CN115328063A - 基于人工智能的设备优化系统及方法 - Google Patents
基于人工智能的设备优化系统及方法 Download PDFInfo
- Publication number
- CN115328063A CN115328063A CN202211123714.2A CN202211123714A CN115328063A CN 115328063 A CN115328063 A CN 115328063A CN 202211123714 A CN202211123714 A CN 202211123714A CN 115328063 A CN115328063 A CN 115328063A
- Authority
- CN
- China
- Prior art keywords
- efficiency
- production
- equipment
- real
- time
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 19
- 238000004519 manufacturing process Methods 0.000 claims abstract description 253
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims description 34
- 238000009826 distribution Methods 0.000 claims description 14
- 238000012163 sequencing technique Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000013076 target substance Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4185—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the network communication
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31088—Network communication between supervisor and cell, machine group
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于人工智能的设备优化系统及方法，涉及制造业数字化转型技术领域，解决了现有技术在进行设备优化时，需要进行大量的数据处理，而且无法合理确定设备优化的时机，导致设备优化效率和准确性不能兼顾的技术问题；本发明基于标准效率值来确定是否需要进行设备优化；进而将实时效率曲线和高效效率曲线进行对比来确定待优化设备以及优化值；在保证设备优化准确性的同时降低了数据处理量，进而提高了设备优化效率；本发明通过对比实时效率曲线和高效效率曲线可以确定待优化设备以及优化幅度，加快了设备优化的进程；且在目标生产线完成设备之后，还可以将相关数据上传至云数据库来扩充标准生产线，有助于提高设备优化的精准性。
Description
技术领域
本发明属于制造业数字化转型领域，涉及一种基于人工智能的设备优化技术，具体是基于人工智能的设备优化系统及方法。
背景技术
据研究显示其数字化水平仍有巨大的提升空间，且在制造业中，多数自动化生产线的设计理念较为陈旧，自动化控制技术更新换代不及时影响了自动化生产线的生产效率，有必要对自动化生产线的设备以及工作参数进行优化。
现有技术(公开号为CN111951901A的发明专利申请)公开了一种优化设备、优化系统、优化方法及记录介质，基于目标物质最优特征值的多个参数的值的组合生成贝叶斯模型，再基于多个参数中的至少一个生成搜索空间，最后在搜索空间中使用贝叶斯模型进行搜索，根据所有的最优特征值组合完成设备优化。现有技术在进行设备优化时，通过获取目标物质的多个最优特征值及其组合来建立贝叶斯模型，需要进行大量的数据处理，且无法确定设备优化的时机，导致设备优化的效率和准确性不能兼顾；因此，亟须一种基于人工智能的设备优化系统及方法。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一；为此，本发明提出了基于人工智能的设备优化系统及方法，用于解决现有技术在进行设备优化时，需要进行大量的数据处理，而且无法合理确定设备优化的时机，导致设备优化效率和准确性不能兼顾的技术问题。
为实现上述目的，本发明的第一方面提供了基于人工智能的设备优化系统，包括中枢分析模块，以及与之相连接的数据采集模块和智能终端；且数据采集模块与目标生产线上的各类型数据传感器相连接；
数据采集模块：在目标生产线正常运行过程中，通过与之相连接的数据传感器采集各生产设备的基础运行数据，并发送至中枢分析模块；
中枢分析模块：基于云数据库获取目标生产线的标准效率值，通过根据历史生产数据确定实时效率值，将标准效率值和实时效率值进行比较确定是否进行设备优化；是，则采集各生产设备的基础运行数据，否，则不处理；以及
根据基础运行数据计算获取各生产设备单位时间的设备生产效率；对若干设备生产效率进行排序拟合获取实时效率曲线，将实时效率曲线与高效效率曲线进行对比分析确定优化的生产设备；其中，高效效率曲线基于云数据库获取。
优选的，所述中枢分析模块分别与数据采集模块和智能终端通信和/或电气连接；且所述智能终端包括手机和电脑；
所述数据采集模块与若干条目标生产线上的所述数据传感器通信和/或电气连接；且所述数据传感器设置在各生产设备的外部或者内部。
优选的，所述中枢分析模块基于云数据库匹配获取目标生产线的所述标准效率值，并基于所述标准效率值判断是否进行设备优化，包括：
连接所述云数据库，并从中提取若干标准生产线单位时间内的最优生产效率；其中，目标生产线与标准生产线型号相同或者包含的生产设备相同；
获取若干所述最优生产效率的分布特征值，记为标准效率值；获取所述目标生产线的最优生产效率，记为实时效率值；其中，分布特征值包括中位数或众数；
当所述实时效率值小于所述标准效率值时，则判定需要对所述目标生产线进行设备优化；否则，判定不需要对所述目标生产线进行设备优化。
优选的，在确定需要对所述目标生产线进行设备优化时，则通过设置在所述目标生产线上的所述数据传感器采集获取所述基础运行数据；以及
对所述基础运行数据进行筛选整合之后发送至所述中枢分析模块；其中，基础运行数据包括标称运行限值和实时运行参数。
优选的，所述中枢分析模块从所述基础运行数据中提取各生产设备对应的所述设备生产效率，并基于若干所述设备生产效率获取所述实时效率曲线，包括：
从所述基础运行数据中提取各生产设备的实时运行参数，基于所述实时运行参数计算出各生产设备在单位时间内的所述设备生产效率；
对若干所述设备生产效率进行排序并编号；以编号为自变量，以设备生产效率为因变量拟合获取所述实时效率曲线；其中，排序按照从大到小或者从小到大。
优选的，所述中枢分析模块基于若干标准生产线在达到最优生产效率时对应的基础运行数据获取所述高效效率曲线，包括：
基于所述最优生产效率从若干所述标准生产线中择优选择至少一条标准生产线，并将对应的基础运行数据标记为高效运行数据；
从所述高效运行数据中获取各生产设备的设备生产效率，并标记为高效生产效率；对若干所述高效生产效率进行排序拟合，获取所述高效效率曲线。
优选的，所述中枢分析模块对比所述实时效率曲线和所述高效效率曲线，根据对比结果对各生产设备进行优化，包括：
比较所述实时效率曲线和所述高效效率曲线，确定二者非重合部分对应的生产设备，并标记为待优化设备；
根据所述实时效率曲线和所述高效效率曲线确定待优化设备的生产效率差值；在标称运行限值内调整待优化设备的实时运行参数，以减小生产效率差值。
本发明的第二方面提供了基于人工智能的设备优化方法，包括：
基于云数据库中记录的各标准生产线以及对应的最优生产效率，基于若干最优生产效率的分布特征值获取标准效率值；
获取目标生产线的实时效率值；将实时效率值和标准效率值进行对比确定是否对目标生产线进行设备优化；是，则进行下一步；否，则不处理；
根据采集的基础运行数据计算获取各生产设备的设备生产效率，进而获取实时效率曲线；对比实时效率曲线与高效效率曲线确定并优化生产设备。
与现有技术相比，本发明的有益效果是：
1.本发明先根据标准生产线确定标准效率值，基于标准效率值来确定是否需要进行设备优化；通过分析目标生产线的基础运行数据来获取若干设备生产效率，进而整理获取实时效率曲线；将实时效率曲线和通过标准生产线获取的高效效率曲线进行对比来确定待优化设备以及优化值；在保证设备优化准确性的同时降低了数据处理量，进而提高了设备优化效率。
2.本发明通过对比实时效率曲线和高效效率曲线不仅可以确定哪些生产设备需要调整，而且可以确定调整幅度，加快了设备优化的进程；且在目标生产线完成设备之后，还可以将相关数据上传至云数据库来扩充标准生产线，有助于提高设备优化的精准性。
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。
图1为本发明的工作步骤示意图；
图2为本发明的系统原理示意图。
具体实施方式
下面将结合实施例对本发明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做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1-图2，本发明第一方面实施例提供了基于人工智能的设备优化系统，包括中枢分析模块，以及与之相连接的数据采集模块和智能终端；且数据采集模块与目标生产线上的各类型数据传感器相连接；
数据采集模块：在目标生产线正常运行过程中，通过与之相连接的数据传感器采集各生产设备的基础运行数据，并发送至中枢分析模块；
中枢分析模块：基于云数据库获取目标生产线的标准效率值，通过根据历史生产数据确定实时效率值，将标准效率值和实时效率值进行比较确定是否进行设备优化；是，则采集各生产设备的基础运行数据，否，则不处理；以及
根据基础运行数据计算获取各生产设备单位时间的设备生产效率；对若干设备生产效率进行排序拟合获取实时效率曲线，将实时效率曲线与高效效率曲线进行对比分析确定优化的生产设备；其中，高效效率曲线基于云数据库获取。
现有技术中的设备优化主要是对设备的各项参数进行优化，一般通过比较设备的实时运行参数与最佳运行参数进行比较调整，但是这种方式仅对单一设备优化有效，当多个设备需要协同运行时则效果不佳；还可以根据设备的最优参数的组合建立贝叶斯模型，通过贝叶斯模型在构建的搜索空间中进行搜索以完成多个设备的优化，这种方式需要进行大量的数据准备工作，影响设备优化的效率和准确性。
本发明申请先根据标准生产线确定标准效率值，基于标准效率值来确定是否需要进行设备优化；通过分析目标生产线的基础运行数据来获取若干设备生产效率，进而整理获取实时效率曲线；将实时效率曲线和通过标准生产线获取的高效效率曲线进行对比来确定待优化设备以及优化值；在保证设备优化准确性的同时降低了数据处理量，进而提高了设备优化效率。
本发明申请中中枢分析模块分别与数据采集模块和智能终端通信和/或电气连接；且智能终端包括手机和电脑；数据采集模块与若干条目标生产线上的数据传感器通信和/或电气连接；且数据传感器设置在各生产设备的外部或者内部。
中枢分析模块主要进行数据处理，与数据采集模块和智能终端进行数据交互。智能终端用于展示设备优化过程，并将优化建议展示给工作人员。数据采集模块主要用于采集目标生产线的基础运行数据，与数据传感器和中枢分析模块进行数据交互。需要说明的是，数据传感器包括摄像头、速度传感器等，可以设置在生产设备旁边，必要时可以安装在生产设备内部。
云数据库中主要存储有若干标准生产线以及对应的各项运行数据，各项运行数据包括最优生产效率状态下各设备的实时运行参数。且云数据库中的相关数据会进行及时更新，以保证云数据库的可靠性。可以理解的是，当目标生产线的各生产设备被优化之后，以及达到最优生产效率之后，也可以将目标生产线以及相关数据上传到云数据库中作为标准生产线。
本发明申请中中枢分析模块基于云数据库匹配获取目标生产线的标准效率值，并基于标准效率值判断是否进行设备优化，包括：
连接云数据库，并从中提取若干标准生产线单位时间内的最优生产效率；获取若干最优生产效率的分布特征值，记为标准效率值；获取目标生产线的最优生产效率，记为实时效率值；当实时效率值小于标准效率值时，则判定需要对目标生产线进行设备优化；否则，判定不需要对目标生产线进行设备优化。
连接云数据库之后，从中获取若干标准生产线对应的最优生产效率，基于各最优生产效率的分布特征确定标准效率值，若目标生产线的实时效率值小于标准效率值时则可以理解为目标生产线的整体生产效率低于平均水平，或者不是最优状态，此刻即需要进行设备优化。
举例说明：假设五条标准生产线在一天中的最优生产效率分别为100，102，110，110，110，取众数作为分布特征值，则标准效率值为110；若目标生产线的实时效率值为108，则说明该目标生产线没有达到最优状态，则进行设备优化。
目标生产线与标准生产线型号相同或者包含的生产设备相同，一般认为目标生产线和标准生产线是完全相同的，即一个厂家生产的若干条生产线，云数据库也可以立即为厂家建立的数据服务平台。需要理解的是，在获取若干标准生产线的最优生产效率之后，应使用合理的分布特征值来确定标准效率值，避免极端值对标准效率值合理性的影响。
本发明申请在确定需要对目标生产线进行设备优化时，则通过设置在目标生产线上的数据传感器采集获取基础运行数据；以及对基础运行数据进行筛选整合之后发送至中枢分析模块。
这里面提到的对基础运行数据进行筛选整合主要是去除异常值。基础运行数据包括标称运行限值和实时运行参数。标准运行限值是生产设备运转的极限值，如转速极限值；而实时运行参数则是目标生产线在运行过程中的实际参数，如实际转速值。实时运行参数应该在运行限值的范围之内，不然则判定数据传感器或者生产设备异常，并及时进行预警。
本发明申请中中枢分析模块从基础运行数据中提取各生产设备对应的设备生产效率，并基于若干设备生产效率获取实时效率曲线，包括：
从基础运行数据中提取各生产设备的实时运行参数，基于实时运行参数计算出各生产设备在单位时间内的设备生产效率；对若干设备生产效率进行排序并编号；以编号为自变量，以设备生产效率为因变量拟合获取实时效率曲线。
对目标生产线进行划分获取若干生产设备，这里面的生产设备最好是运行参数可自动化调节的设备，以便于通过中枢分析模块实现设备的自动优化。通过实时运行参数计算出各生产设备的设备生产效率，从大到小排序之后进行编号，进而拟合获取实时效率曲线。需要理解的是，同一生产线上生产设备的设备生产效率存在线性或者非线性关系。
本发明申请中中枢分析模块基于若干标准生产线在达到最优生产效率时对应的基础运行数据获取高效效率曲线，包括：
基于最优生产效率从若干标准生产线中择优选择至少一条标准生产线，并将对应的基础运行数据标记为高效运行数据；从高效运行数据中获取各生产设备的设备生产效率，并标记为高效生产效率；对若干高效生产效率进行排序拟合，获取高效效率曲线。
为了提高目标生产线整体的生产效率，需要为其设备优化提供数据参考，即从云数据库中合理选择一个最优生产效率(一般优于目标生产线的实时效率值)，将其对应的基础运行数据标记为高效运行数据，则可以对应获取高效效率曲线。
值得注意的是，通过合理选择高效运行数据，不仅可以提高目标生产线各生产设备的运行效率，而且可以在必要的情况下合理降低目标生产线各生产设备的运行效率；这种调整方式适合需要随时调整目标生产线的场景。
本发明申请中中枢分析模块对比实时效率曲线和高效效率曲线，根据对比结果对各生产设备进行优化，包括：
比较实时效率曲线和高效效率曲线，确定二者非重合部分对应的生产设备，并标记为待优化设备；根据实时效率曲线和高效效率曲线确定待优化设备的生产效率差值；在标称运行限值内调整待优化设备的实时运行参数，以减小生产效率差值。
在比较实时效率曲线和高效效率曲线时，先确定二者哪些位置没有重合，通过这些位置的编号可以确定对应的生产设备，则这些生产设备即为待优化设备。而具体需要对待优化设备进行什么程度的调整，则根据两条曲线之间的差值。如二者差值为5，则说明对应生产设备的设备生产效率离最优差5，则在标称运行限值范围内对调整生产设备的实时运行参数即可。
本发明第二方面实施例提供了基于人工智能的设备优化方法，包括：
基于云数据库中记录的各标准生产线以及对应的最优生产效率，基于若干最优生产效率的分布特征值获取标准效率值；
获取目标生产线的实时效率值；将实时效率值和标准效率值进行对比确定是否对目标生产线进行设备优化；是，则进行下一步；否，则不处理；
根据采集的基础运行数据计算获取各生产设备的设备生产效率，进而获取实时效率曲线；对比实时效率曲线与高效效率曲线确定并优化生产设备。
上述公式中的部分数据均是去除量纲取其数值计算，公式是由采集的大量数据经过软件模拟得到最接近真实情况的一个公式；公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者通过大量数据模拟获得。
本发明的工作原理：
基于云数据库中记录的各标准生产线以及对应的最优生产效率，基于若干最优生产效率的分布特征值获取标准效率值。
获取目标生产线的实时效率值；将实时效率值和标准效率值进行对比确定是否对目标生产线进行设备优化；是，则进行下一步；否，则不处理。
根据采集的基础运行数据计算获取各生产设备的设备生产效率，进而获取实时效率曲线；对比实时效率曲线与高效效率曲线确定并优化生产设备。
以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。
Claims (8)
1.基于人工智能的设备优化系统，包括中枢分析模块，以及与之相连接的数据采集模块和智能终端；且数据采集模块与目标生产线上的各类型数据传感器相连接，其特征在于：
数据采集模块：在目标生产线正常运行过程中，通过与之相连接的数据传感器采集各生产设备的基础运行数据，并发送至中枢分析模块；
中枢分析模块：基于云数据库获取目标生产线的标准效率值，通过根据历史生产数据确定实时效率值，将标准效率值和实时效率值进行比较确定是否进行设备优化；是，则采集各生产设备的基础运行数据，否，则不处理；以及
根据基础运行数据计算获取各生产设备单位时间的设备生产效率；对若干设备生产效率进行排序拟合获取实时效率曲线，将实时效率曲线与高效效率曲线进行对比分析确定优化的生产设备；其中，高效效率曲线基于云数据库获取。
2.根据权利要求1所述的基于人工智能的设备优化系统，其特征在于，所述中枢分析模块分别与数据采集模块和智能终端通信和/或电气连接；且所述智能终端包括手机和电脑；
所述数据采集模块与若干条目标生产线上的所述数据传感器通信和/或电气连接；且所述数据传感器设置在各生产设备的外部或者内部。
3.根据权利要求1所述的基于人工智能的设备优化系统，其特征在于，所述中枢分析模块基于云数据库匹配获取目标生产线的所述标准效率值，并基于所述标准效率值判断是否进行设备优化，包括：
连接所述云数据库，并从中提取若干标准生产线单位时间内的最优生产效率；其中，目标生产线与标准生产线型号相同或者包含的生产设备相同；
获取若干所述最优生产效率的分布特征值，记为标准效率值；获取所述目标生产线的最优生产效率，记为实时效率值；其中，分布特征值包括中位数或众数；
当所述实时效率值小于所述标准效率值时，则判定需要对所述目标生产线进行设备优化；否则，判定不需要对所述目标生产线进行设备优化。
4.根据权利要求3所述的基于人工智能的设备优化系统，其特征在于，在确定需要对所述目标生产线进行设备优化时，则通过设置在所述目标生产线上的所述数据传感器采集获取所述基础运行数据；以及
对所述基础运行数据进行筛选整合之后发送至所述中枢分析模块；其中，基础运行数据包括标称运行限值和实时运行参数。
5.根据权利要求4所述的基于人工智能的设备优化系统，其特征在于，所述中枢分析模块从所述基础运行数据中提取各生产设备对应的所述设备生产效率，并基于若干所述设备生产效率获取所述实时效率曲线，包括：
从所述基础运行数据中提取各生产设备的实时运行参数，基于所述实时运行参数计算出各生产设备在单位时间内的所述设备生产效率；
对若干所述设备生产效率进行排序并编号；以编号为自变量，以设备生产效率为因变量拟合获取所述实时效率曲线；其中，排序按照从大到小或者从小到大。
6.根据权利要求5所述的基于人工智能的设备优化系统，其特征在于，所述中枢分析模块基于若干标准生产线在达到最优生产效率时对应的基础运行数据获取所述高效效率曲线，包括：
基于所述最优生产效率从若干所述标准生产线中择优选择至少一条标准生产线，并将对应的基础运行数据标记为高效运行数据；
从所述高效运行数据中获取各生产设备的设备生产效率，并标记为高效生产效率；对若干所述高效生产效率进行排序拟合，获取所述高效效率曲线。
7.根据权利要求6所述的基于人工智能的设备优化系统，其特征在于，所述中枢分析模块对比所述实时效率曲线和所述高效效率曲线，根据对比结果对各生产设备进行优化，包括：
比较所述实时效率曲线和所述高效效率曲线，确定二者非重合部分对应的生产设备，并标记为待优化设备；
根据所述实时效率曲线和所述高效效率曲线确定待优化设备的生产效率差值；在标称运行限值内调整待优化设备的实时运行参数，以减小生产效率差值。
8.基于人工智能的设备优化方法，基于权利要求1至7任意一项所述的基于人工智能的设备优化系统运行，其特征在于，包括：
基于云数据库中记录的各标准生产线以及对应的最优生产效率，基于若干最优生产效率的分布特征值获取标准效率值；
获取目标生产线的实时效率值；将实时效率值和标准效率值进行对比确定是否对目标生产线进行设备优化；是，则进行下一步；否，则不处理；
根据采集的基础运行数据计算获取各生产设备的设备生产效率，进而获取实时效率曲线；对比实时效率曲线与高效效率曲线确定并优化生产设备。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211123714.2A CN115328063B (zh) | 2022-09-15 | 2022-09-15 | 基于人工智能的设备优化系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211123714.2A CN115328063B (zh) | 2022-09-15 | 2022-09-15 | 基于人工智能的设备优化系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115328063A true CN115328063A (zh) | 2022-11-11 |
| CN115328063B CN115328063B (zh) | 2023-03-21 |
Family
ID=83929699
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211123714.2A Active CN115328063B (zh) | 2022-09-15 | 2022-09-15 | 基于人工智能的设备优化系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115328063B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116542502A (zh) * | 2023-07-07 | 2023-08-04 | 成都建工第三建筑工程有限公司 | 基于卷积神经网络的建筑物施工周期优化系统及方法 |
| CN117590821A (zh) * | 2024-01-19 | 2024-02-23 | 青岛创新奇智科技集团股份有限公司 | 基于工业大模型的生产线优化方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101763100A (zh) * | 2009-12-30 | 2010-06-30 | 南京富士通南大软件技术有限公司 | 一种基于双进度因子的生产优化系统及其优化方法 |
| US20160349737A1 (en) * | 2015-05-29 | 2016-12-01 | Chun-Tai Yen | Manufacturing efficiency optimization platform and tool condition monitoring and prediction method |
| CN108734339A (zh) * | 2018-04-27 | 2018-11-02 | 浙江交通职业技术学院 | 面向低碳制造的器件加工工艺过程智能优化系统 |
| CN111951901A (zh) * | 2019-05-16 | 2020-11-17 | 富士通株式会社 | 优化设备、优化系统、优化方法及记录介质 |
| CN112766584A (zh) * | 2021-01-25 | 2021-05-07 | 绍兴文理学院 | 基于离散云进化算法的设备优化布局方法 |
| CN112783872A (zh) * | 2021-03-17 | 2021-05-11 | 江苏熵图信息科技有限公司 | 一种基于工业大数据的设备优化模型构建方法 |
-
2022
- 2022-09-15 CN CN202211123714.2A patent/CN115328063B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101763100A (zh) * | 2009-12-30 | 2010-06-30 | 南京富士通南大软件技术有限公司 | 一种基于双进度因子的生产优化系统及其优化方法 |
| US20160349737A1 (en) * | 2015-05-29 | 2016-12-01 | Chun-Tai Yen | Manufacturing efficiency optimization platform and tool condition monitoring and prediction method |
| CN108734339A (zh) * | 2018-04-27 | 2018-11-02 | 浙江交通职业技术学院 | 面向低碳制造的器件加工工艺过程智能优化系统 |
| CN111951901A (zh) * | 2019-05-16 | 2020-11-17 | 富士通株式会社 | 优化设备、优化系统、优化方法及记录介质 |
| US20200364594A1 (en) * | 2019-05-16 | 2020-11-19 | Fujitsu Limited | Information processing apparatus, optimization system, and optimization method |
| CN112766584A (zh) * | 2021-01-25 | 2021-05-07 | 绍兴文理学院 | 基于离散云进化算法的设备优化布局方法 |
| CN112783872A (zh) * | 2021-03-17 | 2021-05-11 | 江苏熵图信息科技有限公司 | 一种基于工业大数据的设备优化模型构建方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116542502A (zh) * | 2023-07-07 | 2023-08-04 | 成都建工第三建筑工程有限公司 | 基于卷积神经网络的建筑物施工周期优化系统及方法 |
| CN116542502B (zh) * | 2023-07-07 | 2023-11-07 | 成都建工第三建筑工程有限公司 | 基于卷积神经网络的建筑物施工周期优化系统及方法 |
| CN117590821A (zh) * | 2024-01-19 | 2024-02-23 | 青岛创新奇智科技集团股份有限公司 | 基于工业大模型的生产线优化方法 |
| CN117590821B (zh) * | 2024-01-19 | 2024-04-12 | 青岛创新奇智科技集团股份有限公司 | 基于工业大模型的生产线优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115328063B (zh) | 2023-03-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115328063B (zh) | 基于人工智能的设备优化系统及方法 | |
| CN110927537B (zh) | 一种基于物联网边缘计算的局部放电监测装置及方法 | |
| CN116054417B (zh) | 一种变电站用的监控系统及方法 | |
| CN107862392B (zh) | 一种基于配电网智能运维管控平台的设备台帐管控方法 | |
| CN114202129A (zh) | 风电出力预测方法、电子设备、存储介质及系统 | |
| CN115167273A (zh) | 一种工地现场的施工用电节能管理控制系统 | |
| CN116700357B (zh) | 一种架空输电线路无人机编队智能巡检方法 | |
| CN108873847A (zh) | 一种面向模锻生产线的数据采集方法 | |
| CN112243249A (zh) | 5g nsa组网下lte新入网锚点小区参数配置方法和装置 | |
| CN109548139B (zh) | 一种基于knn的小区基站经纬度数据校正方法 | |
| US11783463B2 (en) | Systems and methods for artificial intelligence (AI) roof deterioration analysis | |
| CN116415849A (zh) | 基于人工智能的动态工程监理系统及方法 | |
| CN116154968A (zh) | 一种基于iec104协议传感器的电力参数监测系统 | |
| CN111382763A (zh) | 一种光伏集群划分方法及系统 | |
| CN211908856U (zh) | 一种基于物联网的植物数据采集系统 | |
| CN114648157A (zh) | 一种基于k最近邻分类的光伏功率预测方法 | |
| CN114492608A (zh) | 一种基于大数据的防洪排涝水泵机组用管控系统 | |
| CN111262950A (zh) | 一种基于物联网的植物数据采集系统 | |
| KR101984258B1 (ko) | 스마트공장과 클라우드 서버간 컨버징 방법 및 시스템 | |
| CN112308078A (zh) | 一种基于机器视觉的控制柜状态组态识别方法 | |
| CN203930500U (zh) | 一种红外热成像检测数据分析诊断平台 | |
| CN116894664B (zh) | 一种基于电力大数据的数据监视方法 | |
| CN116542502B (zh) | 基于卷积神经网络的建筑物施工周期优化系统及方法 | |
| CN117239938B (zh) | 一种配电站的巡检控制方法、装置、系统、设备及介质 | |
| CN115018332B (zh) | 一种基于虚拟现实的火电厂可视化管理系统 |
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 |