CN116934041B - 一种基于物联网协同的工厂任务管理方法及系统 - Google Patents
一种基于物联网协同的工厂任务管理方法及系统 Download PDFInfo
- Publication number
- CN116934041B CN116934041B CN202310940437.2A CN202310940437A CN116934041B CN 116934041 B CN116934041 B CN 116934041B CN 202310940437 A CN202310940437 A CN 202310940437A CN 116934041 B CN116934041 B CN 116934041B
- Authority
- CN
- China
- Prior art keywords
- processing
- factory
- parameters
- paper product
- task
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 429
- 238000000034 method Methods 0.000 claims abstract description 41
- 230000008569 process Effects 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims description 69
- 238000003754 machining Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 26
- 238000004891 communication Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 230000036541 health Effects 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 22
- 230000000694 effects Effects 0.000 abstract description 12
- 238000005516 engineering process Methods 0.000 abstract description 12
- 238000010586 diagram Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/101—Collaborative creation, e.g. joint development of products or services
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种基于物联网协同的工厂任务管理方法及系统,该方法包括:获取由设置在多个工厂的物联网设备获取的纸产品加工参数;根据每一工厂对应的所述纸产品加工参数,确定每一工厂的加工表现参数;获取当前需要处理的纸产品的加工任务需求;根据所述加工任务需求,和每一工厂的加工表现参数,来确定所述多个工厂对应的加工任务策略;所述加工任务策略用于安排所述多个工厂对所述加工任务需求进行完成。可见,本发明能够有效利用物联网技术的优势来精确监督工厂的加工表现,并进一步提高对工厂任务管理和生产控制的效率和效果,实现智能化生产。
Description
技术领域
本发明涉及智能制造技术领域,尤其涉及一种基于物联网协同的工厂任务管理方法及系统。
背景技术
随着人们生活水平的提高和造纸工艺的发展,用纸需求和纸产品相关的生产需求也在飞速增长,如何有效提高纸产品加工工厂的加工效率成为了重要的议题。现有技术虽然开始考虑将智能化技术引入纸产品的加工监管中,但大部分只是简单地利用既有数据处理规则来实现一些简单的控制监管,没有有效地利用工厂中的物联网设备网络的通信优势以对工厂的加工效率进行监控。可见,现有技术存在缺陷,亟需解决。
发明内容
本发明所要解决的技术问题在于,提供一种基于物联网协同的工厂任务管理方法及系统,能够有效利用物联网技术的优势来精确监督工厂的加工表现,并进一步提高对工厂任务管理和生产控制的效率和效果,实现智能化生产。
为了解决上述技术问题,本发明第一方面公开了一种基于物联网协同的工厂任务管理方法,所述方法包括:
获取由设置在多个工厂的物联网设备获取的纸产品加工参数;
根据每一工厂对应的所述纸产品加工参数,确定每一工厂的加工表现参数;
获取当前需要处理的纸产品的加工任务需求;
根据所述加工任务需求,和每一工厂的加工表现参数,来确定所述多个工厂对应的加工任务策略;所述加工任务策略用于安排所述多个工厂对所述加工任务需求进行完成。
作为一种可选的实施方式,在本发明第一方面中,所述物联网设备包括物联网速度感应器、物联网红外线感应器、物联网图像传感器、物联网重量感应器、物联网体积传感器中的至少一种;和/或,所述纸产品加工参数包括加工速度、加工产线量、加工图像、加工产物重量、加工产物体积中的至少一种。
作为一种可选的实施方式,在本发明第一方面中,所述根据每一工厂对应的所述纸产品加工参数,确定每一工厂的加工表现参数,包括:
对于每一工厂,获取该工厂中所有物联网设备获取的所述纸产品加工参数,以及每一物联网设备的设备参数;
对于每一所述纸产品加工参数,根据对应的所述物联网设备的设备参数,确定该纸产品加工参数对应的预测模型;
将每一所述纸产品加工参数输入至对应的所述预测模型中,以得到每一所述纸产品加工参数对应的加工进度;
根据所述加工进度,和所述纸产品加工参数对应的参数获取时间,确定该工厂的加工表现参数。
作为一种可选的实施方式,在本发明第一方面中,所述设备参数包括设备电量、设备电池健康度、设备通信质量、设备通信效率、设备工作状态、设备类型、设备型号中的至少两种;所述对于每一所述纸产品加工参数,根据对应的所述物联网设备的设备参数,确定该纸产品加工参数对应的预测模型,包括:
对于多个预先训练好的候选预测模型,获取每一所述候选预测模型的训练数据对应的训练设备参数;
对于每一所述纸产品加工参数,计算该纸产品加工参数对应的所述物联网设备的设备参数和每一所述候选预测模型的所述训练设备参数之间的参数相似度;
根据所述参数相似度对所有所述候选预测模型进行排序,以得到模型序列;
将所述模型序列的前预设数量个候选预测模型确定为该纸产品加工参数对应的预测模型。
作为一种可选的实施方式,在本发明第一方面中,所述预测模型包括多个预测模型;所述预测模型通过包括多个预测加工参数和对应的加工进度标注的训练数据集训练得到;
以及,所述将每一所述纸产品加工参数输入至对应的所述预测模型中,以得到每一所述纸产品加工参数对应的加工进度,包括:
对于每一所述纸产品加工参数,将该纸产品加工参数输入至对应的所述多个预测模型中,以得到每一所述预测模型输出的预测加工进度;
确定每一所述预测模型对应的相似度权重和准确率权重;所述相似度权重与所述参数相似度成正比;所述准确率权重与所述预测模型的训练阶段训练准确率成正比;
计算该纸产品加工参数对应的所有所述预测模型的所述预测加工进度与所述相似度权重和准确率权重的乘积的平均值,得到该纸产品加工参数对应的加工进度。
作为一种可选的实施方式,在本发明第一方面中,所述根据所述加工进度,和所述纸产品加工参数对应的参数获取时间,确定该工厂的加工表现参数,包括:
获取该工厂对应的每一所述纸产品加工参数对应的参数获取时间;
根据预设的参数-进度规则和任务安排计划,确定每一所述纸产品加工参数的参数获取时间所对应的预计加工进度;
将每一所述纸产品加工参数的设备参数输入至设备表现预测模型中,以得到每一所述纸产品加工参数对应的设备表现参数;所述设备表现预测模型通过包括有多个训练设备参数和对应的设备性能表现标注的训练数据集训练得到;
计算每一所述纸产品加工参数的预计加工进度和所述加工进度之间的进度差距参数;
计算该工厂对应的所有所述纸产品加工参数对应的所述进度差距参数的加权求和平均值,得到该工厂的加工表现参数;其中,每一所述进度差距参数的权重和所述纸产品加工参数的所述设备表现参数成正比。
作为一种可选的实施方式,在本发明第一方面中,所述加工任务需求包括加工任务类型、加工任务数量和加工任务时间需求;所述根据所述加工任务需求,和每一工厂的加工表现参数,来确定所述多个工厂对应的加工任务策略,包括:
根据所述加工任务类型、加工任务数量和加工任务时间需求,确定动态规划算法的目标函数和限制条件;
根据所述目标函数和限制条件,将每一所述工厂的加工表现参数作为输入状态,基于动态规划算法演算出所述多个工厂对应的加工任务策略。
作为一种可选的实施方式,在本发明第一方面中,所述目标函数包括每一工厂被分配的任务数量达到最小,所有加工任务被完成的总时间与所述加工任务时间需求之间的时间差达到最小;所述限制条件包括所述加工表现参数越高的工厂被分配的任务越多,每一工厂被分配的任务的加工任务类型与该工厂的加工类型相匹配;
以及,所述根据所述目标函数和限制条件,将每一所述工厂的加工表现参数作为输入状态,基于动态规划算法演算出所述多个工厂对应的加工任务策略,包括:
基于动态规划算法,不断迭代生成所述多个工厂对应的加工任务策略方案;
对每一次生成的加工任务策略方案根据所述限制条件进行验证,验证通过后,将所述加工任务策略方案中每一工厂对应的任务分配信息输入至该工厂对应的神经网络算法中,以得到该工厂的任务分配信息对应的预计完成时间,将所有工厂的预计完成时间进行合计得到所述所有加工任务被完成的总时间;所述神经网络算法通过包括对应工厂的多个训练任务分配方案和对应的完成时间标注的训练数据集训练得到;
根据所述目标函数,重复迭代以上步骤直至演算出最优的加工任务策略方案,得到所述多个工厂对应的加工任务策略。
本发明第二方面公开了一种基于物联网协同的工厂任务管理系统,所述系统包括:
第一获取模块,用于获取由设置在多个工厂的物联网设备获取的纸产品加工参数;
第一确定模块,用于根据每一工厂对应的所述纸产品加工参数,确定每一工厂的加工表现参数;
第二获取模块,用于获取当前需要处理的纸产品的加工任务需求;
第二确定模块,用于根据所述加工任务需求,和每一工厂的加工表现参数,来确定所述多个工厂对应的加工任务策略;所述加工任务策略用于安排所述多个工厂对所述加工任务需求进行完成。
作为一种可选的实施方式,在本发明第二方面中,所述物联网设备包括物联网速度感应器、物联网红外线感应器、物联网图像传感器、物联网重量感应器、物联网体积传感器中的至少一种;和/或,所述纸产品加工参数包括加工速度、加工产线量、加工图像、加工产物重量、加工产物体积中的至少一种。
作为一种可选的实施方式,在本发明第二方面中,所述第一确定模块根据每一工厂对应的所述纸产品加工参数,确定每一工厂的加工表现参数的具体方式,包括:
对于每一工厂,获取该工厂中所有物联网设备获取的所述纸产品加工参数,以及每一物联网设备的设备参数;
对于每一所述纸产品加工参数,根据对应的所述物联网设备的设备参数,确定该纸产品加工参数对应的预测模型;
将每一所述纸产品加工参数输入至对应的所述预测模型中,以得到每一所述纸产品加工参数对应的加工进度;
根据所述加工进度,和所述纸产品加工参数对应的参数获取时间,确定该工厂的加工表现参数。
作为一种可选的实施方式,在本发明第二方面中,所述设备参数包括设备电量、设备电池健康度、设备通信质量、设备通信效率、设备工作状态、设备类型、设备型号中的至少两种;所述第一确定模块对于每一所述纸产品加工参数,根据对应的所述物联网设备的设备参数,确定该纸产品加工参数对应的预测模型的具体方式,包括:
对于多个预先训练好的候选预测模型,获取每一所述候选预测模型的训练数据对应的训练设备参数;
对于每一所述纸产品加工参数,计算该纸产品加工参数对应的所述物联网设备的设备参数和每一所述候选预测模型的所述训练设备参数之间的参数相似度;
根据所述参数相似度对所有所述候选预测模型进行排序,以得到模型序列;
将所述模型序列的前预设数量个候选预测模型确定为该纸产品加工参数对应的预测模型。
作为一种可选的实施方式,在本发明第二方面中,所述预测模型包括多个预测模型;所述预测模型通过包括多个预测加工参数和对应的加工进度标注的训练数据集训练得到;
以及,所述第一确定模块将每一所述纸产品加工参数输入至对应的所述预测模型中,以得到每一所述纸产品加工参数对应的加工进度的具体方式,包括:
对于每一所述纸产品加工参数,将该纸产品加工参数输入至对应的所述多个预测模型中,以得到每一所述预测模型输出的预测加工进度;
确定每一所述预测模型对应的相似度权重和准确率权重;所述相似度权重与所述参数相似度成正比;所述准确率权重与所述预测模型的训练阶段训练准确率成正比;
计算该纸产品加工参数对应的所有所述预测模型的所述预测加工进度与所述相似度权重和准确率权重的乘积的平均值,得到该纸产品加工参数对应的加工进度。
作为一种可选的实施方式,在本发明第二方面中,所述第一确定模块根据所述加工进度,和所述纸产品加工参数对应的参数获取时间,确定该工厂的加工表现参数的具体方式,包括:
获取该工厂对应的每一所述纸产品加工参数对应的参数获取时间;
根据预设的参数-进度规则和任务安排计划,确定每一所述纸产品加工参数的参数获取时间所对应的预计加工进度;
将每一所述纸产品加工参数的设备参数输入至设备表现预测模型中,以得到每一所述纸产品加工参数对应的设备表现参数;所述设备表现预测模型通过包括有多个训练设备参数和对应的设备性能表现标注的训练数据集训练得到;
计算每一所述纸产品加工参数的预计加工进度和所述加工进度之间的进度差距参数;
计算该工厂对应的所有所述纸产品加工参数对应的所述进度差距参数的加权求和平均值,得到该工厂的加工表现参数;其中,每一所述进度差距参数的权重和所述纸产品加工参数的所述设备表现参数成正比。
作为一种可选的实施方式,在本发明第二方面中,所述加工任务需求包括加工任务类型、加工任务数量和加工任务时间需求;所述第二确定模块根据所述加工任务需求,和每一工厂的加工表现参数,来确定所述多个工厂对应的加工任务策略的具体方式,包括:
根据所述加工任务类型、加工任务数量和加工任务时间需求,确定动态规划算法的目标函数和限制条件;
根据所述目标函数和限制条件,将每一所述工厂的加工表现参数作为输入状态,基于动态规划算法演算出所述多个工厂对应的加工任务策略。
作为一种可选的实施方式,在本发明第二方面中,所述目标函数包括每一工厂被分配的任务数量达到最小,所有加工任务被完成的总时间与所述加工任务时间需求之间的时间差达到最小;所述限制条件包括所述加工表现参数越高的工厂被分配的任务越多,每一工厂被分配的任务的加工任务类型与该工厂的加工类型相匹配;
以及,所述第二确定模块根据所述目标函数和限制条件,将每一所述工厂的加工表现参数作为输入状态,基于动态规划算法演算出所述多个工厂对应的加工任务策略的具体方式,包括:
基于动态规划算法,不断迭代生成所述多个工厂对应的加工任务策略方案;
对每一次生成的加工任务策略方案根据所述限制条件进行验证,验证通过后,将所述加工任务策略方案中每一工厂对应的任务分配信息输入至该工厂对应的神经网络算法中,以得到该工厂的任务分配信息对应的预计完成时间,将所有工厂的预计完成时间进行合计得到所述所有加工任务被完成的总时间;所述神经网络算法通过包括对应工厂的多个训练任务分配方案和对应的完成时间标注的训练数据集训练得到;
根据所述目标函数,重复迭代以上步骤直至演算出最优的加工任务策略方案,得到所述多个工厂对应的加工任务策略。
本发明第三方面公开了另一种基于物联网协同的工厂任务管理系统,所述系统包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明第一方面公开的基于物联网协同的工厂任务管理方法中的部分或全部步骤。
与现有技术相比,本发明具有以下有益效果:
本发明能够利用设置在工厂的物联网设备来获取加工参数并进一步计算出工厂的加工表现,并以此来确定多个工厂的加工策略,从而能够有效利用物联网技术的优势来精确监督工厂的加工表现,并进一步提高对工厂任务管理和生产控制的效率和效果,实现智能化生产。
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是本发明实施例公开的一种基于物联网协同的工厂任务管理方法的流程示意图;
图2是本发明实施例公开的一种基于物联网协同的工厂任务管理系统的结构示意图;
图3是本发明实施例公开的另一种基于物联网协同的工厂任务管理系统的结构示意图。
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作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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,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、产品或端没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种基于物联网协同的工厂任务管理方法及系统,能够利用设置在工厂的物联网设备来获取加工参数并进一步计算出工厂的加工表现,并以此来确定多个工厂的加工策略,从而能够有效利用物联网技术的优势来精确监督工厂的加工表现,并进一步提高对工厂任务管理和生产控制的效率和效果,实现智能化生产。以下分别进行详细说明。
实施例一
请参阅图1,图1是本发明实施例公开的一种基于物联网协同的工厂任务管理方法的流程示意图。其中,图1所描述的方法可以应用于相应的数据处理设备、数据处理终端、数据处理服务器中,且该服务器可以是本地服务器,也可以是云服务器,本发明实施例不做限定如图1所示,该基于物联网协同的工厂任务管理方法可以包括以下操作:
101、获取由设置在多个工厂的物联网设备获取的纸产品加工参数。
可选的,物联网设备包括物联网速度感应器、物联网红外线感应器、物联网图像传感器、物联网重量感应器、物联网体积传感器中的至少一种。
可选的,纸产品加工参数包括加工速度、加工产线量、加工图像、加工产物重量、加工产物体积中的至少一种。
102、根据每一工厂对应的纸产品加工参数,确定每一工厂的加工表现参数。
103、获取当前需要处理的纸产品的加工任务需求。
104、根据加工任务需求,和每一工厂的加工表现参数,来确定多个工厂对应的加工任务策略。
具体的,加工任务策略用于安排多个工厂对加工任务需求进行完成。
可见,实施本发明实施例所描述的方法能够利用设置在工厂的物联网设备来获取加工参数并进一步计算出工厂的加工表现,并以此来确定多个工厂的加工策略,从而能够有效利用物联网技术的优势来精确监督工厂的加工表现,并进一步提高对工厂任务管理和生产控制的效率和效果,实现智能化生产。
作为一种可选的实施例,上述步骤中的,根据每一工厂对应的纸产品加工参数,确定每一工厂的加工表现参数,包括:
对于每一工厂,获取该工厂中所有物联网设备获取的纸产品加工参数,以及每一物联网设备的设备参数;
对于每一纸产品加工参数,根据对应的物联网设备的设备参数,确定该纸产品加工参数对应的预测模型;
将每一纸产品加工参数输入至对应的预测模型中,以得到每一纸产品加工参数对应的加工进度;
根据加工进度,和纸产品加工参数对应的参数获取时间,确定该工厂的加工表现参数。
通过上述设置,可以利用对应设备参数的预测模型来预测加工参数对应的加工进度,再利用预测的加工进度和实际加工时间之间的关系,来有效确定工厂的加工表现,从而可以在后续实现有效利用物联网技术的优势来精确监督工厂的加工表现,并进一步提高对工厂任务管理和生产控制的效率和效果,实现智能化生产。
作为一种可选的实施例,设备参数包括设备电量、设备电池健康度、设备通信质量、设备通信效率、设备工作状态、设备类型、设备型号中的至少两种。
上述步骤中的,对于每一纸产品加工参数,根据对应的物联网设备的设备参数,确定该纸产品加工参数对应的预测模型,包括:
对于多个预先训练好的候选预测模型,获取每一候选预测模型的训练数据对应的训练设备参数;
对于每一纸产品加工参数,计算该纸产品加工参数对应的物联网设备的设备参数和每一候选预测模型的训练设备参数之间的参数相似度;
根据参数相似度对所有候选预测模型进行排序,以得到模型序列;
将模型序列的前预设数量个候选预测模型确定为该纸产品加工参数对应的预测模型。
可选的,参数相似度可以利用向量距离算法来测算,可以将设备参数和训练设备参数均通过数据转换和归一化算法处理为同样维度的向量矩阵以进行向量距离的测算。
通过上述设置,可以计算纸产品加工参数对应的物联网设备的设备参数和每一候选预测模型的训练设备参数之间的参数相似度,以此来筛选出用于预测的预测模型,从而可以在后续实现有效利用物联网技术的优势来精确监督工厂的加工表现,并进一步提高对工厂任务管理和生产控制的效率和效果,实现智能化生产。
作为一种可选的实施例,预测模型包括多个预测模型;预测模型通过包括多个预测加工参数和对应的加工进度标注的训练数据集训练得到。
可选的,本发明中的预测模型或神经网络算法均可以为CNN结构、RNN结构或LTSM结构的神经网络模型。
以及,上述步骤中的,将每一纸产品加工参数输入至对应的预测模型中,以得到每一纸产品加工参数对应的加工进度,包括:
对于每一纸产品加工参数,将该纸产品加工参数输入至对应的多个预测模型中,以得到每一预测模型输出的预测加工进度;
确定每一预测模型对应的相似度权重和准确率权重;相似度权重与参数相似度成正比;准确率权重与预测模型的训练阶段训练准确率成正比;
计算该纸产品加工参数对应的所有预测模型的预测加工进度与相似度权重和准确率权重的乘积的平均值,得到该纸产品加工参数对应的加工进度。
通过上述设置,可以计算纸产品加工参数对应的所有预测模型的预测加工进度与相似度权重和准确率权重的乘积的平均值,得到纸产品加工参数对应的加工进度,以精确确定加工进度,从而可以在后续实现有效利用物联网技术的优势来精确监督工厂的加工表现,并进一步提高对工厂任务管理和生产控制的效率和效果,实现智能化生产。
作为一种可选的实施例,上述步骤中的,根据加工进度,和纸产品加工参数对应的参数获取时间,确定该工厂的加工表现参数,包括:
获取该工厂对应的每一纸产品加工参数对应的参数获取时间;
根据预设的参数-进度规则和任务安排计划,确定每一纸产品加工参数的参数获取时间所对应的预计加工进度;
将每一纸产品加工参数的设备参数输入至设备表现预测模型中,以得到每一纸产品加工参数对应的设备表现参数;设备表现预测模型通过包括有多个训练设备参数和对应的设备性能表现标注的训练数据集训练得到;
计算每一纸产品加工参数的预计加工进度和加工进度之间的进度差距参数;
计算该工厂对应的所有纸产品加工参数对应的进度差距参数的加权求和平均值,得到该工厂的加工表现参数;其中,每一进度差距参数的权重和纸产品加工参数的设备表现参数成正比。
可选的,进度差距参数可以为两者的差值或两者在加权后的差值。
通过上述设置,可以将每一纸产品加工参数的设备参数输入至设备表现预测模型中以得到设备表现参数,再计算每一纸产品加工参数的预计加工进度和加工进度之间的进度差距参数的加权求和平均值,得到该工厂的加工表现参数,从而可以实现有效利用物联网技术的优势来精确监督工厂的加工表现,并进一步提高对工厂任务管理和生产控制的效率和效果,实现智能化生产。
作为一种可选的实施例,加工任务需求包括加工任务类型、加工任务数量和加工任务时间需求;上述步骤中的,根据加工任务需求,和每一工厂的加工表现参数,来确定多个工厂对应的加工任务策略,包括:
根据加工任务类型、加工任务数量和加工任务时间需求,确定动态规划算法的目标函数和限制条件;
根据目标函数和限制条件,将每一工厂的加工表现参数作为输入状态,基于动态规划算法演算出多个工厂对应的加工任务策略。
通过上述设置,可以根据目标函数和限制条件,将每一工厂的加工表现参数作为输入状态,基于动态规划算法演算出多个工厂对应的加工任务策略,从而可以提高对工厂任务管理和生产控制的效率和效果,实现智能化生产。
作为一种可选的实施例,目标函数包括每一工厂被分配的任务数量达到最小,所有加工任务被完成的总时间与加工任务时间需求之间的时间差达到最小;限制条件包括加工表现参数越高的工厂被分配的任务越多,每一工厂被分配的任务的加工任务类型与该工厂的加工类型相匹配;
以及,上述步骤中的,根据目标函数和限制条件,将每一工厂的加工表现参数作为输入状态,基于动态规划算法演算出多个工厂对应的加工任务策略,包括:
基于动态规划算法,不断迭代生成多个工厂对应的加工任务策略方案;
对每一次生成的加工任务策略方案根据限制条件进行验证,验证通过后,将加工任务策略方案中每一工厂对应的任务分配信息输入至该工厂对应的神经网络算法中,以得到该工厂的任务分配信息对应的预计完成时间,将所有工厂的预计完成时间进行合计得到所有加工任务被完成的总时间;神经网络算法通过包括对应工厂的多个训练任务分配方案和对应的完成时间标注的训练数据集训练得到;
根据目标函数,重复迭代以上步骤直至演算出最优的加工任务策略方案,得到多个工厂对应的加工任务策略。
通过上述设置,可以基于动态规划算法演算出多个工厂对应的加工任务策略,从而可以提高对工厂任务管理和生产控制的效率和效果,实现智能化生产。
实施例二
请参阅图2,图2是本发明实施例公开的一种基于物联网协同的工厂任务管理系统的结构示意图。其中,图2所描述的系统可以应用于相应的数据处理设备、数据处理终端、数据处理服务器中,且该服务器可以是本地服务器,也可以是云服务器,本发明实施例不做限定。如图2所示,该系统可以包括:
第一获取模块201,用于获取由设置在多个工厂的物联网设备获取的纸产品加工参数。
可选的,物联网设备包括物联网速度感应器、物联网红外线感应器、物联网图像传感器、物联网重量感应器、物联网体积传感器中的至少一种。
可选的,纸产品加工参数包括加工速度、加工产线量、加工图像、加工产物重量、加工产物体积中的至少一种。
第一确定模块202,用于根据每一工厂对应的纸产品加工参数,确定每一工厂的加工表现参数。
第二获取模块203,用于获取当前需要处理的纸产品的加工任务需求。
第二确定模块204,用于根据加工任务需求,和每一工厂的加工表现参数,来确定多个工厂对应的加工任务策略。
具体的,加工任务策略用于安排多个工厂对加工任务需求进行完成。
可见,实施本发明实施例所描述的系统能够利用设置在工厂的物联网设备来获取加工参数并进一步计算出工厂的加工表现,并以此来确定多个工厂的加工策略,从而能够有效利用物联网技术的优势来精确监督工厂的加工表现,并进一步提高对工厂任务管理和生产控制的效率和效果,实现智能化生产。
作为一种可选的实施例,第一确定模块202根据每一工厂对应的纸产品加工参数,确定每一工厂的加工表现参数的具体方式,包括:
对于每一工厂,获取该工厂中所有物联网设备获取的纸产品加工参数,以及每一物联网设备的设备参数;
对于每一纸产品加工参数,根据对应的物联网设备的设备参数,确定该纸产品加工参数对应的预测模型;
将每一纸产品加工参数输入至对应的预测模型中,以得到每一纸产品加工参数对应的加工进度;
根据加工进度,和纸产品加工参数对应的参数获取时间,确定该工厂的加工表现参数。
作为一种可选的实施例,设备参数包括设备电量、设备电池健康度、设备通信质量、设备通信效率、设备工作状态、设备类型、设备型号中的至少两种;第一确定模块202对于每一纸产品加工参数,根据对应的物联网设备的设备参数,确定该纸产品加工参数对应的预测模型的具体方式,包括:
对于多个预先训练好的候选预测模型,获取每一候选预测模型的训练数据对应的训练设备参数;
对于每一纸产品加工参数,计算该纸产品加工参数对应的物联网设备的设备参数和每一候选预测模型的训练设备参数之间的参数相似度;
根据参数相似度对所有候选预测模型进行排序,以得到模型序列;
将模型序列的前预设数量个候选预测模型确定为该纸产品加工参数对应的预测模型。
作为一种可选的实施例,预测模型包括多个预测模型;预测模型通过包括多个预测加工参数和对应的加工进度标注的训练数据集训练得到;
以及,第一确定模块202将每一纸产品加工参数输入至对应的预测模型中,以得到每一纸产品加工参数对应的加工进度的具体方式,包括:
对于每一纸产品加工参数,将该纸产品加工参数输入至对应的多个预测模型中,以得到每一预测模型输出的预测加工进度;
确定每一预测模型对应的相似度权重和准确率权重;相似度权重与参数相似度成正比;准确率权重与预测模型的训练阶段训练准确率成正比;
计算该纸产品加工参数对应的所有预测模型的预测加工进度与相似度权重和准确率权重的乘积的平均值,得到该纸产品加工参数对应的加工进度。
作为一种可选的实施例,第一确定模块202根据加工进度,和纸产品加工参数对应的参数获取时间,确定该工厂的加工表现参数的具体方式,包括:
获取该工厂对应的每一纸产品加工参数对应的参数获取时间;
根据预设的参数-进度规则和任务安排计划,确定每一纸产品加工参数的参数获取时间所对应的预计加工进度;
将每一纸产品加工参数的设备参数输入至设备表现预测模型中,以得到每一纸产品加工参数对应的设备表现参数;设备表现预测模型通过包括有多个训练设备参数和对应的设备性能表现标注的训练数据集训练得到;
计算每一纸产品加工参数的预计加工进度和加工进度之间的进度差距参数;
计算该工厂对应的所有纸产品加工参数对应的进度差距参数的加权求和平均值,得到该工厂的加工表现参数;其中,每一进度差距参数的权重和纸产品加工参数的设备表现参数成正比。
作为一种可选的实施例,加工任务需求包括加工任务类型、加工任务数量和加工任务时间需求;第二确定模块204根据加工任务需求,和每一工厂的加工表现参数,来确定多个工厂对应的加工任务策略的具体方式,包括:
根据加工任务类型、加工任务数量和加工任务时间需求,确定动态规划算法的目标函数和限制条件;
根据目标函数和限制条件,将每一工厂的加工表现参数作为输入状态,基于动态规划算法演算出多个工厂对应的加工任务策略。
作为一种可选的实施例,目标函数包括每一工厂被分配的任务数量达到最小,所有加工任务被完成的总时间与加工任务时间需求之间的时间差达到最小;限制条件包括加工表现参数越高的工厂被分配的任务越多,每一工厂被分配的任务的加工任务类型与该工厂的加工类型相匹配;
以及,第二确定模块204根据目标函数和限制条件,将每一工厂的加工表现参数作为输入状态,基于动态规划算法演算出多个工厂对应的加工任务策略的具体方式,包括:
基于动态规划算法,不断迭代生成多个工厂对应的加工任务策略方案;
对每一次生成的加工任务策略方案根据限制条件进行验证,验证通过后,将加工任务策略方案中每一工厂对应的任务分配信息输入至该工厂对应的神经网络算法中,以得到该工厂的任务分配信息对应的预计完成时间,将所有工厂的预计完成时间进行合计得到所有加工任务被完成的总时间;神经网络算法通过包括对应工厂的多个训练任务分配方案和对应的完成时间标注的训练数据集训练得到;
根据目标函数,重复迭代以上步骤直至演算出最优的加工任务策略方案,得到多个工厂对应的加工任务策略。
实施例三
请参阅图3,图3是本发明实施例公开的另一种基于物联网协同的工厂任务管理系统的结构示意图。如图3所示,该系统可以包括:
存储有可执行程序代码的存储器301;
与存储器301耦合的处理器302;
处理器302调用存储器301中存储的可执行程序代码,执行本发明实施例一公开的基于物联网协同的工厂任务管理方法中的部分或全部步骤。
实施例四
本发明实施例公开了一种计算机存储介质,该计算机存储介质存储有计算机指令,该计算机指令被调用时,用于执行本发明实施例一公开的基于物联网协同的工厂任务管理方法中的部分或全部步骤。
以上所描述的系统实施例仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施例的具体描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是:本发明实施例公开的一种基于物联网协同的工厂任务管理方法及系统所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项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;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (8)
1.一种基于物联网协同的工厂任务管理方法,其特征在于,所述方法包括:
获取由设置在多个工厂的物联网设备获取的纸产品加工参数;
对于每一工厂,获取该工厂中所有物联网设备获取的所述纸产品加工参数,以及每一物联网设备的设备参数;所述设备参数包括设备电量、设备电池健康度、设备通信质量、设备通信效率、设备工作状态、设备类型、设备型号中的至少两种;
对于多个预先训练好的候选预测模型,获取每一所述候选预测模型的训练数据对应的训练设备参数;
对于每一所述纸产品加工参数,计算该纸产品加工参数对应的所述物联网设备的设备参数和每一所述候选预测模型的所述训练设备参数之间的参数相似度;
根据所述参数相似度对所有所述候选预测模型进行排序,以得到模型序列;
将所述模型序列的前预设数量个候选预测模型确定为该纸产品加工参数对应的预测模型;
将每一所述纸产品加工参数输入至对应的所述预测模型中,以得到每一所述纸产品加工参数对应的加工进度;
根据所述加工进度,和所述纸产品加工参数对应的参数获取时间,确定该工厂的加工表现参数;
获取当前需要处理的纸产品的加工任务需求;
根据所述加工任务需求,和每一工厂的加工表现参数,来确定所述多个工厂对应的加工任务策略;所述加工任务策略用于安排所述多个工厂对所述加工任务需求进行完成。
2.根据权利要求1所述的基于物联网协同的工厂任务管理方法,其特征在于,所述物联网设备包括物联网速度感应器、物联网红外线感应器、物联网图像传感器、物联网重量感应器、物联网体积传感器中的至少一种;和/或,所述纸产品加工参数包括加工速度、加工产线量、加工图像、加工产物重量、加工产物体积中的至少一种。
3.根据权利要求1所述的基于物联网协同的工厂任务管理方法,其特征在于,所述预测模型包括多个预测模型;所述预测模型通过包括多个预测加工参数和对应的加工进度标注的训练数据集训练得到;
以及,所述将每一所述纸产品加工参数输入至对应的所述预测模型中,以得到每一所述纸产品加工参数对应的加工进度,包括:
对于每一所述纸产品加工参数,将该纸产品加工参数输入至对应的所述多个预测模型中,以得到每一所述预测模型输出的预测加工进度;
确定每一所述预测模型对应的相似度权重和准确率权重;所述相似度权重与所述参数相似度成正比;所述准确率权重与所述预测模型的训练阶段训练准确率成正比;
计算该纸产品加工参数对应的所有所述预测模型的所述预测加工进度与所述相似度权重和准确率权重的乘积的平均值,得到该纸产品加工参数对应的加工进度。
4.根据权利要求3所述的基于物联网协同的工厂任务管理方法,其特征在于,所述根据所述加工进度,和所述纸产品加工参数对应的参数获取时间,确定该工厂的加工表现参数,包括:
获取该工厂对应的每一所述纸产品加工参数对应的参数获取时间;
根据预设的参数-进度规则和任务安排计划,确定每一所述纸产品加工参数的参数获取时间所对应的预计加工进度;
将每一所述纸产品加工参数的设备参数输入至设备表现预测模型中,以得到每一所述纸产品加工参数对应的设备表现参数;所述设备表现预测模型通过包括有多个训练设备参数和对应的设备性能表现标注的训练数据集训练得到;
计算每一所述纸产品加工参数的预计加工进度和所述加工进度之间的进度差距参数;
计算该工厂对应的所有所述纸产品加工参数对应的所述进度差距参数的加权求和平均值,得到该工厂的加工表现参数;其中,每一所述进度差距参数的权重和所述纸产品加工参数的所述设备表现参数成正比。
5.根据权利要求1所述的基于物联网协同的工厂任务管理方法,其特征在于,所述加工任务需求包括加工任务类型、加工任务数量和加工任务时间需求;所述根据所述加工任务需求,和每一工厂的加工表现参数,来确定所述多个工厂对应的加工任务策略,包括:
根据所述加工任务类型、加工任务数量和加工任务时间需求,确定动态规划算法的目标函数和限制条件;
根据所述目标函数和限制条件,将每一所述工厂的加工表现参数作为输入状态,基于动态规划算法演算出所述多个工厂对应的加工任务策略。
6.根据权利要求5所述的基于物联网协同的工厂任务管理方法,其特征在于,所述目标函数包括每一工厂被分配的任务数量达到最小,所有加工任务被完成的总时间与所述加工任务时间需求之间的时间差达到最小;所述限制条件包括所述加工表现参数越高的工厂被分配的任务越多,每一工厂被分配的任务的加工任务类型与该工厂的加工类型相匹配;
以及,所述根据所述目标函数和限制条件,将每一所述工厂的加工表现参数作为输入状态,基于动态规划算法演算出所述多个工厂对应的加工任务策略,包括:
基于动态规划算法,不断迭代生成所述多个工厂对应的加工任务策略方案;
对每一次生成的加工任务策略方案根据所述限制条件进行验证,验证通过后,将所述加工任务策略方案中每一工厂对应的任务分配信息输入至该工厂对应的神经网络算法中,以得到该工厂的任务分配信息对应的预计完成时间,将所有工厂的预计完成时间进行合计得到所述所有加工任务被完成的总时间;所述神经网络算法通过包括对应工厂的多个训练任务分配方案和对应的完成时间标注的训练数据集训练得到;
根据所述目标函数,重复迭代以上步骤直至演算出最优的加工任务策略方案,得到所述多个工厂对应的加工任务策略。
7.一种基于物联网协同的工厂任务管理系统,其特征在于,所述系统包括:
第一获取模块,用于获取由设置在多个工厂的物联网设备获取的纸产品加工参数;
第一确定模块,用于根据每一工厂对应的所述纸产品加工参数,确定每一工厂的加工表现参数,具体包括:
对于每一工厂,获取该工厂中所有物联网设备获取的所述纸产品加工参数,以及每一物联网设备的设备参数;所述设备参数包括设备电量、设备电池健康度、设备通信质量、设备通信效率、设备工作状态、设备类型、设备型号中的至少两种;
对于多个预先训练好的候选预测模型,获取每一所述候选预测模型的训练数据对应的训练设备参数;
对于每一所述纸产品加工参数,计算该纸产品加工参数对应的所述物联网设备的设备参数和每一所述候选预测模型的所述训练设备参数之间的参数相似度;
根据所述参数相似度对所有所述候选预测模型进行排序,以得到模型序列;
将所述模型序列的前预设数量个候选预测模型确定为该纸产品加工参数对应的预测模型;
将每一所述纸产品加工参数输入至对应的所述预测模型中,以得到每一所述纸产品加工参数对应的加工进度;
根据所述加工进度,和所述纸产品加工参数对应的参数获取时间,确定该工厂的加工表现参数;
第二获取模块,用于获取当前需要处理的纸产品的加工任务需求;
第二确定模块,用于根据所述加工任务需求,和每一工厂的加工表现参数,来确定所述多个工厂对应的加工任务策略;所述加工任务策略用于安排所述多个工厂对所述加工任务需求进行完成。
8.一种基于物联网协同的工厂任务管理系统,其特征在于,所述系统包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如权利要求1-6任一项所述的基于物联网协同的工厂任务管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310940437.2A CN116934041B (zh) | 2023-07-28 | 2023-07-28 | 一种基于物联网协同的工厂任务管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310940437.2A CN116934041B (zh) | 2023-07-28 | 2023-07-28 | 一种基于物联网协同的工厂任务管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116934041A CN116934041A (zh) | 2023-10-24 |
CN116934041B true CN116934041B (zh) | 2024-01-26 |
Family
ID=88394001
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310940437.2A Active CN116934041B (zh) | 2023-07-28 | 2023-07-28 | 一种基于物联网协同的工厂任务管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116934041B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009739A (zh) * | 2017-12-14 | 2018-05-08 | 沈阳工业大学 | 一种智能机加车间生产计划与调度一体化方法 |
CN110175746A (zh) * | 2019-04-26 | 2019-08-27 | 武汉企鹅能源数据有限公司 | 基于物联网的车间错峰排产系统 |
CN112884241A (zh) * | 2021-03-12 | 2021-06-01 | 重庆大学 | 基于智能Agent的云边协作制造任务调度方法 |
CN113934530A (zh) * | 2020-12-31 | 2022-01-14 | 技象科技(浙江)有限公司 | 多核多队列任务交叉处理方法、装置、系统和存储介质 |
CN114936085A (zh) * | 2022-07-21 | 2022-08-23 | 联通沃音乐文化有限公司 | 基于深度学习算法的etl调度方法及装置 |
CN115329853A (zh) * | 2022-08-04 | 2022-11-11 | 西南交通大学 | 一种基于多源域迁移的装备参数预测与知识转移方法 |
CN115469627A (zh) * | 2022-11-01 | 2022-12-13 | 山东恒远智能科技有限公司 | 基于物联网的智能工厂运行管理系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IT201700056428A1 (it) * | 2017-05-24 | 2018-11-24 | Telespazio Spa | Innovativo metodo di scheduling satellitare basato su algoritmi genetici e simulated annealing e relativo pianificatore di missione |
JP7341073B2 (ja) * | 2020-01-22 | 2023-09-08 | 株式会社日立製作所 | 工場管理装置、工場管理方法、及び工場管理プログラム |
-
2023
- 2023-07-28 CN CN202310940437.2A patent/CN116934041B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009739A (zh) * | 2017-12-14 | 2018-05-08 | 沈阳工业大学 | 一种智能机加车间生产计划与调度一体化方法 |
CN110175746A (zh) * | 2019-04-26 | 2019-08-27 | 武汉企鹅能源数据有限公司 | 基于物联网的车间错峰排产系统 |
CN113934530A (zh) * | 2020-12-31 | 2022-01-14 | 技象科技(浙江)有限公司 | 多核多队列任务交叉处理方法、装置、系统和存储介质 |
CN112884241A (zh) * | 2021-03-12 | 2021-06-01 | 重庆大学 | 基于智能Agent的云边协作制造任务调度方法 |
CN114936085A (zh) * | 2022-07-21 | 2022-08-23 | 联通沃音乐文化有限公司 | 基于深度学习算法的etl调度方法及装置 |
CN115329853A (zh) * | 2022-08-04 | 2022-11-11 | 西南交通大学 | 一种基于多源域迁移的装备参数预测与知识转移方法 |
CN115469627A (zh) * | 2022-11-01 | 2022-12-13 | 山东恒远智能科技有限公司 | 基于物联网的智能工厂运行管理系统 |
Non-Patent Citations (3)
Title |
---|
Multiagent and Bargaining-Game-Based Real-Time Scheduling for Internet of Things-Enabled Flexible Job Shop;Jin Wang等;《IEEE Internet of Things Journal》;第6卷(第2期);2518-2531 * |
基于BIM和物联网技术的装配式构件协同管理方法研究;王威;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》(第12期);C038-109 * |
基于物联网的构架加工数字化生产线建设实践;山荣成等;《价值工程》;第39卷(第01期);261-263 * |
Also Published As
Publication number | Publication date |
---|---|
CN116934041A (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111950810B (zh) | 一种基于自演化预训练的多变量时间序列预测方法和设备 | |
CN109086930B (zh) | 一种基于电力k线图及深度网络的用户用电行为分析方法 | |
CN111754024B (zh) | 一种基于回归分析的电力行业时间序列的预测方法和系统 | |
Pinto et al. | Strategic bidding in electricity markets: An agent-based simulator with game theory for scenario analysis | |
KR102501525B1 (ko) | 시계열 데이터 처리 장치 및 이의 동작 방법 | |
Lu et al. | A hybrid deep learning-based online energy management scheme for industrial microgrid | |
CN113177366B (zh) | 一种综合能源系统规划方法、装置和终端设备 | |
CN112988538B (zh) | 人工智能开发平台监控告警数据预测方法、装置及介质 | |
Kaboli et al. | An expression-driven approach for long-term electric power consumption forecasting | |
CN117235873B (zh) | 基于历史工作记录的智慧家居布局方法及系统 | |
CN117477673B (zh) | 一种动态适应型工业园区负荷建模与智能调控系统 | |
CN114648176A (zh) | 一种基于数据驱动的风光电源消纳优化方法 | |
CN111080472A (zh) | 一种电力系统负荷预测和分析方法 | |
CN117170873A (zh) | 基于人工智能的资源池管理方法及系统 | |
CN117154844A (zh) | 储能系统的能源供应控制方法及装置 | |
CN115496603A (zh) | 基于人工智能技术的电力市场新能源日前交易决策方法 | |
Lum et al. | Industrial electrical energy consumption forecasting by using temporal convolutional neural networks | |
CN117227177B (zh) | 基于设备间监督的多任务打印控制方法及系统 | |
CN116934041B (zh) | 一种基于物联网协同的工厂任务管理方法及系统 | |
CN112990582A (zh) | 一种智能电网调度方法及系统 | |
CN117196257A (zh) | 配电网工程辅助结算系统 | |
CN117374920A (zh) | 考虑环境因素的超短期预测方法、装置及介质 | |
EP3690758A1 (en) | Method and device for controlling a wastewater tank pumping system | |
CN113723717B (zh) | 系统日前短期负荷预测方法、装置、设备和可读存储介质 | |
Chatzidimitriou et al. | Enhancing agent intelligence through evolving reservoir networks for predictions in power stock markets |
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 |