CN113762620A - 用于预测产品加工时间的方法及装置、电子设备、存储介质 - Google Patents
用于预测产品加工时间的方法及装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN113762620A CN113762620A CN202111049482.6A CN202111049482A CN113762620A CN 113762620 A CN113762620 A CN 113762620A CN 202111049482 A CN202111049482 A CN 202111049482A CN 113762620 A CN113762620 A CN 113762620A
- Authority
- CN
- China
- Prior art keywords
- processing time
- product
- sample
- processing
- time
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 402
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 39
- 238000004519 manufacturing process Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 239000002994 raw material Substances 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 238000003754 machining Methods 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 101150084750 1 gene Proteins 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000011144 upstream manufacturing 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
- 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
-
- 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
- G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
-
- 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)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及深度学习技术领域,公开一种用于预测产品加工时间的方法,包括:获取若干个用户输入的待加工产品的加工时间;加工时间用于表征在所有加工设备不发生故障的情况下,单个产品在各加工设备上的实际加工时长;获取各待加工产品的加工顺序、各待加工产品的产品属性和各加工设备的设备属性;将各加工时间、产品属性和设备属性输入到预设的时间预测模型进行计算,获得第一目标加工时间;样本目标加工时间用于表征存在加工设备发生故障的情况下所有样本产品完成加工的总时长;根据第一目标加工时间获取产品加工时间。这样能够提高预测产品加工时间的准确程度。本申请还公开一种用于预测产品加工时间的装置及电子设备、存储介质。
Description
技术领域
本申请涉及深度学习技术领域,例如涉及一种用于预测产品加工时间的方法及装置、电子设备、存储介质。
背景技术
制造企业主要是通过车间生产大量的产品后售出获得利润,就典型的流水线生产车间为例,该车间拥有不同的生产线,生产线由一定数量的设备串联而成,所有产品都需要依次经过流水线的各台设备以完成所有工序加工。而在日益复杂的供应链上下游关系网络中,企业如何科学高效安排车间生产计划以更快交付,是提升自身核心竞争力的关键。要实现科学高效安排车间生产计划,需要对产品加工时间进行预测。
在实现本公开实施例的过程中,发现相关技术中至少存在如下问题:
现有技术中由于没有考虑在生产过程加工设备存在随机故障的情况,难以对产品加工时间进行准确的预测,不便于用户制定排产计划。
发明内容
为了对披露的实施例的一些方面有基本的理解,下面给出了简单的概括。所述概括不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围,而是作为后面的详细说明的序言。
本公开实施例提供了一种用于预测产品加工时间的方法及装置、电子设备、存储介质,以能够提高预测产品加工时间的准确程度。
在一些实施例中,所述用于预测产品加工时间的方法,包括:获取若干个用户输入的待加工产品的加工时间;所述加工时间用于表征在所有加工设备不发生故障的情况下,单个产品在各所述加工设备上的实际加工时长;获取各所述待加工产品的加工顺序、各所述待加工产品的产品属性和各所述加工设备的设备属性;所述产品属性包括产品类别、产品原料或产品功能中的一种或多种;所述设备属性包括生产厂家、生产日期或设备运行时间中的一种或多种;将各所述加工时间、所述产品属性和所述设备属性输入到预设的时间预测模型进行计算,获得第一目标加工时间;所述时间预测模型根据样本目标加工时间、样本产品属性、样本设备属性、若干个样本产品加工顺序和各样本产品加工顺序对应的样本加工时间训练获得;所述样本目标加工时间用于表征存在加工设备发生故障的情况下所有样本产品完成加工的总时长;所述样本加工时间用于表征在所有加工设备不发生故障的情况下,单个样本产品的理论加工时长;根据所述第一目标加工时间获取产品加工时间。
在一些实施例中,所述用于预测产品加工时间的装置,包括:第一获取模块,被配置为获取若干个用户输入的待加工产品的加工时间;所述加工时间用于表征在所有加工设备不发生故障的情况下,单个产品在各所述加工设备上的实际加工时长;第二获取模块,被配置为获取各所述待加工产品的加工顺序、各所述待加工产品的产品属性和各所述加工设备的设备属性;所述产品属性包括产品类别、产品原料或产品功能中的一种或多种;所述设备属性包括生产厂家、生产日期或设备运行时间中的一种或多种;预测模块,被配置为将各所述加工时间、所述产品属性和所述设备属性输入到预设的时间预测模型进行计算,获得第一目标加工时间;所述时间预测模型根据样本目标加工时间、样本产品属性、样本设备属性、若干个样本产品加工顺序和各样本产品加工顺序对应的样本加工时间训练获得;所述样本目标加工时间用于表征存在加工设备发生故障的情况下所有样本产品完成加工的总时长;所述样本加工时间用于表征在所有加工设备不发生故障的情况下,单个样本产品的理论加工时长;第三获取模块,被配置为根据所述第一目标加工时间获取产品加工时间。
在一些实施例中,所述电子设备包括处理器和存储有程序指令的存储器,所述处理器被配置为在运行所述程序指令时,执行如上述的用于预测产品加工时间的方法。
在一些实施例中,所述存储介质存储有程序指令,所述程序指令在运行时,执行上述的用于预测产品加工时间的方法。
本公开实施例提供的用于预测产品加工时间的方法及装置、电子设备、存储介质,可以实现以下技术效果:通过获取若干个用户输入的待加工产品的加工时间;加工时间用于表征在所有加工设备不发生故障的情况下,单个产品在各加工设备上的实际加工时长;获取各待加工产品的加工顺序、各待加工产品的产品属性和各加工设备的设备属性;将各加工时间、产品属性和设备属性输入到预设的时间预测模型进行计算,获得第一目标加工时间;样本目标加工时间用于表征存在加工设备发生故障的情况下所有样本产品完成加工的总时长;根据第一目标加工时间获取产品加工时间。这样,由于考虑了生产过程中设备可能发生意外故障,通过预设的时间预测模型对产品加工时间进行预测,能够提高预测产品加工时间的准确程度,从而便于用户制定产品的排产计划。
以上的总体描述和下文中的描述仅是示例性和解释性的,不用于限制本申请。
附图说明
一个或多个实施例通过与之对应的附图进行示例性说明,这些示例性说明和附图并不构成对实施例的限定,附图中具有相同参考数字标号的元件示为类似的元件,附图不构成比例限制,并且其中:
图1是本公开实施例提供的一个用于预测产品加工时间的方法的示意图;
图2是本公开实施例提供的一个用于获取时间预测模型的方法的示意图;
图3是本公开实施例提供的另一个用于获取时间预测模型的方法的示意图;
图4是本公开实施例提供的另一个用于预测产品加工时间的方法的示意图;
图5是本公开实施例提供的一个用于预测产品加工时间的装置的示意图;
图6是本公开实施例提供的另一个用于预测产品加工时间的电子设备的示意图。
具体实施方式
为了能够更加详尽地了解本公开实施例的特点与技术内容,下面结合附图对本公开实施例的实现进行详细阐述,所附附图仅供参考说明之用,并非用来限定本公开实施例。在以下的技术描述中,为方便解释起见,通过多个细节以提供对所披露实施例的充分理解。然而,在没有这些细节的情况下,一个或多个实施例仍然可以实施。在其它情况下,为简化附图,熟知的结构和装置可以简化展示。
本公开实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开实施例的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含。
除非另有说明,术语“多个”表示两个或两个以上。
本公开实施例中,字符“/”表示前后对象是一种“或”的关系。例如,A/B表示:A或B。
术语“和/或”是一种描述对象的关联关系,表示可以存在三种关系。例如,A和/或B,表示:A或B,或,A和B这三种关系。
术语“对应”可以指的是一种关联关系或绑定关系,A与B相对应指的是A与B之间是一种关联关系或绑定关系。
结合图1所示,本公开实施例提供一种用于预测产品加工时间的方法,包括:
步骤S101,获取若干个用户输入的待加工产品的加工时间;加工时间用于表征在所有加工设备不发生故障的情况下,单个产品在各加工设备上的实际加工时长。
步骤S102,获取各待加工产品的加工顺序、各待加工产品的产品属性和各加工设备的设备属性;产品属性包括产品类别、产品原料或产品功能中的一种或多种;设备属性包括生产厂家、生产日期或设备运行时间中的一种或多种。
步骤S103,将各加工时间、产品属性和设备属性输入到预设的时间预测模型进行计算,获得第一目标加工时间;时间预测模型根据样本目标加工时间、样本产品属性、样本设备属性、若干个样本产品加工顺序和各样本产品加工顺序对应的样本加工时间训练获得;样本目标加工时间用于表征存在加工设备发生故障的情况下所有样本产品完成加工的总时长;样本加工时间用于表征在所有加工设备不发生故障的情况下,单个样本产品的理论加工时长。
步骤S104,根据第一目标加工时间获取产品加工时间。
采用本公开实施例提供的用于预测产品加工时间的方法,通过获取若干个用户输入的待加工产品的加工时间;加工时间用于表征在所有加工设备不发生故障的情况下,单个产品在各加工设备上的实际加工时长;获取各待加工产品的加工顺序、各待加工产品的产品属性和各加工设备的设备属性;将各加工时间、产品属性和设备属性输入到预设的时间预测模型进行计算,获得第一目标加工时间;样本目标加工时间用于表征存在加工设备发生故障的情况下所有样本产品完成加工的总时长;根据所述第一目标加工时间获取产品加工时间。这样,由于考虑了生产过程中设备可能发生意外故障,通过预设的时间预测模型对产品加工时间进行预测,能够获得更准确的产品加工时间,从而便于用户制定产品的排产计划。
可选地,加工时间包括加工开始时间和加工完成时间。
可选地,根据样本目标加工时间、样本产品属性、样本设备属性、若干个样本产品加工顺序和各样本产品加工顺序对应的样本加工时间获得时间预测模型,包括:将样本目标加工时间确定为训练样本标签,将样本产品属性、样本设备属性和样本产品加工顺序对应的样本加工时间确定为训练样本;将带有训练样本标签的训练样本输入到预设的卷积神经网络模型进行训练,获得时间预测模型。
结合图2所示,本公开始实施例提供一种用于获取时间预测模型的方法,包括:
S201,获取样本目标加工时间、样本产品属性、样本设备属性和样本产品加工顺序对应的样本加工时间;样本产品属性包括样本产品类别、样本产品原料或样本产品功能中的一种或多种;样本设备属性包括样本设备生产厂家、样本设备生产日期或样本设备运行时间中的一种或多种;样本目标加工时间用于表征存在加工设备发生故障的情况下所有样本产品完成加工的总时长;样本产品加工顺序对应的样本加工时间用于表征在所有加工设备不发生故障的情况下,单个样本产品在各加工设备上的理论加工时长;
S202,将样本目标加工时间确定为训练样本标签,将样本产品属性、样本设备属性和样本产品加工顺序对应的样本加工时间确定为训练样本;
S203,将带有训练样本标签的训练样本输入到预设的卷积神经网络模型进行训练,获得时间预测模型。
采用本公开实施例提供的用于获取时间预测模型的方法,通过获取训练样本对卷积神经网络模型进行训练,以获得能够对产品加工时间进行预测的时间预测模型,从而便于用户对产品加工时间进行预测。
可选地,样本目标加工时间通过以下方式获得,包括:获取预设时间段内各加工设备的历史故障发生时间;根据历史故障发生时间确定样本目标加工时间。
在一些实施例中,加工设备的在生产过程中随机发生的故障满足正态分布。
在一些实施例中,将历史故障发生时间、发生故障时产品加工开始时间和发生故障时产品加工完成时间确定为实验样本,获取若干个实验样本进行蒙特卡洛模拟实验,获得若干个备选加工时间;通过对备选加工时间求平均数获得样本目标加工时间。
结合图3所示,本公开始实施例提供一种用于获取时间预测模型的方法,包括:
S301,获取预设时间段内各加工设备的历史故障发生时间;
S302,根据历史故障发生时间确定样本目标加工时间;并获取样本产品属性、样本设备属性和样本产品加工顺序对应的样本加工时间;
S303,将样本目标加工时间确定为训练样本标签,将样本产品属性、样本设备属性和样本产品加工顺序对应的样本加工时间确定为训练样本;
S304,将带有训练样本标签的训练样本输入到预设的卷积神经网络模型进行训练,获得时间预测模型。
采用本公开实施例提供的用于获取时间预测模型的方法,通过深度学习技术利用获取训练样本对卷积神经网络模型进行训练,由于获取了存在加工设备发生故障情况下的样本目标加工时间,根据样本产品加工顺序对应的样本目标加工时间对卷积神经网络进行训练,以获得能够对产品加工时间进行预测的时间预测模型,便于用户对产品加工时间进行预测;在深度学习基础上,能够考虑存在设备故障的情况,便于用户制定产品的排产计划。
可选地,根据加工工序获取样本产品在各加工设备上的样本加工时间。
可选地,加工工序通过以下方式获得,包括:根据启发式规则生成加工工序。
在一些实施例中,加工工序为:产品在所有加工设备上总加工时长越大,产品的加工优先级越高。
可选地,样本产品加工顺序对应的样本加工时间包括样本产品开始时间和样本产品结束时间。
可选地,按照预设的实际生产约束对样本产品加工顺序对应的样本加工时间进行调整,获得加工时间。
在一些实施例中,生产车间的产业链包括第一加工设备、第二加工设备和第三加工设备,按照从第一加工设备、第二加工设备到第三加工设备的顺序对待加工产品进行加工的情况下;实际生产约束包括:第二加工设备的加工开始时间不得早于第一加工设备的加工完成时间;第三加工设备的加工开始时间不得早于第二加工设备的加工完成时间。
可选地,根据第一目标加工时间获取产品加工时间,包括:对第一目标加工时间进行迭代寻优,获得第二目标加工时间;将第二目标加工时间确定为产品加工时间。
可选地,对第一目标加工时间进行迭代寻优,获得第二目标加工时间,包括:获取优化权重系数,根据优化权重系数对第一目标加工时间进行迭代计算,获得第二目标加工时间。
结合图4所示,本公开实施例提供一种用于预测产品加工时间的方法,包括:
S401,获取若干个用户输入的待加工产品的加工时间;
S402,获取各待加工产品的加工顺序、各待加工产品的产品属性和各加工设备的设备属性;
S403,将各加工时间、产品属性和设备属性输入到预设的时间预测模型进行计算,获得第一目标加工时间;
S404,对第一目标加工时间进行迭代寻优,获得第二目标加工时间;将第二目标加工时间确定为产品加工时间。
采用本公开实施例提供的用于获取时间预测模型的方法,通过时间预测模型对产品加工时间进行预测,获得第一目标加工时间,并对第一目标加工时间进行迭代寻优,提高了预测的产品加工时间的准确程度,便于用户根据产品加工时间制定产品的排产计划。
可选地,对第一目标加工时间进行迭代寻优,包括:根据预设算法利用第一目标加工时间进行迭代计算,并统计第一目标加工时间的迭代次数;在迭代次数达到预设次数的情况下停止迭代。可选地,预设算法为遗传算法。在一些实施例中,预设次数为1000次。
在一些实施例中,待加工产品包括产品1、产品2、产品3、产品4和产品5,对待加工产品的加工顺序进行自然数编码,获得待加工产品对应的编码向量,例如:σ={3,1,2,4,5};σ={3,1,2,4,5}表示待加工产品的加工顺序为:产品3>产品1>产品2>产品4>产品5。随机生成该种群对应的备选交叉算子,例如:{1,0,1,0,0};获取该种群对应的第一历史交叉算子{1,0,1,0,0}和第二历史交叉算子{0,1,1,0,0};利用顺序交叉法将备选交叉算子中1基因位的位置上的数值替换为第一历史交叉算子中对应位置的数值;并将备选交叉算子中0基因位的位置上的数值替换为第二历史交叉算子中对应位置的数值;获得该种群的交叉算子,例如:{1,1,1,0,0}。并通过逆转变异法随机选择该种群的交叉算子中两个基因位;并交换两个基因位的位置,获得第n次迭代后的待加工产品的加工顺序。可选地,n为迭代次数。将第n次迭代后的待加工产品的加工顺序对应的加工时间、产品属性、设备属性输入到时间预测模型中,获取第n次迭代后的第一目标加工时间。
可选地,在迭代次数n达到1000次的情况下,将第1000次后的第一目标加工时间确定为第二目标加工时间。
这样,通过遗传算法中的顺序交叉法和逆转变异法获取待加工产品不同的加工顺序,并根据时间预测模型计算每一次迭代后的第一目标加工时间,通过遗传算法对第一目标加工时间进行迭代优化,在迭代次数达到预设次数的情况下,能够获得更准确的产品加工时间,从而能够便于用户根据产品加工时间制定排产计划。
结合图5所示,本公开实施例提供一种用于预测产品加工时间的装置,包括:第一获取模块501、第二获取模块502、预测模块503和第三获取模块504;第一获取模块501被配置为获取若干个用户输入的待加工产品的加工时间,并将加工时间发送给预测模块;加工时间用于表征在所有加工设备不发生故障的情况下,单个产品在各加工设备上的实际加工时长;第二获取模块502被配置为获取各待加工产品的加工顺序、各待加工产品的产品属性和各加工设备的设备属性;产品属性包括产品类别、产品原料或产品功能中的一种或多种;设备属性包括生产厂家、生产日期或设备运行时间中的一种或多种;预测模块503被配置为接收第一获取模块发送的加工时间,接收第二获取模块发送的产品属性和设备属性,将各加工时间、产品属性和设备属性输入到预设的时间预测模型进行计算,获得第一目标加工时间,并将第一目标加工时间发送给第三获取模块;时间预测模型根据样本目标加工时间、样本产品属性、样本设备属性、若干个样本产品加工顺序和各样本产品加工顺序对应的样本加工时间训练获得;样本目标加工时间用于表征存在加工设备发生故障的情况下所有样本产品完成加工的总时长;样本加工时间用于表征在所有加工设备不发生故障的情况下,单个样本产品的理论加工时长;第三获取模块504被配置为接收预测模块发送的第一目标加工时间,并根据第一目标加工时间获取产品加工时间。
采用本公开实施例提供的用于预测产品加工时间的装置,通过第一获取模块获取若干个用户输入的待加工产品的加工时间;第二获取模块获取各待加工产品的加工顺序、各待加工产品的产品属性和各加工设备的设备属性;预测模块将各加工时间、产品属性和设备属性输入到预设的时间预测模型进行计算,获得第一目标加工时间;第三获取模块根据第一目标加工时间获取产品加工时间。由于考虑了生产过程中设备可能发生意外故障,通过预设的时间预测模型对产品加工时间进行预测,能够提高预测产品加工时间的准确程度,从而便于用户制定产品的排产计划。
可选地,根据样本目标加工时间、样本产品属性、样本设备属性、若干个样本产品加工顺序和各样本产品加工顺序对应的样本加工时间获得时间预测模型,包括:将样本目标加工时间确定为训练样本标签,将样本产品属性、样本设备属性和各样本产品加工顺序对应的样本加工时间确定为训练样本;将带有训练样本标签的训练样本输入到预设的卷积神经网络模型进行训练,获得时间预测模型。
可选地,第三获取模块被配置为通过以下方式根据第一目标加工时间获取产品加工时间,包括:对第一目标加工时间进行迭代寻优,获得第二目标加工时间;将第二目标加工时间确定为产品加工时间。
可选地,对第一目标加工时间进行迭代寻优,包括:根据预设算法利用第一目标加工时间进行迭代计算,并统计第一目标加工时间的迭代次数;在迭代次数达到预设次数的情况下停止迭代。
这样,通过获取训练样本来对卷积神经网络模型进行训练,获得时间预测模型,能够提高预测产品加工时间的准确程度,同时,通过时间预测模型来预测产品加工时间,能够更快速的预测出产品加工时间,从而节约时间成本。
结合图6所示,本公开实施例提供一种用于预测产品加工时间的电子设备,包括处理器(processor)600和存储器(memory)601。可选地,该电子设备还可以包括通信接口(Communication Interface)602和总线603。其中,处理器600、通信接口602、存储器601可以通过总线603完成相互间的通信。通信接口602可以用于信息传输。处理器600可以调用存储器601中的逻辑指令,以执行上述实施例的用于预测产品加工时间的方法。
采用本公开实施例提供的用于预测产品加工时间的电子设备,通过获取若干个用户输入的待加工产品的加工时间;加工时间用于表征在所有加工设备不发生故障的情况下,单个产品在各加工设备上的实际加工时长;获取各待加工产品的加工顺序、各待加工产品的产品属性和各加工设备的设备属性;将各加工时间、产品属性和设备属性输入到预设的时间预测模型进行计算,获得第一目标加工时间;样本目标加工时间用于表征存在加工设备发生故障的情况下所有样本产品完成加工的总时长;根据第一目标加工时间获取产品加工时间。这样,由于考虑了生产过程中设备可能发生意外故障,通过预设的时间预测模型对产品加工时间进行预测,能够提高预测产品加工时间的准确程度,从而便于用户制定产品的排产计划。
此外,上述的存储器601中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。
存储器601作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序,如本公开实施例中的方法对应的程序指令/模块。处理器600通过运行存储在存储器601中的程序指令/模块,从而执行功能应用以及数据处理,即实现上述实施例中用于预测产品加工时间的方法。
存储器601可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端设备的使用所创建的数据等。此外,存储器601可以包括高速随机存取存储器,还可以包括非易失性存储器。
可选地,电子设备包括服务器、计算机和平板电脑等。
本公开实施例提供了一种存储介质,存储有程序指令,程序指令在运行时,执行上述用于预测产品加工时间的方法。
本公开实施例提供了一种计算机程序产品,所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行上述用于预测产品加工时间的方法。
上述的计算机可读存储介质可以是暂态计算机可读存储介质,也可以是非暂态计算机可读存储介质。
本公开实施例的技术方案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中,包括一个或多个指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本公开实施例所述方法的全部或部分步骤。而前述的存储介质可以是非暂态存储介质,包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等多种可以存储程序代码的介质,也可以是暂态存储介质。
以上描述和附图充分地示出了本公开的实施例,以使本领域的技术人员能够实践它们。其他实施例可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求,否则单独的部件和功能是可选的,并且操作的顺序可以变化。一些实施例的部分和特征可以被包括在或替换其他实施例的部分和特征。而且,本申请中使用的用词仅用于描述实施例并且不用于限制权利要求。如在实施例以及权利要求的描述中使用的,除非上下文清楚地表明,否则单数形式的“一个”(a)、“一个”(an)和“所述”(the)旨在同样包括复数形式。类似地,如在本申请中所使用的术语“和/或”是指包含一个或一个以上相关联的列出的任何以及所有可能的组合。另外,当用于本申请中时,术语“包括”(comprise)及其变型“包括”(comprises)和/或包括(comprising)等指陈述的特征、整体、步骤、操作、元素,和/或组件的存在,但不排除一个或一个以上其它特征、整体、步骤、操作、元素、组件和/或这些的分组的存在或添加。在没有更多限制的情况下,由语句“包括一个…”限定的要素,并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。本文中,每个实施例重点说明的可以是与其他实施例的不同之处,各个实施例之间相同相似部分可以互相参见。对于实施例公开的方法、产品等而言,如果其与实施例公开的方法部分相对应,那么相关之处可以参见方法部分的描述。
本领域技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,可以取决于技术方案的特定应用和设计约束条件。所述技术人员可以对每个特定的应用来使用不同方法以实现所描述的功能,但是这种实现不应认为超出本公开实施例的范围。所述技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本文所披露的实施例中,所揭露的方法、产品(包括但不限于装置、设备等),可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,可以仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例。另外,在本公开实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
附图中的流程图和框图显示了根据本公开实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这可以依所涉及的功能而定。在附图中的流程图和框图所对应的描述中,不同的方框所对应的操作或步骤也可以以不同于描述中所披露的顺序发生,有时不同的操作或步骤之间不存在特定的顺序。例如,两个连续的操作或步骤实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这可以依所涉及的功能而定。框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
Claims (10)
1.一种用于预测产品加工时间的方法,其特征在于,包括:
获取若干个用户输入的待加工产品的加工时间;所述加工时间用于表征在所有加工设备不发生故障的情况下,单个产品在各所述加工设备上的实际加工时长;
获取各所述待加工产品的加工顺序、各所述待加工产品的产品属性和各所述加工设备的设备属性;所述产品属性包括产品类别、产品原料或产品功能中的一种或多种;所述设备属性包括生产厂家、生产日期或设备运行时间中的一种或多种;
将各所述加工时间、所述产品属性和所述设备属性输入到预设的时间预测模型进行计算,获得第一目标加工时间;所述时间预测模型根据样本目标加工时间、样本产品属性、样本设备属性、若干个样本产品加工顺序和各样本产品加工顺序对应的样本加工时间训练获得;所述样本目标加工时间用于表征存在加工设备发生故障的情况下所有样本产品完成加工的总时长;所述样本加工时间用于表征在所有加工设备不发生故障的情况下,单个样本产品的理论加工时长;
根据所述第一目标加工时间获取产品加工时间。
2.根据权利要求1所述的方法,其特征在于,根据样本目标加工时间、样本产品属性、样本设备属性、若干个样本产品加工顺序和各样本产品加工顺序对应的样本加工时间获得所述时间预测模型,包括:
将所述样本目标加工时间确定为训练样本标签,将所述样本产品属性、所述样本设备属性和所述样本产品加工顺序对应的样本加工时间确定为训练样本;
将带有训练样本标签的训练样本输入到预设的卷积神经网络模型进行训练,获得时间预测模型。
3.根据权利要求1所述的方法,其特征在于,根据所述第一目标加工时间获取产品加工时间,包括:
对所述第一目标加工时间进行迭代寻优,获得第二目标加工时间;
将所述第二目标加工时间确定为产品加工时间。
4.根据权利要求3所述的方法,其特征在于,对所述第一目标加工时间进行迭代寻优,包括:
根据预设算法利用所述第一目标加工时间进行迭代计算,并统计所述第一目标加工时间的迭代次数;
在所述迭代次数达到预设次数的情况下停止迭代。
5.一种用于预测产品加工时间的装置,其特征在于,包括:
第一获取模块,被配置为获取若干个用户输入的待加工产品的加工时间;所述加工时间用于表征在所有加工设备不发生故障的情况下,单个产品在各所述加工设备上的实际加工时长;
第二获取模块,被配置为获取各所述待加工产品的加工顺序、各所述待加工产品的产品属性和各所述加工设备的设备属性;所述产品属性包括产品类别、产品原料或产品功能中的一种或多种;所述设备属性包括生产厂家、生产日期或设备运行时间中的一种或多种;
预测模块,被配置为将各所述加工时间、所述产品属性和所述设备属性输入到预设的时间预测模型进行计算,获得第一目标加工时间;所述时间预测模型根据样本目标加工时间、样本产品属性、样本设备属性、若干个样本产品加工顺序和各样本产品加工顺序对应的样本加工时间训练获得;所述样本目标加工时间用于表征存在加工设备发生故障的情况下所有样本产品完成加工的总时长;所述样本加工时间用于表征在所有加工设备不发生故障的情况下,单个样本产品的理论加工时长;
第三获取模块,被配置为根据所述第一目标加工时间获取产品加工时间。
6.根据权利要求5所述的装置,其特征在于,根据样本目标加工时间、样本产品属性、样本设备属性、若干个样本产品加工顺序和各样本产品加工顺序对应的样本加工时间获得所述时间预测模型,包括:
将所述样本目标加工时间确定为训练样本标签,将所述样本产品属性、所述样本设备属性和所述样本产品加工顺序对应的样本加工时间确定为训练样本;
将带有训练样本标签的训练样本输入到预设的卷积神经网络模型进行训练,获得时间预测模型。
7.根据权利要求5所述的装置,其特征在于,第三获取模块被配置为通过以下方式根据所述第一目标加工时间获取产品加工时间,包括:对所述第一目标加工时间进行迭代寻优,获得第二目标加工时间;将所述第二目标加工时间确定为产品加工时间。
8.根据权利要求7所述的装置,其特征在于,对所述第一目标加工时间进行迭代寻优,包括:
根据预设算法利用所述第一目标加工时间进行迭代计算,并统计所述第一目标加工时间的迭代次数;
在所述迭代次数达到预设次数的情况下停止迭代。
9.一种电子设备,包括处理器和存储有程序指令的存储器,其特征在于,所述处理器被配置为在运行所述程序指令时,执行如权利要求1至4任一项所述的用于预测产品加工时间的方法。
10.一种存储介质,存储有程序指令,其特征在于,所述程序指令在运行时,执行如权利要求1至4任一项所述的用于预测产品加工时间的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111049482.6A CN113762620A (zh) | 2021-09-08 | 2021-09-08 | 用于预测产品加工时间的方法及装置、电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111049482.6A CN113762620A (zh) | 2021-09-08 | 2021-09-08 | 用于预测产品加工时间的方法及装置、电子设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113762620A true CN113762620A (zh) | 2021-12-07 |
Family
ID=78793938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111049482.6A Pending CN113762620A (zh) | 2021-09-08 | 2021-09-08 | 用于预测产品加工时间的方法及装置、电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113762620A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110738413A (zh) * | 2019-10-15 | 2020-01-31 | 中国航空制造技术研究院 | 航空零件加工自动化生产线的多约束排产计算方法及装置 |
CN112364560A (zh) * | 2020-10-19 | 2021-02-12 | 武汉理工大学 | 矿山凿岩装备作业工时智能预测方法 |
CN112766548A (zh) * | 2021-01-07 | 2021-05-07 | 南京航空航天大学 | 基于gasa-bp神经网络的订单完工时间预测方法 |
CN112884246A (zh) * | 2021-03-17 | 2021-06-01 | 成都永峰科技有限公司 | 一种飞机结构件加工工序的工时预测方法 |
CN113341883A (zh) * | 2021-08-05 | 2021-09-03 | 山东豪泉软件技术有限公司 | 一种用于机床加工工时预测的方法及设备 |
-
2021
- 2021-09-08 CN CN202111049482.6A patent/CN113762620A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110738413A (zh) * | 2019-10-15 | 2020-01-31 | 中国航空制造技术研究院 | 航空零件加工自动化生产线的多约束排产计算方法及装置 |
CN112364560A (zh) * | 2020-10-19 | 2021-02-12 | 武汉理工大学 | 矿山凿岩装备作业工时智能预测方法 |
CN112766548A (zh) * | 2021-01-07 | 2021-05-07 | 南京航空航天大学 | 基于gasa-bp神经网络的订单完工时间预测方法 |
CN112884246A (zh) * | 2021-03-17 | 2021-06-01 | 成都永峰科技有限公司 | 一种飞机结构件加工工序的工时预测方法 |
CN113341883A (zh) * | 2021-08-05 | 2021-09-03 | 山东豪泉软件技术有限公司 | 一种用于机床加工工时预测的方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11314238B2 (en) | Plant operational plan optimization discrete event simulator device and method | |
Arab et al. | Maintenance scheduling incorporating dynamics of production system and real-time information from workstations | |
Nielsen et al. | Computational framework for risk-based planning of inspections, maintenance and condition monitoring using discrete Bayesian networks | |
Mohammadi et al. | Mathematical modelling of a robust inspection process plan: Taguchi and Monte Carlo methods | |
JP7322656B2 (ja) | メンテナンススケジュール作成プログラム、メンテナンススケジュール作成方法、及びメンテナンススケジュール作成装置 | |
Brown | A capacity constrained mathematical programming model for cellular manufacturing with exceptional elements | |
Mendes et al. | Analysis and optimization of periodic inspection intervals in cold standby systems using Monte Carlo simulation | |
Wang et al. | Meta-heuristics for unrelated parallel machines scheduling with random rework to minimize expected total weighted tardiness | |
Huang et al. | An improved genetic algorithm for job-shop scheduling problem with process sequence flexibility | |
Scholz-Reiter et al. | Modelling dynamic bottlenecks in production networks | |
Xuan et al. | An Improved Discrete Artificial Bee Colony Algorithm for Flexible Flowshop Scheduling with Step Deteriorating Jobs and Sequence‐Dependent Setup Times | |
Bożek et al. | Flexible job shop with continuous material flow | |
CN115053248A (zh) | 信息处理装置、工作计划决定方法以及工作计划决定程序 | |
Lai et al. | A Truncated Sum of Processing‐Times–Based Learning Model for a Two‐Machine Flowshop Scheduling Problem | |
CN113762620A (zh) | 用于预测产品加工时间的方法及装置、电子设备、存储介质 | |
Vaghefinezhad et al. | A genetic algorithm approach for solving a flexible job shop scheduling problem | |
CN113343677A (zh) | 一种意图识别方法、装置、电子设备及存储介质 | |
CN110244659A (zh) | 控制装置、数据制作装置、控制方法以及控制程序 | |
Jiang et al. | Assembly system configuration design for reconfigurability under uncertain production evolution | |
CN109964225A (zh) | 用于提供卓越引擎设计的装置、系统和方法 | |
CN115169426A (zh) | 一种基于相似性学习融合模型的异常检测方法及系统 | |
CN112650523B (zh) | 用于灰度发布的数据分流方法及装置、设备 | |
CN113988915A (zh) | 用于定位产品客群的方法及装置、电子设备、存储介质 | |
Lazár et al. | Verification of sequential patterns in production using information entropy | |
Maler | On under-determined dynamical systems |
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 |