CN113505953B - 一种紧固件供应链管理系统及其控制方法 - Google Patents

一种紧固件供应链管理系统及其控制方法 Download PDF

Info

Publication number
CN113505953B
CN113505953B CN202110366669.2A CN202110366669A CN113505953B CN 113505953 B CN113505953 B CN 113505953B CN 202110366669 A CN202110366669 A CN 202110366669A CN 113505953 B CN113505953 B CN 113505953B
Authority
CN
China
Prior art keywords
staff
output end
input end
supply chain
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.)
Active
Application number
CN202110366669.2A
Other languages
English (en)
Other versions
CN113505953A (zh
Inventor
黄祯楷
黄庆彬
蒋晓帆
雒旻
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.)
Essence Fastener Industries Co ltd S E Z
Original Assignee
Essence Fastener Industries Co ltd S E Z
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 Essence Fastener Industries Co ltd S E Z filed Critical Essence Fastener Industries Co ltd S E Z
Priority to CN202110366669.2A priority Critical patent/CN113505953B/zh
Publication of CN113505953A publication Critical patent/CN113505953A/zh
Application granted granted Critical
Publication of CN113505953B publication Critical patent/CN113505953B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

本发明提供一种紧固件供应链管理系统，其特征在于，包括：图像采集装置、工作人员行为数据库、模式识别器、图网络生成器、图网络解析器、数据预处理器、生产决策子系统，通过工况预测器获得整个供应链各个环节的设备产能的生产模型，并结合模式识别器获得预估的人员产能生产模型，从而显示现有生产计划及周期、剩余空挡和剩余产能、整体工作人员的可持续性工作状态，并根据设备产能和人员产能的生产模型，以动态调整产能和生产模型，为决策者是否加插任务或者增员以完成任务提供决策依据，以实现紧固件生产的计划和交期的主动，并能灵活调整。

Description

一种紧固件供应链管理系统及其控制方法
技术领域
本发明涉及紧固件供应链领域，尤其涉及一种紧固件供应链管理系统及其控制方法。
背景技术
紧固件是作紧固连接用且应用极为广泛的一类机械零件，品种规格繁多，性能用途各异，而且标准化、系列化、通用化的程度也极高。目前，工业器件、部件的装配多采用各种传感器进行检测，然后再提供给控制系统进行分析、判断和决策，但在实际应用中，利用传感器进行频繁检测，仅可以实现设备的工况检测，制定的生产计划忽略了人这一因素。而人为因素往往是生产计划周期衔接不上，是造成交期逾期的关键，特别是员工因各种原因，不能超负荷完成工作量的时候往往容易发生上述生产计划周期和交期逾期，因此急需一种紧固件供应链管理系统及其控制方法，以实现紧固件生产的计划和交期的主动，并能灵活调整。
发明内容
本发明的目的在于提供一种紧固件供应链管理系统及其控制方法，工况预测器获得整个供应链各个环节的设备产能的生产模型，并结合模式识别器获得预估的人员产能生产模型，从而显示现有生产计划及周期、剩余空挡和剩余产能、整体工作人员的可持续性工作状态，并根据设备产能和人员产能的生产模型，以动态调整产能和生产模型，为决策者是否加插任务或者增员以完成任务提供决策依据，以实现紧固件生产的计划和交期的主动，并能灵活调整。
为解决上述技术问题，本发明是这样实现的：
一种紧固件供应链管理系统，包括：图像采集装置、工作人员行为数据库、模式识别器、图网络生成器、图网络解析器、数据预处理器、生产决策子系统；
图像采集装置用于捕获整个供应链各个环节的工作人员的行为参数，形成工作人员行为数据库的被动参数，并存储在工作人员行为数据库中，图像采集装置的输出端连接工作人员行为数据库的输入端，工作人员行为数据库的输出端连接模式识别器的输入端；
模式识别器根据工作人员行为数据库进行模式识别和预判，根据工作人员行为参数的主动参数和被动参数，获得预估的人员产能生产模型，为决策者动态调整产能和生产模型提供依据；模式识别器的输出端连接生产决策子系统的输入端；
图网络生成器用于捕获整个供应链各个环节的传感器参数并基于传感器节点的位置形成图网络结构，图网络生成器的输出端连接图网络解析器的输入端；其中，图网络解析器通过图神经网络挖掘整个供应链各个环节的不同组件之间的内在联系，利用图神经网络中的无向图结构挖掘数据特征关系，从而获得供应链的设备产能的生产模型；
图网络解析器的输出端连接数据预处理器的输入端，其中，数据预处理器包括降噪自编码器和流行提取器，图网络解析器的输出端连接数据预处理器的输入端即连接降噪自编码器的输入端，降噪自编码器的输出端连接流行提取器的输入端，流行提取器的输出端连接工况预测器的输入端，其中，图网络解析器为了尽可能准确的挖掘整个供应链各个环节的不同组件之间的内在联系，存储了图中海量的高维数据，为了降低高维数据，通过流行学习将高维数据映射到流行空间，在保证数据流行结构不变的前提下，对高维数据进行有效降维，以提取供应链各个环节的不同组件的关键特征；
数据预处理器的输出端连接工况预测器的输入端，其中，数据预处理器的输出端连接工况预测器的输入端，根据上述预处理后的数据，工况预测器通过结构型循环神经网络建立整个供应链各个环节的设备产能的生产模型，如ELMAN神经网络，以充分挖掘数据之间的时序特征，提前预测工况设备组件的实际产能和故障发生的时间，给决策者提供决策依据；
工况预测器的输出端和模式识别器的输出端连接生产决策子系统的输入端；其中，生产决策子系统通过工况预测器获得整个供应链各个环节的设备产能的生产模型，并结合模式识别器获得预估的人员产能生产模型，从而显示现有生产计划及周期、剩余空挡和剩余产能、整体工作人员的可持续性工作状态，并根据设备产能和人员产能的生产模型，以动态调整产能和生产模型，为决策者是否加插任务或者增员以完成任务提供决策依据。
一种紧固件供应链管理系统的控制方法，步骤包括：
101、图像采集装置用于捕获整个供应链各个环节的工作人员的行为参数，形成工作人员行为数据库的被动参数，并存储在工作人员行为数据库中，图像采集装置的输出端连接工作人员行为数据库的输入端，工作人员行为数据库的输出端连接模式识别器的输入端；其中，工作人员行为数据库还包括主动参数，工作人员行为数据库的主动参数能够从服务器接收工作人员主动上传的参数，该主动参数包括但不限于(1)工作人员自身的身体疲劳情况，如根据自身情况预估未来一周每天或第二天能工作的最高限度，或者是女性员工的特殊生理期所需要适当降低劳动强度的时间段；(2)工作人员自身的身体健康情况，如工作人员是否有因伤不适不能长时间连续工作的身体原因等；
102、模式识别器根据工作人员行为数据库进行模式识别和预判，根据工作人员行为参数的主动参数和被动参数，获得预估的人员产能生产模型，为决策者动态调整产能和生产模型提供依据；模式识别器的输出端连接生产决策子系统的输入端；
103、图网络生成器用于捕获整个供应链各个环节的传感器参数并基于传感器节点的位置形成图网络结构，图网络生成器的输出端连接图网络解析器的输入端；
104、图网络解析器通过图神经网络挖掘整个供应链各个环节的不同组件之间的内在联系，利用图神经网络中的无向图结构挖掘数据特征关系，从而获得供应链的设备产能的生产模型；具体的，图网络解析器包括依次连接的分簇器和迁移学习处理器，图网络生成器的输出端和工作人员行为数据库的输出端连接图网络解析器的输入端即连接分簇器的输入端，分簇器的输出端连接迁移学习处理器的输入端，迁移学习处理器的输出端连接数据预处理器的输入端；
105、图网络解析器的输出端连接数据预处理器的输入端，其中，数据预处理器包括降噪自编码器和流行提取器，图网络解析器的输出端连接数据预处理器的输入端即连接降噪自编码器的输入端，降噪自编码器的输出端连接流行提取器的输入端，流行提取器的输出端连接工况预测器的输入端，其中，图网络解析器为了尽可能准确的挖掘整个供应链各个环节的不同组件之间的内在联系，存储了图中海量的高维数据，为了降低高维数据，通过流行学习将高维数据映射到流行空间，在保证数据流行结构不变的前提下，对高维数据进行有效降维，以提取供应链各个环节的不同组件的关键特征；
106、数据预处理器的输出端连接工况预测器的输入端，根据上述预处理后的数据，工况预测器通过结构型循环神经网络建立整个供应链各个环节的设备产能的生产模型，如ELMAN神经网络，以充分挖掘数据之间的时序特征，提前预测工况设备组件的实际产能和故障发生的时间，给决策者提供决策依据；
107、工况预测器的输出端和模式识别器的输出端连接生产决策子系统的输入端；其中，生产决策子系统通过工况预测器获得整个供应链各个环节的设备产能的生产模型，并结合模式识别器获得预估的人员产能生产模型，从而显示现有生产计划及周期、剩余空挡和剩余产能、整体工作人员的可持续性工作状态，并根据设备产能和人员产能的生产模型，以动态调整产能和生产模型，为决策者是否加插任务或者增员以完成任务提供决策依据。
与现有技术相比，本申请的技术方案通过工况预测器获得整个供应链各个环节的设备产能的生产模型，并结合模式识别器获得预估的人员产能生产模型，从而显示现有生产计划及周期、剩余空挡和剩余产能、整体工作人员的可持续性工作状态，并根据设备产能和人员产能的生产模型，以动态调整产能和生产模型，为决策者是否加插任务或者增员以完成任务提供决策依据，以实现紧固件生产的计划和交期的主动，并能灵活调整。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的一种紧固件供应链管理系统。
图2是本发明一实施例提供的一种紧固件供应链管理系统的控制方法。
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他实施例，都属于本发明保护的范围。
如图1所示，本发明一实施例提供一种紧固件供应链管理系统，包括：图像采集装置1、工作人员行为数据库2、模式识别器3、图网络生成器4、图网络解析器5、数据预处理器6、生产决策子系统7；
图像采集装置1用于捕获整个供应链各个环节的工作人员的行为参数，形成工作人员行为数据库2的被动参数，并存储在工作人员行为数据库中，图像采集装置1的输出端连接工作人员行为数据库2的输入端，工作人员行为数据库2的输出端连接模式识别器3的输入端；其中，工作人员行为数据库2还包括主动参数，工作人员行为数据库的主动参数能够从服务器接收工作人员主动上传的参数，该主动参数包括但不限于(1)工作人员自身的身体疲劳情况，如根据自身情况预估未来一周每天或第二天能工作的最高限度，或者是女性员工的特殊生理期所需要适当降低劳动强度的时间段；(2)工作人员自身的身体健康情况，如工作人员是否有因伤不适不能长时间连续工作的身体原因等；
模式识别器3根据工作人员行为数据库进行模式识别和预判，根据工作人员行为参数的主动参数和被动参数，获得预估的人员产能生产模型，为决策者动态调整产能和生产模型提供依据；模式识别器3的输出端连接生产决策子系统8的输入端；
图网络生成器4用于捕获整个供应链各个环节的传感器参数并基于传感器节点的位置形成图网络结构，图网络生成器4的输出端连接图网络解析器5的输入端；其中，图网络解析器5通过图神经网络挖掘整个供应链各个环节的不同组件之间的内在联系，利用图神经网络中的无向图结构挖掘数据特征关系，从而获得供应链的设备产能的生产模型；具体的，图网络解析器5包括依次连接的分簇器 51和迁移学习处理器52，图网络生成器的输出端和工作人员行为数据库的输出端连接图网络解析器5的输入端即连接分簇器51的输入端，分簇器51的输出端连接迁移学习处理器52的输入端，迁移学习处理器52的输出端连接数据预处理器6的输入端；
图网络解析器5的输出端连接数据预处理器6的输入端，其中，数据预处理器6包括降噪自编码器61和流行提取器62，图网络解析器5的输出端连接数据预处理器6的输入端即连接降噪自编码器61的输入端，降噪自编码器61的输出端连接流行提取器62的输入端，流行提取器62的输出端连接工况预测器7的输入端，其中，图网络解析器5为了尽可能准确的挖掘整个供应链各个环节的不同组件之间的内在联系，存储了图中海量的高维数据，为了降低高维数据，通过流行学习将高维数据映射到流行空间，在保证数据流行结构不变的前提下，对高维数据进行有效降维，以提取供应链各个环节的不同组件的关键特征；
数据预处理器6的输出端连接工况预测器7的输入端，其中，数据预处理器 6的输出端连接工况预测器7的输入端，根据上述预处理后的数据，工况预测器 7通过结构型循环神经网络建立整个供应链各个环节的设备产能的生产模型，如 ELMAN神经网络，以充分挖掘数据之间的时序特征，提前预测工况设备组件的实际产能和故障发生的时间，给决策者提供决策依据；
工况预测器7的输出端和模式识别器2的输出端连接生产决策子系统8的输入端；其中，生产决策子系统8通过工况预测器7获得整个供应链各个环节的设备产能的生产模型，并结合模式识别器2获得预估的人员产能生产模型，从而显示现有生产计划及周期、剩余空挡和剩余产能、整体工作人员的可持续性工作状态，并根据设备产能和人员产能的生产模型，以动态调整产能和生产模型，为决策者是否加插任务或者增员以完成任务提供决策依据。
优选的，上述整个供应链各个环节的传感器包括但不限于数字电子地磅、 RFID阅读器、无线寻呼声光定位系统，其中，通过数字电子地磅读取来料入库的产品重量，通过RFID阅读器读取来料入库的产品种类，通过无线寻呼声光定位系统定位上述来料入库的具体位置。传感器将上述参数上传到上位机，由上位机再传输给服务器，服务器可以是本地服务器、WEB应用服务器或者云端服务器。
优选的，模式识别器2根据工作人员行为数据库进行模式识别和预判，根据工作人员行为参数的主动参数和被动参数，包括疲劳程度和健康情况，从而获得预估的人员产能生产模型，该预估的人员生产模型为工作人员主动根据自身情况给出的合理工作时间和上限，通过被动参数加以佐证，防止工人过度疲劳，减少生产故障和事故的发生，给出最真实的实际产能，为决策者动态调整产能和生产模型提供依据。
如图2所示，本发明一实施例提供一种紧固件供应链管理系统的控制方法，步骤包括：
101、图像采集装置1用于捕获整个供应链各个环节的工作人员的行为参数，形成工作人员行为数据库2的被动参数，并存储在工作人员行为数据库中，图像采集装置1的输出端连接工作人员行为数据库2的输入端，工作人员行为数据库 2的输出端连接模式识别器3的输入端；其中，工作人员行为数据库还包括主动参数，工作人员行为数据库的主动参数能够从服务器接收工作人员主动上传的参数，该主动参数包括但不限于(1)工作人员自身的身体疲劳情况，如根据自身情况预估未来一周每天或第二天能工作的最高限度，或者是女性员工的特殊生理期所需要适当降低劳动强度的时间段；(2)工作人员自身的身体健康情况，如工作人员是否有因伤不适不能长时间连续工作的身体原因等；
102、模式识别器3根据工作人员行为数据库2进行模式识别和预判，根据工作人员行为参数的主动参数和被动参数，获得预估的人员产能生产模型，为决策者动态调整产能和生产模型提供依据；模式识别器3的输出端连接生产决策子系统8的输入端；
103、图网络生成器4用于捕获整个供应链各个环节的传感器参数并基于传感器节点的位置形成图网络结构，图网络生成器4的输出端连接图网络解析器5 的输入端；
104、图网络解析器5通过图神经网络挖掘整个供应链各个环节的不同组件之间的内在联系，利用图神经网络中的无向图结构挖掘数据特征关系，从而获得供应链的设备产能的生产模型；具体的，图网络解析器5包括依次连接的分簇器 51和迁移学习处理器52，图网络生成器的输出端和工作人员行为数据库的输出端连接图网络解析器5的输入端即连接分簇器51的输入端，分簇器51的输出端连接迁移学习处理器52的输入端，迁移学习处理器52的输出端连接数据预处理器6的输入端；
105、图网络解析器5的输出端连接数据预处理器6的输入端，其中，数据预处理器5包括降噪自编码器51和流行提取器52，图网络解析器5的输出端连接数据预处理器6的输入端即连接降噪自编码器61的输入端，降噪自编码器61 的输出端连接流行提取器62的输入端，流行提取器62的输出端连接工况预测器 7的输入端，其中，图网络解析器5为了尽可能准确的挖掘整个供应链各个环节的不同组件之间的内在联系，存储了图中海量的高维数据，为了降低高维数据，通过流行学习将高维数据映射到流行空间，在保证数据流行结构不变的前提下，对高维数据进行有效降维，以提取供应链各个环节的不同组件的关键特征；
106、数据预处理器6的输出端连接工况预测器7的输入端，根据上述预处理后的数据，工况预测器7通过结构型循环神经网络建立整个供应链各个环节的设备产能的生产模型，如ELMAN神经网络，以充分挖掘数据之间的时序特征，提前预测工况设备组件的实际产能和故障发生的时间，给决策者提供决策依据；
107、工况预测器7的输出端和模式识别器2的输出端连接生产决策子系统8 的输入端；其中，生产决策子系统8通过工况预测器7获得整个供应链各个环节的设备产能的生产模型，并结合模式识别器2获得预估的人员产能生产模型，从而显示现有生产计划及周期、剩余空挡和剩余产能、整体工作人员的可持续性工作状态，并根据设备产能和人员产能的生产模型，以动态调整产能和生产模型，为决策者是否加插任务或者增员以完成任务提供决策依据。
优选的，步骤103的上述整个供应链各个环节的传感器包括但不限于数字电子地磅、RFID阅读器、无线寻呼声光定位系统，其中，通过数字电子地磅读取来料入库的产品重量，通过RFID阅读器读取来料入库的产品种类，通过无线寻呼声光定位系统定位上述来料入库的具体位置。传感器将上述参数上传到上位机，由上位机再传输给服务器，服务器可以是本地服务器、WEB应用服务器或者云端服务器。
优选的，步骤102的模式识别器2根据工作人员行为数据库进行模式识别和预判，根据工作人员行为参数的主动参数和被动参数，包括疲劳程度和健康情况，从而获得预估的人员产能生产模型，该预估的人员生产模型为工作人员主动根据自身情况给出的合理工作时间和上限，通过被动参数加以佐证，防止工人过度疲劳，减少生产故障和事故的发生，给出最真实的实际产能，，为决策者动态调整产能和生产模型提供依据。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本发明的保护之内。

Claims (4)

1.一种紧固件供应链管理系统，其特征在于，包括：图像采集装置、工作人员行为数据库、模式识别器、图网络生成器、图网络解析器、数据预处理器、生产决策子系统；
图像采集装置用于捕获整个供应链各个环节的工作人员的行为参数，形成工作人员行为数据库的被动参数，并存储在工作人员行为数据库中，图像采集装置的输出端连接工作人员行为数据库的输入端，工作人员行为数据库的输出端连接模式识别器的输入端；
模式识别器根据工作人员行为数据库进行模式识别和预判，根据工作人员行为参数的主动参数和被动参数，获得预估的人员产能生产模型，为决策者动态调整产能和生产模型提供依据，其中，工作人员行为数据库还包括主动参数，工作人员行为数据库的主动参数能够从服务器接收工作人员主动上传的参数，该主动参数包括工作人员自身的身体疲劳情况和/或工作人员自身的身体健康情况；模式识别器的输出端连接生产决策子系统的输入端；
图网络生成器用于捕获整个供应链各个环节的传感器参数并基于传感器节点的位置形成图网络结构，图网络生成器的输出端连接图网络解析器的输入端；
图网络解析器通过图神经网络挖掘整个供应链各个环节的不同组件之间的内在联系，利用图神经网络中的无向图结构挖掘数据特征关系，从而获得供应链的设备产能的生产模型；
图网络解析器的输出端连接数据预处理器的输入端，其中，数据预处理器包括降噪自编码器和流行提取器，图网络解析器的输出端连接数据预处理器的输入端即连接降噪自编码器的输入端，降噪自编码器的输出端连接流行提取器的输入端，流行提取器的输出端连接工况预测器的输入端；
数据预处理器的输出端连接工况预测器的输入端，根据上述预处理后的数据，工况预测器通过结构型循环神经网络建立整个供应链各个环节的设备产能的生产模型；
工况预测器的输出端和模式识别器的输出端连接生产决策子系统的输入端，生产决策子系统通过工况预测器获得整个供应链各个环节的设备产能的生产模型，并结合模式识别器获得预估的人员产能生产模型，以动态调整产能和生产模型。
2.根据权利要求1所述的紧固件供应链管理系统，其特征在于，图网络解析器包括依次连接的分簇器和迁移学习处理器，图网络生成器的输出端和工作人员行为数据库的输出端连接图网络解析器的输入端即连接分簇器的输入端，分簇器的输出端连接迁移学习处理器的输入端，迁移学习处理器的输出端连接数据预处理器的输入端。
3.根据权利要求2所述的紧固件供应链管理系统，其特征在于，传感器将上述参数上传到上位机，由上位机再传输给服务器，服务器是本地服务器、WEB应用服务器或者云端服务器。
4.一种紧固件供应链管理系统的控制方法，其特征在于，一种紧固件供应链管理系统的控制方法，步骤包括：
101、图像采集装置用于捕获整个供应链各个环节的工作人员的行为参数，形成工作人员行为数据库的被动参数，并存储在工作人员行为数据库中，图像采集装置的输出端连接工作人员行为数据库的输入端，工作人员行为数据库的输出端连接模式识别器的输入端；
102、模式识别器根据工作人员行为数据库进行模式识别和预判，根据工作人员行为参数的主动参数和被动参数，获得预估的人员产能生产模型，其中，工作人员行为数据库还包括主动参数，工作人员行为数据库的主动参数能够从服务器接收工作人员主动上传的参数，该主动参数包括工作人员自身的身体疲劳情况和/或工作人员自身的身体健康情况；
103、图网络生成器用于捕获整个供应链各个环节的传感器参数并基于传感器节点的位置形成图网络结构，图网络生成器的输出端连接图网络解析器的输入端；
104、图网络解析器通过图神经网络挖掘整个供应链各个环节的不同组件之间的内在联系，利用图神经网络中的无向图结构挖掘数据特征关系，从而获得供应链的设备产能的生产模型；
105、图网络解析器的输出端连接数据预处理器的输入端，其中，数据预处理器包括降噪自编码器和流行提取器，图网络解析器的输出端连接数据预处理器的输入端即连接降噪自编码器的输入端，降噪自编码器的输出端连接流行提取器的输入端，流行提取器的输出端连接工况预测器的输入端；
106、数据预处理器的输出端连接工况预测器的输入端，根据上述预处理后的数据，工况预测器通过结构型循环神经网络建立整个供应链各个环节的设备产能的生产模型；
107、工况预测器的输出端和模式识别器的输出端连接生产决策子系统的输入端；其中，生产决策子系统通过工况预测器获得整个供应链各个环节的设备产能的生产模型，并结合模式识别器获得预估的人员产能生产模型，以动态调整产能和生产模型。
CN202110366669.2A 2021-04-06 2021-04-06 一种紧固件供应链管理系统及其控制方法 Active CN113505953B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110366669.2A CN113505953B (zh) 2021-04-06 2021-04-06 一种紧固件供应链管理系统及其控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110366669.2A CN113505953B (zh) 2021-04-06 2021-04-06 一种紧固件供应链管理系统及其控制方法

Publications (2)

Publication Number Publication Date
CN113505953A CN113505953A (zh) 2021-10-15
CN113505953B true CN113505953B (zh) 2024-02-02

Family

ID=78009170

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110366669.2A Active CN113505953B (zh) 2021-04-06 2021-04-06 一种紧固件供应链管理系统及其控制方法

Country Status (1)

Country Link
CN (1) CN113505953B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117409082B (zh) * 2023-12-13 2024-02-23 南昌工控机器人有限公司 用于手机壳体模块化装配的视觉识别与定位方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110061983A (ko) * 2009-12-02 2011-06-10 (주)아크라인 Ｃｐｍ 공법을 이용한 지능형 생산 관리 방법 및 시스템
CN105550836A (zh) * 2015-11-03 2016-05-04 武汉宝钢华中贸易有限公司 基于大数据分析处理技术的自动排产优化管理信息模型
CN111364953A (zh) * 2020-03-09 2020-07-03 中国石油大学(华东) 一种基于图神经网络的井间动态连通性识别方法及系统
CN111798114A (zh) * 2020-06-28 2020-10-20 北京百度网讯科技有限公司 一种模型训练、订单处理方法、装置、设备及存储介质
WO2020225995A1 (ja) * 2019-05-08 2020-11-12 三菱電機株式会社 工程管理装置、工程管理方法、工程管理プログラムおよび機械学習装置
CN112084632A (zh) * 2020-08-14 2020-12-15 浙江工业大学 一种结合人机工程的五金数字生产线布局优化方法
CN112381365A (zh) * 2020-10-30 2021-02-19 广东蕾琪化妆品有限公司 一种基于神经网络的化妆品生产工况监测系统及其控制方法
CN112528502A (zh) * 2020-12-11 2021-03-19 深圳先进技术研究院 生产车间的管控方法、管控系统及相关装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11093884B2 (en) * 2018-12-31 2021-08-17 Noodle Analytics, Inc. Controlling inventory in a supply chain

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110061983A (ko) * 2009-12-02 2011-06-10 (주)아크라인 Ｃｐｍ 공법을 이용한 지능형 생산 관리 방법 및 시스템
CN105550836A (zh) * 2015-11-03 2016-05-04 武汉宝钢华中贸易有限公司 基于大数据分析处理技术的自动排产优化管理信息模型
WO2020225995A1 (ja) * 2019-05-08 2020-11-12 三菱電機株式会社 工程管理装置、工程管理方法、工程管理プログラムおよび機械学習装置
CN111364953A (zh) * 2020-03-09 2020-07-03 中国石油大学(华东) 一种基于图神经网络的井间动态连通性识别方法及系统
CN111798114A (zh) * 2020-06-28 2020-10-20 北京百度网讯科技有限公司 一种模型训练、订单处理方法、装置、设备及存储介质
CN112084632A (zh) * 2020-08-14 2020-12-15 浙江工业大学 一种结合人机工程的五金数字生产线布局优化方法
CN112381365A (zh) * 2020-10-30 2021-02-19 广东蕾琪化妆品有限公司 一种基于神经网络的化妆品生产工况监测系统及其控制方法
CN112528502A (zh) * 2020-12-11 2021-03-19 深圳先进技术研究院 生产车间的管控方法、管控系统及相关装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于供应链中不确定性的生产计划研究;董鹏 等;《广东轻工职业技术学院学报》;第10卷(第02期);第30-35页 *
基于改进遗传算法炼钢—连铸生产作业计划编制的研究;彭杰;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》(第02期);第1-63页 *
小吉星PRM应用模具生产的APS功能解读;刘建平;《模具制造》(第12期);第63-71页 *

Also Published As

Publication number Publication date
CN113505953A (zh) 2021-10-15

Similar Documents

Publication Publication Date Title
CN108011948B (zh) 一种基于边缘计算的工业设备一体化监控系统
CN109617796A (zh) 一种基于规则引擎的边缘计算网关
CN110535845A (zh) 一种基于物联网的水电站群远程数据服务方法、系统、终端及存储介质
CN109032099A (zh) 工程机械总装生产线在线感知系统
CN105608758A (zh) 一种基于算法组态和分布式流计算的大数据分析平台装置及方法
CN201408358Y (zh) 一种基于无线传感器网络的矿井监控管理设备
CN105608144A (zh) 一种基于多层模型迭代的大数据分析平台装置及方法
CN109358574A (zh) 一种智能化数据采集、监控与分析系统及方法
CN113505953B (zh) 一种紧固件供应链管理系统及其控制方法
CN107291058A (zh) 一种连铸生产过程数据采集监控系统
CN109507924B (zh) 用于油田作业设备的远程监控系统
CN113556768B (zh) 传感器数据异常检测方法和系统
CN110988559A (zh) 基于物联网的变电站直流系统全生命周期的在线监测方法
CN111399421A (zh) 一种基于云平台的工厂能源监控和管理系统
CN117172414A (zh) 一种基于bim技术的建筑幕墙施工管理系统
CN116500981A (zh) 基于工业互联网的智慧工厂生产系统和方法
CN113055424B (zh) 物联网数据采集传输性能优化方法、装置和计算机设备
CN112788110A (zh) 一种基于云边协同模型优化的产品外观检测方法及其实现系统
CN114048952A (zh) 基于边缘物联技术和神经网络的炼铁厂安全态势感知方法
CN114493919A (zh) 储能电站运行监测模型的训练方法及储能电站的监控系统
CN105472040A (zh) 一种冲压设备生命周期管理云平台及使用方法
Bansal et al. Advancements and applications in fog computing
Zulkifli et al. Embedded RFID and wireless mesh sensor network materializing automated production line monitoring
CN107895218A (zh) 轴承制造过程中的人员与设备管理系统
Lu A plug-and-play data gathering system using ZigBee-based sensor network sensor network

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