CN116843148B - 利用数据分析技术的数字化生产管理系统及方法 - Google Patents
利用数据分析技术的数字化生产管理系统及方法 Download PDFInfo
- Publication number
- CN116843148B CN116843148B CN202310842269.3A CN202310842269A CN116843148B CN 116843148 B CN116843148 B CN 116843148B CN 202310842269 A CN202310842269 A CN 202310842269A CN 116843148 B CN116843148 B CN 116843148B
- Authority
- CN
- China
- Prior art keywords
- household appliance
- production
- association
- parts
- list
- 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 160
- 238000007405 data analysis Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000007726 management method Methods 0.000 title claims abstract description 23
- 238000005516 engineering process Methods 0.000 title claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 44
- 238000012098 association analyses Methods 0.000 claims abstract description 14
- 238000010219 correlation analysis Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 18
- 238000005520 cutting process Methods 0.000 claims description 17
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 239000002994 raw material Substances 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 8
- 238000003754 machining Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000009420 retrofitting Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 229910052755 nonmetal Inorganic materials 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
-
- 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)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了利用数据分析技术的数字化生产管理系统及方法,属于家电模具生产管理技术领域。本发明包括:家电模具数据分析模块、关联分析模块、预测处理模块、清单调节模块以及数字化生产模块;所述家电模具数据分析模块的输出端与所述关联分析模块的输入端相连接;所述关联分析模块的输出端与所述预测处理模块的输入端相连接;所述预测处理模块的输出端与所述清单调节模块的输入端相连接;所述清单调节模块的输出端与所述数字化生产模块的输入端相连接。本发明能够实现家电模具的数字化生产,满足家电模具生产检测标准的同时,实现生产顺序划分,节约原材料,降低生产时间,提高数字化生产效率。
Description
技术领域
本发明涉及家电模具生产管理技术领域,具体为利用数据分析技术的数字化生产管理系统及方法。
背景技术
模具是制造业的重要基础工艺装备,主要用于高效大批量生产工业产品中的有关零部件和制件,是装备制造业的重要组成部分。其产业关联度高,技术、资金密集,是制造业各有关行业产业升级和技术进步的重要保障之一。
模具是对原材料进行加工生产,赋予原材料以完整构型和精确尺寸的加工工具,主要用于高效、大批量生产工业产品中的有关零部件,强迫金属或非金属成型的工具,是工业生产中必不可少的关键工艺装备。家电模具是模具材料中的一种,家电模具的开发最重要的是对前期塑料部件结构合理性、成型技术、模具制作和每个部件组装的可行性评估。不管哪个环节出现差错,之后所有的工作都将白费。现有的技术下,一般采用MoldFlow分析软件提供全面的模具制造可行性分析报告,包括浇口位置、类型、数量以及分型线分析、关键尺寸确认等。利用分析软件可以实现对模具的全方位分析,给出合格不合格的产品分析,但是其缺乏数字化与智能化的管理,不涵盖模具的组装与再利用,往往判定为不合格的模具产品在实际使用下不存在问题,例如某一模具产品表面具备沾染的颜色或划痕,但在组装过程中,颜色或划痕所处地带与另一模具部件相接触,不影响实际使用等情况;例如某一模具产品出现缺陷时,其可以改装成另一模具产品,以降低生产成本和时间等。
而目前的模具生产检测技术只能勘验合格与不合格产品之分,缺乏智能化的管理与转化。
发明内容
本发明的目的在于提供利用数据分析技术的数字化生产管理系统及方法,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:利用数据分析技术的数字化生产管理方法,该方法包括以下步骤:
S1、获取当前待生产家电模具的零部件列表和组装关系,标记每个零部件的生产特征,所述生产特征包括切削次数、组装接触零件数量、规整程度占比;
S2、构建零部件之间的关联关系,所述关联关系包括母关联与子关联,若某一个零件能够完全嵌入另一个零件中,则称某一个零件为另一个零件的子关联零件,另几个零件记为某一个零件的母关联零件;
S3、获取历史家电模具加工数据,对零部件的生产特征与故障程度建立预测关联模型,预测生成当前待生产家电模具的零部件在不同生产特征下的故障程度;
S4、基于生成的故障程度构建生产清单顺序,获取每个零部件的组装接触面积占比与子关联零件数量,数字化调节生产清单顺序,生成全新生产清单输出至管理员端口。
根据上述技术方案,所述规整程度占比包括:
在三维展示软件中,绘制出家电模具零部件的三维展示图,构建基础规整图形体,所述基础规整图形体包括长方体、圆柱体、球体、圆锥体;
生成任一个基础规整图形体,其满足当前家电模具零部件完全嵌入、当前家电模具零部件表面与任一个基础规整图形体的接触点最多、任一个基础规整图形体体积最小;
所述生成的任一个基础规整图形体称为当前家电模具零部件的基础模型,计算当前家电模具零部件的体积与基础模型的体积比作为规整程度占比。
切削次数一般指数控机床的轨迹循环,其是数控机床加工过程中的主要技术手段,每一次切削包括切削用量,其中包括切削速度、背吃刀量及进给速度等。粗加工时,一般以提高生产率为主,但也应考虑经济性和加工成本;半精加工和精加工时,应在保证加工质量的前提下,兼顾切削效率、经济性和加工成本。具体数值应根据机床说明书、切削用量手册,并结合经验而定。切削次数越多,出现故障影响程度的值越大;组装接触零件数量指当前零部件与其他零部件的组装能力,与其他零部件的组装能力越强,代表其存在于外部的可能性越低,代表即便其故障程度偏高时依然可以使用;所述规整程度占比反应了切削的难易程度和原材料的使用成本,规整程度占比越大,切削的难度越低,出现的故障程度也越低;
根据上述技术方案,所述预测关联模型包括:
构建初始训练集,所述初始训练集包括历史家电模具加工数据中的每一组家电模具的生产特征以及家电模具的故障程度,所述故障程度以单位1作为计量单位,每出现一处故障,程度计量加1;
对初始训练集进行数据分析:
构建一个弱学习器,其能够满足家电模具生成特征与故障程度之间的拟合,记其为F0;构建针对于F0的损失函数,对F0进行调整,选取出损失函数最小时的对应弱学习器作为初始训练集的初始化弱学习器;
对初始化的弱学习器进行迭代训练,对初始训练集中每一个数据样本i,分别计算其负梯度rti:
其中,xi为数据样本i的取值,L(yi,F(xi))为xi对应的损失函数;
其中,F(xi)采用上一轮学习器下的模型;t表示当前的迭代次数;指微分;
根据回归树原则,记在第t次迭代下生成的负梯度拟合形成称为第t棵回归树,第t棵回归树的叶子节点区域记为Rtj,利用叶子节点区域和基础常数形成当前迭代条件下的最佳拟合值ctj:
将每一棵回归树的叶子区域记为J,根据每一次迭代下的叶子节点区域遍历叶子区域形成新的学习器:
其中,Ft(x)代表第t轮迭代得出的强学习器;Ft-1(x)代表上一轮的学习器;I代表与最佳拟合值ctj组合,表示本轮的决策树拟合函数;
设置迭代终止次数,在t满足迭代终止次数时,形成的最终学习器作为当前的预测关联模型,获取当前待生产家电模具的每个零部件的生产特征,分别代入当前的预测关联模型,预测生成当前待生产家电模具的零部件在不同生产特征下的故障程度。
根据上述技术方案,所述数字化调节生产清单顺序包括:
基于预测生成的当前待生产家电模具的零部件在不同生产特征下的故障程度,按照从大到小排序生成生产清单顺序;
获取每个零部件的组装接触面积占比与子关联零件数量;
所述组装接触面积占比K计算包括:
其中,K0指零部件表面与其他零部件表面接触重合的面积之和;K1指零部件的表面积;
构建数字化生产积分P:
P=k1(a1K+a2G)+k2V0
其中,k1、k2代表数字化生产积分P的影响系数;a1、a2代表每个零部件的组装接触面积占比与子关联零件数量的权重分配;G代表当前家电模具零部件的子关联零件数量;V0代表当前家电模具零部件的故障程度;
子零件关联数量代表着母零件的改装能力,其包含的子零件关联熟练越多,能改装的能力越强,因此靠前生产,在故障程度不能调整时,可以进行改造,以节省原材料。
按照数字化生产积分调节生产清单顺序,生成全新生产清单输出至管理员端口。
利用数据分析技术的数字化生产管理系统,该系统包括:家电模具数据分析模块、关联分析模块、预测处理模块、清单调节模块以及数字化生产模块;
所述家电模具数据分析模块用于获取当前待生产家电模具的零部件列表和组装关系,标记每个零部件的生产特征,所述生产特征包括切削次数、组装接触零件数量、规整程度占比;所述关联分析模块用于构建零部件之间的关联关系,所述关联关系包括母关联与子关联,若某一个零件能够完全嵌入另一个零件中,则称某一个零件为另一个零件的子关联零件,另几个零件记为某一个零件的母关联零件;所述预测处理模块用于获取历史家电模具加工数据,对零部件的生产特征与故障程度建立预测关联模型,预测生成当前待生产家电模具的零部件在不同生产特征下的故障程度;所述清单调节模块基于生成的故障程度构建生产清单顺序,获取每个零部件的组装接触面积占比与子关联零件数量,数字化调节生产清单顺序;所述数字化生产模块用于连接管理员端口,生成全新生产清单输出至管理员端口,进行家电模具的数字化生产;
所述家电模具数据分析模块的输出端与所述关联分析模块的输入端相连接;所述关联分析模块的输出端与所述预测处理模块的输入端相连接;所述预测处理模块的输出端与所述清单调节模块的输入端相连接;所述清单调节模块的输出端与所述数字化生产模块的输入端相连接。
根据上述技术方案,所述家电模具数据分析模块包括待生产数据处理单元与标记单元;
所述待生产数据处理单元用于获取当前待生产家电模具的零部件列表和组装关系;所述标记单元基于当前待生产家电模具的零部件列表和组装关系标记每个零部件的生产特征;
所述规整程度占比包括:
在三维展示软件中,绘制出家电模具零部件的三维展示图,构建基础规整图形体,所述基础规整图形体包括长方体、圆柱体、球体、圆锥体;
生成任一个基础规整图形体,其满足当前家电模具零部件完全嵌入、当前家电模具零部件表面与任一个基础规整图形体的接触点最多、任一个基础规整图形体体积最小;
所述生成的任一个基础规整图形体称为当前家电模具零部件的基础模型,计算当前家电模具零部件的体积与基础模型的体积比作为规整程度占比;
所述待生产数据处理单元的输出端与所述标记单元的输入端相连接。
根据上述技术方案,所述关联分析模块包括初始关联单元和关联分类单元;
所述初始关联单元利用软件绘制零部件的空间形态;所述关联分类单元用于构建零部件之间的关联关系,所述关联关系包括母关联与子关联,若某一个零件能够完全嵌入另一个零件中,则称某一个零件为另一个零件的子关联零件,另几个零件记为某一个零件的母关联零件;
所述初始关联单元的输出端与所述关联分类单元的输入端相连接。
根据上述技术方案,所述预测处理模块包括历史数据调用单元和预测关联单元;
所述历史数据调用单元用于获取历史家电模具加工数据;所述预测关联单元基于历史家电模具加工数据对零部件的生产特征与故障程度建立预测关联模型,预测生成当前待生产家电模具的零部件在不同生产特征下的故障程度;
所述历史数据调用单元的输出端与所述预测关联单元的输入端相连接。
根据上述技术方案,所述清单调节模块包括清单初步生成单元与清单调节单元;
所述清单初步生成单元基于生成的故障程度构建生产清单顺序;所述清单调节单元用于获取每个零部件的组装接触面积占比与子关联零件数量,数字化调节生产清单顺序;
所述清单初步生成单元的输出端与所述清单调节单元的输入端相连接。
根据上述技术方案,所述数字化生产模块包括数据连接单元与传输单元;
所述数据连接单元用于构件连接线路,连接管理员端口;所述传输单元用于将生成的全新生产清单输出至管理员端口,进行家电模具的数字化生产;
所述数据连接单元的输入端与所述传输单元的输出端相连接。
与现有技术相比,本发明所达到的有益效果是:本发明能够解决当前分析软件的漏洞,可以实现对模具的全方位分析,在合格不合格的产品分析基础上,给出数字化与智能化的管理,对于瑕疵模具的组装与再利用构建出全新的分析方法,提高生产力,实现家电模具的数字化生产,满足家电模具生产检测标准的同时,实现生产顺序划分,节约原材料,降低生产时间,提高数字化生产效率。
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,并不构成对本发明的限制。在附图中:
图1是本发明利用数据分析技术的数字化生产管理系统及方法的流程示意图。
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,在本实施例一中,提供一种利用数据分析技术的数字化生产管理方法,其处于家电模具生产初期,获取当前待生产家电模具的零部件列表和组装关系,标记每个零部件的生产特征,所述生产特征包括切削次数、组装接触零件数量、规整程度占比;
所述规整程度占比包括:
在三维展示软件中,绘制出家电模具零部件的三维展示图,构建基础规整图形体,所述基础规整图形体包括长方体、圆柱体、球体、圆锥体;
生成任一个基础规整图形体,其满足当前家电模具零部件完全嵌入、当前家电模具零部件表面与任一个基础规整图形体的接触点最多、任一个基础规整图形体体积最小;
所述生成的任一个基础规整图形体称为当前家电模具零部件的基础模型,计算当前家电模具零部件的体积与基础模型的体积比作为规整程度占比。
构建零部件之间的关联关系,所述关联关系包括母关联与子关联,若某一个零件能够完全嵌入另一个零件中,则称某一个零件为另一个零件的子关联零件,另几个零件记为某一个零件的母关联零件;
获取历史家电模具加工数据,对零部件的生产特征与故障程度建立预测关联模型,预测生成当前待生产家电模具的零部件在不同生产特征下的故障程度;
所述预测关联模型包括:
构建初始训练集,所述初始训练集包括历史家电模具加工数据中的每一组家电模具的生产特征以及家电模具的故障程度,所述故障程度以单位1作为计量单位,每出现一处故障,程度计量加1;
例如任一家电模具,其特征记为:切削次数*10、组装接触零件数量*5、规整程度占比为90%,其故障程度为7,可能包含表面颜色、打磨粗糙、划痕等等;
对初始训练集进行数据分析:
构建一个弱学习器,其能够满足家电模具生成特征与故障程度之间的拟合,记其为F0;构建针对F0的损失函数,对F0进行调整,选取出损失函数最小时的对应弱学习器作为初始训练集的初始化弱学习器;
在本实施例中,以常用的常数C作为斜率当做初始学习器,以均方差函数作为损失函数,则满足F0为损失函数最小值;
对初始化的弱学习器进行迭代训练,对初始训练集中每一个数据样本i,分别计算其负梯度rti:
其中,xi为数据样本i的取值,L(yi,F(xi))为xi对应的损失函数;
其中,F(xi)采用上一轮学习器下的模型;t表示当前的迭代次数;指微分;
在本实施例中,以决策树模型作为学习器,那么初始的弱学习器就是一个只有一个根节点的树。接着基于负梯度,我们开始计算第一轮迭代样本集的残差,拟合新的决策树;
根据回归树原则,记在第t次迭代下生成的负梯度拟合形成称为第t棵回归树,第t棵回归树的叶子节点区域记为Rtj,利用叶子节点区域和基础常数形成当前迭代条件下的最佳拟合值ctj:
将每一棵回归树的叶子区域记为J,根据每一次迭代下的叶子节点区域遍历叶子区域形成新的学习器:
其中,Ft(x)代表第t轮迭代得出的强学习器;Ft-1(x)代表上一轮的学习器;I代表与最佳拟合值ctj组合,表示本轮的决策树拟合函数;
设置迭代终止次数,在t满足迭代终止次数时,形成的最终学习器作为当前的预测关联模型,获取当前待生产家电模具的每个零部件的生产特征,分别代入当前的预测关联模型,预测生成当前待生产家电模具的零部件在不同生产特征下的故障程度。
基于预测生成的当前待生产家电模具的零部件在不同生产特征下的故障程度,按照从大到小排序生成生产清单顺序;
获取每个零部件的组装接触面积占比与子关联零件数量;
所述组装接触面积占比K计算包括:
其中,K0指零部件表面与其他零部件表面接触重合的面积之和;K1指零部件的表面积;
构建数字化生产积分P:
P=k1(a1K+a2G)+k2V0
其中,k1、k2代表数字化生产积分P的影响系数;a1、a2代表每个零部件的组装接触面积占比与子关联零件数量的权重分配;G代表当前家电模具零部件的子关联零件数量;V0代表当前家电模具零部件的故障程度;
按照数字化生产积分调节生产清单顺序,生成全新生产清单输出至管理员端口。
在本实施例二中,提供一种利用数据分析技术的数字化生产管理系统,该系统包括:家电模具数据分析模块、关联分析模块、预测处理模块、清单调节模块以及数字化生产模块;
所述家电模具数据分析模块用于获取当前待生产家电模具的零部件列表和组装关系,标记每个零部件的生产特征,所述生产特征包括切削次数、组装接触零件数量、规整程度占比;所述关联分析模块用于构建零部件之间的关联关系,所述关联关系包括母关联与子关联,若某一个零件能够完全嵌入另一个零件中,则称某一个零件为另一个零件的子关联零件,另几个零件记为某一个零件的母关联零件;所述预测处理模块用于获取历史家电模具加工数据,对零部件的生产特征与故障程度建立预测关联模型,预测生成当前待生产家电模具的零部件在不同生产特征下的故障程度;所述清单调节模块基于生成的故障程度构建生产清单顺序,获取每个零部件的组装接触面积占比与子关联零件数量,数字化调节生产清单顺序;所述数字化生产模块用于连接管理员端口,生成全新生产清单输出至管理员端口,进行家电模具的数字化生产;
所述家电模具数据分析模块的输出端与所述关联分析模块的输入端相连接;所述关联分析模块的输出端与所述预测处理模块的输入端相连接;所述预测处理模块的输出端与所述清单调节模块的输入端相连接;所述清单调节模块的输出端与所述数字化生产模块的输入端相连接。
所述家电模具数据分析模块包括待生产数据处理单元与标记单元;
所述待生产数据处理单元用于获取当前待生产家电模具的零部件列表和组装关系;所述标记单元基于当前待生产家电模具的零部件列表和组装关系标记每个零部件的生产特征;
所述规整程度占比包括:
在三维展示软件中,绘制出家电模具零部件的三维展示图,构建基础规整图形体,所述基础规整图形体包括长方体、圆柱体、球体、圆锥体;
生成任一个基础规整图形体,其满足当前家电模具零部件完全嵌入、当前家电模具零部件表面与任一个基础规整图形体的接触点最多、任一个基础规整图形体体积最小;
所述生成的任一个基础规整图形体称为当前家电模具零部件的基础模型,计算当前家电模具零部件的体积与基础模型的体积比作为规整程度占比;
所述待生产数据处理单元的输出端与所述标记单元的输入端相连接。
所述关联分析模块包括初始关联单元和关联分类单元;
所述初始关联单元利用软件绘制零部件的空间形态;所述关联分类单元用于构建零部件之间的关联关系,所述关联关系包括母关联与子关联,若某一个零件能够完全嵌入另一个零件中,则称某一个零件为另一个零件的子关联零件,另几个零件记为某一个零件的母关联零件;
所述初始关联单元的输出端与所述关联分类单元的输入端相连接。
所述预测处理模块包括历史数据调用单元和预测关联单元;
所述历史数据调用单元用于获取历史家电模具加工数据;所述预测关联单元基于历史家电模具加工数据对零部件的生产特征与故障程度建立预测关联模型,预测生成当前待生产家电模具的零部件在不同生产特征下的故障程度;
所述历史数据调用单元的输出端与所述预测关联单元的输入端相连接。
所述清单调节模块包括清单初步生成单元与清单调节单元;
所述清单初步生成单元基于生成的故障程度构建生产清单顺序;所述清单调节单元用于获取每个零部件的组装接触面积占比与子关联零件数量,数字化调节生产清单顺序;
所述清单初步生成单元的输出端与所述清单调节单元的输入端相连接。
所述数字化生产模块包括数据连接单元与传输单元;
所述数据连接单元用于构件连接线路,连接管理员端口;所述传输单元用于将生成的全新生产清单输出至管理员端口,进行家电模具的数字化生产;
所述数据连接单元的输入端与所述传输单元的输出端相连接。
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 (7)
1.利用数据分析技术的数字化生产管理方法,其特征在于:该方法包括以下步骤:
S1、获取当前待生产家电模具的零部件列表和组装关系,标记每个零部件的生产特征,所述生产特征包括切削次数、组装接触零件数量、规整程度占比;
S2、构建零部件之间的关联关系,所述关联关系包括母关联与子关联,若某一个零件能够完全嵌入另一个零件中,则称某一个零件为另一个零件的子关联零件,另几个零件记为某一个零件的母关联零件;
S3、获取历史家电模具加工数据,对零部件的生产特征与故障程度建立预测关联模型,预测生成当前待生产家电模具的零部件在不同生产特征下的故障程度;
S4、基于生成的故障程度构建生产清单顺序,获取每个零部件的组装接触面积占比与子关联零件数量,数字化调节生产清单顺序,生成全新生产清单输出至管理员端口;
所述规整程度占比包括:
在三维展示软件中,绘制出家电模具零部件的三维展示图,构建基础规整图形体,所述基础规整图形体包括长方体、圆柱体、球体、圆锥体;
生成任一个基础规整图形体,其满足当前家电模具零部件完全嵌入、当前家电模具零部件表面与任一个基础规整图形体的接触点最多、任一个基础规整图形体体积最小;
所述生成的任一个基础规整图形体称为当前家电模具零部件的基础模型,计算当前家电模具零部件的体积与基础模型的体积比作为规整程度占比;
所述预测关联模型包括:
构建初始训练集,所述初始训练集包括历史家电模具加工数据中的每一组家电模具的生产特征以及家电模具的故障程度,所述故障程度以单位1作为计量单位,每出现一处故障,故障程度计量加1;
对初始训练集进行数据分析:
构建一个弱学习器,其能够满足家电模具生成特征与故障程度之间的拟合,记其为F0;构建针对于F0的损失函数,对F0进行调整,选取出损失函数最小时对应的弱学习器作为初始训练集的初始化弱学习器;
对初始化弱学习器进行迭代训练,对初始训练集中每一个数据样本i,分别计算其负梯度rti:
其中,xi为数据样本i的取值,L(yi,F(xi))为xi对应的损失函数;
其中,F(xi)采用上一轮学习器下的模型;t表示当前的迭代次数;指微分;
根据回归树原则,记在第t次迭代下生成的负梯度拟合形成称为第t棵回归树,第t棵回归树的叶子节点区域记为Rtj,利用叶子节点区域和基础常数形成当前迭代条件下的最佳拟合值ctj:
将每一棵回归树的叶子区域记为J,根据每一次迭代下的叶子节点区域遍历叶子区域形成新的学习器:
其中,Ft(x)代表第t轮迭代得出的强学习器;Ft-1(x)代表上一轮的学习器;I代表与最佳拟合值ctj组合,表示本轮的决策树拟合函数;
设置迭代终止次数,在t满足迭代终止次数时,形成的最终学习器作为当前的预测关联模型,获取当前待生产家电模具的每个零部件的生产特征,分别代入当前的预测关联模型,预测生成当前待生产家电模具的零部件在不同生产特征下的故障程度;
所述数字化调节生产清单顺序包括:
基于预测生成的当前待生产家电模具的零部件在不同生产特征下的故障程度,按照从大到小排序生成生产清单顺序;
获取每个零部件的组装接触面积占比与子关联零件数量;
所述组装接触面积占比K计算包括:
其中,K0指零部件表面与其他零部件表面接触重合的面积之和;K1指零部件的表面积;
构建数字化生产积分P:
P=k1(a1K+a2G)+k2V0
其中,k1、k2代表数字化生产积分P的影响系数;a1、a2代表每个零部件的组装接触面积占比与子关联零件数量的权重分配;G代表当前家电模具零部件的子关联零件数量;V0代表当前家电模具零部件的故障程度;
按照数字化生产积分调节生产清单顺序,生成全新生产清单输出至管理员端口。
2.应用如权利要求1所述的利用数据分析技术的数字化生产管理方法的利用数据分析技术的数字化生产管理系统,其特征在于:该系统包括:家电模具数据分析模块、关联分析模块、预测处理模块、清单调节模块以及数字化生产模块;
所述家电模具数据分析模块用于获取当前待生产家电模具的零部件列表和组装关系,标记每个零部件的生产特征,所述生产特征包括切削次数、组装接触零件数量、规整程度占比;所述关联分析模块用于构建零部件之间的关联关系,所述关联关系包括母关联与子关联,若某一个零件能够完全嵌入另一个零件中,则称某一个零件为另一个零件的子关联零件,另几个零件记为某一个零件的母关联零件;所述预测处理模块用于获取历史家电模具加工数据,对零部件的生产特征与故障程度建立预测关联模型,预测生成当前待生产家电模具的零部件在不同生产特征下的故障程度;所述清单调节模块基于生成的故障程度构建生产清单顺序,获取每个零部件的组装接触面积占比与子关联零件数量,数字化调节生产清单顺序;所述数字化生产模块用于连接管理员端口,生成全新生产清单输出至管理员端口,进行家电模具的数字化生产;
所述家电模具数据分析模块的输出端与所述关联分析模块的输入端相连接;所述关联分析模块的输出端与所述预测处理模块的输入端相连接;所述预测处理模块的输出端与所述清单调节模块的输入端相连接;所述清单调节模块的输出端与所述数字化生产模块的输入端相连接。
3.根据权利要求2所述的利用数据分析技术的数字化生产管理系统,其特征在于:所述家电模具数据分析模块包括待生产数据处理单元与标记单元;
所述待生产数据处理单元用于获取当前待生产家电模具的零部件列表和组装关系;所述标记单元基于当前待生产家电模具的零部件列表和组装关系标记每个零部件的生产特征;
所述规整程度占比包括:
在三维展示软件中,绘制出家电模具零部件的三维展示图,构建基础规整图形体,所述基础规整图形体包括长方体、圆柱体、球体、圆锥体;
生成任一个基础规整图形体,其满足当前家电模具零部件完全嵌入、当前家电模具零部件表面与任一个基础规整图形体的接触点最多、任一个基础规整图形体体积最小;
所述生成的任一个基础规整图形体称为当前家电模具零部件的基础模型,计算当前家电模具零部件的体积与基础模型的体积比作为规整程度占比;
所述待生产数据处理单元的输出端与所述标记单元的输入端相连接。
4.根据权利要求2所述的利用数据分析技术的数字化生产管理系统,其特征在于:所述关联分析模块包括初始关联单元和关联分类单元;
所述初始关联单元利用软件绘制零部件的空间形态;所述关联分类单元用于构建零部件之间的关联关系,所述关联关系包括母关联与子关联,若某一个零件能够完全嵌入另一个零件中,则称某一个零件为另一个零件的子关联零件,另几个零件记为某一个零件的母关联零件;
所述初始关联单元的输出端与所述关联分类单元的输入端相连接。
5.根据权利要求2所述的利用数据分析技术的数字化生产管理系统,其特征在于:所述预测处理模块包括历史数据调用单元和预测关联单元;
所述历史数据调用单元用于获取历史家电模具加工数据;所述预测关联单元基于历史家电模具加工数据对零部件的生产特征与故障程度建立预测关联模型,预测生成当前待生产家电模具的零部件在不同生产特征下的故障程度;
所述历史数据调用单元的输出端与所述预测关联单元的输入端相连接。
6.根据权利要求2所述的利用数据分析技术的数字化生产管理系统,其特征在于:所述清单调节模块包括清单初步生成单元与清单调节单元;
所述清单初步生成单元基于生成的故障程度构建生产清单顺序;所述清单调节单元用于获取每个零部件的组装接触面积占比与子关联零件数量,数字化调节生产清单顺序;
所述清单初步生成单元的输出端与所述清单调节单元的输入端相连接。
7.根据权利要求2所述的利用数据分析技术的数字化生产管理系统,其特征在于:所述数字化生产模块包括数据连接单元与传输单元;
所述数据连接单元用于构件连接线路,连接管理员端口;所述传输单元用于将生成的全新生产清单输出至管理员端口,进行家电模具的数字化生产;
所述数据连接单元的输入端与所述传输单元的输出端相连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310842269.3A CN116843148B (zh) | 2023-07-11 | 2023-07-11 | 利用数据分析技术的数字化生产管理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310842269.3A CN116843148B (zh) | 2023-07-11 | 2023-07-11 | 利用数据分析技术的数字化生产管理系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116843148A CN116843148A (zh) | 2023-10-03 |
CN116843148B true CN116843148B (zh) | 2024-04-05 |
Family
ID=88163152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310842269.3A Active CN116843148B (zh) | 2023-07-11 | 2023-07-11 | 利用数据分析技术的数字化生产管理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116843148B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003167618A (ja) * | 2001-12-04 | 2003-06-13 | Ricoh Co Ltd | 生産管理システム、生産管理方法及び該方法を実行するためのプログラムを格納したコンピュータ読み取り可能な記憶媒体 |
KR20060133689A (ko) * | 2005-06-21 | 2006-12-27 | (주)비투젠 | 사출부품에 대한 금형 사전검토 또는 불량 발생에 대한신속한 대책 수립을 위한 웹 기반 엔지니어링 협업 방법 |
JP2019185322A (ja) * | 2018-04-06 | 2019-10-24 | 富士通株式会社 | 再利用支援プログラム、装置、及び方法 |
CN110705017A (zh) * | 2019-08-27 | 2020-01-17 | 四川科华天府科技有限公司 | 一种基于ar的模型拆组模拟系统及模拟方法 |
CN111177475A (zh) * | 2018-11-09 | 2020-05-19 | 霍尼韦尔国际公司 | 用于生成回收的航空航天装备零件的不可变记录和电子列表的系统和方法 |
CN112236798A (zh) * | 2018-06-05 | 2021-01-15 | 大众汽车股份公司 | 用于在生产产品的情形中的质量保证的方法以及计算设备和计算机程序 |
CN115983718A (zh) * | 2023-02-22 | 2023-04-18 | 青岛鼎诺信科工贸有限公司 | 汽车空气悬架生产质检管控方法及系统 |
-
2023
- 2023-07-11 CN CN202310842269.3A patent/CN116843148B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003167618A (ja) * | 2001-12-04 | 2003-06-13 | Ricoh Co Ltd | 生産管理システム、生産管理方法及び該方法を実行するためのプログラムを格納したコンピュータ読み取り可能な記憶媒体 |
KR20060133689A (ko) * | 2005-06-21 | 2006-12-27 | (주)비투젠 | 사출부품에 대한 금형 사전검토 또는 불량 발생에 대한신속한 대책 수립을 위한 웹 기반 엔지니어링 협업 방법 |
JP2019185322A (ja) * | 2018-04-06 | 2019-10-24 | 富士通株式会社 | 再利用支援プログラム、装置、及び方法 |
CN112236798A (zh) * | 2018-06-05 | 2021-01-15 | 大众汽车股份公司 | 用于在生产产品的情形中的质量保证的方法以及计算设备和计算机程序 |
CN111177475A (zh) * | 2018-11-09 | 2020-05-19 | 霍尼韦尔国际公司 | 用于生成回收的航空航天装备零件的不可变记录和电子列表的系统和方法 |
CN110705017A (zh) * | 2019-08-27 | 2020-01-17 | 四川科华天府科技有限公司 | 一种基于ar的模型拆组模拟系统及模拟方法 |
CN115983718A (zh) * | 2023-02-22 | 2023-04-18 | 青岛鼎诺信科工贸有限公司 | 汽车空气悬架生产质检管控方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116843148A (zh) | 2023-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111563347B (zh) | 一种纤维增强复合材料的注塑工艺参数优化方法 | |
Mohamed et al. | Optimization of fused deposition modeling process parameters: a review of current research and future prospects | |
Srivastava et al. | Multi-response optimization of fused deposition modelling process parameters of ABS using response surface methodology (RSM)-based desirability analysis | |
Mok et al. | An interactive knowledge-based CAD system for mould design in injection moulding processes | |
CN108182318B (zh) | 一种基于ug nx系统的塑件几何可模塑性分析的方法 | |
Equbal et al. | Optimization of process parameters of FDM part for minimiizing its dimensional inaccuracy | |
CN110377948A (zh) | 一种注塑参数多目标优化方法 | |
Mok et al. | Application of artificial neural network and fuzzy logic in a case-based system for initial process parameter setting of injection molding | |
CN109783898A (zh) | 一种注塑成型生产工艺参数的智能优化方法 | |
CN109934424B (zh) | 一种刀具寿命预测方法及智能刀具管理系统 | |
CN115049127A (zh) | 基于bohb算法及神经网络的3d打印质量预测方法 | |
Hejazi et al. | Quality chain design and optimization by multiple response surface methodology | |
CN116843148B (zh) | 利用数据分析技术的数字化生产管理系统及方法 | |
CN116167251B (zh) | 基于加工设备的自聚类工时定额建模方法 | |
Sateesh et al. | Optimization of injection moulding process in manufacturing the top cap of water meter | |
Florjanič et al. | Estimation of Time for Manufacturing of Injection Moulds Using Artifi cial Neural Networks-based Model | |
US20220358267A1 (en) | Adapting a production process for components of a component group | |
Lau et al. | Design and implementation of a process optimizer: a case study on monitoring molding operations | |
Florjanič et al. | Neural Network-Based Model for Supporting the Expert Driven Project Estimation Process in Mold Manufacturing. | |
Akarte et al. | RP/RT Route Selection for Casting Pattern Development | |
Gerth et al. | Output variation reduction of production systems involving a large number of subprocesses | |
Giachetti et al. | Manufacturing evaluation of designs: a knowledge-based approach | |
Pouzada | Development of plastic products | |
Zhai et al. | A research method to improve the quality of box-type thin-walled parts by combining parameter optimization and i nverse-deformation design | |
Sortino et al. | Preventive evaluation of mould production cost in aluminium casting |
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 |