CN114493124A - 一种基于大数据的数字化纺织设备管理方法和装置 - Google Patents

一种基于大数据的数字化纺织设备管理方法和装置 Download PDF

Info

Publication number
CN114493124A
CN114493124A CN202111611327.9A CN202111611327A CN114493124A CN 114493124 A CN114493124 A CN 114493124A CN 202111611327 A CN202111611327 A CN 202111611327A CN 114493124 A CN114493124 A CN 114493124A
Authority
CN
China
Prior art keywords
information
textile equipment
obtaining
order information
textile
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.)
Withdrawn
Application number
CN202111611327.9A
Other languages
English (en)
Inventor
邓钦文
邓锦高
韩良华
吕书忠
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.)
Nantong Wenkai Chemical Fiber Co ltd
Original Assignee
Nantong Wenkai Chemical Fiber 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 Nantong Wenkai Chemical Fiber Co ltd filed Critical Nantong Wenkai Chemical Fiber Co ltd
Priority to CN202111611327.9A priority Critical patent/CN114493124A/zh
Publication of CN114493124A publication Critical patent/CN114493124A/zh
Withdrawn legal-status Critical Current

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/602—Providing cryptographic facilities or services
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
    • G06Q30/0635—Processing of requisition or of purchase orders
    • 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)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Finance (AREA)
  • General Health & Medical Sciences (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Security & Cryptography (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Manufacturing & Machinery (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Primary Health Care (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computer Hardware Design (AREA)
  • Bioethics (AREA)
  • Artificial Intelligence (AREA)

Abstract

本发明公开了一种基于大数据的数字化纺织设备管理方法和装置，应用于一纺织设备管理系统：根据纺织设备管理系统获得第一订单信息，第二订单信息；当具备相同工艺时，生成第三订单信息；将第三订单信息输入训练模型，获得训练模型的输出信息，包括纺织设备的分配信息；根据分配信息，对纺织设备进行开机管理；根据第一摄像头获得纺织设备第一工作影像信息；获得纺织设备的工作量信息；根据良率信息和产能信息构建逻辑回归线并获得第一更新淘汰结果；根据工作量信息和第一更新淘汰结果对进行开机调整，解决了现有技术中纺织设备管理不够科学，存在无法根据实际需求量合理对纺织设备开机、更新、维修等准确管理的技术问题。

Description

一种基于大数据的数字化纺织设备管理方法和装置
技术领域
本发明涉及纺织设备管理领域，尤其涉及一种基于大数据的数字化纺织设备管理方法和装置。
背景技术
纺织企业中的纺织设备管理是企业正常运转不可缺少的重要环节。随着纺织市场竞争的日益激烈，企业改革的进一步深化，纺织设备在现代化纺织中的作用已尤为突出，纺织设备管理在纺织企业中也越来越受到重视，管好、用好、养好、修好纺织机械，对提高企业设备管理水平和技术水平，提高企业的市场竞争力都有重要的现实意义。
但本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：
现有技术中纺织设备管理不够科学，存在无法根据实际需求量、产能、良率等信息合理对纺织设备开机、更新、维修等准确管理的技术问题。
发明内容
本申请实施例通过提供一种基于大数据的数字化纺织设备管理方法和装置，解决了现有技术中纺织设备管理不够科学，存在无法根据实际需求量、产能、良率等信息合理对纺织设备开机、更新、维修等准确管理的技术问题，达到根据实际需求量及纺织设备实时工作状态，合理分配纺织设备，准确对纺织设备进行管理的技术效果。
鉴于上述问题，本申请实施例提供一种基于大数据的数字化纺织设备管理方法和装置。
第一方面，本申请实施例提供了一种基于大数据的数字化纺织设备管理方法，其中，所述方法应用于一纺织设备管理系统，所述系统与纺织设备通信连接，其中，所述纺织设备上配置有第一摄像头，其中，所述系统还包括第一处理器，所述第一处理器用于接收来自第一摄像头的影像信息，其中，所述方法包括：根据所述纺织设备管理系统获得第一订单信息，第二订单信息；判断所述第一订单信息和所述第二订单信息是否具备相同工艺；当所述第一订单信息和所述第二订单信息具备相同工艺时，根据第一订单信息、第二订单信息生成第三订单信息；将所述第三订单信息输入训练模型，所述训练模型经过多组训练数据训练获得，所述多组训练数据中的每一组均包括第三订单信息和标识预定期限内完成订单的纺织设备分配信息；获得所述训练模型的输出信息，所述输出信息包括所述纺织设备的分配信息；根据所述纺织设备的分配信息，对所述纺织设备进行开机管理；根据所述第一摄像头获得所述纺织设备第一工作影像信息；根据所述第一工作影像信息获得所述纺织设备的工作量信息；获得所述纺织设备实际生产的良率信息；根据所述第一摄像头获得所述纺织设备的产能信息；根据所述良率信息和产能信息构建坐标系，基于逻辑回归模型构建逻辑回归线；根据所述逻辑回归线判断所述纺织设备是否进行更新或淘汰，获得第一更新淘汰结果；根据所述工作量信息获得第一调整信息，根据所述第一调整信息和所述第一更新淘汰结果对所述纺织设备进行开机调整。。
另一方面，本申请还提供了一种基于大数据的数字化纺织设备管理装置，其中，所述装置包括：第一获得单元，所述第一获得单元用于根据纺织设备管理系统获得第一订单信息，第二订单信息；第一判断单元，所述第一判断单元用于判断所述第一订单信息和所述第二订单信息是否具备相同工艺；第二获得单元，所述第二获得单元用于当所述第一订单信息和所述第二订单信息具备相同工艺时，根据第一订单信息、第二订单信息生成第三订单信息；第一输入单元，所述第一输入单元用于将所述第三订单信息输入训练模型，所述训练模型经过多组训练数据训练获得，所述多组训练数据中的每一组均包括第三订单信息和标识预定期限内完成订单的纺织设备分配信息；第三获得单元，所述第三获得单元用于获得所述训练模型的输出信息，所述输出信息包括所述纺织设备的分配信息；第一管理单元，所述第一管理单元用于根据所述纺织设备的分配信息，对所述纺织设备进行开机管理；第四获得单元，所述第四获得单元用于根据第一摄像头获得所述纺织设备第一工作影像信息；第五获得单元，所述第五获得单元用于根据所述第一工作影像信息获得所述纺织设备的工作量信息；第六获得单元，所述第六获得单元用于获得所述纺织设备实际生产的良率信息；第七获得单元，所述第七获得单元用于根据所述第一摄像头获得所述纺织设备的产能信息；第一构建单元，所述第一构建单元用于根据所述良率信息和产能信息构建坐标系，基于逻辑回归模型构建逻辑回归线；第二判断单元，所述第二判断单元用于根据所述逻辑回归线判断所述纺织设备是否进行更新或淘汰，获得第一更新淘汰结果；第八获得单元，所述第八获得单元用于根据所述工作量信息获得第一调整信息，根据所述第一调整信息和所述第一更新淘汰结果对所述纺织设备进行开机调整。
第三方面，本发明提供了一种基于大数据的数字化纺织设备管理装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现所述第一方面任一项所述方法的步骤。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
由于采用了通过纺织设备管理系统获得第一第二订单信息，当所述第一订单信息和第二订单信息具备相同工艺则生成第三订单信息，将所述第三订单信息输入训练模型，根据所述训练模型，基于订单交期对所述纺织设备进行开机管理分配，并根据实际开机纺织设备的工作情况的监督，根据逻辑回归模型构建良率与产能的逻辑回归线，基于所述逻辑回归线和所述第一调整信息实时调整所述纺织设备开机数量的方式，基于训练模型不断自我修正调整优化的特性，达到根据实际需求，合理分配纺织设备，准确对纺织设备进行管理的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种基于大数据的数字化纺织设备管理方法的流程示意图；
图2为本申请实施例一种基于大数据的数字化纺织设备管理方法中判断所述第一订单信息和所述第二订单信息是否具备相同工艺的流程示意图；
图3为本申请实施例一种基于大数据的数字化纺织设备管理方法中根据所述加权计算结果，获得所述纺织设备分配信息的流程示意图；
图4为本申请实施例中一种基于大数据的数字化纺织设备管理方法中将所述第三订单信息输入训练模型之前的流程示意图；
图5为本申请实施例一种基于大数据的数字化纺织设备管理方法中将所述训练数据及验证码全部保存在M台电子设备上的流程示意图；
图6为本申请实施例一种基于大数据的数字化纺织设备管理方法中对所述纺织设备进行预防性检查的流程示意图；
图7为本申请实施例一种基于大数据的数字化纺织设备管理方法中建立纺织设备档案的流程示意图；
图8为本申请实施例一种基于大数据的数字化纺织设备管理装置的结构示意图；
图9为本申请实施例示例性电子设备的结构示意图。
附图标记说明：第一获得单元11，第一判断单元12，第二获得单元13，第一输入单元14，第三获得单元15，第一管理单元16，第四获得单元17，第五获得单元18，第六获得单元19，第七获得单元20，第一构建单元21，第一判断单元22，第八获得单元23，总线300，接收器301，处理器302，发送器303，存储器304，总线接口306。
具体实施方式
本申请实施例通过提供一种基于大数据的数字化纺织设备管理方法和装置，解决了现有技术中纺织设备管理不够科学，存在无法根据实际需求量产能、良率信息合理对纺织设备开机、更新、维修等准确管理的技术问题，达到根据实际需求量及纺织设备实时工作状态，合理分配纺织设备，准确对纺织设备进行管理的技术效果。下面，将参考附图详细的描述根据本申请的示例实施例。显然，所描述的实施例仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
纺织企业中的纺织设备管理是企业正常运转不可缺少的重要环节。随着纺织市场竞争的日益激烈，企业改革的进一步深化，纺织设备在现代化纺织中的作用已尤为突出。但现有技术中纺织设备管理不够科学，存在无法根据实际需求量、良率、产能信息合理对纺织设备开机、更新、维修等准确管理的技术问题。
针对上述技术问题，本申请提供的技术方案总体思路如下：
本申请实施例提供了一种基于大数据的数字化纺织设备管理方法，其中，所述方法应用于一纺织设备管理系统，所述系统与纺织设备通信连接，其中，所述纺织设备上配置有第一摄像头，其中，所述系统还包括第一处理器，所述第一处理器用于接收来自第一摄像头的影像信息，其中，所述方法包括：根据所述纺织设备管理系统获得第一订单信息，第二订单信息；判断所述第一订单信息和所述第二订单信息是否具备相同工艺；当所述第一订单信息和所述第二订单信息具备相同工艺时，根据第一订单信息、第二订单信息生成第三订单信息；将所述第三订单信息输入训练模型，所述训练模型经过多组训练数据训练获得，所述多组训练数据中的每一组均包括第三订单信息和标识预定期限内完成订单的纺织设备分配信息；获得所述训练模型的输出信息，所述输出信息包括所述纺织设备的分配信息；根据所述纺织设备的分配信息，对所述纺织设备进行开机管理；根据所述第一摄像头获得所述纺织设备第一工作影像信息；根据所述第一工作影像信息获得所述纺织设备的工作量信息；获得所述纺织设备实际生产的良率信息；根据所述第一摄像头获得所述纺织设备的产能信息；根据所述良率信息和产能信息构建坐标系，基于逻辑回归模型构建逻辑回归线；根据所述逻辑回归线判断所述纺织设备是否进行更新或淘汰，获得第一更新淘汰结果；根据所述工作量信息获得第一调整信息，根据所述第一调整信息和所述第一更新淘汰结果对所述纺织设备进行开机调整。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示，本申请实施例提供了一种基于大数据的数字化纺织设备管理方法，其中，所述方法应用于一纺织设备管理系统，所述系统与纺织设备通信连接，其中，所述纺织设备上配置有第一摄像头，其中，所述系统还包括第一处理器，所述第一处理器用于接收来自第一摄像头的影像信息，其中，所述方法包括：
步骤S100：根据所述纺织设备管理系统获得第一订单信息，第二订单信息；
具体而言，所述纺织设备管理系统为通过与纺织设备通信连接，对纺织设备进行管理的系统，所述第一摄像头为可进行图像捕捉的装置，根据所述纺织管理系统获得第一订单信息和第二订单信息，所述订单信息包括需求方的需求信息。
步骤S200：判断所述第一订单信息和所述第二订单信息是否具备相同工艺；
具体而言，所述判断是否具备相同工艺是指纺织管理系统根据订单需求的产品的品质，基于已有纺织设备对所述产品进行工艺评估，判断所述第一订单和第二订单的产品是否具备相同工艺的过程。
步骤S300：当所述第一订单信息和所述第二订单信息具备相同工艺时，根据第一订单信息、第二订单信息生成第三订单信息；
具体而言，当所述第一订单和第二订单具备相同工艺时，将所述第一订单和第二订单具备相同工艺的产品作为第一部分，根据第一订单和第二订单不具备相同工艺的产品作为第二部分，根据第一部分和第二部分及第一订单的交货期限和第二订单的交货期限生成第三订单信息。
步骤S400：将所述第三订单信息输入训练模型，所述训练模型经过多组训练数据训练获得，所述多组训练数据中的每一组均包括第三订单信息和标识预定期限内完成订单的纺织设备分配信息；
具体而言，所述训练模型为能给根据实际情况不同进行不断的自我训练学习的模型，进一步而言，所述训练模型为神经网络模型，所述神经网络模型即机器学习中的神经网络模型，神经网络(Neural Networks，NN)是由大量的、简单的处理单元（称为神经元）广泛地互相连接而形成的复杂神经网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。神经网络模型是以神经元的数学模型为基础来描述的。人工神经网络（Artificial Neural Networks），是对人类大脑系统的一阶特性的一种描述。简单地讲，它是一个数学模型。基于大量的训练数据的训练，其中，训练数据中的每一组训练数据均包括：第三订单信息和标识预定期限内完成订单的纺织设备分配信息；所述神经网络模型不断地自我的修正，当所述神经网络模型的输出信息达到预定的准确率/达到收敛状态时，则监督学习过程结束。通过对所述神经网络模型的数据训练，进而使得所述神经网络模型可根据实时纺织设备数量及状态，安排最合理的纺织设备的分配信息。基于训练模型进过训练后处理数据更加准确的特性，将所述第三订单信息输入训练模型，通过训练模型的输出信息获得纺织设备的分配信息的方式，达到根据实际需求，合理分配纺织设备，准确对纺织设备进行管理的技术效果。
步骤S500：获得所述训练模型的输出信息，所述输出信息包括所述纺织设备的分配信息；
步骤S600：根据所述纺织设备的分配信息，对所述纺织设备进行开机管理；
具体而言，获得所述训练模型的输出信息，所述输出信息包括纺织设备的分配信息，根据所述分配信息，获得所述纺织设备的开机时间，对纺织设备进行开机处理。
步骤S700：根据所述第一摄像头获得所述纺织设备第一工作影像信息；
步骤S800：根据所述第一工作影像信息获得所述纺织设备的工作量信息；
具体而言，所述第一摄像头为第一纺织机配置的具有生成实时影像的监控装置，通过所述第一摄像头获得第一工作影像信息，所述第一工作影像信息为所述第一纺织设备的实时工作状态的影像信息，通过所述第一工作影像信息对所述第一纺织设备的实时工作状态进行实时监控，获得所述纺织设备的实时工作量信息。
步骤S900：获得所述纺织设备实际生产的良率信息；
步骤S1000：根据所述第一摄像头获得所述纺织设备的产能信息；
步骤S1100：根据所述良率信息和产能信息构建坐标系，基于逻辑回归模型构建逻辑回归线；
步骤S1200：根据所述逻辑回归线判断所述纺织设备是否进行更新或淘汰，获得第一更新淘汰结果；
具体而言，通过所述第一摄像头获得所述第一纺织设备的实际生产良率信息，获得所述纺织设备的产能信息，将所述纺织设备的良率信息作为横坐标，产能信息作为纵坐标，建立坐标系。根据所述坐标系，基于逻辑回归模型获得逻辑回归线，所述逻辑回归线的一侧代表所述第一纺织设备合格的结果，所逻辑回归线的另一侧代表所述第一纺织设备不合格的结果。当所述第一纺织设备被判定为不合格时，通过所述纺织设备管理系统，根据所述第一纺织设备的实际情况对所述第一纺织设备进行维修或者淘汰。通过对所述纺织设备的实时产能及良率进实时监控，基于逻辑回归模型对所述监控结果进行判断处理，达到实时准确监测所述纺织设备状态，提高纺织设备工作效率和设备利用率，根据实际需求量及纺织设备实时工作状态，合理分配纺织设备，准确对纺织设备进行管理的技术效果。
步骤S900：根据所述工作量信息获得第一调整信息，根据所述第一调整信息和所述第一更新淘汰结果对所述纺织设备进行开机调整。
具体而言，获得所述纺织设备的实际工作量及工作状态，根据实际的订单信息及订单的交期和通过逻辑回归模型获得的第一更新淘汰结果对所述纺织设备进行实时的动态调整，以保证所述纺织设备的开机管理更加合理的技术效果。
如图2所示，所述判断所述第一订单信息和所述第二订单信息是否具备相同工艺，本申请实施例S200还包括：
步骤S210：当所述第一订单信息和所述第二订单信息不具备相同工艺时，获得第一订单信息和第二订单信息的不同产品的数量信息；
步骤S220：根据所述产品的数量信息获得第一权重比；
步骤S230：获得所述第一订单的第一交货期限，获得第二订单的第二交货期限，根据所述第一交货期限和第二交货期限获得第二权重比；
步骤S240：根据所述第一权重比和所述第二权重比对所述第一订单信息和第二订单信息进行加权计算，根据所述加权计算结果，获得所述纺织设备分配信息。
具体而言，当所述第一订单信息和第二订单信息不具备相同工艺时，获得第一订单和第二订单中的产品数量信息，所述数量信息包含不同产品的种类数量及每个产品的交货量信息。获得第一订单的交货期限和第二订单的交货期限，根据第一订单和第二订单的交货量信息生成第一权重比，根据交货期限生成第二权重比，根据所述权重比对第一订单和第二订单进行加权计算，根据所述订单的交期及产品数量所占权重比的不同，对所述第一订单和第二订单进行设备分配。通过对所述订单产品数量及交期的加权计算的逻辑，达到对所述第一订单和第二订单进行合理的设备分配的技术效果。
如图3所示，所述根据所述加权计算结果，获得所述纺织设备分配信息，本申请实施例步骤S240还包括：
步骤S241：获得所述产品的工艺难度；
步骤S242：根据所述第一订单信息和所述第二订单信息的产品工艺难度获得第一调整参数；
步骤S243：根据所述第一调整参数对所述加权计算结果进行调整。
具体而言，所述工艺难度是指完成所述产品需要的工艺的复杂程度，具体包含工艺的精确度，工艺的时长等，通过对所述工艺难度的判断，产生第一调整参数，根据所述调整参数对所述加权计算结果进行调整，举例而言，当获得所述第一订单的工艺难度很大时，对所述第一订单的所占权重基于工艺难度的实际情况予以提高，从而达到合理、准确分配纺织设备的技术效果。
如图4所示，所述将所述第三订单信息输入训练模型之前，本申请实施例S400还包括：
步骤S410：获得第一训练数据，根据所述第一训练数据生成与所述第一训练数据一一对应的第一验证码；
步骤S420：获得第二训练数据，根据所述第二训练数据及第一验证码生成第二验证码，以此类推，根据第N训练数据及第N-1验证码生成第N验证码，其中，N为大于1的自然数；
步骤S430：将所述训练数据及验证码全部保存在M台电子设备上，其中，M为大于1的自然数。
具体而言，区块链技术也被称之为分布式账本技术，是一种由若干台计算设备共同参与“记账"，共同维护一份完整的分布式数据库的新兴技术。由于区块链技术具有去中心化、公开透明、每台计算设备可以参与数据库记录、并且各计算设备之间可以快速的进行数据同步的特性，使得区块链技术已在众多的领域中广泛的进行应用。所述训练数据中的每组训练数据均包括第三订单信息和标识预定期限内完成订单的纺织设备分配信息。根据所述第一训练数据生成第一验证码，所述第一验证码与第一训练数据一一对应；根据第二训练数据和第一验证码生成的第二验证码，第二验证码与第二训练数据一一对应；以此类推，根据第N训练数据和第N-1验证码生成的第N验证码，其中，N为大于1的自然数。将所有训练数据和验证码分别复制保存在M台设备上，其中，所述第一训练数据和所述第一验证码作为第一存储单位保存在一台设备上，所述第二训练数据和所述第二验证码作为第二存储单位保存在一台设备上，所述第N训练数据和所述第N验证码作为第N存储单位保存在一台设备上，当需要调用所述训练数据时，每后一个节点接收前一节点存储的数据后，通过“共识机制”进行校验后保存，通过哈希函数对于每一存储单位进行串接，使得训练数据不易丢失和遭到破坏，通过区块链的逻辑对所述训练数据进行加密处理，保证了所述训练数据信息的安全性，并存储于多台设备上，所述存储于多台设备上的数据通过共识机制进行处理，即少数服从多数，当一台或多台设备被篡改时，只要存储正确数据的设备数量大于被篡改的设备数量，则获得的训练数据信息仍然是准确的，进一步的保证了训练数据信息的安全性，从而达到保证通过所述训练数据训练获得的训练模型的准确性，进而保证根据实时订单情况对所述纺织设备进行合理分配的技术效果。
如图5所示，所述将所述训练数据及验证码全部保存在M台电子设备上，本申请实施例步骤S430还包括：
步骤S431：将所述第一训练数据和第一验证码作为第一存储单位；
步骤S432：获得第一存储单位的预定存储时间，获得M台电子设备中运力最快的第一电子设备；
步骤S433：将所述第一存储单位的记录权发送给所述第一电子设备。
具体而言，获得第一存储单位的预定记录时间，将不能在预定时间内完成记录所述第一存储单位的设备排除，获得M台设备中运力最快的第一电子设备，将所述第一存储单位的记录权给所述设备。进一步而言，将第二训练数据和第二验证码作为第二存储单位，以此类推，将第N训练数据和第N验证码作为第N存储单位，所述第二存储单位、第三存储单位、··· 第N存储单位均采用如第一存储单位的记录方法，进而保证了去中心化区块链系统的安全、有效和稳定运行，能够保证所述存储单位能够被准确的记录在设备中，进而保证了训练数据的安全性，从而达到保证通过所述训练数据训练获得的训练模型的准确性，进而保证根据实时订单情况对所述纺织设备进行合理分配的技术效果。
如图6所示，本申请实施例还包括：
步骤S1010：通过所述纺织设备管理系统获得工作中的纺织设备的电流信息；
步骤S1020：获得预定电流阈值；
步骤S1030：当所述纺织设备的电流信息超过预定电流阈值时，对所述纺织设备进行停机处理，并获得第一指令；
步骤S1040：根据所述第一指令对所述纺织设备进行预防性检查。
具体而言，为了更好地对所述纺织设备进行管理，获得实时工作中的纺织设备的电流信息，根据所述纺织设备正常工作的电流信息设定一预定电流阈值，当纺织设备管理系统检测到所述纺织设备的电流超过预定电流阈值时，获得第一指令，所述第一指令用于对所述防止设备进行预防性检查，基于预防性保养管理维修的逻辑保证所述纺织设备的正常运行，解决掉所述纺织设备可能存在的安全隐患，达到保证所述纺织设备正常运行的技术效果。
如图7所示，本申请实施例还包括：
步骤S1050：获得所述纺织设备的开机时间信息；
步骤S1060：根据所述开机时间信息获得所述纺织设备的连续工作时长信息；
步骤S1070：当所述连续工作时长超过预定工作时长阈值时，对所述纺织设备进行检修；
步骤S1080：建立纺织设备档案，将所述检修结果、连续工作时长信息等录入所述纺织设备档案，所述纺织设备档案用于设备的更新及淘汰。
具体而言，所述设备开机时间信息包含所述设备连续工作时长信息，所述预定工作时长为根据设备损耗、设备连续工作可能出现问题来确定的预定工作时长阈值，当所述连续工作时长超过预定工作时长阈值时，对所述纺织设备进行停机处理，获的第二指令，根据第二指令对所述纺织设备进行检修，并将所述设备的连续工作时长及检修的结果录入纺织设备档案，根据所述纺织设备档案对所述纺织设备进行更新淘汰等管理。
综上所述，本申请实施例所提供的一种基于大数据的数字化纺织设备管理方法和装置具有如下技术效果：
1、由于采用了通过纺织设备管理系统获得第一第二订单信息，当所述第一订单信息和第二订单信息具备相同工艺则生成第三订单信息，将所述第三订单信息输入训练模型，根据所述训练模型，基于订单交期对所述纺织设备进行开机管理分配，并根据实际开机纺织设备的工作情况的监督，实时调整所述纺织设备开机数量的方式，基于训练模型不断自我修正调整优化的特性，达到根据实际需求结合通过逻辑回归模型获得的淘汰结果，合理分配纺织设备，准确对纺织设备进行管理的技术效果。
2、由于采用了通过对所述纺织设备的实时产能及良率进实时监控，基于逻辑回归模型对所述监控结果进行判断处理的方式，达到实时准确监测所述纺织设备状态，提高纺织设备工作效率和设备利用率，根据实际需求量及纺织设备实时工作状态，合理分配纺织设备，准确对纺织设备进行管理的技术效果。
3、由于采用了通过对所述工艺难度的判断，产生第一调整参数，根据所述调整参数对所述加权计算结果进行调整的方式，从而达到合理、准确分配纺织设备的技术效果。
4、由于采用了通过区块链的逻辑对所述训练数据进行加密处理的方式，保证了所述训练数据信息的安全性，并存储于多台设备上，所述存储于多台设备上的数据通过共识机制进行处理，即少数服从多数，当一台或多台设备被篡改时，只要存储正确数据的设备数量大于被篡改的设备数量，则获得的训练数据信息仍然是准确的，进一步的保证了训练数据信息的安全性，从而达到保证通过所述训练数据训练获得的训练模型的准确性，进而保证根据实时订单情况对所述纺织设备进行合理分配的技术效果。
实施例二
基于与前述实施例中一种基于大数据的数字化纺织设备管理方法同样发明构思，本发明还提供了一种基于大数据的数字化纺织设备管理装置，如图8所示，所述装置包括：
第一获得单元11，所述第一获得单元11用于根据所述纺织设备管理系统获得第一订单信息，第二订单信息；
第一判断单元12，所述第一判断单元12用于判断所述第一订单信息和所述第二订单信息是否具备相同工艺；
第二获得单元13，所述第二获得单元13用于当所述第一订单信息和所述第二订单信息具备相同工艺时，根据第一订单信息、第二订单信息生成第三订单信息；
第一输入单元14，所述第一输入单元14用于将所述第三订单信息输入训练模型，所述训练模型经过多组训练数据训练获得，所述多组训练数据中的每一组均包括第三订单信息和标识预定期限内完成订单的纺织设备分配信息；
第三获得单元15，所述第三获得单元15用于获得所述训练模型的输出信息，所述输出信息包括所述纺织设备的分配信息；
第一管理单元16，所述第一管理单元16用于根据所述纺织设备的分配信息，对所述纺织设备进行开机管理；
第四获得单元17，所述第四获得单元17用于根据所述第一摄像头获得所述纺织设备第一工作影像信息；
第五获得单元18，所述第五获得单元18用于根据所述第一工作影像信息获得所述纺织设备的工作量信息；
第六获得单元19，所述第六获得单元19用于获得所述纺织设备实际生产的良率信息；
第七获得单元20，所述第七获得单元20用于根据所述第一摄像头获得所述纺织设备的产能信息；
第一构建单元21，所述第一构建单元21用于根据所述良率信息和产能信息构建坐标系，基于逻辑回归模型构建逻辑回归线；
第二判断单元22，所述第二判断单元22用于根据所述逻辑回归线判断所述纺织设备是否进行更新或淘汰，获得第一更新淘汰结果；
第八获得单元23，所述第八获得单元23用于根据所述工作量信息获得第一调整信息，根据所述第一调整信息和所述第一更新淘汰结果对所述纺织设备进行开机调整。
进一步的，所述装置还包括：
第九获得单元，所述第九获得单元用于当所述第一订单信息和所述第二订单信息不具备相同工艺时，获得第一订单信息和第二订单信息的不同产品的数量信息；
第十获得单元，所述第十获得单元用于根据所述产品的数量信息获得第一权重比；
第十一获得单元，所述第十一获得单元用于获得所述第一订单的第一交货期限，获得第二订单的第二交货期限，根据所述第一交货期限和第二交货期限获得第二权重比；
第十二获得单元，所述第十二获得单元用于根据所述第一权重比和所述第二权重比对所述第一订单信息和第二订单信息进行加权计算，根据所述加权计算结果，获得所述纺织设备分配信息。
进一步的，所述装置还包括：
第十三获得单元，所述第十三获得单元用于获得所述产品的工艺难度；
第十四获得单元，所述第十四获得单元用于根据所述第一订单信息和所述第二订单信息的产品工艺难度获得第一调整参数；
第一调整单元，所述第一调整单元用于所述第一调整参数用于对所述加权计算结果进行调整。
进一步的，所述装置还包括：
第十五获得单元，所述第十五获得单元用于获得第一训练数据，根据所述第一训练数据生成与所述第一训练数据一一对应的第一验证码；
第十六获得单元，所述第十六获得单元用于获得第二训练数据，根据所述第二训练数据及第一验证码生成第二验证码，以此类推，根据第N训练数据及第N-1验证码生成第N验证码，其中，N为大于1的自然数；
第一保存单元，所述第一保存单元用于将所述训练数据及验证码全部保存在M台电子设备上，其中，M为大于1的自然数。
进一步的，所述装置还包括：
第十七获得单元，所述第十七获得单元用于通过所述纺织设备管理系统获得工作中的纺织设备的电流信息；
第十八获得单元，所述第十八获得单元用于获得预定电流阈值；
第十九获得单元，所述第十九获得单元用于当所述纺织设备的电流信息超过预定电流阈值时，对所述纺织设备进行停机处理，并获得第一指令；
第二十获得单元，所述第二十获得单元用于根据所述第一指令对所述纺织设备进行预防性检查。
进一步的，所述装置还包括：
第二十一获得单元，所述第二十一获得单元用于获得所述纺织设备的开机时间信息；
第二十二获得单元，所述第二十二获得单元用于根据所述开机时间信息获得所述纺织设备的连续工作时长信息；
第二十三获得单元，所述第二十三获得单元用于当所述连续工作时长超过预定工作时长阈值时，对所述纺织设备进行检修；
第二十四获得单元，所述第二十四获得单元用于建立纺织设备档案，将所述检修结果、连续工作时长信息等录入所述纺织设备档案，所述纺织设备档案用于设备的更新及淘汰。
前述图1实施例一中的一种基于大数据的数字化纺织设备管理方法的各种变化方式和具体实例同样适用于本实施例的一种基于大数据的数字化纺织设备管理装置，通过前述对一种基于大数据的数字化纺织设备管理方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种基于大数据的数字化纺织设备管理装置的实施方法，所以为了说明书的简洁，在此不再详述。
示例性电子设备
下面参考图9来描述本申请实施例的电子设备。
图9图示了根据本申请实施例的电子设备的结构示意图。
基于与前述实施例中一种基于大数据的数字化纺织设备管理方法的发明构思，本发明还提供一种基于大数据的数字化纺织设备管理装置，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种基于大数据的数字化纺织设备管理方法的任一方法的步骤。
其中，在图9中，总线架构（用总线300来代表），总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口306在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他系统通信的单元。
处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
本发明实施例提供的一种基于大数据的数字化纺织设备管理方法，其中，所述方法应用于一纺织设备管理系统，所述系统与纺织设备通信连接，其中，所述纺织设备上配置有第一摄像头，其中，所述系统还包括第一处理器，所述第一处理器用于接收来自第一摄像头的影像信息，其中，所述方法包括：根据所述纺织设备管理系统获得第一订单信息，第二订单信息；判断所述第一订单信息和所述第二订单信息是否具备相同工艺；当所述第一订单信息和所述第二订单信息具备相同工艺时，根据第一订单信息、第二订单信息生成第三订单信息；将所述第三订单信息输入训练模型，所述训练模型经过多组训练数据训练获得，所述多组训练数据中的每一组均包括第三订单信息和标识预定期限内完成订单的纺织设备分配信息；获得所述训练模型的输出信息，所述输出信息包括所述纺织设备的分配信息；根据所述纺织设备的分配信息，对所述纺织设备进行开机管理；根据所述第一摄像头获得所述纺织设备第一工作影像信息；根据所述第一工作影像信息获得所述纺织设备的工作量信息；获得所述纺织设备实际生产的良率信息；根据所述第一摄像头获得所述纺织设备的产能信息；根据所述良率信息和产能信息构建坐标系，基于逻辑回归模型构建逻辑回归线；根据所述逻辑回归线判断所述纺织设备是否进行更新或淘汰，获得第一更新淘汰结果；根据所述工作量信息获得第一调整信息，根据所述第一调整信息和所述第一更新淘汰结果对所述纺织设备进行开机调整。解决了现有技术中纺织设备管理不够科学，存在无法根据实际需求量合理对纺织设备开机、更新、维修等准确管理的技术问题，达到根据实际需求量及纺织设备实时工作状态，合理分配纺织设备，准确对纺织设备进行管理的技术效果。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的系统。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.一种基于大数据的数字化纺织设备管理方法，其中，所述方法应用于一纺织设备管理系统，所述系统与纺织设备通信连接，其中，所述纺织设备上配置有第一摄像头，其中，所述系统还包括第一处理器，所述第一处理器用于接收来自第一摄像头的影像信息，其中，所述方法包括：
根据所述纺织设备管理系统获得第一订单信息，第二订单信息；
判断所述第一订单信息和所述第二订单信息是否具备相同工艺；
当所述第一订单信息和所述第二订单信息具备相同工艺时，根据第一订单信息、第二订单信息生成第三订单信息；
将所述第三订单信息输入训练模型，所述训练模型经过多组训练数据训练获得，所述多组训练数据中的每一组均包括第三订单信息和标识预定期限内完成订单的纺织设备分配信息；
获得所述训练模型的输出信息，所述输出信息包括所述纺织设备的分配信息；
根据所述纺织设备的分配信息，对所述纺织设备进行开机管理；
根据所述第一摄像头获得所述纺织设备第一工作影像信息；
根据所述第一工作影像信息获得所述纺织设备的工作量信息；
获得所述纺织设备实际生产的良率信息；
根据所述第一摄像头获得所述纺织设备的产能信息；
根据所述良率信息和产能信息构建坐标系，基于逻辑回归模型构建逻辑回归线；
根据所述逻辑回归线判断所述纺织设备是否进行更新或淘汰，获得第一更新淘汰结果；
根据所述工作量信息获得第一调整信息，根据所述第一调整信息和所述第一更新淘汰结果对所述纺织设备进行开机调整。
2.如权利要求1所述的方法，其中，所述判断所述第一订单信息和所述第二订单信息是否具备相同工艺，还包括：
当所述第一订单信息和所述第二订单信息不具备相同工艺时，获得第一订单信息和第二订单信息的不同产品的数量信息；
根据所述产品的数量信息获得第一权重比；
获得所述第一订单的第一交货期限，获得第二订单的第二交货期限，根据所述第一交货期限和第二交货期限获得第二权重比；
根据所述第一权重比和所述第二权重比对所述第一订单信息和第二订单信息进行加权计算，根据所述加权计算结果，获得所述纺织设备分配信息。
3.如权利要求2所述的方法，所述方法包括：
获得所述产品的工艺难度；
根据所述第一订单信息和所述第二订单信息的产品工艺难度获得第一调整参数；
根据所述第一调整参数对所述加权计算结果进行调整。
4.如权利要求1所述的方法，其中，所述将所述第三订单信息输入训练模型之前，包括：
获得第一训练数据，根据所述第一训练数据生成与所述第一训练数据一一对应的第一验证码；
获得第二训练数据，根据所述第二训练数据及第一验证码生成第二验证码，以此类推，根据第N训练数据及第N-1验证码生成第N验证码，其中，N为大于1的自然数；
将所述训练数据及验证码全部保存在M台电子设备上，其中，M为大于1的自然数。
5.如权利要求1所述的方法，其中，所述方法包括：
通过所述纺织设备管理系统获得工作中的纺织设备的电流信息；
获得预定电流阈值；
当所述纺织设备的电流信息超过预定电流阈值时，对所述纺织设备进行停机处理，并获得第一指令；
根据所述第一指令对所述纺织设备进行预防性检查。
6.如权利要求5所述的方法，其中，所述方法包括：
获得所述纺织设备的开机时间信息；
根据所述开机时间信息获得所述纺织设备的连续工作时长信息；
当所述连续工作时长超过预定工作时长阈值时，对所述纺织设备进行检修；
建立纺织设备档案，将所述检修结果、连续工作时长信息等录入所述纺织设备档案，所述纺织设备档案用于设备的更新及淘汰。
7.一种基于大数据的数字化纺织设备管理装置，其中，所述装置包括：
第一获得单元，所述第一获得单元用于根据纺织设备管理系统获得第一订单信息，第二订单信息；
第一判断单元，所述第一判断单元用于判断所述第一订单信息和所述第二订单信息是否具备相同工艺；
第二获得单元，所述第二获得单元用于当所述第一订单信息和所述第二订单信息具备相同工艺时，根据第一订单信息、第二订单信息生成第三订单信息；
第一输入单元，所述第一输入单元用于将所述第三订单信息输入训练模型，所述训练模型经过多组训练数据训练获得，所述多组训练数据中的每一组均包括第三订单信息和标识预定期限内完成订单的纺织设备分配信息；
第三获得单元，所述第三获得单元用于获得所述训练模型的输出信息，所述输出信息包括所述纺织设备的分配信息；
第一管理单元，所述第一管理单元用于根据所述纺织设备的分配信息，对所述纺织设备进行开机管理；
第四获得单元，所述第四获得单元用于根据第一摄像头获得所述纺织设备第一工作影像信息；
第五获得单元，所述第五获得单元用于根据所述第一工作影像信息获得所述纺织设备的工作量信息；
第六获得单元，所述第六获得单元用于获得所述纺织设备实际生产的良率信息；
第七获得单元，所述第七获得单元用于根据所述第一摄像头获得所述纺织设备的产能信息；
第一构建单元，所述第一构建单元用于根据所述良率信息和产能信息构建坐标系，基于逻辑回归模型构建逻辑回归线；
第二判断单元，所述第二判断单元用于根据所述逻辑回归线判断所述纺织设备是否进行更新或淘汰，获得第一更新淘汰结果；
第八获得单元，所述第八获得单元用于根据所述工作量信息获得第一调整信息，根据所述第一调整信息和所述第一更新淘汰结果对所述纺织设备进行开机调整。
8.一种基于大数据的数字化纺织设备管理装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现权利要求1-6任一项所述方法的步骤。
CN202111611327.9A 2021-12-27 2021-12-27 一种基于大数据的数字化纺织设备管理方法和装置 Withdrawn CN114493124A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111611327.9A CN114493124A (zh) 2021-12-27 2021-12-27 一种基于大数据的数字化纺织设备管理方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111611327.9A CN114493124A (zh) 2021-12-27 2021-12-27 一种基于大数据的数字化纺织设备管理方法和装置

Publications (1)

Publication Number Publication Date
CN114493124A true CN114493124A (zh) 2022-05-13

Family

ID=81495436

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111611327.9A Withdrawn CN114493124A (zh) 2021-12-27 2021-12-27 一种基于大数据的数字化纺织设备管理方法和装置

Country Status (1)

Country Link
CN (1) CN114493124A (zh)

Similar Documents

Publication Publication Date Title
CN108268319A (zh) 任务调度方法、装置及系统
CN112765560A (zh) 设备健康状态评估方法、装置、终端设备和存储介质
CN108427986A (zh) 一种生产线电机故障预测方法及装置
CN108075906A (zh) 一种用于云计算数据中心的管理方法及系统
US20240264647A1 (en) Computing power distribution method and apparatus, and computing power server
CN112100928B (zh) 一种基于温度改善锂离子电池性能的方法和装置
KR102311787B1 (ko) Ai 모델의 성능 저하 방지를 위한 ai 모델 관리 장치 및 그 방법
CN109409780B (zh) 变更处理方法、装置、计算机设备和存储介质
CN112508398A (zh) 基于深度强化学习的动态生产调度方法、装置及电子设备
CN108334427A (zh) 存储系统中的故障诊断方法及装置
CN111144639A (zh) 一种基于alln算法的地铁设备故障预测方法及系统
CN114493124A (zh) 一种基于大数据的数字化纺织设备管理方法和装置
CN117495315A (zh) 一种基于pipeline流程的业务管理方法及装置
CN117350794A (zh) 一种基于多模型融合的日前电价预测方法、装置及介质
CN116187738B (zh) 一种基于执行顺序和位置分布的工作包自动生成方法
CN117200421A (zh) 一种基于物联网的安全弱电配电设备及其智能控制方法
CN116523249A (zh) 一种生产线确定方法、装置、设备和存储介质
CN112783121B (zh) 一种自动化纺织设备的远程控制方法和装置
CN109936134A (zh) 一种热稳定输电通道功率极限区间识别方法及设备
CN112467806B (zh) 一种基于dmn电网调控规则确定电网运行状态的方法及系统
Mohammadi et al. Machine learning assisted stochastic unit commitment: A feasibility study
CN111798299B (zh) 一种财务报表的账目结算方法和装置
CN114764667A (zh) 基于联合学习的设备健康评估方法及终端设备
CN113049793A (zh) 一种Abs复合材料的生产检测验证方法和装置
CN114511179A (zh) 一种处理配电柜异常的智能规划方法及系统

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20220513