CN113705884A - 一种装配生产线产能预测方法、装置、设备及存储介质 - Google Patents

一种装配生产线产能预测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113705884A
CN113705884A CN202110985885.5A CN202110985885A CN113705884A CN 113705884 A CN113705884 A CN 113705884A CN 202110985885 A CN202110985885 A CN 202110985885A CN 113705884 A CN113705884 A CN 113705884A
Authority
CN
China
Prior art keywords
disturbance
production
period
production line
distribution
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
Application number
CN202110985885.5A
Other languages
English (en)
Other versions
CN113705884B (zh
Inventor
何磊
李涛
刘雪豪
唐健钧
都刚
吴悠
张世炯
师昭
叶波
梁佩
戚栓栓
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 Aircraft Industrial Group Co Ltd
Original Assignee
Chengdu Aircraft Industrial Group 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 Aircraft Industrial Group Co Ltd filed Critical Chengdu Aircraft Industrial Group Co Ltd
Priority to CN202110985885.5A priority Critical patent/CN113705884B/zh
Publication of CN113705884A publication Critical patent/CN113705884A/zh
Application granted granted Critical
Publication of CN113705884B publication Critical patent/CN113705884B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • General Factory Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种装配生产线产能预测方法、装置、设备及存储介质，通过获取目标生产线在预设周期内的历史生产数据，根据每个停机时间段对应的扰动因素，获得每个生产阶段内每个扰动因素所产生的扰动周期，对每个生产阶段内每个扰动因素所产生的扰动周期进行统计学分布拟合，获得每个生产阶段内的每个扰动因素的扰动周期分布；根据所述扰动周期分布，预测调整后的目标生产线的每个生产阶段的预测扰动周期分布；根据所述预测扰动周期分布，对调整后的目标生产线进行产能预测。解决了现有的仅仅利用仿真建模的方式无法准确预测飞机生产线产能的技术问题，实现了提高装配生产线产能预测的准确率。

Description

一种装配生产线产能预测方法、装置、设备及存储介质
技术领域
本申请涉及设备生产技术领域，尤其涉及发明名称一种装配生产线产能预测方法、装置、设备及存储介质。
背景技术
对于一些大型特种设备生产线，其工艺路线较长，生产周期往往达到几十天，同时由于其产品复杂，容易受到局部工序故障、物料缺件的影响，受到影响后，为保证生产进度，又会临时对生产工艺路线进行调整。因此，需要对调整后的生产线进行产能预测。
现有的方法通常是利用仿真建模的方式进行预测，但是对于飞机生产线，现有的仿真建模的方式无法准确预测产能。
发明内容
本申请的主要目的在于提供一种装配生产线产能预测方法、装置、设备及存储介质，旨在解决现有的仿真建模的方式无法准确预测飞机生产线产能的技术问题。
为实现上述目的，本申请提供一种装配生产线产能预测方法，包括：
获取目标生产线在预设周期内的历史生产数据，其中，所述历史生产数据包括所述目标生产线每天的多个停机时间段，每个停机时间段对应至少一个扰动因素；
根据每个停机时间段对应的扰动因素，获得每个生产阶段内每个扰动因素所产生的扰动周期；其中，所述目标生产线包括多个生产阶段；
对每个生产阶段内每个扰动因素所产生的扰动周期进行统计学分布拟合，获得每个生产阶段内的每个扰动因素的扰动周期分布；
根据所述扰动周期分布，预测调整后的目标生产线的每个生产阶段的预测扰动周期分布；
根据所述预测扰动周期分布，对调整后的目标生产线进行产能预测。
可选地，所述根据所述扰动周期分布，预测调整后的目标生产线的每个生产阶段的预测扰动周期分布的步骤，包括：
根据如下关系式，获得调整后的目标生产线的每个生产阶段的预测扰动周期分布：
Figure BDA0003229069030000021
其中，
Figure BDA0003229069030000022
表示目标生产线调整后在某个生产阶段的某个扰动因素的预测扰动周期分布；
Figure BDA0003229069030000023
表示目标生产线调整前某个生产阶段内某个扰动因素的扰动周期分布；x为预设水平因子，其取值范围为0～1；P某个生产阶段当前生产节拍表示目标生产线调整前的某个生产阶段的生产周期；P某个生产阶段预设生产节拍表示目标生产线调整后的生产阶段的预测生产周期。
可选地，所述根据所述预测扰动周期分布，对调整后的目标生产线进行产能预测的步骤，包括：
根据所述预测扰动周期分布，获得调整后的目标生产线的每个生产阶段的生产周期；
将调整后的目标生产线的每个生产阶段的生产周期代入离散事件仿真模型，获得调整后的目标生产线的预测产能。
可选地，所述根据所述预测扰动周期分布，获得调整后的目标生产线的每个生产阶段的生产周期的步骤，包括：
根据如下关系式，获得调整后的目标生产线的每个生产阶段的生产周期：
Figure BDA0003229069030000024
其中，
Figure BDA0003229069030000025
表示目标生产线调整后的某个生产阶段的生产周期；y表示工作时长因子，其取值范围为0～1。
可选地，所述对每个生产阶段内每个扰动因素所产生的扰动周期进行统计学分布拟合，获得每个生产阶段内的每个扰动因素的扰动周期分布的步骤，包括：
根据每个生产阶段内每个扰动因素所产生的扰动周期，生成直方图；
对所述直方图进行概率分布拟合，获得每个生产阶段内的每个扰动因素的扰动周期分布。
可选地，在所述获取目标生产线在预设周期内的历史生产数据的步骤之前，所述方法还包括：
对所述目标生产线的生产过程进行日志记录，获得日志数据；其中，所述日志数据包括所述目标生产线的工作时间占比及受扰动因素影响停机时间占比；
所述获取目标生产线在预设周期内的历史生产数据的步骤，包括：
从所述日志数据中获取所述目标生产线在预设周期内的历史生产数据。
可选地，所述扰动因素，包括：产品故障、物料缺件、资源冲突、人员冲突和设计变更中的至少一种。
此外，为实现上述目的，本申请还提供一种装配生产线产能预测装置，包括：
数据获取模块，用于获取目标生产线在预设周期内的历史生产数据，其中，所述历史生产数据包括所述目标生产线每天的多个停机时间段，每个停机时间段对应至少一个扰动因素；
周期获得模块，用于根据每个停机时间段对应的扰动因素，获得每个生产阶段内每个扰动因素所产生的扰动周期；其中，所述目标生产线包括多个生产阶段；
周期拟合模块，用于对每个生产阶段内每个扰动因素所产生的扰动周期进行统计学分布拟合，获得每个生产阶段内的每个扰动因素的扰动周期分布；
周期预测模块，用于根据所述扰动周期分布，预测调整后的目标生产线的每个生产阶段的预测扰动周期分布；
产能预测模块，用于根据所述预测扰动周期分布，对调整后的目标生产线进行产能预测。
此外，为实现上述目的，本申请还提供一种生产设备，该生产设备包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序，实现上述的方法。
此外，为实现上述目的，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，处理器执行所述计算机程序，实现上述的方法。
本申请所能实现的有益效果。
本申请实施例提出的一种装配生产线产能预测方法、装置、设备及存储介质，通过获取目标生产线在预设周期内的历史生产数据，其中，所述历史生产数据包括所述目标生产线每天的多个停机时间段，每个停机时间段对应至少一个扰动因素；根据每个停机时间段对应的扰动因素，获得每个生产阶段内每个扰动因素所产生的扰动周期；其中，所述目标生产线包括多个生产阶段；对每个生产阶段内每个扰动因素所产生的扰动周期进行统计学分布拟合，获得每个生产阶段内的每个扰动因素的扰动周期分布；根据所述扰动周期分布，预测调整后的目标生产线的每个生产阶段的预测扰动周期分布；根据所述预测扰动周期分布，对调整后的目标生产线进行产能预测。也即，通过对停机的扰动因素所产生的扰动周期进行统计学分布拟合，可以获得各扰动因素的影响分布规律，相对于现有技术，对生产线的影响因素考虑更全面，因此，运用该拟合结果中的扰动周期分布，预测调整后的目标生产线的每个生产阶段的预测扰动周期分布，进而可以实现对调整后的目标生产线进行产能预测会更为准确，解决了现有的仅仅利用仿真建模的方式无法准确预测飞机生产线产能的技术问题，实现了提高装配生产线产能预测的准确率。
附图说明
图1为本申请实施例涉及的硬件运行环境的生产设备结构示意图；
图2为本申请实施例的装配生产线产能预测方法的流程示意图；
图3为本申请实施例中由物料缺件的扰动因素所引起的生产扰动周期分布示意图；
图4为本申请实施例的装配生产线产能预测装置的功能模块示意图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例的主要解决方案是：通过获取目标生产线在预设周期内的历史生产数据，其中，所述历史生产数据包括所述目标生产线每天的多个停机时间段，每个停机时间段对应至少一个扰动因素；根据每个停机时间段对应的扰动因素，获得每个生产阶段内每个扰动因素所产生的扰动周期；其中，所述目标生产线包括多个生产阶段；对每个生产阶段内每个扰动因素所产生的扰动周期进行统计学分布拟合，获得每个生产阶段内的每个扰动因素的扰动周期分布；根据所述扰动周期分布，预测调整后的目标生产线的每个生产阶段的预测扰动周期分布；根据所述预测扰动周期分布，对调整后的目标生产线进行产能预测
由于现有技术通过离散事件仿真软件可以对战斗机总装生产线系统进行建模和仿真，将生产线系统的相关要素纳入到模型中，对这些要素的运行规律进行提炼和抽象，并用数学分布或编程语言体现出来。大型特征设备(例如飞机)总装生产线的产能受到各类扰动因素的影响，产品生产节拍和生产周期不稳定，同时各类扰动因素也是不稳定的，体现在每一件产品上影响也是不一样的。因此，总装生产线的产能同时受到上述不稳定因素的影响，难以对其进行准确的建模。
本申请提供一种解决方案，通过对停机的扰动因素所产生的扰动周期进行统计学分布拟合，可以获得各扰动因素的影响分布规律，相对于现有技术，对生产线的影响因素考虑更全面，因此，运用该拟合结果中的扰动周期分布，预测调整后的目标生产线的每个生产阶段的预测扰动周期分布，进而可以实现对调整后的目标生产线进行产能预测会更为准确，解决了现有的仅仅利用仿真建模的方式无法准确预测飞机生产线产能的技术问题，实现了提高装配生产线产能预测的准确率。
参照图1，图1为本申请实施例方案涉及的硬件运行环境的生产设备结构示意图。
如图1所示，该生产设备可以包括：处理器1001，例如中央处理器(CentralProcessing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对生产设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及电子程序。
在图1所示的生产设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明生产设备中的处理器1001、存储器1005可以设置在生产设备中，所述生产设备通过处理器1001调用存储器1005中存储的装配生产线产能预测装置，并执行本申请实施例提供的装配生产线产能预测方法。
参照图2，基于前述实施例的硬件设备，本申请的实施例提供一种装配生产线产能预测方法，包括：
S20、获取目标生产线在预设周期内的历史生产数据，其中，所述历史生产数据包括所述目标生产线每天的多个停机时间段，每个停机时间段对应至少一个扰动因素；
在具体实施过程中，目标生产线可以是任意生产线，在本实施例中并不作限制，但作为一种实施例，目标生产线指大型特征设备的装配生产线，例如飞机的总装生产线。
历史生产数据不但包括目标生产线每天的多个停机时间段，也包括目标生产线每天的运行时间段。在本实施例中，针对目标生产线，可以将其划分为若干个生产阶段，每个生产阶段完成一定的工作。将每个生产阶段所需的生产周期定义为生产节拍，则所有的生产阶段的生产周期之和为该目标生产线对应生产的产品的总生产周期。进一步的，可以将产品的总生产周期划分为两部分：有效生产周期和扰动周期，则产品的总生产周期＝有效生产周期+扰动周期。其中，有效生产周期是指进行有效生产工作的周期。
作为一个实施例，扰动因素，包括：产品故障、物料缺件、资源冲突、人员冲突和设计变更中的至少一种。则，扰动周期是指因产品故障、物料缺件、资源冲突、人员冲突、设计变更等扰动因素造成的产品无法进行生产工作的周期。
作为一个实施例，为了方便获得历史生产数据，在所述获取目标生产线在预设周期内的历史生产数据的步骤之前，所述方法还包括：对所述目标生产线的生产过程进行日志记录，获得日志数据；其中，所述日志数据包括所述目标生产线的工作时间占比及受扰动因素影响停机时间占比。具体的，据信息化程度，日志记录的颗粒度包括但不限于天、小时、分钟、秒等。
相应的，所述获取目标生产线在预设周期内的历史生产数据的步骤，包括：从所述日志数据中获取所述目标生产线在预设周期内的历史生产数据。
S40、根据每个停机时间段对应的扰动因素，获得每个生产阶段内每个扰动因素所产生的扰动周期；其中，所述目标生产线包括多个生产阶段；
在具体实施过程中，每个工作日内，日志记录的信息如下，设每个工作日预定的工作时长为T，则在时间T内，能够进行产品生产工作的时间为
Figure BDA00032290690300000711
总计有n(i＝1,2,...,n)个能够进行生产工作的时间段(即运行时间段)，受扰动因素影响无法进行产品生产工作的时间为
Figure BDA00032290690300000712
总计有m(j＝1,2,...,m)个受扰动因素影响无法进行产品生产工作的时间段(即停机时间段)，并且存在以下关系：
Figure BDA0003229069030000071
可以理解的是，对于产品而言，
Figure BDA0003229069030000072
与
Figure BDA0003229069030000073
互斥，即对于某一时刻，产品的状态要么从属于
Figure BDA0003229069030000074
要么从属于
Figure BDA0003229069030000075
对于每一个
Figure BDA0003229069030000076
存在一个扰动因素属性，即该段时间是受何种扰动因素影响而无法进行生产工作的，对于同时受多种扰动因素影响的情形，仅选择一个最主要(扰动影响最大或影响时间最长的)的扰动因素进行计算。
对于产品的完整生产周期内，其有效生产周期为所有工作日内
Figure BDA0003229069030000077
之和，即：
Figure BDA0003229069030000078
由某项扰动因素所引起的无法进行产品生产工作的扰动周期，为：
Figure BDA0003229069030000079
那么产品的总扰动周期为所有T扰动因素之和，即：
T扰动周期＝∑所有工作日T扰动因素，
产品生产每一生产阶段的扰动周期为该生产阶段所有
Figure BDA00032290690300000710
之和，即：
Figure BDA0003229069030000081
由此可以，可以获得每个生产阶段内每个扰动因素所产生的扰动周期。
S60、对每个生产阶段内每个扰动因素所产生的扰动周期进行统计学分布拟合，获得每个生产阶段内的每个扰动因素的扰动周期分布；
作为一个实施例，所述对每个生产阶段内每个扰动因素所产生的扰动周期进行统计学分布拟合，获得每个生产阶段内的每个扰动因素的扰动周期分布的步骤，包括：
根据每个生产阶段内每个扰动因素所产生的扰动周期，生成直方图；
对所述直方图进行概率分布拟合，获得每个生产阶段内的每个扰动因素的扰动周期分布。
在具体实施过程中，可以利用minitab等统计工具计算其直方图及概率分布拟合，在本实施例中，典型的拟合分布包括但不限于正态分布、Gamma分布、指数分布、对数分布。
则每个生产阶段内的每个扰动因素的扰动周期分布可以表示为：
Figure BDA0003229069030000082
可以理解的是，生产直方图并且对所述直方图进行概率分布拟合不仅更直观，也能快捷的生成满足拟合关系式。
S80、根据所述扰动周期分布，预测调整后的目标生产线的每个生产阶段的预测扰动周期分布；
在具体实施过程中，由于工艺改进或生产线优化，由扰动因素所引起的扰动周期通常会发生变化，因此需要通过当前的扰动周期分布对工艺改进或生产线优化后的目标生产线的扰动周期分布进行预测。
在一个实施例中，所述根据所述扰动周期分布，预测调整后的目标生产线的每个生产阶段的预测扰动周期分布的步骤，包括：
根据如下关系式，获得调整后的目标生产线的每个生产阶段的预测扰动周期分布：
Figure BDA0003229069030000083
其中，
Figure BDA0003229069030000084
表示目标生产线调整后在某个生产阶段的某个扰动因素的预测扰动周期分布；
Figure BDA0003229069030000085
表示目标生产线调整前某个生产阶段内某个扰动因素的扰动周期分布；x为预设水平因子，其取值范围为0～1；P某个生产阶段当前生产节拍表示目标生产线调整前的某个生产阶段的生产周期；P某个生产阶段预设生产节拍表示目标生产线调整后的生产阶段的预测生产周期。
具体的，预设水平因子为工艺改进或生产线优化后，预测扰动周期分布相对于当前扰动周期分布间的比例，预设水平因子＝1，表示为未改善，预设水平因子＝0.7，表明在当前水平基础上改善30％，预设水平因子＝0，表示在当前水平基础上改善100％(即无扰动影响)。
在具体实施过程中，可以根据目标生产线的调整情况，进行预设水平因子取值。而目标生产线调整前后的某个生产阶段的生产周期已知的情况下，则可以利用上述关系式获得目标生产线调整后在某个生产阶段的某个扰动因素的预测扰动周期分布。
S100、根据所述预测扰动周期分布，对调整后的目标生产线进行产能预测。
在具体实施过程中，在获得预测扰动周期分布后，可以根据预测扰动周期分布，对调整后的目标生产线进行产能预测。
在一个实施例中，所述根据所述预测扰动周期分布，对调整后的目标生产线进行产能预测的步骤，包括：
首先，根据所述预测扰动周期分布，获得调整后的目标生产线的每个生产阶段的生产周期；
具体的，根据如下关系式，获得调整后的目标生产线的每个生产阶段的生产周期：
Figure BDA0003229069030000091
其中，
Figure BDA0003229069030000092
表示目标生产线调整后的某个生产阶段的生产周期；y表示工作时长因子，其取值范围为0～1。
需要说明的是，工作时长因子用于衡量工作制改变对于生产周期的影响，在本实施例中，工作时长因子＝1则表明为标准8小时工作制，工作时长因子＝0.5则表示16小时工作制(等效)，依次类推。因此，在目标生产线调整前后的某个生产阶段的生产周期、预测扰动周期分布已知的情况下，则可以利用上述关系式获得调整后的目标生产线的每个生产阶段的生产周期。
因此，调整上式中的工作时长因子、预设水平因子和P某个生产阶段预设生产节拍，可以得出在一个给定的工作制、生产扰动改善水平和生产节拍下的
Figure BDA0003229069030000101
然后，将调整后的目标生产线的每个生产阶段的生产周期代入离散事件仿真模型，获得调整后的目标生产线的预测产能。
在具体实施过程中，可以使用现有的离散事件仿真模型，本实施例不再赘述。
以上是本申请的实施例提供的一种装配生产线产能预测方法的具体实施方式。下面以一个实验例，来进一步展示本实施例的装配生产线产能预测方法的实施过程。
1、定义装配站位数量；根据产品生产线装配流程划分装配工位，本例中分为4个工位；
2、定义当前生产节拍；本例中，生产节拍为10个工作日(8小时工作制)；
3、确定扰动因素；本例中，主要考虑两个扰动因素：产品故障扰动及物料缺件扰动；
4、记录产品生产日志数据，本例中所记录的生产日志数据如下表1；
表1 日志数据
产品序号 缺件(天) 故障(天)
1 1.8 0.3
2 1.2 0.1
3 0.1 0.8
4 1.3 0.6
5 3.9 0.3
6 2.8 0.4
7 3.7 0.1
8 4.6 0.5
9 0.5 0.1
10 1.4 1
11 0.7 0.1
12 2 0.2
13 3.2 0.1
14 1.8 0.1
15 1.7 0.1
16 1 0.1
17 1.4 0.1
18 1.7 0.1
5、计算扰动周期分布；
利用minitab可计算扰动因素所引起的扰动周期分布，如图3所示，由物料缺件所引起的扰动分布为Gamma(2.033,0.9512)，同理可得到故障所引起的扰动分布为Gamma(1.491,0.1901)。
6、计算工艺改进、生产线优化后的产品生产周期；
假设对生产线进行优化，将工位数量由4个改为5个，因此，生产节拍由10天变为8天，同时进行工艺改进，将物料缺件和故障水平均改善10％，同时实行双班制生产，等效工作时长由8小时变为16小时，此时，每个工位中的产品生产周期为：
Figure BDA0003229069030000111
即：
Figure BDA0003229069030000112
7、评估产能
将上述生产周期公式代入离散事件仿真软件中，即可计算得出生产线产能。
应当理解的是，以上仅为举例说明，对本申请的技术方案并不构成任何限制，本领域的技术人员在实际应用中可以基于需要进行设置，此处不做限制。
通过上述描述不难发现，本实施例的方法通过对停机的扰动因素所产生的扰动周期进行统计学分布拟合，可以获得各扰动因素的影响分布规律，相对于现有技术，对生产线的影响因素考虑更全面，因此，运用该拟合结果中的扰动周期分布，预测调整后的目标生产线的每个生产阶段的预测扰动周期分布，进而可以实现对调整后的目标生产线进行产能预测会更为准确，解决了现有的仅仅利用仿真建模的方式无法准确预测飞机生产线产能的技术问题，实现了提高装配生产线产能预测的准确率。
参照图4，基于相同的发明思路，本申请的实施例还提供一种装配生产线产能预测装置，包括：
数据获取模块，用于获取目标生产线在预设周期内的历史生产数据，其中，所述历史生产数据包括所述目标生产线每天的多个停机时间段，每个停机时间段对应至少一个扰动因素；
周期获得模块，用于根据每个停机时间段对应的扰动因素，获得每个生产阶段内每个扰动因素所产生的扰动周期；其中，所述目标生产线包括多个生产阶段；
周期拟合模块，用于对每个生产阶段内每个扰动因素所产生的扰动周期进行统计学分布拟合，获得每个生产阶段内的每个扰动因素的扰动周期分布；
周期预测模块，用于根据所述扰动周期分布，预测调整后的目标生产线的每个生产阶段的预测扰动周期分布；
产能预测模块，用于根据所述预测扰动周期分布，对调整后的目标生产线进行产能预测。
需要说明的是，本实施例中装配生产线产能预测装置中各模块是与前述实施例中的装配生产线产能预测方法中的各步骤一一对应，因此，本实施例的具体实施方式可参照前述装配生产线产能预测方法的实施方式，这里不再赘述。
应当理解的是，以上仅为举例说明，对本申请的技术方案并不构成任何限制，本领域的技术人员在实际应用中可以基于需要进行设置，此处不做限制。
通过上述描述不难发现，本实施例的装置通过对停机的扰动因素所产生的扰动周期进行统计学分布拟合，可以获得各扰动因素的影响分布规律，相对于现有技术，对生产线的影响因素考虑更全面，因此，运用该拟合结果中的扰动周期分布，预测调整后的目标生产线的每个生产阶段的预测扰动周期分布，进而可以实现对调整后的目标生产线进行产能预测会更为准确，解决了现有的仅仅利用仿真建模的方式无法准确预测飞机生产线产能的技术问题，实现了提高装配生产线产能预测的准确率。
此外，在一种实施例中，还提供一种生产设备，所述设备包括处理器，存储器以及存储在所述存储器中的计算机程序，所述计算机程序被处理器运行时实现前述实施例中方法的步骤。
此外，在一种实施例中，本申请还提供一种计算机存储介质，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器运行时实现前述实施例中方法的步骤。
在一些实施例中，计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器；也可以是包括上述存储器之一或任意组合的各种设备。计算机可以是包括智能终端和服务器在内的各种计算设备。
在一些实施例中，可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言(包括编译或解释语言，或者声明性或过程性语言)来编写，并且其可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例，可执行指令可以但不一定对应于文件系统中的文件，可以可被存储在保存其它程序或数据的文件的一部分，例如，存储在超文本标记语言(HTML，Hyper TextMarkup Language)文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件中，或者，存储在多个协同文件(例如，存储一个或多个模块、子程序或代码部分的文件)中。
作为示例，可执行指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中，包括若干指令用以使得一台多媒体终端设备(可以是手机，计算机，电视接收机，或者网络设备等)执行本申请各个实施例所述的方法
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种装配生产线产能预测方法，其特征在于，包括：
获取目标生产线在预设周期内的历史生产数据，其中，所述历史生产数据包括所述目标生产线每天的多个停机时间段，每个停机时间段对应至少一个扰动因素；
根据每个停机时间段对应的扰动因素，获得每个生产阶段内每个扰动因素所产生的扰动周期；其中，所述目标生产线包括多个生产阶段；
对每个生产阶段内每个扰动因素所产生的扰动周期进行统计学分布拟合，获得每个生产阶段内的每个扰动因素的扰动周期分布；
根据所述扰动周期分布，预测调整后的目标生产线的每个生产阶段的预测扰动周期分布；
根据所述预测扰动周期分布，对调整后的目标生产线进行产能预测。
2.如权利要求1所述的方法，其特征在于，所述根据所述扰动周期分布，预测调整后的目标生产线的每个生产阶段的预测扰动周期分布的步骤，包括：
根据如下关系式，获得调整后的目标生产线的每个生产阶段的预测扰动周期分布：
Figure FDA0003229069020000011
其中，
Figure FDA0003229069020000012
表示目标生产线调整后在某个生产阶段的某个扰动因素的预测扰动周期分布；
Figure FDA0003229069020000013
表示目标生产线调整前某个生产阶段内某个扰动因素的扰动周期分布；x为预设水平因子，其取值范围为0～1；P某个生产阶段当前生产节拍表示目标生产线调整前的某个生产阶段的生产周期；P某个生产阶段预设生产节拍表示目标生产线调整后的生产阶段的预测生产周期。
3.如权利要求2所述的方法，其特征在于，所述根据所述预测扰动周期分布，对调整后的目标生产线进行产能预测的步骤，包括：
根据所述预测扰动周期分布，获得调整后的目标生产线的每个生产阶段的生产周期；
将调整后的目标生产线的每个生产阶段的生产周期代入离散事件仿真模型，获得调整后的目标生产线的预测产能。
4.如权利要求3所述的方法，其特征在于，所述根据所述预测扰动周期分布，获得调整后的目标生产线的每个生产阶段的生产周期的步骤，包括：
根据如下关系式，获得调整后的目标生产线的每个生产阶段的生产周期：
Figure FDA0003229069020000021
其中，
Figure FDA0003229069020000022
表示目标生产线调整后的某个生产阶段的生产周期；y表示工作时长因子，其取值范围为0～1。
5.如权利要求1所述的方法，其特征在于，所述对每个生产阶段内每个扰动因素所产生的扰动周期进行统计学分布拟合，获得每个生产阶段内的每个扰动因素的扰动周期分布的步骤，包括：
根据每个生产阶段内每个扰动因素所产生的扰动周期，生成直方图；
对所述直方图进行概率分布拟合，获得每个生产阶段内的每个扰动因素的扰动周期分布。
6.如权利要求1所述的方法，其特征在于，在所述获取目标生产线在预设周期内的历史生产数据的步骤之前，所述方法还包括：
对所述目标生产线的生产过程进行日志记录，获得日志数据；其中，所述日志数据包括所述目标生产线的工作时间占比及受扰动因素影响停机时间占比；
所述获取目标生产线在预设周期内的历史生产数据的步骤，包括：
从所述日志数据中获取所述目标生产线在预设周期内的历史生产数据。
7.如权利要求1-6中任一项所述的方法，其特征在于，所述扰动因素，包括：产品故障、物料缺件、资源冲突、人员冲突和设计变更中的至少一种。
8.一种装配生产线产能预测装置，其特征在于，包括：
数据获取模块，用于获取目标生产线在预设周期内的历史生产数据，其中，所述历史生产数据包括所述目标生产线每天的多个停机时间段，每个停机时间段对应至少一个扰动因素；
周期获得模块，用于根据每个停机时间段对应的扰动因素，获得每个生产阶段内每个扰动因素所产生的扰动周期；其中，所述目标生产线包括多个生产阶段；
周期拟合模块，用于对每个生产阶段内每个扰动因素所产生的扰动周期进行统计学分布拟合，获得每个生产阶段内的每个扰动因素的扰动周期分布；
周期预测模块，用于根据所述扰动周期分布，预测调整后的目标生产线的每个生产阶段的预测扰动周期分布；
产能预测模块，用于根据所述预测扰动周期分布，对调整后的目标生产线进行产能预测。
9.一种生产设备，其特征在于，该生产设备包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序，实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，处理器执行所述计算机程序，实现如权利要求1-7中任一项所述的方法。
CN202110985885.5A 2021-08-25 2021-08-25 一种装配生产线产能预测方法、装置、设备及存储介质 Active CN113705884B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110985885.5A CN113705884B (zh) 2021-08-25 2021-08-25 一种装配生产线产能预测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110985885.5A CN113705884B (zh) 2021-08-25 2021-08-25 一种装配生产线产能预测方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113705884A true CN113705884A (zh) 2021-11-26
CN113705884B CN113705884B (zh) 2022-07-15

Family

ID=78654952

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110985885.5A Active CN113705884B (zh) 2021-08-25 2021-08-25 一种装配生产线产能预测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113705884B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114493427A (zh) * 2022-01-10 2022-05-13 成都飞机工业（集团）有限责任公司 一种飞机全状态物料缺件清理系统和方法
CN116610083A (zh) * 2023-07-18 2023-08-18 成都飞机工业（集团）有限责任公司 一种面向大型复杂产品生产装配的动态调度方法
CN118134106A (zh) * 2024-04-30 2024-06-04 中国电子科技集团公司第三十八研究所 基于数据驱动的自动化产线产能预测方法和装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6618642B2 (en) * 1999-12-18 2003-09-09 Samsung Electronics Co., Ltd. Method, program storage device, and apparatus for optimizing and analyzing efficiency of equipment
US7200518B1 (en) * 1998-11-12 2007-04-03 Jan Bryan Smith Method for assessing plant capacity
CN107862415A (zh) * 2017-11-30 2018-03-30 成都飞机工业（集团）有限责任公司 一种产量预测方法
CN111898998A (zh) * 2020-08-21 2020-11-06 北京机械设备研究所 基于缓冲区容量和工序节拍的生产线优化方法及装置
CN111898867A (zh) * 2020-07-05 2020-11-06 西北工业大学 一种基于深度神经网络的飞机总装生产线产能预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7200518B1 (en) * 1998-11-12 2007-04-03 Jan Bryan Smith Method for assessing plant capacity
US6618642B2 (en) * 1999-12-18 2003-09-09 Samsung Electronics Co., Ltd. Method, program storage device, and apparatus for optimizing and analyzing efficiency of equipment
CN107862415A (zh) * 2017-11-30 2018-03-30 成都飞机工业（集团）有限责任公司 一种产量预测方法
CN111898867A (zh) * 2020-07-05 2020-11-06 西北工业大学 一种基于深度神经网络的飞机总装生产线产能预测方法
CN111898998A (zh) * 2020-08-21 2020-11-06 北京机械设备研究所 基于缓冲区容量和工序节拍的生产线优化方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
秦亚茹 等: "基于马尔科夫链模型的脉动装配线运行状态预测", 《航空制造技术》, 31 May 2017 (2017-05-31), pages 92 - 95 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114493427A (zh) * 2022-01-10 2022-05-13 成都飞机工业（集团）有限责任公司 一种飞机全状态物料缺件清理系统和方法
CN114493427B (zh) * 2022-01-10 2024-05-17 成都飞机工业（集团）有限责任公司 一种飞机全状态物料缺件清理系统和方法
CN116610083A (zh) * 2023-07-18 2023-08-18 成都飞机工业（集团）有限责任公司 一种面向大型复杂产品生产装配的动态调度方法
CN116610083B (zh) * 2023-07-18 2023-11-10 成都飞机工业（集团）有限责任公司 一种面向大型复杂产品生产装配的动态调度方法
CN118134106A (zh) * 2024-04-30 2024-06-04 中国电子科技集团公司第三十八研究所 基于数据驱动的自动化产线产能预测方法和装置

Also Published As

Publication number Publication date
CN113705884B (zh) 2022-07-15

Similar Documents

Publication Publication Date Title
CN113705884B (zh) 一种装配生产线产能预测方法、装置、设备及存储介质
US8290802B2 (en) System and method for product deployment and in-service product risk simulation
US9020857B2 (en) Integrated risk management process
JP2003345956A (ja) プロジェクトリスク管理システム、およびプロジェクトリスク管理装置
Huang et al. Optimal resource allocation for cost and reliability of modular software systems in the testing phase
Zapater et al. Runtime data center temperature prediction using Grammatical Evolution techniques
CN110942086A (zh) 数据预测优化方法、装置、设备及可读存储介质
CN113554290B (zh) 一种考虑机群复杂任务的高可信度保障性仿真方法
CN112256550A (zh) 存储容量预测模型生成方法、存储容量预测方法
CN110895495A (zh) 人因失误分析方法、系统、计算机设备及存储介质
CN114065634A (zh) 一种数据驱动的电能质量监测布点优化方法及装置
CN115222376A (zh) 一种飞机工装变更方法、装置、设备及存储介质
CN110750299A (zh) 智能软件质量跟踪系统、方法及存储介质
US8812341B2 (en) Method and system for optimizing process models
Alfieri et al. Mathematical programming time-based decomposition algorithm for discrete event simulation
Azaron et al. Due date assignment in repetitive projects
WO2013061324A2 (en) A method for estimating the total cost of ownership (tcp) for a requirement
CN113988607B (zh) 零件装配超差的分析方法、装置、设备以及存储介质
CN111191999A (zh) 产品研发管理方法、装置、计算机设备及存储介质
CN116049765A (zh) 数据分析处理方法、装置及设备
CN114997813A (zh) 流程图生成方法、装置、设备及存储介质
CN114971736A (zh) 电力计量物资需求预测方法、装置、电子设备和存储介质
Kondrashov et al. The architecture and functionality of the software to identify the actual voltage static load characteristics of large consumers
CN114385705A (zh) 数据重要性识别方法、装置、设备及介质
Avṣar et al. Approximate queueing models for capacitated multi-stage inventory systems under base-stock control

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