CN114492910B - 一种多型号小批量生产线资源负荷预测方法 - Google Patents
一种多型号小批量生产线资源负荷预测方法 Download PDFInfo
- Publication number
- CN114492910B CN114492910B CN202111294581.0A CN202111294581A CN114492910B CN 114492910 B CN114492910 B CN 114492910B CN 202111294581 A CN202111294581 A CN 202111294581A CN 114492910 B CN114492910 B CN 114492910B
- Authority
- CN
- China
- Prior art keywords
- resource load
- equipment
- load prediction
- duration
- simulation
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 134
- 238000010923 batch production Methods 0.000 title claims abstract description 10
- 238000004519 manufacturing process Methods 0.000 claims abstract description 39
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 27
- 238000004088 simulation Methods 0.000 claims abstract description 27
- 238000009826 distribution Methods 0.000 claims description 38
- 238000002360 preparation method Methods 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 18
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 238000011160 research Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000012797 qualification Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000009472 formulation Methods 0.000 abstract 1
- 239000000203 mixture Substances 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种多型号小批量生产线资源负荷预测方法,包括建立资源负荷预测函数模型、仿真数据的准备、使用Crystal Ball软件进行蒙特卡洛仿真三个过程,通过使用蒙特卡洛仿真方法对提出的资源负荷预测函数模型进行仿真运算,得到设备资源的具体负荷结果,对已有的生产方案进行资源负荷预测校核;本发明方法对生产资源负荷进行预测,能够有效支持动态调度计划的制定,准确的负荷预测结果有助于提高调度方案的鲁棒性,降低生产成本。
Description
技术领域
本发明属于生产线资源优化的技术领域,具体涉及一种多型号小批量生产线资源负荷预测方法。
背景技术
在产品的多型号混合生产过程中,各工艺环节对生产资源的需求往往存在冲突,且生产过程中资源负荷主要受生产线各环节的产品质量与人为因素的影响,资源负荷与影响因素之间通常呈非线性关系。实现资源负荷预测通常需要基于大量历史数据构建有效的预测模型;然而,产品生产过程中,各环节产品质量与人为因素均存在极大的随机性和不确定性;同时,由于缺乏较为统一的数据管理平台,关于各环节产品质量和生产资源需求的数据通常不完备,从而造成生产资源负荷难以预测和评估的困境。
发明内容
有鉴于此,本发明提供了一种多型号小批量生产线资源负荷预测方法,能够对生产资源负荷进行有效准确地预测。
实现本发明的技术方案如下:
一种多型号小批量生产线资源负荷预测方法,包括建立资源负荷预测函数模型、仿真数据的准备、使用Crystal Ball软件进行蒙特卡洛仿真三个过程,通过使用蒙特卡洛仿真方法对提出的资源负荷预测函数模型进行仿真运算,得到设备资源的具体负荷结果,对已有的生产方案进行资源负荷预测校核。
进一步地,所述建立资源负荷预测函数模型具体包括:
步骤一、在产品资源负荷的预测过程中,将资源负荷情况量化为资源负荷度,定义资源负荷度为模型的待测量;
步骤二、确定待测量与相关变量间的函数关系,所述相关变量包括工序历时、准备时间和工序不合格率;
工序历时:以设备为研究主体,对于生产中需使用的某一类设备而言,有多道工序可以在此类设备中进行加工,相应的每道工序也会对该类设备资源带来不同程度的负荷其中r(i,k)表示i工序在设备k上加工时长,T表示资源负荷预测的时间区间;
准备时间:考虑设备转换工序时必要的准备时间;在工序转换时,由于不同工序对设备的工作需求有所差异,因此在工序转换时需要对设备的准备时间进行考虑。在预测时间区间T内,设备需要的准备时间为其中n表示该设备在T时间内加工的工序总数,β(i,k)表示在设备k上加工i工序对应的准备时间;
工序不合格率:考虑工序的合格情况;若在实际加工中出现工序不合格的情况,则需要重复使用此设备进行二次加工。因此工序总历时可表示为其中r(i,k)设定表示单次进行i工序在设备k上的工序历时,α表示工序i的不合格率。
步骤三、根据以上变量与待测量之间的关系,提出如下资源负荷度函数模型:
其中,γ为设备k的资源负荷度,r(i,k)表示单次进行i工序在设备k上的工序历时;P(k)代表设备k的数量;α表示工序i的不合格率;T表示资源负荷的预测周期,n表示整个该设备在预测时间区间内加工的工序总数,β(i,k)表示在设备k上加工i工序对应的准备时间。
进一步地,所述仿真数据的准备具体为:确定函数模型中的输入变量、输入数值以及设置待测量,并基于历史加工数据进行数据分析。
进一步地,确定工序历时为输入变量,且服从β分布,确定准备时间和工序不合格率为输入数值。
进一步地,蒙特卡洛方法在模拟运行时的特征是:对输入变量进行设定次数的重复随机抽样,并将抽样值输入函数模型中运算得到样本结果。
有益效果:
(1)本发明使用的蒙特卡洛方法通过在随机分布的输入变量中重复抽取样本进行运算,充分考虑生产线中不确定性因素对预测结果的影响,减小预测结果与实际负荷偏差。
(2)本发明在蒙特卡洛仿真运行中,相对于常见的使用Excel、Matlab等工具先进行随机数抽取再进行函数运算的方法,本发明使用的Crystal Ball工具,合并了蒙特卡洛模拟的操作过程,可直接设置仿真参数后运行,很大程度的简化了操作的步骤。
(3)本发明提出的函数模型考虑了工序合格情况、设备准备时间等因素对总任务时间等影响,运行结果更贴合生产实际。
(4)本发明提出的资源负荷预测模型以生产线中的各类设备为研究主体,在多种产品并行加工的生产模式下,该模型对生产线中所有产品具有普适性,只需对各产品对应使用的设备进行负荷预测。
附图说明
图1为本发明方法流程图。
图2为建立资源负荷预测函数模型框图。
图3为仿真数据处理框图。
图4为输入变量处理框图。
图5为仿真运行阶段框图。
图6为蒙特卡洛模拟过程图。
图7为本发明实施例的资源负荷预测频率拟合图。
图8为本发明资源负荷预测流程图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
本发明提供了一种多型号小批量生产线资源负荷预测方法,如图1所示,该方法主要由建立资源负荷预测函数模型、仿真数据准备、使用Crystal Ball软件进行蒙特卡洛仿真三大模块组成。通过使用蒙特卡洛仿真方法对提出的资源负荷函数模型进行仿真运算,得到设备资源的具体负荷结果,有效对已有的生产方案进行资源负荷预测校核。
模块一:建立资源负荷预测函数模型
提出改进的资源负荷度函数模型,该模型将资源负荷情况量化为资源负荷度,定义资源负荷度为模型的待测量,综合考虑工序历时、工序转换时的设备准备时间、工序不合格率、工序总数、预测周期等多种变量的影响,直观表示各变量与资源负荷度之间的关系。
建立资源负荷预测函数模型的具体流程如图2所示:
步骤1:定义待测量
在产品资源负荷的预测过程中,将资源负荷情况量化为资源负荷度,定义资源负荷度为模型的待测量。
步骤2:确定待测量与相关变量间的函数关系
由于资源负荷度受多种变量影响,所以在预测资源负荷前需要确定待测量与相关变量之间的关系。
工序历时:以设备为研究主体,对于生产中需使用的某一类设备而言,有多道工序可以在此类设备中进行加工,相应的每道工序也会对该类设备资源带来不同程度的负荷其中r(i,k)表示i工序在设备k上加工时长,T表示资源负荷预测的时间区间。
准备时间:考虑设备转换工序时必要的准备时间;在工序转换时,由于不同工序对设备的工作需求有所差异,因此在工序转换时需要对设备的准备时间进行考虑。在预测时间区间T内,设备需要的准备时间为其中n表示该设备在T时间内加工的工序总数,β(i,k)表示在设备k上加工i工序对应的准备时间。
工序不合格率:考虑工序的合格情况;若在实际加工中出现工序不合格的情况,则需要重复使用此设备进行二次加工。因此工序总历时可表示为其中r(i,k)设定表示单次进行i工序在设备k上的工序历时,α表示工序i的不合格率。
根据以上变量与待测量之间的关系,提出如下资源负荷度函数模型:
其中γ为设备k的资源负荷度,r(i,k)表示单次进行i工序在设备k上的工序历时;P(k)代表设备k的数量;α表示工序i的不合格率;T表示资源负荷的预测周期,n表示整个该设备在预测时间区间内加工的工序总数,β(i,k)表示在设备k上加工i工序对应的准备时间。
模块二:仿真数据准备
本发明选用蒙特卡洛方法进行资源负荷预测,由于蒙特卡洛仿真的特征是通过对符合随机分布的输入变量进行随机抽取,并代入已知函数模型计算样本值来进一步预测待测量的分布趋势。因此在进行仿真操作前需要对函数模型的输入数据进行处理,明确函数模型中的输入变量,输入数值以及待测量,并基于历史加工数据对它们进行数据分析。如图3所示,具体分为以下几个步骤:
步骤1:确定输入变量及其概率分布
如图4所示,在资源负荷函数模型中,由于工序历时通常具有不确定性,故其属于输入变量,且具有随机分布的属性;所以在进行蒙特卡洛仿真之前,需对具有随机分布属性的输入变量基于其历史数据及分布进行分析,并设置其为假设变量。该模型中需设置工序历时r(i,k)为假设变量。
(1)确定工序历时概率分布类型
一般来说,工序历时的概率分布在一个概率密度始终取有限正值的区间(a,b)上,且在该区间上,概率密度曲线呈单峰分布。
正态分布、三角分布和β分布均符合以上特征,通过实例分析和查阅相关文献总结出:,当工作节点足够多时,任务整体历时相对分散,各个任务历时的概率分布无论呈何种分布,其项目总工期都符合正态分布。所以在假设各任务历时分布时三种分布方式均可作为假设分布,但相对于正态分布下任务历时需进行平均值及标准方差的计算,β分布下任务历时在计算上具有很大的优越性,且在多种随机因素的影响下β分布比三角分布更具有可行性和可信度,因此本发明中各工序历时直接按其服从β分布来进行预测,对于其它两种分布方式不再予以考虑,从而减小了预测工作量,缩短了计算时间。
(2)基于历史数据确定β分布下工序历时的预置值
对于服从β分布的假设变量,建立其分布模型时需输入最大值、最可能值、最小值,对应工序历时的最乐观时间、最可能时间、最悲观时间。
最乐观时间a取历史加工数据中工序使用设备时间的最小值,最悲观时间b是历史加工数据中工序使用设备时间的最大值,根据历史数据工序在设备历时出现频率最大的区间取平均值得到最可能值m。
(3)概率分布曲线
选择工序历时符合的β分布,将最大值,最小值,最可能值分别输入该分布模型中,得到最终工序历时的概率分布曲线。
步骤2:确定其它输入值
在资源负荷预测函数模型中,除符合随机分布工序历时作为的输入变量外,还需确定其他输入值,包括工序不合格率、设备准备时间等其他输入值。
(1)工序不合格率α
基于一定样本容量的生产历史数据对不同型号产品各工序不合格率分别进行计算。
(2)准备时间β(i,k)
在工序转换时,由于不同工序对设备的工作需求有所差异,因此在工序转换时需要对设备的准备时间进行考虑。该时间由各设备的加工特点以及历史数据确定。
(3)预测时间区间T
在预测过程中T可以取任意预测时间区间。预测结果为T时间内该设备资源的负荷情况。
若T选取为一个产品生产周期,由于实际生产中生产周期具有不确定性,因此,T可以看作随机分布变量,将其概率分布定义为如步骤1-(Ⅰ)所述的正态分布,并基于一定样本容量的生产历史数据对产品生产周期的平均值及标准偏差进行计算后输入模型。
步骤3:设置待测量
在Excel中对上述几种输入进行资源负荷预测函数模型中的运算,将运算结果——待测量值输出在指定单元格;使用Crystal Ball软件进行蒙特卡洛仿真实验时,需定义待测量所在单元格为预测变量来作为仿真模拟的结果输出单元。在该仿真中,分别定义不同设备的资源负荷度γ1、γ2、γ3…所在单元格为模型预测单元,进行蒙特卡洛仿真实验。
模块三:蒙特卡洛仿真
使用蒙特卡洛仿真方法对提出的函数模型进行仿真运算,得到设备资源的负荷结果。使用Crystal Ball工具进行资源负荷预测的蒙特卡洛仿真具体步骤如图5。
步骤1:设置仿真运行参数
如图6所示,蒙特卡洛方法在模拟运行时的特征是:对输入变量进行一定次数的重复随机抽样,并将抽样值输入函数模型中运算样本结果。
使用Crystal Ball软件进行蒙特卡洛模拟过程中对符合随机分布的的假设变量进行随机抽样,相当于根据设置假设变量的分布,随机生成仿真样本,生成随机样本的个数即为模拟次数,然后统计总长度的分布。仿真过程综合考虑蒙特卡洛模拟方法计算特点与输入随机变量样本个数,在本发明中设置模拟次数为5000次,置信度为95%。
步骤2:仿真结果表征
对生产线中几种不同型号的产品分别进行资源负荷预测,仿真运行完成后可生成资源负荷预测频率拟合图对不同的设备负荷情况进行结果分析。如图7所示,本发明实施例中,资源负荷预测频率拟合图中横轴表示资源负荷度值,纵轴表示为在5000次蒙特卡洛模拟中对于资源负荷度值出现的频率,频率越高择选其作为资源负荷度预测值的可信度越高。
资源负荷预测百分点图表征了在5000次的模拟过程中,预测结果出现在对应预测值范围内的概率百分比,最终确定资源负荷度值。进而判断在方案执行时间区间内设备的负载程度,为制定生产计划提供了有效参考。
如图8为本发明资源负荷预测完整的流程图,本发明提出的函数及仿真模型为生产线中的资源负荷预测提供了方法,使用中可结合不同的预测需求进行模拟。在对生产线中不同型号的产品进行资源负荷预测时,可结合上述方法推测在一个生产周期内单件产品对生产线负荷度值,为多型号产品的并行生产提供了数据参考;使用此方法还可对已有的生产方案进行资源负荷预测校核,进而检测方案的可行性。
对生产资源负荷进行预测,能够有效支持动态调度计划的制定,准确的负荷预测结果有助于提高调度方案的鲁棒性,降低生产成本。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种多型号小批量生产线资源负荷预测方法,其特征在于,包括建立资源负荷预测函数模型、仿真数据的准备、使用Crystal Ball软件进行蒙特卡洛仿真三个过程,通过使用蒙特卡洛仿真方法对提出的资源负荷预测函数模型进行仿真运算,得到设备资源的具体负荷结果,对已有的生产方案进行资源负荷预测校核;
所述建立资源负荷预测函数模型具体包括:
步骤一、在产品资源负荷的预测过程中,将资源负荷情况量化为资源负荷度,定义资源负荷度为模型的待测量;
步骤二、确定待测量与相关变量间的函数关系,所述相关变量包括工序历时、准备时间和工序不合格率;
工序历时:以设备为研究主体,对于生产中需使用的某一类设备而言,有多道工序可以在此类设备中进行加工,相应的每道工序也会对该类设备资源带来不同程度的负荷其中r(i,k)表示i工序在设备k上加工时长,T表示资源负荷预测的时间区间;
准备时间:考虑设备转换工序时必要的准备时间;在工序转换时,由于不同工序对设备的工作需求有所差异,因此在工序转换时需要对设备的准备时间进行考虑;在预测时间区间T内,设备需要的准备时间为其中n表示该设备在T时间内加工的工序总数,β(i,k)表示在设备k上加工i工序对应的准备时间;
工序不合格率:考虑工序的合格情况;若在实际加工中出现工序不合格的情况,则需要重复使用此设备进行二次加工;因此工序总历时可表示为其中r(i,k)设定表示单次进行i工序在设备k上的工序历时,α表示工序i的不合格率;
步骤三、根据以上变量与待测量之间的关系,提出如下资源负荷度函数模型:
其中,γ为设备k的资源负荷度,r(i,k)表示单次进行i工序在设备k上的工序历时;P(k)代表设备k的数量;α表示工序i的不合格率;T表示资源负荷的预测周期,n表示整个该设备在预测时间区间内加工的工序总数,β(i,k)表示在设备k上加工i工序对应的准备时间。
2.如权利要求1所述的一种多型号小批量生产线资源负荷预测方法,其特征在于,所述仿真数据的准备具体为:确定函数模型中的输入变量、输入数值以及设置待测量,并基于历史加工数据进行数据分析。
3.如权利要求2所述的一种多型号小批量生产线资源负荷预测方法,其特征在于,确定工序历时为输入变量,且服从β分布,确定准备时间和工序不合格率为输入数值。
4.如权利要求1所述的一种多型号小批量生产线资源负荷预测方法,其特征在于,蒙特卡洛方法在模拟运行时的特征是:对输入变量进行设定次数的重复随机抽样,并将抽样值输入函数模型中运算得到样本结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111294581.0A CN114492910B (zh) | 2021-11-03 | 2021-11-03 | 一种多型号小批量生产线资源负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111294581.0A CN114492910B (zh) | 2021-11-03 | 2021-11-03 | 一种多型号小批量生产线资源负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114492910A CN114492910A (zh) | 2022-05-13 |
CN114492910B true CN114492910B (zh) | 2023-11-14 |
Family
ID=81492302
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111294581.0A Active CN114492910B (zh) | 2021-11-03 | 2021-11-03 | 一种多型号小批量生产线资源负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114492910B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007183929A (ja) * | 2005-12-07 | 2007-07-19 | Mitsubishi Heavy Ind Ltd | プラント設備の機器保守計画方法 |
CN108809713A (zh) * | 2018-06-08 | 2018-11-13 | 中国科学技术大学 | 基于最优资源分配算法的蒙特卡罗树搜索方法 |
CN110188457A (zh) * | 2019-05-28 | 2019-08-30 | 中国人民解放军空军工程大学航空机务士官学校 | 基于蒙特卡洛法的航空机务保障过程评估方法 |
US11055454B1 (en) * | 2018-06-19 | 2021-07-06 | Amazon Technologies, Inc. | Configuring and deploying Monte Carlo simulation pipelines |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9953281B2 (en) * | 2012-09-28 | 2018-04-24 | Rex Wiig | System and method of a requirement, compliance and resource management |
US20150006433A1 (en) * | 2013-03-15 | 2015-01-01 | C4Cast.Com, Inc. | Resource Allocation Based on Available Predictions |
US20180005249A1 (en) * | 2016-06-30 | 2018-01-04 | Hcl Technologies Limited | Optimize a resource allocation plan corresponding to a legacy software product sustenance |
-
2021
- 2021-11-03 CN CN202111294581.0A patent/CN114492910B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007183929A (ja) * | 2005-12-07 | 2007-07-19 | Mitsubishi Heavy Ind Ltd | プラント設備の機器保守計画方法 |
CN108809713A (zh) * | 2018-06-08 | 2018-11-13 | 中国科学技术大学 | 基于最优资源分配算法的蒙特卡罗树搜索方法 |
US11055454B1 (en) * | 2018-06-19 | 2021-07-06 | Amazon Technologies, Inc. | Configuring and deploying Monte Carlo simulation pipelines |
CN110188457A (zh) * | 2019-05-28 | 2019-08-30 | 中国人民解放军空军工程大学航空机务士官学校 | 基于蒙特卡洛法的航空机务保障过程评估方法 |
Non-Patent Citations (1)
Title |
---|
基于Crystal Ball与CPM/PERT的某管片厂项目建设工期风险分析;张恒宇;《价值工程》;正文第54-56页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114492910A (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yuan et al. | A reliability analysis method of accelerated performance degradation based on bayesian strategy | |
US20150371134A1 (en) | Predicting circuit reliability and yield using neural networks | |
CN105844050B (zh) | 基于时间相关的数控机床系统组件更换时间分析方法 | |
Wang et al. | Degradation data analysis based on gamma process with random effects | |
CN107992410B (zh) | 软件质量监测方法、装置、计算机设备和存储介质 | |
CN105320805A (zh) | 一种皮卫星多源可靠性信息融合方法 | |
CN109308225B (zh) | 一种虚拟机异常检测方法、装置、设备及存储介质 | |
CN117556366B (zh) | 基于数据筛选的数据异常检测系统及方法 | |
Li et al. | Functional health prognosis approach of multi-station manufacturing system considering coupling operational factors | |
CN106886620B (zh) | 航天器测试资源优化配置方法 | |
CN114492910B (zh) | 一种多型号小批量生产线资源负荷预测方法 | |
CN109740890A (zh) | 一种质量影响因素相关性分析方法 | |
CN109887253B (zh) | 石油化工装置报警的关联分析方法 | |
CN115371490A (zh) | 自行火炮通用综合电子信息系统数据采集设备 | |
Volochiy et al. | Safety estimation of critical NPP I&C systems via state space method | |
CN113742187A (zh) | 应用系统的容量预测方法、装置、设备及存储介质 | |
CN112070335A (zh) | 一种核电厂计划停运可用率的评估方法及系统 | |
CN113919609A (zh) | 一种配电网模型质量综合评估方法和系统 | |
CN117558660B (zh) | 一种半导体晶圆检测设备控制工作站的管理方法及系统 | |
CN112445632A (zh) | 基于故障数据建模的hpc可靠性评估方法 | |
Sousa et al. | Quality control strategy based on quality cost models with uncertain parameters | |
RU148175U1 (ru) | Автоматизированное устройство управления качеством создания космической техники | |
CN113569970B (zh) | 量化特征指标对标签影响的分析方法、系统、介质和终端 | |
CN117252032B (zh) | 碱性电解水制氢系统的数字孪生体构建方法、装置及设备 | |
CN115860782A (zh) | 一种基于物联网的造价分析方法、装置、设备及存储介质 |
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 |