CN114612005A - 基于SaaS实现的玻璃工厂数字智能系统 - Google Patents
基于SaaS实现的玻璃工厂数字智能系统 Download PDFInfo
- Publication number
- CN114612005A CN114612005A CN202210351921.7A CN202210351921A CN114612005A CN 114612005 A CN114612005 A CN 114612005A CN 202210351921 A CN202210351921 A CN 202210351921A CN 114612005 A CN114612005 A CN 114612005A
- Authority
- CN
- China
- Prior art keywords
- time period
- preset
- completion
- value
- intangible
- 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
Links
- 239000011521 glass Substances 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000004519 manufacturing process Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000005520 cutting process Methods 0.000 claims description 25
- 238000005265 energy consumption Methods 0.000 claims description 16
- 238000007726 management method Methods 0.000 claims description 16
- 238000012163 sequencing technique Methods 0.000 claims description 14
- 238000004146 energy storage Methods 0.000 claims description 9
- 238000012384 transportation and delivery Methods 0.000 claims description 9
- 230000005611 electricity Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000013523 data management Methods 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 4
- 239000002994 raw material Substances 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000007688 edging Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 239000002245 particle Substances 0.000 description 15
- 238000013145 classification model Methods 0.000 description 3
- 239000013589 supplement Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000000007 visual effect Effects 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
- G06Q10/06—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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06Q10/103—Workflow collaboration or project 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
-
- 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)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Technology Law (AREA)
- Life Sciences & Earth Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于SaaS实现的玻璃工厂数字智能系统，包括数据获取分类模块获取所有订单相关信息数据，对所有订单相关信息数据进行解析及分类，得到所有涉及的工段种类及每种工段的预设完成时间；智能排产模块得到影响生产环节的影响因子并得到预设时间段的排产子计划的完成预测值，根据完成预测值及影响因子数据调整下一时间段的排产子计划；工艺监督模块实时获取每种工段种类在每个时间段的完成情况，并根据实际影响因子对每种工段的完成情况进行展示；数量统计模块获取每个时间段电表的数据，实时展示每个时间段的用电情况，还包括数字金融模块。本发明能够提高工厂数字化进程，提高工厂信息化进程，打破数字孤岛，让数据汇总起来分析应用。
Description
技术领域
本发明涉及智能物联网管控技术领域，尤其涉及一种基于SaaS实现的玻璃工厂数字智能系统。
背景技术
在玻璃生产流程中，从订单录入到最终排产涉及到多个环节的信息，需要综合权衡多个业务目标从而进行决策，计划是制造流程中最重要的一环，所有的信息在这一环节汇总，生成针对每个订单对每个产线在时间上的匹配。很多的生产排产还是靠人工来执行，甚至一个星期执行一次，在海量信息的情况下，会造成无法全面优化业务目标，同时，时间上的滞后性，也会导致计划与执行的不匹配。不得不加入很多人工干预或者忽略一些约束，这样导致最终计算的结果与实际偏差较大，不能较好地满足实际需求。
目前也有很多技术在开发可以直观的观看排产计划的数字看板，但是目前大部分的这种数字看板显示的内容都比较单一，只能显示很简单的内容，并不能全面的对整个生产流程到后续的订单情况进行详细的汇总。
发明内容
本发明针对现有技术中的缺点，提供了一种基于SaaS实现的玻璃工厂数字智能系统。
为了解决上述技术问题，本发明通过下述技术方案得以解决：
一种基于SaaS实现的玻璃工厂数字智能系统，包括数据获取分类模块、智能排产模块、工艺监督模块、数量统计模块及数字金融模块；
所述数据获取分类模块，获取所有订单相关信息数据，对所有订单相关信息数据进行解析及分类，得到所有涉及的工段种类及每种工段的预设完成时间，其中，工段种类至少包括切裁、磨边、钢化、中空、包装及其他；
所述智能排产模块，根据根据预设完成时间以及实际完成时间得到影响生产环节的影响因子，进而得到预设时间段的排产子计划的完成预测值，并根据完成预测值及影响因子调整下一时间段的排产子计划；
所述工艺监督模块，实时获取每种工段种类在每个时间段的完成情况，并根据影响因子对每种工段的完成情况进行展示；
所述数量统计模块，对工段种类及每个预设时间段内的能源使用情况进行管理、对所有订单数据进行管理管理单元及对仓库库存的数据进行管理。
作为一种可实施方式，所述数据获取分类模块被设置为：
获取所有订单相关信息数据，对所有订单相关信息数据进行解析及分类，得到所有涉及的工段种类及每种工段的预设完成时间，订单相关信息包括下单时间、产品信息、物流时间、工艺调试时间、单件加工时间、班次、物品数量、设备单次加工量、工段使用的设备资源及设备的工作时段。
作为一种可实施方式，所述智能排产模块被设置为：
基于所有涉及的工段种类及每种工段的预设完成时间，得到预设排产计划；
结合每种工段的特定特征，将每种工段对应的预设完成时间和预设排产计划划分为多个相同时间段及每个时间段对应的排产子计划；
获取每个时间段对应的排产子计划的完成情况，通过每个时间段对应的排产子计划完成情况预测下一时间段内排产子计划的完成预测值。
作为一种可实施方式，所述通过每个时间段对应的排产子计划完成情况预测下一时间段内排产子计划的完成预测值，包括以下步骤：
在每个已经完成时间段内获取对应排产子计划的完成情况，通过完成情况确定每个时段内所对应的影响因子，其中，影响因子至少包括补单、加塞、机械设备故障、原材料缺失及人员不足；
根据已经完成时间段内的影响因子计算预设时间段内对应的排产子计划的完成预测值，包括：
将任意两个相邻时间段的影响因子进行比对得到相对应的第一变化差值；
对所有的第一变化差值进行统计得到完成预测值，通过以下公式计算完成预测值：
其中，Y为完成预测值，Xi+1为第i+1个时间段中所对应的影响因子，Xi为第i个时间段中所对应的影响因子，n为预设时间段的上限值，A为预设时间段的数量值，δ为影响权重值，影响权重值根据生产经验得到，且Xi+1不等于Xi。
作为一种可实施方式，还包括以下步骤：
若完成预测值大于预设阈值，则获取预测调整数据并通过所述预测调整数据对完成预测值进行调整，得到调整后的完成预测值；
将调整后的完成预测值与完成预测值进行处理得到实际误差值，根据实际误差值对影响权重值调整得到调整权重值，所述调整权重值表示如下：
其中，Y2为调整后的完成预测值，Y为完成预测值，δ为影响权重值，η表示调整系数，所述调整系数根据实际生产情况设定。
作为一种可实施方式，所述数量统计模块包括能源管理单元，所述能源管理单元包括能源消耗子单元、能源储备子单元及管理子单元，能源消耗子单元用于对每种能源的用量进行管理，所述能源储备子单元用于对可再生能源进行管理，能源包括电、水及燃气；
所述能源消耗子单元，获取每个已经完成时间段内每种能源的实际用量；
所述能源储备子单元，获取每个已经完成时间段内可再生能源的转换量及相应的种类，其中，种类至少包括电及水；
所述管理子单元，根据排产子计划得到每个预设时间段内每种能源的预设用量；
对实际用量及转换量进行处理，得到最终用量；
将最终用量与预设用量进行对比，判断预设时间段的能量消耗情况；
若最终用量过大，则将能量消耗情况与每个预设时间段的影响因子进行匹配分析，判断影响终用量的具体影响因子；
对具体影响因子进行分析，判断相应工段是否出现异常。
作为一种可实施方式，所述数量统计模块还包括订单数据管理单元及仓库库存统计单元；
所述订单数据管理单元，用于对已完成的预设时间段的发货情况进行统计并实时展示，结合影响因子对下一预设时间段的影响，预估下一预设时间段的发货时间；
所述仓库库存统计单元，用于按照预设时间段获取仓库内原片数据，得到原片加工数据并实时展示。
作为一种可实施方式，还包括数字金融模块，被设置为：
获取有形资产的数量及每种有形资产对应的估值，获取无形资产的数量及每种无形资产对应的估值；
将有形资产按照预设有形资产特征进行标记及排序，得到有形资产集合，将无形资产按照预设无形资产特征进行标记及排序，得到无形资产集合；
获取资产金额质押需求并解析，得到质押资产金额，基于资产金额按照预设最优质押模型推荐最佳质押方案以对接到相应的金融机构，其中，预设最优质押模型包括以下：
优先推荐无形资产，直至达到质押资产金额，第一预设最优质押模型
其中，Xi表示被选中的无形资产的数量，Di表示被选中无形资产的价值，i表示无形资产集合中第几个待选的无形资产，Y(Xi)d表示损失权重值，d表示被选中的无形资产的生效时间，V表示质押资产金额；
若无形资产不足，则结合有形资产进行组合，直至达到质押资产金额，第二预设最优质押模型
其中，其中，Xi表示被选中的无形资产的数量，Di表示被选中无形资产的价值，i表示无形资产集合第几个待选的无形资产，Y(Xi)d表示损失权重值，d表示被选中的无形资产的生效时间，其中，Xj表示被选中的有形资产的数量，Di表示被选中有形资产的价值，j表示有形资产集合第几个待选的有形资产，Y(Xj)b表示第一损失权重值，b表示被选中的有形资产的已使用年限，V表示质押资产金额。
作为一种可实施方式，所述无形资产至少包括知识产权无形资产，知识产权无形资产至少包括专利、商标及版权；
所述将无形资产按照预设无形资产特征进行标记及排序，得到无形资产集合，包括以下步骤：
筛选出有效的专利、商标及版权；
对有效的专利、商标及版权按照类别或申请时间或关键字进行标记及排序，得到初始知识产权无形资产集合；
获取有效的专利、商标及版权的市场预估价值，对初始知识产权无形资产集合添加相应的市场预估价值，得到知识产权无形资产集合。
作为一种可实施方式，所述工艺监督模块包括工艺监督子单元、切裁监督子单元及警报子单元；
所述工艺监督子单元，用于实时获取每种工段在每个预设时间段内的完成情况及影响因子；
所述切裁监督子单元，用于通过获取每个预设时间段的切裁率，得到两两预设时间段内的平均切裁率，并对平均裁切率进行分析；
所述警报子单元，若影响因子的数量超过预设值和/或若平均切裁率低于预设切裁率，则发出警报。
本发明由于采用了以上技术方案，具有显著的技术效果：
本发明能够提高工厂数字化进程，提高工厂信息化进程，工厂降本增效，打破数字孤岛，让数据汇总起来分析应用。提高管理能力，让生产过程可追溯，管理更透明。促进多端的融合，对工厂数字化改造有着重大意义。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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是本发明系统的整体结构示意图；
图2是数字金融模块涉及的流程图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。
实施例1：
一种基于SaaS实现的玻璃工厂数字智能系统，如图1所示，包括数据获取分类模块100、智能排产模块200、工艺监督模块300、数量统计模块400及数字金融模块500；
所述数据获取分类模块100，获取所有订单相关信息数据，对所有订单相关信息数据进行解析及分类，得到所有涉及的工段种类及每种工段的预设完成时间，其中，工段种类至少包括切裁、磨边、钢化、中空、包装及其他；
所述智能排产模块200，根据根据预设完成时间以及实际完成时间得到影响生产环节的影响因子，进而得到预设时间段的排产子计划的完成预测值，并根据完成预测值及影响因子调整下一时间段的排产子计划；
所述工艺监督模块300，实时获取每种工段种类在每个时间段的完成情况，并根据影响因子对每种工段的完成情况进行展示；
所述数量统计模块400，对工段种类及每个预设时间段内的能源使用情况进行管理、对所有订单数据进行管理管理单元及对仓库库存的数据进行管理；
所述数字金融模块500包括以下内容：如图2所示，S100、获取有形资产的数量及每种有形资产对应的估值，获取无形资产的数量及每种无形资产对应的估值；
S200、将有形资产按照预设有形资产特征进行标记及排序，得到有形资产集合，将无形资产按照预设无形资产特征进行标记及排序，得到无形资产集合；
S300、获取资产金额质押需求并解析，得到质押资产金额，基于资产金额按照预设最优质押模型推荐最佳质押方案以对接到相应的金融机构。
本发明的系统是集成于数字看板上，可以理解为在显示器或者其他显示结构上集成了本发明的系统，本发明的系统将录单后的数据进行数据分析，当然录单的形式不止局限于工作人员输入，还可以通过根据扫码等操作获取所有数据，会根据下单时间、发货时间、生产工艺等多个维度进行生产的排产计划，让各种数据实现线上化流转，能够实时更新工艺状态以及各工段破损情况，比现有技术更加直观和高效，能及时了解到每个工段中的各种情况。通过读取电表中的数据，实时展示当天的用电情况，通过分析原片仓库数据，为用户统计库存玻璃数量。通过分析就近发货时间，进行订单发货的提醒功能。通过汇总当天的切裁率，取出平均切裁率。数字看板通过汇总下单量、发货量、破损量、切裁率、成品率、能源消耗量等都可以在数字看板中体现，供办公室人员以及车间人员清晰明了的看到自己所得到的信息。
在一个实施例中，所述数据获取分类模块100被设置为：
获取所有订单相关信息数据，对所有订单相关信息数据进行解析及分类，得到所有涉及的工段种类及每种工段的预设完成时间，订单相关信息包括下单时间、产品信息、物流时间、工艺调试时间、单件加工时间、班次、物品数量、设备单次加工量、工段使用的设备资源及设备的工作时段。
在对每种工段进行分类时，本实施例可以借助于分类器进行分类，为了使得分类结果更加准确，采用多个分类器算法进行训练，然后融合多个分类器结果进行输出，得到最终预测结果，而多个分类器采用改进深度森林算法构建，利用粒子群进行对随机优化，将粒子群中的每一个粒子为一个候选方案，通过种群划分策略将整个粒子种群划分在特定数量的区域内，通过每种工段种群的大小和数量计算每种工段种群的尺寸并且得到最大尺寸，分类模型中采用的粒子更新策略为：
w代表粒子运动的惯性权重，c1和c2分别代表自我识别成份系数和社会成份系数，r1和r2是在[0,1]区间内均匀分布的随机数，维持判定多样性；
在迭代过程中，粒子群会一直更新速度和位置向量，进而得到粒子的适应度值，再根据粒子中所有局部最优解来更新全局最优解，最终改进后的分类模型为：
另外，针对难以区分的每种工段的特征信号，分类模型也会再进行改进，将权重分配给自适应调节的模型，再按照预测概率值进行匹配，然后进行修正模型中森林预测差异，每一种工段均为一个粒子模型，利用分类器的权重配置二维实数剧本，编码格式为：
L代表每一层随机案例个数，N代表实例中的类别数量，
代表级联层中的第1个概率修正权重值。
针对最终层分类器首席按初始化算法的各参数值和工段粒子信息，然后计算每个工段粒子在n代下的适应值，即交叉验证精度，假定行数为r，然后更新各粒子进化到n代的局部最优解和全局最优解，其中全局最优解行数为l，我们进行判定r和l是否一直，如果一致，更新算法的工段粒子速度和位置，如果不一致则使用新的更新策略更新粒子速度和位置，然后迭代次数加1，判定是否达到最大迭代次数，迭代完成后输出最优解。通过最优解来优化分类器，进来使得分类器的分类结果更加精准。
在实际生产中，影响预设排产计划的因素非常多，比如补单、加塞、机械设备故障、原材料缺失及人员不足，那我们如何在有这些情况的影响下还能做出更好的判断和预测呢，因此，在智能排产模块中加入了完成预测值这个概念，通过完成预测值来判断此阶段的排产子计划是否正常进行。
所述智能排产模块200被设置为：
基于所有涉及的工段种类及每种工段的预设完成时间，得到预设排产计划；
结合每种工段的特定特征，将每种工段对应的预设完成时间和预设排产计划划分为多个相同时间段及每个时间段对应的排产子计划；
获取每个时间段对应的排产子计划的完成情况，通过每个时间段对应的排产子计划完成情况预测下一时间段内排产子计划的完成预测值，具体为：在每个已经完成时间段内获取对应排产子计划的完成情况，通过完成情况确定每个时段内所对应的影响因子，其中，影响因子至少包括补单、加塞、机械设备故障、原材料缺失及人员不足；根据已经完成时间段内的影响因子计算预设时间段内对应的排产子计划的完成预测值，包括：将任意两个相邻时间段的影响因子进行比对得到相对应的第一变化差值；对所有的第一变化差值进行统计得到完成预测值，通过以下公式计算完成预测值：
其中，Y为完成预测值，Xi+1为第i+1个时间段中所对应的影响因子，Xi为第i个时间段中所对应的影响因子，n为预设时间段的上限值，A为预设时间段的数量值，δ为影响权重值，影响权重值根据生产经验得到，且Xi+1不等于Xi。
而如果大于预设阈值时，说明影响因子对排产子计划的影响比较大，因此也会说明下个阶段的排产子计划也势必会受到影响，因此需要对排产子计划进行调整，那么调整的话其实就是对相关参数进行调整，以使得预设时间段的排产子计划更加贴近实际生产情况，还包括以下步骤：
若完成预测值大于预设阈值，则获取预测调整数据并通过所述预测调整数据对完成预测值进行调整，得到调整后的完成预测值；
将调整后的完成预测值与完成预测值进行处理得到实际误差值，根据实际误差值对影响权重值调整得到调整权重值，所述调整权重值表示如下：
其中，Y2为调整后的完成预测值，Y为完成预测值，δ为影响权重值，η表示调整系数，所述调整系数根据实际生产情况设定。
另外，在本发明的系统中，还设计了数量统计模块400，这个数量统计模块400包含了很多内容，最优的改进就在于设置了能源管理单元，所述能源管理单元包括能源消耗子单元、能源储备子单元及管理子单元，能源消耗子单元用于对每种能源的用量进行管理，所述能源储备子单元用于对可再生能源进行管理，能源包括电、水及燃气；
所述能源消耗子单元，获取每个已经完成时间段内每种能源的实际用量；
所述能源储备子单元，获取每个已经完成时间段内可再生能源的转换量及相应的种类，其中，种类至少包括电及水；
所述管理子单元，根据排产子计划得到每个预设时间段内每种能源的预设用量；
对实际用量及转换量进行处理，得到最终用量；
将最终用量与预设用量进行对比，判断预设时间段的能量消耗情况；
若最终用量过大，则将能量消耗情况与每个预设时间段的影响因子进行匹配分析，判断影响终用量的具体影响因子；
对具体影响因子进行分析，判断相应工段是否出现异常。
另外，所述数量统计模块还包括订单数据管理单元及仓库库存统计单元；
所述订单数据管理单元，用于对已完成的预设时间段的发货情况进行统计并实时展示，结合影响因子对下一预设时间段的影响，预估下一预设时间段的发货时间；
所述仓库库存统计单元，用于按照预设时间段获取仓库内原片数据，得到原片加工数据并实时展示。
在一个实施例中，预设最优质押模型包括以下：
优先推荐无形资产，直至达到质押资产金额，第一预设最优质押模型
其中，Xi表示被选中的无形资产的数量，Di表示被选中无形资产的价值，i表示无形资产集合中第几个待选的无形资产，Y(Xi)d表示损失权重值，d表示被选中的无形资产的生效时间，V表示质押资产金额；
若无形资产不足，则结合有形资产进行组合，直至达到质押资产金额，第二预设最优质押模型
其中，其中，Xi表示被选中的无形资产的数量，Di表示被选中无形资产的价值，i表示无形资产集合第几个待选的无形资产，Y(Xi)d表示损失权重值，d表示被选中的无形资产的生效时间，其中，Xj表示被选中的有形资产的数量，Di表示被选中有形资产的价值，j表示有形资产集合第几个待选的有形资产，Y(Xj)b表示第一损失权重值，b表示被选中的有形资产的已使用年限，V表示质押资产金额。
此过程其实就是想清楚的表示本企业如果和银行对接，那么可以规划哪些推荐方案，有了这些推荐的方案，想要通过金融机构进行质押时可以直接获取到相应的推荐方案，进而明确的得到想要质押的金额。在整个方案中，参数Y(Xi)d和参数Y(Xj)b都是根据经验确立的值，可以是整数，可以是小数，可以是负数，也可以是正数，在此不再赘述。
更加具体地，在本方案中对现在所涉及的无形资产进行说明，无形资产至少包括知识产权无形资产，知识产权无形资产至少包括专利、商标及版权；
所述将无形资产按照预设无形资产特征进行标记及排序，得到无形资产集合，包括以下步骤：
筛选出有效的专利、商标及版权；
对有效的专利、商标及版权按照类别或申请时间或关键字进行标记及排序，得到初始知识产权无形资产集合；
获取有效的专利、商标及版权的市场预估价值，对初始知识产权无形资产集合添加相应的市场预估价值，得到知识产权无形资产集合。
在这个步骤中，有效的这个词语不仅仅表示的是专利权或者商标权处于有效状态，还包括专利、商标及版权能够进行质押或者转让的状态，假如在排序的过程中，原始排序好的无形资产已经被质押了，则在此次排序中将会被剔除，只选择处于有效期的并且可以进行质押的无形资产。在排序的过程中，可以根据类别，申请时间，每项的市场预估价值等进行排序，比如说按照市场预估价值从高到低进行排序，或者是按照申请日的远近进行排序亦或者是类别，比如先对发明专利进行排序，排序的目的就是为了后续步骤执行的更加快速及方便。
在一个实施例中，为了是本系统更加灵活化，所述工艺监督模块300包括工艺监督子单元、切裁监督子单元及警报子单元；
所述工艺监督子单元，用于实时获取每种工段在每个预设时间段内的完成情况及影响因子；
所述切裁监督子单元，用于通过获取每个预设时间段的切裁率，得到两两预设时间段内的平均切裁率，并对平均裁切率进行分析；
所述警报子单元，若影响因子的数量超过预设值和/或若平均切裁率低于预设切裁率，则发出警报。
通过本发明的系统，将所有可能涉及到的显示内容集成于一体，进而可以制作为数字看板，以便于能更直观的观测出所有生成情况以及可能的预测情况，为生产提供了良好的保障。同时呢，本发明并不局限于这些模块或者单元，在实际操作中还会预留相应的可开发的数据接口，可以设置其他可用的有必要的模块。
此外，需要说明的是，本说明书中所描述的具体实施例，其零、部件的形状、所取名称等可以不同。凡依本发明专利构思所述的构造、特征及原理所做的等效或简单变化，均包括于本发明专利的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离本发明的结构或者超越本权利要求要求书所定义的范围，均应属于本发明的保护范围。
Claims (10)
1.一种基于SaaS实现的玻璃工厂数字智能系统，其特征在于，包括数据获取分类模块、智能排产模块、工艺监督模块、数量统计模块及数字金融模块；
所述数据获取分类模块，获取所有订单相关信息数据，对所有订单相关信息数据进行解析及分类，得到所有涉及的工段种类及每种工段的预设完成时间，其中，工段种类至少包括切裁、磨边、钢化、中空、包装及其他；
所述智能排产模块，根据根据预设完成时间以及实际完成时间得到影响生产环节的影响因子，进而得到预设时间段的排产子计划的完成预测值，并根据完成预测值及影响因子调整下一时间段的排产子计划；
所述工艺监督模块，实时获取每种工段种类在每个时间段的完成情况，并根据影响因子对每种工段的完成情况进行展示；
所述数量统计模块，对工段种类及每个预设时间段内的能源使用情况进行管理、对所有订单数据进行管理管理单元及对仓库库存的数据进行管理。
2.根据权利要求1所述的基于SaaS实现的玻璃工厂数字智能系统，其特征在于，所述数据获取分类模块被设置为：
获取所有订单相关信息数据，对所有订单相关信息数据进行解析及分类，得到所有涉及的工段种类及每种工段的预设完成时间，订单相关信息包括下单时间、产品信息、物流时间、工艺调试时间、单件加工时间、班次、物品数量、设备单次加工量、工段使用的设备资源及设备的工作时段。
3.根据权利要求1或2所述的基于SaaS实现的玻璃工厂数字智能系统，其特征在于，所述智能排产模块被设置为：
基于所有涉及的工段种类及每种工段的预设完成时间，得到预设排产计划；
结合每种工段的特定特征，将每种工段对应的预设完成时间和预设排产计划划分为多个相同时间段及每个时间段对应的排产子计划；
获取每个时间段对应的排产子计划的完成情况，通过每个时间段对应的排产子计划完成情况预测下一时间段内排产子计划的完成预测值。
4.根据权利要求3所述的基于SaaS实现的玻璃工厂数字智能系统，其特征在于，所述通过每个时间段对应的排产子计划完成情况预测下一时间段内排产子计划的完成预测值，包括以下步骤：
在每个已经完成时间段内获取对应排产子计划的完成情况，通过完成情况确定每个时段内所对应的影响因子，其中，影响因子至少包括补单、加塞、机械设备故障、原材料缺失及人员不足；
根据已经完成时间段内的影响因子计算预设时间段内对应的排产子计划的完成预测值，包括：
将任意两个相邻时间段的影响因子进行比对得到相对应的第一变化差值；
对所有的第一变化差值进行统计得到完成预测值，通过以下公式计算完成预测值：
其中，Y为完成预测值，Xi+1为第i+1个时间段中所对应的影响因子，Xi为第i个时间段中所对应的影响因子，n为预设时间段的上限值，A为预设时间段的数量值，δ为影响权重值，影响权重值根据生产经验得到，且Xi+1不等于Xi。
5.根据权利要求4所述的基于SaaS实现的玻璃工厂数字智能系统，其特征在于，还包括以下步骤：
若完成预测值大于预设阈值，则获取预测调整数据并通过所述预测调整数据对完成预测值进行调整，得到调整后的完成预测值；
将调整后的完成预测值与完成预测值进行处理得到实际误差值，根据实际误差值对影响权重值调整得到调整权重值，所述调整权重值表示如下：
其中，Y2为调整后的完成预测值，Y为完成预测值，δ为影响权重值，η表示调整系数，所述调整系数根据实际生产情况设定。
6.根据权利要求1所述的基于SaaS实现的玻璃工厂数字智能系统，其特征在于，所述数量统计模块包括能源管理单元，所述能源管理单元包括能源消耗子单元、能源储备子单元及管理子单元，能源消耗子单元用于对每种能源的用量进行管理，所述能源储备子单元用于对可再生能源进行管理，能源包括电、水及燃气；
所述能源消耗子单元，获取每个已经完成时间段内每种能源的实际用量；
所述能源储备子单元，获取每个已经完成时间段内可再生能源的转换量及相应的种类，其中，种类至少包括电及水；
所述管理子单元，根据排产子计划得到每个预设时间段内每种能源的预设用量；
对实际用量及转换量进行处理，得到最终用量；
将最终用量与预设用量进行对比，判断预设时间段的能量消耗情况；
若最终用量过大，则将能量消耗情况与每个预设时间段的影响因子进行匹配分析，判断影响终用量的具体影响因子；
对具体影响因子进行分析，判断相应工段是否出现异常。
7.根据权利要求1所述的基于SaaS实现的玻璃工厂数字智能系统，其特征在于，所述数量统计模块还包括订单数据管理单元及仓库库存统计单元；
所述订单数据管理单元，用于对已完成的预设时间段的发货情况进行统计并实时展示，结合影响因子对下一预设时间段的影响，预估下一预设时间段的发货时间；
所述仓库库存统计单元，用于按照预设时间段获取仓库内原片数据，得到原片加工数据并实时展示。
8.根据权利要求1所述的基于SaaS实现的玻璃工厂数字智能系统，其特征在于，还包括数字金融模块，被设置为：
获取有形资产的数量及每种有形资产对应的估值，获取无形资产的数量及每种无形资产对应的估值；
将有形资产按照预设有形资产特征进行标记及排序，得到有形资产集合，将无形资产按照预设无形资产特征进行标记及排序，得到无形资产集合；
获取资产金额质押需求并解析，得到质押资产金额，基于资产金额按照预设最优质押模型推荐最佳质押方案以对接到相应的金融机构，其中，预设最优质押模型包括以下：
优先推荐无形资产，直至达到质押资产金额，第一预设最优质押模型
其中，Xi表示被选中的无形资产的数量，Di表示被选中无形资产的价值，i表示无形资产集合中第几个待选的无形资产，Y(Xi)d表示损失权重值，d表示被选中的无形资产的生效时间，V表示质押资产金额；
若无形资产不足，则结合有形资产进行组合，直至达到质押资产金额，第二预设最优质押模型
其中，其中，Xi表示被选中的无形资产的数量，Di表示被选中无形资产的价值，i表示无形资产集合第几个待选的无形资产，Y(Xi)d表示损失权重值，d表示被选中的无形资产的生效时间，其中，Xj表示被选中的有形资产的数量，Di表示被选中有形资产的价值，j表示有形资产集合第几个待选的有形资产，Y(Xj)b表示第一损失权重值，b表示被选中的有形资产的已使用年限，V表示质押资产金额。
9.根据权利要求8所述的基于SaaS实现的玻璃工厂数字智能系统，其特征在于，所述无形资产至少包括知识产权无形资产，知识产权无形资产至少包括专利、商标及版权；
所述将无形资产按照预设无形资产特征进行标记及排序，得到无形资产集合，包括以下步骤：
筛选出有效的专利、商标及版权；
对有效的专利、商标及版权按照类别或申请时间或关键字进行标记及排序，得到初始知识产权无形资产集合；
获取有效的专利、商标及版权的市场预估价值，对初始知识产权无形资产集合添加相应的市场预估价值，得到知识产权无形资产集合。
10.根据权利要求1所述的基于SaaS实现的玻璃工厂数字智能系统，其特征在于，所述工艺监督模块包括工艺监督子单元、切裁监督子单元及警报子单元；
所述工艺监督子单元，用于实时获取每种工段在每个预设时间段内的完成情况及影响因子；
所述切裁监督子单元，用于通过获取每个预设时间段的切裁率，得到两两预设时间段内的平均切裁率，并对平均裁切率进行分析；
所述警报子单元，若影响因子的数量超过预设值和/或若平均切裁率低于预设切裁率，则发出警报。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210351921.7A CN114612005B (zh) | 2022-04-02 | 2022-04-02 | 基于SaaS实现的玻璃工厂数字智能系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210351921.7A CN114612005B (zh) | 2022-04-02 | 2022-04-02 | 基于SaaS实现的玻璃工厂数字智能系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114612005A true CN114612005A (zh) | 2022-06-10 |
| CN114612005B CN114612005B (zh) | 2023-08-01 |
Family
ID=81865988
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210351921.7A Active CN114612005B (zh) | 2022-04-02 | 2022-04-02 | 基于SaaS实现的玻璃工厂数字智能系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114612005B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117311296A (zh) * | 2023-11-29 | 2023-12-29 | 青岛创新奇智科技集团股份有限公司 | 基于工业模型的高强度生产线协同优化与能效管理方法 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100332275A1 (en) * | 2002-07-20 | 2010-12-30 | Michael Walsh | System, method, and media for trading of energy efficiency |
| CN105741036A (zh) * | 2016-01-29 | 2016-07-06 | 苏州浙远自动化工程技术有限公司 | 一种中药智慧工厂的排产排程系统及方法 |
| CN107767068A (zh) * | 2017-11-02 | 2018-03-06 | 山东中烟工业有限责任公司 | 一种精益生产高级计划排产系统及方法 |
| US20180218038A1 (en) * | 2017-01-30 | 2018-08-02 | International Business Machines Corportation | Database optimization based on forecasting hardware statistics using data mining techniques |
| CN109426920A (zh) * | 2018-01-19 | 2019-03-05 | 武汉十傅科技有限公司 | 一种考虑预测订单和实际订单的企业生产计划优化方法 |
| CN110009202A (zh) * | 2019-03-15 | 2019-07-12 | 安徽省司尔特肥业股份有限公司 | 一种肥料工厂的智能排产排程系统及方法 |
| JP2019168763A (ja) * | 2018-03-22 | 2019-10-03 | 三菱電機株式会社 | 運転開始条件変換装置および運転開始条件変換方法 |
| CN111191846A (zh) * | 2019-12-31 | 2020-05-22 | 同济大学 | 一种面向客户复杂定制需求的油缸产品排产优化装置 |
| CN111650901A (zh) * | 2020-05-19 | 2020-09-11 | 北京坚构创新科技有限公司 | 一种水泥生产线用智能无人值守工厂系统 |
| CN111880502A (zh) * | 2020-07-30 | 2020-11-03 | 上海数策软件股份有限公司 | 基于交付满足的工厂设备预防性维护排班系统和方法 |
| CN113344338A (zh) * | 2021-05-14 | 2021-09-03 | 悠桦林信息科技(上海)有限公司 | 生产排程方法、系统、设备及介质、生产排程管理平台 |
| CN113393092A (zh) * | 2021-05-26 | 2021-09-14 | 青岛奥利普自动化控制系统有限公司 | 生产排产方法、设备、装置及存储介质 |
| CN113506081A (zh) * | 2021-06-15 | 2021-10-15 | 刘俊艳 | 一种生产计划管理系统及其排产方法 |
| CN113537629A (zh) * | 2021-08-04 | 2021-10-22 | 苏州里数云信息科技有限公司 | 一种智能计划与排产系统 |
| CN113794753A (zh) * | 2021-08-24 | 2021-12-14 | 九亿里数字科技(深圳)有限公司 | 基于SaaS的云数据管理平台的管理方法及系统 |
-
2022
- 2022-04-02 CN CN202210351921.7A patent/CN114612005B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100332275A1 (en) * | 2002-07-20 | 2010-12-30 | Michael Walsh | System, method, and media for trading of energy efficiency |
| CN105741036A (zh) * | 2016-01-29 | 2016-07-06 | 苏州浙远自动化工程技术有限公司 | 一种中药智慧工厂的排产排程系统及方法 |
| US20180218038A1 (en) * | 2017-01-30 | 2018-08-02 | International Business Machines Corportation | Database optimization based on forecasting hardware statistics using data mining techniques |
| CN107767068A (zh) * | 2017-11-02 | 2018-03-06 | 山东中烟工业有限责任公司 | 一种精益生产高级计划排产系统及方法 |
| CN109426920A (zh) * | 2018-01-19 | 2019-03-05 | 武汉十傅科技有限公司 | 一种考虑预测订单和实际订单的企业生产计划优化方法 |
| JP2019168763A (ja) * | 2018-03-22 | 2019-10-03 | 三菱電機株式会社 | 運転開始条件変換装置および運転開始条件変換方法 |
| CN110009202A (zh) * | 2019-03-15 | 2019-07-12 | 安徽省司尔特肥业股份有限公司 | 一种肥料工厂的智能排产排程系统及方法 |
| CN111191846A (zh) * | 2019-12-31 | 2020-05-22 | 同济大学 | 一种面向客户复杂定制需求的油缸产品排产优化装置 |
| CN111650901A (zh) * | 2020-05-19 | 2020-09-11 | 北京坚构创新科技有限公司 | 一种水泥生产线用智能无人值守工厂系统 |
| CN111880502A (zh) * | 2020-07-30 | 2020-11-03 | 上海数策软件股份有限公司 | 基于交付满足的工厂设备预防性维护排班系统和方法 |
| CN113344338A (zh) * | 2021-05-14 | 2021-09-03 | 悠桦林信息科技(上海)有限公司 | 生产排程方法、系统、设备及介质、生产排程管理平台 |
| CN113393092A (zh) * | 2021-05-26 | 2021-09-14 | 青岛奥利普自动化控制系统有限公司 | 生产排产方法、设备、装置及存储介质 |
| CN113506081A (zh) * | 2021-06-15 | 2021-10-15 | 刘俊艳 | 一种生产计划管理系统及其排产方法 |
| CN113537629A (zh) * | 2021-08-04 | 2021-10-22 | 苏州里数云信息科技有限公司 | 一种智能计划与排产系统 |
| CN113794753A (zh) * | 2021-08-24 | 2021-12-14 | 九亿里数字科技(深圳)有限公司 | 基于SaaS的云数据管理平台的管理方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 冯勇;蒋高明;吴志明;: "基于大数据的针织MES生产计划与调度系统", 针织工业, no. 03, pages 4 - 7 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117311296A (zh) * | 2023-11-29 | 2023-12-29 | 青岛创新奇智科技集团股份有限公司 | 基于工业模型的高强度生产线协同优化与能效管理方法 |
| CN117311296B (zh) * | 2023-11-29 | 2024-02-13 | 青岛创新奇智科技集团股份有限公司 | 基于工业模型的高强度生产线协同优化与能效管理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114612005B (zh) | 2023-08-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Pereira et al. | A data-driven approach to adaptive synchronization of demand and supply in omni-channel retail supply chains | |
| CN113228068B (zh) | 用于库存管理和优化的系统和方法 | |
| Wang et al. | Fuzzy decision modeling for supply chain management | |
| Liu et al. | Decision criteria and optimal inventory processes | |
| Kuo et al. | The integration of association rule mining and artificial immune network for supplier selection and order quantity allocation | |
| CN112150237B (zh) | 多模型融合的订单逾期预警方法、装置、设备及存储介质 | |
| Maleki et al. | Determining the prices of remanufactured products, capacity of internal workstations and the contracting strategy within queuing framework | |
| Farahani et al. | The optimal disposition policy for remanufacturing systems with variable quality returns | |
| CN112712314A (zh) | 一种基于物联网传感器的物流数据推荐方法 | |
| Zhang et al. | Big data driven decision-making for batch-based production systems | |
| CN114612005B (zh) | 基于SaaS实现的玻璃工厂数字智能系统 | |
| Badakhshan et al. | Deploying hybrid modelling to support the development of a digital twin for supply chain master planning under disruptions | |
| CN117575300A (zh) | 一种车间的任务分配方法以及装置 | |
| CN117670018A (zh) | 汽车制造中的风险预测以及交互式风险减轻的系统及方法 | |
| Ebrahimi et al. | Bi-objective build-to-order supply chain problem with customer utility | |
| CN116777263A (zh) | 一种企业经营数据分析系统及方法 | |
| Li et al. | Early warning systems for multi-variety and small batch manufacturing based on active learning | |
| Ladva et al. | An Analysis on various Machine Learning Algorithms (AI) & Nature Inspired Algorithms for modern Inventory Management | |
| Imdahl et al. | Targeted automation of order decisions using machine learning | |
| CN115375024A (zh) | 一种基于bom材料损耗预测和提醒采购方法及系统 | |
| Reyes et al. | Applying lean manufacturing techniques to distribution requirements planning in ecuadorian flour industry | |
| Dundulienė et al. | Trade risk identification and prediction using experts’ knowledge and machine learning | |
| Durand et al. | Determination of storage tanks location for optimal short-term scheduling in multipurpose/multiproduct batch-continuous plants under uncertainties | |
| Chang et al. | Probe of the replenishment strategy and grouping rule in the semiconductor industry | |
| Lee et al. | Design of decision support system for yield management in semiconductor industry: application to artificial intelligence |
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 |