CN116341885B - 一种基于大数据的自动化生产管控系统及方法 - Google Patents
一种基于大数据的自动化生产管控系统及方法 Download PDFInfo
- Publication number
- CN116341885B CN116341885B CN202310628236.9A CN202310628236A CN116341885B CN 116341885 B CN116341885 B CN 116341885B CN 202310628236 A CN202310628236 A CN 202310628236A CN 116341885 B CN116341885 B CN 116341885B
- Authority
- CN
- China
- Prior art keywords
- minimum unit
- production
- production line
- line
- abnormal
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 506
- 238000000034 method Methods 0.000 title claims abstract description 118
- 230000002159 abnormal effect Effects 0.000 claims abstract description 166
- 230000008569 process Effects 0.000 claims abstract description 81
- 238000004364 calculation method Methods 0.000 claims description 34
- 230000005856 abnormality Effects 0.000 claims description 27
- 238000012546 transfer Methods 0.000 claims description 13
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000007405 data analysis Methods 0.000 claims description 9
- 238000007726 management method Methods 0.000 claims description 8
- 238000012098 association analyses Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000000195 production control method Methods 0.000 claims description 6
- 238000011160 research Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 abstract description 4
- 230000008859 change Effects 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- YTAHJIFKAKIKAV-XNMGPUDCSA-N [(1R)-3-morpholin-4-yl-1-phenylpropyl] N-[(3S)-2-oxo-5-phenyl-1,3-dihydro-1,4-benzodiazepin-3-yl]carbamate Chemical compound O=C1[C@H](N=C(C2=C(N1)C=CC=C2)C1=CC=CC=C1)NC(O[C@H](CCN1CCOCC1)C1=CC=CC=C1)=O YTAHJIFKAKIKAV-XNMGPUDCSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
- G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
- G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
- G06K7/1404—Methods for optical code recognition
- G06K7/1408—Methods for optical code recognition the method being specifically adapted for the type of code
- G06K7/1413—1D bar codes
-
- 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
- G06Q10/0633—Workflow analysis
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Quality & Reliability (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- General Health & Medical Sciences (AREA)
- Toxicology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据的自动化生产管控系统及方法，属于生产管控技术领域。对自动化生产中的扫码信息进行记录，分别对最小单元生产线的主节拍和子节拍进行标记，进而能够将产线或设备等错综复杂的关系简单化处理，并将多维度因素微观化统筹分析；分析最小单元生产线的效率异常值和稳定性，进而将异常变化在工序流转中放大；在历史产品生产周期中，找出存在关联的最小单元生产线，计算最小单元生产线之间的影响关联概率；对最小单元生产线的稳定性进行实时异常标记，计算最小单元生产线之间的实时影响概率；进而能够把握自动化生产中的主要矛盾点，进行有针对的监督和预测，使监控范围或边界清晰，避免通过大量的人力和物力来巡查监管。
Description
技术领域
本发明涉及生产管控技术领域，具体为一种基于大数据的自动化生产管控系统及方法。
背景技术
自动化生产是指不需要人直接参与操作，而由机械设备、仪表和自动化装置来完成产品的全部或部分加工的生产过程，各类机器人在生产过程中的广泛运用，提高了工业生产的自动化、智能化和工业化，推进了工业化进程。
现有技术中，对于自动化生产的管控方面往往因为产线、工序、设备和物料等多维度因素的存在而很难形成统一分析维度进行考量，同时因为多维度因素之间错综复杂的关系而很难把握自动化生产过程中的主要矛盾点，进而对于生产过程中出现的问题很难进行有针对的监督和预测，造成监控范围或边界不清晰，同时容易浪费大量的人力和物力来巡查监管。
发明内容
本发明的目的在于提供一种基于大数据的自动化生产管控系统及方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：
一种基于大数据的自动化生产管控系统，本系统包括：自动化条码库模块、节拍数据分析模块、影响关联分析模块和实时异常分析模块；
所述自动化条码库模块，用于构建自动化条码库，对自动化生产过程中的扫码信息进行记录；根据扫码信息，形成最小单元生产线，并分别对最小单元生产线的主节拍和子节拍进行标记；
所述节拍数据分析模块，根据主节拍和子节拍，分析最小单元生产线的效率异常值；并根据效率异常值，分析最小单元生产线的稳定性，计算最小单元生产线的稳定异常值；
所述影响关联分析模块，根据最小单元生产线的稳定异常值，在历史产品生产周期中，找出存在关联的最小单元生产线，并生成生产线异常关联集合；根据生产线异常关联集合，计算最小单元生产线之间的影响关联概率；
所述实时异常分析模块，用于对当前产品周期中，最小单元生产线的稳定性进行实时异常标记，并生成生产线实时异常集合；根据生产线实时异常集合和影响关联概率，计算最小单元生产线之间的实时影响概率，并根据实时影响概率，对下一个产品生产周期进行监管。
进一步的，所述自动化条码库模块还包括自动化条码库构建单元和扫码信息记录单元；
所述自动化条码库构建单元，用于分别对工序环节和生产设备进行统一编码并构建自动化条码库，所述自动化条码记录工序流转时或生产设备流转时的扫码信息，所述流转为当产品由一个工序环节转移到另一个工序环节生产时或由一个生产设备转移到另一个生产设备生产时形成的转移关系，所述扫码信息包括编码信息和扫码间隔时长；
所述扫码信息记录单元，用于对自动化生产的所有工序环节进行统筹，根据自动化条码库，当工序流转时，以两个不同工序环节之间发生的流转为最小单元生产线，对所有工序流转形成的最小单元生产线进行识别和统计；根据自动化条码库，对任意一个最小单元生产线在第k次流转时的扫码间隔时长进行标记，记为主节拍Tk(ij)，其中，i和j均表示工序环节的编码且i≠j，ij表示产品生产由工序环节i转移到工序环节j对应的最小单元生产线；根据自动化条码库，对工序环节i中的任意两个生产设备在第k次流转时的扫码间隔时长进行标记，记为子节拍tk(vw|i)，其中，v和w均表示生产设备的编码且v≠w，vw|i表示在工序环节i中产品生产由生产设备v转移到生产设备w。
进一步的，所述节拍数据分析模块还包括效率异常值计算单元和稳定异常值计算单元；
所述效率异常值计算单元，根据主节拍和子节拍，对最小单元生产线在第k次流转时的生产效率进行评估，计算最小单元生产线的效率异常值，具体计算公式如下：
EVk(ij)=[Tk(ij)-∑v、w≦etk(vw|i)]/Tk(ij)
其中，EVk(ij)表示最小单元生产线ij在第k次流转时的效率异常值，e表示工序环节i在生产过程中涉及的生产设备的最大编码；
所述稳定异常值计算单元，根据最小单元生产线的效率异常值，对最小单元生产线的稳定性进行评估，计算最小单元生产线的稳定异常值，具体计算公式如下：
SVh(ij)=(s-1)-1∑k=1 s-1{[EVk+1(ij)-EVk(ij)]/EVk(ij)}
其中，SVh(ij)表示最小单元生产线ij的第h个产品生产周期的稳定异常值，EVk+1(ij)表示最小单元生产线ij在第k+1次流转时的效率异常值，s表示最小单元生产线ij在第h个产品生产周期内对应的流转总次数。
进一步的，所述影响关联分析模块还包括稳定性研判单元和影响关联概率计算单元；
所述稳定性研判单元，用于预设稳定异常值门限SVT，对最小单元生产线ij在前h个产品生产周期中任意一个产品生产周期的稳定性进行研判，如果SVH(ij)≧SVT，则表示最小单元生产线ij在任意第H个产品生产周期的稳定性出现异常，SVH(ij)表示最小单元生产线ij的任意第H个产品生产周期的稳定异常值，H<h；
所述影响关联概率计算单元，用于当最小单元生产线ij在任意第H个产品生产周期的稳定性出现异常时，获取在任意第H个产品生产周期内稳定性出现异常的全部最小单元生产线，并生成生产线异常关联集合，记为EASH(ij)；根据生产线异常关联集合，计算当任意一个最小单元生产线xy稳定性出现异常时对最小单元生产线ij的影响关联概率，具体计算公式如下：
IAP(ij|xy)=NUM(xy)/∑H∈{1，2，...，h-1}，xy∈fNUM(xy)
其中，IAP(ij|xy)表示当任意一个最小单元生产线xy稳定性出现异常时对最小单元生产线ij的影响关联概率，NUM(xy)表示在所有的生产线异常关联集合中最小单元生产线xy出现的总次数，f=EASH(ij)。
进一步的，所述实时异常分析模块还包括实时异常标记单元和监管预测单元；
所述实时异常标记单元，根据预设稳定异常值门限SVT，如果SVh(ij)≧SVT，则表示最小单元生产线ij在第h个产品生产周期的稳定性出现异常；对第h个产品生产周期内所有最小单元生产线的稳定性进行实时异常标记，并生成生产线实时异常集合，记为RTECh；
所述监管预测单元，用于获取生产线实时异常集合中任意一个最小单元生产线ab，预设效率异常值门限EVT，在第h个产品生产周期内，统计满足判断公式EVk(ij)、EVk(ab)≧EVT的次数，并记为Q(ab)，根据影响关联概率，计算任意一个最小单元生产线ab对最小单元生产线ij的实时影响概率，具体计算公式如下：
SIP(ab|ij)=[IAP(ij|ab)*Q(ab)/k]/∑ab∈F[IAP(ij|ab)*Q(ab)/k]
其中，SIP(ab|ij)表示任意一个最小单元生产线ab对最小单元生产线ij的实时影响概率，IAP(ij|ab)表示当任意一个最小单元生产线ab稳定性出现异常时对最小单元生产线ij的影响关联概率，F=RTECh，ab≠ij；在下一个产品生产周期内，负责人按照影响概率从大到小的顺序对各个最小化单元生产线进行监管。
一种基于大数据的自动化生产管控方法，本方法包括以下步骤：
步骤S100：构建自动化条码库，对自动化生产过程中的扫码信息进行记录；根据扫码信息，形成最小单元生产线，并分别对最小单元生产线的主节拍和子节拍进行标记；
步骤S200：根据主节拍和子节拍，分析最小单元生产线的效率异常值；并根据效率异常值，分析最小单元生产线的稳定性，计算最小单元生产线的稳定异常值；
步骤S300：根据最小单元生产线的稳定异常值，在历史产品生产周期中，找出存在关联的最小单元生产线，并生成生产线异常关联集合；根据生产线异常关联集合，计算最小单元生产线之间的影响关联概率；
步骤S400：对当前产品周期中，最小单元生产线的稳定性进行实时异常标记，并生成生产线实时异常集合；根据生产线实时异常集合和影响关联概率，计算最小单元生产线之间的实时影响概率，并根据实时影响概率，对下一个产品生产周期进行监管。
进一步的，所述步骤S100的具体实施过程包括：
步骤S101：分别对工序环节和生产设备进行统一编码并构建自动化条码库，所述自动化条码记录工序流转时或生产设备流转时的扫码信息，所述流转为当产品由一个工序环节转移到另一个工序环节生产时或由一个生产设备转移到另一个生产设备生产时形成的转移关系，所述扫码信息包括编码信息和扫码间隔时长；
步骤S102：对自动化生产的所有工序环节进行统筹，根据自动化条码库，当工序流转时，以两个不同工序环节之间发生的流转为最小单元生产线，对所有工序流转形成的最小单元生产线进行识别和统计；根据自动化条码库，对任意一个最小单元生产线在第k次流转时的扫码间隔时长进行标记，记为主节拍Tk(ij)，其中，i和j均表示工序环节的编码且i≠j，ij表示产品生产由工序环节i转移到工序环节j对应的最小单元生产线；根据自动化条码库，对工序环节i中的任意两个生产设备在第k次流转时的扫码间隔时长进行标记，记为子节拍tk(vw|i)，其中，v和w均表示生产设备的编码且v≠w，vw|i表示在工序环节i中产品生产由生产设备v转移到生产设备w；
根据上述方法，自动化生产管控依托人工智能和自动控制技术，能够将产品按照结构特征、工艺要求和质检规范等不同属性而实现规模化产出，进而形成了全产程生产线化；在自动化生产中，产品需要结合不同功能的生产线协作而产出，一个生产线完成一个完整的工序，一个工序环节完成后再转移到下一个工序环节生产，不同功能的生产线中往往存在多个生产设备，一个生产设备任务完成后再转移到下一个设备进行操作；进而形成了工序流转或者设备流转，以最小单位生产线为研究基础，能够将产线或设备等错综复杂的关系简单化处理，同时在最小单位生产线中，能够将多维度因素微观化统筹分析。
进一步的，所述步骤S200的具体实施过程包括：
步骤S201：根据主节拍和子节拍，对最小单元生产线在第k次流转时的生产效率进行评估，计算最小单元生产线的效率异常值，具体计算公式如下：
EVk(ij)=[Tk(ij)-∑v、w≦etk(vw|i)]/Tk(ij)
其中，EVk(ij)表示最小单元生产线ij在第k次流转时的效率异常值，e表示工序环节i在生产过程中涉及的生产设备的最大编码；
步骤S202：根据最小单元生产线的效率异常值，对最小单元生产线的稳定性进行评估，计算最小单元生产线的稳定异常值，具体计算公式如下：
SVh(ij)=(s-1)-1∑k=1 s-1{[EVk+1(ij)-EVk(ij)]/EVk(ij)}
其中，SVh(ij)表示最小单元生产线ij的第h个产品生产周期的稳定异常值，EVk+1(ij)表示最小单元生产线ij在第k+1次流转时的效率异常值，s表示最小单元生产线ij在第h个产品生产周期内对应的流转总次数；
根据上述方法，在微观化的最小单位生产线中，任何一个维度因素发生异常，均可以被放大出来，物料跟进不及时、设备异常停机、设备异常待机或者运行参数发生调整，均会使生产设备之间的流转发生变化，进而多设备的变化在工序流转中而被聚合放大；公式[Tk(ij)-∑v、w≦etk(vw|i)]/Tk(ij)表示生产设备流转与工序流转之间误差值的占比，占比越小表示生产过程衔接得更加紧密，生产效率越大，进而存在生产异常的可能性越小；公式(s-1)-1∑k=1 s-1{[EVk+1(ij)-EVk(ij)]/EVk(ij)}表示最小单元生产线的稳定性波动情况，稳定异常值越小表示稳定性波动幅度越小，进而最小单元生产线的工作越稳定。
进一步的，所述步骤S300的具体实施过程包括：
步骤S301：预设稳定异常值门限SVT，对最小单元生产线ij在前h个产品生产周期中任意一个产品生产周期的稳定性进行研判，如果SVH(ij)≧SVT，则表示最小单元生产线ij在任意第H个产品生产周期的稳定性出现异常，SVH(ij)表示最小单元生产线ij的任意第H个产品生产周期的稳定异常值，H<h；
步骤S302：当最小单元生产线ij在任意第H个产品生产周期的稳定性出现异常时，获取在任意第H个产品生产周期内稳定性出现异常的全部最小单元生产线，并生成生产线异常关联集合，记为EASH(ij)；
步骤S303：根据生产线异常关联集合，计算当任意一个最小单元生产线xy稳定性出现异常时对最小单元生产线ij的影响关联概率，具体计算公式如下：
IAP(ij|xy)=NUM(xy)/∑H∈{1，2，...，h-1}，xy∈fNUM(xy)
其中，IAP(ij|xy)表示当任意一个最小单元生产线xy稳定性出现异常时对最小单元生产线ij的影响关联概率，NUM(xy)表示在所有的生产线异常关联集合中最小单元生产线xy出现的总次数，f=EASH(ij)；
根据上述方法，由于生产线之间是协作的关系，进而通过历史前h个产品生产周期的稳定性情况，来对最小单元生产线之间的异常联动关联情况进行分析，进而生成生产线异常关联集合，再通过大数据，计算出最小单元生产线之间的影响关联概率。
进一步的，所述步骤S400的具体实施过程包括：
步骤S401：根据预设稳定异常值门限SVT，如果SVh(ij)≧SVT，则表示最小单元生产线ij在第h个产品生产周期的稳定性出现异常；对第h个产品生产周期内所有最小单元生产线的稳定性进行实时异常标记，并生成生产线实时异常集合，记为RTECh；
步骤S402：获取生产线实时异常集合中任意一个最小单元生产线ab，预设效率异常值门限EVT，在第h个产品生产周期内，统计满足判断公式EVk(ij)、EVk(ab)≧EVT的次数，并记为Q(ab)，根据影响关联概率，计算任意一个最小单元生产线ab对最小单元生产线ij的实时影响概率，具体计算公式如下：
SIP(ab|ij)=[IAP(ij|ab)*Q(ab)/k]/∑ab∈F[IAP(ij|ab)*Q(ab)/k]
其中，SIP(ab|ij)表示任意一个最小单元生产线ab对最小单元生产线ij的实时影响概率，IAP(ij|ab)表示当任意一个最小单元生产线ab稳定性出现异常时对最小单元生产线ij的影响关联概率，F=RTECh，ab≠ij；
在下一个产品生产周期内，负责人按照影响概率从大到小的顺序对各个最小化单元生产线进行监管；
根据上述方法，公式Q(ab)/k表示最小单元生产线之间在当前生产周期的实时异常关联占比，再结合历史大数据中的影响关联概率，进而计算出实时影响概率，实时影响概率能够代表最小单元生产线ij出现异常是由最小单元生产线ab造成的概率，实时影响概率越大表示由最小单元生产线ab造成的概率越大，进而在下一个产品生产周期内，需要对最小单元生产线ab进行监管的力度越大。
与现有技术相比，本发明所达到的有益效果是：本发明提供的一种基于大数据的自动化生产管控系统及方法中，对自动化生产中的扫码信息进行记录，分别对最小单元生产线的主节拍和子节拍进行标记，进而能够将产线或设备等错综复杂的关系简单化处理，并将多维度因素微观化统筹分析；分析最小单元生产线的效率异常值和稳定性，进而将异常变化在工序流转中放大；在历史产品生产周期中，找出存在关联的最小单元生产线，计算最小单元生产线之间的影响关联概率；对最小单元生产线的稳定性进行实时异常标记，计算最小单元生产线之间的实时影响概率；进而能够把握自动化生产中的主要矛盾点，进行有针对的监督和预测，使监控范围或边界清晰，避免通过大量的人力和物力来巡查监管。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并且不构成对本发明的限制。在附图中：
图1是本发明一种基于大数据的自动化生产管控系统的结构示意图；
图2是本发明一种基于大数据的自动化生产管控方法的步骤示意图。
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做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。
请参阅图1-图2，本发明提供技术方案：
请参阅图1，在本实施例一中：提供一种基于大数据的自动化生产管控系统，该系统包括：自动化条码库模块、节拍数据分析模块、影响关联分析模块和实时异常分析模块；
自动化条码库模块，用于构建自动化条码库，对自动化生产过程中的扫码信息进行记录；根据扫码信息，形成最小单元生产线，并分别对最小单元生产线的主节拍和子节拍进行标记；
其中，自动化条码库模块还包括自动化条码库构建单元和扫码信息记录单元；
自动化条码库构建单元，用于分别对工序环节和生产设备进行统一编码并构建自动化条码库，自动化条码记录工序流转时或生产设备流转时的扫码信息，流转为当产品由一个工序环节转移到另一个工序环节生产时或由一个生产设备转移到另一个生产设备生产时形成的转移关系，扫码信息包括编码信息和扫码间隔时长；
扫码信息记录单元，用于对自动化生产的所有工序环节进行统筹，根据自动化条码库，当工序流转时，以两个不同工序环节之间发生的流转为最小单元生产线，对所有工序流转形成的最小单元生产线进行识别和统计；根据自动化条码库，对任意一个最小单元生产线在第k次流转时的扫码间隔时长进行标记，记为主节拍Tk(ij)，其中，i和j均表示工序环节的编码且i≠j，ij表示产品生产由工序环节i转移到工序环节j对应的最小单元生产线；根据自动化条码库，对工序环节i中的任意两个生产设备在第k次流转时的扫码间隔时长进行标记，记为子节拍tk(vw|i)，其中，v和w均表示生产设备的编码且v≠w，vw|i表示在工序环节i中产品生产由生产设备v转移到生产设备w；
节拍数据分析模块，根据主节拍和子节拍，分析最小单元生产线的效率异常值；并根据效率异常值，分析最小单元生产线的稳定性，计算最小单元生产线的稳定异常值；
其中，节拍数据分析模块还包括效率异常值计算单元和稳定异常值计算单元；
效率异常值计算单元，根据主节拍和子节拍，对最小单元生产线在第k次流转时的生产效率进行评估，计算最小单元生产线的效率异常值，具体计算公式如下：
EVk(ij)=[Tk(ij)-∑v、w≦etk(vw|i)]/Tk(ij)
其中，EVk(ij)表示最小单元生产线ij在第k次流转时的效率异常值，e表示工序环节i在生产过程中涉及的生产设备的最大编码；
稳定异常值计算单元，根据最小单元生产线的效率异常值，对最小单元生产线的稳定性进行评估，计算最小单元生产线的稳定异常值，具体计算公式如下：
SVh(ij)=(s-1)-1∑k=1 s-1{[EVk+1(ij)-EVk(ij)]/EVk(ij)}
其中，SVh(ij)表示最小单元生产线ij的第h个产品生产周期的稳定异常值，EVk+1(ij)表示最小单元生产线ij在第k+1次流转时的效率异常值，s表示最小单元生产线ij在第h个产品生产周期内对应的流转总次数；
影响关联分析模块，根据最小单元生产线的稳定异常值，在历史产品生产周期中，找出存在关联的最小单元生产线，并生成生产线异常关联集合；根据生产线异常关联集合，计算最小单元生产线之间的影响关联概率；
其中，影响关联分析模块还包括稳定性研判单元和影响关联概率计算单元；
稳定性研判单元，用于预设稳定异常值门限SVT，对最小单元生产线ij在前h个产品生产周期中任意一个产品生产周期的稳定性进行研判，如果SVH(ij)≧SVT，则表示最小单元生产线ij在任意第H个产品生产周期的稳定性出现异常，SVH(ij)表示最小单元生产线ij的任意第H个产品生产周期的稳定异常值，H<h；
影响关联概率计算单元，用于当最小单元生产线ij在任意第H个产品生产周期的稳定性出现异常时，获取在任意第H个产品生产周期内稳定性出现异常的全部最小单元生产线，并生成生产线异常关联集合，记为EASH(ij)；根据生产线异常关联集合，计算当任意一个最小单元生产线xy稳定性出现异常时对最小单元生产线ij的影响关联概率，具体计算公式如下：
IAP(ij|xy)=NUM(xy)/∑H∈{1，2，...，h-1}，xy∈fNUM(xy)
其中，IAP(ij|xy)表示当任意一个最小单元生产线xy稳定性出现异常时对最小单元生产线ij的影响关联概率，NUM(xy)表示在所有的生产线异常关联集合中最小单元生产线xy出现的总次数，f=EASH(ij)；
实时异常分析模块，用于对当前产品周期中，最小单元生产线的稳定性进行实时异常标记，并生成生产线实时异常集合；根据生产线实时异常集合和影响关联概率，计算最小单元生产线之间的实时影响概率，并根据实时影响概率，对下一个产品生产周期进行监管；
其中，实时异常分析模块还包括实时异常标记单元和监管预测单元；
实时异常标记单元，根据预设稳定异常值门限SVT，如果SVh(ij)≧SVT，则表示最小单元生产线ij在第h个产品生产周期的稳定性出现异常；对第h个产品生产周期内所有最小单元生产线的稳定性进行实时异常标记，并生成生产线实时异常集合，记为RTECh；
监管预测单元，用于获取生产线实时异常集合中任意一个最小单元生产线ab，预设效率异常值门限EVT，在第h个产品生产周期内，统计满足判断公式EVk(ij)、EVk(ab)≧EVT的次数，并记为Q(ab)，根据影响关联概率，计算任意一个最小单元生产线ab对最小单元生产线ij的实时影响概率，具体计算公式如下：
SIP(ab|ij)=[IAP(ij|ab)*Q(ab)/k]/∑ab∈F[IAP(ij|ab)*Q(ab)/k]
其中，SIP(ab|ij)表示任意一个最小单元生产线ab对最小单元生产线ij的实时影响概率，IAP(ij|ab)表示当任意一个最小单元生产线ab稳定性出现异常时对最小单元生产线ij的影响关联概率，F=RTECh，ab≠ij；在下一个产品生产周期内，负责人按照影响概率从大到小的顺序对各个最小化单元生产线进行监管。
请参阅图2，在本实施例二中：提供一种基于大数据的自动化生产管控方法，该方法包括以下步骤：
构建自动化条码库，对自动化生产过程中的扫码信息进行记录；根据扫码信息，形成最小单元生产线，并分别对最小单元生产线的主节拍和子节拍进行标记；
分别对工序环节和生产设备进行统一编码并构建自动化条码库，自动化条码记录工序流转时或生产设备流转时的扫码信息，流转为当产品由一个工序环节转移到另一个工序环节生产时或由一个生产设备转移到另一个生产设备生产时形成的转移关系，扫码信息包括编码信息和扫码间隔时长；
对自动化生产的所有工序环节进行统筹，根据自动化条码库，当工序流转时，以两个不同工序环节之间发生的流转为最小单元生产线，对所有工序流转形成的最小单元生产线进行识别和统计；根据自动化条码库，对任意一个最小单元生产线在第k次流转时的扫码间隔时长进行标记，记为主节拍Tk(ij)，其中，i和j均表示工序环节的编码且i≠j，ij表示产品生产由工序环节i转移到工序环节j对应的最小单元生产线；根据自动化条码库，对工序环节i中的任意两个生产设备在第k次流转时的扫码间隔时长进行标记，记为子节拍tk(vw|i)，其中，v和w均表示生产设备的编码且v≠w，vw|i表示在工序环节i中产品生产由生产设备v转移到生产设备w；
根据主节拍和子节拍，分析最小单元生产线的效率异常值；并根据效率异常值，分析最小单元生产线的稳定性，计算最小单元生产线的稳定异常值；
根据主节拍和子节拍，对最小单元生产线在第k次流转时的生产效率进行评估，计算最小单元生产线的效率异常值，具体计算公式如下：
EVk(ij)=[Tk(ij)-∑v、w≦etk(vw|i)]/Tk(ij)
其中，EVk(ij)表示最小单元生产线ij在第k次流转时的效率异常值，e表示工序环节i在生产过程中涉及的生产设备的最大编码；
根据最小单元生产线的效率异常值，对最小单元生产线的稳定性进行评估，计算最小单元生产线的稳定异常值，具体计算公式如下：
SVh(ij)=(s-1)-1∑k=1 s-1{[EVk+1(ij)-EVk(ij)]/EVk(ij)}
其中，SVh(ij)表示最小单元生产线ij的第h个产品生产周期的稳定异常值，EVk+1(ij)表示最小单元生产线ij在第k+1次流转时的效率异常值，s表示最小单元生产线ij在第h个产品生产周期内对应的流转总次数；
根据最小单元生产线的稳定异常值，在历史产品生产周期中，找出存在关联的最小单元生产线，并生成生产线异常关联集合；根据生产线异常关联集合，计算最小单元生产线之间的影响关联概率；
预设稳定异常值门限SVT，对最小单元生产线ij在前h个产品生产周期中任意一个产品生产周期的稳定性进行研判，如果SVH(ij)≧SVT，则表示最小单元生产线ij在任意第H个产品生产周期的稳定性出现异常，SVH(ij)表示最小单元生产线ij的任意第H个产品生产周期的稳定异常值，H<h；
当最小单元生产线ij在任意第H个产品生产周期的稳定性出现异常时，获取在任意第H个产品生产周期内稳定性出现异常的全部最小单元生产线，并生成生产线异常关联集合，记为EASH(ij)；
步骤S303：根据生产线异常关联集合，计算当任意一个最小单元生产线xy稳定性出现异常时对最小单元生产线ij的影响关联概率，具体计算公式如下：
IAP(ij|xy)=NUM(xy)/∑H∈{1，2，...，h-1}，xy∈fNUM(xy)
其中，IAP(ij|xy)表示当任意一个最小单元生产线xy稳定性出现异常时对最小单元生产线ij的影响关联概率，NUM(xy)表示在所有的生产线异常关联集合中最小单元生产线xy出现的总次数，f=EASH(ij)；
对当前产品周期中，最小单元生产线的稳定性进行实时异常标记，并生成生产线实时异常集合；根据生产线实时异常集合和影响关联概率，计算最小单元生产线之间的实时影响概率，并根据实时影响概率，对下一个产品生产周期进行监管；
根据预设稳定异常值门限SVT，如果SVh(ij)≧SVT，则表示最小单元生产线ij在第h个产品生产周期的稳定性出现异常；对第h个产品生产周期内所有最小单元生产线的稳定性进行实时异常标记，并生成生产线实时异常集合，记为RTECh；
获取生产线实时异常集合中任意一个最小单元生产线ab，预设效率异常值门限EVT，在第h个产品生产周期内，统计满足判断公式EVk(ij)、EVk(ab)≧EVT的次数，并记为Q(ab)，根据影响关联概率，计算任意一个最小单元生产线ab对最小单元生产线ij的实时影响概率，具体计算公式如下：
SIP(ab|ij)=[IAP(ij|ab)*Q(ab)/k]/∑ab∈F[IAP(ij|ab)*Q(ab)/k]
其中，SIP(ab|ij)表示任意一个最小单元生产线ab对最小单元生产线ij的实时影响概率，IAP(ij|ab)表示当任意一个最小单元生产线ab稳定性出现异常时对最小单元生产线ij的影响关联概率，F=RTECh，ab≠ij；
在下一个产品生产周期内，负责人按照影响概率从大到小的顺序对各个最小化单元生产线进行监管；
例如，当前生产周期中共流转了10次，生成生产线实时异常集合{最小单元生产线12，最小单元生产线13，最小单元生产线23，最小单元生产线24}，其中，Q(12)=3，Q(13)=3，Q(23)=1，且根据历史大数据得到，IAP(24|12)=0.2，IAP(24|13)=0.3，IAP(24|23)=0.2，则IAP(24|12)*3/10=0.06，IAP(24|13)*3/10=0.09，IAP(24|23)*1/10=0.02，SIP(12|24)≈0.35，SIP(13|24)≈0.53，SIP(23|24)≈0.12，则在下一个产品生产周期内，如果最小单元生产线24出现异常，负责人按照最小单元生产线13，最小单元生产线12，最小单元生产线23的顺序来进行监管。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并且不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于大数据的自动化生产管控方法，其特征在于，该方法包括以下步骤：
步骤S100：构建自动化条码库，对自动化生产过程中的扫码信息进行记录；根据扫码信息，形成最小单元生产线，并分别对最小单元生产线的主节拍和子节拍进行标记；
步骤S200：根据主节拍和子节拍，分析最小单元生产线的效率异常值；并根据效率异常值，分析最小单元生产线的稳定性，计算最小单元生产线的稳定异常值；
步骤S300：根据最小单元生产线的稳定异常值，在历史产品生产周期中，找出存在关联的最小单元生产线，并生成生产线异常关联集合；根据生产线异常关联集合，计算最小单元生产线之间的影响关联概率；
步骤S400：对当前产品周期中，最小单元生产线的稳定性进行实时异常标记，并生成生产线实时异常集合；根据生产线实时异常集合和影响关联概率，计算最小单元生产线之间的实时影响概率，并根据实时影响概率，对下一个产品生产周期进行监管；
所述步骤S100的具体实施过程包括：
步骤S101：分别对工序环节和生产设备进行统一编码并构建自动化条码库，所述自动化条码记录工序流转时或生产设备流转时的扫码信息，所述流转为当产品由一个工序环节转移到另一个工序环节生产时或由一个生产设备转移到另一个生产设备生产时形成的转移关系，所述扫码信息包括编码信息和扫码间隔时长；
步骤S102：对自动化生产的所有工序环节进行统筹，根据自动化条码库，当工序流转时，以两个不同工序环节之间发生的流转为最小单元生产线，对所有工序流转形成的最小单元生产线进行识别和统计；根据自动化条码库，对任意一个最小单元生产线在第k次流转时的扫码间隔时长进行标记，记为主节拍Tk(ij)，其中，i和j均表示工序环节的编码且i≠j，ij表示产品生产由工序环节i转移到工序环节j对应的最小单元生产线；根据自动化条码库，对工序环节i中的任意两个生产设备在第k次流转时的扫码间隔时长进行标记，记为子节拍tk(vw|i)，其中，v和w均表示生产设备的编码且v≠w，vw|i表示在工序环节i中产品生产由生产设备v转移到生产设备w；
所述步骤S200的具体实施过程包括：
步骤S201：根据主节拍和子节拍，对最小单元生产线在第k次流转时的生产效率进行评估，计算最小单元生产线的效率异常值，具体计算公式如下：
EVk(ij)=[Tk(ij)-∑v、w≦etk(vw|i)]/Tk(ij)
其中，EVk(ij)表示最小单元生产线ij在第k次流转时的效率异常值，e表示工序环节i在生产过程中涉及的生产设备的最大编码；
步骤S202：根据最小单元生产线的效率异常值，对最小单元生产线的稳定性进行评估，计算最小单元生产线的稳定异常值，具体计算公式如下：
SVh(ij)=(s-1)-1∑k=1 s-1{[EVk+1(ij)-EVk(ij)]/EVk(ij)}
其中，SVh(ij)表示最小单元生产线ij的第h个产品生产周期的稳定异常值，EVk+1(ij)表示最小单元生产线ij在第k+1次流转时的效率异常值，s表示最小单元生产线ij在第h个产品生产周期内对应的流转总次数。
2.根据权利要求1所述的一种基于大数据的自动化生产管控方法，其特征在于，所述步骤S300的具体实施过程包括：
步骤S301：预设稳定异常值门限SVT，对最小单元生产线ij在前h个产品生产周期中任意一个产品生产周期的稳定性进行研判，如果SVH(ij)≧SVT，则表示最小单元生产线ij在任意第H个产品生产周期的稳定性出现异常，SVH(ij)表示最小单元生产线ij的任意第H个产品生产周期的稳定异常值，H<h；
步骤S302：当最小单元生产线ij在任意第H个产品生产周期的稳定性出现异常时，获取在任意第H个产品生产周期内稳定性出现异常的全部最小单元生产线，并生成生产线异常关联集合，记为EASH(ij)；
步骤S303：根据生产线异常关联集合，计算当任意一个最小单元生产线xy稳定性出现异常时对最小单元生产线ij的影响关联概率，具体计算公式如下：
IAP(ij|xy)=NUM(xy)/∑H∈{1，2，...，h-1}，xy∈fNUM(xy)
其中，IAP(ij|xy)表示当任意一个最小单元生产线xy稳定性出现异常时对最小单元生产线ij的影响关联概率，NUM(xy)表示在所有的生产线异常关联集合中最小单元生产线xy出现的总次数，f=EASH(ij)。
3.根据权利要求2所述的一种基于大数据的自动化生产管控方法，其特征在于，所述步骤S400的具体实施过程包括：
步骤S401：根据预设稳定异常值门限SVT，如果SVh(ij)≧SVT，则表示最小单元生产线ij在第h个产品生产周期的稳定性出现异常；对第h个产品生产周期内所有最小单元生产线的稳定性进行实时异常标记，并生成生产线实时异常集合，记为RTECh；
步骤S402：获取生产线实时异常集合中任意一个最小单元生产线ab，预设效率异常值门限EVT，在第h个产品生产周期内，统计满足判断公式EVk(ij)、EVk(ab)≧EVT的次数，并记为Q(ab)，根据影响关联概率，计算任意一个最小单元生产线ab对最小单元生产线ij的实时影响概率，具体计算公式如下：
SIP(ab|ij)=[IAP(ij|ab)*Q(ab)/k]/∑ab∈F[IAP(ij|ab)*Q(ab)/k]
其中，SIP(ab|ij)表示任意一个最小单元生产线ab对最小单元生产线ij的实时影响概率，IAP(ij|ab)表示当任意一个最小单元生产线ab稳定性出现异常时对最小单元生产线ij的影响关联概率，F=RTECh，ab≠ij；
在下一个产品生产周期内，负责人按照影响概率从大到小的顺序对各个最小化单元生产线进行监管。
4.一种基于大数据的自动化生产管控系统，其特征在于，所述系统包括：自动化条码库模块、节拍数据分析模块、影响关联分析模块和实时异常分析模块；
所述自动化条码库模块，用于构建自动化条码库，对自动化生产过程中的扫码信息进行记录；根据扫码信息，形成最小单元生产线，并分别对最小单元生产线的主节拍和子节拍进行标记；
所述节拍数据分析模块，根据主节拍和子节拍，分析最小单元生产线的效率异常值；并根据效率异常值，分析最小单元生产线的稳定性，计算最小单元生产线的稳定异常值；
所述影响关联分析模块，根据最小单元生产线的稳定异常值，在历史产品生产周期中，找出存在关联的最小单元生产线，并生成生产线异常关联集合；根据生产线异常关联集合，计算最小单元生产线之间的影响关联概率；
所述实时异常分析模块，用于对当前产品周期中，最小单元生产线的稳定性进行实时异常标记，并生成生产线实时异常集合；根据生产线实时异常集合和影响关联概率，计算最小单元生产线之间的实时影响概率，并根据实时影响概率，对下一个产品生产周期进行监管；
所述自动化条码库模块还包括自动化条码库构建单元和扫码信息记录单元；
所述自动化条码库构建单元，用于分别对工序环节和生产设备进行统一编码并构建自动化条码库，所述自动化条码记录工序流转时或生产设备流转时的扫码信息，所述流转为当产品由一个工序环节转移到另一个工序环节生产时或由一个生产设备转移到另一个生产设备生产时形成的转移关系，所述扫码信息包括编码信息和扫码间隔时长；
所述扫码信息记录单元，用于对自动化生产的所有工序环节进行统筹，根据自动化条码库，当工序流转时，以两个不同工序环节之间发生的流转为最小单元生产线，对所有工序流转形成的最小单元生产线进行识别和统计；根据自动化条码库，对任意一个最小单元生产线在第k次流转时的扫码间隔时长进行标记，记为主节拍Tk(ij)，其中，i和j均表示工序环节的编码且i≠j，ij表示产品生产由工序环节i转移到工序环节j对应的最小单元生产线；根据自动化条码库，对工序环节i中的任意两个生产设备在第k次流转时的扫码间隔时长进行标记，记为子节拍tk(vw|i)，其中，v和w均表示生产设备的编码且v≠w，vw|i表示在工序环节i中产品生产由生产设备v转移到生产设备w；
所述节拍数据分析模块还包括效率异常值计算单元和稳定异常值计算单元；
所述效率异常值计算单元，根据主节拍和子节拍，对最小单元生产线在第k次流转时的生产效率进行评估，计算最小单元生产线的效率异常值，具体计算公式如下：
EVk(ij)=[Tk(ij)-∑v、w≦etk(vw|i)]/Tk(ij)
其中，EVk(ij)表示最小单元生产线ij在第k次流转时的效率异常值，e表示工序环节i在生产过程中涉及的生产设备的最大编码；
所述稳定异常值计算单元，根据最小单元生产线的效率异常值，对最小单元生产线的稳定性进行评估，计算最小单元生产线的稳定异常值，具体计算公式如下：
SVh(ij)=(s-1)-1∑k=1 s-1{[EVk+1(ij)-EVk(ij)]/EVk(ij)}
其中，SVh(ij)表示最小单元生产线ij的第h个产品生产周期的稳定异常值，EVk+1(ij)表示最小单元生产线ij在第k+1次流转时的效率异常值，s表示最小单元生产线ij在第h个产品生产周期内对应的流转总次数。
5.根据权利要求4所述的一种基于大数据的自动化生产管控系统，其特征在于：所述影响关联分析模块还包括稳定性研判单元和影响关联概率计算单元；
所述稳定性研判单元，用于预设稳定异常值门限SVT，对最小单元生产线ij在前h个产品生产周期中任意一个产品生产周期的稳定性进行研判，如果SVH(ij)≧SVT，则表示最小单元生产线ij在任意第H个产品生产周期的稳定性出现异常，SVH(ij)表示最小单元生产线ij的任意第H个产品生产周期的稳定异常值，H<h；
所述影响关联概率计算单元，用于当最小单元生产线ij在任意第H个产品生产周期的稳定性出现异常时，获取在任意第H个产品生产周期内稳定性出现异常的全部最小单元生产线，并生成生产线异常关联集合，记为EASH(ij)；根据生产线异常关联集合，计算当任意一个最小单元生产线xy稳定性出现异常时对最小单元生产线ij的影响关联概率，具体计算公式如下：
IAP(ij|xy)=NUM(xy)/∑H∈{1，2，...，h-1}，xy∈fNUM(xy)
其中，IAP(ij|xy)表示当任意一个最小单元生产线xy稳定性出现异常时对最小单元生产线ij的影响关联概率，NUM(xy)表示在所有的生产线异常关联集合中最小单元生产线xy出现的总次数，f=EASH(ij)。
6.根据权利要求5所述的一种基于大数据的自动化生产管控系统，其特征在于：所述实时异常分析模块还包括实时异常标记单元和监管预测单元；
所述实时异常标记单元，根据预设稳定异常值门限SVT，如果SVh(ij)≧SVT，则表示最小单元生产线ij在第h个产品生产周期的稳定性出现异常；对第h个产品生产周期内所有最小单元生产线的稳定性进行实时异常标记，并生成生产线实时异常集合，记为RTECh；
所述监管预测单元，用于获取生产线实时异常集合中任意一个最小单元生产线ab，预设效率异常值门限EVT，在第h个产品生产周期内，统计满足判断公式EVk(ij)、EVk(ab)≧EVT的次数，并记为Q(ab)，根据影响关联概率，计算任意一个最小单元生产线ab对最小单元生产线ij的实时影响概率，具体计算公式如下：
SIP(ab|ij)=[IAP(ij|ab)*Q(ab)/k]/∑ab∈F[IAP(ij|ab)*Q(ab)/k]
其中，SIP(ab|ij)表示任意一个最小单元生产线ab对最小单元生产线ij的实时影响概率，IAP(ij|ab)表示当任意一个最小单元生产线ab稳定性出现异常时对最小单元生产线ij的影响关联概率，F=RTECh，
ab≠ij；在下一个产品生产周期内，负责人按照影响概率从大到小的顺序对各个最小化单元生产线进行监管。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310628236.9A CN116341885B (zh) | 2023-05-31 | 2023-05-31 | 一种基于大数据的自动化生产管控系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310628236.9A CN116341885B (zh) | 2023-05-31 | 2023-05-31 | 一种基于大数据的自动化生产管控系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116341885A CN116341885A (zh) | 2023-06-27 |
| CN116341885B true CN116341885B (zh) | 2023-07-25 |
Family
ID=86879130
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310628236.9A Active CN116341885B (zh) | 2023-05-31 | 2023-05-31 | 一种基于大数据的自动化生产管控系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116341885B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117032147B (zh) * | 2023-09-19 | 2024-02-09 | 昆山纽杰伦智能机器科技有限公司 | 一种基于人工智能的生产线机床数字化调节系统及方法 |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006195903A (ja) * | 2005-01-17 | 2006-07-27 | Showa Denki Kk | ラインの生産管理システム及び情報収集端末装置 |
| CN103926900A (zh) * | 2014-04-22 | 2014-07-16 | 鹤山丽得电子实业有限公司 | 一种生产线管理控制系统 |
| CN107194825A (zh) * | 2017-05-18 | 2017-09-22 | 浙江力太科技有限公司 | 一种实时计算工序平均节拍的方法 |
| CN107506885A (zh) * | 2017-06-28 | 2017-12-22 | 杭州中车车辆有限公司 | 地铁列车工位制节拍化生产模式的构建方法 |
| JP2018207349A (ja) * | 2017-06-06 | 2018-12-27 | キヤノン株式会社 | 生産システムの制御方法、生産セル、および生産システム |
| CN111398886A (zh) * | 2020-04-09 | 2020-07-10 | 国网山东省电力公司电力科学研究院 | 一种自动化检定流水线表位在线异常的检测方法及系统 |
| CN111443326A (zh) * | 2020-04-10 | 2020-07-24 | 国网浙江省电力有限公司电力科学研究院 | 电能表自动化检定流水线运行节拍诊断系统及其工作方法 |
| CN112015153A (zh) * | 2020-09-09 | 2020-12-01 | 江南大学 | 一种无菌灌装生产线异常检测系统和方法 |
| CN112132400A (zh) * | 2020-08-28 | 2020-12-25 | 武汉理工大学 | 一种工序时间规划方法、存储介质及系统 |
| CN112526952A (zh) * | 2020-12-14 | 2021-03-19 | 安徽巨一科技股份有限公司 | 一种基于线体节拍采集及分析方法和系统 |
| CN113962439A (zh) * | 2021-09-23 | 2022-01-21 | 郭志良 | 基于工业大数据的云平台数据管理系统及其构建方法 |
| CN114493015A (zh) * | 2022-01-28 | 2022-05-13 | 佛山科学技术学院 | 一种基于基因编码的板件智能生产线动态调度方法 |
| CN114596170A (zh) * | 2022-03-15 | 2022-06-07 | 广州明珞装备股份有限公司 | 自动化生产线的数据导出方法、系统、设备及存储介质 |
| CN114625088A (zh) * | 2022-03-15 | 2022-06-14 | 广州明珞装备股份有限公司 | 自动化生产线的效能优化方法、系统、设备及存储介质 |
| CN115222307A (zh) * | 2022-09-21 | 2022-10-21 | 广东中科凯泽信息科技有限公司 | 一种基于数据分析的流水线工人安全管控方法 |
| CN115454505A (zh) * | 2022-09-05 | 2022-12-09 | 山东大学 | 一种监测流水线指令执行的方法 |
| CN116090702A (zh) * | 2023-01-18 | 2023-05-09 | 盐城市久泰商品混凝土有限公司 | 一种基于物联网的erp数据智能监管系统及方法 |
| CN116187729A (zh) * | 2023-05-04 | 2023-05-30 | 山东捷瑞数字科技股份有限公司 | 基于数字孪生的资源调度方法、装置、设备及存储介质 |
-
2023
- 2023-05-31 CN CN202310628236.9A patent/CN116341885B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006195903A (ja) * | 2005-01-17 | 2006-07-27 | Showa Denki Kk | ラインの生産管理システム及び情報収集端末装置 |
| CN103926900A (zh) * | 2014-04-22 | 2014-07-16 | 鹤山丽得电子实业有限公司 | 一种生产线管理控制系统 |
| CN107194825A (zh) * | 2017-05-18 | 2017-09-22 | 浙江力太科技有限公司 | 一种实时计算工序平均节拍的方法 |
| JP2018207349A (ja) * | 2017-06-06 | 2018-12-27 | キヤノン株式会社 | 生産システムの制御方法、生産セル、および生産システム |
| CN107506885A (zh) * | 2017-06-28 | 2017-12-22 | 杭州中车车辆有限公司 | 地铁列车工位制节拍化生产模式的构建方法 |
| CN111398886A (zh) * | 2020-04-09 | 2020-07-10 | 国网山东省电力公司电力科学研究院 | 一种自动化检定流水线表位在线异常的检测方法及系统 |
| CN111443326A (zh) * | 2020-04-10 | 2020-07-24 | 国网浙江省电力有限公司电力科学研究院 | 电能表自动化检定流水线运行节拍诊断系统及其工作方法 |
| CN112132400A (zh) * | 2020-08-28 | 2020-12-25 | 武汉理工大学 | 一种工序时间规划方法、存储介质及系统 |
| CN112015153A (zh) * | 2020-09-09 | 2020-12-01 | 江南大学 | 一种无菌灌装生产线异常检测系统和方法 |
| CN112526952A (zh) * | 2020-12-14 | 2021-03-19 | 安徽巨一科技股份有限公司 | 一种基于线体节拍采集及分析方法和系统 |
| CN113962439A (zh) * | 2021-09-23 | 2022-01-21 | 郭志良 | 基于工业大数据的云平台数据管理系统及其构建方法 |
| CN114493015A (zh) * | 2022-01-28 | 2022-05-13 | 佛山科学技术学院 | 一种基于基因编码的板件智能生产线动态调度方法 |
| CN114596170A (zh) * | 2022-03-15 | 2022-06-07 | 广州明珞装备股份有限公司 | 自动化生产线的数据导出方法、系统、设备及存储介质 |
| CN114625088A (zh) * | 2022-03-15 | 2022-06-14 | 广州明珞装备股份有限公司 | 自动化生产线的效能优化方法、系统、设备及存储介质 |
| CN115454505A (zh) * | 2022-09-05 | 2022-12-09 | 山东大学 | 一种监测流水线指令执行的方法 |
| CN115222307A (zh) * | 2022-09-21 | 2022-10-21 | 广东中科凯泽信息科技有限公司 | 一种基于数据分析的流水线工人安全管控方法 |
| CN116090702A (zh) * | 2023-01-18 | 2023-05-09 | 盐城市久泰商品混凝土有限公司 | 一种基于物联网的erp数据智能监管系统及方法 |
| CN116187729A (zh) * | 2023-05-04 | 2023-05-30 | 山东捷瑞数字科技股份有限公司 | 基于数字孪生的资源调度方法、装置、设备及存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| A 公司涡轮增压器 KH 组合装配线优化研究;汪琴琴;中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑(第02期);全文 * |
| BW汽车内饰线生产效率提升研究;黄鹏瑛;中国优秀硕士学位论文全文数据库工程科技Ⅱ辑(第09期);全文 * |
| 汽车整车厂大数据应用方向的研究;赵宏鹏;天 津 科 技;第49卷(第7期);全文 * |
| 风电机组运行状态监测与健康维护系统的研究;贾子文;中国博士学位论文全文数据库 工程科技Ⅱ辑(第6期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116341885A (zh) | 2023-06-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116341885B (zh) | 一种基于大数据的自动化生产管控系统及方法 | |
| Charongrattanasakul et al. | Minimizing the cost of integrated systems approach to process control and maintenance model by EWMA control chart using genetic algorithm | |
| JP5259797B2 (ja) | 学習型プロセス異常診断装置、およびオペレータ判断推測結果収集装置 | |
| CN117235649B (zh) | 一种基于大数据的工业设备状态智能监测系统及方法 | |
| CN116596518B (zh) | 一种基于数字孪生的电网故障隐患管理系统及方法 | |
| CN116823227A (zh) | 一种基于物联网的智能设备管理系统及方法 | |
| CN117149576A (zh) | 一种数据中心的设备状态监控方法及系统 | |
| CN115358281A (zh) | 一种基于机器学习的冷热一体机监测控制方法及系统 | |
| WO2014173274A1 (zh) | 核电厂数字化主控室操作员的监视转移可靠性判定方法 | |
| Ghaleb et al. | Reinforcement learning-based real-time scheduling under random machine breakdowns and other disturbances: A case study | |
| CN117150333B (zh) | 一种冲压成型设备的运维监管方法及系统 | |
| JP2023520066A (ja) | 産業用機械学習のためのデータ処理 | |
| CN112255969A (zh) | 一种数控机床的数据采集分析展示系统及方法 | |
| CN116858998A (zh) | 一种基于医疗用品加工的消毒剂生产环境监管系统 | |
| CN110794799A (zh) | 应用于工业生产的具有故障诊断功能的大数据系统 | |
| CN116339267A (zh) | 基于物联网的自动化生产线控制系统 | |
| CN116339266A (zh) | 一种管材生产复合监测方法及系统 | |
| Mo et al. | Unsupervised TCN-AE-based outlier detection for time series with seasonality and trend for cellular networks | |
| EP3413153A1 (en) | Method and distributed control system for carrying out an automated industrial process | |
| Tu et al. | Estimation of machine parameters in exponential serial lines using feedforward neural networks | |
| Park et al. | Charlie and the Semi-Automated Factory: Data-Driven Operator Behavior and Performance Modeling for Human-Machine Collaborative Systems | |
| CN116777086B (zh) | 基于多模数据的钢结构智能生产线预测性维护方法及系统 | |
| CN117870034B (zh) | 洁净室环境参数的控制方法、装置及系统 | |
| CN116523466B (zh) | 一种基于大数据的生产资料溯源系统和方法 | |
| CN116955574B (zh) | 一种基于人工智能的智能客服机器人及其应用方法 |
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 |