CN116562514A - 基于神经网络的企业生产状况即时分析方法及系统 - Google Patents
基于神经网络的企业生产状况即时分析方法及系统 Download PDFInfo
- Publication number
- CN116562514A CN116562514A CN202310848858.2A CN202310848858A CN116562514A CN 116562514 A CN116562514 A CN 116562514A CN 202310848858 A CN202310848858 A CN 202310848858A CN 116562514 A CN116562514 A CN 116562514A
- Authority
- CN
- China
- Prior art keywords
- graph
- neural network
- production
- network model
- feature
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 170
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 44
- 238000003062 neural network model Methods 0.000 claims abstract description 88
- 230000004927 fusion Effects 0.000 claims abstract description 37
- 239000013598 vector Substances 0.000 claims abstract description 25
- 230000002776 aggregation Effects 0.000 claims abstract description 16
- 238000004220 aggregation Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 33
- 230000005012 migration Effects 0.000 claims description 31
- 238000013508 migration Methods 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000015654 memory Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000008014 freezing Effects 0.000 claims description 3
- 238000007710 freezing Methods 0.000 claims description 3
- 238000010223 real-time analysis Methods 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 11
- 238000013439 planning Methods 0.000 description 8
- 125000004122 cyclic group Chemical group 0.000 description 5
- 230000000306 recurrent effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 238000012384 transportation and delivery Methods 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013068 supply chain management Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation 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
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
-
- 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)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供一种基于神经网络的企业生产状况即时分析方法及系统，包括：获取生产任务信息，与生产任务信息相关的生产设备信息；将生产任务信息进行预处理转换为生产特征向量后，计算时序神经网络模型中每一层隐藏层的隐藏状态，并依次将每一层隐藏层的隐藏状态向下一隐藏层进行传递，确定生产任务信息对应的时序特征；将生产设备信息进行预处理转换为设备特征向量后，基于设备特征向量构建设备图，通过图神经网络模型提取设备图的节点特征，并根据设备图中节点的连接关系，对节点特征进行特征聚合，确定生产设备信息对应的图特征；将时序特征和所述图特征进行特征融合，确定融合特征，基于融合特征结合获取的初始排程信息，输出优化排程信息。
Description
技术领域
本公开涉及神经网络技术领域，尤其涉及一种基于神经网络的企业生产状况即时分析方法及系统。
背景技术
企业生产状况即时分析旨在实时监测和评估企业的生产活动，以帮助企业了解其生产过程中的关键指标和表现，并提供相应的决策支持。其中，在生产制造技术变革的新形势下，更多的生产制造企业在生产系统稳定、可靠的条件下的越来越关注生产过程的高效化、精细化及智能化，目前，大部分企业的生产制造车间还是主要依靠调度人员或排单人员按照生产任务紧急程度、加工数量及加工种类等信息凭借个人工作经验进行排单调度，伴随制造型企业的转型升级进程的推进，信息化建设不断加大力度，生产过程的排程问题日益突出。
公开号为CN110110935B，专利名称为一种基于CPN神经网络的企业生产排程优化系统及实现方法，公开了通过CPN神经网络对输入的生产任务参量按照竞争网络，不断地调整输入层连接竞争层的神经元的权值；通过竞争网络层的不断迭代，实现竞争淘汰；通过处于竞争获胜的神经元与其所连接的输出层的权值，实现对生产任务输出层的权向量调整，并进行迭代，以达到优化排程的目的。
公开号为CN111882151A，专利名称为基于强化学习的离散制造行业生产排程方法及系统，公开了启动原计划与排程方案，监测计划与排程的相关条件是否发生变化；判断发生变化的相关条件是否对计划与排程结果产生影响；将对计划与排程结果产生影响的相关条件对应的加工请求进行优先级排序，得到请求优先级排序表；最后，根据请求优先级排序表将加工请求依次通过计划与排程网络，输出新的计划与排程方案。
尽管在企业生产状况即时分析领域已经涌现出一些基于神经网络的方法和模型，但仍存在以下缺点：对于大规模数据的训练需要大量的标注样本，然而在实际应用中，获得足够的标注数据是一个挑战，因此模型的泛化能力受限。
发明内容
本公开实施例提供一种基于神经网络的企业生产状况即时分析方法，能够至少解决现有技术中的部分问题，也即模型的泛化能力受限的问题。
本公开实施例的第一方面，
提供一种基于神经网络的企业生产状况即时分析方法，其特征在于，包括：
通过在生产线上基于物联网部署的数据采集传感器实时获取生产任务信息，基于云服务器获取与所述生产任务信息相关的生产设备信息；
根据预先构建的时序神经网络模型，将所述生产任务信息进行预处理转换为生产特征向量后，计算所述时序神经网络模型中每一层隐藏层的隐藏状态，并依次将每一层隐藏层的隐藏状态向下一隐藏层进行传递，确定所述生产任务信息对应的时序特征；
根据预先构建的图神经网络模型，将所述生产设备信息进行预处理转换为设备特征向量后，基于所述设备特征向量构建设备图，通过所述图神经网络模型提取所述设备图的节点特征，并根据所述设备图中节点的连接关系，对所述节点特征进行特征聚合，确定所述生产设备信息对应的图特征；
根据预先构建的排程优化模型，将所述时序特征和所述图特征进行特征融合，确定融合特征，基于所述融合特征结合获取的初始排程信息，输出优化排程信息。
在一种可选的实施方式中，
在确定所述生产数据对应的时序特征之前，所述方法还包括训练时序神经网络模型：
随机初始化待训练的时序神经网络模型的衰减率、一阶矩估计值、二阶距估计值以及计算梯度，得到初始衰减率、初始一阶矩估计值、初始二阶距估计值以及初始计算梯度；
根据所述初始衰减率、初始一阶矩估计值、初始二阶距估计值以及初始计算梯度，对所述初始一阶矩估计值以及所述初始二阶距估计值进行更新，分别确定更新后的更新一阶矩估计值和更新二阶矩估计值；
基于所述更新一阶矩估计值和所述更新二阶矩估计值，结合自适应学习算法对训练时序神经网络模型的参数进行迭代更新，直至达到预设迭代条件。
在一种可选的实施方式中，
所述确定所述生产数据对应的时序特征如下公式所示：
；
其中，H time 表示时序神经网络对应的时序特征，ReLu表示修正线性单元激活函数，W f 表示全连接层的全连接权重，softmax表示分类函数，x t 表示t时刻的输入特征，h t-1 表示t- 1时刻的隐藏状态，c t-1 表示t-1时刻的细胞状态，b f 表示全连接层的全连接偏置，表示从第i个隐藏状态到第j个隐藏状态对应的网络架构参数。
在一种可选的实施方式中，
在确定所述生产设备信息对应的图特征之前，所述方法还包括训练图神经网络模型：
在确定所述生产设备信息对应的图特征之前，所述方法还包括训练图神经网络模型：
冻结待训练的图神经网络模型的特征提取层，并随机初始化待训练的图神经网络模型的池化层，从待训练的图神经网络模型中拆分出迁移神经网络模型；
基于待训练的图神经网络模型的第一输出值，以及所述迁移神经网络模型的第二输出值，结合所述待训练的图神经网络模型的损失函数，确定迁移损失，迭代更新所述迁移损失，直至所述迁移损失满足预设阈值条件；
基于待训练的图神经网络模型的第一输出值，以及所述迁移神经网络模型的第二输出值，结合所述待训练的图神经网络模型的损失函数，确定迁移损失如下公式所示：
；
其中，LOSS表示损失函数的迁移损失，T表示迁移常数，KL表示散度函数，用于指示两个元素之间的相对信息差，P T 、P S 分别表示所述第一输出值和所述第二输出值，L表示迭代次数，P T [i]、P S [i]分别表示第i次迭代的第一输出值和第i次迭代的第二输出值。
在一种可选的实施方式中，
所述通过所述图神经网络模型提取所述设备图的节点特征如下公式所示：
；
其中，、/>分别表示第l+1层和第l层的节点特征，N(v)表示节点的数量，c v 表示节点v的邻居节点的集合，W(l)表示第l层的权重矩阵。
在一种可选的实施方式中，
所述根据预先构建的排程优化模型，将所述时序特征和所述图特征进行特征融合，确定融合特征包括：
分别基于所述排程优化模型的重置门和更新门对应的权重矩阵，以及所述时序特征和所述图特征，分别确定重置门加权特征和更新门加权特征；
根据所述重置门加权特征和所述更新门加权特征，以及预设候选权重矩阵，通过元素相乘机制，结合所述时序特征和所述图特征，确定候选特征；
综合所述候选特征、所述重置门加权特征和所述更新门加权特征、所述时序特征和所述图特征确定所述融合特征。
在一种可选的实施方式中，
所述确定所述融合特征的方法如下公式所示：
；
；
；
；
其中，FU表示融合特征，Z表示更新门加权特征，H time 、H graph 分别表示所述时序特征和所述图特征，表示按元素相乘机制，CA表示候选特征；
W h 表示预设候选权重矩阵，R表示重置门加权特征；
表示sigmoid函数，W z 表示更新门的更新权重矩阵，W r 表示重置门的重置权重矩阵。
本公开实施例的第二方面，
提供一种基于神经网络的企业生产状况即时分析系统，包括：
第一单元，用于通过在生产线上基于物联网部署的数据采集传感器实时获取生产任务信息，基于云服务器获取与所述生产任务信息相关的生产设备信息；
第二单元，用于根据预先构建的时序神经网络模型，将所述生产任务信息进行预处理转换为生产特征向量后，计算所述时序神经网络模型中每一层隐藏层的隐藏状态，并依次将每一层隐藏层的隐藏状态向下一隐藏层进行传递，确定所述生产任务信息对应的时序特征；
第三单元，用于根据预先构建的图神经网络模型，将所述生产设备信息进行预处理转换为设备特征向量后，基于所述设备特征向量构建设备图，通过所述图神经网络模型提取所述设备图的节点特征，并根据所述设备图中节点的连接关系，对所述节点特征进行特征聚合，确定所述生产设备信息对应的图特征；
第四单元，用于根据预先构建的排程优化模型，将所述时序特征和所述图特征进行特征融合，确定融合特征，基于所述融合特征结合获取的初始排程信息，输出优化排程信息。
本公开实施例的第三方面，
提供一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。
本公开实施例的第四方面，
提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。
本公开实施例的时序神经网络在处理时间序列数据方面表现良好，能够捕捉到时间维度上的依赖关系，而图神经网络则擅长处理具有图结构的数据，如表示设备之间关系的网络拓扑数据；在企业生产状况的即时分析中，可以将时间序列数据作为时序神经网络的输入，以捕捉到生产过程中的时间依赖关系。同时，将设备之间的关系数据表示为图结构，然后利用图神经网络对该图数据进行分析；通过时序神经网络和图神经网络相结合，可以综合考虑时间和空间上的信息，更全面地分析和预测企业的生产状况。
附图说明
图1为本公开实施例基于神经网络的企业生产状况即时分析方法的流程示意图；
图2为本公开实施例基于神经网络的企业生产状况即时分析系统的结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开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公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，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，都属于本公开保护的范围。
下面以具体地实施例对本公开的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1为本公开实施例基于神经网络的企业生产状况即时分析方法的流程示意图，如图1所示，所述方法包括：
S101. 通过在生产线上基于物联网部署的数据采集传感器实时获取生产任务信息，基于云服务器获取与所述生产任务信息相关的生产设备信息；
生产排程是指在给定的生产资源（如设备、人力、原材料等）约束下，安排和组织生产任务的顺序和时间，以实现高效的生产计划和优化资源利用的过程。生产排程的目标是在满足交付日期、最大化生产效率和最小化生产成本等方面取得平衡。
在传统的生产排程中，常常依赖人工经验和规则进行安排和调度。然而，由于生产环境的复杂性和变动性，传统方法往往无法有效应对。这就引发了对于更智能、自适应的生产排程方法的需求。
近年来，随着人工智能和机器学习的发展，基于神经网络的方法在生产排程领域得到了广泛应用。时序神经网络可以捕捉到生产过程中的时序变化，从而能够预测未来的生产状态和优化排程。而图神经网络则擅长处理具有图结构的数据，如设备之间的关系，可以通过图神经网络模型对设备之间的关联进行建模和分析，进一步优化生产排程的决策。
本公开实施例中，生产任务信息可以包括任务时长：每个任务的预计完成时间或处理时间、任务优先级：每个任务的重要程度或优先级，用于确定任务的顺序、任务之间的依赖关系：任务之间的前后顺序或依赖关系，如某些任务必须在其他任务完成后才能开始、过去的生产记录：包括任务的实际完成时间、实际时长等历史数据、任务完成率：任务按时完成的比例或准时交付的情况等；
生产设备信息可以包括设备关系数据以及设备属性数据，其中，设备关系数据可以进一步包括设备之间的连接关系或拓扑结构；设备之间的关联关系，如设备之间的功能关系、物理位置关系等；设备之间的依赖关系，如某些设备需要依赖其他设备的输出或状态；
示例性地，一个生产线，其中包括多个设备，如机器A、机器B和机器C，设备关系数据可以表示为一个图，其中节点表示设备，边表示设备之间的连接关系。例如，如果机器A需要机器B的输出作为输入，则可以在图中表示为从节点B到节点A的有向边，同样，如果机器C的输出对机器B的操作产生影响，则可以在图中表示为从节点C到节点B的有向边。
设备属性数据可以进一步包括：设备的处理能力、产能或效率等性能指标，用于评估设备的工作能力；设备的当前状态，如正常、故障、维护等，可能会影响排程和生产计划；设备的特殊特性或限制，如设备的尺寸、容量等；
示例性地，一个生产工厂，其中的设备包括机器A、机器B和机器C，设备属性数据可以包括每台机器的能力，如机器A的处理速度为100件/小时，机器B的处理速度为80件/小时，机器C的处理速度为120件/小时，此外，设备状态也是重要的属性数据，例如机器B正在进行例行维护，机器C处于故障状态。
示例性地，与企业合作，确定需要收集的数据类型和关键指标，根据确定的数据需求，在生产线上部署传感器并设置数据采集系统，传感器可以通过物联网（IoT）技术连接到数据采集系统，实时收集生产过程中的数据。建立数据存储和管理系统，用于存储和管理从传感器和其他数据源收集的数据，可以使用数据库或数据湖等技术来组织和存储数据，并确保数据的完整性和安全性。
此外，还可以基于云服务器获取与所述生产任务信息相关的生产设备信息，通过将生产设备的属性数据上传至云服务器，可以随时存取，并且能够了解生产设备的运行情况、产能等。
此外，企业生产状况信息还可以包括：在企业生产状况的分析中，可以考虑多种数据源。以下是一些常见的多源数据类型：生产线上的传感器可以提供丰富的实时数据，如温度、湿度、压力、振动等，这些数据可以用于监测设备状态、产品质量等方面；生产计划数据：生产计划数据包括订单数量、交付日期、工艺流程等信息，这些数据可以用于分析生产效率、生产能力规划等；质量指标数据：质量指标数据反映产品的良品率、次品率、退货率等指标，通过分析质量指标数据，可以发现质量问题、改进生产工艺等；物料和库存数据：物料和库存数据涉及原材料的供应情况、库存水平等，通过分析物料和库存数据，可以优化供应链管理和库存控制；人力资源数据：人力资源数据包括员工的出勤情况、培训记录、绩效评估等，这些数据可以用于分析人力资源利用率、员工满意度等；外部环境数据：外部环境数据包括市场需求、竞争情况、经济指标等，通过分析外部环境数据，可以帮助企业做出战略决策和市场预测。
以上仅列举了一些常见的多源数据类型，实际应用中可以根据企业的特定需求和业务情况选择合适的数据源，通过整合和分析这些多源数据，可以全面了解企业生产状况，并提供支持决策的数据洞察和预测能力。
S102. 根据预先构建的时序神经网络模型，将所述生产任务信息进行预处理转换为生产特征向量后，计算所述时序神经网络模型中每一层隐藏层的隐藏状态，并依次将每一层隐藏层的隐藏状态向下一隐藏层进行传递，确定所述生产数据对应的时序特征；
示例性地，本申请的时序神经网络模型可以是基于深层循环神经网络模型构建的，本申请的深层循环神经网络模型可以包括多个堆叠的循环神经网络层，具体地，深层循环神经网络模型可以包括输入层、隐藏层和输出层，其中，
输入层接收生产数据作为输入，传递给第一层的隐藏层；第一层的隐藏层通过长短期记忆（Long short-term memory, LSTM）或（Gate RecurrentUnit，GRU）门控循环单元学习输入数据的时序特征，并输出隐藏状态和隐藏输出；第一层隐藏层的输出作为第二层隐藏层的输入，依次传递给后续的隐藏层，每一层的隐藏层都会根据前一层隐藏层的输出和当前隐藏层的输入进行计算，并输出隐藏状态和输出，最后一层的输出可以用于分类、回归或其他任务的预测。
在一种可选的实施方式中，在确定所述生产数据对应的时序特征之前，所述方法还包括训练时序神经网络模型：
随机初始化待训练的时序神经网络模型的衰减率、一阶矩估计值、二阶距估计值以及计算梯度，得到初始衰减率、初始一阶矩估计值、初始二阶距估计值以及初始计算梯度；
根据所述初始衰减率、初始一阶矩估计值、初始二阶距估计值以及初始计算梯度，对所述初始一阶矩估计值以及所述初始二阶距估计值进行更新，分别确定更新后的更新一阶矩估计值和更新二阶矩估计值；
基于所述更新一阶矩估计值和所述更新二阶矩估计值，结合自适应学习算法对训练时序神经网络模型的参数进行迭代更新，直至达到预设迭代条件。
示例性地，为了模型的深层结构能够增强对数据的建模能力，提高预测的准确性和稳定性，可以训练时序神经网络模型，具体地，可以随机初始化待训练的时序神经网络模型的衰减率、一阶矩估计值、二阶距估计值以及计算梯度，其中，
一阶矩估计（First Moment Estimation）通常表示为m，它是梯度的均值或累积梯度的移动平均，一阶矩估计可以理解为对梯度进行平滑处理，以获取当前时刻的梯度信息；二阶矩估计（SecondMoment Estimation）通常表示为v，它是梯度平方的均值或累积梯度平方的移动平均，二阶矩估计可以理解为对梯度平方进行平滑处理，以获取当前时刻的梯度平方信息。自适应学习率算法中，一阶矩估计和二阶矩估计被用来动态地调整学习率的大小，通过对梯度和梯度平方的估计进行累积和更新，可以获取对当前梯度分布的更准确估计，从而调整学习率。
可选地，根据所述初始衰减率、初始一阶矩估计值、初始二阶距估计值以及初始计算梯度，对所述初始一阶矩估计值以及所述初始二阶距估计值进行更新，分别确定更新后的更新一阶矩估计值和更新二阶矩估计值，其中，对所述初始一阶矩估计值以及所述初始二阶距估计值进行更新可以如下公式所示：
；
；
其中，m、v分别表示更新一阶矩估计值和更新二阶矩估计值，s 1 、s 2 分别表示一阶矩估计值对应的衰减率和二阶矩估计值对应的衰减率，m 0 、v 0 分别表示初始一阶矩估计值和初始二阶距估计值，g表示初始计算梯度。
结合自适应学习算法对训练时序神经网络模型的参数进行迭代更新如下公式所示：
；
其中，表示更新后的时序神经网络模型的参数，r i 表示第i次迭代的学习率，D表示迭代次数，m i 、v i 分别表示第i次迭代的更新一阶矩估计值和第i次迭代的更新二阶矩估计值，c表示常数。
通过计算梯度的一阶矩估计和二阶矩估计来调整学习率的大小，使得学习率在训练过程中能够自适应地进行调整，这样可以在训练初期使用较大的学习率，快速收敛；在训练后期，学习率会逐渐减小，细致调整参数，以达到更好的收敛效果。通过有效地调整学习率，可以提高训练的效率和收敛性。
在一种可选的实施方式中，所述确定所述生产数据对应的时序特征如下公式所示：
；
其中，H time 表示时序神经网络对应的时序特征，ReLu表示修正线性单元激活函数，W f 表示全连接层的全连接权重，softmax表示分类函数，x t 表示t时刻的输入特征，h t-1 表示t- 1时刻的隐藏状态，c t-1 表示t-1时刻的细胞状态，b f 表示全连接层的全连接偏置，表示从第i个隐藏状态到第j个隐藏状态对应的网络架构参数。
示例性地，本申请的深层循环神经网络模型的模型参数可以包括隐藏层的隐藏状态，偏置参数以及各层的权重参数等等，这些模型参数在深层循环神经网络中共同作用，用于捕捉时间序列数据中的关键信息，并进行特征提取和预测，这些参数需要通过训练过程来学习和优化，以使模型能够更好地拟合训练数据并进行准确的预测。
可选地，每个隐藏层的LSTM或GRU单元能够记忆历史信息，并根据当前输入和前一时刻的隐藏状态进行状态更新和输出计算，这样，深层循环神经网络能够在多个层级上对时间序列数据进行特征提取和表示学习，从而更好地捕捉数据的时序变化和复杂关系；通过深层循环神经网络模型，可以逐层学习和提取生产数据的抽象特征表示，从而实现对企业生产状况的即时分析和预测，模型的深层结构能够增强对数据的建模能力，提高预测的准确性和稳定性。
S103. 根据预先构建的图神经网络模型，将所述生产设备信息进行预处理转换为设备特征向量后，基于所述设备特征向量构建设备图，通过所述图神经网络模型提取所述设备图的节点特征，并根据所述设备图中节点的连接关系，对所述节点特征进行特征聚合，确定所述生产设备信息对应的图特征；
示例性地，根据设备关系数据构建邻接矩阵，表示设备之间的连接关系，将设备的属性信息编码为特征向量，如将设备类型转换为独热编码，将工作能力归一化为0-1之间的值；每个设备对应图中的一个节点，节点的特征向量包括设备属性数据；使用邻接矩阵表示设备之间的连接关系；使用图卷积层提取节点特征，将节点的特征和邻居节点的特征进行聚合，使用多个图卷积层逐层提取更高级别的特征；可以使用图池化层对图的节点进行聚合，得到更全局的特征表示。
可选地，基于所述设备特征向量构建设备图可以包括将每个设备对应图中的一个节点，使用邻接矩阵表示设备之间的连接关系，通过此种方式构建设备图。
在一种可选的实施方式中，所述通过所述图神经网络模型提取所述设备图的节点特征，并根据所述设备图中节点的连接关系，对所述节点特征进行特征聚合，确定所述生产设备信息对应的图特征包括：
所述通过所述图神经网络模型提取所述设备图的节点特征如下公式所示：
；
其中，、/>分别表示第l+1层和第l层的节点特征，N(v)表示节点的数量，c v 表示节点v的邻居节点的集合，W(l)表示第l层的权重矩阵；
其中，对所述节点特征进行特征聚合可以采用聚合函数进行特征聚合，其中，聚合函数可以包括平均聚合、最大聚合以及池化聚合中至少一种，通过对邻居节点特征的聚合，节点特征聚合能够将邻居节点的信息整合到当前节点的特征表示中，从而实现对图结构数据的信息传递和特征更新，其中，所述生产设备信息对应的图特征可以表示为H graph 。
在一种可选的实施方式中，
在确定所述生产设备信息对应的图特征之前，所述方法还包括训练图神经网络模型：
冻结待训练的图神经网络模型的特征提取层，并随机初始化待训练的图神经网络模型的池化层，从待训练的图神经网络模型中拆分出迁移神经网络模型；
基于待训练的图神经网络模型的第一输出值，以及所述迁移神经网络模型的第二输出值，结合所述待训练的图神经网络模型的损失函数，确定迁移损失，迭代更新所述迁移损失，直至所述迁移损失满足预设阈值条件。
基于待训练的图神经网络模型的第一输出值，以及所述迁移神经网络模型的第二输出值，结合所述待训练的图神经网络模型的损失函数，确定迁移损失如下公式所示：
；
其中，LOSS表示损失函数的迁移损失，T表示迁移常数，KL表示散度函数，用于指示两个元素之间的相对信息差，P T 、P S 分别表示所述第一输出值和所述第二输出值，L表示迭代次数，、/>分别表示第i次迭代的第一输出值和第i次迭代的第二输出值；
示例性地，冻结待训练的图神经网络模型的特征提取层，使其不进行参数更新，目的是保留原始任务的特征提取能力，避免过度调整模型权重；通过比较第一输出值和第二输出值，并且结合散度函数，能够使得迁移模型保持相对较高的性能；而且散度函数衡量了在使用第二输出值来近似第一输出值时，降低对输出结果估计不准确而造成的信息损失。
此外，通过随机初始化待训练的图神经网络模型的池化层，从待训练的图神经网络模型中拆分出迁移神经网络模型，使用原始模型的输出作为目标，迁移模型可以在保持相对较高的性能的同时减少模型参数量和计算复杂度，原始模型在大规模数据上训练获得了更丰富的信息，将这些信息传递给迁移模型可以更好地泛化到未见过的样本上，提高模型的鲁棒性。
S104. 根据预先构建的排程优化模型，将所述时序特征和所述图特征进行特征融合，确定融合特征，基于所述融合特征结合获取的初始排程信息，输出优化排程信息。
示例性地，本申请实施例的排程优化模型可以包括改进的递归神经网络，例如（Gated Recurrent Unit，GRU）门控循环单元，通过融合生产任务信息以及与所述生产任务信息相关的生产设备信息，能够充分考虑与排程相关的信息，使得优化后的排程信息实现高效的生产计划和优化资源利用。
在一种可选的实施方式中，所述根据预先构建的排程优化模型，将所述时序特征和所述图特征进行特征融合，确定融合特征包括：
分别基于所述排程优化模型的重置门和更新门对应的权重矩阵，以及所述时序特征和所述图特征，分别确定重置门加权特征和更新门加权特征；
根据所述重置门加权特征和所述更新门加权特征，以及预设候选权重矩阵，通过元素相乘机制，结合所述时序特征和所述图特征，确定候选特征；
综合所述候选特征、所述重置门加权特征和所述更新门加权特征、所述时序特征和所述图特征确定所述融合特征。
示例性地，使用重置门对时序神经网络和图神经网络的特征进行加权：
；
其中，R表示重置门加权特征，表示sigmoid函数，W r 表示重置门的重置权重矩阵，H time 、H graph 分别表示所述时序特征和所述图特征；
使用更新门对时序神经网络和图神经网络的特征进行加权：
；
其中，Z表示更新门加权特征，W z 表示更新门的更新权重矩阵；
根据重置门加权特征，以及预设候选权重矩阵，通过元素相乘机制，结合所述时序特征和所述图特征，确定候选特征；
；
其中，CA表示候选特征，表示按元素相乘机制，W h 表示预设候选权重矩阵；
融合特征：
；
其中，FU表示融合特征。
候选特征和融合特征可以根据实际情况动态选择最相关的特征，通过加权融合的方式，模型可以自动学习每个特征的权重，从而根据输入数据的特点选择合适的特征进行融合，提高了特征选择的灵活性和准确性；并且可以改善模型的性能，通过合理选择和融合候选特征，可以提供更全面和准确的输入信息，从而增强模型的预测能力和泛化能力，这可以带来更准确的预测、更可靠的决策，进而提高模型在实际应用中的性能。候选特征的引入可以提高模型对于数据变化和噪声的鲁棒性，通过融合不同类型的特征，模型可以从多个视角理解数据，减少特定特征的不确定性对模型的影响，提高模型对于异常数据和噪声的鲁棒性。
时序神经网络（如循环神经网络）在处理时间序列数据方面表现良好，能够捕捉到时间维度上的依赖关系，而图神经网络则擅长处理具有图结构的数据，如表示设备之间关系的网络拓扑数据；在企业生产状况的即时分析中，可以将时间序列数据作为时序神经网络的输入，以捕捉到生产过程中的时间依赖关系。同时，将设备之间的关系数据表示为图结构，然后利用图神经网络对该图数据进行分析；通过时序神经网络和图神经网络相结合，可以综合考虑时间和空间上的信息，更全面地分析和预测企业的生产状况。例如，可以使用循环神经网络对时间序列数据进行处理，同时使用图神经网络对设备之间的关系进行建模，然后将它们的输出进行融合，得到最终的生产状况分析结果。
示例性地，获取初始排程信息后，结合融合特征，能够分析当前企业的生产状况，结合实际情况，可以设置最小化生产时间、最大化资源利用率等为目标的目标函数，并且结合各种约束条件，如资源约束、工序顺序约束、任务间关系约束等，将这些约束条件纳入优化问题中，选择合适的优化算法进行求解例如遗传算法、模拟退火算法等，对目标函数和约束条件进行求解，得到优化的排程信息。需要说明的是，本申请实施例优化排程信息的过程可以参考现有技术，本申请在此不再赘述。
本公开实施例的第二方面，
提供一种基于神经网络的企业生产状况即时分析系统，图2为本公开实施例基于神经网络的企业生产状况即时分析系统的结构示意图，包括：
第一单元，用于通过在生产线上基于物联网部署的数据采集传感器实时获取生产任务信息，基于云服务器获取与所述生产任务信息相关的生产设备信息；
第二单元，用于根据预先构建的时序神经网络模型，将所述生产任务信息进行预处理转换为生产特征向量后，计算所述时序神经网络模型中每一层隐藏层的隐藏状态，并依次将每一层隐藏层的隐藏状态向下一隐藏层进行传递，确定所述生产任务信息对应的时序特征；
第三单元，用于根据预先构建的图神经网络模型，将所述生产设备信息进行预处理转换为设备特征向量后，基于所述设备特征向量构建设备图，通过所述图神经网络模型提取所述设备图的节点特征，并根据所述设备图中节点的连接关系，对所述节点特征进行特征聚合，确定所述生产设备信息对应的图特征；
第四单元，用于根据预先构建的排程优化模型，将所述时序特征和所述图特征进行特征融合，确定融合特征，基于所述融合特征结合获取的初始排程信息，输出优化排程信息。
本公开实施例的第三方面，
提供一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。
本公开实施例的第四方面，
提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。
本发明可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本发明的各个方面的计算机可读程序指令。
最后应说明的是：以上各实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述各实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的范围。
Claims (10)
1.一种基于神经网络的企业生产状况即时分析方法，其特征在于，包括：
通过在生产线上基于物联网部署的数据采集传感器实时获取生产任务信息，基于云服务器获取与所述生产任务信息相关的生产设备信息；
根据预先构建的时序神经网络模型，将所述生产任务信息进行预处理转换为生产特征向量后，计算所述时序神经网络模型中每一层隐藏层的隐藏状态，并依次将每一层隐藏层的隐藏状态向下一隐藏层进行传递，确定所述生产任务信息对应的时序特征；
根据预先构建的图神经网络模型，将所述生产设备信息进行预处理转换为设备特征向量后，基于所述设备特征向量构建设备图，通过所述图神经网络模型提取所述设备图的节点特征，并根据所述设备图中节点的连接关系，对所述节点特征进行特征聚合，确定所述生产设备信息对应的图特征；
根据预先构建的排程优化模型，将所述时序特征和所述图特征进行特征融合，确定融合特征，基于所述融合特征结合获取的初始排程信息，输出优化排程信息。
2.根据权利要求1所述的方法，其特征在于，在确定所述生产任务信息对应的时序特征之前，所述方法还包括训练时序神经网络模型：
随机初始化待训练的时序神经网络模型的衰减率、一阶矩估计值、二阶距估计值以及计算梯度，得到初始衰减率、初始一阶矩估计值、初始二阶距估计值以及初始计算梯度；
根据所述初始衰减率、初始一阶矩估计值、初始二阶距估计值以及初始计算梯度，对所述初始一阶矩估计值以及所述初始二阶距估计值进行更新，分别确定更新后的更新一阶矩估计值和更新二阶矩估计值；
基于所述更新一阶矩估计值和所述更新二阶矩估计值，结合自适应学习算法对训练时序神经网络模型的参数进行迭代更新，直至达到预设迭代条件。
3.根据权利要求2所述的方法，其特征在于，所述确定所述生产任务信息对应的时序特征如下公式所示：
；
其中，H time 表示时序神经网络对应的时序特征，ReLu表示修正线性单元激活函数，W f 表示全连接层的全连接权重，softmax表示分类函数，x t 表示t时刻的输入特征，h t-1 表示t-1时刻的隐藏状态，c t-1 表示t-1时刻的细胞状态，b f 表示全连接层的全连接偏置，表示从第i个隐藏状态到第j个隐藏状态对应的网络架构参数。
4.根据权利要求1所述的方法，其特征在于，在确定所述生产设备信息对应的图特征之前，所述方法还包括训练图神经网络模型：
在确定所述生产设备信息对应的图特征之前，所述方法还包括训练图神经网络模型：
冻结待训练的图神经网络模型的特征提取层，并随机初始化待训练的图神经网络模型的池化层，从待训练的图神经网络模型中拆分出迁移神经网络模型；
基于待训练的图神经网络模型的第一输出值，以及所述迁移神经网络模型的第二输出值，结合所述待训练的图神经网络模型的损失函数，确定迁移损失，迭代更新所述迁移损失，直至所述迁移损失满足预设阈值条件；
基于待训练的图神经网络模型的第一输出值，以及所述迁移神经网络模型的第二输出值，结合所述待训练的图神经网络模型的损失函数，确定迁移损失如下公式所示：
；
其中，LOSS表示损失函数的迁移损失，T表示迁移常数，KL表示散度函数，用于指示两个元素之间的相对信息差，P T 、P S 分别表示所述第一输出值和所述第二输出值，L表示迭代次数，P T [i]、P S [i]分别表示第i次迭代的第一输出值和第i次迭代的第二输出值。
5.根据权利要求4所述的方法，其特征在于，所述通过所述图神经网络模型提取所述设备图的节点特征如下公式所示：
；
其中，、/>分别表示第l+1层和第l层的节点特征，N(v)表示节点的数量，c v 表示节点v的邻居节点的集合，W(l)表示第l层的权重矩阵。
6.根据权利要求1所述的方法，其特征在于，所述根据预先构建的排程优化模型，将所述时序特征和所述图特征进行特征融合，确定融合特征包括：
分别基于所述排程优化模型的重置门和更新门对应的权重矩阵，以及所述时序特征和所述图特征，分别确定重置门加权特征和更新门加权特征；
根据所述重置门加权特征和所述更新门加权特征，以及预设候选权重矩阵，通过元素相乘机制，结合所述时序特征和所述图特征，确定候选特征；
综合所述候选特征、所述重置门加权特征和所述更新门加权特征、所述时序特征和所述图特征确定所述融合特征。
7.根据权利要求6所述的方法，其特征在于，所述确定所述融合特征的方法如下公式所示：
；
；
；
；
其中，FU表示融合特征，Z表示更新门加权特征，H time 、H graph 分别表示所述时序特征和所述图特征，表示按元素相乘机制，CA表示候选特征；
W h 表示预设候选权重矩阵，R表示重置门加权特征；
表示sigmoid函数，W z 表示更新门的更新权重矩阵，W r 表示重置门的重置权重矩阵。
8.一种基于神经网络的企业生产状况即时分析系统，其特征在于，包括：
第一单元，用于通过在生产线上基于物联网部署的数据采集传感器实时获取生产任务信息，基于云服务器获取与所述生产任务信息相关的生产设备信息；
第二单元，用于根据预先构建的时序神经网络模型，将所述生产任务信息进行预处理转换为生产特征向量后，计算所述时序神经网络模型中每一层隐藏层的隐藏状态，并依次将每一层隐藏层的隐藏状态向下一隐藏层进行传递，确定所述生产任务信息对应的时序特征；
第三单元，用于根据预先构建的图神经网络模型，将所述生产设备信息进行预处理转换为设备特征向量后，基于所述设备特征向量构建设备图，通过所述图神经网络模型提取所述设备图的节点特征，并根据所述设备图中节点的连接关系，对所述节点特征进行特征聚合，确定所述生产设备信息对应的图特征；
第四单元，用于根据预先构建的排程优化模型，将所述时序特征和所述图特征进行特征融合，确定融合特征，基于所述融合特征结合获取的初始排程信息，输出优化排程信息。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至7中任意一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310848858.2A CN116562514B (zh) | 2023-07-12 | 2023-07-12 | 基于神经网络的企业生产状况即时分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310848858.2A CN116562514B (zh) | 2023-07-12 | 2023-07-12 | 基于神经网络的企业生产状况即时分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116562514A true CN116562514A (zh) | 2023-08-08 |
| CN116562514B CN116562514B (zh) | 2023-09-15 |
Family
ID=87493292
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310848858.2A Active CN116562514B (zh) | 2023-07-12 | 2023-07-12 | 基于神经网络的企业生产状况即时分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116562514B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117252346A (zh) * | 2023-11-15 | 2023-12-19 | 江西珉轩智能科技有限公司 | 一种物料溯源系统及方法 |
| CN117455208A (zh) * | 2023-12-25 | 2024-01-26 | 苏州特铭精密科技有限公司 | 基于人工智能的注塑品生产调度优化方法及系统 |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2172887A2 (en) * | 2008-09-30 | 2010-04-07 | Rockwell Automation Technologies, Inc. | System and method for dynamic multi-objective optimization of machine selection, integration and utilization |
| CN110110935A (zh) * | 2019-05-13 | 2019-08-09 | 贵州江南航天信息网络通信有限公司 | 一种基于cpn神经网络的企业生产排程优化系统及实现方法 |
| US20190324432A1 (en) * | 2017-08-02 | 2019-10-24 | Strong Force Iot Portfolio 2016, Llc | Data monitoring systems and methods to update input channel routing in response to an alarm state |
| CN111208796A (zh) * | 2020-04-21 | 2020-05-29 | 天津开发区精诺瀚海数据科技有限公司 | 一种基于聚类小生境遗传算法的车间生产作业排程方法 |
| CN111882151A (zh) * | 2020-06-16 | 2020-11-03 | 杭州未名信科科技有限公司 | 基于强化学习的离散制造行业生产排程方法及系统 |
| CN112508413A (zh) * | 2020-12-08 | 2021-03-16 | 天津大学 | 基于多模态学习和lstm风险研判方法 |
| CN112766621A (zh) * | 2019-10-21 | 2021-05-07 | 宁波创元信息科技有限公司 | 一种实时动态生产排程系统 |
| CN112837161A (zh) * | 2021-03-08 | 2021-05-25 | 智谭(浙江)信息科技有限公司 | 基于多任务学习和多指数协同注意力机制的股市预测方法 |
| CN112936400A (zh) * | 2021-01-26 | 2021-06-11 | 上海金山纸业有限公司 | 一种纸板生产排程优化方法及辅助装置 |
| CN112988756A (zh) * | 2020-10-24 | 2021-06-18 | 陈龙龙 | 基于大数据的化妆品生产数据确定方法及云服务器 |
| CN113988627A (zh) * | 2021-10-28 | 2022-01-28 | 广东工业大学 | 基于深度强化学习的协同云排产方法及系统 |
| CN114897379A (zh) * | 2022-05-20 | 2022-08-12 | 北京深度奇点科技有限公司 | 一种基于信息反馈的动态生产计划排程系统及方法 |
| KR102445842B1 (ko) * | 2021-08-05 | 2022-09-21 | 이노에버솔루션 주식회사 | IoT 기반의 ERP 플랫폼을 이용한 생산공정 통합 관리 시스템 |
| CN115202311A (zh) * | 2022-08-30 | 2022-10-18 | 长鑫存储技术有限公司 | 一种半导体生产排程方法、系统、设备及存储介质 |
| WO2022253229A1 (zh) * | 2021-06-04 | 2022-12-08 | 北京灵汐科技有限公司 | 突触权重训练方法、目标识别方法及电子设备、介质 |
| CN115511292A (zh) * | 2022-09-27 | 2022-12-23 | 北京虎蜥信息技术有限公司 | 一种生产排程方法、系统、智能终端和存储介质 |
| CN115700639A (zh) * | 2022-12-30 | 2023-02-07 | 东方合智数据科技(广东)有限责任公司 | 智能生产排程方法、装置、设备及存储介质 |
| KR102532531B1 (ko) * | 2023-02-21 | 2023-05-15 | 주식회사 태종레이져 | 복수의 뉴럴 네트워크를 이용하여 절단 공정을 위한 스마트 팩토리를 운용하는 방법 및 장치 |
-
2023
- 2023-07-12 CN CN202310848858.2A patent/CN116562514B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2172887A2 (en) * | 2008-09-30 | 2010-04-07 | Rockwell Automation Technologies, Inc. | System and method for dynamic multi-objective optimization of machine selection, integration and utilization |
| US20190324432A1 (en) * | 2017-08-02 | 2019-10-24 | Strong Force Iot Portfolio 2016, Llc | Data monitoring systems and methods to update input channel routing in response to an alarm state |
| CN110110935A (zh) * | 2019-05-13 | 2019-08-09 | 贵州江南航天信息网络通信有限公司 | 一种基于cpn神经网络的企业生产排程优化系统及实现方法 |
| CN112766621A (zh) * | 2019-10-21 | 2021-05-07 | 宁波创元信息科技有限公司 | 一种实时动态生产排程系统 |
| CN111208796A (zh) * | 2020-04-21 | 2020-05-29 | 天津开发区精诺瀚海数据科技有限公司 | 一种基于聚类小生境遗传算法的车间生产作业排程方法 |
| CN111882151A (zh) * | 2020-06-16 | 2020-11-03 | 杭州未名信科科技有限公司 | 基于强化学习的离散制造行业生产排程方法及系统 |
| CN112988756A (zh) * | 2020-10-24 | 2021-06-18 | 陈龙龙 | 基于大数据的化妆品生产数据确定方法及云服务器 |
| CN112508413A (zh) * | 2020-12-08 | 2021-03-16 | 天津大学 | 基于多模态学习和lstm风险研判方法 |
| CN112936400A (zh) * | 2021-01-26 | 2021-06-11 | 上海金山纸业有限公司 | 一种纸板生产排程优化方法及辅助装置 |
| CN112837161A (zh) * | 2021-03-08 | 2021-05-25 | 智谭(浙江)信息科技有限公司 | 基于多任务学习和多指数协同注意力机制的股市预测方法 |
| WO2022253229A1 (zh) * | 2021-06-04 | 2022-12-08 | 北京灵汐科技有限公司 | 突触权重训练方法、目标识别方法及电子设备、介质 |
| KR102445842B1 (ko) * | 2021-08-05 | 2022-09-21 | 이노에버솔루션 주식회사 | IoT 기반의 ERP 플랫폼을 이용한 생산공정 통합 관리 시스템 |
| CN113988627A (zh) * | 2021-10-28 | 2022-01-28 | 广东工业大学 | 基于深度强化学习的协同云排产方法及系统 |
| CN114897379A (zh) * | 2022-05-20 | 2022-08-12 | 北京深度奇点科技有限公司 | 一种基于信息反馈的动态生产计划排程系统及方法 |
| CN115202311A (zh) * | 2022-08-30 | 2022-10-18 | 长鑫存储技术有限公司 | 一种半导体生产排程方法、系统、设备及存储介质 |
| CN115511292A (zh) * | 2022-09-27 | 2022-12-23 | 北京虎蜥信息技术有限公司 | 一种生产排程方法、系统、智能终端和存储介质 |
| CN115700639A (zh) * | 2022-12-30 | 2023-02-07 | 东方合智数据科技(广东)有限责任公司 | 智能生产排程方法、装置、设备及存储介质 |
| KR102532531B1 (ko) * | 2023-02-21 | 2023-05-15 | 주식회사 태종레이져 | 복수의 뉴럴 네트워크를 이용하여 절단 공정을 위한 스마트 팩토리를 운용하는 방법 및 장치 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117252346A (zh) * | 2023-11-15 | 2023-12-19 | 江西珉轩智能科技有限公司 | 一种物料溯源系统及方法 |
| CN117252346B (zh) * | 2023-11-15 | 2024-02-13 | 江西珉轩智能科技有限公司 | 一种物料溯源系统及方法 |
| CN117455208A (zh) * | 2023-12-25 | 2024-01-26 | 苏州特铭精密科技有限公司 | 基于人工智能的注塑品生产调度优化方法及系统 |
| CN117455208B (zh) * | 2023-12-25 | 2024-03-12 | 苏州特铭精密科技有限公司 | 基于人工智能的注塑品生产调度优化方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116562514B (zh) | 2023-09-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116562514B (zh) | 基于神经网络的企业生产状况即时分析方法及系统 | |
| CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
| Chen et al. | Modeling and optimization of complex building energy systems with deep neural networks | |
| CN110781595B (zh) | 能源使用效率pue的预测方法、装置、终端及介质 | |
| CN113516316B (zh) | 基于麻雀搜索优化的Attention-GRU短期负荷预测方法 | |
| CN107644297B (zh) | 一种电机系统节能量计算和验证方法 | |
| CN111340282A (zh) | 基于da-tcn的设备剩余使用寿命的估计方法及系统 | |
| CN115098330A (zh) | 基于云边协同模式的设备异常检测系统及方法 | |
| CN117110748A (zh) | 一种基于融合终端的变电站主设备运行状态异常检测方法 | |
| CN111882157A (zh) | 一种基于深度时空神经网络的需求预测方法、系统及计算机可读存储介质 | |
| CN115146764A (zh) | 一种预测模型的训练方法、装置、电子设备及存储介质 | |
| CN115128978A (zh) | 物联网环境大数据检测与智能监控系统 | |
| CN117116045A (zh) | 一种基于时空序列深度学习的交通流量预测方法及装置 | |
| CN115174263B (zh) | 攻击路径动态决策方法与装置 | |
| CN116610416A (zh) | 基于Kubernetes的负载预测型弹性伸缩系统及方法 | |
| CN115965160A (zh) | 一种数据中心能耗预测方法、装置、存储介质及电子设备 | |
| CN116578858A (zh) | 基于图神经网络的空压机故障预测与健康度评价方法及系统 | |
| CN115145899A (zh) | 一种基于制造企业数据空间的时空数据异常检测方法 | |
| Owda et al. | Using artificial neural network techniques for prediction of electric energy consumption | |
| CN113987904A (zh) | 一种输电项目修理成本测算方法、装置、设备及存储介质 | |
| Wen et al. | Short-term load forecasting with bidirectional LSTM-attention based on the sparrow search optimisation algorithm | |
| Kumari et al. | MetaAnalyser-a concept and toolkit for enablement of digital twin | |
| CN117113148B (zh) | 基于时序图神经网络的风险识别方法、装置及存储介质 | |
| Kirori | Performance Analysis of Stochastic Gradient Descent-Based Algorithms for Time Series Sequence Modeling. | |
| CN116957166B (zh) | 一种基于鸿蒙系统的隧道交通情况预测方法及系统 |
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 |