CN113128895A - 基于大数据的智慧车间管理系统 - Google Patents
基于大数据的智慧车间管理系统 Download PDFInfo
- Publication number
- CN113128895A CN113128895A CN202110476193.8A CN202110476193A CN113128895A CN 113128895 A CN113128895 A CN 113128895A CN 202110476193 A CN202110476193 A CN 202110476193A CN 113128895 A CN113128895 A CN 113128895A
- Authority
- CN
- China
- Prior art keywords
- workshop
- module
- management
- equipment
- power consumption
- 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
- 238000011156 evaluation Methods 0.000 claims abstract description 19
- 230000000694 effects Effects 0.000 claims description 41
- 238000007689 inspection Methods 0.000 claims description 41
- 230000002159 abnormal effect Effects 0.000 claims description 23
- 230000006872 improvement Effects 0.000 claims description 9
- 238000013473 artificial intelligence Methods 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 abstract description 18
- 230000005284 excitation Effects 0.000 description 6
- 238000000034 method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005406 washing 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
- G06Q10/06—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
- G06N3/08—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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
- G07C1/20—Checking timed patrols, e.g. of watchman
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明涉及车间管理技术领域,尤其是基于大数据的智慧车间管理系统,包括数据统计模块:用于统计车间的管理信息,所述管理信息包括实际产出量、各个设备的耗电量和使用的设备信息;合理性评估模块:用于根据各个设备的耗电量和实际产出量,评估车间的管理合理性;匹配模块:用于匹配与本车间使用的设备信息的相似度达到相似度阈值,且车间的管理合理性达到合理性阈值的车间,生成对照车间组;建议生成模块:用于根据对照车间组中车间的管理信息,生成本车间的管理调整建议。本发明能够具体分析出本车间能耗存在问题的设备,并借鉴其他车间的管理信息,在控制调整成本的前提下,生成本车间的管理调整建议。
Description
技术领域
本发明涉及车间管理技术领域,特别涉及基于大数据的智慧车间管理系统。
背景技术
我国是制造大国,制造业是国民经济的重要组成部分,一个制造厂商的利润不仅仅取决于收益,还取决于成本。所以为了降低成本,不少厂商会对单位产品的能耗做出评估,从而判定是否需要对能耗系统的工艺和设备进行改进,以减少成本,提高利润。
公开号:CN110991043A的中国专利公开了一种能源消耗系统的能耗建模与评估方法,所述方法执行以下步骤:对能源消耗系统构建能耗模型;对能耗模型进行分析,以获得单位产品综合能耗模型;利用单位产品综合能耗模型,对能源消耗系统的工艺和设备能耗进行评估,获得评估结果,并根据评估结果生成对能源消耗系统的工艺和设备的改进建议。
上述发明对单位产品的能耗进行分析,从而对能源消耗系统的工艺和设备能耗进行评估并提出改进建议,这样的方式固然能够发现现有工艺和设备是否存在问题,但车间的流程复杂,设备很多,该发明无法分析出具体是哪一个设备的能耗有问题,无法提出针对性的改进建议,导致最终的改进成果差强人意。
发明内容
本发明提供了基于大数据的智慧车间管理系统,能够具体分析出本车间能耗存在问题的设备,并借鉴其他车间的管理信息,在控制调整成本的前提下,生成本车间的管理调整建议。
本发明提供的基础方案:
基于大数据的智慧车间管理系统,包括数据统计模块:用于统计车间的管理信息,所述管理信息包括实际产出量、各个设备的耗电量和使用的设备信息,所述数据统计模块包括产出量采集模块、耗电量采集模块和设备采集模块;还包括合理性评估模块、匹配模块和建议生成模块;
所述产出量采集模块:用于采集实际产出量;
所述耗电量采集模块:用于采集各个设备的耗电量;
所述设备采集模块:用于采集使用的设备信息;
所述合理性评估模块:用于根据各个设备的耗电量和实际产出量,评估车间的管理合理性;
所述匹配模块:用于匹配与本车间使用的设备信息的相似度达到相似度阈值,且车间的管理合理性达到合理性阈值的车间,生成对照车间组;
所述建议生成模块:用于根据对照车间组中车间的管理信息,生成本车间的管理调整建议。
本发明的原理及优点在于:采集各个设备的耗电量,从而更加精确的统计车间中每个设备的能耗,分析出具体的能耗存在问题的设备,提出更加具有针对性的管理调整建议;根据管理合理性达到合理性阈值,且与本车间使用的设备信息的相似度达到相似度阈值的车间的管理信息,生成本车间的管理调整建议,可以在对本车间的设备的调整量更小的情况下对车间现有的管理做出改进,降低改进成本。
进一步,所述建议生成模块包括成本预估模块、效果预估模块和车间选择模块;所述设备信息包括设备的种类、各种设备的数量和各种设备的价格;
所述成本预估模块:用于根据本车间的设备信息和对照车间组中车间的设备信息,预估本车间调整设备的成本;
所述效果预估模块:用于预估根据对照车间组中的车间的设备信息调整本车间的设备后,车间的管理合理性;
所述车间选择模块:用于根据本车间调整设备的成本和预估的车间的管理合理性,选择对照车间组中的一个车间作为对照车间。
有益效果:综合考量根据对照车间组中每一个车间的设备信息,调整本车间的设备所需的成本及调整后的车间的管理合理性,选择一个车间作为对照车间,以便根据该对照车间的管理信息,生成本车间的管理调整建议。
进一步,所述建议生成模块包括设备调整建议生成模块和巡检路线生成模块;
所述设备调整建议生成模块:用于根据本车间的设备信息和对照车间的设备信息,生成设备调整建议;
所述巡检路线生成模块:用于根据本车间的各个设备的耗电量和对照车间的各个设备的耗电量,生成巡检路线。
有益效果:为本车间生成设备调整建议和巡检路线。
进一步,所述巡检路线生成模块包括耗电量比对模块、异常统计模块和路线拟定模块;
所述耗电量比对模块:用于比对本车间的各个设备的耗电量和对照车间的各个设备的耗电量,生成比对数据;
所述异常统计模块:用于根据比对数据,统计耗电异常的设备;
所述路线拟定模块:用于增加巡检路线中经过耗电异常的设备的次数,生成巡检路线。
有益效果:管理人员巡检过程中的时间有限,应当着重巡检存在问题的设备,故本技术方案增加巡检路线中经过耗电异常的设备的次数,生成巡检路线。
进一步,所述合理性评估模块用于通过人工智能的方式,根据各个设备的耗电量和实际产出量,生成车间的管理合理性;将各个设备的耗电量和实际产出量作为输入层的输入,车间的管理合理性为输出层的输出。
有益效果:通过人工智能的方式生成车间的管理合理性,保证生成各个车间的管理合理性的方式相同,从而对其进行比较的时候更加客观。
进一步,还包括调整效果评估模块;
所述合理性评估模块:用于根据按照设备调整建议进行设备调整后各个设备的耗电量和实际产出量,评估调整后实际的车间的管理合理性;
所述调整效果评估模块:用于比对调整后实际的车间的管理合理性和所述效果预估模块预估的车间的管理合理性,生成调整效果。
有益效果:按照设备调整建议进行设备调整后,实际的效果可能和预估的效果不同,所以本方案对实际的车间的管理合理性和预估的车间的管理合理性进行比对,并生成调整效果,便于管理人员查看调整后是否达到预估效果。
进一步,还包括路线改进模块:用于根据调整效果,改进巡检路线。
有益效果:根据调整效果调整巡检路线,使巡检路线更加适用于根据设备调整建议调整后的车间。
进一步,所述路线改进模块用于调整效果达到有效阈值时,减少巡检路线中经过耗电异常的设备的次数;调整效果未达到有效阈值时,增加巡检路线中经过耗电异常的设备的次数。
有益效果:调整效果达到有效阈值后,无需再针对原本耗电异常的设备多次巡检,所以调整效果达到有效阈值时,减少巡检路线中经过耗电异常的设备的次数;调整效果未达到有效阈值时,说明仍然存在问题,增加巡检路线中经过耗电异常的设备的次数,以便发现耗电异常的设备的问题。
附图说明
图1为本发明实施例基于大数据的智慧车间管理系统的逻辑框图。
具体实施方式
下面通过具体实施方式进一步详细说明:
实施例1基本如附图1所示:
基于大数据的智慧车间管理系统,包括数据统计模块、合理性评估模块、匹配模块和建议生成模块。所述数据统计模块用于统计车间的管理信息,管理信息包括实际产出量、各个设备的耗电量和使用的设备信息,所述数据统计模块包括产出量采集模块、耗电量采集模块和设备采集模块。产出量采集模块用于采集实际产出量;耗电量采集模块用于采集各个设备的耗电量;设备采集模块用于采集使用的设备信息。设备信息包括设备的种类、各种设备的数量和各种设备的价格。
合理性评估模块用于通过人工智能的方式,根据各个设备的耗电量和实际产出量,评估车间的管理合理性,即实际产出量与车间中各个设备的耗电量是否失衡。具体的,将各个设备的耗电量和实际产出量作为输入层的输入,车间的管理合理性为输出层的输出。
具体的,首先构建一个三层的BP神经网络模型,包括输入层、隐层和输出层,本实施例中,以实际产出量和各个设备的耗电量作为输入层的输入,因此输入层有2个节点,车间的管理合理性为输出层的输出,因此共有1个节点,本实施例中,输出的管理合理性包括0-10,管理合理性由差至优分为差、中、良和优;其中0-2表示管理合理性为差、3-5表示管理合理性为中、6-8表示管理合理性为良、9-10表示管理合理性为优;针对于隐层,本实施例使用了以下公式来确定隐层节点的数量:其中l为隐层的节点数,n为输入层的节点数,m为输出层的节点数,a为1至10之间的一个数,本实施例中取为6,因此隐层共有8个节点。BP神经网络通常采用Sigmoid可微函数和线性函数作为网络的激励函数。本实施例选择S型正切函数tansig作为隐层神经元的激励函数。预测模型选取S型对数函数tansig作为输出层神经元的激励函数。
匹配模块用于匹配与本车间使用的设备信息的相似度达到相似度阈值,且车间的管理合理性达到合理性阈值的车间,生成对照车间组。本实施例中,相似度阈值为80%。
建议生成模块用于根据对照车间组中车间的管理信息,生成本车间的管理调整建议。所述建议生成模块包括成本预估模块、效果预估模块、车间选择模块、设备调整建议生成模块和巡检路线生成模块。
成本预估模块根据本车间的设备信息和对照车间组中车间的设备信息,预估本车间调整设备的成本。效果预估模块用于预估根据对照车间组中的车间的设备信息调整本车间的设备后,车间的管理合理性,具体的,首先预估根据对照车间组中的车间的设备信息调整本车间的设备后,实际产出量和各个设备的耗电量,再利用合理性评估模块的评估方式,根据预估的实际产出量和各个设备的耗电量,预估车间的管理合理性。
车间选择模块根据本车间调整设备的成本和预估的车间的管理合理性,选择对照车间组中的一个车间作为对照车间。具体的,通过人工智能的方式,将本车间调整设备的成本和预估的车间的管理合理性作为输入层的输入,输出将对照车间组中各车间的管理方式运用于本车间的可行度。
具体的,首先构建一个三层的BP神经网络模型,包括输入层、隐层和输出层,本实施例中,以本车间调整设备的成本和预估的车间的管理合理性作为输入层的输入,因此输入层有2个节点,可行度为输出层的输出,因此共有1个节点;针对于隐层,本实施例使用了以下公式来确定隐层节点的数量:其中l为隐层的节点数,n为输入层的节点数,m为输出层的节点数,a为1至10之间的一个数,本实施例中取为6,因此隐层共有8个节点。BP神经网络通常采用Sigmoid可微函数和线性函数作为网络的激励函数。本实施例选择S型正切函数tansig作为隐层神经元的激励函数。预测模型选取S型对数函数tansig作为输出层神经元的激励函数。选择可行度最高的车间作为对照车间。
设备调整建议生成模块用于根据本车间的设备信息和对照车间的设备信息,生成设备调整建议。例如:本车间有设备A:5台、设备B:3台和设备C:1台;对照车间有设备A:5台、设备B:2台、设备C:2台和设备D:1台,则生成购进设备C:1台、购进设备D:1台、减少设备B:1台的设备调整建议。
巡检路线生成模块用于根据本车间的各个设备的耗电量和对照车间的各个设备的耗电量,生成巡检路线。巡检路线生成模块包括耗电量比对模块、异常统计模块和路线拟定模块;耗电量比对模块用于比对本车间的各个设备的耗电量和对照车间的各个设备的耗电量,生成比对数据;异常统计模块用于根据比对数据,统计耗电异常的设备;路线拟定模块用于增加巡检路线中经过耗电异常的设备的次数,生成巡检路线。
例如,生产相同实际产出量所需时间内,本车间的设备A的耗电量超过对照车间的设备A的耗电量的三分之一时,将本车间的设备A记为耗电异常的设备,巡检路线中经过耗电异常的设备的次数为经过其他设备的两倍。
合理性评估模块还用于根据按照设备调整建议进行设备调整后各个设备的耗电量和实际产出量,评估调整后实际的车间的管理合理性。还包括调整效果评估模块,用于比对调整后实际的车间的管理合理性和所述效果预估模块预估的车间的管理合理性,生成调整效果。本实施例中,管理合理性由差至优分为差、中、良和优,调整效果由差至优分为无效、比较有效和非常有效。当调整后实际的车间的管理合理性比预估的车间的管理合理性差两个等级以上时,生成的调整效果为无效;当调整后实际的车间的管理合理性比预估的车间的管理合理性好一个等级以上时,生成的调整效果为非常有效,其余时候生成比较有效的调整效果。
还包括路线改进模块,用于调整效果达到有效阈值时,减少巡检路线中经过耗电异常的设备的次数;调整效果未达到有效阈值时,增加巡检路线中经过耗电异常的设备的次数。具体的,本实施例中的有效阈值为比较有效,达到有效阈值时,减少巡检路线中经过耗电异常的设备的次数至与经过其他设备的次数相等;调整效果未达到有效阈值时,增加巡检路线中经过耗电异常的设备的次数至经过其他设备的次数的三倍。
以上的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述,所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识,能够获知该领域中所有的现有技术,并且具有应用该日期之前常规实验手段的能力,所属领域普通技术人员可以在本申请给出的启示下,结合自身能力完善并实施本方案,一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (8)
1.基于大数据的智慧车间管理系统,其特征在于:包括数据统计模块:用于统计车间的管理信息,所述管理信息包括实际产出量、各个设备的耗电量和使用的设备信息,所述数据统计模块包括产出量采集模块、耗电量采集模块和设备采集模块;还包括合理性评估模块、匹配模块和建议生成模块;
所述产出量采集模块:用于采集实际产出量;
所述耗电量采集模块:用于采集各个设备的耗电量;
所述设备采集模块:用于采集使用的设备信息;
所述合理性评估模块:用于根据各个设备的耗电量和实际产出量,评估车间的管理合理性;
所述匹配模块:用于匹配与本车间使用的设备信息的相似度达到相似度阈值,且车间的管理合理性达到合理性阈值的车间,生成对照车间组;
所述建议生成模块:用于根据对照车间组中车间的管理信息,生成本车间的管理调整建议。
2.根据权利要求1所述的基于大数据的智慧车间管理系统,其特征在于:所述建议生成模块包括成本预估模块、效果预估模块和车间选择模块;所述设备信息包括设备的种类、各种设备的数量和各种设备的价格;
所述成本预估模块:用于根据本车间的设备信息和对照车间组中车间的设备信息,预估本车间调整设备的成本;
所述效果预估模块:用于预估根据对照车间组中的车间的设备信息调整本车间的设备后,车间的管理合理性;
所述车间选择模块:用于根据本车间调整设备的成本和预估的车间的管理合理性,选择对照车间组中的一个车间作为对照车间。
3.根据权利要求2所述的基于大数据的智慧车间管理系统,其特征在于:所述建议生成模块包括设备调整建议生成模块和巡检路线生成模块;
所述设备调整建议生成模块:用于根据本车间的设备信息和对照车间的设备信息,生成设备调整建议;
所述巡检路线生成模块:用于根据本车间的各个设备的耗电量和对照车间的各个设备的耗电量,生成巡检路线。
4.根据权利要求3所述的基于大数据的智慧车间管理系统,其特征在于:所述巡检路线生成模块包括耗电量比对模块、异常统计模块和路线拟定模块;
所述耗电量比对模块:用于比对本车间的各个设备的耗电量和对照车间的各个设备的耗电量,生成比对数据;
所述异常统计模块:用于根据比对数据,统计耗电异常的设备;
所述路线拟定模块:用于增加巡检路线中经过耗电异常的设备的次数,生成巡检路线。
5.根据权利要求1所述的基于大数据的智慧车间管理系统,其特征在于:所述合理性评估模块用于通过人工智能的方式,根据各个设备的耗电量和实际产出量,生成车间的管理合理性;将各个设备的耗电量和实际产出量作为输入层的输入,车间的管理合理性为输出层的输出。
6.根据权利要求4所述的基于大数据的智慧车间管理系统,其特征在于:还包括调整效果评估模块;
所述合理性评估模块:用于根据按照设备调整建议进行设备调整后各个设备的耗电量和实际产出量,评估调整后实际的车间的管理合理性;
所述调整效果评估模块:用于比对调整后实际的车间的管理合理性和所述效果预估模块预估的车间的管理合理性,生成调整效果。
7.根据权利要求6所述的基于大数据的智慧车间管理系统,其特征在于:还包括路线改进模块:用于根据调整效果,改进巡检路线。
8.根据权利要求7所述的基于大数据的智慧车间管理系统,其特征在于:所述路线改进模块用于调整效果达到有效阈值时,减少巡检路线中经过耗电异常的设备的次数;调整效果未达到有效阈值时,增加巡检路线中经过耗电异常的设备的次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110476193.8A CN113128895A (zh) | 2021-04-29 | 2021-04-29 | 基于大数据的智慧车间管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110476193.8A CN113128895A (zh) | 2021-04-29 | 2021-04-29 | 基于大数据的智慧车间管理系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113128895A true CN113128895A (zh) | 2021-07-16 |
Family
ID=76781565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110476193.8A Pending CN113128895A (zh) | 2021-04-29 | 2021-04-29 | 基于大数据的智慧车间管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113128895A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105446139A (zh) * | 2015-12-18 | 2016-03-30 | 华南理工大学 | 基于bp神经网络的建筑能耗分析方法与系统 |
CN107422714A (zh) * | 2017-09-22 | 2017-12-01 | 山东华兴纺织集团有限公司 | 环锭智能纺纱管理系统及管理方法 |
CN107491817A (zh) * | 2017-07-19 | 2017-12-19 | 深圳市金奥博科技股份有限公司 | 生产线设备和生产工况的巡检方法及终端设备和机器人 |
CN109002019A (zh) * | 2018-07-19 | 2018-12-14 | 江苏丹毛纺织股份有限公司 | 一种工厂能源智能管理系统及管理方法 |
CN110544180A (zh) * | 2019-08-22 | 2019-12-06 | 万洲电气股份有限公司 | 一种基于能耗预测和分析诊断的建筑节能系统 |
CN110991043A (zh) * | 2019-12-03 | 2020-04-10 | 北京中计开元科技有限公司 | 一种能源消耗系统的能耗建模与评估方法 |
-
2021
- 2021-04-29 CN CN202110476193.8A patent/CN113128895A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105446139A (zh) * | 2015-12-18 | 2016-03-30 | 华南理工大学 | 基于bp神经网络的建筑能耗分析方法与系统 |
CN107491817A (zh) * | 2017-07-19 | 2017-12-19 | 深圳市金奥博科技股份有限公司 | 生产线设备和生产工况的巡检方法及终端设备和机器人 |
CN107422714A (zh) * | 2017-09-22 | 2017-12-01 | 山东华兴纺织集团有限公司 | 环锭智能纺纱管理系统及管理方法 |
CN109002019A (zh) * | 2018-07-19 | 2018-12-14 | 江苏丹毛纺织股份有限公司 | 一种工厂能源智能管理系统及管理方法 |
CN110544180A (zh) * | 2019-08-22 | 2019-12-06 | 万洲电气股份有限公司 | 一种基于能耗预测和分析诊断的建筑节能系统 |
CN110991043A (zh) * | 2019-12-03 | 2020-04-10 | 北京中计开元科技有限公司 | 一种能源消耗系统的能耗建模与评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zheng et al. | An overview of accident forecasting methodologies | |
CN110135612B (zh) | 基于用电量分析的物资供应商生产能力监控及异常预警方法 | |
CN106168799B (zh) | 一种基于大数据机器学习进行电动汽车电池预测性维护的方法 | |
Dereli et al. | Industrial applications of type-2 fuzzy sets and systems: A concise review | |
Guo et al. | A monthly electricity consumption forecasting method based on vector error correction model and self-adaptive screening method | |
Alekseev et al. | A multivariate neural forecasting modeling for air transport–preprocessed by decomposition: a Brazilian application | |
Cárdenas et al. | Load forecasting framework of electricity consumptions for an Intelligent Energy Management System in the user-side | |
Spirić et al. | Identification of suspicious electricity customers | |
CN106161138A (zh) | 一种智能自动计量方法及装置 | |
Ai et al. | Short-term road speed forecasting based on hybrid RBF neural network with the aid of fuzzy system-based techniques in urban traffic flow | |
Yu et al. | Intelligent monitoring and diagnosis of manufacturing processes using an integrated approach of KBANN and GA | |
CN107886372A (zh) | 客户价值发现方法 | |
Debusschere et al. | One week hourly electricity load forecasting using Neuro-Fuzzy and Seasonal ARIMA models | |
Yin et al. | Location of abnormal energy consumption and optimization of energy efficiency of hydraulic press considering uncertainty | |
Sareminia | A support vector based hybrid forecasting model for chaotic time series: Spare part consumption prediction | |
CN105761093A (zh) | 一种基于知识空间的行为结果评估方法以及装置 | |
Yuill et al. | Application of Adaptive Neuro Fuzzy Inference System (ANFIS) based short term load forecasting in South African power networks | |
Rosli et al. | Predictive maintenance of air booster compressor (ABC) motor failure using artificial neural network trained by particle swarm optimization | |
CN113128895A (zh) | 基于大数据的智慧车间管理系统 | |
CN110119891B (zh) | 一种适于大数据的交通安全影响因素辨识方法 | |
Wang et al. | What maintenance is worth the money? a data-driven answer | |
Gu et al. | Comprehensive cost oriented predictive maintenance based on mission reliability for a manufacturing system | |
CN115907937A (zh) | 基于神经网络的供应链金融风险监控方法及系统 | |
CN102096692A (zh) | 网站访客价值评估系统及方法 | |
Davari et al. | A fault detection framework based on lstm autoencoder: A case study for volvo bus data set |
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 |