CN112712239B - 一种基于工业互联网协同制造系统及控制方法 - Google Patents
一种基于工业互联网协同制造系统及控制方法 Download PDFInfo
- Publication number
- CN112712239B CN112712239B CN202011536277.8A CN202011536277A CN112712239B CN 112712239 B CN112712239 B CN 112712239B CN 202011536277 A CN202011536277 A CN 202011536277A CN 112712239 B CN112712239 B CN 112712239B
- Authority
- CN
- China
- Prior art keywords
- production
- parts
- module
- product
- layer
- 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 193
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000013461 design Methods 0.000 claims abstract description 54
- 238000012545 processing Methods 0.000 claims abstract description 16
- 239000000463 material Substances 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 238000003860 storage Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 210000002569 neuron Anatomy 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 17
- 238000012946 outsourcing Methods 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 14
- 230000008901 benefit Effects 0.000 claims description 14
- 238000012544 monitoring process Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 5
- 230000002950 deficient Effects 0.000 claims description 4
- 238000013210 evaluation model Methods 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 2
- 239000013618 particulate matter Substances 0.000 abstract 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects 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
- G06Q10/0631—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
- 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
- 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
- G06Q10/06315—Needs-based resource requirements planning or 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
- G06Q10/0875—Itemisation or classification of parts, supplies or services, e.g. bill of materials
-
- 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)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明涉及一种基于工业互联网协同制造控制方法,将客户所需的产品订单及产品性能参数设为PM=[pm0,pm1,pm2,...,pmH],其中pm0为产品类型,PM′=[pm1,pm2,...,pmH]为产品性能参数;将产品订单及产品性能参数信息发送至设计模块,设计模块通过建立深度神经网络,对客户需求产品进行智能设计;设计完成之后,将产品所需的零配件及加工材料需求发送至控制模块;控制模块根据存储模块提供的零配件库存量,对各种零配件进行合理分派:工厂生产零配件及外购的零配件通过组装模块进行组装;所述深度神经网络包括第一输入层,第二输入层,四个隐含层,第一输出层及第二输出层,其中,第一输出层输出做为第二输入层的部分输入。本发明建立深度神经网络,可对客户所需要求进行产品设计,计算速度快,选择零件准确度高。
Description
技术领域
本发明涉及计算机、智能计算领域,尤其涉及一种基于工业互联网制造平台及系统。
背景技术
工业互联网为设备、生产线、工厂、供应商、产品和客户提供了互联和协同的基础,然而,目前工业互联网仍处于初级阶段,现有生产流程均是根据固定装配表来组装和生产产品,在生产中无法实现各工序和零配件的自主协同,任一环节滞后都将影响到最终产品交付工期。基于工业互联网的产品协同制造,可通过自动化、智能化的生产方式灵活实现工序和配件的自主协同,降低成本、增加效率。
发明内容
本发明要解决的问题是提供一种基于工业互联网系统制造平台及系统,以及控制方法。
为解决上述技术问题,本发明的基于工业互联网协同制造控制方法,其特征在于:将客户所需的产品订单及产品性能参数设为PM=[pm0,pm1,pm2,...,pmH],其中pm0为产品类型,PM′=[pm1,pm2,...,pmH]为产品性能参数;将产品订单及产品性能参数信息发送至设计模块,设计模块通过建立深度神经网络,对客户需求产品进行智能设计;
设计完成之后,将产品所需的零配件及加工材料需求发送至控制模块;
控制模块根据存储模块提供的零配件库存量,对各种零配件进行合理分派:将需要生产线生产的零配件信息发送至生产模块,将需要外购的零配件信息发送至外购平台,进行对外采购;工厂生产零配件及外购的零配件通过组装模块进行组装;
所述深度神经网络包括第一输入层,第二输入层,四个隐含层,第一输出层及第二输出层,其中,第一输出层输出做为第二输入层的部分输入。
进一步的,所述第一输入层为一个神经元,为客户所需产品类型,第一隐含层有I个神经元,I等于产品类型的维度,第一输出层有J个神经元,代表客户所需产品分解后的各种零件类型,对数据库中所有零件进行编号,输出数据根据编号查询零件类型;
第一输入层与第一隐含层的连接权值为ω1i(1≤i≤I),第一隐含层与第一输出层的连接权值为ωij(1≤i≤I,1≤j≤J),网络神经元的阈值采用统一阈值控制法,当输入激励不为0时,代表神经元满足输出阈值;
第一输出层的输出,同时为第二输入层的部分输入,第二输入层的输入还包括客户所需产品的参数PM′,即将B=[b1,b2,...,bD]=[PM′,MK]作为第二输入层的输入,其中D=H+J;第二输入层与第二输出层之间包括三个隐含层,将生产线状况引入第三隐含层,参与激活函数,包含有K个神经元;
设置第二隐含层和第四隐含层,第二隐含层和第四隐含层分别有P、Q个神经元;第二输出层为产品所需零件及零件数量,有2J个神经元,第二输入层、第二隐含层、第三隐含层、第四隐含层、第二输出层之间的权值分别为ωdp、ωpk、ωkq、ωqj(1≤d≤D,1≤p≤P,1≤k≤K,1≤q≤Q,1≤j≤2J);
当输入bd时,第二隐含层的输出为第二隐含层的输出以及各生产线生产效率共同参与第三隐含层计算,第三隐含层的输出为第四隐含层的输出为其中第二隐含层和第四隐含层的激活函数为可提高网络收敛速度的同时防止过拟合;第三隐含层的激活函数为第二输出层的输出为
采用上述方法后,可按照客户所需要求进行产品设计,计算速度快,选择零件准确度高。
进一步的,设计模块完成产品设计,将设备所需零配件及数量信息Mes=[N1,N2,..,NJ]发送至控制模块,工厂根据自身生产线生产情况,将不具备生产能力的零件发送至外购平台,通过外购进行零件获得;剩余可自身生产的零件Mes′=[N1,N2,..,Nk,...,NK];
用生产效益评价模型对工厂零配件加工数量进行分配,Pe(nk)表示工厂的生产效益,nk表示k零件工厂生产数量,δk为k零件的生产效益调整系数,λk1表示工厂生产k零件的成本,λk2表示外购k零件的成本,θk表示k零件的次品率,βk表示工厂生产k零件的生产效率,表示k零件的库存量;则k零件的生产效益为:
通过对工厂的生产效益进行求导计算:
令Pek′(nk)=0,可获得生产效益最大值时nk的取值,若Nk≤nk,则表示工厂有能力生产客户产品所需零件k,即k零件无需外购,令工厂自身生产量Wk=Nk;若Nk>nk,则零件k外购量Outk=Nk-nk,则工厂自身生产量Wk=nk;依次对工厂自身生产零件的数量进行计算,则K种零件所需生产数量为W=[W1,W2,...,WK];将此信息分别发送至各个生产模块进行生产。
通过上述方法进行零件生产及外购分配,可有效提高工厂生产效率,同时减少生产时间。
进一步的,生产模块接收到零件生产信号后,控制生产线进行生产,并通过生产线效率β及零件数量W对零件生产时间进行预估,记为Town;外购零件可要求外厂对生产零件所需时间进行预估,记为Tout,组装模块同样通过生产效率及产品数量对生产时间进行预估,记为Town;对于零件k,记为k零件生产剩余时间,wk为已生产数量,Wk为总数量,βk为生产线的生产效率,则有:
其中,τk为k零件的生产效率调整因子,tk为k零件已生成量所用时间;
生产剩余时间随着生产过程进行实时调整,并将剩余时间上传至互联网,客户可通过客户端了解产品生产状况及剩余时间。
通过上述方法进行生产剩余时间计算的有益效果:计算生产时间准确,并随着生产的推进进行时间修正。
进一步的,零件生产与组装可同时进行,引入零件生产影响因子δ,通过生产影响因子的引入,将生产和组装及产线换入换出融合考虑,获得更准确的拟合结果,对生产时间进行优化:
本发明还涉及一种基于工业互联网协同制造系统,包括,信息采集模块,人工输入模块,设计模块,存储模块,控制模块,生产模块,组装模块,监控模块,总控模块;
-所述信息采集模块,用于将客户的需求订单进行采集整理,或将客户的订单状态发送至客户端,供客户及时了解订单情况;
-所述设计模块,用于接收采集模块发送的客户订单详情,并根据客户订单进行智能设计;
-所述控制模块,用于接收设计模块发送的产品设计信息,通过设计信息进行零配件及材料加工分配;
-所述存储模块,用于将零配件及材料的库存数量进行记录存储;
-所述生产模块,用于控制生产产品各零配件及材料加工的生产线;
-所述组装模块,用于控制组装车间,将生产模块所生产的零件及外购的产品部件进行加工组装;
所述信息采集模块,人工输入模块,设计模块,存储模块,控制模块,生产模块,组装模块,监控模块,总控模块运行权利要求1-5所述的基于工业互联网协同制造控制方法。
本发明至少具有以下效果:
(1)本发明建立深度神经网络,可对客户所需要求进行产品设计,计算速度快,选择零件准确度高。
(2)本发明建立生产效益模型,并对模型求导获得零配件最优化分派,有效提高工厂生产效率,同时减少生产时间。
(3)本发明结合各生产线的生产效率对生产时间进行预估,并通过调整因子对生产时间实时校准,,能够为客户提供精准的交付时间。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在所有附图中,类似的元件或部分一般由类似的附图标记标识。
图1本发明所述基于工业互联网协同制造平台及系统框架图
图2本发明所述基于神经网络的客户产品设计结构图
具体实施方式
为了更好的说明本发明,下面将结合说明书附图和具体实施例来做详细说明。
参照图1,本发明所述基于工业互联网协同制造平台及系统,由以下部分组成:
信息采集模块10,人工输入模块20,设计模块30,存储模块40,控制模块50,生产模块60,组装模块70,监控模块80,总控模块90。
所述信息采集模块10,用于将客户的需求订单进行采集整理,也可将客户的订单状态发送至客户端,供客户及时了解订单情况。采集模块10与设计模块20通过数据总线连接。
所述设计模块20,用于接收采集模块10发送的客户订单详情,并对客户订单进行产品设计。设计模块20与输入模块30通过数据总线连接。
所述输入模块30,可用于人工参与产品设计,将人工与计算机结合进行更合理的设计。
同时,设计模块20与控制模块40通过数据总线连接。
所述控制模块40,用于接收设计模块20发送的产品设计信息,通过设计信息进行零配件及材料加工分配。控制模块40与存储模块50通过数据总线连接。
存储模块50,用于将零配件及材料的库存数量进行记录存储。
同时,控制模块40与生产模块60通过数据总线连接。
所述生产模块60,用于控制生产产品各零配件及材料加工的生产线。生产模块60与组装模块70通过数据总线连接。
所述组装模块70,用于控制组装车间,将生产模块60所生产的零件及外购的产品部件进行加工组装。
所述监控模块80,用于监控生产线各种设备的运行状况。监控模块80与总控模块90通过数据总线连接。
同时,生产模块60、组装模块70通过数据总线与总控模块90进行连接。
所述总控模块90,用于对生产的各个环节进行控制,同时可以监控生产全过程及生产进度。
同时,监控模块80可将生产过程及生产进度信息发送至客户端。
本发明所述的基于工业互联网协同制造平台及系统,通过客户端将客户所需的产品订单及产品参数PM=[pm0,pm1,pm2,...,pmH],其中pm0为产品类型,PM′=[pm1,pm2,...,pmH]为产品性能参数,作为本发明的实施例,将产品的大小、功率、电压、环境温度、环境湿度、颜色等作为产品性能参数。采集模块10用于接收客户产品信息,并将产品信息发送至设计模块20,设计模块20对产品进行智能设计,若客户有特殊需求,工人可通过输入模块30对产品设计进行人工干预,设计完成之后,将产品所需的零配件及加工材料需求发送至控制模块40,控制模块40根据存储模块50提供的零配件库存量,对各种零配件进行合理分派:将需要生产线生产的零配件信息发送至生产模块60,将需要外购的零配件信息发送至外购平台,进行对外采购。工厂生产零配件及外购的零配件通过组装模块70进行组装,组装完成即可完成产品生产过程。通过监控模块80对生产过程进行实施监控,并将监控信息发送至总控模块90,总控模块90通过监控生产全过程,计算客户定制产品所需时间,同时控制生产模块60及组装模块70的运行。客户可通过客户端了解自己产品的生产状况及完成所需时间。具体处理过程如下:
S1通过建立深度神经网络,对客户需求产品进行智能设计。
参照图2,建立一个深度神经网络,包括第一输入层,第二输入层,四个隐含层,第一输出层及第二输出层。其中,第一输出层输出做为第二输入层的部分输入。
第一输入层为一个神经元,为客户所需产品类型,第一隐含层有I各神经元,I等于产品类型的维度,第一输出层有J个神经元,代表客户所需产品分解后的各种零件类型,对数据库中所有零件进行编号,输出数据根据编号查询零件类型。
第一输入层与第一隐含层的连接权值为ω1i(1≤i≤I),第一隐含层与第一输出层的连接权值为ωij(1≤i≤I,1≤j≤J),网络神经元的阈值采用统一阈值控制法,当输入激励不为0时,代表神经元满足输出阈值。
第一输入层的输入为产品类型pm0,输出其中为隐含层的激活函数,x为函数自变量,作为本发明的实施例,可令则有mkj即为所需零件编号。所得MK=[mk1,mk2,...,mkJ]即为客户产品所需的J种零件类型。引入以上参数可达到网络快速收敛的有益效果。
第一输出层的输出,同时为第二输入层的部分输入,第二输入层的输入还包括客户所需产品的参数PM′,即将B=[b1,b2,...,bD]=[PM′,MK]作为第二输入层的输入,其中D=H+J;第二输入层与第二输出层之间包括三个隐含层,将生产线状况引入第三隐含层,参与激活函数,包含有K个神经元。为了防止引入状态影响网络波动,设置第二隐含层和第四隐含层,第二隐含层和第四隐含层分别有P、Q个神经元。第二输出层为产品所需零件及零件数量,有2J个神经元,第二输入层、第二隐含层、第三隐含层、第四隐含层、第二输出层之间的权值分别为ωdp、ωpk、ωkq、ωqj(1≤d≤D,1≤p≤P,1≤k≤K,1≤q≤Q,1≤j≤2J)。
当输入bd时,第二隐含层的输出为第二隐含层的输出以及各生产线生产效率共同参与第三隐含层计算,第三隐含层的输出为第四隐含层的输出为其中第二隐含层和第四隐含层的激活函数为可提高网络收敛速度的同时防止过拟合;第三隐含层的激活函数为第二输出层的输出为
采用本发明所述神经网络进行产品设计的有益效果是:按照客户所需要求进行产品设计,计算速度快,选择零件准确度高。
S2建立生产效益模型,对生产效益进行求导,获得零配件最优分派。
设计模块20完成产品设计,将设备所需零配件及数量信息Mes=[N1,N2,..,NJ]发送至控制模块40,工厂根据自身生产线生产情况,将不具备生产能力的零件发送至外购平台,通过外购进行零件获得;剩余可自身生产的零件Mes′=[N1,N2,..,Nk,...,NK],考虑到工厂生产线的生产能力及客户需求量过大的问题,本发明采用生产效益评价模型对工厂零配件加工数量进行分配。Pe(nk)表示工厂的生产效益,nk表示k零件工厂生产数量,δk为k零件的生产效益调整系数,λk1表示工厂生产k零件的成本,λk2表示外购k零件的成本,θk表示k零件的次品率,为确保零件出现次品不影响后续生产,βk表示工厂生产k零件的生产效率,表示k零件的库存量。则k零件的生产效益为:
通过对工厂的生产效益进行求导计算:
令Pek′(nk)=0,可获得生产效益最大值时nk的取值,若Nk≤nk,则表示工厂有能力生产客户产品所需零件k,即k零件无需外购,令工厂自身生产量Wk=Nk。若Nk>nk,则零件k外购量Outk=Nk-nk,则工厂自身生产量Wk=nk。依次对工厂自身生产零件的数量进行计算,则K种零件所需生产数量为W=[W1,W2,...,WK]。将此信息分别发送至各个生产模块进行生产。
通过本发明所述方法进行零件生产及外购分配,可有效提高工厂生产效率,同时减少生产时间。
S3基于生产线的生产效率及组装效率,对产品的完成时间进行预测。
生产模块60接收到零件生产信号后,控制生产线进行生产,并通过生产线效率β及零件数量W对零件生产时间进行预估,记为Town;外购零件可要求外厂对生产零件所需时间进行预估,记为Tout,组装模块70同样通过生产效率及产品数量对生产时间进行预估,记为Town。对于零件k,记为k零件生产剩余时间,wk为已生产数量,Wk为总数量,βk为生产线的生产效率,则有:
其中,τk为k零件的生产效率调整因子,tk为k零件已生成量所用时间。
产品的生产剩余时间Tall可认为是零件的生产剩余时间Tpart与组装的剩余时间Tcom求和运算,零件的剩余时间取各零件剩余时间的最大值,即本发明考虑到零件生产与组装可同时进行,提出零件生产影响因子δ,通过生产影响因子的引入,将生产和组装及产线换入换出融合考虑,获得更准确的拟合结果,对生产时间进行优化:
生产剩余时间随着生产过程进行实时调整,并将剩余时间上传至互联网,客户可通过客户端了解产品生产状况及剩余时间。
通过本发明所述方法进行生产剩余时间计算的有益效果:计算生产时间准确,并随着生产的推进进行时间修正。
综上所述,便实现了本发明所述的基于工业互联网协同制造平台及系统。
以上所述,仅是对本发明的较佳实施例而已,并非对本发明做其他形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为同等变化的等效实施例。凡是未脱离本发明方案内容,依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与改型,均落在本发明的保护范围内。
Claims (6)
1.一种基于工业互联网协同制造控制方法,其特征在于:将客户所需的产品订单及产品性能参数设为PM=[pm0,pm1,pm2,...,pmH],其中pm0为产品类型,PM′=[pm1,pm2,...,pmH]为产品性能参数;将产品订单及产品性能参数信息发送至设计模块,设计模块通过建立深度神经网络,对客户需求产品进行智能设计;
设计完成之后,将产品所需的零配件及加工材料需求发送至控制模块;
控制模块根据存储模块提供的零配件库存量,对各种零配件进行合理分派:将需要生产线生产的零配件信息发送至生产模块,将需要外购的零配件信息发送至外购平台,进行对外采购;
工厂生产零配件及外购的零配件通过组装模块进行组装;
所述深度神经网络包括第一输入层,第二输入层,四个隐含层,第一输出层及第二输出层,其中,第一输出层输出做为第二输入层的部分输入;
所述第一输入层为一个神经元,为客户所需产品类型,第一隐含层有I个神经元,I等于产品类型的维度,第一输出层有J个神经元,代表客户所需产品分解后的各种零件类型,对数据库中所有零件进行编号,输出数据根据编号查询零件类型;
第一输入层与第一隐含层的连接权值为ω1i(1≤i≤I),第一隐含层与第一输出层的连接权值为ωij(1≤i≤I,1≤j≤J),网络神经元的阈值采用统一阈值控制法,当输入激励不为0时,代表神经元满足输出阈值;
第一输出层的输出,同时为第二输入层的部分输入,第二输入层的输入还包括客户所需产品的参数PM′,即将B=[b1,b2,...,bD]=[PM′,MK]作为第二输入层的输入,其中D=H+J;第二输入层与第二输出层之间包括三个隐含层,将生产线状况引入第三隐含层,参与激活函数,包含有K个神经元;
设置第二隐含层和第四隐含层,第二隐含层和第四隐含层分别有P、Q个神经元;第二输出层为产品所需零件及零件数量,有2J个神经元,第二输入层、第二隐含层、第三隐含层、第四隐含层、第二输出层之间的权值分别为ωdp、ωpk、ωkq、ωqj(1≤d≤D,1≤p≤P,1≤k≤K,1≤q≤Q,1≤j≤2J);
当输入bd时,第二隐含层的输出为第二隐含层的输出以及各生产线生产效率共同参与第三隐含层计算,第三隐含层的输出为第四隐含层的输出为其中第二隐含层和第四隐含层的激活函数为第三隐含层的激活函数为第二输出层的输出为
3.按照权利要求1或2所述的基于工业互联网协同制造控制方法,其特征在于:设计模块完成产品设计,将设备所需零配件及数量信息Mes=[N1,N2,..,NJ]发送至控制模块,工厂根据自身生产线生产情况,将不具备生产能力的零件发送至外购平台,通过外购进行零件获得;剩余能够自身生产的零件Mes′=[N1,N2,..,Nk,...,NK];
用生产效益评价模型对工厂零配件加工数量进行分配,Pe(nk)表示工厂的生产效益,nk表示k零件工厂生产数量,δk为k零件的生产效益调整系数,λk1表示工厂生产k零件的成本,λk2表示外购k零件的成本,θk表示k零件的次品率,βk表示工厂生产k零件的生产效率,表示k零件的库存量;则k零件的生产效益为:
通过对工厂的生产效益进行求导计算:
令Pe′k(nk)=0,获得生产效益最大值时nk的取值,若Nk≤nk,则表示工厂有能力生产客户产品所需零件k,即k零件无需外购,令工厂自身生产量Wk=Nk;若Nk>nk,则零件k外购量Outk=Nk-nk,则工厂自身生产量Wk=nk;依次对工厂自身生产零件的数量进行计算,则K种零件所需生产数量为W=[W1,W2,...,WK];将此信息分别发送至各个生产模块进行生产。
4.按照权利要求3所述的基于工业互联网协同制造控制方法,其特征在于:生产模块60接收到零件生产信号后,控制生产线进行生产,并通过生产线效率β及零件数量W对零件生产时间进行预估,记为Town;外购零件要求外厂对生产零件所需时间进行预估,记为Tout,组装模块70同样通过生产效率及产品数量对生产时间进行预估,记为Town;对于零件k,记为k零件生产剩余时间,wk为已生产数量,Wk为总数量,βk为生产线的生产效率,则有:
其中,τk为k零件的生产效率调整因子,tk为k零件已生成量所用时间;
生产剩余时间随着生产过程进行实时调整,并将剩余时间上传至互联网,客户通过客户端了解产品生产状况及剩余时间。
6.一种基于工业互联网协同制造系统,其特征在于:包括,信息采集模块,人工输入模块,设计模块,存储模块,控制模块,生产模块,组装模块,监控模块,总控模块;
-所述信息采集模块,用于将客户的需求订单进行采集整理,或将客户的订单状态发送至客户端,供客户及时了解订单情况;
-所述设计模块,用于接收采集模块发送的客户订单详情,并根据客户订单进行智能设计;
-所述控制模块,用于接收设计模块发送的产品设计信息,通过设计信息进行零配件及材料加工分配;
-所述存储模块,用于将零配件及材料的库存数量进行记录存储;
-所述生产模块,用于控制生产产品各零配件及材料加工的生产线;
-所述组装模块,用于控制组装车间,将生产模块所生产的零件及外购的产品部件进行加工组装;
所述信息采集模块,人工输入模块,设计模块,存储模块,控制模块,生产模块,组装模块,监控模块,总控模块运行权利要求1-5所述的基于工业互联网协同制造控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011536277.8A CN112712239B (zh) | 2020-12-23 | 2020-12-23 | 一种基于工业互联网协同制造系统及控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011536277.8A CN112712239B (zh) | 2020-12-23 | 2020-12-23 | 一种基于工业互联网协同制造系统及控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112712239A CN112712239A (zh) | 2021-04-27 |
CN112712239B true CN112712239B (zh) | 2022-07-01 |
Family
ID=75543711
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011536277.8A Active CN112712239B (zh) | 2020-12-23 | 2020-12-23 | 一种基于工业互联网协同制造系统及控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112712239B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113592391A (zh) * | 2021-07-15 | 2021-11-02 | 厦门沣达体育科技有限公司 | 一种订单生产方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976049A (zh) * | 2016-04-28 | 2016-09-28 | 武汉宝钢华中贸易有限公司 | 基于混沌神经网络的库存预测模型及其构造方法 |
CN110569593A (zh) * | 2019-09-05 | 2019-12-13 | 武汉纺织大学 | 着装人体三维尺寸测量方法、系统、存储介质及电子设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007004670A (ja) * | 2005-06-27 | 2007-01-11 | Toyota Motor Corp | 部品調達システム |
CN202916867U (zh) * | 2012-11-07 | 2013-05-01 | 江门市网联电子商务科技有限公司 | 一种数据管理系统 |
CN108471353B (zh) * | 2018-01-22 | 2021-03-30 | 浙江鹏信信息科技股份有限公司 | 一种基于深度神经网络算法的网元容量分析与预测的方法 |
CN111105127B (zh) * | 2019-11-06 | 2023-04-07 | 武汉理工大学 | 一种基于数据驱动的模块化产品设计评价方法 |
-
2020
- 2020-12-23 CN CN202011536277.8A patent/CN112712239B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976049A (zh) * | 2016-04-28 | 2016-09-28 | 武汉宝钢华中贸易有限公司 | 基于混沌神经网络的库存预测模型及其构造方法 |
CN110569593A (zh) * | 2019-09-05 | 2019-12-13 | 武汉纺织大学 | 着装人体三维尺寸测量方法、系统、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112712239A (zh) | 2021-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109784806B (zh) | 供应链控制方法、系统以及存储介质 | |
CN116341771B (zh) | 一种耐低温电缆生产工艺智能优化方法及系统 | |
EP1643325A2 (en) | Directory structure in distributed data driven architecture environment | |
US20030171829A1 (en) | System and method for complex process optimization and control | |
Jain et al. | Ranking of flexibility in flexible manufacturing system by using a combined multiple attribute decision making method | |
US20230384771A1 (en) | Method for automatic production line planning based on industrial internet of things, system and storage medium thereof | |
CN107146039B (zh) | 一种多目标协同控制的定制式混流装配生产方法及装置 | |
CN112712239B (zh) | 一种基于工业互联网协同制造系统及控制方法 | |
CN112650187A (zh) | 一种车间调度方法、装置和系统 | |
CN108156204A (zh) | 一种目标对象推送系统和方法 | |
CN111240209A (zh) | 构型动型控型优型联动响应的自适应组态方法及系统 | |
Zhang et al. | Big data driven decision-making for batch-based production systems | |
CN106327053B (zh) | 一种基于多模式集合的纺织工艺推荐模型的构建方法 | |
CN111161023A (zh) | 订单报价方法、系统、终端及计算机可读存储介质 | |
Kurilova et al. | Production-Distribution Problem Optimization in a Green Closed-Loop Supply Chain | |
Protner et al. | Edge computing and digital twin based smart manufacturing | |
CN106909992B (zh) | 一种多品种小批量混流装配线的分装生产方法及装置 | |
Lidberg et al. | Applying aggregated line modeling techniques to optimize real world manufacturing systems | |
Yang et al. | Supply Chain Information Collaborative Simulation Model Integrating Multi-Agent and System Dynamics | |
CN114742540A (zh) | 一种智能制造管理系统 | |
TW202226088A (zh) | 智能交期預測方法與系統 | |
CN110009180B (zh) | 一种基于区块链的准时生产控制方法 | |
CN114047729A (zh) | 天然植物加工控制方法、系统、计算机设备和存储介质 | |
CN113762754A (zh) | 一种混合车间低熵自适应调度方法 | |
Ioannidis et al. | Analysis of admission and inventory control policies for production networks |
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 |