CN116828001B - 一种基于大数据分析的智慧工厂生产效率优化系统及方法 - Google Patents

Abstract

本发明公开了一种基于大数据分析的智慧工厂生产效率优化系统及方法，本发明涉及生产线监测技术领域，解决的是智慧工厂监管能力低下的问题。所述系统包括数据采集模块、数据存储模块、数据分析模块、无线通信模块、信息管理模块、数据应用模块和预警监测模块，通过分布式产线网络切片算法为不同的核心业务提供差异化网络，通过共享边缘算法实现数据分流，通过入侵防护算法提高网络安全级别，通过商业择优模型根据市场行情的实时变化预测最佳策划方案，降低了技术成本，提高了智慧工厂生产监管能力。

Description

一种基于大数据分析的智慧工厂生产效率优化系统及方法

技术领域

本发明涉及网络信息安全领域，具体涉及一种基于大数据分析的智慧工厂生产效率优化系统及方法。

背景技术

智慧工厂是一种利用大数据、人工智能等高科技手段，实现生产效率和质量优化的工厂模式。在智慧工厂中，通过全面监控和协调生产过程中的各项数据指标，进行实时预警和决策，从而最大程度地提高生产效率和质量。

这种模式的背景在于，随着工业生产的深入发展和信息化程度的提高，传统的生产工艺已经难以满足市场的快速变化和个性化需求，需要更加灵活、智能的工厂模式，以使生产更加高效、节能、环保和安全。

但是，基于大数据分析的智慧工厂生产效率优化也存在一些弊端和挑战：

1. 技术成本高：实现智慧工厂需要大量的高科技手段，如大数据分析、人工智能、物联网等，需要大量的投资和技术支持。

2. 网络风险：智慧工厂需要多个部门和工具之间的协作和协调，系统中一个环节出现问题可能会影响整个生产过程。

3. 安全问题：在智慧工厂中，大量的数据需要在线传输和储存，如果没有合适的安全保障机制，则可能面临泄密和攻击的风险。

综上所述，尽管基于大数据分析的智慧工厂生产效率优化带来了许多益处，但是需要克服其高昂的技术成本、复杂的协调和协作、数据需求和安全等方面的挑战和弊端，难以实现智慧工厂生产的管理。

发明内容

针对上述技术的不足，本发明公开一种基于大数据分析的智慧工厂生产效率优化系统及方法，通过分布式产线网络切片算法为不同的核心业务提供差异化网络，通过共享边缘算法实现数据分流，通过入侵防护算法提高网络安全级别，通过商业择优模型根据市场行情的实时变化预测最佳策划方案，降低了技术成本，提高了网络数据传输安全级别，降低了市场风险。

为了实现上述技术效果，本发明采用以下技术方案：

一种基于大数据分析的智慧工厂生产效率优化系统，包括：

数据采集模块、数据存储模块、数据分析模块、无线通信模块、信息管理模块、数据应用模块和预警监测模块；

数据采集模块用于获取智慧工厂的信息数据，所述信息数据至少包括员工信息、设备信息和环境信息；

数据存储模块采用分布式文件系统和分布式数据库将采集的海量信息数据高效储存；

数据分析模块用于处理分析存储的智慧工厂海量信息数据；

无线通信模块用于实现智慧工厂的“云-网-端”融合协同；所述无线通信模块包括云计算层、网络层和终端层，所述云计算层采用混合云部属以实现智慧制造流程内全部生产数据的处理存储、视频图像的智能处理分享和云端协同事务，所述网络层通过有线和无线两种方式承载智慧工厂园区内、园区外以及不同园区间的网络控制与数据传输，所述网络层包括企业内网、全光智能网和边缘云服务网，所述全光智能网采用分布式产线网络切片算法为不同的核心业务提供差异化网络，所述边缘云服务网采用共享边缘算法实现数据分流，所述终端层通过智能网关实现不同设备之间的网络交互，所述云计算层的输出端连接网络层的输入端，所述网络层的输出端连接终端层的输入端；

信息管理模块用于管理智慧工厂内部员工和巡检厂区地点；

数据应用模块根据市场供需信息数据调节和优化智慧工厂产品生产关系；

预警监测模块用于实时监测智慧工厂的安全状况；

所述数据采集模块的输出端连接无线通信模块的输入端，所述无线通信模块的输出端分别连接数据存储模块和信息管理模块的输入端，所述数据存储模块和信息管理模块的输出端连接数据分析模块的输入端，所述数据分析模块的输出端连接数据应用模块的输入端，所述数据应用模块的输出端连接预警监测模块的输入端。

作为本发明进一步的实施例，所述数据采集模块包括员工数据采集单元、设备数据采集单元和环境数据采集单元，所述员工数据采集单元采用指纹仪获取员工基本操作权限，所述设备数据采集单元通过手持式读卡器获取设备的状态参数，所述环境数据采集单元通过传感器网络获取智慧工厂的内部及周边环境信息数据。

作为本发明的进一步实施例，所述数据分析模块包括数据转换单元、数据加密单元、数据划分单元、数据分类单元、数据清洗单元和数据排序单元，所述数据转换单元通过数据转换器将存储的设备状态信息和基本环境信息转换为相应数据，所述数据清洗单元采用插值算法填补数据残缺并采用异常检测算法修正异常数据的部分，所述数据分类单元采用混合聚类算法将清洗完成的数据按照数据的正常和异常进行分类，所述数据排序单元将分类完成的数据按照时间排成次序，所述数据划分单元用于将排序后的数据按照批次划分为多个相同的数据块，所述数据加密单元通过混合加密算法将数据块进行加密，所述数据转换单元的输出端连接数据清洗单元的输入端，所述数据清洗单元的输出端连接数据分类单元的输入端，所述数据分类单元的输出端连接数据排序单元的输入端，所述数据排序单元的输出端连接数据划分单元的输入端，所述数据划分单元的输出端连接数据加密单元的输入端。

作为本发明进一步的实施例，所述信息管理模块包括人员管理单元、门禁管理单元、仓储管理单元、智能巡检单元和信息筛选单元，所述人员管理单元通过数据库实现对员工的多属性信息的综合管理，所述多属性信息包括部门、姓名、工号、职位、操作权限、工作时间、休息时间和银行卡号，所述门禁管理单元通过射频式读卡器管理员工出入厂区，所述仓储管理单元通过RFID电子标签管理原材料、生产设备、半成品和最终产品的实时库存信息，所述智能巡检单元通过路径优化算法为巡检员工制定巡检时间和路线，所述信息筛选单元通过数据挖掘算法查询管理者需要的物品信息。

作为本发明进一步的实施例，所述分布式产线网络切片算法的工作方法为：首先根据生产场地情况将产线的各个部分分别建模以确定生产流程、流程节点和所需资源，然后拓扑分析产线网络并找出各个流程节点之间的关系，接着选出网络关键节点并在这些节点处根据连接关系将产线网络切分成网络切片，接着为每个网络切片规划一个合理的区域布局，同时安排相应的生产设备分配和人员配置，接着根据每个网络切片的生产流程制定流程调度计划，再接着对每个网络切片进行资源调度、任务分配、故障管理和可扩展性规划，最后监控每个网络切片的生产状况以及网络切片之间的生产效率、生产质量和生产成本。

作为本发明进一步的实施例，所述共享边缘算法的工作方法为：首先将新区块广播到整个网络，然后矿工通过POW机制挖掘到一个符合条件的区块，接着合规且有效的区块通过边缘智能决策树和规则引擎的筛选将被添加到区块链中，同时奖励分配给矿工，舍弃违规且无效的区块，并循环持续到区块链中添加新区块。

一种基于大数据分析的智慧工厂生产效率优化方法，应用于所述的一种基于大数据分析的智慧工厂生产效率优化系统，包括步骤：

步骤1、获取智慧工厂的员工信息、设备信息和环境信息；

采用数据采集模块分别采集内部员工信息、产线设备信息和周围环境信息；

步骤2、将获取的海量信息数据进行远程传输、存储和管理；

通过无线通信模块将采集的海量信息数据传输到数据存储模块和信息管理模块；

步骤3、分别将数据存储模块和信息管理模块内部数据进行处理分析；

采用数据分析模块将海量数据信息进行转换、加密、划分、分类、清洗和排序；

步骤4、结合市场行情和智慧工厂内部设备信息确定市场产品的配置及生产效率优化；

通过数据应用模块分析市场行情以优化产品配置，所述数据应用模块包括采购单元、销售单元、调配单元和优化单元，所述采购单元根据供应商资质、原材料价格及库存和市场行情且在货源充足和交货时间准确的情况下购买和储存原材料，所述销售单元根据顾客需求交付和退换最终产品，所述调配单元根据市场行情、季节关系和地域性全方位分配和调换最终产品，所述优化单元通过商业择优模型根据市场行情的实时变化从而预测最佳采购方案、销售方案和调配方案，所述采购单元、销售单元和调配单元的输出端连接优化单元的输入端；

步骤5、将智慧工厂进行全方位防护保障生产产能最大化；

通过预警监测模块实现智慧工厂的全方面防范，所述全方面防范包括网络防护、设备防护和员工筛查，所述预警监测模块包括漏洞预测单元、事件检测单元、流量分析单元、自主测试单元和智能显示单元，所述漏洞预测单元通过关联性分析算法挖掘和预测网络漏洞，所述事件检测单元采用入侵防护算法根据日志和非法入侵频率及特征确定监测网络异常，所述流量分析单元用于检测网络流量的使用情况以及分析异常使用情况，所述自主测试单元用于实现智慧工厂网络信息安全测试和分析的自动化，所述智能显示单元使用图表和报表展示网络异常事件及智慧工厂产出率，所述漏洞预测单元、事件检测单元和流量分析单元的输出端连接自主测试单元的输入端，所述自主测试单元的输出端连接智能显示单元的输入端。

作为本发明进一步的实施例，所述入侵防护算法的本质为入侵事件的关键特征和实时哈希值匹配，以获得每个关键词平均得分：

(1)

式（1）中，m表示关键词的词片个数，n表示哈希值数目，表示平均匹配得分，表示累积得分，/>表示词片匹配得分，/>表示惩罚因子，d表示词片的空边数；

惩罚因子的详细计算公式为：

（2）

式（2）中，表示哈希值的前向索引，/>表示空边，/>表示在已知哈希值的前向索引中空边的概率；

词片匹配得分的详细计算公式为：

（3）

式（3）中，表示后验概率得分，/>表示调节因子。

作为本发明进一步的实施例，所述商业择优模型的工作方法为：首先评估智慧工厂产品及业务的市场增长率和相对市场份额，然后将产品及业务分为四个象限：问题产品、明星产品、金牛产品和瘦狗产品，接着为每个象限制定对应的策略方案，接着分析智慧工厂价值链中每个环节的成本、利润和竞争优势，最后确定智慧工厂的最佳商业策划方案。

与现有技术相比，本发明有益的积极效果是：

本发明通过分布式产线网络切片算法为不同的核心业务提供差异化网络，通过共享边缘算法实现数据分流，通过入侵防护算法提高网络安全级别，通过商业择优模型根据市场行情的实时变化预测最佳策划方案，降低了技术成本，提高了网络数据传输安全级别，降低了市场风险。

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者员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图，

图1为本发明总体架构示意图；

图2为预警监测模块结构图；

图3为数据分析模块结构图；

图4为数据应用模块结构图；

图5为本发明采用的方法步骤示意图。

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。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。

如图1-图4所示，一种基于大数据分析的智慧工厂生产效率优化系统，包括数据采集模块、数据存储模块、数据分析模块、无线通信模块、信息管理模块、数据应用模块和预警监测模块；

数据采集模块用于获取智慧工厂的信息数据，所述信息数据至少包括员工信息、设备信息和环境信息；

数据存储模块采用分布式文件系统和分布式数据库将采集的海量信息数据高效储存；

数据分析模块用于处理分析存储的智慧工厂海量信息数据；

无线通信模块用于实现智慧工厂的“云-网-端”融合协同；所述无线通信模块包括云计算层、网络层和终端层，所述云计算层采用混合云部属以实现智慧制造流程内全部生产数据的处理存储、视频图像的智能处理分享和云端协同事务，所述网络层通过有线和无线两种方式承载智慧工厂园区内、园区外以及不同园区间的网络控制与数据传输，所述网络层包括企业内网、全光智能网和边缘云服务网，所述全光智能网采用分布式产线网络切片算法为不同的核心业务提供差异化网络，所述边缘云服务网采用共享边缘算法实现数据分流，所述终端层通过智能网关实现不同设备之间的网络交互，所述云计算层的输出端连接网络层的输入端，所述网络层的输出端连接终端层的输入端；

信息管理模块用于管理智慧工厂内部员工和巡检厂区地点；

数据应用模块根据市场供需信息数据调节和优化智慧工厂产品生产关系；

预警监测模块用于实时监测智慧工厂的安全状况；

所述数据采集模块的输出端连接无线通信模块的输入端，所述无线通信模块的输出端分别连接数据存储模块和信息管理模块的输入端，所述数据存储模块和信息管理模块的输出端连接数据分析模块的输入端，所述数据分析模块的输出端连接数据应用模块的输入端，所述数据应用模块的输出端连接预警监测模块的输入端。

进一步地，所述数据采集模块包括员工数据采集单元、设备数据采集单元和环境数据采集单元，所述员工数据采集单元采用指纹仪获取员工基本操作权限，所述设备数据采集单元通过手持式读卡器获取设备的状态参数，所述环境数据采集单元通过传感器网络获取智慧工厂的内部及周边环境信息数据。

具体实施例中，员工通过指纹仪打卡上班，同时指纹仪会自动采集员工的基本信息数据，如姓名、工号、岗位、考勤记录等，通过手持式读卡器获取设备的状态参数，如设备的温度、压力、振动等参数，设备数据采集单元还可以通过其他方式获取设备的状态信息和使用情况，如监控摄像头、传感器等，通过传感器网络获取智慧工厂的内部及周边环境信息数据，如空气质量、噪音、光线、天气等参数。

进一步地，所述数据分析模块包括数据转换单元、数据加密单元、数据划分单元、数据分类单元、数据清洗单元和数据排序单元，所述数据转换单元通过数据转换器将存储的设备状态信息和基本环境信息转换为相应数据，所述数据清洗单元采用插值算法填补数据残缺并采用异常检测算法修正异常数据的部分，所述数据分类单元采用混合聚类算法将清洗完成的数据按照数据的正常和异常进行分类，所述数据排序单元将分类完成的数据按照时间排成次序，所述数据划分单元用于将排序后的数据按照批次划分为多个相同的数据块，所述数据加密单元通过混合加密算法将数据块进行加密，所述数据转换单元的输出端连接数据清洗单元的输入端，所述数据清洗单元的输出端连接数据分类单元的输入端，所述数据分类单元的输出端连接数据排序单元的输入端，所述数据排序单元的输出端连接数据划分单元的输入端，所述数据划分单元的输出端连接数据加密单元的输入端。

具体实施例中，将设备温度、压力等参数转换为数字信号，将环境信息转换为关键字等，对于缺失数据，采用插值算法进行填补。对于存在异常数据，采用异常检测算法进行修正，混合聚类算法结合了多种聚类算法方法，可以更准确地将数据分类出来，时间是数据处理的重要标志，将数据按照时间顺序排列，将大量的数据划分为相对较小的数据块，可以提高数据处理的效率和准确度，通过混合加密算法将数据块进行加密，保证数据的安全性和保密性，防止数据泄露和非法访问，综上所述，数据分析模块主要通过数据转换、数据清洗、数据分类、数据排序、数据划分和数据加密等多项工作，对采集模块所获取的数据进行处理和分析，从而提高数据分析的准确度、效率和安全性。

进一步地，所述信息管理模块包括人员管理单元、门禁管理单元、仓储管理单元、智能巡检单元和信息筛选单元，所述人员管理单元通过数据库实现对员工的多属性信息的综合管理，所述多属性信息包括部门、姓名、工号、职位、操作权限、工作时间、休息时间和银行卡号，所述门禁管理单元通过射频式读卡器管理员工出入厂区，所述智能巡检单元通过路径优化算法为巡检员工制定巡检时间和路线，所述仓储管理单元通过RFID电子标签管理原材料、生产设备、半成品和最终产品的实时库存信息，所述信息筛选单元通过数据挖掘算法查询管理者需要的物品信息。

进一步地，所述分布式产线网络切片算法的工作方法为：首先根据生产场地情况将产线的各个部分分别建模以确定生产流程、流程节点和所需资源，然后拓扑分析产线网络并找出各个流程节点之间的关系，接着选出网络关键节点并在这些节点处根据连接关系将产线网络切分成网络切片，接着为每个网络切片规划一个合理的区域布局，同时安排相应的生产设备分配和人员配置，接着根据每个网络切片的生产流程制定流程调度计划，再接着对每个网络切片进行资源调度、任务分配、故障管理和可扩展性规划，最后监控每个网络切片的生产状况以及网络切片之间的生产效率、生产质量和生产成本。

在具体实施例中，分布式产线网络切片算法的工作原理为：将整个产线网络分割成多个独立的子系统，每个子系统称为一个网络切片。每个网络切片中包含一组生产线路、生产设备、生产人员和生产资源等。这些网络切片可以并行进行调度和控制，以保证生产效率和资源利用率，如表1所示。

表1网络速率对比表

根据表1可以发现，对于同一片数的情况下，采用分布式产线网络切片算法能够显著降低延迟和联动时间。当只使用一片时，无算法的状态下，延迟高达138-200ms，联动时间达到100s，说明存在较大的瓶颈影响效率。而使用分布式产线网络切片算法后，延迟降低至2-50ms，联动时间降低至3s，明显提升了系统的反应速度和执行效率。这是因为分布式产线网络切片算法将数据进行切片处理，避免了整个系统负载过高的问题，同时可以通过平衡负载、动态调整来保证数据传输速率和处理速度，提高了系统整体的响应速度和执行效率。

进一步地，所述共享边缘算法的工作方法为：首先将新区块广播到整个网络，然后矿工通过POW机制挖掘到一个符合条件的区块，接着合规且有效的区块通过边缘智能决策树和规则引擎的筛选将被添加到区块链中，同时奖励分配给矿工，舍弃违规且无效的区块，并循环持续到区块链中添加新区块。

在具体实施例中，共享边缘算法的工作原理为：将POW和边缘智能相结合，从而能够快速识别网络中的恶意节点，并采取适当的措施来保护网络免受攻击。而边缘计算将计算资源和存储资源等部分移到网络边缘，使得计算能力和存储紧密结合，网络延时速率更加低。边缘计算设备包括智能手机、网关、边界路由器等，如表2所示。

表2网络提速表

根据表2可以看出，使用共享边缘+分布式产线网络切片算法后，无论是延迟还是联动时间都得到了极大的提升。在只使用分布式产线网络切片算法的情况下，虽然相较于无算法的状态下有所提升，但是仍然存在延迟高和联动时间长的问题。而在共享边缘+分布式产线网络切片算法的状态下，延迟降至2-5ms，联动时间仅需0.3s，效果显著。这是因为共享边缘算法可以将一些常用的模型存储在边缘端，避免每次访问都需要返回云端，快速提高了数据处理速度和响应速度。而分布式产线网络切片算法很好地利用了资源的分布特点，避免了高负载区域产生的延迟和拥塞问题。

如图5所示，一种基于大数据分析的智慧工厂生产效率优化方法，应用于所述的一种基于大数据分析的智慧工厂生产效率优化系统，包括步骤：

步骤1、获取智慧工厂的员工信息、设备信息和环境信息；

采用数据采集模块分别采集内部员工信息、产线设备信息和周围环境信息；

步骤2、将获取的海量信息数据进行远程传输、存储和管理；

通过无线通信模块将采集的海量信息数据传输到数据存储模块和信息管理模块；

步骤3、分别将数据存储模块和信息管理模块内部数据进行处理分析；

采用数据分析模块将海量数据信息进行转换、加密、划分、分类、清洗和排序；

步骤4、结合市场行情和智慧工厂内部设备信息确定市场产品的配置及生产效率优化；

通过数据应用模块分析市场行情以优化产品配置，所述数据应用模块包括采购单元、销售单元、调配单元和优化单元，所述采购单元根据供应商资质、原材料价格及库存和市场行情且在货源充足和交货时间准确的情况下购买和储存原材料，所述销售单元根据顾客需求交付和退换最终产品，所述调配单元根据市场行情、季节关系和地域性全方位分配和调换最终产品，所述优化单元通过商业择优模型根据市场行情的实时变化从而预测最佳采购方案、销售方案和调配方案，所述采购单元、销售单元和调配单元的输出端连接优化单元的输入端；

步骤5、将智慧工厂进行全方位防护保障生产产能最大化；

通过预警监测模块实现智慧工厂的全方面防范，所述全方面防范包括网络防护、设备防护和员工筛查，所述预警监测模块包括漏洞预测单元、事件检测单元、流量分析单元、自主测试单元和智能显示单元，所述漏洞预测单元通过关联性分析算法挖掘和预测网络漏洞，所述事件检测单元采用入侵防护算法根据日志和非法入侵频率及特征确定监测网络异常，所述流量分析单元用于检测网络流量的使用情况以及分析异常使用情况，所述自主测试单元用于实现智慧工厂网络信息安全测试和分析的自动化，所述智能显示单元使用图表和报表展示网络异常事件及智慧工厂产出率，所述漏洞预测单元、事件检测单元和流量分析单元的输出端连接自主测试单元的输入端，所述自主测试单元的输出端连接智能显示单元的输入端。

进一步地，所述入侵防护算法的本质为入侵事件的关键特征和实时哈希值匹配，以获得每个关键词平均得分：

(1)

式（1）中，m表示关键词的词片个数，n表示哈希值数目，表示平均匹配得分，表示累积得分，/>表示词片匹配得分，/>表示惩罚因子，d表示词片的空边数；

惩罚因子的详细计算公式为：

（2）

式（2）中，表示哈希值的前向索引，/>表示空边，/>表示在已知哈希值的前向索引中空边的概率；

词片匹配得分的详细计算公式为：

（3）

式（3）中，表示后验概率得分，/>表示调节因子。

在具体实施中，入侵防护算法的工作原理为：从初始状态开始，生成一个空的搜索树或图，该节点包含当前状态和相应的成本或估计代价，从当前状态开始，生成可能的下一状态，并计算每个状态的成本或估计代价。加入到搜索树或图中，并标记为"未探索"，从搜索树或图中取出最低成本或最小估计代价的未探索状态进行扩展，直到搜索到目标状态或搜索树或图中没有未探索状态，将其与SVM算法在同样的情况下进行对比从而得到表3。

表3识别时间及准确率表

根据表3可以看出，使用入侵防护算法后，相较于SVM算法，在所有类型攻击的识别准确率上都有所提升，且识别时间显著缩短。在SVM算法中，虽然在Dos攻击的识别准确率高达99.3%，但在U2r攻击的识别准确率只有48.2%，较低且有误报。同时，针对不同类型攻击的识别效率较低，在时间上表现较差，识别时间长达426.7秒。而在入侵防护算法中，所有类型攻击的识别准确率均达到100%，且在U2l攻击的识别准确率和U2r攻击的识别准确率等重点防护对象的识别准确率都得到了显著提升。同时，在识别时间方面，入侵防护算法也表现出较高的效率，识别时间仅为127.2秒，远远低于SVM算法。

进一步地，所述商业择优模型的工作方法为：首先评估智慧工厂产品及业务的市场增长率和相对市场份额，然后将产品及业务分为四个象限：问题产品、明星产品、金牛产品和瘦狗产品，对每个象限制定对应的策略方案，接着分析智慧工厂价值链中每个环节的成本、利润和竞争优势，最后确定智慧工厂的最佳商业策划方案。

在具体实施例中，商业择优模型的原理为：通过获取供应商资质、原材料价格及库存、市场行情、月度销售额、季度销售额和地区销售产品种类建立相应的评估预测体系，再根据地域性调配每个地区的售卖最多的成品催动智慧工厂进行相应产品的产能提升以及相应原材料的采购，对于此成品难以售卖的地区进行成品和原材料的最优路线调运，以获得最大利益。

虽然以上描述了本发明的具体实施方式，但是本领域的技术者员应当理解，这些具体实施方式仅是举例说明，本领域的技术者员在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变。例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此，本发明的范围仅由所附权利要求书限定。

Claims (7)

1.一种基于大数据分析的智慧工厂生产效率优化系统，其特征在于：

包括数据采集模块、数据存储模块、数据分析模块、无线通信模块、信息管理模块、数据应用模块和预警监测模块；

数据采集模块用于获取智慧工厂的信息数据，所述信息数据至少包括员工信息、设备信息和环境信息；

数据存储模块采用分布式文件系统和分布式数据库将采集的海量信息数据高效储存；

数据分析模块用于处理分析存储的智慧工厂海量信息数据；

无线通信模块用于实现智慧工厂的“云-网-端”融合协同；所述无线通信模块包括云计算层、网络层和终端层，所述云计算层采用混合云部属以实现智慧制造流程内全部生产数据的处理存储、视频图像的智能处理分享和云端协同事务，所述网络层通过有线和无线两种方式承载智慧工厂园区内、园区外以及不同园区间的网络控制与数据传输，所述网络层包括企业内网、全光智能网和边缘云服务网，所述全光智能网采用分布式产线网络切片算法为不同的核心业务提供差异化网络，所述边缘云服务网采用共享边缘算法实现数据分流，所述终端层通过智能网关实现不同设备之间的网络交互，所述云计算层的输出端连接网络层的输入端，所述网络层的输出端连接终端层的输入端；

信息管理模块用于管理智慧工厂内部员工和巡检厂区地点；

数据应用模块根据市场供需信息数据调节和优化智慧工厂产品生产关系；

预警监测模块用于实时监测智慧工厂的安全状况；

所述数据采集模块的输出端连接无线通信模块的输入端，所述无线通信模块的输出端分别连接数据存储模块和信息管理模块的输入端，所述数据存储模块和信息管理模块的输出端连接数据分析模块的输入端，所述数据分析模块的输出端连接数据应用模块的输入端，所述数据应用模块的输出端连接预警监测模块的输入端；

所述智慧工厂生产效率优化系统的工作方法包括以下步骤：

步骤1、获取智慧工厂的员工信息、设备信息和环境信息；

采用数据采集模块分别采集内部员工信息、产线设备信息和周围环境信息；

步骤2、将获取的海量信息数据进行远程传输、存储和管理；

通过无线通信模块将采集的海量信息数据传输到数据存储模块和信息管理模块；

步骤3、分别将数据存储模块和信息管理模块内部数据进行处理分析；

采用数据分析模块将海量数据信息进行转换、加密、划分、分类、清洗和排序；

步骤4、结合市场行情和智慧工厂内部设备信息确定市场产品的配置及生产效率优化；

通过数据应用模块分析市场行情以优化产品配置，所述数据应用模块包括采购单元、销售单元、调配单元和优化单元，所述采购单元根据供应商资质、原材料价格及库存和市场行情且在货源充足和交货时间准确的情况下购买和储存原材料，所述销售单元根据顾客需求交付和退换最终产品，所述调配单元根据市场行情、季节关系和地域性全方位分配和调换最终产品，所述优化单元通过商业择优模型根据市场行情的实时变化从而预测最佳采购方案、销售方案和调配方案，所述采购单元、销售单元和调配单元的输出端连接优化单元的输入端；

步骤5、将智慧工厂进行全方位防护保障生产产能最大化；

通过预警监测模块实现智慧工厂的全方面防范，所述全方面防范包括网络防护、设备防护和员工筛查，所述预警监测模块包括漏洞预测单元、事件检测单元、流量分析单元、自主测试单元和智能显示单元，所述漏洞预测单元通过关联性分析算法挖掘和预测网络漏洞，所述事件检测单元采用入侵防护算法根据日志和非法入侵频率及特征确定监测网络异常，所述流量分析单元用于检测网络流量的使用情况以及分析异常使用情况，所述自主测试单元用于实现智慧工厂网络信息安全测试和分析的自动化所述智能显示单元使用图表和报表展示网络异常事件及智慧工厂产出率，所述漏洞预测单元、事件检测单元和流量分析单元的输出端连接自主测试单元的输入端，所述自主测试单元的输出端连接智能显示单元的输入端；

所述入侵防护算法的本质为入侵事件的关键特征和实时哈希值匹配，以获得每个关键词平均得分：

(1)

式（1）中，m表示关键词的词片个数，n表示哈希值数目，表示平均匹配得分，表示累积得分，/>表示词片匹配得分，/>表示惩罚因子，d表示词片的空边数；

惩罚因子的详细计算公式为：

（2）

式（2）中，表示哈希值的前向索引，/>表示空边，/>表示在已知哈希值的前向索引中空边的概率；

词片匹配得分的详细计算公式为：

（3）

式（3）中，表示后验概率得分，/>表示调节因子。

2.根据权利要求1所述的一种基于大数据分析的智慧工厂生产效率优化系统，其特征在于：

所述数据采集模块包括员工数据采集单元、设备数据采集单元和环境数据采集单元，所述员工数据采集单元采用指纹仪获取员工基本操作权限，所述设备数据采集单元通过手持式读卡器获取设备的状态参数，所述环境数据采集单元通过传感器网络获取智慧工厂的内部及周边环境信息数据。

3.根据权利要求1所述的一种基于大数据分析的智慧工厂生产效率优化系统，其特征在于：

所述数据分析模块包括数据转换单元、数据加密单元、数据划分单元、数据分类单元、数据清洗单元和数据排序单元，所述数据转换单元通过数据转换器将存储的设备状态信息和基本环境信息转换为相应数据，所述数据清洗单元采用插值算法填补数据残缺并采用异常检测算法修正异常数据的部分，所述数据分类单元采用混合聚类算法将清洗完成的数据按照数据的正常和异常进行分类，所述数据排序单元将分类完成的数据按照时间排成次序，所述数据划分单元用于将排序后的数据按照批次划分为多个相同的数据块，所述数据加密单元通过混合加密算法将数据块进行加密，所述数据转换单元的输出端连接数据清洗单元的输入端，所述数据清洗单元的输出端连接数据分类单元的输入端，所述数据分类单元的输出端连接数据排序单元的输入端，所述数据排序单元的输出端连接数据划分单元的输入端，所述数据划分单元的输出端连接数据加密单元的输入端。

4.根据权利要求1所述的一种基于大数据分析的智慧工厂生产效率优化系统，其特征在于：

所述信息管理模块包括人员管理单元、门禁管理单元、仓储管理单元、智能巡检单元和信息筛选单元，所述人员管理单元通过数据库实现对员工的多属性信息的综合管理，所述多属性信息包括部门、姓名、工号、职位、操作权限、工作时间、休息时间和银行卡号，所述门禁管理单元通过射频式读卡器管理员工出入厂区，所述仓储管理单元通过RFID电子标签管理原材料、生产设备、半成品和最终产品的实时库存信息，所述智能巡检单元通过路径优化算法为巡检员工制定巡检时间和路线，所述信息筛选单元通过数据挖掘算法查询管理者需要的物品信息。

5.根据权利要求1所述的一种基于大数据分析的智慧工厂生产效率优化系统，其特征在于：

所述分布式产线网络切片算法的工作方法为：首先根据生产场地情况将产线的各个部分分别建模以确定生产流程、流程节点和所需资源，然后拓扑分析产线网络并找出各个流程节点之间的关系，接着选出网络关键节点并在这些节点处根据连接关系将产线网络切分成网络切片，接着为每个网络切片规划一个合理的区域布局，同时安排相应的生产设备分配和人员配置，接着根据每个网络切片的生产流程制定流程调度计划，再接着对每个网络切片进行资源调度、任务分配、故障管理和可扩展性规划，最后监控每个网络切片的生产状况以及网络切片之间的生产效率、生产质量和生产成本。

6.根据权利要求1所述的一种基于大数据分析的智慧工厂生产效率优化系统，其特征在于：

所述共享边缘算法的工作方法为：首先将新区块广播到整个网络，然后矿工通过POW机制挖掘到一个符合条件的区块，接着合规且有效的区块通过边缘智能决策树和规则引擎的筛选将被添加到区块链中，同时奖励分配给矿工，舍弃违规且无效的区块，并循环持续到区块链中添加新区块。

7.根据权利要求1所述的一种基于大数据分析的智慧工厂生产效率优化系统，其特征在于：

所述商业择优模型的工作方法为：首先评估智慧工厂产品及业务的市场增长率和相对市场份额，然后将产品及业务分为四个象限：问题产品、明星产品、金牛产品和瘦狗产品，接着为每个象限制定对应的策略方案，接着分析智慧工厂价值链中每个环节的成本、利润和竞争优势，最后确定智慧工厂的最佳商业策划方案。