CN116976839A - 一种基于网络协同制造的铅蓄电池生产管控方法 - Google Patents
一种基于网络协同制造的铅蓄电池生产管控方法 Download PDFInfo
- Publication number
- CN116976839A CN116976839A CN202310867899.6A CN202310867899A CN116976839A CN 116976839 A CN116976839 A CN 116976839A CN 202310867899 A CN202310867899 A CN 202310867899A CN 116976839 A CN116976839 A CN 116976839A
- Authority
- CN
- China
- Prior art keywords
- production
- manufacturing
- task
- data
- abnormal
- 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
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 209
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000000195 production control method Methods 0.000 title claims abstract description 6
- 238000007726 management method Methods 0.000 claims abstract description 35
- 230000000694 effects Effects 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 238000012946 outsourcing Methods 0.000 claims abstract description 13
- 238000013461 design Methods 0.000 claims abstract description 6
- 230000002159 abnormal effect Effects 0.000 claims description 48
- 238000000034 method Methods 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 16
- 238000013499 data model Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 230000005856 abnormality Effects 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 9
- 230000002411 adverse Effects 0.000 claims description 6
- 238000004040 coloring Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000010485 coping Effects 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 238000012502 risk assessment Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000013526 transfer learning Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 2
- 230000004927 fusion Effects 0.000 abstract description 5
- 230000010354 integration Effects 0.000 abstract description 3
- 238000007689 inspection Methods 0.000 description 10
- 238000012384 transportation and delivery Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000010200 validation analysis 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
- G06Q10/10—Office automation; Time management
- G06Q10/101—Collaborative creation, e.g. joint development of products or services
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/08—Learning methods
- G06N3/096—Transfer 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
- 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
- G06Q10/06313—Resource planning in a project environment
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
Abstract
本发明公开了一种基于网络协同制造的铅蓄电池生产管控方法,涉及网络协同制造技术领域。本发明包括如下步骤:PMRM结合生产调度算法对任务池中的任务进行筛选,将筛选后的任务分配给外协厂商;CMTCM设计和定义各种配置项的生命周期和权限,制定访问控制和配置管理计划,建立项目和工作空间;外协厂商根据分配的任务单和产品文档进行生产;外协厂商登录CMTCM设置配置项状态并增加活动描述;LT实时监控CMTCM,进行绩效分析。本发明通过在云端对业务进行协同排程、配置管理和协同控制,实现协同制造环境中工作流和信息流的信息集成与制造人员之间的协同控制,增加各业务系统之间协同融合力度,提高协同工作进度跟进效率。
Description
技术领域
本发明属于网络协同制造技术领域,特别是涉及一种基于网络协同制造的铅蓄电池生产管控方法。
背景技术
随着工业物联网、边缘计算与云计算等信息技术的迅猛发展及其成本的显著降低,制造企业的智能化水平得到了快速提升。与此同时,制造企业不断提升制造过程的复杂程度,以满足日益增长的产品个性化生产需求,并缩短产品的生产制造周期。然而,由于制造资源的不确定性,导致制造车间内部生产异常频发。制造车间内部生产异常的精准管控是保证生产过程高效、稳定进行的关键环节,也受到越来越多的关注与研究。
目前,中国专利《一种异常生产场景的识别方法》提出一种基于SIFT算法的钢铁生产场景的图像处理方法,可以改变传统人工识别异常的监控方式;中国专利《一种基于MES系统的故障现象异常预警方法及系统》基于生产过程日志数据不断预警生产过程的异常事件;中国专利《一种连续性生产的工艺异常报警及处理系统》能够在不停工的情况下及时有效地对发生的异常情况进行报警并及时处理,有利于生产工艺的连续稳定运行。尽管上述研究对生产管控处理具有较好的促进作用,仍需要在以下新问题上获得突破:
1、普遍存在的智能化程度不高、系统性不强;
2、对生产连续、产品质量、成本消耗等都缺乏良好的管控手段;
3、生产工艺复杂、业务繁多,各业务系统间难以实现有效的协同融合等;这些问题的存在与当前信息技术高度发展的形势极不适应,特别是蓄电池制造各业务系统间有效的协同融合问题,已经严重制约了蓄电池企业高效、智能决策进程的推进。
发明内容
本发明的目的在于提供一种基于网络协同制造的铅蓄电池生产管控方法,通过在云端对业务进行协同排程、配置管理和协同控制,实现协同制造环境中工作流和信息流的信息集成与制造人员之间的协同控制,解决了现有的各业务系统之间协同融合困难、协同工作进度跟进难度大的问题。
为解决上述技术问题,本发明是通过以下技术方案实现的:
本发明为一种基于网络协同制造的铅蓄电池生产管控方法,包括任务排程与制造请求管理单元(PMRM)、协同制造任务配置管理单元(CMTCM)、协同控制和任务执行状态追踪单元(LT),其特征在于,具体流程包括如下步骤:
步骤S1:云端服务将业务需求以任务形式发送给任务排程与制造请求管理单元(PMRM);
步骤S2:任务排程与制造请求管理单元(PMRM)结合生产调度算法对任务池中的任务进行筛选,将筛选后的任务分配给外协厂商;
步骤S3:生产方登录协同制造任务配置管理单元(CMTCM),设计和定义各种配置项的生命周期和权限,制定访问控制和配置管理计划,建立项目和工作空间;
步骤S4:外协厂商根据分配的任务单和产品文档进行生产;
步骤S5:外协厂商生产活动进入到工作流定义的下一个阶段时,并登录协同制造任务配置管理单元(CMTCM),设置配置项状态并增加活动描述;
步骤S6:协同控制和任务执行状态追踪单元(LT)实时监控协同制造任务配置管理单元(CMTCM)状态,进行绩效分析。
作为一种优选的技术方案,所述步骤S1中,云端服务采集设备运转数据,对采集到的设备运转数据进行协议解析,得到解析数据,并对解析数据进行数据清洗,将清洗后的数据进行重构,形成动态业务数据模型,通过动态业务数据模型按照不同的应用业务需求,对业务数据进行组合和封装。
作为一种优选的技术方案,所述云端服中的应用调用封装后的数据后得到自身业务数据和调度命令,并下发至外协厂商;所述外协厂商获取的来自业务应用的调度命令,并分发给专有数据通道;所述专有数据通道对调度命令转发至对应的设备,所述设备执行接收到的调度命令,并将实时的设备数据进行反馈;
将获取的业务数据和实时的设备数据进行融合,形成二次数据重构,得到完整动态业务数据模型,通过完整动态业务数据模型对业务数据进行重新组合和封装。
作为一种优选的技术方案,所述步骤S3中,多个配置项构成一个配置项目;所述配置项目包括排程需要的电子订单、产品需求说明文档、排程后生成的任务单、制造请求和任务追踪表;一个所述任务清单对应一个任务请求,并设置一个任务单只对应一个子零件。
作为一种优选的技术方案,所述生产调度算法获取输入的数据集CAPinput=({SCHoutput},RATsch-exe,{ERRdat},ERRstat);所述SCHoutput表示调度排产的指令集合,RATsch-exe表示指令的调度执行率,{ERRdat}表示生产监控数据采集的误差集合,ERRstat表示生产统计误差。
作为一种优选的技术方案,所述步骤S6中,协同控制和任务执行状态追踪单元(LT)用于于将生产工艺指标、设备运行指标、能源环保指标、物流指标的数据进行归类、处理、分析和计算,得出基于准确统计数据分析的结论,为用户的运营预测、风险评估、供应链协同决策活动提供数据支撑。
作为一种优选的技术方案,所述协同控制和任务执行状态追踪单元(LT)对整个生产过程进行追踪,当制造过程数据发生变化时,及时做出反应及报告,并基于预设阈值为当前的数据提供参考,及比对分析。
作为一种优选的技术方案,所述协同控制和任务执行状态追踪单元(LT)内置有异常事件识别模型,该模型模型训练流程如下:
步骤S61:针对制造资源端经常发生的生产异常事件,基于历史数据集,将与异常相关的各种影响因素状态作为输入,异常事件的发生以及异常等级作为输出,构建大样本异常预测的卷积神经网络模型;
步骤S62:针对小样本生产异常事件,基于迁移学习算法,将相似的常见生产异常预测的卷积神经网络模型参数迁移到小样本异常预测模型当中,构建小样本异常预测的卷积神经网络模型;
步骤S63:使用步骤S61和步骤S62得到的卷积神经网络模型,将实时生产状况数据作为输入,卷积神经网络模型的输出作为预测结果,并基于预测结果情况,预测未来时刻是否会发生异常事件;
步骤S64:针对潜在的生产异常事件,调用历史异常处理措施,并基于历史记录,预测出采用相关方案后,能否彻底消除异常事件对制造车间产生的不良影响。
作为一种优选的技术方案,所述卷积神经网络模型检测到异常事件发生时:
步骤Y1:针对制造资源端不能彻底处理的异常事件,异常资源向同类型制造资源寻求帮助;
步骤Y2:基于替代加工设备的历史加工记录,分析替代加工设备接受异常制造资源的生产任务之后,能否按时保质完成其自身与新来的生产任务,若是,则由替代加工设备完成生产任务,若否,则进入步骤Y3;
步骤Y3:在车间层面进行制造资源的重新分配,并使用着色Petri网技术对资源重分配方案进行评估,预测车间内生产订单能够按时完成。
作为一种优选的技术方案,所述步骤Y3的具体步骤如下:
步骤Y31:通过分析制造系统异常,生成多种可行的制造资源重新分配的方案;
步骤Y32:基于制造车间的生产流程构建着色Petri网分析模型,所述着色Petri网模型表示为:
CPN={P,T,C,0};
其中,P指代库所,用于表示制造资源;T指代变迁,用于表示制造活动;C指代颜色,用于表示不同制造资源;O表示令牌,用于表示制造资源的状态和进度;
步骤Y33:将多种制造资源重分配方案依次放入着色Petri网模型中,依据Petri网模型自身的仿真推理能力,对方案所能带来的异常不良影响的消除作用进行预测;
步骤Y34:基于着色Petri网的预测结果,选择出效率最好、最有效的异常应对方案。
本发明具有以下有益效果:
本发明通过在云端对业务进行协同排程、配置管理和协同控制,实现协同制造环境中工作流和信息流的信息集成与制造人员之间的协同控制,增加各业务系统之间协同融合力度,提高协同工作进度跟进效率。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述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为本发明实施例一中的一种基于网络协同制造的铅蓄电池生产管控方法;
图2为本发明实施例二中的一种基于网络协同制造的任务配置管理系统架构示意图。
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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例一
请参阅图1所示,本发明为一种基于网络协同制造的铅蓄电池生产管控方法,包括任务排程与制造请求管理单元(PMRM)、协同制造任务配置管理单元(CMTCM)、协同控制和任务执行状态追踪单元(LT),其特征在于,具体流程包括如下步骤:
步骤S1:云端服务将业务需求以任务形式发送给任务排程与制造请求管理单元(PMRM);
步骤S2:任务排程与制造请求管理单元(PMRM)结合生产调度算法对任务池中的任务进行筛选,将筛选后的任务分配给外协厂商;
步骤S3:生产方登录协同制造任务配置管理单元(CMTCM),设计和定义各种配置项的生命周期和权限,制定访问控制和配置管理计划,建立项目和工作空间;
步骤S4:外协厂商根据分配的任务单和产品文档进行生产;
步骤S5:外协厂商生产活动进入到工作流定义的下一个阶段时,并登录协同制造任务配置管理单元(CMTCM),设置配置项状态并增加活动描述;
步骤S6:协同控制和任务执行状态追踪单元(LT)实时监控协同制造任务配置管理单元(CMTCM)状态,进行绩效分析。
步骤S1中,云端服务采集设备运转数据,对采集到的设备运转数据进行协议解析,得到解析数据,并对解析数据进行数据清洗,将清洗后的数据进行重构,形成动态业务数据模型,通过动态业务数据模型按照不同的应用业务需求,对业务数据进行组合和封装。
云端服中的应用调用封装后的数据后得到自身业务数据和调度命令,并下发至外协厂商;外协厂商获取的来自业务应用的调度命令,并分发给专有数据通道;专有数据通道对调度命令转发至对应的设备,设备执行接收到的调度命令,并将实时的设备数据进行反馈;
将获取的业务数据和实时的设备数据进行融合,形成二次数据重构,得到完整动态业务数据模型,通过完整动态业务数据模型对业务数据进行重新组合和封装。
步骤S3中,多个配置项构成一个配置项目;配置项目包括排程需要的电子订单、产品需求说明文档、排程后生成的任务单、制造请求和任务追踪表;一个任务清单对应一个任务请求,并设置一个任务单只对应一个子零件。
作为一种优选的技术方案,生产调度算法获取输入的数据集CAPinput=({SCHoutput},RATsch-exe,{ERRdat},ERRstat);SCHoutput表示调度排产的指令集合,RATsch-exe表示指令的调度执行率,{ERRdat}表示生产监控数据采集的误差集合,ERRstat表示生产统计误差。
步骤S6中,协同控制和任务执行状态追踪单元(LT)用于于将生产工艺指标、设备运行指标、能源环保指标、物流指标的数据进行归类、处理、分析和计算,得出基于准确统计数据分析的结论,为用户的运营预测、风险评估、供应链协同决策活动提供数据支撑。
协同控制和任务执行状态追踪单元(LT)对整个生产过程进行追踪,当制造过程数据发生变化时,及时做出反应及报告,并基于预设阈值为当前的数据提供参考,及比对分析。
协同控制和任务执行状态追踪单元(LT)内置有异常事件识别模型,该模型模型训练流程如下:
步骤S61:针对制造资源端经常发生的生产异常事件,基于历史数据集,将与异常相关的各种影响因素状态作为输入,异常事件的发生以及异常等级作为输出,构建大样本异常预测的卷积神经网络模型;
步骤S62:针对小样本生产异常事件,基于迁移学习算法,将相似的常见生产异常预测的卷积神经网络模型参数迁移到小样本异常预测模型当中,构建小样本异常预测的卷积神经网络模型;
步骤S63:使用步骤S61和步骤S62得到的卷积神经网络模型,将实时生产状况数据作为输入,卷积神经网络模型的输出作为预测结果,并基于预测结果情况,预测未来时刻是否会发生异常事件;
步骤S64:针对潜在的生产异常事件,调用历史异常处理措施,并基于历史记录,预测出采用相关方案后,能否彻底消除异常事件对制造车间产生的不良影响。
卷积神经网络模型检测到异常事件发生时:
步骤Y1:针对制造资源端不能彻底处理的异常事件,异常资源向同类型制造资源寻求帮助;
步骤Y2:基于替代加工设备的历史加工记录,分析替代加工设备接受异常制造资源的生产任务之后,能否按时保质完成其自身与新来的生产任务,若是,则由替代加工设备完成生产任务,若否,则进入步骤Y3;
步骤Y3:在车间层面进行制造资源的重新分配,并使用着色Petri网技术对资源重分配方案进行评估,预测车间内生产订单能够按时完成。
步骤Y3的具体步骤如下:
步骤Y31:通过分析制造系统异常,生成多种可行的制造资源重新分配的方案;
步骤Y32:基于制造车间的生产流程构建着色Petri网分析模型,着色Petri网模型表示为:
CPN={P,T,C,0};
其中,P指代库所,用于表示制造资源;T指代变迁,用于表示制造活动;C指代颜色,用于表示不同制造资源;O表示令牌,用于表示制造资源的状态和进度;
步骤Y33:将多种制造资源重分配方案依次放入着色Petri网模型中,依据Petri网模型自身的仿真推理能力,对方案所能带来的异常不良影响的消除作用进行预测;
步骤Y34:基于着色Petri网的预测结果,选择出效率最好、最有效的异常应对方案。
实施例二
请参阅图2所示,与实施例一不同的是,本发明为一种基于网络协同制造的铅蓄电池生产管控系统,包括用户接口层、执行层、资源管理计划层以及数据层;
执行层包括:任务排程与制造请求管理(PMRM)、协同制造任务配置管理(CMTCM)、协同控制和任务执行状态追踪(LT)。一个母产品由很多子零件组成,子零件又要分配给不同的外协厂商生产,所以要研究如何进行排程,使任务能合理有效地分配给各外协厂商。更为重要的是保证合理的生产时间安排,使总体的生产进度不会因为某一个厂商的零件交货或质量问题而延误外协厂商得到自己的任务单和产品文档进行生产,在检查阶段要提交检查单和检查包,在结束阶段还要提交任务完成交付包。每种配置项的添加删改都有对应的权限,配置项的配置操作还应该满足协同控制的需求。开发商方登录CMTCM,设计和定义各种配置项的生命周期和权限,制定访问控制和配置管理计划,建立项目和工作空间。开发商与外协厂商双方都应该遵循某种规则,互相配合完成任务的计划执行和检查。当生产活动进入到工作流定义的下一个阶段时,外协厂商需要登录CMTCM,设置配置项状态并增加活动描述。它保证了执行状态的实时提交,并保证了外协厂商的下一阶段生产任务。
进行任务排程时,包括:
一、配置项设计与关联模型。在产品协同制造过程中产生很多文档信息,每一项成为一个项目配置项,它是配置管理的基本单位。这些信息的所有项构成一个配置项目,包括排程需要的电子订单和产品需求说明文档、排程后生成的任务单、制造请求(MR)和任务追踪表协同厂商的生产任务与制造请求相关联,使得只有制造请求被批准后,生产任务才能被执行本工作讨论一种一对一关联模式(一个制造请求对应一个任务单),并规定一个任务单只对应一个子零件生产行为报告(PAR)记录外协厂商对于生产这个子零件而触发的所有CMTCM的行为CMTCM配置项每个生产实体都会关联一个PAR,用来追踪生产状态。
二、离散式同生产任务排程模型。排程目标是制定出最优生产计划,使各外协厂商之间在最佳组合状态下运作,PMRM入是用来管理数据库中排程需要的各种信息;PMRM输出则是用来管理任务、MR以及排程的输出结果;排程和MR生成模块按照开发商选择的排程算法、排程,并按任务单与MR的关联规则生成MR。
三、最多生产时间零件优先任务排程算法是指对于每一个外协厂商,在得到开发商分配来的一批不同的子零件生产任务后,优先生产花费时间最短的那个子零件。首先根据订单中的母产品ProductNo号,可以在产品数据表中查找出所有组成这个母产品的子零件和所有生产这个子零件的外协厂商(包括生产数量和能力等其他信息),把这些数据连接后存储在一个临时数据集中。AP(advance planning)类会循环处理每一个子零件,输出每个厂商分配到的生产量和交货期。只要是能生产这个子零件的且在产品数据表中的外协厂商,都会被分配到生产任务,开发商可按照实际情况手动更改外协厂商或子零件数量等参数在手动排程更新结束后,会生成新的记录集。这个记录集就是排程的结果。同时,MR成类MRGenerator会读取手动排程结果数据集,按照MR生成规则(一个任务单对应一个MR),对每一个任务单生成MR。
在任务阶段的协同控制分为3个阶段:
(1)任务计划阶段的协同控制是为了对生产业务过程进行协同控制本工作采用任务模板来实现任务模板是一系列过程规则的集合,用于描述一种业务执行过程开发商企业利用任务模板来管理外协厂商制造执行过程,在给外协厂商划分阶段(即配置项的一个生命周期状态)时,就可以把每个阶段对应于一个活动。
(2)任务执行阶段的协同控制用来进行人员的协同,通过对制造请求和任务单这2个配置项的生命周期的每一步状态的变迁,设置相应的前提条件和控制权限。对订单排程后,排程模块生成任务单和制造请求,每一个任务单和制造请求的生命周期开始状态为:任务单进入执行(underwork)状态,制造请求进入分配(assign)状态。在盟员得到任务后,到CMTCM接收任务,并根据任务的执行进度实时更新任务单和制造请求的生命周期状态。
(3)任务检查阶段的协同控制用以控制开发商检查人员和外协厂商检查人员之间的协同任务执行结果必须被检查是否完全符合产品需求。外协厂商和开发商检查人员应该协同来检査任务执行结果,即外协厂商提交的CMTCM检查包。在检查之后,检查包会被更新,其版本也会在确认后升级如果开发商方检查人员在检查过程中发现错误,就会要求外协厂商重新更改检查包并升级版本。如果一个检查包超过了5个版本,那么可以认为执行任务单的该外协厂商生产效率不高,开发商就会对这个外协厂商进行评估从而作出决策。
值得注意的是,上述系统实施例中,所包括的各个单元只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
另外,本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,相应的程序可以存储于一计算机可读取存储介质中。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (10)
1.一种基于网络协同制造的铅蓄电池生产管控方法,包括任务排程与制造请求管理单元(PMRM)、协同制造任务配置管理单元(CMTCM)、协同控制和任务执行状态追踪单元(LT),其特征在于,具体流程包括如下步骤:
步骤S1:云端服务将业务需求以任务形式发送给任务排程与制造请求管理单元(PMRM);
步骤S2:任务排程与制造请求管理单元(PMRM)结合生产调度算法对任务池中的任务进行筛选,将筛选后的任务分配给外协厂商;
步骤S3:生产方登录协同制造任务配置管理单元(CMTCM),设计和定义各种配置项的生命周期和权限,制定访问控制和配置管理计划,建立项目和工作空间;
步骤S4:外协厂商根据分配的任务单和产品文档进行生产;
步骤S5:外协厂商生产活动进入到工作流定义的下一个阶段时,并登录协同制造任务配置管理单元(CMTCM),设置配置项状态并增加活动描述;
步骤S6:协同控制和任务执行状态追踪单元(LT)实时监控协同制造任务配置管理单元(CMTCM)状态,进行绩效分析。
2.根据权利要求1所述的一种基于网络协同制造的铅蓄电池生产管控方法,其特征在于,所述步骤S1中,云端服务采集设备运转数据,对采集到的设备运转数据进行协议解析,得到解析数据,并对解析数据进行数据清洗,将清洗后的数据进行重构,形成动态业务数据模型,通过动态业务数据模型按照不同的应用业务需求,对业务数据进行组合和封装。
3.根据权利要求2所述的一种基于网络协同制造的铅蓄电池生产管控方法,其特征在于,所述云端服中的应用调用封装后的数据后得到自身业务数据和调度命令,并下发至外协厂商;所述外协厂商获取的来自业务应用的调度命令,并分发给专有数据通道;所述专有数据通道对调度命令转发至对应的设备,所述设备执行接收到的调度命令,并将实时的设备数据进行反馈;
将获取的业务数据和实时的设备数据进行融合,形成二次数据重构,得到完整动态业务数据模型,通过完整动态业务数据模型对业务数据进行重新组合和封装。
4.根据权利要求1所述的一种基于网络协同制造的铅蓄电池生产管控方法,其特征在于,所述步骤S3中,多个配置项构成一个配置项目;所述配置项目包括排程需要的电子订单、产品需求说明文档、排程后生成的任务单、制造请求和任务追踪表;一个所述任务清单对应一个任务请求,并设置一个任务单只对应一个子零件。
5.根据权利要求1所述的一种基于网络协同制造的铅蓄电池生产管控方法,其特征在于,所述生产调度算法获取输入的数据集CAPinput=({SCHoutput},RATsch-exe,{ERRdat},ERRstat);所述SCHoutput表示调度排产的指令集合,RATsch-exe表示指令的调度执行率,{ERRdat}表示生产监控数据采集的误差集合,ERRstat表示生产统计误差。
6.根据权利要求1所述的一种基于网络协同制造的铅蓄电池生产管控方法,其特征在于,所述步骤S6中,协同控制和任务执行状态追踪单元(LT)用于于将生产工艺指标、设备运行指标、能源环保指标、物流指标的数据进行归类、处理、分析和计算,得出基于准确统计数据分析的结论,为用户的运营预测、风险评估、供应链协同决策活动提供数据支撑。
7.根据权利要求6所述的一种基于网络协同制造的铅蓄电池生产管控方法,其特征在于,所述协同控制和任务执行状态追踪单元(LT)对整个生产过程进行追踪,当制造过程数据发生变化时,及时做出反应及报告,并基于预设阈值为当前的数据提供参考,及比对分析。
8.根据权利要求6所述的一种基于网络协同制造的铅蓄电池生产管控方法,其特征在于,所述协同控制和任务执行状态追踪单元(LT)内置有异常事件识别模型,该模型模型训练流程如下:
步骤S61:针对制造资源端经常发生的生产异常事件,基于历史数据集,将与异常相关的各种影响因素状态作为输入,异常事件的发生以及异常等级作为输出,构建大样本异常预测的卷积神经网络模型;
步骤S62:针对小样本生产异常事件,基于迁移学习算法,将相似的常见生产异常预测的卷积神经网络模型参数迁移到小样本异常预测模型当中,构建小样本异常预测的卷积神经网络模型;
步骤S63:使用步骤S61和步骤S62得到的卷积神经网络模型,将实时生产状况数据作为输入,卷积神经网络模型的输出作为预测结果,并基于预测结果情况,预测未来时刻是否会发生异常事件;
步骤S64:针对潜在的生产异常事件,调用历史异常处理措施,并基于历史记录,预测出采用相关方案后,能否彻底消除异常事件对制造车间产生的不良影响。
9.根据权利要求8所述的一种基于网络协同制造的铅蓄电池生产管控方法,其特征在于,所述卷积神经网络模型检测到异常事件发生时:
步骤Y1:针对制造资源端不能彻底处理的异常事件,异常资源向同类型制造资源寻求帮助;
步骤Y2:基于替代加工设备的历史加工记录,分析替代加工设备接受异常制造资源的生产任务之后,能否按时保质完成其自身与新来的生产任务,若是,则由替代加工设备完成生产任务,若否,则进入步骤Y3;
步骤Y3:在车间层面进行制造资源的重新分配,并使用着色Petri网技术对资源重分配方案进行评估,预测车间内生产订单能够按时完成。
10.根据权利要求9所述的一种基于网络协同制造的铅蓄电池生产管控方法,其特征在于,所述步骤Y3的具体步骤如下:
步骤Y31:通过分析制造系统异常,生成多种可行的制造资源重新分配的方案;
步骤Y32:基于制造车间的生产流程构建着色Petri网分析模型,所述着色Petri网模型表示为:
CPN={P,T,C,0};
其中,P指代库所,用于表示制造资源;T指代变迁,用于表示制造活动;C指代颜色,用于表示不同制造资源;O表示令牌,用于表示制造资源的状态和进度;
步骤Y33:将多种制造资源重分配方案依次放入着色Petri网模型中,依据Petri网模型自身的仿真推理能力,对方案所能带来的异常不良影响的消除作用进行预测;
步骤Y34:基于着色Petri网的预测结果,选择出效率最好、最有效的异常应对方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310867899.6A CN116976839A (zh) | 2023-07-17 | 2023-07-17 | 一种基于网络协同制造的铅蓄电池生产管控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310867899.6A CN116976839A (zh) | 2023-07-17 | 2023-07-17 | 一种基于网络协同制造的铅蓄电池生产管控方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116976839A true CN116976839A (zh) | 2023-10-31 |
Family
ID=88472327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310867899.6A Pending CN116976839A (zh) | 2023-07-17 | 2023-07-17 | 一种基于网络协同制造的铅蓄电池生产管控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116976839A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117291555A (zh) * | 2023-11-24 | 2023-12-26 | 南通钜盛数控机床有限公司 | 一种机械配件制造协同控制系统 |
-
2023
- 2023-07-17 CN CN202310867899.6A patent/CN116976839A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117291555A (zh) * | 2023-11-24 | 2023-12-26 | 南通钜盛数控机床有限公司 | 一种机械配件制造协同控制系统 |
CN117291555B (zh) * | 2023-11-24 | 2024-04-16 | 南通钜盛数控机床有限公司 | 一种机械配件制造协同控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Vinodh et al. | ISM and Fuzzy MICMAC application for analysis of Lean Six Sigma barriers with environmental considerations | |
Barenji et al. | A dynamic multi-agent-based scheduling approach for SMEs | |
Zhang et al. | Agent technology for collaborative process planning: a review | |
Zhang et al. | Bi-level dynamic scheduling architecture based on service unit digital twin agents | |
Younus et al. | MES development and significant applications in manufacturing-A review | |
Yoon et al. | Smart Factory Information Service Bus (SIBUS) for manufacturing application: requirement, architecture and implementation | |
Fruggiero et al. | Cognitive human modeling in collaborative robotics | |
Bakon et al. | Scheduling under uncertainty for Industry 4.0 and 5.0 | |
CN116976839A (zh) | 一种基于网络协同制造的铅蓄电池生产管控方法 | |
Fang et al. | Flexible worker allocation in aircraft final assembly line using multiobjective evolutionary algorithms | |
Qiu et al. | Evolutionary digital twin model with an agent-based discrete-event simulation method | |
Crespo Márquez et al. | The maintenance management framework: A practical view to maintenance management | |
Zarte et al. | Knowledge framework for production planning and controlling considering sustainability aspects in smart factories | |
Sellitto et al. | A method to align functionalities of a manufacturing execution system with competitive priorities | |
Mahiri et al. | Data-driven sustainable smart manufacturing: A conceptual framework | |
Nwasuka et al. | Industry 4.0: An Overview | |
Pessôa et al. | Understanding the waste net: a method for waste elimination prioritization in product development | |
Mourtzis | Advances in adaptive scheduling in industry 4.0 | |
Vasiliev et al. | Digital technologies in quality management | |
Muñoz et al. | Ontological framework for the enterprise from a process perspective | |
Ardjmand et al. | Application of decision support systems in scheduling/planning of manufacturing/service systems: a critical review | |
Carpitella et al. | How sustainability factors influence maintenance of water distribution systems feeding manufacturing industries | |
Yeung et al. | The role of simulation in digital twin construction | |
Sokolov et al. | Combined models and algorithms on modern proactive intellectual scheduling under Industry 4.0 environment | |
Tobon Valencia et al. | A Novel Analysis Framework of 4.0 Production Planning Approaches–Part II |
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 |