CN114912699A - 一种工业互联网环境下面向生产要素需求的智能服务方法 - Google Patents

一种工业互联网环境下面向生产要素需求的智能服务方法 Download PDF

Info

Publication number
CN114912699A
CN114912699A CN202210586398.6A CN202210586398A CN114912699A CN 114912699 A CN114912699 A CN 114912699A CN 202210586398 A CN202210586398 A CN 202210586398A CN 114912699 A CN114912699 A CN 114912699A
Authority
CN
China
Prior art keywords
sales
service
equipment
point
configuration
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210586398.6A
Other languages
English (en)
Inventor
窦万春
段吉润
任可
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.)
Nanjing University
Original Assignee
Nanjing University
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 Nanjing University filed Critical Nanjing University
Priority to CN202210586398.6A priority Critical patent/CN114912699A/zh
Publication of CN114912699A publication Critical patent/CN114912699A/zh
Pending 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
    • G06Q10/04—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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
    • 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
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • G06Q10/06315—Needs-based resource requirements planning or 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against 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
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • G06Q30/01—Customer relationship services
    • G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
    • G06Q30/016—After-sales
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Accounting & Taxation (AREA)
  • Educational Administration (AREA)
  • Finance (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Remote Sensing (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

本发明公开了一种工业互联网环境下面向生产要素需求的智能服务方法，包括：获得区域内所有设备的空间地理位置，并将其转化为二维向量；采用层次聚类方式对区域内的设备进行划分；所有设备被分成不同的簇，每个簇对应一个售后服务区域；确定售后服务区域，选择该区域中运维代价最低的点作为售后服务点；每一个售后服务点所配置的生产要素数量与其相连的售后区域内的设备数量正相关；采用统计策略，获得设备零部件损坏概率，作为生产要素零部件库存配置的优化依据；根据零件损坏概率，以及企业对冗余度的规划，优化售后点中零部件配置方式；随时间变化，当区域内设备密度发生大幅度变化时，重新执行上述步骤，优化区域内零部件配置方式。

Description

一种工业互联网环境下面向生产要素需求的智能服务方法
技术领域
本发明涉及一种智能感知服务方法，特别是一种工业互联网环境下面向生产要素需求的智能服务方法。
背景技术
工业生产领域，生产要素的合理配置，是工业生产能够高效运行的基础。随着社会生产力的发展，生产要素的配置方式也需要进行相应的变化，以经验为主的生产要 素配置方式已经不能适应社会生产的需求。
工业互联网技术的出现可以有效解决这一问题。“工业互联网”是构建工业环境下人、机、物全面互联的关键。它以网络为基础、平台为中枢、数据为要素、安全为保 障，是互联网、大数据、人工智能等技术与工业生产领域深度融合的全新应用模式。 依赖于工业互联网技术，企业可以重塑生产链、供应链以及产业链中各种生产要素的 时空配置方式，从而有效提高企业的生产效率，并降低企业成本。
生产要素的配置方式是经济学中的一个研究课题，提高生产要素的配置方式，是经济可持续发展的必要条件。当今世界的纷繁复杂的经济活动，本质上依然是生产要 素配置的问题。按照经济学的一般理论，生产要素主要包括了企业家、土地、资本以 及劳动四大要素。企业家负责对整个生产过程进行管理，土地、资本以及劳动是生产 能够进行的各种资源，合理地发挥企业家的作用，才能实现生产要素的合理配置。
生产要素的配置方式是经济学中的一个研究课题，提高生产要素的配置方式，是经济可持续发展的必要条件。当今世界的纷繁复杂的经济活动，本质上依然是生产要 素配置的问题。按照经济学的一般理论，生产要素主要包括了企业家、土地、资本以 及劳动四大要素。企业家负责对整个生产过程进行管理，土地、资本以及劳动是生产 能够进行的各种资源，合理地发挥企业家的作用，才能实现生产要素的合理配置。
发明内容
发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种工业互联网环境下面向生产要素需求的智能服务方法。
为了解决上述技术问题，本发明公开了一种工业互联网环境下面向生产要素需求的智能服务方法，包括以下步骤：
步骤1：企业应用工业互联网技术，获得区域内所有设备的空间地理位置，并将设备所在空间中的位置转化为二维向量；
步骤2：不同区域内的设备密度不同，为了让设备接受售后服务的时间满足一定的时效性约束，采用层次聚类的方式对区域内的设备进行划分；层次聚类后，所有的设 备被分成了不同的簇，每一个簇对应一个售后服务区域，从而确定售后服务区域；
步骤3：在确定售后服务区域后，选择该售后服务区域中运维代价最低的点作为售后服务点；
步骤4：售后服务点所配置的生产要素数量，与该售后服务点所相连的售后服务区域内的设备数量正相关；
步骤5：采用统计策略，获得设备中的每一种零部件的损坏概率，作为生产要素中零部件库存配置的优化依据；根据得到的零部件的损坏概率，以及企业对冗余度的规 划，优化售后服务点中零部件的配置方式以及服务人员配置数量，即完成生产要素配 置；
步骤6：随时间变化，不同区域内的设备密度也会发生变化，每当区域内设备密 度变化超过阈值时，重新执行步骤1-5，再次完成生产要素配置。
步骤1中，工业互联网环境下，每一件出厂的设备都会被企业打上标签，设备出 售以后，每一件设备的位置都可以由企业内部监控，所以企业可以获得所有设备在地 理空间中的位置。具体而言，用户设备每到达一个位置，设备的标签数据可以由附近 的数据读取装置读取，然后传送到企业的数据中心。企业汇集所有出厂设备的位置信 息后，将设备空间位置转化为二维向量，以此作为聚类分析的数据。
本发明步骤2中，采用层次聚类的方法来确定售后服务区域的方法包括：
对于设备ek，其位置用二维向量zk＝(ak1,ak2)表示，其中，ak1表示经度，ak2表 示纬度；
二维向量zk个和二维向量zl之间的距离Dist(zk,zl)的计算方法为：
Figure BDA0003663583910000031
其中，二维向量zk表示设备ek的位置，二维向量zl表示设备el的位置，akc表示表 示zk的第c个维度的值，alc表示zl的第c个维度的值；
在层次聚类算法开始时，每个设备单独成簇；将距离最近的两个簇进行合并，直至无法合并，合并方法包括：
对于给定的簇Cx和簇Cy，通过以下方式计算最大距离dmax(Cx,Cy)：
Figure BDA0003663583910000032
其中，zk∈Cx表示zk为包含在簇Cx中的二维向量，zl∈Cy表示zl为包含在簇Cy中的二维向量；层次聚类过程中，两个簇的合并规则包括：
对于给定的距离约束值dis，如果两个簇之间的距离dmax(Cx,Cy)>dis，则这两个 簇无法合并，否则将两个簇合并；当剩余的簇之间都无法进行合并时，层次聚类算法 结束，完成层次聚类；
层次聚类后的一个簇对应一个售后服务点服务的设备集合；层次聚类结束后，每个售后服务点服务的设备数量m的值为层次聚类后簇内设备的数量值。
本发明步骤3中，所述确定售后服务点的位置的方法包括：
步骤3-1，根据簇确定满足实时性约束的区域；
步骤3-2，在满足实时性约束的区域中，通过随机采样，取局部最优值的方法确定售后点的位置。
本发明步骤3-1中所述根据簇确定满足实时性约束的区域的方法包括：
以每个设备所在位置为圆心，以
Figure BDA0003663583910000033
为半径画圆，同时在所有设备约束范围内的区域，确定为满足实时性约束的区域。
本发明步骤3-2中所述确定售后点的位置的方法包括：
在满足实时性约束的区域内随机寻找地点作为备选的售后服务点；计算将该备选的售后服务点设置为售后服务点时的资产配置数量；将资产配置数量最低的位置作为 最终售后服务点的位置。
步骤4中，一个售后点中配置的零件以及售后人员数量与设备数量是正相关的。然而，由于区域之间的差异，以及零部件之间的差异，同一种设备在不同区域的故障 率，以及同一台设备上不同的零件的故障率都是不相同的，单纯依赖于设备数量成比 例地配置零件数量是不合理的。
本发明步骤5中所述优化售后服务点中零部件的配置方式的方法包括：
步骤5-1，根据历史统计数据，计算每一种零件每天发生故障的概率，作为生产要素配置的基本依据；
步骤5-2，根据企业对冗余度规划，优化售后服务点中零部件的配置；
步骤5-3，根据企业对冗余度规划，优化售后服务点中服务人员数量的配置。
本发明步骤5-1中所述计算每一种零件每天发生故障的概率的方法包括：
对于单个售后服务点，设其需要服务的设备数量为m，第k台设备用ek表示；售后服务点的生产要素配置方式与设备数量以及设备上每一种零件的故障率相关；设一台 设备有a个零件，第i个零件有vi个，每一种零件的故障率为pi；通过以下方式计算出一 种零件每天发生故障的期望数量μi：
μi＝m·vi·pi (3)。
本发明步骤5-2中所述根据企业对冗余度规划的方法包括：
根据二项分布的概念，提供多种实时性要求的生产要素配置方式；设零件是否发生故障是相互独立的事件，对于n个零件来说，它的分布符合二项分布；随机变量X服 从参数n和p的二项分布时记作X～B(n,p)，对于特定的零件i服从的二项分布为 Xi～B(m·vi,pi)，它表示在m·vi个零件中，有x个零件发生故障的概率f(x)为：
Figure BDA0003663583910000041
企业根据实际的实时性要求进行生产要素配置，其中实时性程度用概率理论表示， 方法包括：
设一个售后服务点要求要有pl的概率保证所有用户请求在一天之内满足，那么该售后服务点配置的第i个零件至少要部署xi个，其中xi满足以下不等式：
Figure BDA0003663583910000051
最终确定每个售后售后点中每种零件配置的数量。
本发明步骤5-3中所述根据企业对冗余度规划，优化售后服务点中服务人员数量的配置的方法包括：
企业根据统计数据，获得售后人员处理一次故障所需要的平均时间bj，设一个售后 点每天提供服务的时间为8个小时，那么每个售后人员每天可以处理的故障数量bnum用下面的公式计算：
Figure BDA0003663583910000052
由于不同的故障之间是相互独立的，用以下公式计算每一台设备ek发生故障的概率pk：
Figure BDA0003663583910000053
将pk带入步骤5-2中的公式(4)和公式(5)，得到在满足实时性为pl时，售后服务点每天要处理的故障设备数量x；
反解出的设备数量x的值，企业则确定在每个售后中心需要配置的服务人员数量unum为：
Figure BDA0003663583910000054
本发明步骤6中所述再次完成生产要素配置的方法包括：
按照步骤1到步骤5配置好初始的生产要素数量后，每日统计售后点服务点中服务的设备数量，若售后服务点服务的设备数量与初始值相比，变化范围超过30％，则 重新执行步骤1-5，再次完成生产要素配置。
有益效果：
本发明在完成生产要素的配置时，可以根据设备的时空位置信息，制定出较优的生产要素配置方案，有效降低了企业人力物力资源的浪费，同时提高了设备使用者寻 求售后服务的体验。本发明是与工业互联网、人工智能等先进技术结合的产物，是信 息技术与服务业结合的先进案例。与企业现有的生产要素配置方法相比，本发明避免 了以经验主义为主的生产要素配置方式所造成的资源浪费。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/ 或其他方面的优点将会变得更加清楚。
图1为本发明中生产要素配置流程示意图。
图2为本发明中确定簇中售后点的可行域的示意图。
具体实施方式
下面结合附图对本发明作具体说明。应该指出，所描述的实施例仅是为了说明的目 的，而不是对本发明范围的限制。
本发明公开了一种工业互联网环境下面向生产要素需求的智能服务方法，该方法流 程，如图1所示，包括以下步骤。
步骤1中，工业互联网环境下，每一件出厂的设备都会被企业打上标签，设备出售以后，每一件设备的位置都可以由企业内部监控，所以企业可以获得所有设备在地理 空间上的位置。具体而言，用户设备每到达一个位置，设备的标签数据可以由附近的 数据读取装置读取，然后传送到企业的数据中心。企业汇集所有出厂设备的位置信息 后，将设备空间位置转化为二维向量，以此作为聚类分析的数据。
步骤2中，采用层次聚类的方法来确定售后点的数量。首先，将所有设备的位置抽象到二维平面中，对于一个设备ek，其位置可以用二维向量zk＝(ak1,ak2)表示，其中， ak1表示经度，ak2表示纬度。任意两个向量之间的距离可以用下面的方法计算。
Figure BDA0003663583910000061
在层次聚类算法开始时，每个设备单独成簇。然后，不断地将距离最近的两个簇进行合并，直到所有的簇都无法合并，层次聚类算法结束。因为每个簇是一个集合，所 以这里需要对两个簇之间的距离进行表示。对于给定的簇Cx和Cy，可以通过以下方式 计算两个簇之间的距离：
Figure BDA0003663583910000062
公式(2)表示了簇Cx与簇Cy之间的最大距离。假设售后人员到达设备所在地的移动速度是恒定的，且售后点和目标点之间的距离可以用公式(1)计算，通过公式(2)的约 束，可以保证售后点解决维修任务时，响应时间的最大值在一定的时间约束范围内。 对于给定的距离约束值dis，如果两个簇之间的距离dmax(Cx,Cy)>dis，则这两个簇无 法合并，否则将两个簇合并；当剩余的簇之间都无法进行合并时，层次聚类算法结束， 完成层次聚类。层次聚类结束后，每个售后点服务的设备数量m的值就确定了。
步骤3中，簇确定以后，还需要确定售后点设立的位置，考虑到在每个位置设立售后点的代价是不一样的，售后点应该设置在运维代价最小的位置。设置售后点时的代 价主要来源于两方面，一方面是售后点的租金，另一方面则是运维人员往返于目标点 和售后点之间的开销。
为了确定售后点合理的位置，本发明首先需要根据簇确定满足实时性约束的区域， 以图2所示的样例为例进行说明。如图2所示，黑色的点表示每个设备在二维平面中 的位置。设备与售后点之间的距离要小于距离约束值
Figure BDA0003663583910000071
对于某一个设备来说，以它 自身所在的位置为圆心，半径为
Figure BDA0003663583910000072
的圆形内部区域都是满足实时性要求的可行区域。 显然图2中区域A就是同时满足四个设备实时性要求的区域，售后点显然应该设置在 区域A的范围内。
在确定售后点具体的位置时，本发明通过随机采样，取局部最优值的方式来确定售 后点的位置。简单来说，可以在区域A内随机寻找多个地点作为可能的售后点，然后 计算每一个点设置售后点时的资产配置数量，每日的平均资产配置数量最低的位置就 是最终售后点的位置。
步骤4中，一个售后点中配置的零件以及售后人员数量与设备数量是正相关的。然而，由于区域之间的差异，以及零部件之间的差异，同一种设备在不同区域的故障率， 以及同一台设备上不同的零件的故障率都是不相同的，单纯依赖于设备数量成比例地 配置零件数量是不合理的。
步骤5中，在生产要素配置时，还需要考虑设备故障率对生产要素配置的影响。显然，容易发生故障的零件，在售后点中的配置数量应该多一些，而不容易发生故障的 零件，则应该适当地减少其配置数量。
企业根据历史的统计数据规律，计算出每一种零件每天发生故障的概率，作为生产 要素配置的基本依据。对于单个售后点来说，假设其需要服务的设备数量为m，第k台 设备用ek表示。售后点的生产要素配置方式与设备数量以及设备上每一种零件的故障 率相关。假设一台设备有a个零件，第i个零件有vi个，每一种零件的故障率为pi。那么 可以通过以下方式计算出一种零件每天发生故障的期望数量μi。
μi＝m·vi·pi (3)
生产要素的配置完全依赖于期望值μi会显得比较僵硬。实际情况中故障的发生具有 随机波动性，为了满足不同的实时性要求，可以对生产要素的配置方式进行适当的调整，从而提高整个方法的自适应性。
本发明引入了二项分布的概念，来设计一种可以提供多种实时性要求的生产要素配 置方式。假设零件是否发生故障是相互独立的事件，对于n个零件来说，它的分布符合二项分布。一般地，随机变量X服从参数n和p的二项分布，我们记作X～B(n,p)，对于 特定的零件i来说，它服从的二项分布为Xi～B(m·vi,pi)，它表示在m·vi个零件中，有 x个零件发生故障的概率f(x)为：
Figure BDA0003663583910000081
企业可以根据实际情况提供不同实时性要求的生产要素配置方式，这里的实时性程 度可以用概率理论表示。例如，假如企业要保证90％的情况下，一个售后点可以满足一天内所有的维修请求，那么这种生产要素配置方式的实时性就可以看做是90％。假设一 个售后点要求要有pl的概率保证所有用户请求可以在一天之内满足，那么该售后点配 置的第i个零件至少要部署xi个，其中xi满足以下不等式：
Figure BDA0003663583910000082
通过公式(4)和(5)，可以确定售后点中每个零件应该配置的数量。
此外，企业也可以依赖统计数据规律，获得售后人员处理一次故障所需要的平均时 间bj，假设一个售后点每天提供服务的时间为8个小时，那么每个售后人员每天可以处理的故障数量bnum用下面的公式计算。
Figure BDA0003663583910000083
由于不同的故障之间是相互独立的，可以用以下公式计算每一台设备ek发生故障的 概率pk。
Figure BDA0003663583910000091
将pk带入公式(4)和公式(5)，可以得到在满足实时性为pl时，售后服务点每天要处理的故障设备数量x
反解出的x的值，企业可以确定在每个售后中心需要配置的服务人员数量unum。
Figure BDA0003663583910000092
通过公式(4)(5)可以得到实时性要求在pl时，每一种零件应该配置的数量。假设维 修请求是相互独立的，通过公式(6)(7)(8)也可以计算出每个售后点应该配置的售后人员数量。
步骤6中，出厂的设备随着时间的变化，其位置也会发生大范围的变化，对于单个设备来说，当它的位置发生大幅度变化时，它可以选择距离它最近的售后点接受服务， 设备移动会引起售后点中的生产资料配置方式的变化，所以企业需要每天更新一个售 后点服务器的设备集合，并依据售后点服务设备数量的规模来动态决定该售后点中每 天应该配置的生产资料数量。
长时间调整后，售后点的强实时性就不能保证了，随着一个地方施工项目的增加或者减少，设备的数量也可能发生剧烈的变化，那么最初设置的售后点的效用就会相 对降低。为了尽可能保证每个售后点的能力发挥到最大，若售后服务点服务的设备数 量与初始值相比，变化范围超过30％，则重新执行步骤1-5，再次完成生产要素配置。
具体实现中，本申请提供计算机存储介质以及对应的数据处理单元，其中，该计算机存储介质能够存储计算机程序，所述计算机程序通过数据处理单元执行时可运行 本发明提供的一种工业互联网环境下面向生产要素需求的智能服务方法的发明内容以 及各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体 (read-only memory，ROM)或随机存储记忆体(random access memory，RAM)等。
本领域的技术人员可以清楚地了解到本发明实施例中的技术方案可借助计算机程 序以及其对应的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机程序即软件产品的形式 体现出来，该计算机程序软件产品可以存储在存储介质中，包括若干指令用以使得一 台包含数据处理单元的设备(可以是个人计算机，服务器，单片机。MUU或者网络设 备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本发明提供了一种工业互联网环境下面向生产要素需求的智能服务方法的思路及 方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还 可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中 未明确的各组成部分均可用现有技术加以实现。

Claims (10)

1.一种工业互联网环境下面向生产要素需求的智能服务方法，其特征在于，包括以下步骤：
步骤1：企业应用工业互联网技术，获得区域内所有设备的空间地理位置，并将设备所在空间中的位置转化为二维向量；
步骤2：采用层次聚类的方式对区域内的设备进行划分；层次聚类后，所有的设备被分成了不同的簇，每一个簇对应一个售后服务区域，从而确定售后服务区域；
步骤3：在确定售后服务区域后，选择该售后服务区域中运维代价最低的点作为售后服务点；
步骤4：售后服务点所配置的生产要素数量，与该售后服务点所相连的售后服务区域内的设备数量正相关；
步骤5：采用统计策略，获得设备中的每一种零部件的损坏概率，作为生产要素中零部件库存配置的优化依据；根据得到的零部件的损坏概率，以及企业对冗余度的规划，优化售后服务点中零部件的配置方式以及服务人员配置数量，即完成生产要素配置；
步骤6：随时间变化，当区域内设备密度变化超过阈值时，重新执行步骤1-5，再次完成生产要素配置。
2.根据权利要求1所述的一种工业互联网环境下面向生产要素需求的智能服务方法，其特征在于，步骤2中，采用层次聚类的方法来确定售后服务区域的方法包括：
对于设备ek，其位置用二维向量zk＝(ak1，ak2)表示，其中，ak1表示经度，ak2表示纬度；
二维向量zk个和二维向量zl之间的距离Dist(zk，zl)的计算方法为：
Figure FDA0003663583900000011
其中，二维向量zk表示设备ek的位置，二维向量zl表示设备el的位置，akc表示表示zk的第c个维度的值，alc表示zl的第c个维度的值；
在层次聚类算法开始时，每个设备单独成簇；将距离最近的两个簇进行合并，直至无法合并，合并方法包括：
对于给定的簇Cx和簇Cy，通过以下方式计算最大距离dmax(Cx，Cy)：
Figure FDA0003663583900000021
其中，zk∈Cx表示zk为包含在簇Cx中的二维向量，zl∈Cy表示zl为包含在簇Cy中的二维向量；层次聚类过程中，两个簇的合并规则包括：
对于给定的距离约束值dis，如果两个簇之间的距离dmax(Cx，Cy)＞dis，则这两个簇无法合并，否则将两个簇合并；当剩余的簇之间都无法进行合并时，层次聚类算法结束，完成层次聚类；
层次聚类后的一个簇对应一个售后服务点服务的设备集合；层次聚类结束后，每个售后服务点服务的设备数量m的值为层次聚类后簇内设备的数量值。
3.根据权利要求2所述的一种工业互联网环境下面向生产要素需求的智能服务方法，其特征在于，步骤3中，所述确定售后服务点的位置的方法包括：
步骤3-1，根据簇确定满足实时性约束的区域；
步骤3-2，在满足实时性约束的区域中，通过随机采样，取局部最优值的方法确定售后点的位置。
4.根据权利要求3所述的一种工业互联网环境下面向生产要素需求的智能服务方法，其特征在于，步骤3-1中所述根据簇确定满足实时性约束的区域的方法包括：
以每个设备所在位置为圆心，以
Figure FDA0003663583900000022
为半径画圆，同时在所有设备约束范围内的区域，确定为满足实时性约束的区域。
5.根据权利要求4所述的一种工业互联网环境下面向生产要素需求的智能服务方法，其特征在于，步骤3-2中所述确定售后点的位置的方法包括：
在满足实时性约束的区域内随机寻找地点作为备选的售后服务点；计算将该备选的售后服务点设置为售后服务点时的资产配置数量；将资产配置数量最低的位置作为最终售后服务点的位置。
6.根据权利要求5所述的一种工业互联网环境下面向生产要素需求的智能服务方法，其特征在于，步骤5中所述优化售后服务点中零部件的配置方式的方法包括：
步骤5-1，根据历史统计数据，计算每一种零件每天发生故障的概率，作为生产要素配置的基本依据；
步骤5-2，根据企业对冗余度规划，优化售后服务点中零部件的配置；
步骤5-3，根据企业对冗余度规划，优化售后服务点中服务人员数量的配置。
7.根据权利要求6所述的一种工业互联网环境下面向生产要素需求的智能服务方法，其特征在于，步骤5-1中所述计算每一种零件每天发生故障的概率的方法包括：
对于单个售后服务点，设其需要服务的设备数量为m，第k台设备用ek表示；售后服务点的生产要素配置方式与设备数量以及设备上每一种零件的故障率相关；设一台设备有a个零件，第i个零件有vi个，每一种零件的故障率为pi；通过以下方式计算出一种零件每天发生故障的期望数量μi：
μi＝m·vi·pi (3)。
8.根据权利要求7所述的一种工业互联网环境下面向生产要素需求的智能服务方法，其特征在于，步骤5-2中所述根据企业对冗余度规划的方法包括：
根据二项分布的概念，提供多种实时性要求的生产要素配置方式；设零件是否发生故障是相互独立的事件，对于n个零件来说，它的分布符合二项分布；随机变量X服从参数n和p的二项分布时记作X～B(n，p)，对于特定的零件i服从的二项分布为Xi～B(m·vi，pi)，它表示在m·vi个零件中，有x个零件发生故障的概率f(x)为：
Figure FDA0003663583900000031
企业根据实际的实时性要求进行生产要素配置，其中实时性程度用概率理论表示，方法包括：
设一个售后服务点要求要有pl的概率保证所有用户请求在一天之内满足，那么该售后服务点配置的第i个零件至少要部署xi个，其中xi满足以下不等式：
Figure FDA0003663583900000032
最终确定每个售后售后点中每种零件配置的数量。
9.根据权利要求8所述的一种工业互联网环境下面向生产要素需求的智能服务方法，其特征在于，步骤5-3中所述根据企业对冗余度规划，优化售后服务点中服务人员数量的配置的方法包括：
企业根据统计数据，获得售后人员处理一次故障所需要的平均时间bj，设一个售后点每天提供服务的时间为8个小时，那么每个售后人员每天可以处理的故障数量bnum用下面的公式计算：
Figure FDA0003663583900000041
由于不同的故障之间是相互独立的，用以下公式计算每一台设备ek发生故障的概率pk：
Figure FDA0003663583900000042
将pk带入步骤5-2中所述根据企业对冗余度规划的方法中，得到在满足实时性为pl时，售后服务点每天要处理的故障设备数量x；
反解出的设备数量x的值，企业则确定在每个售后中心需要配置的服务人员数量unum为：
Figure FDA0003663583900000043
10.根据权利要求9所述的一种工业互联网环境下面向生产要素需求的智能服务方法，其特征在于，步骤6中所述再次完成生产要素配置的方法包括：
按照步骤1到步骤5配置好初始的生产要素数量后，每日统计售后点服务点中服务的设备数量，若售后服务点服务的设备数量与初始值相比，变化范围超过30％，则重新执行步骤1-5，再次完成生产要素配置。
CN202210586398.6A 2022-05-26 2022-05-26 一种工业互联网环境下面向生产要素需求的智能服务方法 Pending CN114912699A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210586398.6A CN114912699A (zh) 2022-05-26 2022-05-26 一种工业互联网环境下面向生产要素需求的智能服务方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210586398.6A CN114912699A (zh) 2022-05-26 2022-05-26 一种工业互联网环境下面向生产要素需求的智能服务方法

Publications (1)

Publication Number Publication Date
CN114912699A true CN114912699A (zh) 2022-08-16

Family

ID=82769110

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210586398.6A Pending CN114912699A (zh) 2022-05-26 2022-05-26 一种工业互联网环境下面向生产要素需求的智能服务方法

Country Status (1)

Country Link
CN (1) CN114912699A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116151839A (zh) * 2023-04-18 2023-05-23 中汽传媒(天津)有限公司 一种汽车售后点动态规划方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116151839A (zh) * 2023-04-18 2023-05-23 中汽传媒(天津)有限公司 一种汽车售后点动态规划方法及系统
CN116151839B (zh) * 2023-04-18 2023-06-27 中汽传媒(天津)有限公司 一种汽车售后点动态规划方法及系统

Similar Documents

Publication Publication Date Title
Zhu et al. Effective and efficient trajectory outlier detection based on time-dependent popular route
Zhang et al. A framework for passengers demand prediction and recommendation
US20190164126A1 (en) System and method for dynamic pairing function optimization
Sacharidis et al. On-line discovery of hot motion paths
Liu et al. Think like a graph: Real-time traffic estimation at city-scale
CN105407159A (zh) 物流运输位置服务系统
CN116828001B (zh) 一种基于大数据分析的智慧工厂生产效率优化系统及方法
Xue et al. Computational experiment-based evaluation on context-aware O2O service recommendation
Boldrini et al. Weak signals in the mobility landscape: car sharing in ten European cities
CN102360462A (zh) 基于云制造的虚拟资源模型及其建模方法
CN111882171A (zh) 一种基于需求预测的景区观光车智能调度系统及方法
CN114912699A (zh) 一种工业互联网环境下面向生产要素需求的智能服务方法
Guan et al. A unified framework for predicting kpis of on-demand transport services
CN111309489A (zh) 一种面向地理大数据的云计算资源调度方法及系统
Liu et al. Task assignment with federated preference learning in spatial crowdsourcing
Hui et al. Hotspots identification and classification of dockless bicycle sharing service under electric fence circumstances
He et al. Socially-equitable interactive graph information fusion-based prediction for urban dockless e-scooter sharing
Li et al. Efficient adaptive matching for real-time city express delivery
Cheng et al. Design of a support system for complicated logistics location integrating big data
CN116611678B (zh) 数据处理方法、装置、计算机设备和存储介质
CN116204728A (zh) 一种基于大数据处理的协同过滤智能推荐系统
Miao et al. Task Assignment with Efficient Federated Preference Learning in Spatial Crowdsourcing
Hua et al. Transfer learning for cross-modal demand prediction of bike-share and public transit
Oza et al. Public transport tracking and its issues
Yang et al. Construction and risk analysis of marketing system based on deep neural network

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