:2。
8.根据权利要求2所述的产能测算方法,其特征在于,所述模型参数包括以下之一或其任意组合:
输出维度长度、输入维度长度以及神经元数量。
9.一种产能测算装置,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至8中任一项所述的产能测算方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的产能测算方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011496313.2A CN112598259A (zh) | 2020-12-17 | 2020-12-17 | 产能测算方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011496313.2A CN112598259A (zh) | 2020-12-17 | 2020-12-17 | 产能测算方法、装置及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112598259A true CN112598259A (zh) | 2021-04-02 |
Family
ID=75197006
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011496313.2A Pending CN112598259A (zh) | 2020-12-17 | 2020-12-17 | 产能测算方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112598259A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113222300A (zh) * | 2021-06-15 | 2021-08-06 | 中国银行股份有限公司 | 产品改造数据的处理方法、装置、可读介质以及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563626A (zh) * | 2017-08-24 | 2018-01-09 | 中航复合材料有限责任公司 | 一种基于工艺制造过程中预浸料的成本测算和监控系统 |
US20190332933A1 (en) * | 2018-04-30 | 2019-10-31 | International Business Machines Corporation | Optimization of model generation in deep learning neural networks using smarter gradient descent calibration |
CN110414875A (zh) * | 2018-04-26 | 2019-11-05 | 北京京东振世信息技术有限公司 | 产能数据处理方法、装置、电子设备及计算机可读介质 |
CN110738403A (zh) * | 2019-09-26 | 2020-01-31 | 联想(北京)有限公司 | 一种数据处理方法、设备及计算机存储介质 |
-
2020
- 2020-12-17 CN CN202011496313.2A patent/CN112598259A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563626A (zh) * | 2017-08-24 | 2018-01-09 | 中航复合材料有限责任公司 | 一种基于工艺制造过程中预浸料的成本测算和监控系统 |
CN110414875A (zh) * | 2018-04-26 | 2019-11-05 | 北京京东振世信息技术有限公司 | 产能数据处理方法、装置、电子设备及计算机可读介质 |
US20190332933A1 (en) * | 2018-04-30 | 2019-10-31 | International Business Machines Corporation | Optimization of model generation in deep learning neural networks using smarter gradient descent calibration |
CN110738403A (zh) * | 2019-09-26 | 2020-01-31 | 联想(北京)有限公司 | 一种数据处理方法、设备及计算机存储介质 |
Non-Patent Citations (1)
Title |
---|
曲立编著: "《精益维修管理》", vol. 1, 30 November 2007, 中国计量出版社, pages: 130 - 135 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113222300A (zh) * | 2021-06-15 | 2021-08-06 | 中国银行股份有限公司 | 产品改造数据的处理方法、装置、可读介质以及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106874581B (zh) | 一种基于bp神经网络模型的建筑空调能耗预测方法 | |
US11144842B2 (en) | Model adaptation and online learning for unstable environments | |
US11650968B2 (en) | Systems and methods for predictive early stopping in neural network training | |
US20220155733A1 (en) | Method of performing a process and optimizing control signals used in the process | |
CN111639783A (zh) | 一种基于lstm神经网络的线损预测方法及系统 | |
CN114154716B (zh) | 一种基于图神经网络的企业能耗预测方法及装置 | |
CN116089870A (zh) | 基于元学习的小样本条件下工业设备故障预测方法及装置 | |
CN114155072A (zh) | 基于大数据分析的财务预测模型构建方法及系统 | |
CN110309922A (zh) | 一种网络模型训练方法和装置 | |
CN111008724A (zh) | 一种价格预测方法、装置、电子设备及可读存储介质 | |
CN113705929A (zh) | 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法 | |
CN113236228A (zh) | 一种单井产量快速预测方法及系统 | |
CN113268929B (zh) | 短期负荷区间预测方法及装置 | |
CN112598259A (zh) | 产能测算方法、装置及计算机可读存储介质 | |
CN117195083B (zh) | 基于电流曲线的坍落度预测方法、装置及可读介质 | |
CN117977536A (zh) | 一种智能电网负荷辨识方法 | |
CN108537322A (zh) | 神经网络层间激活值量化方法及装置 | |
Mohd Lip et al. | Comparative study of smoothing methods and box-jenkins model in forecasting unemployment rate in Malaysia | |
CN111429979A (zh) | 一种基于支持向量机分位数回归的钢材力学性能预测方法 | |
CN113609772B (zh) | 基于卷积准循环神经网络的水泥成品比表面积预测方法 | |
CN116306266A (zh) | 一种数据预测方法、预测模型的训练方法、装置及设备 | |
CN113404742B (zh) | 一种基于测试数据的电液伺服机构健康评估方法及系统 | |
CN115545490A (zh) | 基于小样本机器学习的电站工程造价分析方法及装置 | |
CN103116272A (zh) | 一种氢氰酸生产过程的在线自适应建模方法 | |
Yang | [Retracted] Measurement of Trade Export Level Based on Computer Simulation Technology |
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 |