CN116777536A - 挤塑机生产成本的确定方法、装置、设备及存储介质 - Google Patents

挤塑机生产成本的确定方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN116777536A
CN116777536A CN202310562467.4A CN202310562467A CN116777536A CN 116777536 A CN116777536 A CN 116777536A CN 202310562467 A CN202310562467 A CN 202310562467A CN 116777536 A CN116777536 A CN 116777536A
Authority
CN
China
Prior art keywords
cost
data
production
prediction model
historical
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
CN202310562467.4A
Other languages
English (en)
Inventor
眭演祥
陈中辉
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.)
East China Branch Of 5th Electronics Research Institute Of Ministry Of Information Industry Of China
Original Assignee
East China Branch Of 5th Electronics Research Institute Of Ministry Of Information Industry Of China
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 East China Branch Of 5th Electronics Research Institute Of Ministry Of Information Industry Of China filed Critical East China Branch Of 5th Electronics Research Institute Of Ministry Of Information Industry Of China
Priority to CN202310562467.4A priority Critical patent/CN116777536A/zh
Publication of CN116777536A publication Critical patent/CN116777536A/zh
Pending legal-status Critical Current

Links

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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0283—Price estimation or determination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Finance (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Accounting & Taxation (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Computing Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Extrusion Moulding Of Plastics Or The Like (AREA)

Abstract

本发明实施例提供了一种挤塑机生产成本的确定方法、装置、设备及存储介质，该方法包括：获取挤塑机进行光缆生产时的当前生产数据；根据所述当前生产数据，结合预先构建的成本预测模型，确定所述挤塑机进行光缆生产的当前生产成本，其中，所述成本预测模型基于设定的机器学习模型训练获得，所述当前生产成本包括所用电量和所用物料量。利用该方法，基于设定的机器学习模型训练获得成本预测模型，通过挤塑机进行光缆生产的实时的生产数据以及成本预测模型就可以实现对挤塑机生产实时的所用电量和所用物料量进行预测，避免基于事后统计造成的成本浪费，提高了挤塑机生产成本确定的精准性，为节能降本提供了依据。

Description

挤塑机生产成本的确定方法、装置、设备及存储介质
技术领域
本发明涉及光缆加工技术领域，尤其涉及一种挤塑机生产成本的确定方法、装置、设备及存储介质。
背景技术
随着通信技术快速发展，作为通信技术基础的光纤光缆生产行业迎来大规模化生产浪潮。在光纤光缆生产行业中，影响和困扰光缆生产成本的主要问题之一是用料和用能成本。目前大部分企业对挤塑机用能和用料的成本核算是基于事后统计，无法对用料和用能计划量做出合理的优化分析。在实际过程中塑料粒子计划用量是基于产品生产时间*系数得出的，此系数根据工人长期使用经验得出；而用能成本计划核算则是简单的功率*时长作为统计，无法做相应的分析优化，只是粗放式的统计。这样在生产实际过程中会由于产品的计划成本和实际成本偏差较大，对生产经营者造成困扰，无法做到精准管控成本的目的。
发明内容
本发明实施例提供了一种挤塑机生产成本的确定方法、装置、设备及存储介质，实现了提高对挤塑机生产成本预测的精准性，为节能降本提供了依据。
第一方面，本发明实施例提供了一种挤塑机生产成本的确定方法，包括：
获取挤塑机进行光缆生产时的当前生产数据；
根据所述当前生产数据，结合预先构建的成本预测模型，确定所述挤塑机进行光缆生产的当前生产成本，其中，所述成本预测模型基于设定的机器学习模型训练获得，所述当前生产成本包括所用电量和所用物料量。
第二方面，本发明实施例提供了一种挤塑机生产成本的确定装置，包括：
参数获取模块，用于获取挤塑机进行光缆生产时的当前生产数据；
成本预测模块，用于根据所述当前生产数据，结合预先构建的成本预测模型，确定所述挤塑机进行光缆生产的当前生产成本，其中，所述成本预测模型基于设定的机器学习模型训练获得，所述当前生产成本包括所用电量和所用物料量。
第三方面，本发明实施例还提供一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如第一方面实施例所述的挤塑机生产成本的确定方法。
第四方面，本发明实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面实施例所述的挤塑机生产成本的确定方法。
本发明实施例提供了一种挤塑机生产成本的确定方法、装置、设备及存储介质，该方法包括：首先获取挤塑机进行光缆生产时的当前生产数据；然后根据所述当前生产数据，结合预先构建的成本预测模型，确定所述挤塑机进行光缆生产的当前生产成本，其中，所述成本预测模型基于设定的机器学习模型训练获得，所述当前生产成本包括所用电量和所用物料量。区别于现有技术中对挤塑机用能和用料的成本核算是基于事后统计，无法对用料和用能计划量做出合理的优化分析，上述技术方案，基于设定的机器学习模型训练获得成本预测模型，通过挤塑机进行光缆生产的实时的生产数据以及成本预测模型就可以实现对挤塑机生产实时的所用电量和所用物料量进行预测，避免基于事后统计造成的成本浪费，提高了挤塑机生产成本确定的精准性，为节能降本提供了依据。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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为本发明实施例一提供的一种挤塑机生产成本的确定方法的流程示意图；
图2为本发明实施例二提供的另一种挤塑机生产成本的确定方法的流程示意图；
图3为本发明实施例二提供的某应用场景中挤塑机生产成本的确定方法执行的流程示例图；
图4为本发明实施例三提供的一种挤塑机生产成本的确定装置的结构示意图；
图5为本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“原始”、“目标”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在光缆行业挤塑机用料和用能上，由于其换线频繁，颜色和材料等规格较多，且有退料余料等情况的存在，制造执行系统(Manufacturing Execution System，MES)统计只做事后统计，造成产品在此工序的用能用料计划成本都是粗放式的，无法做到精准；这种方式会导致成本计划用量和实际用量存在较大偏差，无法做到精准管控成本的目的。
实施例一
图1为本发明实施例一提供的一种挤塑机生产成本的确定方法的流程示意图，该方法可适用于对挤塑机生产成本进行实时监控的情况，该方法可以由挤塑机生产成本的确定装置来执行，该装置可以采用硬件和/或软件的形式实现，可配置于电子设备中。如图1所示，本实施例一提供的挤塑机生产成本的确定方法具体可以包括以下步骤：
S101、获取挤塑机进行光缆生产时的当前生产数据。
本实施例中，可以基于本实施例提供的挤塑机生产成本的确定方法，在挤塑机进行光缆生产时实时确定当前生产成本。在进行生产成本确定时需要先获取挤塑机进行光缆生产时的生产数据，本实施例中将当前时刻获得的生产数据记为当前生产数据。其中，当前生产数据具体可以包括控制挤塑机本身部件的参数、其生产的可编程逻辑控制器(Programmable Logic Controller，PLC)的相关参数、以及MES系统的相关数据。挤塑机本身部件参数可以是模具规格、设备类型等。PLC相关参数可以是挤塑机相关运行参数，如平均温度、螺堂螺杆压力、生产速度、电流、电机转速、运行时间以及输入功率等。MES系统的相关参数可以是物料类型数据等。
具体的，挤塑机进行光缆生产时的当前生产数据可以是通过对相关设备直接获取。
S102、根据所述当前生产数据，结合预先构建的成本预测模型，确定所述挤塑机进行光缆生产的当前生产成本。
其中，所述成本预测模型基于设定的机器学习模型训练获得，所述当前生产成本包括所用电量和所用物料量。在本实施例中，成本预测模型用来根据当前生产数据预测挤塑机进行光缆生产的生产成本，将当前时刻挤塑机进行光缆生产的成本记为当前生产成本。当前生产成本包括所用电量和所用物料量，所用物料量主要是指塑料粒子的使用量。
区别于现有技术中只能对挤塑机用能和用料的成本核算是基于事后统计，在实际过程中塑料粒子计划用量是基于产品生产时间*系数得出的，此系数根据工人长期使用经验得出，而用能成本计划核算则是简单的功率*时长作为统计，无法做相应的分析优化，只是粗放式的统计。
在本实施例中，当预先构建好成本预测模型后，可以根据实时获取的当前生产数据，预估挤塑机进行光缆生产的当前生产成本。具体实现方式为，将当前生产数据输入至成本预测模型中，成本预测模型的输出结果即是当前生产成本。
需要说明的是，成本预测模型并不是在每次进行生产成本预测时都需要重新训练一次，而是针对于一种类型的挤塑机，其对应的成本预测模型在训练好后就可以使用，不需要进行重复训练。成本预测模型的训练过程可以基于历史时间段内的历史生产数据对设定的机器学习模型进行训练获得。例如，设定的机器模型可以是随机森林模型，此处不做具体限制。
本发明实施例提供了一种挤塑机生产成本的确定方法，该方法包括：首先获取挤塑机进行光缆生产时的当前生产数据；然后根据当前生产数据，结合预先构建的成本预测模型，确定挤塑机进行光缆生产的当前生产成本，其中，成本预测模型基于设定的机器学习模型训练获得，当前生产成本包括所用电量和所用物料量。区别于现有技术中对挤塑机用能和用料的成本核算是基于事后统计，无法对用料和用能计划量做出合理的优化分析，上述技术方案，基于设定的机器学习模型训练获得成本预测模型，通过挤塑机进行光缆生产实时的生产数据以及成本预测模型就可以实现对挤塑机生产实时的所用电量和所用物料量进行预测，避免基于事后统计造成的成本浪费，提高了挤塑机生产成本确定的精准性，为节能降本提供了依据。
作为本发明实施例的第一可选实施例，在上述实施例的基础上，可以进一步优化成本预测模型的构建步骤具体可以表述为：
a1)获取历史时间段内挤塑机进行光缆生产的历史生产数据。
具体的，获取历史时间段内挤塑机进行光缆生产的生产数据记为历史生成数据。其中，历史生产数据主要包括可以包括控制挤塑机本身部件的参数、PLC相关参数、以及MES系统的相关数据。挤塑机本身部件参数可以是模具规格、设备类型等。PLC相关参数可以是挤塑机相关运行参数，如平均温度、螺堂螺杆压力、生产速度、电流、电机转速、运行时间以及输入功率等。MES系统的相关参数可以是物料类型数据、人工对物料进行称重的所用物料量和人工上传的所用电量等。
需要清楚的是，历史生产数据与当前生成数据的数据类型大体相同，区别仅在于历史生产数据还包括通过人工称重以及统计获得的实际结果，实际结果包括人工对物料进行称重的所用物料量和人工上传的所用电量。
b1)根据历史生产数据，生成训练成本预测模型所需的成本样本集。
在本实施例中，当上述获得历史生产数据后，考虑到历史生产数据的数据格式不统一、可能存在异常点等情况，还需要对历史生产数据进行初步处理。另外，对于初步处理后的历史生产数据，还需要识别出哪些数据是对结果有影响的数据，需要筛选出有影响的数据作为后续训练的基础数据。具体的，对历史生产数据进行一系列变换处理，获得训练成本预测模型所需的样本集，本实施例中记为成本样本集。
c1)根据成本样本集对设定的机器学习模型进行训练，获得训练后的成本预测模型。
在本实施例中，基于成本样本集对设定的机器学习模型进行训练，以获得训练好的模型作为成本预测模型。具体的，将成本样本集中的对结果具有影响的数据作为模型的输入数据，获得机器学习模型的输出结果作为预测值，将实际人工对物料进行称重的所用物料量和人工上传的所用电量量分别作为真实值，根据预测值与真实值之间的误差调整机器学习模型的参数，以获得误差精度满足条件的模型，作为训练后的成本预测模型。
本第一可选实施例具体化了成本预测模型的构建步骤，根据挤塑机进行光缆生产的历史生产数据生成成本样本集，通过成本样本集对设定的机器学习模型进行训练，可以获得成本预测模型，为后续基于成本预测模型进行成本预测提供的支持。
进一步地，在上述第一可选实施例的基础上，可以优化根据历史生产数据，生成训练成本预测模型所需的成本样本集具体表述为下述步骤：
b11)对历史生产数据进行初始处理，确定历史处理数据，初始处理至少包括以下一种：补全数据的时间戳、统一数据的起止时间以及剔除数据中的异常点。
其中，历史生产数据可以包括挤塑机本身部件参数如模具规格、设备类型等，挤塑机相关运行参数如平均温度、螺堂螺杆压力、生产速度、电流、电机转速、运行时间以及输入功率等，MES系统的相关参数如物料类型数据、人工称重的物料用量以及人工上传的所用电量等。
考虑到上述历史生产数据的数据来源、输入格式、数据之间的匹配等不统一的情况，必须通过对数据处理，才能获得干净的可供分析的数据集。在本实施例中，在基于历史生产数据进行成本预测模型训练时，需要使用同一时间段的数据，因此，需要通过时间戳，获取同一时间戳的数据。由于可能存在数据的时间戳不连续，主要是由于前后数值不变则省略传输，相应数值需要根据时间戳进行数据补充。例如，挤塑机本身部件参数是不随着生产过程改变的，因此，该类型数据只在获取时刻带着时间戳，后续该类型数据没有变化，就没有持续获取，因此需要根据时间戳对该类型数据进行补充。此外，还可能存在数据起止时间存在差异，则需要进行整段有效数据的起止时间同步处理。传输的历史生产数据可能有异常点存在，需要进行排除，排除方式可以采用方差计算，均值比较等方式，此处不做具体限制。
具体的，对历史生产数据进行初始处理，初始处理包括补全数据的时间戳、统一数据的起止时间以及剔除数据中的异常点等，将处理后的数据记为历史处理数据。
b12)对历史处理数据进行相关性分析，确定对挤塑机生产光缆的生产成本影响程度大的第一历史数据。
在本实施例中，在上述对历史生产数据进行格式统一等初步处理获得历史处理数据后，还需要对历史处理数据进行相关性分析，从各个类型的数据中找出对挤塑机生产光缆的生产成本影响较大的特征值，分析其对使用量的影响。可以理解的是，找出各个参数中影响较大的特征值，可以基于这些特征值对成本预测模型进行训练。同时，通过对这些特征值分析，可以指导后期对相关性较大的参数进行优化，节省成本。
具体的，对历史处理数据进行相关性分析，确定对挤塑机生产光缆的生产成本影响程度大的特征值，将这些特征值对应的历史数据记为第一历史数据。示例性的，可以采用协方差矩阵相关性分析，确定出对挤塑机生产光缆的生产成本影响程度大的数据。示例性的，表1为本实施例中在挤塑机生产成本的确定方法执行中关于所用物料量的相关特征值，特征值包括：平均温度、螺堂螺杆压力、生产速度等，此处不再一一列出，对应实际结果1为对所用物料量的人工称重数据。表2为本实施例中在挤塑机生产成本的确定方法执行中关于所用电量的相关特征值，特征值包括：平均温度、螺堂螺杆压力、生产速度等，此处不再一一列出，对应实际结果2为人工统计的用电量。
表1
表2
b13)将第一历史数据进行特征变换处理，获得新维度的第二历史数据。
在上述获得对生产成本影响较大的第一历史数据后，还可以对第一历史数据进行特征变换处理，特征变换处理是指除去以上特征的基础值以外，加入以下变换特征值，如均值、标准差、各个参量的平均信号功率分布等。从而形成新维度的历史数据记为第二历史数据。
b14)将第一历史数据、第二历史数据以及历史生产数据中的历史所用物料量作为第一成本样本集。
具体的，将第一历史数据、第二历史数据作为可用的特征数据，将历史生产数据中人工称重的历史所用物料量作为真实值，共同构成第一成本样本集。其中，第一成本样本集中每个样本都是N*1的一维向量，N为最终可用的特征数。
b15)将第一历史数据、第二历史数据以及历史生产数据中的历史所用电量作为第二成本样本集。
具体的，将第一历史数据、第二历史数据作为可用的特征数据，将历史生产数据中人工统计上传的历史所用电量作为真实值，共同构成第二成本样本集。其中，第二成本样本集中每个样本都是N*1的一维向量，N为最终可用的特征数。
b16)将第一成本样本集和第二成本样本集作为成本样本集。
具体的，通过上述分析之后，对历史生产数据进行相应的裁剪对齐、特征变换处理等，最终得到第一成本样本集和第二成本样本集作为成本样本集。
上述技术方案，通过对原始的历史生产数据进行数据预处理和特征分析等操作获得成本样本集，根据挤塑机生产的实际业务情况，从数据准备、数据获取、数据处理等方面获得了成本样本集，将难以解决的频繁的称重和用电用料成本优化问题转化为常见的回归问题，并结合实际通过特征权重给出用能和用料成本优化建议。
进一步地，在上述第一可选实施例的基础上，可以优化根据成本样本集对设定的机器学习模型进行训练，获得训练后的成本预测模型具体表述为下述步骤：
c11)将成本样本集划分为训练集和验证集。
具体的，将处理后的成本样本集随机打乱后，划分为训练集和验证集。例如，按8:2分为训练集和验证集，另外，还可以有测试数据，需要说明的是，测试数据可以使用实际最新生产数据。
c12)基于训练集对机器学习模型进行训练，获得初始预测模型。
其中，机器学习模型为随机森林模型。本实施例中采用随机森林模型，集成学习是集成多个弱监督模型，得到一个更好更全面的强监督模型。对每个规格产品进行塑料粒子实际用量和用能的预测，以代替传统的系数得出的计划用量。选择随机森林算法的原因为：实际生产过程中需要快速反应，且不影响生产速度；生产实际数据干扰较多，随机森林不容易产生过拟合；模型在训练后，可以给出各个特征对于输出的重要性，可以指导用料用电成本优化。
具体的，使用训练集对机器学习模型进行训练的过程为：将训练集中的第一历史数据作为机器学习的输入数据，获得所用物料量的预测值，将实际的历史所用物料量作为真实值，根据所用物料量的预测值与实际的历史所用物料量之间的平均相对误差，若误差不满足误差阈值，则需要根据得到的平均相对误差调整机器学习模型的参数，以获得误差精度满足条件的模型，获得初始训练的初始预测模型。其中，误差阈值可以根据实际需求设定。同时，将训练集中的第一历史数据作为机器学习的输入数据，获得所用电量的预测值，将实际的历史所用电量作为真实值，根据所用电量的预测值与实际的历史所用电量之间的平均相对误差，若误差不满足误差阈值，则需要根据得到的平均相对误差调整机器学习模型的参数，以获得误差精度满足条件的模型，获得初始训练的初始预测模型。也可以认为初始预测模型可以实现对挤塑机进行光缆生产的所用物料量和所用电量的预测。
其中，平均相对误差MPE的计算表达式为：
yk表示预测值；/>表示真实值，N为成本样本集中的特征数。
c13)基于验证集对初始预测模型进行验证，并基于验证结果调整初始预测模型的参数。
具体的，基于验证集对初始预测模型进行验证，同样，验证过程与训练过程类似，此处不再赘述。基于初始预测模型得到的预测值与真实值进行误差计算作为验证结果，根据验证结果调整初始预测模型中的参数。误差的计算方式也采用平均相对误差方式。
c14)将验证结果满足设定精度条件的初始预测模型作为成本预测模型。
具体的，根据验证结果对初始预测模型中的参数进行调整，直到验证结果满足设定精度条件，则将满足设定精度条件的初始预测模型作为成本预测模型。其中，设定精度条件可以是指预测值与真实值之间的误差小于设定误差阈值。
上述技术方案具体化了成本预测模型的训练过程，将成本样本集划分为训练集和验证集，基于训练集对机器学习模型进行训练形成初始预测模型，再基于验证集对初始预测模型进行训练，可以获得成本预测模型，从而基于精准的成本预测模型，可以实现对生产成本的精准预测。
作为本发明实施例的第二可选实施例，在上述实施例的基础上，可以进一步优化，该方法还包括：在完成光缆生产后，基于当前生产成本以及实际确定的生产成本对成本预测模型进行评估。
具体的，在完成光缆生产后，可以基于当前模型测试及优化。测试采用线上数据测试，每个类别的产品生产完成节点后进行用电、用料成本预测，再获取实际人工称重的所用物料量以及人工上传的所用电量，再选取平均相对误差指标对模型的预测能力进行评价，优化成本指导生产。
上述技术方案采集在线数据进行测试，实现对模型的进一步优化，获得更为精准的成本预测模型。
作为本发明实施例的第二可选实施例，在上述实施例的基础上，可以进一步优化，该方法还包括：根据当前生产成本，调整挤塑机进行光缆生产时的生产参数，以优化挤塑机的生产成本。
其中，挤塑机进行光缆生产时的生产参数是指挤塑机相关运行参数如平均温度、螺堂螺杆压力、生产速度、电流、电机转速、运行时间以及输入功率等。具体的，根据对当前生产成本的实时预测，调整挤塑机进行光缆生产时的生产参数，能极大的减少人工称重和现场人员的工作量，对于指导不同规格光缆产品的用料用能有极大的现实意义，同时可以根据参数权重调整实现优化用能。
上述技术方案，在挤塑机生产过程中实时预测当前生产成本，根据当前生产成本调整当前相关生产参数，从而实现优化挤塑机生产成本的效果。
实施例二
图2为本发明实施例二提供的另一种挤塑机生产成本的确定方法的流程示意图，本实施例为上述实施例的进一步优化，在本实施例中，进一步对“根据所述当前生产数据，结合预先构建的成本预测模型，确定所述挤塑机进行光缆生产的当前生产成本”限定优化。
如图2所示，本实施例二提供一种挤塑机生产成本的确定方法，具体包括如下步骤：
S201、获取挤塑机进行光缆生产时的当前生产数据。
S202、从当前生产数据中提取对挤塑机生产光缆的生产成本影响程度大的第一当前数据。
具体的，从当前生产数据中提取对挤塑机生产光缆的生产成本影响程度大的特征类型，与历史生产数据中对挤塑机生产光缆的生产成本影响程度大的特征类型应保持一致，即根据历史生产数据中的影响程度大的特征类型确定当前生产数据中对应类型的数据作为第一当前数据。
S203、对第一当前数据进行初始处理，获得当前处理数据。
具体的，对第一当前数据进行初始处理，初始处理过程与对第一历史数据进行初始处理的过程相同，也包括补全数据的时间戳、统一数据的起止时间以及剔除数据中的异常点等处理，具体处理过程不再赘述。本实施例中，将对第一当前数据进行初始处理，获得初始处理后的数据记为当前处理数据。
S204、将当前处理数据进行特征变换处理，获得新维度的第二当前数据。
在本实施例中，对当前处理数据进行特征变换处理的方式与对历史处理数据进行特征变换处理的方式相同。在上述获得对生产成本影响较大的第一当前数据后，还可以对第一当前数据进行特征变换处理，特征变换处理是指除去以上特征的基础值以外，加入以下变换特征值，如均值、标准差、各个参量的平均信号功率分布等。从而形成新维度的当前数据记为第二当前数据。
S205、将第一当前数据以及第二当前数据输入至成本预测模型中，获得挤塑机生产光缆的当前生产成本。
具体的，将第一当前数据和第二当前数据作为输入数据，输入至成本预测模型中，成本预测模型的输出为对挤塑机生产光缆的预测的当前生产成本。
本实施例具体化了如何根据当前生产数据以及成本预测模型，预测挤塑机进行光缆生产的当前生产成本。通过采用随机森林作为机器学习的算法对挤塑机用能和用料量进行评估，能够快速客观的给出计划成本，核算成本比传统人工核算更为准确，减少人工和复杂流程，减少成本浪费。
为了更清楚的表述本发明实施例提供的挤塑机生产成本的确定方法，以某实际应用场景中对挤塑机生产成本进行确定为例进行说明。示例性的，图3为本发明实施例二提供的某应用场景中挤塑机生产成本的确定方法执行的流程示例图，如图3所示，挤塑机生产成本的确定方法的执行步骤具体包括：
S1、获取历史时间段内挤塑机进行光缆生产的历史生产数据。
S2、对历史生产数据进行初始处理，确定历史处理数据。
其中，初始处理至少包括以下一种：补全数据的时间戳、统一数据的起止时间以及剔除数据中的异常点。
S3、对历史处理数据进行相关性分析，确定对挤塑机生产光缆的生产成本影响程度大的第一历史数据。
S4、将第一历史数据进行特征变换处理，获得新维度的第二历史数据。
S5、将第一历史数据、第二历史数据以及历史生产数据中的历史所用物料量作为第一成本样本集。
S6、将第一历史数据、第二历史数据以及历史生产数据中的历史所用电量作为第二成本样本集。
S7、将第一成本样本集和第二成本样本集作为成本样本集。
S8、将成本样本集划分为训练集和验证集。
S9、基于训练集对机器学习模型进行训练，获得初始预测模型。
其中，机器学习模型为随机森林模型。
S10、基于验证集对初始预测模型进行验证，并基于验证结果调整初始预测模型的参数。
S11、将验证结果满足设定精度条件的初始预测模型作为成本预测模型。
上述步骤为成本预测模型的构建步骤，为预先执行的步骤，不需要每次进行挤塑机生产光缆的当前生产成本预测时都执行。
S12、获取挤塑机进行光缆生产时的当前生产数据。
S13、从当前生产数据中提取对挤塑机生产光缆的生产成本影响程度大的第一当前数据。
S14、对第一当前数据进行初始处理，获得当前处理数据。
S15、将当前处理数据进行特征变换处理，获得新维度的第二当前数据。
S16、将第一当前数据以及第二当前数据输入至成本预测模型中，获得挤塑机生产光缆的当前生产成本。
实施例三
图4为本发明实施例三提供的一种挤塑机生产成本的确定装置的结构示意图，该装置可适用于对挤塑机生产成本进行确定的情况，该挤塑机生产成本的确定装置可配置于电子设备中，如图4所示，该装置包括：参数获取模块31以及成本预测模块32；其中，
参数获取模块31，用于获取挤塑机进行光缆生产时的当前生产数据；
成本预测模块32，用于根据所述当前生产数据，结合预先构建的成本预测模型，确定所述挤塑机进行光缆生产的当前生产成本，其中，所述成本预测模型基于设定的机器学习模型训练获得，所述当前生产成本包括所用电量和所用物料量。
本发明实施例提供了一种挤塑机生产成本的确定装置，首先获取挤塑机进行光缆生产时的当前生产数据；然后根据当前生产数据，结合预先构建的成本预测模型，确定挤塑机进行光缆生产的当前生产成本，其中，成本预测模型基于设定的机器学习模型训练获得，当前生产成本包括所用电量和所用物料量。区别于现有技术中对挤塑机用能和用料的成本核算是基于事后统计，无法对用料和用能计划量做出合理的优化分析，上述技术方案，基于设定的机器学习模型训练获得成本预测模型，通过挤塑机进行光缆生产的实时的生产数据以及成本预测模型就可以实现对挤塑机生产实时的所用电量和所用物料量进行预测，避免基于事后统计造成的成本浪费，提高了挤塑机生产成本确定的精准性，为节能降本提供了依据。
可选地，该装置还包括模型构建模块，模型构建模块包括：
数据获取单元，用于获取历史时间段内挤塑机进行光缆生产的历史生产数据；
样本生成单元，用于根据历史生产数据，生成训练成本预测模型所需的成本样本集；
模型训练单元，用于根据成本样本集对设定的机器学习模型进行训练，获得训练后的成本预测模型。
可选地，样本生成单元具体可以用于：
对历史生产数据进行初始处理，确定历史处理数据，初始处理至少包括以下一种：补全数据的时间戳、统一数据的起止时间以及剔除数据中的异常点；
对历史处理数据进行相关性分析，确定对挤塑机生产光缆的生产成本影响程度大的第一历史数据；
将第一历史数据进行特征变换处理，获得新维度的第二历史数据；
将第一历史数据、第二历史数据以及历史生产数据中的历史所用物料量作为第一成本样本集；
将第一历史数据、第二历史数据以及历史生产数据中的历史所用电量作为第二成本样本集；
将第一成本样本集和第二成本样本集作为成本样本集。
可选地，模型训练单元具体可以用于：
将成本样本集划分为训练集和验证集；
基于训练集对机器学习模型进行训练，获得初始预测模型，机器学习模型为随机森林模型；
基于验证集对初始预测模型进行验证，并基于验证结果调整初始预测模型的参数；
将验证结果满足设定精度条件的初始预测模型作为成本预测模型。
可选地，成本预测模块32，具体可以用于：
从当前生产数据中提取对挤塑机生产光缆的生产成本影响程度大的第一当前数据；
对第一当前数据进行初始处理，获得当前处理数据；
将当前处理数据进行特征变换处理，获得新维度的第二当前数据；
将第一当前数据以及第二当前数据输入至成本预测模型中，获得挤塑机生产光缆的当前生产成本。
可选地，该装置还可以包括在线测试模块，用于：
在完成光缆生产后，基于当前生产成本以及实际确定的生产成本对成本预测模型进行评估。
可选地，该装置还包括优化模块，用于：
根据当前生产成本，调整挤塑机进行光缆生产时的生产参数，以优化挤塑机的生产成本。
本发明实施例所提供的挤塑机生产成本的确定装置可执行本发明任意实施例所提供的挤塑机生产成本的确定方法，具备执行方法相应的功能模块和有益效果。
实施例四
图5为本发明实施例四提供的一种电子设备的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示，电子设备40包括至少一个处理器41，以及与至少一个处理器41通信连接的存储器，如只读存储器(ROM)42、随机访问存储器(RAM)43等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器41可以根据存储在只读存储器(ROM)42中的计算机程序或者从存储单元48加载到随机访问存储器(RAM)43中的计算机程序，来执行各种适当的动作和处理。在RAM 43中，还可存储电子设备40操作所需的各种程序和数据。处理器41、ROM 42以及RAM 43通过总线44彼此相连。输入/输出(I/O)接口45也连接至总线44。
电子设备40中的多个部件连接至I/O接口45，包括：输入单元46，例如键盘、鼠标等；输出单元47，例如各种类型的显示器、扬声器等；存储单元48，例如磁盘、光盘等；以及通信单元49，例如网卡、调制解调器、无线通信收发机等。通信单元49允许电子设备40通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器41可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器41的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器41执行上文所描述的各个方法和处理，例如挤塑机生产成本的确定方法。
在一些实施例中，挤塑机生产成本的确定方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元48。在一些实施例中，计算机程序的部分或者全部可以经由ROM 42和/或通信单元49而被载入和/或安装到电子设备40上。当计算机程序加载到RAM 43并由处理器41执行时，可以执行上文描述的挤塑机生产成本的确定方法的一个或多个步骤。备选地，在其他实施例中，处理器41可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行挤塑机生产成本的确定方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种挤塑机生产成本的确定方法，其特征在于，包括：
获取挤塑机进行光缆生产时的当前生产数据；
根据所述当前生产数据，结合预先构建的成本预测模型，确定所述挤塑机进行光缆生产的当前生产成本，其中，所述成本预测模型基于设定的机器学习模型训练获得，所述当前生产成本包括所用电量和所用物料量。
2.根据权利要求1所述的方法，其特征在于，所述成本预测模型的构建步骤包括：
获取历史时间段内所述挤塑机进行光缆生产的历史生产数据；
根据所述历史生产数据，生成训练所述成本预测模型所需的成本样本集；
根据所述成本样本集对设定的机器学习模型进行训练，获得训练后的成本预测模型。
3.根据权利要求2所述的方法，其特征在于，根据所述历史生产数据，生成训练所述成本预测模型所需的成本样本集，包括：
对所述历史生产数据进行初始处理，确定历史处理数据，所述初始处理至少包括以下一种：补全数据的时间戳、统一数据的起止时间以及剔除数据中的异常点；
对所述历史处理数据进行相关性分析，确定对所述挤塑机生产光缆的生产成本影响程度大的第一历史数据；
将所述第一历史数据进行特征变换处理，获得新维度的第二历史数据；
将所述第一历史数据、所述第二历史数据以及历史生产数据中的历史所用物料量作为第一成本样本集；
将所述第一历史数据、所述第二历史数据以及历史生产数据中的历史所用电量作为第二成本样本集；
将所述第一成本样本集和所述第二成本样本集作为所述成本样本集。
4.根据权利要求2所述的方法，其特征在于，根据所述成本样本集对设定的机器学习模型进行训练，获得训练后的成本预测模型，包括：
将所述成本样本集划分为训练集和验证集；
基于所述训练集对所述机器学习模型进行训练，获得初始预测模型，所述机器学习模型为随机森林模型；
基于所述验证集对所述初始预测模型进行验证，并基于验证结果调整所述初始预测模型的参数；
将所述验证结果满足设定精度条件的初始预测模型作为成本预测模型。
5.根据权利要求1所述的方法，其特征在于，所述根据所述当前生产数据，结合预先构建的成本预测模型，确定所述挤塑机进行光缆生产的当前生产成本，包括：
从所述当前生产数据中提取对所述挤塑机生产光缆的生产成本影响程度大的第一当前数据；
对所述第一当前数据进行初始处理，获得当前处理数据；
将所述当前处理数据进行特征变换处理，获得新维度的第二当前数据；
将所述第一当前数据以及所述第二当前数据输入至所述成本预测模型中，获得所述挤塑机生产光缆的当前生产成本。
6.根据权利要求1所述的方法，其特征在于，还包括：
在完成光缆生产后，基于所述当前生产成本以及实际确定的生产成本对所述成本预测模型进行评估。
7.根据权利要求1所述的方法，其特征在于，还包括：
根据所述当前生产成本，调整所述挤塑机进行光缆生产时的生产参数，以优化所述挤塑机的生产成本。
8.一种挤塑机生产成本的确定装置，其特征在于，包括：
参数获取模块，用于获取挤塑机进行光缆生产时的当前生产数据；
成本预测模块，用于根据所述当前生产数据，结合预先构建的成本预测模型，确定所述挤塑机进行光缆生产的当前生产成本，其中，所述成本预测模型基于设定的机器学习模型训练获得，所述当前生产成本包括所用电量和所用物料量。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7任一项所述的挤塑机生产成本的确定方法。
10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7任一项所述的挤塑机生产成本的确定方法。
CN202310562467.4A 2023-05-18 2023-05-18 挤塑机生产成本的确定方法、装置、设备及存储介质 Pending CN116777536A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310562467.4A CN116777536A (zh) 2023-05-18 2023-05-18 挤塑机生产成本的确定方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310562467.4A CN116777536A (zh) 2023-05-18 2023-05-18 挤塑机生产成本的确定方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN116777536A true CN116777536A (zh) 2023-09-19

Family

ID=88007191

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310562467.4A Pending CN116777536A (zh) 2023-05-18 2023-05-18 挤塑机生产成本的确定方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116777536A (zh)

Similar Documents

Publication Publication Date Title
CN104808587B (zh) 一种基于机加工设备运行状态的稼动率统计方法
CN111680841B (zh) 基于主成分分析的短期负荷预测方法、系统及终端设备
KR20110115168A (ko) 실제 제조 타겟을 모니터링하는데 있어 예측 데이터의 이용
CN113506082B (zh) 一种基于vr的数字化工厂生产线的监管方法及系统
CN100445901C (zh) 基于AR(p)模型的过程工业生产过程动态成本控制方法
CN104865827B (zh) 一种基于多工况模型的抽油机采油优化方法
CN103488135A (zh) 一种用于半导体生产加工过程监控的统计过程控制方法
CN105488592A (zh) 一种光伏电站发电量预测的方法
CN116307215A (zh) 一种电力系统的负荷预测方法、装置、设备及存储介质
CN114666224A (zh) 业务资源容量动态分配方法、装置、设备及存储介质
CN113592314B (zh) 基于西格玛水平的制丝工艺质量评价方法
CN114155072A (zh) 基于大数据分析的财务预测模型构建方法及系统
CN117932976B (zh) 一种工艺机台组用能数据的获取方法及装置
CN116911529A (zh) 一种基于bim模型的物联网设备管理的方法与系统
CN110766236A (zh) 基于统计分析和深度学习的电力设备状态趋势预测方法
CN114819385A (zh) 风电功率预测方法、装置、电子设备及存储介质
CN118261302A (zh) 碳减排方案的生成方法、设备及存储介质
CN103885867A (zh) 一种模拟电路性能的在线评价方法
CN111367255A (zh) 一种多变量控制系统性能评价测试系统及方法
CN117196257A (zh) 配电网工程辅助结算系统
CN117977536A (zh) 一种智能电网负荷辨识方法
CN116777536A (zh) 挤塑机生产成本的确定方法、装置、设备及存储介质
CN118644049B (zh) 一种生产线管控系统、方法、电子设备及存储介质
CN113408591A (zh) 基于智能仪表的过程趋势分析预测方法
TWI853553B (zh) 即時品質預測系統

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