CN113191457A - 应用于制造企业的生产数据及bom自动归类的汇聚方法 - Google Patents

应用于制造企业的生产数据及bom自动归类的汇聚方法 Download PDF

Info

Publication number
CN113191457A
CN113191457A CN202110575624.6A CN202110575624A CN113191457A CN 113191457 A CN113191457 A CN 113191457A CN 202110575624 A CN202110575624 A CN 202110575624A CN 113191457 A CN113191457 A CN 113191457A
Authority
CN
China
Prior art keywords
data
bom
production
clustering
splitting
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
Application number
CN202110575624.6A
Other languages
English (en)
Inventor
龙伟
岳建平
郑周军
薛勇
张弛
魏鸿飞
鲁鑫
刘华国
黄衍
杨磊
靳小林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Zhongchuang Yijia Technology Co ltd
Chongqing High Tech Industry Research Institute Co Ltd
Original Assignee
Chengdu Zhongchuang Yijia Technology Co ltd
Chongqing High Tech Industry Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Zhongchuang Yijia Technology Co ltd, Chongqing High Tech Industry Research Institute Co Ltd filed Critical Chengdu Zhongchuang Yijia Technology Co ltd
Priority to CN202110575624.6A priority Critical patent/CN113191457A/zh
Publication of CN113191457A publication Critical patent/CN113191457A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了应用于制造企业的生产数据及BOM自动归类的汇聚方法，涉及数据管理技术领域。本发明包括以下步骤：Step1：基于数据服务器，获取制造企业的生产数据信息，并进行相关数据的分类；Step2：根据企业生产管理系统或企业资源计划系统中的BOM表，进行数据的拆分；Step3：将分类数据进行智能化聚类处理，判断生产信息数据的即时性和准确性；Step4：基于上述Step3，提供分类数据的聚类算法，帮助企业合理规划BOM；Step5：将BOM关联的业务数据随BOM进行分别聚类，对数据进行有效整理；Step6：从BOM的维度进行聚类数据分析，并清除BOM表中无用的生产数据信息。本发明通过对制造企业的生产数据及BOM进行数据拆分和智能化聚类处理，有效提升对生产数据的管理效率和管理效果。

Description

应用于制造企业的生产数据及BOM自动归类的汇聚方法
技术领域
本发明涉及数据管理技术领域，特别是涉及应用于制造企业的生产数据及BOM自动归类的汇聚方法。
背景技术
采用计算机辅助企业生产管理，首先要使计算机能够读出企业所制造的产品构成和所有要涉及的物料，为了便于计算机识别，必须把用图示表达的产品结构转化成某种数据格式，这种以数据格式来描述产品结构的文件就是物料清单，即是BOM，它是定义产品结构的技术文件，因此，它又称为产品结构表或产品结构树，在某些工业领域，可能称为“配方”、“要素表”或其它名称，BOM物料清单，也就是以数据格式来描述产品结构的文件，是计算机可以识别的产品结构数据文件，也是ERP的主导文件，BOM使系统识别产品结构，也是联系与沟通企业各项业务的纽带，ERP系统中的BOM的种类主要包括5类：缩排式BOM、汇总的BOM、反查用BOM、成本BOM、计划BOM，BOM是PDM/MRPⅡ/ERP信息化系统中最重要的基础数据，其组织格式设计合理与否直接影响到系统的处理性能，因此，根据实际的使用环境，灵活地设计合理且有效的BOM是十分重要的；
目前对于制造企业的生产数据以及以数据格式来描述产品结构的文件在数据归类管理形式上存在不足，未进行聚类处理，生产数据的处理完成度不高，并且多种类数据的集中状态下对数据管理的可控度不足，影响企业的制造效率；因此，我们提出应用于制造企业的生产数据及BOM自动归类的汇聚方法。
发明内容
本发明的目的在于提供应用于制造企业的生产数据及BOM自动归类的汇聚方法，以解决上述背景中提出的问题。
为解决上述技术问题，本发明是通过以下技术方案实现的：
本发明为应用于制造企业的生产数据及BOM自动归类的汇聚方法，包括以下步骤：
Step1：基于数据服务器，获取制造企业的生产数据信息，并进行相关数据的分类；
Step2：根据企业生产管理系统或企业资源计划系统中的BOM表，进行数据的拆分；
Step3：将分类数据进行智能化聚类处理，判断生产信息数据的即时性和准确性；
Step4：基于上述Step3，提供分类数据的聚类算法，帮助企业合理规划BOM；
Step5：将BOM关联的业务数据随BOM进行分别聚类，对数据进行有效整理；
Step6：从BOM的维度进行聚类数据分析，并清除BOM表中无用的生产数据信息；
Step7：对BOM表中的重点数据利用特殊符号进行标记，并对标记数据生成数据集合，独立监控；
Step8：对新生成的BOM表中的数据信息进行合并，同时自动覆盖重复信息；
Step9：完成生产数据及BOM的自动归类汇聚。
优选地，所述Step1中，对企业的生产数据信息进行分类，分类类别包括订单管理数据、生产管理数据、物料需求数据和不合格产品分析数据。
优选地，所述Step2中，数据拆分形式包括按日期、地域、业务领域或组织单位来进行拆分，或按多个拆分标准的组合来进行，数据的拆分层次还包括系统层和应用层，系统层的拆分由数据库管理系统和操作系统完成，应用层的拆分由应用系统完成。
优选地，所述Step3中，将分类数据进行智能化聚类处理，通过进行数据挖掘，提高数据管理的完成度，同时作为特征和分类算法的预处理步骤，将聚类结果用于进一步关联分析。
优选地，所述Step4中，分类数据的聚类算法包括K-Means算法、K-Medoids算法和CLARANS算法，优选为K-Means算法，所述K-Means算法即K均值算法。
优选地，所述Step6中，基于分类数据的K-Means算法，首先逐个扫描样本数据，每个样本数据依据其与已扫描过的样本数据的距离，被归为以前的类，或生成一个新类，然后对第一步中各类依据类间距离进行合并，按一定的标准，停止合并。
优选地，所述Step7中，对标记数据生成的数据集合进行独立监控，实际基于计算机操作进行，所述计算机包括计算机处理器和计算机存储器，所述计算机处理器与计算机存储器电性连接。
优选地，所述Step8中，信息数据的重复覆盖具体对照新生成的BOM表，包括数据服务终端和数据提取终端，所述数据提取终端与数据服务终端通信连接。
本发明具有以下有益效果：
本发明应用于制造企业的生产数据及BOM自动归类的汇聚方法对制造企业的生产数据及BOM进行数据拆分和智能化聚类处理，能够有效提升对生产数据的管理效率和管理效果。
本发明应用于制造企业的生产数据及BOM自动归类的汇聚方法通过将业务数据随BOM进行分别聚类，并从BOM的维度进行聚类数据分析，有效提升业务数据的处理完成度。
本发明应用于制造企业的生产数据及BOM自动归类的汇聚方法通过对数据进行有效整理，并清除BOM表中无用的生产数据信息，同时自动覆盖重复信息，并对标记数据生成数据集合，独立监控，提升对生产数据管理的可控度。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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为本发明的应用于制造企业的生产数据及BOM自动归类的汇聚方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中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作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所示：本发明为应用于制造企业的生产数据及BOM自动归类的汇聚方法，包括以下步骤：
Step1：基于数据服务器，获取制造企业的生产数据信息，并进行相关数据的分类；
Step2：根据企业生产管理系统或企业资源计划系统中的BOM表，进行数据的拆分；
Step3：将分类数据进行智能化聚类处理，判断生产信息数据的即时性和准确性；
Step4：基于上述Step3，提供分类数据的聚类算法，帮助企业合理规划BOM；
Step5：将BOM关联的业务数据随BOM进行分别聚类，对数据进行有效整理；
Step6：从BOM的维度进行聚类数据分析，并清除BOM表中无用的生产数据信息；
聚类分析的主要步骤包括①、数据预处理；②、为衡量数据点间的相似度定义一个距离函数；③、聚类或分组和④、评估输出；
其中，数据预处理包括选择数量，类型和特征的标度，它依靠特征选择和特征抽取，特征选择选择重要的特征，特征抽取把输入的特征转化为一个新的显著特征，它们经常被用来获取一个合适的特征集来为避免“维数灾”进行聚类，数据预处理还包括将孤立点移出数据，孤立点是不依附于一般数据行为或模型的数据，因此孤立点经常会导致有偏差的聚类结果，因此为了得到正确的聚类，我们必须将它们剔除；将数据对象分到不同的类中，数据基于不同的方法被分到不同的类中，划分方法和层次方法是聚类分析的两个主要方法，划分方法一般从初始划分和最优化一个聚类标准开始；评估聚类结果的质量是另一个重要的阶段，聚类是一个无管理的程序，也没有客观的标准来评价聚类结果，它是通过一个类有效索引来评价。
Step7：对BOM表中的重点数据利用特殊符号进行标记，并对标记数据生成数据集合，独立监控；
Step8：对新生成的BOM表中的数据信息进行合并，同时自动覆盖重复信息；
Step9：完成生产数据及BOM的自动归类汇聚。
其中，Step1中，对企业的生产数据信息进行分类，分类类别包括订单管理数据、生产管理数据、物料需求数据和不合格产品分析数据，数据包括范围更广，整理更清晰。
其中，Step2中，数据拆分形式包括按日期、地域、业务领域或组织单位来进行拆分，或按多个拆分标准的组合来进行，数据的拆分层次还包括系统层和应用层，系统层的拆分由数据库管理系统和操作系统完成，应用层的拆分由应用系统完成，操作及应用完成度更高。
其中，Step3中，将分类数据进行智能化聚类处理，通过进行数据挖掘，提高数据管理的完成度，同时作为特征和分类算法的预处理步骤，将聚类结果用于进一步关联分析。
其中，Step4中，分类数据的聚类算法包括K-Means算法、K-Medoids算法和CLARANS算法，优选为K-Means算法，K-Means算法即K均值算法，提升运算效率。
其中，Step6中，基于分类数据的K-Means算法，首先逐个扫描样本数据，每个样本数据依据其与已扫描过的样本数据的距离，被归为以前的类，或生成一个新类，然后对第一步中各类依据类间距离进行合并，按一定的标准，停止合并。
其中，Step7中，对标记数据生成的数据集合进行独立监控，实际基于计算机操作进行，计算机包括计算机处理器和计算机存储器，计算机处理器与计算机存储器电性连接，数据集合的标记数据生成效率提高。
其中，Step8中，信息数据的重复覆盖具体对照新生成的BOM表，包括数据服务终端和数据提取终端，数据提取终端与数据服务终端通信连接，操作连续性加强。
本方案中，BOM的形式包括工程BOM，指代产品工程设计管理中使用的数据结构，它通常精确地描述了产品的设计指标和零件与零件之间的设计关系，对应文件形式主要有产品明细表、图样目录、材料定额明细表、产品各种分类明细表等等；计划BOM，工艺工程师根据工厂的加工水平和能力，对EBOM再设计出来的；设计BOM，设计部门的DBOM是产品的总体信息，对应常见文本格式表现形式包括产品明细表、图样目录、材料定额明细表等等；制造BOM，生产部门的MBOM是在EBOM的基础上，根据制造装配要求完善的，包括加工零部件JBOM和按工艺要求的毛胚、模具、卡具等PBOM，其中在每个工序或工步上要特别注明在本工序上装入零部件代号、名称和数量；客户BOM，客户BOM实际上有两个含义，一个指从所有产品机构中筛选出客户订购的产品目录，一个指用户订购的具体规格产品的明细表；维修BOM，维修服务部门的是按维修要求产生的，对应文本格式包括消耗件清单、备用件清单、易损易耗件清单等等，维修BOM信息来源一般从设计BOM对应记录属性中筛选获得消耗件、备用件、易损易耗件明细，销售BOM，销售BOM是按用户要求配置的产品结构部分，对应常见文本格式表现形式包括基本件明细表、通用件明细表、专用件明细表、选装件明细表、替换件明细表、特殊要求更改通知单等等；成本BOM，是由MRPⅡ系统产生出来的，当企业定义了零件的标准成本、建议成本、现行成本的管理标准后，系统通过对PBOM和加工中心的累加自动地生成CBOM，它用于制造成本控制和成本差异分析；采购BOM，是根据生产要求外购的原材料、标准件和成套部件等产生的，对应文本格式主要包括外购件明细表、外协件明细表、自制件明细表和材料明细汇总表，采购BOM信息来源一般来源于设计图纸和工艺卡片上信息汇总，由采购部门或生产准备部门根据其安排采购计划和生产计划。
本方案中，分类数据的聚类算法包括K-Means算法、K-Medoids算法和CLARANS算法，其中，K-Means算法在给定一个数据集和需要划分的数目k后，该算法可以根据某个距离函数反复把数据划分到k个簇中，直到收敛为止，K-Means算法用簇中对象的平均值来表示划分的每个簇，其大致的步骤是，首先从随机抽取的k个数据点作为初始的聚类中心(种子中心)，然后计算每个数据点到每个种子中心的距离，并把每个数据点分配到距离它最近的种子中心，一旦所有的数据点都被分配完成，每个聚类的聚类中心(种子中心)按照本聚类(本簇)的现有数据点重新计算，这个过程不断重复，直到收敛，即满足某个终止条件为止，最常见的终止条件是误差平方和SSE(指令集的简称)局部最小；K-Medoids算法又叫K中心点算法，该算法用最接近簇中心的一个对象来表示划分的每个簇，K-Medoids算法与K-Means算法的划分过程相似，两者最大的区别是K-Medoids算法是用簇中最靠近中心点的一个真实的数据对象来代表该簇的，而K-Medoids算法是用计算出来的簇中对象的平均值来代表该簇的，这个平均值是虚拟的，并没有一个真实的数据对象具有这些平均值。
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。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (8)

1.应用于制造企业的生产数据及BOM自动归类的汇聚方法，其特征在于，包括以下步骤：
Step1：基于数据服务器，获取制造企业的生产数据信息，并进行相关数据的分类；
Step2：根据企业生产管理系统或企业资源计划系统中的BOM表，进行数据的拆分；
Step3：将分类数据进行智能化聚类处理，判断生产信息数据的即时性和准确性；
Step4：基于上述Step3，提供分类数据的聚类算法，帮助企业合理规划BOM；
Step5：将BOM关联的业务数据随BOM进行分别聚类，对数据进行有效整理；
Step6：从BOM的维度进行聚类数据分析，并清除BOM表中无用的生产数据信息；
Step7：对BOM表中的重点数据利用特殊符号进行标记，并对标记数据生成数据集合，独立监控；
Step8：对新生成的BOM表中的数据信息进行合并，同时自动覆盖重复信息；
Step9：完成生产数据及BOM的自动归类汇聚。
2.根据权利要求1所述的应用于制造企业的生产数据及BOM自动归类的汇聚方法，其特征在于，所述Step1中，对企业的生产数据信息进行分类，分类类别包括订单管理数据、生产管理数据、物料需求数据和不合格产品分析数据。
3.根据权利要求1所述的应用于制造企业的生产数据及BOM自动归类的汇聚方法，其特征在于，所述Step2中，数据拆分形式包括按日期、地域、业务领域或组织单位来进行拆分，或按多个拆分标准的组合来进行，数据的拆分层次还包括系统层和应用层，系统层的拆分由数据库管理系统和操作系统完成，应用层的拆分由应用系统完成。
4.根据权利要求1所述的应用于制造企业的生产数据及BOM自动归类的汇聚方法，其特征在于，所述Step3中，将分类数据进行智能化聚类处理，通过进行数据挖掘，提高数据管理的完成度，同时作为特征和分类算法的预处理步骤，将聚类结果用于进一步关联分析。
5.根据权利要求1所述的应用于制造企业的生产数据及BOM自动归类的汇聚方法，其特征在于，所述Step4中，分类数据的聚类算法包括K-Means算法、K-Medoids算法和CLARANS算法，优选为K-Means算法，所述K-Means算法即K均值算法。
6.根据权利要求1所述的应用于制造企业的生产数据及BOM自动归类的汇聚方法，其特征在于，所述Step6中，基于分类数据的K-Means算法，首先逐个扫描样本数据，每个样本数据依据其与已扫描过的样本数据的距离，被归为以前的类，或生成一个新类，然后对第一步中各类依据类间距离进行合并，按一定的标准，停止合并。
7.根据权利要求1所述的应用于制造企业的生产数据及BOM自动归类的汇聚方法，其特征在于，所述Step7中，对标记数据生成的数据集合进行独立监控，实际基于计算机操作进行，所述计算机包括计算机处理器和计算机存储器，所述计算机处理器与计算机存储器电性连接。
8.根据权利要求1所述的应用于制造企业的生产数据及BOM自动归类的汇聚方法，其特征在于，所述Step8中，信息数据的重复覆盖具体对照新生成的BOM表，包括数据服务终端和数据提取终端，所述数据提取终端与数据服务终端通信连接。
CN202110575624.6A 2021-05-26 2021-05-26 应用于制造企业的生产数据及bom自动归类的汇聚方法 Pending CN113191457A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110575624.6A CN113191457A (zh) 2021-05-26 2021-05-26 应用于制造企业的生产数据及bom自动归类的汇聚方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110575624.6A CN113191457A (zh) 2021-05-26 2021-05-26 应用于制造企业的生产数据及bom自动归类的汇聚方法

Publications (1)

Publication Number Publication Date
CN113191457A true CN113191457A (zh) 2021-07-30

Family

ID=76985038

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110575624.6A Pending CN113191457A (zh) 2021-05-26 2021-05-26 应用于制造企业的生产数据及bom自动归类的汇聚方法

Country Status (1)

Country Link
CN (1) CN113191457A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114066376A (zh) * 2022-01-17 2022-02-18 岚图汽车科技有限公司 一种bom差异分析方法、存储介质、设备及装置
CN117077457A (zh) * 2023-10-17 2023-11-17 成都一叁科技有限公司 一种零组件从pbom到mbom的全架次消耗式处理方法、系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5991751A (en) * 1997-06-02 1999-11-23 Smartpatents, Inc. System, method, and computer program product for patent-centric and group-oriented data processing
CN109815541A (zh) * 2018-12-21 2019-05-28 中车工业研究院有限公司 轨道交通车辆产品零部件模块划分方法、装置与电子设备
US20190205833A1 (en) * 2017-12-29 2019-07-04 Sap Se Bill of material based predecessor product determination in demand planning
EP3671579A1 (en) * 2018-12-19 2020-06-24 Siemens Aktiengesellschaft Method and system for providing a service for a complex industrial system
CN111611284A (zh) * 2020-05-28 2020-09-01 联想(北京)有限公司 一种物料清单生成方法和电子设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5991751A (en) * 1997-06-02 1999-11-23 Smartpatents, Inc. System, method, and computer program product for patent-centric and group-oriented data processing
US20190205833A1 (en) * 2017-12-29 2019-07-04 Sap Se Bill of material based predecessor product determination in demand planning
EP3671579A1 (en) * 2018-12-19 2020-06-24 Siemens Aktiengesellschaft Method and system for providing a service for a complex industrial system
CN109815541A (zh) * 2018-12-21 2019-05-28 中车工业研究院有限公司 轨道交通车辆产品零部件模块划分方法、装置与电子设备
CN111611284A (zh) * 2020-05-28 2020-09-01 联想(北京)有限公司 一种物料清单生成方法和电子设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ECKO808: ""Cluster_Analysis"", 《HTTPS://WWW.DOC88.COM/P-7823709551736.HTML》 *
孙锡达: ""基于离散制造业BOM的数据挖掘研究"", 《中国优秀硕士学位论文全文数据库》 *
汪涛等: ""基于聚类数据挖掘技术的BOM归并关系研究"", 《机械制造》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114066376A (zh) * 2022-01-17 2022-02-18 岚图汽车科技有限公司 一种bom差异分析方法、存储介质、设备及装置
CN114066376B (zh) * 2022-01-17 2022-05-17 岚图汽车科技有限公司 一种bom差异分析方法、存储介质、设备及装置
CN117077457A (zh) * 2023-10-17 2023-11-17 成都一叁科技有限公司 一种零组件从pbom到mbom的全架次消耗式处理方法、系统
CN117077457B (zh) * 2023-10-17 2024-02-02 成都一叁科技有限公司 一种零组件从pbom到mbom的全架次消耗式处理方法、系统

Similar Documents

Publication Publication Date Title
CN101794106B (zh) 质量控制系统、质量控制装置以及质量控制方法
CN113191457A (zh) 应用于制造企业的生产数据及bom自动归类的汇聚方法
CN114048870A (zh) 一种基于日志特征智能挖掘的电力系统异常监测方法
CN106164896B (zh) 用于发现对手方关系的多维递归方法及系统
CN112860769B (zh) 一种能源规划数据管理系统
CN106708738B (zh) 一种软件测试缺陷预测方法及系统
KR102111430B1 (ko) 제품 수명주기 관리장치 및 그 관리 방법
CN114880405A (zh) 一种基于数据湖的数据处理方法及系统
US20060106685A1 (en) Generating system for automatically generating the bill of materials for electrical products
KR102411291B1 (ko) 스마트공장 데이터 품질평가 방법
CN110597796B (zh) 基于全生命周期的大数据实时建模方法及系统
CN113553360A (zh) 多企业关系分析方法、装置、电子设备、存储介质和计算机程序
US7827076B2 (en) Method and system of matching customer demand with production capacity
US11227288B1 (en) Systems and methods for integration of disparate data feeds for unified data monitoring
CN111833110A (zh) 客户生命周期定位方法、装置、电子设备及存储介质
Pratama et al. Reengineering of Manufacturing Business Process Utilising the Manufacturing Module of an ERP Application
CN110826845A (zh) 一种多维组合成本分摊装置及方法
CN115187117A (zh) 一种基于部件结构树的订单分配系统及方法
Manjupriya et al. Customer churn prediction in the mobile telecommunication industry using decision tree classification algorithm
CN101281625A (zh) 合约条款拆解方法
KR20080112429A (ko) 부품수명관리 및 예측시스템
CN112309511A (zh) 一种钽电解电容参数分解、购买预测方法
KR102631562B1 (ko) 품질 결산 관리시스템
CN115130959B (zh) 生成备件bom的方法、系统、终端及存储介质
CN103186623B (zh) 数据库存取方法以及系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210730

RJ01 Rejection of invention patent application after publication