CN112906977A - 一种基于动态价值网络和云制造平台的协同优化方法 - Google Patents
一种基于动态价值网络和云制造平台的协同优化方法 Download PDFInfo
- Publication number
- CN112906977A CN112906977A CN202110294218.2A CN202110294218A CN112906977A CN 112906977 A CN112906977 A CN 112906977A CN 202110294218 A CN202110294218 A CN 202110294218A CN 112906977 A CN112906977 A CN 112906977A
- Authority
- CN
- China
- Prior art keywords
- value
- product
- module
- manufacturing
- data
- 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.)
- Granted
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 174
- 238000005457 optimization Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000013500 data storage Methods 0.000 claims abstract description 60
- 238000004458 analytical method Methods 0.000 claims abstract description 35
- 238000011156 evaluation Methods 0.000 claims abstract description 22
- 238000012544 monitoring process Methods 0.000 claims abstract description 21
- 238000013473 artificial intelligence Methods 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 25
- 239000002994 raw material Substances 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000004146 energy storage Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0278—Product appraisal
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于动态价值网络和云制造平台的协同优化方法,涉及生产制造技术领域,解决了现有方案没有充分利用动态价值网络的优势完成云制造优化的技术问题;包括控制系统,控制系统包括云平台、价值网络建立模块、数据中心模块、生产分析模块、制造优化模块、制造监控模块和数据存储模块;本发明设置了价值网络建立模块,该设置保证了产品预测价值的准确性,有助于提高重要紧缺产品的制造效率;本发明设置了生产分析模块,该设置将实际生产价值作为产品价值评估的重要基准,能够保证价值评估系数的准确度,同时能检验动态价值网络的可行性;本发明设置了制造优化模块,该设置能保证重要紧缺产品优先处理,同时有助于提高云制造的效率。
Description
技术领域
本发明属于生产制造领域,涉及云制造技术,具体是一种基于动态价值网络和云制造平台的协同优化方法。
背景技术
云制造,是在“制造即服务”理念的基础上,借鉴了云计算思想发展起来的一个新概念;云制造是先进的信息技术、制造技术以及新兴物联网技术等交叉融合的产品,是制造即服务理念的体现;采取包括云计算在内的当代信息技术前沿理念,支持制造业在广泛的网络资源环境下,为产品提供高附加值、低成本和全球化制造的服务。
公开号为CN106684898A的发明专利提供了一种基于价值网络的储能系统调度优化方法,该方法以能量价值时变背景下储能系统自动调节其出力计划以达到最大能量价值为策略,首先对时间及储能状态围成的2维有界状态空间进行栅格化处理,依时间逆序构造价值网络,网络中每个单元对应于状态空间的一点,其值计算从该状态点到达调度周期终结状态点的最大价值,则调度周期起始状态点记录的最大价值链对应的出力计划即为该栅格化精度下的优化解,在前一步出力计划低精度解附近生成粒度更细的状态空间,重复上述过程,通过反复迭代促使解收敛至精度满足要求。
上述方案求解精度高、收敛快、鲁棒性好,能够更好的保证储能系统调控的经济性及可靠性;但是,上述方案只是以价值网络为媒介,对储能系统进行优化,并没有充分利用价值网络的优势;因此,上述方案仍需进一步改进。
发明内容
为了解决上述方案存在的问题,本发明提供了一种基于动态价值网络和云制造平台的协同优化方法。
本发明的目的可以通过以下技术方案实现:一种基于动态价值网络和云制造平台的协同优化方法,所述协同优化方法具体包括以下步骤:
步骤一:通过控制系统获取价值网络数据和订单数据,将价值网络数据分别发送至价值网络建立模块和数据存储模块,将订单数据分别发送至生产分析模块和数据存储模块;
步骤二:对产品进行标记,根据价值网络数据建立产品价值序列,结合人工智能模型和预测周期获取产品预测价值,同时将价值预测模型发送至数据存储模块;
步骤三:提取订单数据中的产品订单量和单件产品价格,获取产品的实际生产价值;将实际生产价值分别发送至制造优化模块和数据存储模块;
步骤四:将产品预测价值和实际生产价值根据时间进行匹配,获取价值评估系数;将价值评估系数从大到小进行排序获取价值优化序列;将价值优化序列分别发送至云平台和数据存储模块;云平台根据价值优化序列完成生产制造。
优选的,所述控制系统包括云平台、价值网络建立模块、数据中心模块、生产分析模块、制造优化模块、制造监控模块和数据存储模块;
所述数据中心模块用于获取价值网络数据和订单数据,将价值网络数据分别发送至价值网络建立模块和数据存储模块,将订单数据分别发送至生产分析模块和数据存储模块;
所述制造优化模块用于获取价值优化序列,包括:
当制造优化模块接收到产品预测价值CYJit2和实际生产价值SSJit3时,当产品预测价值CYJit2和实际生产价值SSJit3中的t2和t3相等时,将产品预测价值CYJit2中的t2用t3替换,即产品预测价值CYJit3和实际生产价值SSJit3;
通过公式JPXit3=β2×CYJit3×SSJit3获取产品i的价值评估系数JPXit3;其中β2为比例系数,且β2为大于0的实数;
将价值评估系数JPXit3从大到小进行排序获取价值优化序列;
将价值优化序列分别发送至云平台和数据存储模块。
优选的,所述制造监控模块用于监控产品订单量的完成进度,并生成制造报告,同时将制造报告发送至数据存储模块进行存储;所述制造报告包括制造时间、产品名称和产品数量;所述制造监控模块还用于监控原材料的质量和采购。
优选的,所述生产分析模块根据订单数据获取生产需求序列,包括:
当生产分析模块接收到订单数据之后,提取订单数据中的产品订单量和单件产品价格并分别标记为CDit3和DJit3;其中t3为订单数据中要求的产品交付时间;
通过公式SSJit3=β1×CDit3×DJit3获取产品i的实际生产价值SSJit3;其中β1为比例系数,且β1为大于0的实数;
将实际生产价值SSJit3分别发送至制造优化模块和数据存储模块。
优选的,所述价值网络建立模块根据价值网络数据建立动态价值网络,包括:
将产品标记为i,i=1,2,……,n;
当价值网络数据建立模块接收到价值网络数据之后,提取产品i对应的设定周期内的价值网络数据,并将价值网络数据中的产品原材料价格、产品原材料产量、产品供应价格和产品需求量分别标记为CYJit1、CYCit1、CGJit1和CXLit1;其中设定周期包括一季度、半年和一年,t1为价值网络数据的获取时间,且t通过儒日历进行表示;
通过公式CDJit1=α1×CYJit1×CYCit1+α2×CGJit1×CXLit1获取产品i的产品动态价值CDJit1;其中α1和α2为比例系数,且α1和α2均为大于0的实数;
通过获取时间t及对应的产品i的产品动态价值CDJit1建立产品价值序列;其中产品价值序列中包括t组价值数据,且价值数据为[t1,CDJit1];
将产品价值序列按照设定比例划分为训练集、测试集和校验集;所述设定比例包括2:1:1、3:1:1和3:2:1;
构建人工智能模型;所述人工智能模型至少包括误差逆向传播神经网络、RBF神经网络和深度卷积神经网络中的一种;
通过训练集、测试集和校验集对人工智能模型进行训练、测试和校验,当人工智能模型的训练精度达到目标精度时,则判定人工智能模型完成训练,将训练完成的人工智能模型标记为价值预测模型;所述价值预测模型定期更新;
设定预测周期;所述预测周期包括一天、一星期和一个月,且预测周期使用儒日历表示;
通过价值预测模型获取预测周期对应的产品动态价值,并将产品动态价值标记为产品预测价值CYJit2;其中t2为产品预测价值对应的时间;
通过云平台将产品预测价值分别发送至生产分析模块和数据存储模块,同时将价值预测模型发送至数据存储模块。
优选的,所述价值预测模型的定期更新具体包括:
获取价值预测模型的获取时间并标记为模型获取时间MHS;
通过公式获取当前时刻对应的产品i的产品动态价值并标记为当前价值DJi;
获取价值预测模型获取当前时刻对应的产品i的产品动态价值并标记为模型预测价值MYJi;
当模型预测价值MYJi满足DJi-μ≤MYJi≤DJi+μ,且模型获取时间MHS小于等于时间阈值时,则判定价值预测模型无需更新;否则,判定价值预测模型需要更新;其中μ为比例系数,且μ为大于0的实数;
生成模型更新标签;其中模型更新标签的取值为0和1,当模型更新标签为0时,表示价值预测模型无需更新,当模型更新标签为1时,表示价值预测模型需要更新;
通过云平台将模型更新标签发送至价值网络建立模块;
价值网络建立模块接收到模型更新标签之后完成价值预测模型的更新,并将更新之后的价值预测模型发送至数据存储模块进行覆盖存储。
优选的,所述价值网络数据包括产品原材料价格、产品原材料产量、产品供应价格和产品需求量;所述订单数据包括产品订单量和单件产品价格。
优选的,所述云平台分别与价值网络建立模块、数据中心模块、生产分析模块、制造优化模块、制造监控模块和数据存储模块通信连接;所述数据中心模块分别与价值网络建立模块和生产分析模块通信连接,所述制造监控模块分别与数据存储模块和制造优化模块通信连接,所述制造优化模块和生产分析模块通信连接。
与现有技术相比,本发明的有益效果是:
1、本发明设置了价值网络建立模块,该设置根据价值网络数据建立动态价值网络;将产品标记为i;当价值网络数据建立模块接收到价值网络数据之后,提取产品i对应的设定周期内的价值网络数据,并将价值网络数据中的产品原材料价格、产品原材料产量、产品供应价格和产品需求量,获取产品i的产品动态价值CDJit1;通过获取时间t及对应的产品i的产品动态价值CDJit1建立产品价值序列;将产品价值序列按照设定比例划分为训练集、测试集和校验集;构建人工智能模型;通过训练集、测试集和校验集对人工智能模型进行训练、测试和校验,当人工智能模型的训练精度达到目标精度时,则判定人工智能模型完成训练,将训练完成的人工智能模型标记为价值预测模型;设定预测周期;通过价值预测模型获取预测周期对应的产品动态价值,并将产品动态价值标记为产品预测价值CYJit2;通过云平台将产品预测价值分别发送至生产分析模块和数据存储模块,同时将价值预测模型发送至数据存储模块;价值网络建立模块对产品进行标记,根据价值网络数据建立产品价值序列,结合人工智能模型和预测周期实时获取产品预测价值,保证了产品预测价值的准确性,有助于提高重要紧缺产品的制造效率;
2、本发明设置了生产分析模块,该设置模块根据订单数据获取生产需求序列;当生产分析模块接收到订单数据之后,提取订单数据中的产品订单量和单件产品价格并分别标记为CDit3和DJit3;获取产品i的实际生产价值SSJit3;将实际生产价值SSJit3分别发送至制造优化模块和数据存储模块;生产分析模块提取订单数据中的产品订单量和单件产品价格,获取产品的实际生产价值,通过订单数据获取实际生产价值,将实际生产价值作为产品价值评估的重要基准,能够保证价值评估系数的准确度,同时能够检验动态价值网络的可行性;
3、本发明设置了制造优化模块,该设置用于获取价值优化序列;当制造优化模块接收到产品预测价值CYJit2和实际生产价值SSJit3时,当产品预测价值CYJit2和实际生产价值SSJit3中的t2和t3相等时,将产品预测价值CYJit2中的t2用t3替换,获取产品i的价值评估系数JPXit3;将价值评估系数JPXit3从大到小进行排序获取价值优化序列;将价值优化序列分别发送至云平台和数据存储模块;制造优化模块将产品预测价值和实际生产价值根据时间进行匹配,获取价值评估系数;将价值评估系数从大到小进行排序获取价值优化序列;将价值优化序列分别发送至云平台和数据存储模块;云平台根据价值优化序列完成生产制造,能够保证重要紧缺产品优先处理,同时有助于提高云制造的效率。
附图说明
为了更清楚地说明本发明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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的方法步骤示意图;
图2为本发明控制系统的原理示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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它实施例,都属于本发明保护的范围。
请参阅图1-图2,一种基于动态价值网络和云制造平台的协同优化方法,协同优化方法具体包括以下步骤:
步骤一:通过控制系统获取价值网络数据和订单数据,将价值网络数据分别发送至价值网络建立模块和数据存储模块,将订单数据分别发送至生产分析模块和数据存储模块;
步骤二:对产品进行标记,根据价值网络数据建立产品价值序列,结合人工智能模型和预测周期获取产品预测价值,同时将价值预测模型发送至数据存储模块;
步骤三:提取订单数据中的产品订单量和单件产品价格,获取产品的实际生产价值;将实际生产价值分别发送至制造优化模块和数据存储模块;
步骤四:将产品预测价值和实际生产价值根据时间进行匹配,获取价值评估系数;将价值评估系数从大到小进行排序获取价值优化序列;将价值优化序列分别发送至云平台和数据存储模块;云平台根据价值优化序列完成生产制造。
进一步地,控制系统包括云平台、价值网络建立模块、数据中心模块、生产分析模块、制造优化模块、制造监控模块和数据存储模块;
数据中心模块用于获取价值网络数据和订单数据,将价值网络数据分别发送至价值网络建立模块和数据存储模块,将订单数据分别发送至生产分析模块和数据存储模块;
制造优化模块用于获取价值优化序列,包括:
当制造优化模块接收到产品预测价值CYJit2和实际生产价值SSJit3时,当产品预测价值CYJit2和实际生产价值SSJit3中的t2和t3相等时,将产品预测价值CYJit2中的t2用t3替换,即产品预测价值CYJit3和实际生产价值SSJit3;
通过公式JPXit3=β2×CYJit3×SSJit3获取产品i的价值评估系数JPXit3;其中β2为比例系数,且β2为大于0的实数;
将价值评估系数JPXit3从大到小进行排序获取价值优化序列;
将价值优化序列分别发送至云平台和数据存储模块。
进一步地,制造监控模块用于监控产品订单量的完成进度,并生成制造报告,同时将制造报告发送至数据存储模块进行存储;制造报告包括制造时间、产品名称和产品数量;制造监控模块还用于监控原材料的质量和采购。
进一步地,生产分析模块根据订单数据获取生产需求序列,包括:
当生产分析模块接收到订单数据之后,提取订单数据中的产品订单量和单件产品价格并分别标记为CDit3和DJit3;其中t3为订单数据中要求的产品交付时间;
通过公式SSJit3=β1×CDit3×DJit3获取产品i的实际生产价值SSJit3;其中β1为比例系数,且β1为大于0的实数;
将实际生产价值SSJit3分别发送至制造优化模块和数据存储模块。
进一步地,价值网络建立模块根据价值网络数据建立动态价值网络,包括:
将产品标记为i,i=1,2,……,n;
当价值网络数据建立模块接收到价值网络数据之后,提取产品i对应的设定周期内的价值网络数据,并将价值网络数据中的产品原材料价格、产品原材料产量、产品供应价格和产品需求量分别标记为CYJit1、CYCit1、CGJit1和CXLit1;其中设定周期包括一季度、半年和一年,t1为价值网络数据的获取时间,且t通过儒日历进行表示;
通过公式CDJit1=α1×CYJit1×CYCit1+α2×CGJit1×CXLit1获取产品i的产品动态价值CDJit1;其中α1和α2为比例系数,且α1和α2均为大于0的实数;
通过获取时间t及对应的产品i的产品动态价值CDJit1建立产品价值序列;其中产品价值序列中包括t组价值数据,且价值数据为[t1,CDJit1];
将产品价值序列按照设定比例划分为训练集、测试集和校验集;设定比例包括2:1:1、3:1:1和3:2:1;
构建人工智能模型;人工智能模型至少包括误差逆向传播神经网络、RBF神经网络和深度卷积神经网络中的一种;
通过训练集、测试集和校验集对人工智能模型进行训练、测试和校验,当人工智能模型的训练精度达到目标精度时,则判定人工智能模型完成训练,将训练完成的人工智能模型标记为价值预测模型;价值预测模型定期更新;
设定预测周期;预测周期包括一天、一星期和一个月,且预测周期使用儒日历表示;
通过价值预测模型获取预测周期对应的产品动态价值,并将产品动态价值标记为产品预测价值CYJit2;其中t2为产品预测价值对应的时间;
通过云平台将产品预测价值分别发送至生产分析模块和数据存储模块,同时将价值预测模型发送至数据存储模块。
进一步地,价值预测模型的定期更新具体包括:
获取价值预测模型的获取时间并标记为模型获取时间MHS;
通过公式获取当前时刻对应的产品i的产品动态价值并标记为当前价值DJi;
获取价值预测模型获取当前时刻对应的产品i的产品动态价值并标记为模型预测价值MYJi;
当模型预测价值MYJi满足DJi-μ≤MYJi≤DJi+μ,且模型获取时间MHS小于等于时间阈值时,则判定价值预测模型无需更新;否则,判定价值预测模型需要更新;其中μ为比例系数,且μ为大于0的实数;
生成模型更新标签;其中模型更新标签的取值为0和1,当模型更新标签为0时,表示价值预测模型无需更新,当模型更新标签为1时,表示价值预测模型需要更新;
通过云平台将模型更新标签发送至价值网络建立模块;
价值网络建立模块接收到模型更新标签之后完成价值预测模型的更新,并将更新之后的价值预测模型发送至数据存储模块进行覆盖存储。
进一步地,价值网络数据包括产品原材料价格、产品原材料产量、产品供应价格和产品需求量;订单数据包括产品订单量和单件产品价格。
进一步地,云平台分别与价值网络建立模块、数据中心模块、生产分析模块、制造优化模块、制造监控模块和数据存储模块通信连接;数据中心模块分别与价值网络建立模块和生产分析模块通信连接,制造监控模块分别与数据存储模块和制造优化模块通信连接,制造优化模块和生产分析模块通信连接。
上述公式均是去除量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式,公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
本发明的工作原理:
数据中心模块用于获取价值网络数据和订单数据,将价值网络数据分别发送至价值网络建立模块和数据存储模块,将订单数据分别发送至生产分析模块和数据存储模块;
将产品标记为i;当价值网络数据建立模块接收到价值网络数据之后,提取产品i对应的设定周期内的价值网络数据,并将价值网络数据中的产品原材料价格、产品原材料产量、产品供应价格和产品需求量,获取产品i的产品动态价值CDJit1;通过获取时间t及对应的产品i的产品动态价值CDJit1建立产品价值序列;将产品价值序列按照设定比例划分为训练集、测试集和校验集;构建人工智能模型;通过训练集、测试集和校验集对人工智能模型进行训练、测试和校验,当人工智能模型的训练精度达到目标精度时,则判定人工智能模型完成训练,将训练完成的人工智能模型标记为价值预测模型;设定预测周期;通过价值预测模型获取预测周期对应的产品动态价值,并将产品动态价值标记为产品预测价值CYJit2;通过云平台将产品预测价值分别发送至生产分析模块和数据存储模块,同时将价值预测模型发送至数据存储模块;
当生产分析模块接收到订单数据之后,提取订单数据中的产品订单量和单件产品价格并分别标记为CDit3和DJit3;获取产品i的实际生产价值SSJit3;将实际生产价值SSJit3分别发送至制造优化模块和数据存储模块;
当制造优化模块接收到产品预测价值CYJit2和实际生产价值SSJit3时,当产品预测价值CYJit2和实际生产价值SSJit3中的t2和t3相等时,将产品预测价值CYJit2中的t2用t3替换,获取产品i的价值评估系数JPXit3;将价值评估系数JPXit3从大到小进行排序获取价值优化序列;将价值优化序列分别发送至云平台和数据存储模块。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上内容仅仅是对本发明结构所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (7)
1.一种基于动态价值网络和云制造平台的协同优化方法,其特征在于,所述协同优化方法具体包括以下步骤:
步骤一:通过控制系统获取价值网络数据和订单数据,将价值网络数据分别发送至价值网络建立模块和数据存储模块,将订单数据分别发送至生产分析模块和数据存储模块;
步骤二:对产品进行标记,根据价值网络数据建立产品价值序列,结合人工智能模型和预测周期获取产品预测价值,同时将价值预测模型发送至数据存储模块;
步骤三:提取订单数据中的产品订单量和单件产品价格,获取产品的实际生产价值;将实际生产价值分别发送至制造优化模块和数据存储模块;
步骤四:将产品预测价值和实际生产价值根据时间进行匹配,获取价值评估系数;将价值评估系数从大到小进行排序获取价值优化序列;将价值优化序列分别发送至云平台和数据存储模块;云平台根据价值优化序列完成生产制造。
2.根据权利要求1所述的一种基于动态价值网络和云制造平台的协同优化方法,其特征在于,所述控制系统包括云平台、价值网络建立模块、数据中心模块、生产分析模块、制造优化模块、制造监控模块和数据存储模块;
所述数据中心模块用于获取价值网络数据和订单数据,将价值网络数据分别发送至价值网络建立模块和数据存储模块,将订单数据分别发送至生产分析模块和数据存储模块;
所述制造优化模块用于获取价值优化序列,包括:
当制造优化模块接收到产品预测价值CYJit2和实际生产价值SSJit3时,当产品预测价值CYJit2和实际生产价值SSJit3中的t2和t3相等时,将产品预测价值CYJit2中的t2用t3替换,即产品预测价值CYJit3和实际生产价值SSJit3;
通过公式JPXit3=β2×CYJit3×SSJit3获取产品i的价值评估系数JPXit3;其中β2为比例系数,且β2为大于0的实数;
将价值评估系数JPXit3从大到小进行排序获取价值优化序列;
将价值优化序列分别发送至云平台和数据存储模块。
3.根据权利要求2所述的一种基于动态价值网络和云制造平台的协同优化方法,其特征在于,所述制造监控模块用于监控产品订单量的完成进度,并生成制造报告,同时将制造报告发送至数据存储模块进行存储;所述制造报告包括制造时间、产品名称和产品数量;所述制造监控模块还用于监控原材料的质量和采购。
4.根据权利要求2所述的一种基于动态价值网络和云制造平台的协同优化方法,其特征在于,当生产分析模块接收到订单数据之后,提取订单数据中的产品订单量和单件产品价格并分别标记为CDit3和DJit3;其中t3为订单数据中要求的产品交付时间;
通过公式SSJit3=β1×CDit3×DJit3获取产品i的实际生产价值SSJit3;其中β1为比例系数,且β1为大于0的实数;
将实际生产价值SSJit3分别发送至制造优化模块和数据存储模块。
5.根据权利要求2所述的一种基于动态价值网络和云制造平台的协同优化方法,其特征在于,所述价值网络建立模块根据价值网络数据建立动态价值网络,包括:
将产品标记为i,i=1,2,……,n;
当价值网络数据建立模块接收到价值网络数据之后,提取产品i对应的设定周期内的价值网络数据,并将价值网络数据中的产品原材料价格、产品原材料产量、产品供应价格和产品需求量分别标记为CYJit1、CYCit1、CGJit1和CXLit1;其中设定周期包括一季度、半年和一年,t1为价值网络数据的获取时间,且t通过儒日历进行表示;
通过公式CDJit1=α1×CYJit1×CYCit1+α2×CGJit1×CXLit1获取产品i的产品动态价值CDJit1;其中α1和α2为比例系数,且α1和α2均为大于0的实数;
通过获取时间t及对应的产品i的产品动态价值CDJit1建立产品价值序列;其中产品价值序列中包括t组价值数据,且价值数据为[t1,CDJit1];
将产品价值序列按照设定比例划分为训练集、测试集和校验集;所述设定比例包括2∶1∶1、3∶1∶1和3∶2∶1;
构建人工智能模型;所述人工智能模型至少包括误差逆向传播神经网络、RBF神经网络和深度卷积神经网络中的一种;
通过训练集、测试集和校验集对人工智能模型进行训练、测试和校验,当人工智能模型的训练精度达到目标精度时,则判定人工智能模型完成训练,将训练完成的人工智能模型标记为价值预测模型;所述价值预测模型定期更新;
设定预测周期;所述预测周期包括一天、一星期和一个月,且预测周期使用儒日历表示;
通过价值预测模型获取预测周期对应的产品动态价值,并将产品动态价值标记为产品预测价值CYJit2;其中t2为产品预测价值对应的时间;
通过云平台将产品预测价值分别发送至生产分析模块和数据存储模块,同时将价值预测模型发送至数据存储模块。
6.根据权利要求5所述的一种基于动态价值网络和云制造平台的协同优化方法,其特征在于,所述价值预测模型的定期更新具体包括:
获取价值预测模型的获取时间并标记为模型获取时间MHS;
通过公式获取当前时刻对应的产品i的产品动态价值并标记为当前价值DJi;
获取价值预测模型获取当前时刻对应的产品i的产品动态价值并标记为模型预测价值MYJi;
当模型预测价值MYJi满足DJi-μ≤MYJi≤DJi+μ,且模型获取时间MHS小于等于时间阈值时,则判定价值预测模型无需更新;否则,判定价值预测模型需要更新;其中μ为比例系数,且μ为大于0的实数;
生成模型更新标签;其中模型更新标签的取值为0和1,当模型更新标签为0时,表示价值预测模型无需更新,当模型更新标签为1时,表示价值预测模型需要更新;
通过云平台将模型更新标签发送至价值网络建立模块;
价值网络建立模块接收到模型更新标签之后完成价值预测模型的更新,并将更新之后的价值预测模型发送至数据存储模块进行覆盖存储。
7.根据权利要求2所述的一种基于动态价值网络和云制造平台的协同优化方法,其特征在于,所述云平台分别与价值网络建立模块、数据中心模块、生产分析模块、制造优化模块、制造监控模块和数据存储模块通信连接;所述数据中心模块分别与价值网络建立模块和生产分析模块通信连接,所述制造监控模块分别与数据存储模块和制造优化模块通信连接,所述制造优化模块和生产分析模块通信连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110294218.2A CN112906977B (zh) | 2021-03-19 | 2021-03-19 | 一种基于动态价值网络和云制造平台的协同优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110294218.2A CN112906977B (zh) | 2021-03-19 | 2021-03-19 | 一种基于动态价值网络和云制造平台的协同优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112906977A true CN112906977A (zh) | 2021-06-04 |
CN112906977B CN112906977B (zh) | 2021-11-23 |
Family
ID=76105514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110294218.2A Active CN112906977B (zh) | 2021-03-19 | 2021-03-19 | 一种基于动态价值网络和云制造平台的协同优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112906977B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103188273A (zh) * | 2011-10-31 | 2013-07-03 | 李宗诚 | 企业价值链网络配置价值计量的ict 技术支持设计 |
CN103413020A (zh) * | 2013-06-25 | 2013-11-27 | 武汉理工大学 | 一种面向车间级制造能力的动态综合评估方法 |
CN105550813A (zh) * | 2015-12-17 | 2016-05-04 | 重庆大学 | 一种基于价值网络的机械装备云服务资源的商业评价方法 |
CN106156909A (zh) * | 2015-03-30 | 2016-11-23 | 沈阳铝镁设计研究院有限公司 | 一种基于全价值链信息集成的电解铝厂云控制系统 |
CN109597838A (zh) * | 2018-12-03 | 2019-04-09 | 湖南信息学院 | 一种基于云计算和数据挖掘的信息采集系统及方法 |
CN110751292A (zh) * | 2019-10-12 | 2020-02-04 | 浙江财经大学 | 一种基于遗传算法的云制造多视角协同调度优化方法 |
CN111835827A (zh) * | 2020-06-11 | 2020-10-27 | 北京邮电大学 | 物联网边缘计算任务卸载方法及系统 |
-
2021
- 2021-03-19 CN CN202110294218.2A patent/CN112906977B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103188273A (zh) * | 2011-10-31 | 2013-07-03 | 李宗诚 | 企业价值链网络配置价值计量的ict 技术支持设计 |
CN103413020A (zh) * | 2013-06-25 | 2013-11-27 | 武汉理工大学 | 一种面向车间级制造能力的动态综合评估方法 |
CN106156909A (zh) * | 2015-03-30 | 2016-11-23 | 沈阳铝镁设计研究院有限公司 | 一种基于全价值链信息集成的电解铝厂云控制系统 |
CN105550813A (zh) * | 2015-12-17 | 2016-05-04 | 重庆大学 | 一种基于价值网络的机械装备云服务资源的商业评价方法 |
CN109597838A (zh) * | 2018-12-03 | 2019-04-09 | 湖南信息学院 | 一种基于云计算和数据挖掘的信息采集系统及方法 |
CN110751292A (zh) * | 2019-10-12 | 2020-02-04 | 浙江财经大学 | 一种基于遗传算法的云制造多视角协同调度优化方法 |
CN111835827A (zh) * | 2020-06-11 | 2020-10-27 | 北京邮电大学 | 物联网边缘计算任务卸载方法及系统 |
Non-Patent Citations (2)
Title |
---|
JIMMING LI: "Modeling of the value network in smart manufacturing based on FAHP and text feature extraction", 《ELSEVIER》 * |
宋振晖: "云制造服务价值网络战略风险管理", 《价值工程》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112906977B (zh) | 2021-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gao et al. | A multiagent competitive bidding strategy in a pool-based electricity market with price-maker participants of WPPs and EV aggregators | |
Esmaeili et al. | Optimal operational scheduling of reconfigurable multi-microgrids considering energy storage systems | |
CN106374536B (zh) | 新能源接入条件下电力容量市场的低碳电源投资决策方法 | |
CN111680841B (zh) | 基于主成分分析的短期负荷预测方法、系统及终端设备 | |
Hong et al. | Uncertainty in unit commitment in power systems: A review of models, methods, and applications | |
CN112200489B (zh) | 有色金属冶炼产供销一体优化系统、方法、装置 | |
Crespo-Vazquez et al. | Evaluation of a data driven stochastic approach to optimize the participation of a wind and storage power plant in day-ahead and reserve markets | |
CN114662762A (zh) | 一种电力现货市场背景下储能电站调控方法 | |
CN107958297A (zh) | 一种产品需求预测方法及产品需求预测装置 | |
Haghifam et al. | A stackelberg game-based approach for transactive energy management in smart distribution networks | |
CN116207739A (zh) | 配电网优化调度方法、装置、计算机设备和存储介质 | |
CN112906977B (zh) | 一种基于动态价值网络和云制造平台的协同优化方法 | |
Nolzen et al. | Where to market flexibility? Optimal participation of industrial energy systems in balancing-power, day-ahead, and continuous intraday electricity markets | |
KR102579808B1 (ko) | 태양광발전소 건설공정 관리시스템 및 그 제어방법 | |
CN109687452B (zh) | 一种用于配电网供电能力的分析方法、装置及存储介质 | |
CN110047001A (zh) | 一种期货数据人工智能分析方法及系统 | |
CN113723717B (zh) | 系统日前短期负荷预测方法、装置、设备和可读存储介质 | |
Paulo et al. | Assessment of biomass supply chain design and planning using discrete-event simulation modeling | |
Vardanyan et al. | Optimal bidding of a profit-maximizing hydropower producer in day-ahead and real-time markets | |
CN112381266A (zh) | 基于历史供电及天气数据预测未来供电量的系统及其方法 | |
CN112330017A (zh) | 电力负荷预测方法、装置、电子设备和存储介质 | |
CN110647654A (zh) | 基于音频内容画像的音频主播评级方法、系统及存储介质 | |
CN110490488A (zh) | 基于大数据分析技术的电力企业主网规划数据分析系统 | |
CN116317110B (zh) | 考虑源荷双侧波动的电网调度操作预演方法和系统 | |
CN114329904A (zh) | 一种基于削减电量动态调度的需求响应方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |