CN117035373A - 一种管道预制生产线智能管理方法及系统 - Google Patents
一种管道预制生产线智能管理方法及系统 Download PDFInfo
- Publication number
- CN117035373A CN117035373A CN202311294442.7A CN202311294442A CN117035373A CN 117035373 A CN117035373 A CN 117035373A CN 202311294442 A CN202311294442 A CN 202311294442A CN 117035373 A CN117035373 A CN 117035373A
- Authority
- CN
- China
- Prior art keywords
- value
- production
- determining
- capacity information
- target
- 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.)
- Granted
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 179
- 238000009417 prefabrication Methods 0.000 title claims abstract description 71
- 238000007726 management method Methods 0.000 title claims abstract description 20
- 230000001932 seasonal effect Effects 0.000 claims abstract description 47
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 238000005457 optimization Methods 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims description 44
- 230000006870 function Effects 0.000 claims description 43
- 239000002245 particle Substances 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 20
- 239000002994 raw material Substances 0.000 claims description 16
- 238000001744 unit root test Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 3
- 206010063385 Intellectualisation Diseases 0.000 abstract 1
- 238000010276 construction Methods 0.000 description 6
- 230000002068 genetic effect Effects 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000002922 simulated annealing Methods 0.000 description 2
- 238000001278 Kwiatkowski–Phillips–Schmidt–Shin (KPSS) test Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009428 plumbing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06Q10/06312—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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种管道预制生产线智能管理方法及系统，涉及智能化领域，包括获取目标管道预制生产线的历史产能信息，对所述历史产能信息进行季节性分析，确定所述历史产能信息对应的季节性指数，根据所述历史产能信息以及所述季节性指数通过预设的生产需求预测模型，确定下一个季节所述目标管道预制生产线的生产需求预测信息；基于所述生产需求预测信息，以及所述目标管道预制生产线的当前生产计划，设定初始生产计划；结合所述目标管道预制生产线对应的生产约束条件，以产能最大化为目标，通过预设目标优化算法对所述初始生产计划进行调整，直至所述目标管道预制生产线达到最大产能目标。
Description
技术领域
本发明涉及智能化技术，尤其涉及一种管道预制生产线智能管理方法及系统。
背景技术
CN109978375B-一种管道预制生产线智能管理系统，按照每个管道预制生产线项目划分功能区域，每个管道预制生产线项目均包括管道预制管理模块、支架预制管理模块和材料储配分发管理模块；管道预制管理模块包含了若干个管段管理子模块、支架预制管理模块包含了若干个与管段管理子模块一一对应的支架预制管理子模块，材料储配分发管理模块则储备了制作每个管段所需的所有材料并及时跟踪，判断存量，及时预警并提前采购，该智能管理系统可以对管道预制生产过程中的管道进行管理，从而规范管道的使用。
CN114022134A-标准模块化管道构件智能生产系统、控制方法及智能终端，公开了编写管道构件预加工工艺流程，编写管道构件的下料、等各工序之间物料自动传递运输的专项施工方案；通过与BIM技术的相结合，利用精确的模型数据作为管道构件预制加工设计的基础，再采用机械化、自动化的先进设备，对管道构件进行流水线式的预制加工，依次完成下料、切割等工序。本发明采用通过智慧物流系统将物料堆场、相贯线等离子切割机等紧密联系在一起，形成一套标准化的管道构件预制生产线模块，将传统施工工序以先进设备替代实施，在提高管道构件预制加工质量、效率的同时，减少了对焊工等特殊工种的依赖，大幅降低劳动力成本。
现有的生产线管理方法基本关注点在于如何降低劳动力成本或者基于已经发生的事实，进行适应性调整，并不能进行需求预测，并且根据所预测的信息进行生产计划调整，能以提高整体的产能和智能化。
发明内容
本发明实施例提供一种管道预制生产线智能管理方法及系统，能够至少解决现有技术中部分问题。
本发明实施例的第一方面，
提供一种管道预制生产线智能管理方法，包括：
获取目标管道预制生产线的历史产能信息，对所述历史产能信息进行季节性分析，确定所述历史产能信息对应的季节性指数，根据所述历史产能信息以及所述季节性指数通过预设的生产需求预测模型，确定下一个季节所述目标管道预制生产线的生产需求预测信息，其中，所述生产需求预测模型基于改进的时间序列预测模型构建；
基于所述生产需求预测信息，以及所述目标管道预制生产线的当前生产计划，设定初始生产计划；
结合所述目标管道预制生产线对应的生产约束条件，以产能最大化为目标，通过预设目标优化算法对所述初始生产计划进行调整，直至所述目标管道预制生产线达到最大产能目标，其中，所述预设目标优化算法基于改进的粒子群算法构建。
在一种可选的实施方式中，
所述获取目标管道预制生产线的历史产能信息，对所述历史产能信息进行季节性分析，确定所述历史产能信息对应的季节性指数包括：
确定当前历史产能信息对应的当前时间点，并确定当前时间点对应的邻近时间集合，基于预设的滑动窗口，遍历每一条历史产能信息，根据时间点与邻近时间集合中相邻时间点的距离，确定每一条历史产能信息对应的权重值；
确定每一条历史产能信息对应的回归损失函数的值，结合每一条历史产能信息对应的权重值，确定所述历史产能信息的趋势估计值；
根据所述历史产能信息与所述趋势估计值的差值，确定所述历史产能信息的残差值；
结合所述趋势估计值、所述每一条历史产能信息对应的权重值以及所述残差值确定所述历史产能信息对应的季节性指数。
在一种可选的实施方式中，
所述方法还包括构建生产需求预测模型：
基于预先获取的预测训练数据集，对所述预测训练数据集进行自相关图分析，确定所述预测训练数据集的时间序列与其滞后值的自相关系数，将所述自相关系数最早衰减至零的滞后值作为所述生产需求预测模型的第一参数值；
通过单位根检验判断所述预测训练数据集是否平稳，若不平稳，则对所述预测训练数据集进行迭代差分，直至所述预测训练数据集平稳，将迭代差分的次数作为所述生产需求预测模型的第二参数值；
基于所述第一参数值和所述第二参数值更新所述生产需求预测模型的模型参数，并通过更新后的生产需求预测模型输出初始生产需求预测信息，确定所述初始生产需求预测信息与预先获取的预测验证数据集的预测偏差值；
根据所述预测偏差值迭代优化所述第一参数值和所述第二参数值，直至所述预测偏差值满足预设偏差条件。
在一种可选的实施方式中，
迭代优化所述第一参数值的方法包括：
根据所述预测偏差值确定预测残差序列，并确定所述预测残差序列的概率密度函数，并结合所述预测残差序列和所述概率密度函数确定似然函数值；
根据所述似然函数值，结合所述第一参数值的数量，确定所述生产需求预测模型的参数拟合值，将最小的参数拟合值作为优化后的第一参数值。
在一种可选的实施方式中，
所述目标管道预制生产线对应的生产约束条件包括设备容量约束、原材料供应约束以及订单优先级约束中至少一种，
其中，设备容量约束是指每个工序所需的设备有限的容量，设备的最大可同时处理的工件数量限制；
原材料供应约束是指原材料的供应量和供应时间的限制，原材料的采购数量和供应周期；
订单优先级约束包括确保在订单的最早交付期之前完成相关工序，以满足交付期限；为了保证产能利用率，需要保证高产能订单优先于低产能订单。
在一种可选的实施方式中，
所述结合所述目标管道预制生产线对应的生产约束条件，以产能最大化为目标，通过预设目标优化算法对所述初始生产计划进行调整，直至所述目标管道预制生产线达到最大产能目标包括：
将所述初始生产计划作为粒子群，初始化所述粒子群、所述粒子群中所有粒子的速度和位置；
确定每个粒子对应的适应度值，将适应度值大于预设适应度阈值的个体作为父个体，从所述粒子群中随机选择个体与所述父个体进行交叉操作，生成子个体；
确定所述父个体与所述子个体的差值，若所述差值大于等于预设替换阈值，则将所述子个体替换所述父个体；若所述差值小于预设替换阈值，则保留所述子个体，将最终保留的子个体作为目标生产计划。
在一种可选的实施方式中，
按照如下公式构建所述适应度函数：
；
其中，f(x)表示适应度值，U表示求解适应度函数所用非劣解集合中非劣解的数量，A表示生产约束条件，ej表示第j个相邻非劣解之间的距离，E表示非劣解集合，Q表示粒子的数量，fi(p)表示第i个粒子的目标产能，fi(q)表示第i个粒子的当前产能。
本发明实施例的第二方面，
提供一种管道预制生产线智能管理系统，包括：
第一单元，用于获取目标管道预制生产线的历史产能信息，对所述历史产能信息进行季节性分析，确定所述历史产能信息对应的季节性指数，根据所述历史产能信息以及所述季节性指数通过预设的生产需求预测模型，确定下一个季节所述目标管道预制生产线的生产需求预测信息，其中，所述生产需求预测模型基于改进的时间序列预测模型构建；
第二单元，用于基于所述生产需求预测信息，以及所述目标管道预制生产线的当前生产计划，设定初始生产计划；
第三单元，用于结合所述目标管道预制生产线对应的生产约束条件，以产能最大化为目标，通过预设目标优化算法对所述初始生产计划进行调整，直至所述目标管道预制生产线达到最大产能目标，其中，所述预设目标优化算法基于改进的粒子群算法构建。
本发明实施例的第三方面，
提供一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。
本发明实施例的第四方面，
提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。
本发明实施例的有益效果可以参考具体实施方式中技术特征对应的效果，在此不再赘述。
附图说明
图1为本发明实施例管道预制生产线智能管理方法的流程示意图；
图2为本发明实施例管道预制生产线智能管理系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1为本发明实施例管道预制生产线智能管理方法的流程示意图，如图1所示，所述方法包括：
S101. 获取目标管道预制生产线的历史产能信息，对所述历史产能信息进行季节性分析，确定所述历史产能信息对应的季节性指数，根据所述历史产能信息以及所述季节性指数通过预设的生产需求预测模型，确定下一个季节所述目标管道预制生产线的生产需求预测信息；
示例性地，管道预制是指在工厂或制造场地内提前制造好管道部件，然后将它们运输到现场进行组装和安装的过程。这种方法可以显著减少现场施工时间，提高工程效率，降低人力和资源成本，并增加施工质量的一种先进施工技术。例如，在建筑项目中，如大型住宅、商业建筑或工业厂房，通常需要大量的管道系统，如水管、暖通空调管道、燃气管道等，通过预制这些管道部件，可以在工厂环境中进行质量控制和精确制造，然后将它们按照设计要求运输到施工现场，减少了现场的安装时间和施工干扰。
在实际应用中，对于管道预制生产的传统流程是确定具体的生产需求后，安排相应的资源对接，但是这样往往容易造成生产线产能以及原料供应较为困难，无法提前规划。
本申请基于生产线的历史产能信息对历史产能信息进行季节性分析，并且通过预设的生产需求预测模型确定下一个季节的生产需求预测信息，其中，历史产能信息是指过去一段时间内管道预制生产线所能生产的数量或产值数据，这可以是每天、每周、每月或每季的数据，取决于生产的周期性；季节性指数指的是季节性分析中的参数，用于描述时间序列数据中季节性的周期，在季节性分析中，会寻找数据中的季节性变化，并根据数据的周期性来确定合适的季节性指数。季节性分析是一种时间序列分析方法，用于揭示数据中的季节性变化模式，即随着时间的推移，数据是否呈现出明显的重复性变化，季节性分析帮助我们理解数据在不同时间段内的波动趋势。
在一种可选的实施方式中，
获取目标管道预制生产线的历史产能信息，对所述历史产能信息进行季节性分析，确定所述历史产能信息对应的季节性指数包括：
确定当前历史产能信息对应的当前时间点，并确定当前时间点对应的邻近时间集合，基于预设的滑动窗口，遍历每一条历史产能信息，根据时间点与邻近时间集合中相邻时间点的距离，确定每一条历史产能信息对应的权重值；
确定每一条历史产能信息对应的回归损失函数的值，结合每一条历史产能信息对应的权重值，确定所述历史产能信息的趋势估计值；
根据所述历史产能信息与所述趋势估计值的差值，确定所述历史产能信息的残差值；
结合所述趋势估计值、所述每一条历史产能信息对应的权重值以及所述残差值确定所述历史产能信息对应的季节性指数。
示例性地，对于每条历史产能信息可以将时间点作为基准点，考虑其周围的邻近点，而邻近点的选取可以根据实际需求进行划分，历史产能信息的时间点较为密集的，邻近点的选取可以距离较近，而历史产能信息的时间点较为疏远的，邻近点的选取可以距离较远。也可以定义一个平滑参数（通常称为带宽或窗口宽度），用于控制邻近点的权重分配。
根据距离当前点的距离，计算邻近点的权重，通常，离当前点越近的邻近点权重越高，距离越远的邻近点权重越低；此外，对于每个邻近点可以计算回归损失函数的值，其中，回归损失函数可以包括Hube损失函数，具体地，邻近点的值减去当前点的平滑值小于等于预设的损失阈值，则邻近点的回归损失函数的值使用平方损失，若邻近点的值减去当前点的平滑值大于预设的损失阈值，则邻近点的回归损失函数的值使用绝对损失。
使用计算得到的权重和Huber损失函数的值，对邻近点的值进行加权平均，得到当前点的平滑值，这个平滑值就是当前点的趋势估计值。
使用回归损失函数的局部加权回归平滑方法允许在中心附近使用平方损失，从而保留了对数据趋势的平滑处理；然而，在远离中心的情况下，使用绝对损失减少了对异常值的影响；这样的方法可以在一定程度上提高趋势估计的鲁棒性，更好地适应存在异常值和噪声的时间序列数据。
根据所述历史产能信息与所述趋势估计值的差值，确定所述历史产能信息的残差值可以包括，将历史产能信息的值，减去趋势估计值得到历史产能信息的残差值。计算残差的目的是通过剔除趋势和季节性成分，得到数据中的随机波动部分，这些残差值可以包含随机噪声、不可预测的变动以及未被趋势和季节性模式所解释的部分。从而提高后续预测的鲁棒性。
在一种可选的实施方式中，结合所述趋势估计值、所述每一条历史产能信息对应的权重值以及所述残差值确定所述历史产能信息对应的季节性指数可以包括：
；
其中，SZ表示季节性指数，K表示历史产能信息的数量，HSk表示第k条历史产能信息，qk表示第k条历史产能信息对应的权重值，Trk表示第k条历史产能信息对应的趋势估计值，Ck表示第k个残差值。
根据趋势估计和残差值，确定季节性指数可以帮助理解不同时间点上季节性变化的强度和方向，这些季节性指数在分析中可以用于预测、规划和更深入地理解时间序列数据的季节性模式。
在一种可选的实施方式中，所述方法还包括构建生产需求预测模型：
基于预先获取的预测训练数据集，对所述预测训练数据集进行自相关图分析，确定所述预测训练数据集的时间序列与其滞后值的自相关系数，将所述自相关系数最早衰减至零的滞后值作为所述生产需求预测模型的第一参数值；
通过单位根检验判断所述预测训练数据集是否平稳，若不平稳，则对所述预测训练数据集进行迭代差分，直至所述预测训练数据集平稳，将迭代差分的次数作为所述生产需求预测模型的第二参数值；
基于所述第一参数值和所述第二参数值更新所述生产需求预测模型的模型参数，并通过更新后的生产需求预测模型输出初始生产需求预测信息，确定所述初始生产需求预测信息与预先获取的预测验证数据集的预测偏差值；
根据所述预测偏差值迭代优化所述第一参数值和所述第二参数值，直至所述预测偏差值满足预设偏差条件。
示例性地，可以从预测训练数据集中构建时间序列，使用自相关图（ACF）分析时间序列的自相关性，确定自相关系数最早衰减至零的滞后值，作为第一参数值。可选地，可以通过以下步骤计算自相关系数：计算时间序列的滞后值；计算每个滞后阶数下的自相关系数，自相关系数通常使用皮尔逊相关系数或斯皮尔曼相关系数来衡量。如果自相关系数在滞后阶数较低时显著大于零，表示时间序列具有显著的自相关性；如果自相关系数在滞后阶数较高时趋近于零，表示时间序列具有短期相关性，但趋向于独立性；如果自相关系数在滞后阶数较高时仍然显著大于零，表示时间序列可能具有长期相关性。
将所述自相关系数最早衰减至零的滞后值作为所述生产需求预测模型的第一参数值，通过选择自相关系数最早衰减至零的滞后值，可以识别时间序列中存在的季节性模式，选择适当的季节性滞后值有助于减少模型的预测误差，使模型更能反映实际情况，正确识别季节性可以提高生产需求预测模型的性能。
使用统计工具或数据分析软件进行单位根检验，以判断时间序列的平稳性，常用的单位根检验方法包括Augmented Dickey-Fuller (ADF) 检验和Kwiatkowski-Phillips-Schmidt-Shin (KPSS) 检验。如果单位根检验表明时间序列不是平稳的，需要进行迭代差分，差分是通过减去前一个时间点的值来消除序列的非平稳性。开始时，进行一次一阶差分，即将当前时刻的值减去前一个时刻的值，这将生成一个新的时间序列。然后，再次对新的时间序列进行单位根检验，以检查是否已经变得平稳。如果单位根检验仍然表明不平稳性，继续进行差分，直到时间序列变得平稳或达到预设的差分次数上限。将非平稳的预测训练数据集迭代差分，直至获得平稳序列，这有助于提高时间序列模型的准确性和可靠性。
示例性地，可以根据预测偏差值，结合迭代优化算法迭代优化所述第一参数值和所述第二参数值，其中，迭代优化算法可以包括梯度下降算法、遗传算法以及模拟退火算法中至少一种，其中，梯度下降算法可以根据梯度方向逐步调整参数值，使预测偏差值逐渐减小；可以使用遗传算法来搜索参数空间，找到最佳参数组合，以最小化预测偏差值；可以使用模拟退火算法来搜索参数空间，以逐渐减小预测偏差值。
在一种可选的实施方式中，迭代优化所述第一参数值的方法包括：
根据所述预测偏差值确定预测残差序列，并确定所述预测残差序列的概率密度函数，并结合所述预测残差序列和所述概率密度函数确定似然函数值；
根据所述似然函数值，结合所述第一参数值的数量，确定所述生产需求预测模型的参数拟合值，将最小的参数拟合值作为优化后的第一参数值。
示例性地，可以使用核密度估计（Kernel Density Estimation，KDE）方法来估计预测残差序列的概率密度函数，选择一个核函数，通常是高斯核函数（也称为正态核函数），对每个预测残差值，在其周围绘制核函数的曲线，形成一系列重叠的核函数曲线，将这些核函数曲线叠加起来，然后归一化，以获得概率密度函数的估计。
对于每个时间点的预测残差值，使用概率密度函数估计，计算在该残差值下的概率密度值，对于整个预测残差序列，将每个时间点的似然值相乘，因为预测残差通常假设相互独立，所以可以将它们的似然值相乘来得到整体的似然函数值。对于每个时间点，计算其对应的概率密度值，将这些概率密度值相乘，或计算它们的对数值并相加，以获得整个序列的似然函数值。
通过根据预测偏差值确定预测残差序列，估计概率密度函数，并计算似然函数值，能够量化模型对观测数据的拟合程度，似然函数值越高，表示模型与数据的拟合越好。利用似然函数值和第一参数值的数量，可以确定生产需求预测模型的参数拟合值，优化后的参数能够更好地反映观测数据的特征，提高了模型的预测准确性。选择最小的参数拟合值作为优化后的第一参数值，意味着我们通过考虑似然函数值来寻找最佳参数组合，以最好地拟合观测数据。
S102. 基于所述生产需求预测信息，以及所述目标管道预制生产线的当前生产计划，设定初始生产计划；
从预测模型中获取未来一段时间内的生产需求预测结果，这些预测结果可以包括每个时间点的预测需求量、工序、产品类型等；获取当前生产计划的信息，包括工序的安排、已安排的订单、设备使用情况等；比较生产需求预测和当前生产计划之间的差异，识别预测与实际计划之间的缺口，即哪些工序或产品类型的需求可能超出了当前计划。根据预测与计划之间的差异，制定初始的生产计划调整策略，这可以包括增加或减少特定工序的生产量、重新分配资源、重新安排订单优先级等。将调整后的生产计划与当前生产计划结合，形成初始的生产计划，确保该计划在资源、设备和人力等方面是可行的。基于初始生产计划的评估，制定可能的调整策略，这些策略可以是自动化的，例如使用优化算法进行进一步的优化，也可以是人工干预的，例如根据生产经验进行微调。
S103. 结合所述目标管道预制生产线对应的生产约束条件，以产能最大化为目标，通过预设目标优化算法对所述初始生产计划进行调整，直至所述目标管道预制生产线达到最大产能目标。
其中，预设目标优化算法基于改进的粒子群算法构建。
在一种可选的实施方式中，
本申请的目标管道预制生产线对应的生产约束条件可以包括设备容量约束、原材料供应约束以及订单优先级约束中至少一种，其中，
设备容量约束是指每个工序所需的设备有限的容量，设备的最大可同时处理的工件数量限制，具体地，设备容量约束可以包括每个工序需要用到的设备容量小于设备总容量。
原材料供应约束是指原材料的供应量和供应时间的限制，原材料的采购和供应周期。假设有多种原材料，每种原材料的供应量要至少大于当前订单所需的原材料需求量，小于目前所有渠道商所能提供的原材料总和。
订单优先级约束可以包括确保在订单的最早交付期之前完成相关工序，以满足交付期限；为了保证产能利用率，需要保证高产能订单优先于低产能订单。
在一种可选的实施方式中，
所述结合所述目标管道预制生产线对应的生产约束条件，以产能最大化为目标，通过预设目标优化算法对所述初始生产计划进行调整，直至所述目标管道预制生产线达到最大产能目标包括：
将所述初始生产计划作为粒子群，初始化所述粒子群、所述粒子群中所有粒子的速度和位置；
确定每个粒子对应的适应度值，将适应度值大于预设适应度阈值的个体作为父个体，从所述粒子群中随机选择个体与所述父个体进行交叉操作，生成子个体；
确定所述父个体与所述子个体的差值，若所述差值大于等于预设替换阈值，则将所述子个体替换所述父个体；若所述差值小于预设替换阈值，则保留所述子个体，将最终保留的子个体作为目标生产计划。
在一种可选的实施方式中，
按照如下公式构建所述适应度函数：
；
其中，f(x)表示适应度值，U表示求解适应度函数所用非劣解集合中非劣解的数量，A表示生产约束条件，ej表示第j个相邻非劣解之间的距离，E表示非劣解集合，Q表示粒子的数量，fi(p)表示第i个粒子的目标产能，fi(q)表示第i个粒子的当前产能。
示例性地，对每个父个体，在其邻域中引入一定扰动，生成一个子个体，这可以通过微小地修改父个体的参数值来实现；计算父个体与子个体之间的差值，如果差值大于预设替换阈值，将子个体替换父个体；如果差值小于预设替换阈值，比较适应度值，保留适应度较高的父个体和/或子个体。
重复执行交叉、变异、适应度计算、选择、生成参考个体、更新父个体和子个体的操作，进行多代迭代，在达到预设的迭代次数或适应度值满足一定的收敛条件时终止迭代。
具体地，初始化种群大小可以为100；遗传算子参数：交叉率 0.8，变异率 0.1；邻域扰动参数：在每个维度上引入±5% 的随机扰动；迭代次数：50代；预设适应度阈值和预设参考阈值可以根据实际情况设置。
本发明实施例的第二方面，
提供一种管道预制生产线智能管理系统，图2为本发明实施例管道预制生产线智能管理系统的结构示意图，包括：
第一单元，用于获取目标管道预制生产线的历史产能信息，对所述历史产能信息进行季节性分析，确定所述历史产能信息对应的季节性指数，根据所述历史产能信息以及所述季节性指数通过预设的生产需求预测模型，确定下一个季节所述目标管道预制生产线的生产需求预测信息，其中，所述生产需求预测模型基于改进的时间序列预测模型构建；
第二单元，用于基于所述生产需求预测信息，以及所述目标管道预制生产线的当前生产计划，设定初始生产计划；
第三单元，用于结合所述目标管道预制生产线对应的生产约束条件，以产能最大化为目标，通过预设目标优化算法对所述初始生产计划进行调整，直至所述目标管道预制生产线达到最大产能目标，其中，所述预设目标优化算法基于改进的粒子群算法构建。
本发明实施例的第三方面，
提供一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。
本发明实施例的第四方面，
提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。
本发明可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本发明的各个方面的计算机可读程序指令。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种管道预制生产线智能管理方法，其特征在于，包括：
获取目标管道预制生产线的历史产能信息，对所述历史产能信息进行季节性分析，确定所述历史产能信息对应的季节性指数，根据所述历史产能信息以及所述季节性指数通过预设的生产需求预测模型，确定下一个季节所述目标管道预制生产线的生产需求预测信息，其中，所述生产需求预测模型基于改进的时间序列预测模型构建；
基于所述生产需求预测信息，以及所述目标管道预制生产线的当前生产计划，设定初始生产计划；
结合所述目标管道预制生产线对应的生产约束条件，以产能最大化为目标，通过预设目标优化算法对所述初始生产计划进行调整，直至所述目标管道预制生产线达到最大产能目标，其中，所述预设目标优化算法基于改进的粒子群算法构建。
2.根据权利要求1所述的方法，其特征在于，所述获取目标管道预制生产线的历史产能信息，对所述历史产能信息进行季节性分析，确定所述历史产能信息对应的季节性指数包括：
确定当前历史产能信息对应的当前时间点，并确定当前时间点对应的邻近时间集合，基于预设的滑动窗口，遍历每一条历史产能信息，根据时间点与邻近时间集合中相邻时间点的距离，确定每一条历史产能信息对应的权重值；
确定每一条历史产能信息对应的回归损失函数的值，结合每一条历史产能信息对应的权重值，确定所述历史产能信息的趋势估计值；
根据所述历史产能信息与所述趋势估计值的差值，确定所述历史产能信息的残差值；
结合所述趋势估计值、所述每一条历史产能信息对应的权重值以及所述残差值确定所述历史产能信息对应的季节性指数。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括构建生产需求预测模型：
基于预先获取的预测训练数据集，对所述预测训练数据集进行自相关图分析，确定所述预测训练数据集的时间序列与其滞后值的自相关系数，将所述自相关系数最早衰减至零的滞后值作为所述生产需求预测模型的第一参数值；
通过单位根检验判断所述预测训练数据集是否平稳，若不平稳，则对所述预测训练数据集进行迭代差分，直至所述预测训练数据集平稳，将迭代差分的次数作为所述生产需求预测模型的第二参数值；
基于所述第一参数值和所述第二参数值更新所述生产需求预测模型的模型参数，并通过更新后的生产需求预测模型输出初始生产需求预测信息，确定所述初始生产需求预测信息与预先获取的预测验证数据集的预测偏差值；
根据所述预测偏差值迭代优化所述第一参数值和所述第二参数值，直至所述预测偏差值满足预设偏差条件。
4.根据权利要求3所述的方法，其特征在于，迭代优化所述第一参数值的方法包括：
根据所述预测偏差值确定预测残差序列，并确定所述预测残差序列的概率密度函数，并结合所述预测残差序列和所述概率密度函数确定似然函数值；
根据所述似然函数值，结合所述第一参数值的数量，确定所述生产需求预测模型的参数拟合值，将最小的参数拟合值作为优化后的第一参数值。
5.根据权利要求1所述的方法，其特征在于，所述目标管道预制生产线对应的生产约束条件包括设备容量约束、原材料供应约束以及订单优先级约束中至少一种，
其中，设备容量约束是指每个工序所需的设备有限的容量，设备的最大可同时处理的工件数量限制；
原材料供应约束是指原材料的供应量和供应时间的限制，原材料的采购数量和供应周期；
订单优先级约束包括确保在订单的最早交付期之前完成相关工序，以满足交付期限；为了保证产能利用率，需要保证高产能订单优先于低产能订单。
6.根据权利要求1所述的方法，其特征在于，所述结合所述目标管道预制生产线对应的生产约束条件，以产能最大化为目标，通过预设目标优化算法对所述初始生产计划进行调整，直至所述目标管道预制生产线达到最大产能目标包括：
将所述初始生产计划作为粒子群，初始化所述粒子群、所述粒子群中所有粒子的速度和位置；
确定每个粒子对应的适应度值，将适应度值大于预设适应度阈值的个体作为父个体，从所述粒子群中随机选择个体与所述父个体进行交叉操作，生成子个体；
确定所述父个体与所述子个体的差值，若所述差值大于等于预设替换阈值，则将所述子个体替换所述父个体；若所述差值小于预设替换阈值，则保留所述子个体，将最终保留的子个体作为目标生产计划。
7.根据权利要求6所述的方法，其特征在于，确定每个粒子对应的适应度值包括：
；
其中，f(x)表示适应度值，U表示求解适应度函数所用非劣解集合中非劣解的数量，A表示生产约束条件，ej表示第j个相邻非劣解之间的距离，E表示非劣解集合，Q表示粒子的数量，fi(p)表示第i个粒子的目标产能，fi(q)表示第i个粒子的当前产能。
8.一种管道预制生产线智能管理系统，其特征在于，包括：
第一单元，用于获取目标管道预制生产线的历史产能信息，对所述历史产能信息进行季节性分析，确定所述历史产能信息对应的季节性指数，根据所述历史产能信息以及所述季节性指数通过预设的生产需求预测模型，确定下一个季节所述目标管道预制生产线的生产需求预测信息，其中，所述生产需求预测模型基于改进的时间序列预测模型构建；
第二单元，用于基于所述生产需求预测信息，以及所述目标管道预制生产线的当前生产计划，设定初始生产计划；
第三单元，用于结合所述目标管道预制生产线对应的生产约束条件，以产能最大化为目标，通过预设目标优化算法对所述初始生产计划进行调整，直至所述目标管道预制生产线达到最大产能目标，其中，所述预设目标优化算法基于改进的粒子群算法构建。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至7中任意一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311294442.7A CN117035373B (zh) | 2023-10-09 | 2023-10-09 | 一种管道预制生产线智能管理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311294442.7A CN117035373B (zh) | 2023-10-09 | 2023-10-09 | 一种管道预制生产线智能管理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117035373A true CN117035373A (zh) | 2023-11-10 |
| CN117035373B CN117035373B (zh) | 2024-01-23 |
Family
ID=88645278
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311294442.7A Active CN117035373B (zh) | 2023-10-09 | 2023-10-09 | 一种管道预制生产线智能管理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117035373B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117455208A (zh) * | 2023-12-25 | 2024-01-26 | 苏州特铭精密科技有限公司 | 基于人工智能的注塑品生产调度优化方法及系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017136417A1 (en) * | 2016-02-05 | 2017-08-10 | The Climate Corporation | Modeling trends in crop yields |
| CN107578116A (zh) * | 2017-07-20 | 2018-01-12 | 东华大学 | 基于双目标免疫粒子群算法的灌溉水资源优化配置方法 |
| US20180137455A1 (en) * | 2011-06-29 | 2018-05-17 | Eric M. Mack | Automated Purchasing |
| US20190114655A1 (en) * | 2017-10-18 | 2019-04-18 | Daisy Intelligence Corporation | System and method for retail merchandise planning |
| CN110048411A (zh) * | 2019-04-23 | 2019-07-23 | 广东电网有限责任公司 | 基于多端口电能路由器的微电网组网方法、装置和设备 |
| AU2020103709A4 (en) * | 2020-11-26 | 2021-02-11 | Daqing Oilfield Design Institute Co., Ltd | A modified particle swarm intelligent optimization method for solving high-dimensional optimization problems of large oil and gas production systems |
| CN112734136A (zh) * | 2021-01-26 | 2021-04-30 | 石河子大学 | 一种基于粒子群算法的轮灌组优化方法和系统 |
| CN114065896A (zh) * | 2021-10-25 | 2022-02-18 | 西安理工大学 | 基于邻域调整和角度选择策略的多目标分解进化算法 |
| CN114595879A (zh) * | 2022-03-03 | 2022-06-07 | 大连理工大学 | 一种基于特征粒序列lstm的类周期能源长期预测方法 |
| CN115528684A (zh) * | 2022-10-21 | 2022-12-27 | 阳光慧碳科技有限公司 | 一种超短期负荷预测方法、装置及电子设备 |
| CN116451866A (zh) * | 2023-04-23 | 2023-07-18 | 苏州盈科电子有限公司 | 预测方法及装置、电子设备和存储介质 |
| CN116757648A (zh) * | 2023-08-18 | 2023-09-15 | 天津市职业大学 | 基于人工智能的生产制造管理系统及方法 |
-
2023
- 2023-10-09 CN CN202311294442.7A patent/CN117035373B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180137455A1 (en) * | 2011-06-29 | 2018-05-17 | Eric M. Mack | Automated Purchasing |
| WO2017136417A1 (en) * | 2016-02-05 | 2017-08-10 | The Climate Corporation | Modeling trends in crop yields |
| CN107578116A (zh) * | 2017-07-20 | 2018-01-12 | 东华大学 | 基于双目标免疫粒子群算法的灌溉水资源优化配置方法 |
| US20190114655A1 (en) * | 2017-10-18 | 2019-04-18 | Daisy Intelligence Corporation | System and method for retail merchandise planning |
| CN110048411A (zh) * | 2019-04-23 | 2019-07-23 | 广东电网有限责任公司 | 基于多端口电能路由器的微电网组网方法、装置和设备 |
| AU2020103709A4 (en) * | 2020-11-26 | 2021-02-11 | Daqing Oilfield Design Institute Co., Ltd | A modified particle swarm intelligent optimization method for solving high-dimensional optimization problems of large oil and gas production systems |
| CN112734136A (zh) * | 2021-01-26 | 2021-04-30 | 石河子大学 | 一种基于粒子群算法的轮灌组优化方法和系统 |
| CN114065896A (zh) * | 2021-10-25 | 2022-02-18 | 西安理工大学 | 基于邻域调整和角度选择策略的多目标分解进化算法 |
| CN114595879A (zh) * | 2022-03-03 | 2022-06-07 | 大连理工大学 | 一种基于特征粒序列lstm的类周期能源长期预测方法 |
| CN115528684A (zh) * | 2022-10-21 | 2022-12-27 | 阳光慧碳科技有限公司 | 一种超短期负荷预测方法、装置及电子设备 |
| CN116451866A (zh) * | 2023-04-23 | 2023-07-18 | 苏州盈科电子有限公司 | 预测方法及装置、电子设备和存储介质 |
| CN116757648A (zh) * | 2023-08-18 | 2023-09-15 | 天津市职业大学 | 基于人工智能的生产制造管理系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 吴育华 等: "《管理科学基础》", 天津大学出版社, pages: 94 - 96 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117455208A (zh) * | 2023-12-25 | 2024-01-26 | 苏州特铭精密科技有限公司 | 基于人工智能的注塑品生产调度优化方法及系统 |
| CN117455208B (zh) * | 2023-12-25 | 2024-03-12 | 苏州特铭精密科技有限公司 | 基于人工智能的注塑品生产调度优化方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117035373B (zh) | 2024-01-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Boute et al. | Dual sourcing and smoothing under nonstationary demand time series: Reshoring with SpeedFactories | |
| Liu et al. | Uncertain programming | |
| CN117035373B (zh) | 一种管道预制生产线智能管理方法及系统 | |
| Xu et al. | Discrete time–cost–environment trade-off problem for large-scale construction systems with multiple modes under fuzzy uncertainty and its application to Jinping-II Hydroelectric Project | |
| US8897900B2 (en) | Graphical language for optimization and use | |
| Hai et al. | Model predictive control for inventory management in supply chain planning | |
| CN108376315A (zh) | 一种基于图模型的不确定炼钢-连铸柔性优化调度方法及系统 | |
| Jiang et al. | Dynamic scheduling in the engineer-to-order (ETO) assembly process by the combined immune algorithm and simulated annealing method | |
| CN115310685A (zh) | 一种基于参数修正的水电机组全生命周期成本计算方法 | |
| May et al. | Multi-variate time-series for time constraint adherence prediction in complex job shops | |
| Ansari et al. | A multi-objective dynamic optimization approach to project schedule management: A case study of a gas field construction | |
| Yu et al. | An adaptive multiobjective evolutionary algorithm for dynamic multiobjective flexible scheduling problem | |
| Singh et al. | Real-time pipe system installation schedule generation and optimization using artificial intelligence and heuristic techniques. | |
| JP5831363B2 (ja) | 製造工期予測装置、製造工期予測方法、及びコンピュータプログラム | |
| CN117521900A (zh) | 基于投资比率和时序算法的电网业扩物资需求预测方法 | |
| CN117647960A (zh) | 一种基于深度强化学习的车间调度方法、装置和系统 | |
| CN117494877A (zh) | 基于聚类分析的电表安装量预测方法 | |
| Gao et al. | Establishment of Economic Forecasting Model of High‐tech Industry Based on Genetic Optimization Neural Network | |
| CN116681162A (zh) | 基于人工智能的物流需求预测方法 | |
| Sobaszek et al. | The algorithms for robust scheduling of production jobs under machine failure and variable technological operation times | |
| Murtazaev et al. | The influence of active surface centers on reactivity of mineral additives | |
| Zelentsov et al. | The organizational-technological decisions acceptance support system in the investment and construction projects management | |
| CN114021776A (zh) | 一种物料组合选取方法、装置和电子设备 | |
| Li et al. | Development of a theory of constraints based scheduling system for ship piping production | |
| Chen et al. | Modeling Production scheduling problem and its solution by genetic algorithm. |
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 |