CN114742391B - 基于人工智能的异常处理方法、装置、计算机设备及介质 - Google Patents
基于人工智能的异常处理方法、装置、计算机设备及介质 Download PDFInfo
- Publication number
- CN114742391B CN114742391B CN202210351173.2A CN202210351173A CN114742391B CN 114742391 B CN114742391 B CN 114742391B CN 202210351173 A CN202210351173 A CN 202210351173A CN 114742391 B CN114742391 B CN 114742391B
- Authority
- CN
- China
- Prior art keywords
- influence
- abnormal
- conclusion
- data
- exception
- 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
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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种基于人工智能的异常处理方法、装置、计算机设备及介质,其中方法包括:根据异常类型和目标异常数据进行影响评估,得到评估结论和影响范围;若评估结论为有影响,根据预设的第一异常处理引擎库、异常类型和影响范围进行异常模拟处理,得到模拟处理结果;根据预设的异常处理评分模型库、异常类型、影响范围和目标异常数据,对模拟处理结果进行评分,得到评分结果;判断评分结果是否大于预设的评分阈值,若是,则根据模拟处理结果得到异常处理结果,否则,根据预设的第二异常处理引擎库、异常类型和影响范围进行异常处理,得到异常处理结果。避免了人员根据经验进行异常处理导致的合理性不稳定,提高了异常处理结果的合理性。
Description
技术领域
本发明涉及智能生产技术领域,尤其涉及一种基于人工智能的异常处理方法、装置、计算机设备及介质。
背景技术
现有技术中,当出现异常时,首先通过相关人员查找异常原因,然后根据异常原因确定异常处理方案,最后根据异常处理方案进行异常处理,异常处理的合理性依赖于处理人员的经验,导致异常处理的合理性不稳定;而且异常出现的场景非常复杂,导致异常处理的合理性不高。
发明内容
基于此,有必要针对上述问题,提出了一种基于人工智能的异常处理方法、装置、计算机设备及介质。
一种基于人工智能的异常处理方法,所述方法包括:
获取目标异常数据和所述目标异常数据对应的异常类型;
根据所述异常类型和所述目标异常数据进行影响评估,得到评估结论和影响范围;
若所述评估结论为有影响,根据预设的第一异常处理引擎库、所述异常类型和所述影响范围进行异常模拟处理,得到模拟处理结果;
根据预设的异常处理评分模型库、所述异常类型、所述影响范围和所述目标异常数据,对所述模拟处理结果进行评分,得到评分结果;
判断所述评分结果是否大于预设的评分阈值,若是,则根据所述模拟处理结果得到异常处理结果,否则,根据预设的第二异常处理引擎库、所述异常类型和所述影响范围进行异常处理,得到所述异常处理结果。
一种基于人工智能的异常处理装置,所述装置包括:
数据获取模块,用于获取目标异常数据和所述目标异常数据对应的异常类型;
影响评估模块,用于根据所述异常类型和所述目标异常数据进行影响评估,得到评估结论和影响范围;
模拟处理结果确定模块,用于若所述评估结论为有影响,根据预设的第一异常处理引擎库、所述异常类型和所述影响范围进行异常模拟处理,得到模拟处理结果;
评分结果确定模块,用于根据预设的异常处理评分模型库、所述异常类型、所述影响范围和所述目标异常数据,对所述模拟处理结果进行评分,得到评分结果;
异常处理结果确定模块,用于判断所述评分结果是否大于预设的评分阈值,若是,则根据所述模拟处理结果得到异常处理结果,否则,根据预设的第二异常处理引擎库、所述异常类型和所述影响范围进行异常处理,得到所述异常处理结果。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行以下步骤:
获取目标异常数据和所述目标异常数据对应的异常类型;
根据所述异常类型和所述目标异常数据进行影响评估,得到评估结论和影响范围;
若所述评估结论为有影响,根据预设的第一异常处理引擎库、所述异常类型和所述影响范围进行异常模拟处理,得到模拟处理结果;
根据预设的异常处理评分模型库、所述异常类型、所述影响范围和所述目标异常数据,对所述模拟处理结果进行评分,得到评分结果;
判断所述评分结果是否大于预设的评分阈值,若是,则根据所述模拟处理结果得到异常处理结果,否则,根据预设的第二异常处理引擎库、所述异常类型和所述影响范围进行异常处理,得到所述异常处理结果。
一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行以下步骤:
获取目标异常数据和所述目标异常数据对应的异常类型;
根据所述异常类型和所述目标异常数据进行影响评估,得到评估结论和影响范围;
若所述评估结论为有影响,根据预设的第一异常处理引擎库、所述异常类型和所述影响范围进行异常模拟处理,得到模拟处理结果;
根据预设的异常处理评分模型库、所述异常类型、所述影响范围和所述目标异常数据,对所述模拟处理结果进行评分,得到评分结果;
判断所述评分结果是否大于预设的评分阈值,若是,则根据所述模拟处理结果得到异常处理结果,否则,根据预设的第二异常处理引擎库、所述异常类型和所述影响范围进行异常处理,得到所述异常处理结果。
本申请的基于人工智能的异常处理方法,通过根据目标异常数据和异常类型依次进行影响评估、确定模拟处理结果、对模拟处理结果进行评分、确定异常处理结果,实现了自动化进行基于人工智能的异常处理,避免了人员根据经验进行异常处理导致的合理性不稳定;而且整个基于人工智能的异常处理,自动化对模拟处理结果进行评分,根据评分结果确定异常处理结果,提高了确定的异常处理结果的合理性。
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的前提下,还可以根据这些附图获得其他的附图。
其中:
图1为一个实施例中基于人工智能的异常处理方法的流程图;
图2为一个实施例中基于人工智能的异常处理装置的结构框图;
图3为一个实施例中计算机设备的结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,在一个实施例中,提供了一种基于人工智能的异常处理方法。该方法既可以应用于终端,也可以应用于服务器,本实施例以应用于终端举例说明。该基于人工智能的异常处理方法具体包括如下步骤:
S102:获取目标异常数据和所述目标异常数据对应的异常类型;
具体而言,可以从数据库中获取目标异常数据和所述目标异常数据对应的异常类型,也可以获取用户输入的目标生产排期的目标异常数据和所述目标异常数据对应的异常类型,还可以从第三方应用中获取目标异常数据和所述目标异常数据对应的异常类型。
可以理解的是,本申请的目标异常数据可以是制造业的目标生产排期的异常数据,也可以是其他行业的异常数据,比如,软件行业的运维异常数据,在此不做限定。
目标生产排期,是需要进行异常处理的生产排期。
生产排期,是指在确保订单的交期和主要工序时间的前提下,对各个工序进行时间和逻辑上的合理安排,以达到合理利用生产资源、减少工序之间干扰的目的。
生产排期包括:订单交期和工序排期。工序排期包括:工序、工序时间排期、工序机器排期和工序工人排期。工序时间排期包括:工序的开始时间、工序的结束时间和工序的预留时间。工序机器排期包括一个或多个机器排期。机器排期包括:机器标识和时间。工序工人排期包括一个或多个工人排期。工人排期包括:工人标识和时间。
目标异常数据,是需要进行异常处理的异常数据。异常数据,是异常的描述信息。比如,目标异常类型为材料异常时,目标异常数据包括:异常详情,异常详情包括:异常材料、异常材料数量和异常材料交期。
异常类型的取值范围包括:材料异常、人机异常和生产异常。人机异常包括:工人异常和/或机器异常。生产异常包括:委外异常和/或产能不达标。物料买错、物料延期、物料用错均会导致材料异常。工人的离职、请假、调岗均会导致工人异常。机器的故障、保养将导致机器异常。委外的产品或工序不能按期交付时会导致委外异常。机器的实际产能小于预计的产能时,将导致产能不达标。
S104:根据所述异常类型和所述目标异常数据进行影响评估,得到评估结论和影响范围;
具体而言,可以采用遍历工序的方法和与所述异常类型对应的影响评估方法,根据所述目标异常数据,对目标生产排期中的每个工序进行是否影响评估以及影响范围的评估,也可以采用与所述异常类型对应的影响评估方法,根据所述目标异常数据,对目标生产排期中的订单交期进行是否影响评估以及影响范围的评估。是否影响评估,是评估是否按时按量完成。影响范围的评估,是影响的时间和数量的评估。
S106:若所述评估结论为有影响,根据预设的第一异常处理引擎库、所述异常类型和所述影响范围进行异常模拟处理,得到模拟处理结果;
其中,第一异常处理引擎库包括:类型和第一异常处理引擎。第一异常处理引擎是实现第一约束条件集的规则计算引擎,用于对各个生产排期进行模拟调整。第一约束条件集中包括一个或多个约束条件。第一约束条件集,是采用机器深度学习,对第一训练样本集进行规则挖掘得到的规则集。第一训练样本集,是基于第一异常处理目标确定的第一训练样本的集合。第一训练样本集在包括多个第一训练样本。第一训练样本包括:第一影响范围样本值和模拟异常处理标定值。第一影响范围样本值,是从生产排期对应的异常数据提取得到的影响范围。模拟异常处理标定值,是基于第一异常处理目标,对第一影响范围样本值进行异常模拟处理的准确标定结果。
具体而言,根据预设的第一异常处理引擎库、所述异常类型,对所述影响范围进行异常模拟处理,将异常模拟处理得到的数据作为模拟处理结果。
模拟处理结果是各个生产排期的模拟调整结果。
可以理解的是,若所述评估结论为无影响,不需要进行异常处理,此时不需执行步骤S108至步骤S110。
S108:根据预设的异常处理评分模型库、所述异常类型、所述影响范围和所述目标异常数据,对所述模拟处理结果进行评分,得到评分结果;
其中,异常处理评分模型库包括:类型和异常处理评分模型。异常处理评分模型,是基于多层感知机训练得到的模型。基于多层感知机训练得到异常处理评分模型的方法步骤在此不做赘述。
具体而言,将所述影响范围、所述目标异常数据和所述模拟处理结果输入预设的异常处理评分模型库中的与所述异常类型对应的异常处理评分模型进行评分,将评分得到的数据作为评分结果。
S110:判断所述评分结果是否大于预设的评分阈值,若是,则根据所述模拟处理结果得到异常处理结果,否则,根据预设的第二异常处理引擎库、所述异常类型和所述影响范围进行异常处理,得到所述异常处理结果。
其中,第二异常处理引擎库包括:类型和第二异常处理引擎。第二异常处理引擎是实现第二约束条件集的规则计算引擎,用于对各个生产排期进行调整。第二约束条件集中包括一个或多个约束条件。第二约束条件集,是采用机器深度学习,对第二训练样本集进行规则挖掘得到的规则集。第二训练样本集,是基于第二异常处理目标确定的第一训练样本的集合。第二训练样本集在包括多个第二训练样本。第二训练样本包括:第二影响范围样本值和异常处理标定值。第二影响范围样本值,是从生产排期对应的异常数据提取得到的影响范围。异常处理标定值,是基于第二异常处理目标,对第二影响范围样本值进行异常处理的准确标定结果。第二异常处理目标与第一异常处理目标不相同。
可选的,第一约束条件集与第二约束条件集之间存在相同的约束条件。
可选的,第一约束条件集的约束条件与第二约束条件集的约束条件均不相同。
异常处理结果,是各个生产排期的最终调整结果。
具体而言,判断所述评分结果是否大于预设的评分阈值,以判断所述评分结果是否符合要求;若是,也就是所述评分结果大于预设的评分阈值,此时的所述评分结果符合要求,因此根据所述模拟处理结果进行异常处理,将异常处理得到的数据作为异常处理结果;若否,也就是所述评分结果小于或等于预设的评分阈值,此时的所述评分结果不符合要求,根据预设的第二异常处理引擎库、所述异常类型,对所述影响范围进行异常处理,将异常处理得到的数据作为所述异常处理结果。
可以理解的是,在异常处理时,需要对受影响的排期所占用的资源进行释放,然后采用预设的自动化排期规则对受影响的产品数量进行重新排期和/或委外给外部供应商,其中,进行重新排期时可以采用延迟订单交期、从其他生产排期抽调资源(机器、工人、材料)的方式。
本实施例通过根据目标异常数据和异常类型依次进行影响评估、确定模拟处理结果、对模拟处理结果进行评分、确定异常处理结果,实现了自动化进行基于人工智能的异常处理,避免了人员根据经验进行异常处理导致的合理性不稳定;而且整个基于人工智能的异常处理,自动化对模拟处理结果进行评分,根据评分结果确定异常处理结果,提高了确定的异常处理结果的合理性。
在一个实施例中,上述根据所述异常类型和所述目标异常数据进行影响评估,得到评估结论和影响范围的步骤,包括:
S202:若所述异常类型为材料异常,则从所述目标异常数据中获取任一个异常材料对应的异常材料数量及异常材料交期;
其中,若所述异常类型为材料异常,所述目标异常数据的异常详情包括:异常材料、异常材料数量和异常材料交期,因此从所述目标异常数据中获取任一个异常材料对应的异常材料数量及异常材料交期。
也就是说,所述目标异常数据可以包括多个异常材料对应的异常材料数量及异常材料交期,每次只需要提取一个异常材料对应的异常材料数量及异常材料交期,然后根据提取的异常材料数量及异常材料交期执行步骤S204至步骤S222,即可确定每个异常材料的评估结论及影响范围。
S204:根据所述异常材料数量和所述目标异常数据对应的目标生产排期对应的单件用量及损耗率进行材料影响产品数量计算;
其中,单件用量,是一个产品对材料的用量。材料影响产品数量,是异常材料影响的实际产品数量。
具体而言,材料影响产品数量=(异常材料数量/单件用量)/(1+损耗率))。
S205:将所述材料影响产品数量作为第1个工序的产品影响数量,将所述异常材料交期作为第1个工序的预调整结束时间,将第1个工序的工序结论确定为有影响;
其中,产品影响数量,是影响工序产出的产品数量。预调整结束时间,是模拟调整的工序结束时间。工序结论,是工序是否受影响的结论。
具体而言,目标生产排期对应多个工序,目标生产排期对应的各个工序按开始时间的先后顺序排序,目标生产排期的第1个工序是采购工序。当所述异常类型为材料异常时,意味着目标生产排期的第1个工序出现了异常,因此,将所述材料影响产品数量作为第1个工序的产品影响数量,将所述异常材料交期作为第1个工序的预调整结束时间,将第1个工序的工序结论确定为有影响,为遍历工序进行影响评估提供了基础。
S206:若第i-1个工序的所述工序结论为无影响,则确定第i个工序的所述工序结论为无影响,其中,i是大于1的整数,并且i小于或等于所述目标生产排期的所述工序的数量;
具体而言,若第i-1个工序的所述工序结论为无影响,意味着上一个工序(第i-1个工序)没有受影响,上一个工序没有受影响会使当前工序(也就是第i个工序)肯定不会受影响,因此,直接确定第i个工序的所述工序结论为无影响。
其中,i是大于1的整数,意味着从目标生产排期的第2个工序开始进行影响评估。
S210:若第i-1个工序的所述工序结论为有影响,则判断第i-1个工序的所述预调整结束时间是否晚于第i个工序的原始结束时间;
其中,原始结束时间是工序时间排期中的工序的结束时间。
具体而言,若第i-1个工序的所述工序结论为有影响,意味着上一个工序(第i-1个工序)受影响,上一个工序受影响会使当前工序(也就是第i个工序)可能受影响,需要对当前工序进行影响评估,因此,先判断第i-1个工序的所述预调整结束时间是否晚于第i个工序的原始结束时间。
S212:若是,则将第i个工序的所述工序结论确定为有影响,根据第i-1个工序的所述产品影响数量和第i个工序的日产能曲线及所述原始结束时间,确定第i个工序的所述产品影响数量及所述预调整结束时间;
具体而言,若是,也就是第i-1个工序的所述预调整结束时间晚于第i个工序的原始结束时间,此时意味着第i个工序肯定会受影响,因此,将第i个工序的所述工序结论确定为有影响,将第i-1个工序的所述产品影响数量作为第i个工序的所述产品影响数量,根据第i-1个工序的所述产品影响数量和第i个工序的日产能曲线确定第i个工序的影响天数,将第i个工序的原始结束时间减去第i个工序的影响天数,得到第i个工序的所述预调整结束时间。
S214:若否,则根据第i-1个工序的所述预调整结束时间、第i个工序的所述原始结束时间及所述日产能曲线,确定第i个工序的产品排产数量;
其中,第i个工序的产品排产数量,是第i个工序在第i-1个工序的所述预调整结束时间与第i个工序的所述原始结束时间之间的总产能(也就是产品总数量)。
具体而言,若否,也就是第i-1个工序的所述预调整结束时间早于或等于第i个工序的原始结束时间,此时意味着第i个工序可能会受影响,因此,根据第i-1个工序的所述预调整结束时间与第i个工序的所述原始结束时间之间的时间段,从所述日产能曲线中确定产品总数量,将确定的产品总数量作为第i个工序的产品排产数量。
S216:判断第i个工序的产品排产数量是否大于或等于第i-1个工序的所述产品影响数量;
S218:若是,则将第i个工序的所述工序结论确定为无影响,否则,则将第i个工序的所述工序结论确定为有影响,将第i-1个工序的所述产品影响数量减去第i个工序的所述产品排产数量,得到第i个工序的所述产品影响数量,并且根据第i个工序的所述产品影响数量、所述原始结束时间及所述日产能曲线,确定第i个工序的所述预调整结束时间;
具体而言,若是,也就是第i个工序的产品排产数量大于或等于第i-1个工序的所述产品影响数量,此时意味着当前工序的产品排产数量大于或等于上一个工序的产品影响数量,当前工序(也就是第i个工序)不会受影响,因此,将第i个工序的所述工序结论确定为无影响;否则,也就是第i个工序的产品排产数量小于第i-1个工序的所述产品影响数量,此时意味着当前工序的产品排产数量小于上一个工序的产品影响数量,当前工序(也就是第i个工序)会受影响,因此,将第i个工序的所述工序结论确定为有影响,将第i-1个工序的所述产品影响数量减去第i个工序的所述产品排产数量,将相减得到的数据作为第i个工序的所述产品影响数量,以第i个工序的所述原始结束时间为结束时间,从第i个工序的所述日产能曲线中找出总产能等于第i个工序的所述产品影响数量的时间段,将找出的时间段的开始时间作为第i个工序的所述预调整结束时间。
S220:判断是否存在第n个工序的所述工序结论为有影响,其中,n为大于1的整数,n小于或等于i;
具体而言,从目标生产排期的第2个工序开始,存在工序的所述工序结论为有影响,意味着有非采购的工序受到了影响,因此需要判断是否存在第n个工序的所述工序结论为有影响。
S222:若是,则将所述评估结论确定为有影响,并根据各个所述预调整结束时间和各个所述产品影响数量确定所述影响范围,否则,则将所述评估结论确定为无影响。
具体而言,若是,也就是从目标生产排期的第2个工序开始,存在工序的所述工序结论为有影响,因此,将所述评估结论确定为有影响,将各个所述预调整结束时间和各个所述产品影响数量作为所述影响范围;否则,也就是从目标生产排期的第2个工序开始,不存在工序的所述工序结论为有影响,因此,将所述评估结论确定为无影响。
本实施例在异常类型为材料异常时,采用遍历工序的方法和与材料异常对应的影响评估方法,根据所述目标异常数据进行影响评估,从而实现了自动化的进行影响评估;而且采用统一的评估标准,从而提高了影响评估的准确性。
在一个实施例中,上述根据所述异常类型和所述目标异常数据进行影响评估,得到评估结论和影响范围的步骤,还包括:
S302:若所述异常类型不包括工人异常,则将工人影响结论确定为无影响,确定工人排期影响数据为空值,否则,从所述目标异常数据中获取每个工序的异常工人排期集;
具体而言,若所述异常类型不包括工人异常,意味着不存在工人异常,因此,将工人影响结论确定为无影响,并且确定工人排期影响数据为空值;否则,存在工人异常,需要进行工人异常对目标生产排期的影响评估,因此,从所述目标异常数据中获取每个工序的异常工人排期集。
S304:采用第一工序的预设的预留工人空期库,对所述第一工序的所述异常工人排期集中的异常工人排期进行替换,得到第一替换结果,其中,所述第一工序是任一个所述工序;
具体而言,基于预设的异常工人排期替换规则,对所述第一工序的所述异常工人排期集中的每个异常工人排期进行替换,若找到可以用于替换的工人空期,则确定第一替换结果为成功,若未找到可以用于替换的工人空期,则确定第一替换结果为失败。
可选的,异常工人排期替换规则包括:替换的人数尽量少。
S306:若所述第一替换结果均为成功,则将所述工人影响结论确定为无影响,否则,将所述工人影响结论确定为有影响,将为失败的各个所述第一替换结果对应的所述异常工人排期作为所述工人排期影响数据;
具体而言,若所述第一替换结果均为成功,意味着各个工序的所述异常工人排期集中的每个异常工人排期均找到了替换的工人空期,因此,将所述工人影响结论确定为无影响;否则,意味着各个工序的所述异常工人排期集中存在异常工人排期未被替换成功,因此,将所述工人影响结论确定为有影响,将为失败的各个所述第一替换结果对应的各个所述异常工人排期作为所述工人排期影响数据,从而找到了影响的工人排期。
S308:若所述异常类型不包括机器异常,则将机器影响结论确定为无影响,确定机器排期影响数据为空值,否则,从所述目标异常数据中获取每个工序的异常机器排期集;
具体而言,若所述异常类型不包括机器异常,意味着不存在机器异常,因此,将机器影响结论确定为无影响,并且确定机器排期影响数据为空值;否则,存在机器异常,需要进行机器异常对目标生产排期的影响评估,因此,从所述目标异常数据中获取每个工序的异常机器排期集。
S310:采用第二工序的预设的预留机器空期库,对所述第二工序的所述异常机器排期集中的异常机器排期进行替换,得到第二替换结果,其中,所述第二工序是任一个所述工序;
具体而言,基于预设的异常机器排期替换规则,对所述第一工序的所述异常机器排期集中的每个异常机器排期进行替换,若找到可以用于替换的机器空期,则确定第二替换结果为成功,若未找到可以用于替换的机器空期,则确定第二替换结果为失败。
可选的,异常机器排期替换规则包括:替换机器空期对应的机器日产能要大于或等于被替换的异常机器排期的对应的机器日产能。
S312:若所述第二替换结果均为成功,则将所述机器影响结论确定为无影响,否则,将所述机器影响结论确定为有影响,将为失败的各个所述第二替换结果对应的所述异常机器排期作为所述机器排期影响数据;
具体而言,若所述第二替换结果均为成功,意味着各个工序的所述异常机器排期集中的每个异常机器排期均找到了替换的机器空期,因此,将所述机器影响结论确定为无影响;否则,意味着各个工序的所述异常机器排期集中存在异常机器排期未被替换成功,因此,所述机器影响结论确定为有影响,将为失败的各个所述第二替换结果对应的各个所述异常机器排期作为所述机器排期影响数据,从而找到了影响的机器排期。
S314:若所述工人影响结论和所述机器影响结论均为无影响,则将所述评估结论确定为无影响,否则,将所述评估结论确定为有影响,并且根据所述工人排期影响数据和所述机器排期影响数据,确定所述影响范围。
具体而言,若所述工人影响结论和所述机器影响结论均为无影响,意味着人机异常对目标生产排期的工序无影响,因此将所述评估结论确定为无影响;否则,意味着人机异常对目标生产排期的工序有影响,因此,将所述评估结论确定为有影响,将所述工人排期影响数据和所述机器排期影响数据,作为所述影响范围。
可以理解的是,当所述工人影响结论为无影响时,所述工人排期影响数据为空;当所述机器影响结论为无影响时,所述机器排期影响数据为空。
本实施例在异常类型为工人异常和/或机器异常时,采用遍历工序的方法和与工人异常和/或机器异常对应的影响评估方法,根据所述目标异常数据进行影响评估,从而实现了自动化的进行影响评估;而且采用统一的评估标准,从而提高了影响评估的准确性。
在一个实施例中,上述根据所述异常类型和所述目标异常数据进行影响评估,得到评估结论和影响范围的步骤,还包括:
S402:若所述异常类型不包括委外异常,则将目标委外结论确定为无影响,确定第一影响数据为空值,否则,从所述目标异常数据中获取第一委外异常数据和第二委外异常数据,其中,所述第一委外异常数据对应的委外类型为全部委外,所述第二委外异常数据对应的委外类型为部分委外;
具体而言,若所述异常类型不包括委外异常,意味着不存在委外异常,因此,将目标委外结论确定为无影响,确定第一影响数据为空值;否则,意味着存在委外异常,需要进行影响评估,因此,从所述目标异常数据中获取第一委外异常数据和第二委外异常数据。
可以理解的是,第一委外异常数据和第二委外异常数据均可以不为空,也可以是第一委外异常数据和第二委外异常数据中的任一个为空。
全部委外,是产品的所有工序都委托给企业外的供应商。
部分委外,是产品的部分工序委外给企业外的供应商,部分工序是企业内部处理。
S404:根据所述第一委外异常数据中的第一延期天数,对所述目标异常数据对应的目标生产排期对应的订单交期进行是否影响判断,得到第一判断结果;
具体而言,根据所述第一委外异常数据中的第一延期天数确定委外交期,若委外交期晚于所述目标生产排期对应的订单交期,则确定第一判断结果为有影响,若委外交期早于或等于所述目标生产排期对应的订单交期,则确定第一判断结果为无影响。
S406:若所述第一判断结果为无影响,则将第一委外结论确定为无影响,否则,将所述第一委外结论确定为有影响,并将所述第一委外异常数据作为所述第一影响数据;
具体而言,若所述第一判断结果为无影响,也就是所述第一委外异常数据对应的委外交期早于或等于所述目标生产排期对应的订单交期,意味着对所述目标生产排期对应的订单交期不影响,因此,将第一委外结论确定为无影响;否则,就是所述第一委外异常数据对应的委外交期晚于所述目标生产排期对应的订单交期,意味着对所述目标生产排期对应的订单交期有影响,因此,将所述第一委外结论确定为有影响,并将所述第一委外异常数据作为所述第一影响数据。
S407:根据所述第二委外异常数据中的第二延期天数,对所述目标生产排期进行工序影响判断,得到第二判断结果;
具体而言,将所述第二委外异常数据对应的工序作为待分析工序;根据所述第二委外异常数据中的第二延期天数,对待分析工序及待分析工序之后的工序进行影响判断,若对待分析工序及待分析工序之后的工序中的任一工序有影响,则确定第二判断结果为有影响,若对待分析工序及待分析工序之后的工序均无影响,则确定第二判断结果为无影响。
S410:若所述第二判断结果为无影响,则将第二委外结论确定为无影响,否则,将所述第二委外结论确定为有影响,并将所述第二委外异常数据作为第二影响数据;
具体而言,若所述第二判断结果为无影响,意味着对待分析工序及待分析工序之后的工序均无影响,因此,将第二委外结论确定为无影响;否则,对待分析工序及待分析工序之后的工序中的任一工序有影响,因此,将所述第二委外结论确定为有影响,并将所述第二委外异常数据作为第二影响数据。
S412:若所述第一委外结论和所述第二委外结论均为无影响,则将目标委外结论确定为无影响,确定第一影响数据为空值,否则,将所述目标委外结论确定为有影响,并且根据所述第一影响数据和所述第二影响数据确定委外影响数据;
具体而言,若所述第一委外结论和所述第二委外结论均为无影响,意味着委外异常对目标生产排期无影响,因此,将目标委外结论确定为无影响;否则,意味着委外异常对目标生产排期有影响,因此,将所述目标委外结论确定为有影响,并且根据所述第一影响数据和所述第二影响数据确定委外影响数据。
可以理解的是,若所述第一委外结论为无影响,则所述第一影响数据为空值;若所述第二委外结论为无影响,则所述第二影响数据为空值。
S414:若所述异常类型不包括产能不达标,则将产能结论确定为无影响,确定产能不达标影响数据为空值,否则,从所述目标异常数据中获取每个工序的产能不达标数量和不达标机器排期集;
具体而言,若所述异常类型不包括产能不达标,意味着不存在产能不达标,因此,将产能结论确定为无影响,确定产能不达标影响数据为空值;否则,意味着存在产能不达标,需要进行影响评估,因此,从所述目标异常数据中获取每个工序的产能不达标数量和不达标机器排期集。
S416:根据第三工序的所述产能不达标数量、所述不达标机器排期集、预设的预留工人空期库及预设的预留机器空期库,对所述第三工序之后的所述工序和/或所述目标生产排期对应的订单交期进行是否影响判断,得到第三判断结果,其中,所述第三工序是任一个所述工序;
具体而言,根据第三工序的所述不达标机器排期集,可以评估出需要替换的机器排期及工人排期,根据第三工序的所述产能不达标数量,可以评估出需要替换的机器排期的总产能,采用预设的预留工人空期库及预设的预留机器空期库,对评估出的需要替换的机器排期及工人排期和需要替换的机器排期的总产能进行替换,若替换成功,则确定第三判断结果不影响,若替换失败,需要找出对评估出的需要替换的机器排期及工人排期和需要替换的机器排期的总产能进行替换时的失败数据,根据失败数据,对所述第三工序之后的所述工序和/或所述目标生产排期对应的订单交期进行是否影响判断,若对所述第三工序之后的所述工序和/或所述目标生产排期对应的订单交期均无影响,则确定第三判断结果为无影响,否则,确定第三判断结果为有影响。
S418:若所述第三判断结果为无影响,则将所述产能结论确定为无影响,确定所述产能不达标影响数据为空值,否则,根据所述目标生产排期、所述第三工序的所述预留工人空期库及所述预留机器空期库,对所述产能不达标数量进行是否保证生产判断,得到第四判断结果;
具体而言,若所述第三判断结果为无影响,意味着对所述第三工序之后的所述工序和/或所述目标生产排期对应的订单交期均无影响,因此,将所述产能结论确定为无影响,确定所述产能不达标影响数据为空值,;否则,意味着对所述第三工序之后的所述工序和/或所述目标生产排期对应的订单交期有影响,因此,根据所述目标生产排期、所述第三工序的所述预留工人空期库及所述预留机器空期库,对所述产能不达标数量进行是否保证生产判断,若能保证生产,则确定第四判断结果为有影响,否则,确定第四判断结果为无影响。
S420:若所述第四判断结果为有影响,则将产能结论确定为无影响,确定产能不达标影响数据为空值,否则,将所述产能结论确定为有影响,并且将所述产能不达标数量和所述不达标机器排期集作为所述产能不达标影响数据;
具体而言,若所述第四判断结果为有影响,意味着能保证生产,因此,将产能结论确定为无影响,确定产能不达标影响数据为空值;否则,意味着不能保证生产,因此,将所述产能结论确定为有影响,将所述产能不达标数量和所述不达标机器排期集作为产能不达标影响数据。
S422:若所述目标委外结论和所述产能结论均为无影响,则将所述评估结论确定为无影响,否则,确定所述评估结论为有影响,并且根据所述委外影响数据和所述产能不达标影响数据,确定所述影响范围。
具体而言,若所述目标委外结论和所述产能结论均为无影响,意味着生产异常对目标生产排期无影响,因此,将所述评估结论确定为无影响;否则,意味着生产异常对目标生产排期有影响,因此,确定所述评估结论为有影响,将所述委外影响数据和所述产能不达标影响数据,作为所述影响范围。
可以理解的是,若所述目标委外结论为无影响,则所述委外影响数据为空值,若所述产能结论为无影响,则所述产能不达标影响数据为空值。
本实施例在异常类型为生产异常时,采用遍历工序的方法和与生产异常对应的影响评估方法,根据所述目标异常数据进行影响评估,从而实现了自动化的进行影响评估;而且采用统一的评估标准,从而提高了影响评估的准确性。
在一个实施例中,上述根据预设的第一异常处理引擎库、所述异常类型和所述影响范围进行异常模拟处理,得到模拟处理结果的步骤,包括:
S502:将所述异常类型,从所述第一异常处理引擎库中查找第一异常处理引擎,以作为待处理异常处理引擎,其中,所述第一异常处理引擎对应的约束条件是基于第一异常处理目标进行规则挖掘得到的规则;
具体而言,将所述异常类型,从所述第一异常处理引擎库中查找类型,将找到的类型在所述第一异常处理引擎库中对应的第一异常处理引擎作为待处理异常处理引擎。
所述第一异常处理引擎对应的约束条件是基于第一异常处理目标进行规则挖掘得到的规则,也就是说,基于第一异常处理目标确定第一训练样本,然后采用机器深度学习,对第一训练样本集进行规则挖掘,将挖掘得到的规则作为所述第一异常处理引擎的约束条件。
S504:根据所述待处理异常处理引擎,对所述影响范围进行异常模拟处理,得到所述模拟处理结果。
具体而言,根据所述待处理异常处理引擎,对所述影响范围进行异常模拟处理,将异常模拟处理得到的数据作为所述模拟处理结果。
所述待处理异常处理引擎对应的约束条件包括但不限于:在所述目标生产排期对应的客户等级低于预设的第一等级阈值时不委外。
本实施例实现采用基于异常类型对应的第一异常处理引擎对所述影响范围进行异常模拟处理,从而实现了基于第一异常处理目标进行异常模拟处理。
在一个实施例中,上述根据预设的第二异常处理引擎库、所述异常类型和所述影响范围进行异常处理,得到所述异常处理结果的步骤,包括:
S602:将所述异常类型,从所述第二异常处理引擎库中查找第二异常处理引擎,以作为目标异常处理引擎,其中,所述第二异常处理引擎对应的约束条件是基于第二异常处理目标进行规则挖掘得到的规则,所述第二异常处理目标与所述第一异常处理目标不相同;
具体而言,将所述异常类型,从所述第二异常处理引擎库中查找类型,将找到的类型在所述第二异常处理引擎库中对应的第二异常处理引擎作为目标异常处理引擎。
所述第二异常处理引擎对应的约束条件是基于第二异常处理目标进行规则挖掘得到的规则,也就是说,基于第二异常处理目标确定第二训练样本,然后采用机器深度学习,对第二训练样本集进行规则挖掘,将挖掘得到的规则作为所述第二异常处理引擎的约束条件。
因所述第二异常处理目标与所述第一异常处理目标不相同,从而为对生产排期进行分级目标管理提供了基础。
S604:根据所述目标异常处理引擎,对所述影响范围进行异常处理,得到所述异常处理结果。
具体而言,根据所述目标异常处理引擎,对所述影响范围进行异常处理,将异常处理得到的数据作为所述异常处理结果。
所述目标异常处理引擎对应的约束条件包括但不限于:不抢占客户等级高于预设的第二等级阈值的生产排期的生产资源、在所述目标生产排期对应的客户等级高于预设的第三等级阈值时不延期。
本实施例实现采用基于异常类型对应的第二异常处理引擎对所述影响范围进行异常模拟处理,从而实现了基于第二异常处理目标进行异常模拟处理。
在一个实施例中,上述根据预设的异常处理评分模型库、所述异常类型、所述影响范围和所述目标异常数据,对所述模拟处理结果进行评分,得到评分结果的步骤,包括:
S702:将所述异常类型,从所述异常处理评分模型库中查找异常处理评分模型,以作为目标异常处理评分模型,其中,所述异常处理评分模型是基于多层感知机训练得到的模型;
具体而言,将所述异常类型,从所述异常处理评分模型库中查找类型,将查找到的类型在所述异常处理评分模型库中对应的异常处理评分模型作为目标异常处理评分模型。
其中,基于多层感知机训练得到所述异常处理评分模型的方法在此不做赘述。
S704:对所述目标异常数据进行特征提取,得到第一特征;
具体而言,将所述目标异常数据输入基于Bert(Bidirectional EncoderRepresentations from Transformers,自编码语言模型)模型训练得到的模型进行特征提取,将提取得到的特征作为第一特征。
S706:对所述影响范围进行特征提取,得到第二特征;
具体而言,将所述影响范围输入基于Bert模型训练得到的模型进行特征提取,将提取得到的特征作为第二特征。
S708:对所述模拟处理结果进行特征提取,得到第三特征;
具体而言,将所述模拟处理结果输入基于Bert模型训练得到的模型进行特征提取,将提取得到的特征作为第三特征。
S710:采用预设的连接符,对所述第一特征、所述第二特征和所述第三特征进行连接,得到目标特征;
可选的,预设的连接符采用[EOP],用于进行分类间隔。
具体而言,将所述第一特征、所述第二特征和所述第三特征进行依次拼接,在拼接时,将预设的连接符作为间隔,也就是说,预设的连接符作为所述第一特征和所述第二特征之间的间隔,预设的连接符作为所述第二特征和所述第三特征之间的间隔。
S712:将所述目标特征输入所述目标异常处理评分模型进行评分预测,得到所述评分结果。
具体而言,将所述目标特征输入所述目标异常处理评分模型进行评分预测,将评分得到的数据作为所述评分结果。
本实施例先分别对所述影响范围、所述目标异常数据和所述模拟处理结果提取特征,然后将提取的特征进行连接,将连接得到的特征输入异常类型对应的异常处理评分模型进行评分预测,异常处理评分模型是基于多层感知机训练得到的模型,通过人工智能提高了评分结果的准确性;而且充分考虑了所述影响范围、所述目标异常数据和所述模拟处理结果提取特征,通过多角度的特征进一步提高了评分结果的准确性。
如图2所示,在一个实施例中,提供了一种基于人工智能的异常处理装置,所述装置包括:
数据获取模块802,用于获取目标异常数据和所述目标异常数据对应的异常类型;
影响评估模块804,用于根据所述异常类型和所述目标异常数据进行影响评估,得到评估结论和影响范围;
模拟处理结果确定模块806,用于若所述评估结论为有影响,根据预设的第一异常处理引擎库、所述异常类型和所述影响范围进行异常模拟处理,得到模拟处理结果;
评分结果确定模块808,用于根据预设的异常处理评分模型库、所述异常类型、所述影响范围和所述目标异常数据,对所述模拟处理结果进行评分,得到评分结果;
异常处理结果确定模块810,用于判断所述评分结果是否大于预设的评分阈值,若是,则根据所述模拟处理结果得到异常处理结果,否则,根据预设的第二异常处理引擎库、所述异常类型和所述影响范围进行异常处理,得到所述异常处理结果。
本实施例通过根据目标异常数据和异常类型依次进行影响评估、确定模拟处理结果、对模拟处理结果进行评分、确定异常处理结果,实现了自动化进行基于人工智能的异常处理,避免了人员根据经验进行异常处理导致的合理性不稳定;而且整个基于人工智能的异常处理,自动化对模拟处理结果进行评分,根据评分结果确定异常处理结果,提高了确定的异常处理结果的合理性。
图3示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端,也可以是服务器。如图3所示,该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现基于人工智能的异常处理方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行基于人工智能的异常处理方法。本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提出了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行以下步骤:
获取目标异常数据和所述目标异常数据对应的异常类型;
根据所述异常类型和所述目标异常数据进行影响评估,得到评估结论和影响范围;
若所述评估结论为有影响,根据预设的第一异常处理引擎库、所述异常类型和所述影响范围进行异常模拟处理,得到模拟处理结果;
根据预设的异常处理评分模型库、所述异常类型、所述影响范围和所述目标异常数据,对所述模拟处理结果进行评分,得到评分结果;
判断所述评分结果是否大于预设的评分阈值,若是,则根据所述模拟处理结果得到异常处理结果,否则,根据预设的第二异常处理引擎库、所述异常类型和所述影响范围进行异常处理,得到所述异常处理结果。
本实施例通过根据目标异常数据和异常类型依次进行影响评估、确定模拟处理结果、对模拟处理结果进行评分、确定异常处理结果,实现了自动化进行基于人工智能的异常处理,避免了人员根据经验进行异常处理导致的合理性不稳定;而且整个基于人工智能的异常处理,自动化对模拟处理结果进行评分,根据评分结果确定异常处理结果,提高了确定的异常处理结果的合理性。
在一个实施例中,提出了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行以下步骤:
获取目标异常数据和所述目标异常数据对应的异常类型;
根据所述异常类型和所述目标异常数据进行影响评估,得到评估结论和影响范围;
若所述评估结论为有影响,根据预设的第一异常处理引擎库、所述异常类型和所述影响范围进行异常模拟处理,得到模拟处理结果;
根据预设的异常处理评分模型库、所述异常类型、所述影响范围和所述目标异常数据,对所述模拟处理结果进行评分,得到评分结果;
判断所述评分结果是否大于预设的评分阈值,若是,则根据所述模拟处理结果得到异常处理结果,否则,根据预设的第二异常处理引擎库、所述异常类型和所述影响范围进行异常处理,得到所述异常处理结果。
本实施例通过根据目标异常数据和异常类型依次进行影响评估、确定模拟处理结果、对模拟处理结果进行评分、确定异常处理结果,实现了自动化进行基于人工智能的异常处理,避免了人员根据经验进行异常处理导致的合理性不稳定;而且整个基于人工智能的异常处理,自动化对模拟处理结果进行评分,根据评分结果确定异常处理结果,提高了确定的异常处理结果的合理性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。请输入具体实施内容部分。
Claims (9)
1.一种基于人工智能的异常处理方法,所述方法包括:
获取目标异常数据和所述目标异常数据对应的异常类型;
根据所述异常类型和所述目标异常数据进行影响评估,得到评估结论和影响范围;
若所述评估结论为有影响,根据预设的第一异常处理引擎库、所述异常类型和所述影响范围进行异常模拟处理,得到模拟处理结果;
根据预设的异常处理评分模型库、所述异常类型、所述影响范围和所述目标异常数据,对所述模拟处理结果进行评分,得到评分结果;
判断所述评分结果是否大于预设的评分阈值,若是,则根据所述模拟处理结果得到异常处理结果,否则,根据预设的第二异常处理引擎库、所述异常类型和所述影响范围进行异常处理,得到所述异常处理结果;
所述根据所述异常类型和所述目标异常数据进行影响评估,得到评估结论和影响范围的步骤,包括:
若所述异常类型为材料异常,则从所述目标异常数据中获取任一个异常材料对应的异常材料数量及异常材料交期;
根据所述异常材料数量和所述目标异常数据对应的目标生产排期对应的单件用量及损耗率进行材料影响产品数量计算;
将所述材料影响产品数量作为第1个工序的产品影响数量,将所述异常材料交期作为第1个工序的预调整结束时间,将第1个工序的工序结论确定为有影响;
若第i-1个工序的所述工序结论为无影响,则确定第i个工序的所述工序结论为无影响,其中,i是大于1的整数,并且i小于或等于所述目标生产排期的所述工序的数量;
若第i-1个工序的所述工序结论为有影响,则判断第i-1个工序的所述预调整结束时间是否晚于第i个工序的原始结束时间;
若是,则将第i个工序的所述工序结论确定为有影响,根据第i-1个工序的所述产品影响数量和第i个工序的日产能曲线及所述原始结束时间,确定第i个工序的所述产品影响数量及所述预调整结束时间;
若否,则根据第i-1个工序的所述预调整结束时间、第i个工序的所述原始结束时间及所述日产能曲线,确定第i个工序的产品排产数量;
判断第i个工序的产品排产数量是否大于或等于第i-1个工序的所述产品影响数量;
若是,则将第i个工序的所述工序结论确定为无影响,否则,则将第i个工序的所述工序结论确定为有影响,将第i-1个工序的所述产品影响数量减去第i个工序的所述产品排产数量,得到第i个工序的所述产品影响数量,并且根据第i个工序的所述产品影响数量、所述原始结束时间及所述日产能曲线,确定第i个工序的所述预调整结束时间;
判断是否存在第n个工序的所述工序结论为有影响,其中,n为大于1的整数,n小于或等于i;
若是,则将所述评估结论确定为有影响,并根据各个所述预调整结束时间和各个所述产品影响数量确定所述影响范围,否则,则将所述评估结论确定为无影响。
2.根据权利要求1所述的基于人工智能的异常处理方法,其特征在于,所述根据所述异常类型和所述目标异常数据进行影响评估,得到评估结论和影响范围的步骤,还包括:
若所述异常类型不包括工人异常,则将工人影响结论确定为无影响,确定工人排期影响数据为空值,否则,从所述目标异常数据中获取每个工序的异常工人排期集;
采用第一工序的预设的预留工人空期库,对所述第一工序的所述异常工人排期集中的异常工人排期进行替换,得到第一替换结果,其中,所述第一工序是任一个所述工序;
若所述第一替换结果均为成功,则将所述工人影响结论确定为无影响,否则,将所述工人影响结论确定为有影响,将为失败的各个所述第一替换结果对应的所述异常工人排期作为所述工人排期影响数据;
若所述异常类型不包括机器异常,则将机器影响结论确定为无影响,确定机器排期影响数据为空值,否则,从所述目标异常数据中获取每个工序的异常机器排期集;
采用第二工序的预设的预留机器空期库,对所述第二工序的所述异常机器排期集中的异常机器排期进行替换,得到第二替换结果,其中,所述第二工序是任一个所述工序;
若所述第二替换结果均为成功,则将所述机器影响结论确定为无影响,否则,将所述机器影响结论确定为有影响,将为失败的各个所述第二替换结果对应的所述异常机器排期作为所述机器排期影响数据;
若所述工人影响结论和所述机器影响结论均为无影响,则将所述评估结论确定为无影响,否则,将所述评估结论确定为有影响,并且根据所述工人排期影响数据和所述机器排期影响数据,确定所述影响范围。
3.根据权利要求1所述的基于人工智能的异常处理方法,其特征在于,所述根据所述异常类型和所述目标异常数据进行影响评估,得到评估结论和影响范围的步骤,还包括:
若所述异常类型不包括委外异常,则将目标委外结论确定为无影响,确定第一影响数据为空值,否则,从所述目标异常数据中获取第一委外异常数据和第二委外异常数据,其中,所述第一委外异常数据对应的委外类型为全部委外,所述第二委外异常数据对应的委外类型为部分委外;
根据所述第一委外异常数据中的第一延期天数,对所述目标异常数据对应的目标生产排期对应的订单交期进行是否影响判断,得到第一判断结果;
若所述第一判断结果为无影响,则将第一委外结论确定为无影响,否则,将所述第一委外结论确定为有影响,并将所述第一委外异常数据作为所述第一影响数据;
根据所述第二委外异常数据中的第二延期天数,对所述目标生产排期进行工序影响判断,得到第二判断结果;
若所述第二判断结果为无影响,则将第二委外结论确定为无影响,否则,将所述第二委外结论确定为有影响,并将所述第二委外异常数据作为第二影响数据;
若所述第一委外结论和所述第二委外结论均为无影响,则将目标委外结论确定为无影响,确定第一影响数据为空值,否则,将所述目标委外结论确定为有影响,并且根据所述第一影响数据和所述第二影响数据确定委外影响数据;
若所述异常类型不包括产能不达标,则将产能结论确定为无影响,确定产能不达标影响数据为空值,否则,从所述目标异常数据中获取每个工序的产能不达标数量和不达标机器排期集;
根据第三工序的所述产能不达标数量、所述不达标机器排期集、预设的预留工人空期库及预设的预留机器空期库,对所述第三工序之后的所述工序和/或所述目标生产排期对应的订单交期进行是否影响判断,得到第三判断结果,其中,所述第三工序是任一个所述工序;
若所述第三判断结果为无影响,则将所述产能结论确定为无影响,确定所述产能不达标影响数据为空值,否则,根据所述目标生产排期、所述第三工序的所述预留工人空期库及所述预留机器空期库,对所述产能不达标数量进行是否保证生产判断,得到第四判断结果;
若所述第四判断结果为有影响,则将产能结论确定为无影响,确定产能不达标影响数据为空值,否则,将所述产能结论确定为有影响,并且将所述产能不达标数量和所述不达标机器排期集作为所述产能不达标影响数据;
若所述目标委外结论和所述产能结论均为无影响,则将所述评估结论确定为无影响,否则,确定所述评估结论为有影响,并且根据所述委外影响数据和所述产能不达标影响数据,确定所述影响范围。
4.根据权利要求1所述的基于人工智能的异常处理方法,其特征在于,所述根据预设的第一异常处理引擎库、所述异常类型和所述影响范围进行异常模拟处理,得到模拟处理结果的步骤,包括:
将所述异常类型,从所述第一异常处理引擎库中查找第一异常处理引擎,以作为待处理异常处理引擎,其中,所述第一异常处理引擎对应的约束条件是基于第一异常处理目标进行规则挖掘得到的规则;
根据所述待处理异常处理引擎,对所述影响范围进行异常模拟处理,得到所述模拟处理结果。
5.根据权利要求4所述的基于人工智能的异常处理方法,其特征在于,所述根据预设的第二异常处理引擎库、所述异常类型和所述影响范围进行异常处理,得到所述异常处理结果的步骤,包括:
将所述异常类型,从所述第二异常处理引擎库中查找第二异常处理引擎,以作为目标异常处理引擎,其中,所述第二异常处理引擎对应的约束条件是基于第二异常处理目标进行规则挖掘得到的规则,所述第二异常处理目标与所述第一异常处理目标不相同;
根据所述目标异常处理引擎,对所述影响范围进行异常处理,得到所述异常处理结果。
6.根据权利要求1所述的基于人工智能的异常处理方法,其特征在于,所述根据预设的异常处理评分模型库、所述异常类型、所述影响范围和所述目标异常数据,对所述模拟处理结果进行评分,得到评分结果的步骤,包括:
将所述异常类型,从所述异常处理评分模型库中查找异常处理评分模型,以作为目标异常处理评分模型,其中,所述异常处理评分模型是基于多层感知机训练得到的模型;
对所述目标异常数据进行特征提取,得到第一特征;
对所述影响范围进行特征提取,得到第二特征;
对所述模拟处理结果进行特征提取,得到第三特征;
采用预设的连接符,对所述第一特征、所述第二特征和所述第三特征进行连接,得到目标特征;
将所述目标特征输入所述目标异常处理评分模型进行评分预测,得到所述评分结果。
7.一种基于人工智能的异常处理装置,其特征在于,所述装置包括:
数据获取模块,用于获取目标异常数据和所述目标异常数据对应的异常类型;
影响评估模块,用于根据所述异常类型和所述目标异常数据进行影响评估,得到评估结论和影响范围;
模拟处理结果确定模块,用于若所述评估结论为有影响,根据预设的第一异常处理引擎库、所述异常类型和所述影响范围进行异常模拟处理,得到模拟处理结果;
评分结果确定模块,用于根据预设的异常处理评分模型库、所述异常类型、所述影响范围和所述目标异常数据,对所述模拟处理结果进行评分,得到评分结果;
异常处理结果确定模块,用于判断所述评分结果是否大于预设的评分阈值,若是,则根据所述模拟处理结果得到异常处理结果,否则,根据预设的第二异常处理引擎库、所述异常类型和所述影响范围进行异常处理,得到所述异常处理结果;
所述根据所述异常类型和所述目标异常数据进行影响评估,得到评估结论和影响范围的步骤,包括:
若所述异常类型为材料异常,则从所述目标异常数据中获取任一个异常材料对应的异常材料数量及异常材料交期;
根据所述异常材料数量和所述目标异常数据对应的目标生产排期对应的单件用量及损耗率进行材料影响产品数量计算;
将所述材料影响产品数量作为第1个工序的产品影响数量,将所述异常材料交期作为第1个工序的预调整结束时间,将第1个工序的工序结论确定为有影响;
若第i-1个工序的所述工序结论为无影响,则确定第i个工序的所述工序结论为无影响,其中,i是大于1的整数,并且i小于或等于所述目标生产排期的所述工序的数量;
若第i-1个工序的所述工序结论为有影响,则判断第i-1个工序的所述预调整结束时间是否晚于第i个工序的原始结束时间;
若是,则将第i个工序的所述工序结论确定为有影响,根据第i-1个工序的所述产品影响数量和第i个工序的日产能曲线及所述原始结束时间,确定第i个工序的所述产品影响数量及所述预调整结束时间;
若否,则根据第i-1个工序的所述预调整结束时间、第i个工序的所述原始结束时间及所述日产能曲线,确定第i个工序的产品排产数量;
判断第i个工序的产品排产数量是否大于或等于第i-1个工序的所述产品影响数量;
若是,则将第i个工序的所述工序结论确定为无影响,否则,则将第i个工序的所述工序结论确定为有影响,将第i-1个工序的所述产品影响数量减去第i个工序的所述产品排产数量,得到第i个工序的所述产品影响数量,并且根据第i个工序的所述产品影响数量、所述原始结束时间及所述日产能曲线,确定第i个工序的所述预调整结束时间;
判断是否存在第n个工序的所述工序结论为有影响,其中,n为大于1的整数,n小于或等于i;
若是,则将所述评估结论确定为有影响,并根据各个所述预调整结束时间和各个所述产品影响数量确定所述影响范围,否则,则将所述评估结论确定为无影响。
8.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至6中任一项所述方法的步骤。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210351173.2A CN114742391B (zh) | 2022-04-02 | 2022-04-02 | 基于人工智能的异常处理方法、装置、计算机设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210351173.2A CN114742391B (zh) | 2022-04-02 | 2022-04-02 | 基于人工智能的异常处理方法、装置、计算机设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114742391A CN114742391A (zh) | 2022-07-12 |
CN114742391B true CN114742391B (zh) | 2022-12-30 |
Family
ID=82280311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210351173.2A Active CN114742391B (zh) | 2022-04-02 | 2022-04-02 | 基于人工智能的异常处理方法、装置、计算机设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114742391B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109946965A (zh) * | 2019-02-22 | 2019-06-28 | 无锡思睿特智能科技有限公司 | 一种基于改进的多目标Jaya算法的离散制造车间排产方法 |
CN113191678A (zh) * | 2021-05-21 | 2021-07-30 | 河南高通物联网有限公司 | 基于物联网和人工智能的安全生产指标异常快速感知方法 |
CN114139636A (zh) * | 2021-12-03 | 2022-03-04 | 中国建设银行股份有限公司 | 异常作业处理方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008077286A (ja) * | 2006-09-20 | 2008-04-03 | Dainippon Screen Mfg Co Ltd | 産業プロセス評価装置、産業プロセス評価方法及び産業プロセス評価プログラム |
CN105302848B (zh) * | 2014-10-11 | 2018-11-13 | 山东鲁能软件技术有限公司 | 一种设备智能预警系统的评估值校准方法 |
-
2022
- 2022-04-02 CN CN202210351173.2A patent/CN114742391B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109946965A (zh) * | 2019-02-22 | 2019-06-28 | 无锡思睿特智能科技有限公司 | 一种基于改进的多目标Jaya算法的离散制造车间排产方法 |
CN113191678A (zh) * | 2021-05-21 | 2021-07-30 | 河南高通物联网有限公司 | 基于物联网和人工智能的安全生产指标异常快速感知方法 |
CN114139636A (zh) * | 2021-12-03 | 2022-03-04 | 中国建设银行股份有限公司 | 异常作业处理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114742391A (zh) | 2022-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109222208B (zh) | 面向卷烟生产指标控制的制丝工艺分析优化方法及系统 | |
CN113454552A (zh) | 传感器计量数据整合 | |
Sunadi et al. | Implementation of statistical process control through PDCA cycle to improve potential capability index of drop impact resistance: a case study at aluminum beverage and beer cans manufacturing industry in Indonesia | |
CN110069364B (zh) | 备件数据纠错方法、装置、计算机设备和存储介质 | |
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 | |
CN111985940A (zh) | 售后服务的数据处理方法、装置、电子设备与存储介质 | |
CN104076809A (zh) | 数据处理装置以及数据处理方法 | |
CN111340269B (zh) | 用于流程工业过程的实时优化方法 | |
CN109409780B (zh) | 变更处理方法、装置、计算机设备和存储介质 | |
CN110659818A (zh) | 信息处理方法及系统 | |
CN115222454A (zh) | 基于Stacking集成学习算法的车辆销售预测方法、系统及存储介质 | |
CN114742391B (zh) | 基于人工智能的异常处理方法、装置、计算机设备及介质 | |
CN115017806A (zh) | 基于改善人工蜂群算法的不完全拆卸线平衡优化方法 | |
CN115856694B (zh) | 电池寿命预测方法、装置、计算机设备和存储介质 | |
CN117095247A (zh) | 基于数控加工的加工姿态运行优化方法、系统及介质 | |
CN112381496A (zh) | 一种采购计划线上自动审查的方法及电子设备 | |
CN116739332A (zh) | 一种基于大数据的产业链智能管理方法、系统及介质 | |
CN114219461B (zh) | 基于多生产工况的生产控制方法和装置 | |
CN115860252A (zh) | 一种全渠道业务智能监测分析方法及系统 | |
CN111400644B (zh) | 一种用于实验室分析样品的计算处理方法 | |
CN113625669B (zh) | 产品质量预测方法以及系统 | |
KR102622433B1 (ko) | 데이터의 타입을 자동으로 판별하여 메타데이터를 생성하는 방법 및 이를 위한 머신러닝/딥러닝 모델을 이용한 데이터 타입 판별 장치 | |
CN117573877B (zh) | 一种供应链协同管理平台物资数据处理方法及系统 | |
CN117291400B (zh) | 一种基于mes的生产管理方法及系统 | |
CN117609740B (zh) | 基于工业大模型智能预测维护系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |