CN117311296A - 基于工业模型的高强度生产线协同优化与能效管理方法 - Google Patents
基于工业模型的高强度生产线协同优化与能效管理方法 Download PDFInfo
- Publication number
- CN117311296A CN117311296A CN202311605031.5A CN202311605031A CN117311296A CN 117311296 A CN117311296 A CN 117311296A CN 202311605031 A CN202311605031 A CN 202311605031A CN 117311296 A CN117311296 A CN 117311296A
- Authority
- CN
- China
- Prior art keywords
- time
- intelligent production
- production lines
- orders
- produced
- 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 359
- 238000005457 optimization Methods 0.000 title claims abstract description 11
- 238000007726 management method Methods 0.000 title abstract description 91
- 238000004891 communication Methods 0.000 claims abstract description 101
- 238000000034 method Methods 0.000 claims abstract description 53
- 230000000306 recurrent effect Effects 0.000 claims description 22
- 238000003062 neural network model Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 239000003086 colorant Substances 0.000 claims description 10
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 41
- 230000015654 memory Effects 0.000 description 22
- 238000003860 storage Methods 0.000 description 15
- 230000005540 biological transmission Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000003190 augmentative effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010295 mobile communication Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000013475 authorization Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 235000019800 disodium phosphate Nutrition 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 229920001690 polydopamine Polymers 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供基于工业模型的高强度生产线协同优化与能效管理方法,属于人工智能领域,用以保证智能生产线的网络服务的稳定性。该方法包括:管理设备获取M条智能生产线在第一时间的排产情况,M为大于1的整数;管理设备通过工业大模型分析M条智能生产线在第一时间的排产情况,得到预估的M条智能生产线在第二时间的排产情况,其中,第二时间在第一时间之后;管理设备请求运营商网络在第二时间为M条智能生产线,提供匹配M条智能生产线在第二时间的排产情况的通信服务。
Description
技术领域
本申请涉及人工智能领域,尤其涉及基于工业模型的高强度生产线协同优化与能效管理方法。
背景技术
智能生产线是一种高度自动化的生产方式,通过引入先进的传感器、机器人和人工智能技术,实现生产过程的智能化、自动化和可视化。智能生产线可以大幅提高生产效率,降低生产成本,提高产品质量,并减少对劳动力的依赖。
全园区覆盖的5G网络可以为智能生产线提供稳定、高效的通信支持,使生产线的各个环节实现实时监控和数据传输,提高生产线的协同效率。此外,全园区覆盖的5G网络还可以为企业提供远程监控、远程控制等服务,实现对整个生产园区的实时监控和管理,提高企业的管理水平和生产效率。
然而,由于无线通信的资源有限,在资源紧张可能导致通信不稳定,从而对智能生产线的网络服务的稳定性产生影响,因此,如何保证智能生产线的网络服务的稳定性是目前研究的热点问题。
发明内容
本申请实施例提供基于工业模型的高强度生产线协同优化与能效管理方法,用以保证智能生产线的网络服务的稳定性。
为达到上述目的,本申请采用如下技术方案:
第一方面,本申请实施例提供了一种基于工业模型的高强度生产线协同优化与能效管理方法,该方法应用于园区生产线的管理设备,该方法包括:管理设备获取M条智能生产线在第一时间的排产情况,M为大于1的整数;管理设备通过工业大模型分析M条智能生产线在第一时间的排产情况,得到预估的M条智能生产线在第二时间的排产情况,其中,第二时间在第一时间之后;管理设备请求运营商网络在第二时间为M条智能生产线,提供匹配M条智能生产线在第二时间的排产情况的通信服务。
可选地,M条智能生产线在第一时间的排产情况包括:M条智能生产线各自在第一时间正排产的订单数目,以及M条智能生产线各自在第一时间等待排产的订单数目,管理设备获取M条智能生产线在第一时间的排产情况,包括:管理设备在第一时间从M条智能生产线各自的控制端,获取M条智能生产线各自在第一时间正排产的订单数目,以及M条智能生产线各自在第一时间等待排产的订单数目。
可选地,管理设备通过工业大模型分析M条智能生产线在第一时间的排产情况,得到预估的M条智能生产线在第二时间的排产情况,包括:管理设备通过工业大模型分析M条智能生产线各自在第一时间正排产的订单数目,以及M条智能生产线各自在第一时间等待排产的订单数目,得到预估的M条智能生产线各自在第二时间正排产的订单数目,以及M条智能生产线各自在第二时间等待排产的订单数目;其中,M条智能生产线在第二时间的排产情况包括M条智能生产线各自在第二时间正排产的订单数目,以及M条智能生产线各自在第二时间等待排产的订单数目。
可选地,工业大模型为卷积神经网络模型,管理设备通过工业大模型分析M条智能生产线各自在第一时间正排产的订单数目,以及M条智能生产线各自在第一时间等待排产的订单数目,得到预估的M条智能生产线各自在第二时间正排产的订单数目,包括:管理设备将M条智能生产线各自在第一时间正排产的订单数目,以及M条智能生产线各自在第一时间等待排产的订单数目,映射为第一图片表征,其中,第一图片包括M行双色条纹,M行双色条纹中每行双色条纹表征对应M条智能生产线中的一个智能生产线,M行双色条纹中每行双色条纹的两种颜色在该双色条纹中所占的比例表征:该双色条纹表征的一个智能生产线在第一时间正排产的订单数目与等待排产的订单数目的比例;管理设备通过工业大模型处理第一图片,得到第二图片,其中,第二图片包括M行双色条纹,M行双色条纹中每行双色条纹表征对应M条智能生产线中的一个智能生产线,M行双色条纹中每行双色条纹的两种颜色的长度分别表征该双色条纹表征的一个智能生产线在第二时间正排产的订单数目和等待排产的订单数目;管理设备根据第二图片,确定M条智能生产线各自在第二时间正排产的订单数目,以及M条智能生产线各自在第二时间等待排产的订单数目。
可选地,工业大模型为递归神经网络模型,递归神经网络模型的输入数据格式为输出N项数据,N大于或等于2*M,管理设备通过工业大模型分析M条智能生产线各自在第一时间正排产的订单数目,以及M条智能生产线各自在第一时间等待排产的订单数目,得到预估的M条智能生产线各自在第二时间正排产的订单数目,包括:管理设备将M条智能生产线各自在第一时间正排产的订单数目作为一项第一数据,并将M条智能生产线各自在第一时间等待排产的订单数目作为另一项第一数据,共前2*M项第一数据,以及管理设备将后N-2*M项第一数据填充为0;管理设备将前2*M项第一数据以及后N-2*M项第一数据,共N项第一数据输入递归神经网络模型,得到递归神经网络模型输出的N项第二数据,其中,N项第二数据中前2*M项第二数据为M条智能生产线各自在第二时间正排产的订单数目以及M条智能生产线各自在第二时间等待排产的订单数目,N项第二数据中后N-2*M项第二数据为0。
可选地,管理设备请求运营商网络在第二时间为M条智能生产线,提供匹配M条智能生产线在第二时间的排产情况的通信服务,包括:管理设备根据M条智能生产线在第二时间的排产情况,确定M条智能生产线在第二时间各自所需的通信资源;管理设备向运营商网络中的NEF网元发送应用服务请求,其中,应用服务请求用以运营商网络在第二时间为M条智能生产线提供匹配通信资源的通信服务。
可选地,管理设备根据M条智能生产线在第二时间的排产情况,确定M条智能生产线在第二时间各自所需的通信资源,包括:管理设备根据预设的完成一个订单所需的单位通信资源、M条智能生产线各自在第二时间正排产的订单数目,以及M条智能生产线各自在第二时间等待排产的订单数目,确定M条智能生产线各自完成在第二时间正排产的订单所需的通信资源;其中,M条智能生产线各自完成在第二时间正排产的订单所需的通信资源即为M条智能生产线在第二时间各自所需的通信资源,单位通信资源包括单位时域资源和单位频域资源,单位时域资源表示完成一个订单所需的时间,单位频域资源表示完成一个订单过程中产生的通信所需的频域资源。
可选地,应用服务请求包括M条智能生产线各自在运营商网络中的标识,M条智能生产线各自的能力信息,以及M条智能生产线各自完成在第二时间正排产的订单所需的通信资源;其中,M条智能生产线各自的能力信息用于表示M条智能生产线各自最多能同时排产的订单数目。
可选地,运营商网络在第二时间为M条智能生产线提供匹配通信资源的通信服务是指:运营商网络中服务M条智能生产线的RAN设备需要在第二时间为M条智能生产线预留通信资源。
第二方面,本申请实施例提供了一种基于工业模型的高强度生产线协同优化与能效管理系统,该系统包括园区生产线的管理设备,该系统被配置为:管理设备获取M条智能生产线在第一时间的排产情况,M为大于1的整数;管理设备通过工业大模型分析M条智能生产线在第一时间的排产情况,得到预估的M条智能生产线在第二时间的排产情况,其中,第二时间在第一时间之后;管理设备请求运营商网络在第二时间为M条智能生产线,提供匹配M条智能生产线在第二时间的排产情况的通信服务。
可选地,该系统被配置为:管理设备在第一时间从M条智能生产线各自的控制端,获取M条智能生产线各自在第一时间正排产的订单数目,以及M条智能生产线各自在第一时间等待排产的订单数目。
可选地,该系统被配置为:管理设备通过工业大模型分析M条智能生产线各自在第一时间正排产的订单数目,以及M条智能生产线各自在第一时间等待排产的订单数目,得到预估的M条智能生产线各自在第二时间正排产的订单数目,以及M条智能生产线各自在第二时间等待排产的订单数目;其中,M条智能生产线在第二时间的排产情况包括M条智能生产线各自在第二时间正排产的订单数目,以及M条智能生产线各自在第二时间等待排产的订单数目。
可选地,工业大模型为卷积神经网络模型,该系统被配置为:管理设备将M条智能生产线各自在第一时间正排产的订单数目,以及M条智能生产线各自在第一时间等待排产的订单数目,映射为第一图片表征,其中,第一图片包括M行双色条纹,M行双色条纹中每行双色条纹表征对应M条智能生产线中的一个智能生产线,M行双色条纹中每行双色条纹的两种颜色在该双色条纹中所占的比例表征:该双色条纹表征的一个智能生产线在第一时间正排产的订单数目与等待排产的订单数目的比例;管理设备通过工业大模型处理第一图片,得到第二图片,其中,第二图片包括M行双色条纹,M行双色条纹中每行双色条纹表征对应M条智能生产线中的一个智能生产线,M行双色条纹中每行双色条纹的两种颜色的长度分别表征该双色条纹表征的一个智能生产线在第二时间正排产的订单数目和等待排产的订单数目;管理设备根据第二图片,确定M条智能生产线各自在第二时间正排产的订单数目,以及M条智能生产线各自在第二时间等待排产的订单数目。
可选地,工业大模型为递归神经网络模型,递归神经网络模型的输入数据格式为输出N项数据,N大于或等于2*M,该系统被配置为:管理设备将M条智能生产线各自在第一时间正排产的订单数目作为一项第一数据,并将M条智能生产线各自在第一时间等待排产的订单数目作为另一项第一数据,共前2*M项第一数据,以及管理设备将后N-2*M项第一数据填充为0;管理设备将前2*M项第一数据以及后N-2*M项第一数据,共N项第一数据输入递归神经网络模型,得到递归神经网络模型输出的N项第二数据,其中,N项第二数据中前2*M项第二数据为M条智能生产线各自在第二时间正排产的订单数目以及M条智能生产线各自在第二时间等待排产的订单数目,N项第二数据中后N-2*M项第二数据为0。
可选地,该系统被配置为:管理设备根据M条智能生产线在第二时间的排产情况,确定M条智能生产线在第二时间各自所需的通信资源;管理设备向运营商网络中的NEF网元发送应用服务请求,其中,应用服务请求用以运营商网络在第二时间为M条智能生产线提供匹配通信资源的通信服务。
可选地,该系统被配置为:管理设备根据预设的完成一个订单所需的单位通信资源、M条智能生产线各自在第二时间正排产的订单数目,以及M条智能生产线各自在第二时间等待排产的订单数目,确定M条智能生产线各自完成在第二时间正排产的订单所需的通信资源;其中,M条智能生产线各自完成在第二时间正排产的订单所需的通信资源即为M条智能生产线在第二时间各自所需的通信资源,单位通信资源包括单位时域资源和单位频域资源,单位时域资源表示完成一个订单所需的时间,单位频域资源表示完成一个订单过程中产生的通信所需的频域资源。
可选地,应用服务请求包括M条智能生产线各自在运营商网络中的标识,M条智能生产线各自的能力信息,以及M条智能生产线各自完成在第二时间正排产的订单所需的通信资源;其中,M条智能生产线各自的能力信息用于表示M条智能生产线各自最多能同时排产的订单数目。
可选地,运营商网络在第二时间为M条智能生产线提供匹配通信资源的通信服务是指:运营商网络中服务M条智能生产线的RAN设备需要在第二时间为M条智能生产线预留通信资源。
第三方面,本申请实施例提供了一种计算机可读存储介质,所述存储介质上存储有程序代码,当所述程序代码被所述计算机运行时,执行如第一方面所述的方法。
综上,上述方法及装置具有如下技术效果:
管理设备可以当前的订单排产情况,通过工业大模型预估将来某个时间的订单排产情况,请求运营商网络给将来某个时间的订单排产情况提供与之匹配的通信服务,保证智能生产线的网络服务的稳定性,避免因通信资源紧张而对智能生产线的工作产生影响。
附图说明
图1为5G系统的架构示意图;
图2为本申请实施例提供的一种生产系统的架构示意图;
图3为本申请实施例提供的一种基于工业模型的高强度生产线协同优化与能效管理方法的流程图;
图4为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
1、第五代(5th generation,5G)移动通信系统:
图1为5G系统的架构示意图,如图1所示,5G系统包括:接入网(access network,AN)和核心网(core network,CN),还可以包括:终端。
上述终端可以为具有收发功能的终端,或为可设置于该终端的芯片或芯片系统。该终端也可以称为用户装置(uesr equipment,UE)、接入终端、用户单元(subscriberunit)、用户站、移动站(mobile station,MS)、移动台、远方站、远程终端、移动设备、用户终端、终端、无线通信设备、用户代理或用户装置。本申请的实施例中的终端可以是手机(mobile phone)、蜂窝电话(cellular phone)、智能电话(smart phone)、平板电脑(Pad)、无线数据卡、个人数字助理电脑(personal digital assistant,PDA)、无线调制解调器(modem)、手持设备(handset)、膝上型电脑(laptop computer)、机器类型通信(machinetype communication,MTC)终端、带无线收发功能的电脑、虚拟现实(virtual reality,VR)终端、增强现实(augmented reality,AR)终端、工业控制(industrial control)中的无线终端、无人驾驶(self driving)中的无线终端、远程医疗(remote medical)中的无线终端、智能电网(smart grid)中的无线终端、运输安全(transportation safety)中的无线终端、智慧城市(smart city)中的无线终端、智慧家庭(smart home)中的无线终端、车载终端、具有终端功能的路边单元(road side unit,RSU)等。本申请的终端还可以是作为一个或多个部件或者单元而内置于车辆的车载模块、车载模组、车载部件、车载芯片或者车载单元。
上述AN用于实现接入有关的功能,可以为特定区域的授权用户提供入网功能,并能够根据用户的级别,业务的需求等确定不同质量的传输链路以传输用户数据。AN在终端与CN之间转发控制信号和用户数据。AN可以包括:接入网元,也可以称为无线接入网元(radio access network,RAN)设备。
RAN设备可以是为终端提供接入的设备。例如,RAN设备可以包括:RAN设备也可以包括5G,如新空口(new radio,NR)系统中的gNB,或,5G中的基站的一个或一组(包括多个天线面板)天线面板,或者,还可以为构成gNB、传输点(transmission and reception point,TRP或者transmission point,TP)或传输测量功能(transmission measurementfunction,TMF)的网络节点,如基带单元(building base band unit,BBU),或,集中单元(centralized unit,CU)或分布单元(distributed unit,DU)、具有基站功能的RSU,或者有线接入网关,或者5G的核心网网元。或者,RAN设备还可以包括无线保真(wirelessfidelity,WiFi)系统中的接入点(access point,AP),无线中继节点、无线回传节点、各种形式的宏基站、微基站(也称为小站)、中继站、接入点、可穿戴设备、车载设备等等。或者,RAN设备可以也可以包括下一代移动通信系统,例如6G的接入网元,例如6G基站,或者在下一代移动通信系统中,该网络设备也可以有其他命名方式,其均涵盖在本申请实施例的保护范围以内,本申请对此不做任何限定。
CN主要负责维护移动网络的签约数据,为终端提供会话管理、移动性管理、策略管理以及安全认证等功能。CN主要包括如下网元:用户面功能(user plane function,UPF)网元、认证服务功能(authentication server function,AUSF)网元、接入和移动性管理功能(access and mobility management function,AMF)网元、会话管理功能(sessionmanagement function,SMF)网元、网络切片选择功能(network slice selectionfunction,NSSF)网元、网络开放功能(network exposure function,NEF)网元、网络功能仓储功能(NF repository function,NRF)网元、策略控制功能(policy control function,PCF)网元、统一数据管理(unified data management,UDM)网元、应用功能(applicationfunction,AF)网元、以及网络切片和独立非公共网络(standalone non-public network,SNPN)的鉴权授权功能(network slice-specific and SNPN authentication andauthorization function,NSSAAF)网元。
NEF网元可用于支持能力和事件的开放。
2、深度神经网络(deep neural network,DNN):
DNN是机器学习的一种具体实现形式。根据通用近似定理,神经网络理论上可以逼近任意连续函数,从而使得神经网络具备学习任意映射的能力。根据网络的构建方式,DNN可分为卷积神经网络(convolutional neural networks,CNN)和递归神经网络(recurrent neural network,RNN)。
CNN是一种专门来处理具有类似网格结构的数据的神经网络。例如,时间序列数据(时间轴离散采样)和图片数据(二维离散采样)都可以认为是类似网格结构的数据。CNN并不一次性利用全部的输入信息做运算,而是采用一个固定大小的窗截取部分信息做卷积运算,这就大大降低了模型参数的计算量。另外根据窗截取的信息类型的不同(如同一幅图中的人和物为不同类型信息),每个窗可以采用不同的卷积核运算,这使得CNN能更好的提取输入数据的特征。
RNN是一类利用反馈时间序列信息的DNN网络。它的输入包括当前时刻的新的输入值和自身在前一时刻的输出值。RNN适合获取在时间上具有相关性的序列特征,特别适用于语音识别、信道编译码等应用。
在本发明实施例中,“指示”可以包括直接指示和间接指示,也可以包括显式指示和隐式指示。将某一信息所指示的信息称为待指示信息,则具体实现过程中,对待指示信息进行指示的方式有很多种,例如但不限于,可以直接指示待指示信息,如待指示信息本身或者该待指示信息的索引等。也可以通过指示其他信息来间接指示待指示信息,其中该其他信息与待指示信息之间存在关联关系。还可以仅仅指示待指示信息的一部分,而待指示信息的其他部分则是已知的或者提前约定的。例如,还可以借助预先约定(例如协议规定)的各个信息的排列顺序来实现对特定信息的指示,从而在一定程度上降低指示开销。同时,还可以识别各个信息的通用部分并统一指示,以降低单独指示同样的信息而带来的指示开销。
此外,具体的指示方式还可以是现有各种指示方式,例如但不限于,上述指示方式及其各种组合等。各种指示方式的具体细节可以参考现有技术,本文不再赘述。由上文所述可知,举例来说,当需要指示相同类型的多个信息时,可能会出现不同信息的指示方式不相同的情形。具体实现过程中,可以根据具体的需要选择所需的指示方式,本发明实施例对选择的指示方式不做限定,如此一来,本发明实施例涉及的指示方式应理解为涵盖可以使得待指示方获知待指示信息的各种方法。
应理解,待指示信息可以作为一个整体一起发送,也可以分成多个子信息分开发送,而且这些子信息的发送周期和/或发送时机可以相同,也可以不同。具体发送方法本发明实施例不进行限定。其中,这些子信息的发送周期和/或发送时机可以是预先定义的,例如根据协议预先定义的,也可以是发送端设备通过向接收端设备发送配置信息来配置的。
“预先定义”或“预先配置”可以通过在设备中预先保存相应的代码、表格或其他可用于指示相关信息的方式来实现,本发明实施例对于其具体的实现方式不做限定。其中,“保存”可以是指,保存在一个或者多个存储器中。所述一个或者多个存储器可以是单独的设置,也可以是集成在编码器或者译码器,处理器、或电子设备中。所述一个或者多个存储器也可以是一部分单独设置,一部分集成在译码器、处理器、或电子设备中。存储器的类型可以是任意形式的存储介质,本发明实施例并不对此限定。
本发明实施例中涉及的“协议”可以是指通信领域中协议族、类似协议族帧结构的标准协议、或者应用于未来的物联网设备的可靠接入方法系统中的相关协议,本发明实施例对此不作具体限定。
本发明实施例中,“当……时”、“在……的情况下”、“若”以及“如果”等描述均指在某种客观情况下设备会做出相应的处理,并非是限定时间,且也不要求设备在实现时一定要有判断的动作,也不意味着存在其它限定。
在本发明实施例的描述中,除非另有说明,“/”表示前后关联的对象是一种“或”的关系,例如,A/B可以表示A或B;本发明实施例中的“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况,其中A、B可以是单数或者复数。并且,在本发明实施例的描述中,除非另有说明,“多个”是指两个或多于两个。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a、b或c中的至少一项(个),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。另外,为了便于清楚描述本发明实施例的技术方案,在本发明的实施例中,采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定,并且“第一”、“第二”等字样也并不限定一定不同。同时,在本发明实施例中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本发明实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念,便于理解。
本发明实施例描述的网络架构以及业务场景是为了更加清楚的说明本发明实施例的技术方案,并不构成对于本发明实施例提供的技术方案的限定,本领域普通技术人员可知,随着网络架构的演变和新业务场景的出现,本发明实施例提供的技术方案对于类似的技术问题,同样适用。
下面将结合附图,对本申请中的技术方案进行描述。
请参阅图2,本申请实施例提供了一种生产系统,该生产系统可以包括:管理设备和运营商网络。
其中,管理设备可以理解为终端,终端可以为具有通信功能的终端,或可以为设置于该终端的芯片或芯片系统。该终端设备也可以称为用户装置(user equipment,UE)、接入终端、用户单元、用户站、移动站、移动台、远方站、远程终端、移动设备、用户终端、终端、无线通信设备、用户代理或用户装置。本申请的实施例中的终端设备可以是手机(mobilephone)、平板电脑(Pad)、带无线收发功能的电脑、虚拟现实(virtual reality,VR)终端设备、增强现实(augmented reality,AR)终端设备、工业控制(industrial control)中的无线终端、无人驾驶(self driving)中的无线终端、远程医疗(remote medical)中的无线终端、智能电网(smart grid)中的无线终端、运输安全(transportation safety)中的无线终端、智慧城市(smart city)中的无线终端、智慧家庭(smart home)中的无线终端、车载终端、具有终端功能的RSU等。
下面将结合方法,对上述生产系统中管理设备和运营商网络的交互进行详细说明。
请参阅图3,本申请实施例提供了一种基于工业模型的高强度生产线协同优化与能效管理方法。该方法可以适用于管理设备和运营商网络之间的通信。该方法的流程包括:
S301,管理设备获取M条智能生产线在第一时间的排产情况。
M为大于1的整数。M条智能生产线在第一时间的排产情况包括:M条智能生产线各自在第一时间正排产的订单数目,如智能生产线#1在第一时间正排产的订单数目2个,智能生产线#2在第一时间正排产的订单数目3个,以及M条智能生产线各自在第一时间等待排产的订单数目,如智能生产线#1在第一时间等待排产的订单数目10个,智能生产线#2在第一时间等待排产的订单数目8个。管理设备可以在第一时间从M条智能生产线各自的控制端,获取M条智能生产线各自在第一时间正排产的订单数目,以及M条智能生产线各自在第一时间等待排产的订单数目。
可以理解,由于智能生产线之间是可以协同的,例如,智能生产线#1的等待排产的订单数目为10个并是由自己全部完成,可能会分配2-3个订单给智能生产线#完成。
S302,管理设备通过工业大模型分析M条智能生产线在第一时间的排产情况,得到预估的M条智能生产线在第二时间的排产情况。
其中,第二时间在第一时间之后。
管理设备可以通过工业大模型分析M条智能生产线各自在第一时间正排产的订单数目,以及M条智能生产线各自在第一时间等待排产的订单数目,得到预估的M条智能生产线各自在第二时间正排产的订单数目,以及M条智能生产线各自在第二时间等待排产的订单数目。其中,M条智能生产线在第二时间的排产情况可以包括M条智能生产线各自在第二时间正排产的订单数目,以及M条智能生产线各自在第二时间等待排产的订单数目。
方式1:工业大模型为卷积神经网络模型,管理设备通过工业大模型分析M条智能生产线各自在第一时间正排产的订单数目,以及M条智能生产线各自在第一时间等待排产的订单数目,得到预估的M条智能生产线各自在第二时间正排产的订单数目,包括:
管理设备可以将M条智能生产线各自在第一时间正排产的订单数目,以及M条智能生产线各自在第一时间等待排产的订单数目,映射为第一图片表征。其中,第一图片包括M行双色条纹,M行双色条纹中每行双色条纹表征对应M条智能生产线中的一个智能生产线,M行双色条纹中每行双色条纹的两种颜色在该双色条纹中所占的比例表征:该双色条纹表征的一个智能生产线在第一时间正排产的订单数目与等待排产的订单数目的比例。
管理设备可以通过工业大模型处理第一图片,得到第二图片。其中,第二图片包括M行双色条纹,M行双色条纹中每行双色条纹表征对应M条智能生产线中的一个智能生产线,M行双色条纹中每行双色条纹的两种颜色的长度分别表征该双色条纹表征的一个智能生产线在第二时间正排产的订单数目和等待排产的订单数目;
管理设备可以根据第二图片,确定M条智能生产线各自在第二时间正排产的订单数目,以及M条智能生产线各自在第二时间等待排产的订单数目。
方式2:工业大模型为递归神经网络模型,递归神经网络模型的输入数据格式为输出N项数据,N大于或等于2*M,管理设备通过工业大模型分析M条智能生产线各自在第一时间正排产的订单数目,以及M条智能生产线各自在第一时间等待排产的订单数目,得到预估的M条智能生产线各自在第二时间正排产的订单数目,包括:
管理设备可以将M条智能生产线各自在第一时间正排产的订单数目作为一项第一数据,并将M条智能生产线各自在第一时间等待排产的订单数目作为另一项第一数据,共前2*M项第一数据,以及管理设备将后N-2*M项第一数据填充为0;
管理设备可以将前2*M项第一数据以及后N-2*M项第一数据,共N项第一数据输入递归神经网络模型,得到递归神经网络模型输出的N项第二数据,其中,N项第二数据中前2*M项第二数据为M条智能生产线各自在第二时间正排产的订单数目以及M条智能生产线各自在第二时间等待排产的订单数目,N项第二数据中后N-2*M项第二数据为0。
S303,管理设备请求运营商网络在第二时间为M条智能生产线,提供匹配M条智能生产线在第二时间的排产情况的通信服务。
管理设备可以根据M条智能生产线在第二时间的排产情况,确定M条智能生产线在第二时间各自所需的通信资源。例如,管理设备根据预设的完成一个订单所需的单位通信资源、M条智能生产线各自在第二时间正排产的订单数目,以及M条智能生产线各自在第二时间等待排产的订单数目,确定M条智能生产线各自完成在第二时间正排产的订单所需的通信资源,如通信资源为单位通信资源*正排产与等待排产的订单数目之和
其中,M条智能生产线各自完成在第二时间正排产的订单所需的通信资源即为M条智能生产线在第二时间各自所需的通信资源。单位通信资源包括单位时域资源和单位频域资源,单位时域资源表示完成一个订单所需的时间,如1s-2s(秒),单位频域资源表示完成一个订单过程中产生的通信所需的频域资源,如20兆的带宽。
管理设备可以向运营商网络中的NEF网元发送应用服务请求。其中,应用服务请求用以运营商网络在第二时间为M条智能生产线提供匹配通信资源的通信服务。例如,应用服务请求包括M条智能生产线各自在运营商网络中的标识,M条智能生产线各自的能力信息,以及M条智能生产线各自完成在第二时间正排产的订单所需的通信资源;其中,M条智能生产线各自的能力信息用于表示M条智能生产线各自最多能同时排产的订单数目。NEF网元可以将应用服务请求中携带的信息发送给为M条智能生产线提供通信服务的RAN设备,或者说,M条智能生产线接入的RAN设备。如此,运营商网络在第二时间为M条智能生产线提供匹配通信资源的通信服务是指:运营商网络中服务M条智能生产线的RAN设备需要在第二时间为M条智能生产线预留上述的通信资源。
可以理解,针对某一条智能生产线,RAN设备可以根据该智能生产线最多能同时排产的订单数目,预留复用同一单位时域资源的频域资源。例如,智能生产线最多能同时排产的订单数目为3个,RAN设备可以在同一单位时域资源,如1-2s上,预留60兆的带宽,给这3个能够同时排产的订单。
综上,管理设备可以当前的订单排产情况,通过工业大模型预估将来某个时间的订单排产情况,请求运营商网络给将来某个时间的订单排产情况提供与之匹配的通信服务,保证智能生产线的网络服务的稳定性,避免因通信资源紧张而对智能生产线的工作产生影响。
以上结合图3详细说明了本申请实施例提供的方法。以下介绍用于执行本申请实施例提供的方法的基于工业模型的高强度生产线协同优化与能效管理系统。
该系统包括园区生产线的管理设备,该系统被配置为:管理设备获取M条智能生产线在第一时间的排产情况,M为大于1的整数;管理设备通过工业大模型分析M条智能生产线在第一时间的排产情况,得到预估的M条智能生产线在第二时间的排产情况,其中,第二时间在第一时间之后;管理设备请求运营商网络在第二时间为M条智能生产线,提供匹配M条智能生产线在第二时间的排产情况的通信服务。
可选地,该系统被配置为:管理设备在第一时间从M条智能生产线各自的控制端,获取M条智能生产线各自在第一时间正排产的订单数目,以及M条智能生产线各自在第一时间等待排产的订单数目。
可选地,该系统被配置为:管理设备通过工业大模型分析M条智能生产线各自在第一时间正排产的订单数目,以及M条智能生产线各自在第一时间等待排产的订单数目,得到预估的M条智能生产线各自在第二时间正排产的订单数目,以及M条智能生产线各自在第二时间等待排产的订单数目;其中,M条智能生产线在第二时间的排产情况包括M条智能生产线各自在第二时间正排产的订单数目,以及M条智能生产线各自在第二时间等待排产的订单数目。
可选地,工业大模型为卷积神经网络模型,该系统被配置为:管理设备将M条智能生产线各自在第一时间正排产的订单数目,以及M条智能生产线各自在第一时间等待排产的订单数目,映射为第一图片表征,其中,第一图片包括M行双色条纹,M行双色条纹中每行双色条纹表征对应M条智能生产线中的一个智能生产线,M行双色条纹中每行双色条纹的两种颜色在该双色条纹中所占的比例表征:该双色条纹表征的一个智能生产线在第一时间正排产的订单数目与等待排产的订单数目的比例;管理设备通过工业大模型处理第一图片,得到第二图片,其中,第二图片包括M行双色条纹,M行双色条纹中每行双色条纹表征对应M条智能生产线中的一个智能生产线,M行双色条纹中每行双色条纹的两种颜色的长度分别表征该双色条纹表征的一个智能生产线在第二时间正排产的订单数目和等待排产的订单数目;管理设备根据第二图片,确定M条智能生产线各自在第二时间正排产的订单数目,以及M条智能生产线各自在第二时间等待排产的订单数目。
可选地,工业大模型为递归神经网络模型,递归神经网络模型的输入数据格式为输出N项数据,N大于或等于2*M,该系统被配置为:管理设备将M条智能生产线各自在第一时间正排产的订单数目作为一项第一数据,并将M条智能生产线各自在第一时间等待排产的订单数目作为另一项第一数据,共前2*M项第一数据,以及管理设备将后N-2*M项第一数据填充为0;管理设备将前2*M项第一数据以及后N-2*M项第一数据,共N项第一数据输入递归神经网络模型,得到递归神经网络模型输出的N项第二数据,其中,N项第二数据中前2*M项第二数据为M条智能生产线各自在第二时间正排产的订单数目以及M条智能生产线各自在第二时间等待排产的订单数目,N项第二数据中后N-2*M项第二数据为0。
可选地,该系统被配置为:管理设备根据M条智能生产线在第二时间的排产情况,确定M条智能生产线在第二时间各自所需的通信资源;管理设备向运营商网络中的NEF网元发送应用服务请求,其中,应用服务请求用以运营商网络在第二时间为M条智能生产线提供匹配通信资源的通信服务。
可选地,该系统被配置为:管理设备根据预设的完成一个订单所需的单位通信资源、M条智能生产线各自在第二时间正排产的订单数目,以及M条智能生产线各自在第二时间等待排产的订单数目,确定M条智能生产线各自完成在第二时间正排产的订单所需的通信资源;其中,M条智能生产线各自完成在第二时间正排产的订单所需的通信资源即为M条智能生产线在第二时间各自所需的通信资源,单位通信资源包括单位时域资源和单位频域资源,单位时域资源表示完成一个订单所需的时间,单位频域资源表示完成一个订单过程中产生的通信所需的频域资源。
可选地,应用服务请求包括M条智能生产线各自在运营商网络中的标识,M条智能生产线各自的能力信息,以及M条智能生产线各自完成在第二时间正排产的订单所需的通信资源;其中,M条智能生产线各自的能力信息用于表示M条智能生产线各自最多能同时排产的订单数目。
可选地,运营商网络在第二时间为M条智能生产线提供匹配通信资源的通信服务是指:运营商网络中服务M条智能生产线的RAN设备需要在第二时间为M条智能生产线预留通信资源。
下面结合图4对电子设备500的各个构成部件进行具体的介绍:
其中,处理器501是电子设备500的控制中心,可以是一个处理器,也可以是多个处理元件的统称。例如,处理器501是一个或多个中央处理器(central processing unit,CPU),也可以是特定集成电路(application specific integrated circuit,ASIC),或者是被配置成实施本申请实施例的一个或多个集成电路,例如:一个或多个微处理器(digital signal processor,DSP),或,一个或者多个现场可编程门阵列(fieldprogrammable gate array,FPGA)。
可选地,处理器501可以通过运行或执行存储在存储器502内的软件程序,以及调用存储在存储器502内的数据,执行电子设备500的各种功能,如上述图3所示的方法中的功能。
在具体的实现中,作为一种实施例,处理器501可以包括一个或多个CPU,例如图4中所示出的CPU0和CPU1。
在具体实现中,作为一种实施例,电子设备500也可以包括多个处理器。这些处理器中的每一个可以是一个单核处理器(single-CPU),也可以是一个多核处理器(multi-CPU)。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
其中,存储器502用于存储执行本申请方案的软件程序,并由处理器501来控制执行,具体实现方式可以参考上述方法实施例,此处不再赘述。
可选地,存储器502可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或
可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory,EEPROM)、只读光盘(compact disc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器502可以和处理器501集成在一起,也可以独立存在,并电子设备500
的接口电路(图4中未示出)与处理器501耦合,本申请实施例对此不作具体限定。
收发器503,用于与其他装置之间的通信。例如,基于多波束的定位装置为终端,收发器503可以用于与网络设备通信,或者与另一个终端通信。
可选地,收发器503可以包括接收器和发送器(图4中未单独示出)。其中,接收器用于实现接收功能,发送器用于实现发送功能。
可选地,收发器503可以和处理器501集成在一起,也可以独立存在,并通过电子设备500的接口电路(图4中未示出)与处理器501耦合,本申请实施例对此不作具体限定。
需要说明的是,图4中示出的电子设备500的结构并不构成对该装置的限定,实际的电子设备500可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
此外,基于电子设备500的技术效果可以参考上述方法实施例的方法的技术效果,此处不再赘述。
应理解,在本申请实施例中的处理器可以是中央处理单元(central processingunit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(digital signalprocessor,DSP)、专用集成电路(application specific integrated circuit,ASIC)、现成可编程门阵列(field programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
还应理解,本申请实施例中的存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(read-only memory,ROM)、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasable PROM,EPROM)、电可擦除可编程只读存储器(electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的随机存取存储器(random accessmemory,RAM)可用,例如静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM,DR RAM)。
上述实施例,可以全部或部分地通过软件、硬件(如电路)、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行计算机指令或计算机程序时,全部或部分地产生按照本申请实施例的流程或功能。计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质。半导体介质可以是固态硬盘。
应理解,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况,其中A,B可以是单数或者复数。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系,但也可能表示的是一种“和/或”的关系,具体可参考前后文进行理解。
本申请中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个),可以表示:a, b, c, a-b, a-c, b-c, 或a-b-c,其中a,b,c可以是单个,也可以是多个。
应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征字段可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种基于工业模型的高强度生产线协同优化与能效管理方法,其特征在于,所述方法应用于园区生产线的管理设备,所述方法包括:
所述管理设备获取M条智能生产线在第一时间的排产情况,M为大于1的整数;
所述管理设备通过工业大模型分析所述M条智能生产线在第一时间的排产情况,得到预估的所述M条智能生产线在第二时间的排产情况,其中,所述第二时间在所述第一时间之后;
所述管理设备请求运营商网络在所述第二时间为所述M条智能生产线,提供匹配所述M条智能生产线在第二时间的排产情况的通信服务。
2.根据权利要求1所述的方法,其特征在于,所述M条智能生产线在所述第一时间的排产情况包括:所述M条智能生产线各自在所述第一时间正排产的订单数目,以及所述M条智能生产线各自在第一时间等待排产的订单数目,所述管理设备获取M条智能生产线在第一时间的排产情况,包括:
所述管理设备在所述第一时间从所述M条智能生产线各自的控制端,获取所述M条智能生产线各自在所述第一时间正排产的订单数目,以及所述M条智能生产线各自在所述第一时间等待排产的订单数目。
3.根据权利要求2所述的方法,其特征在于,所述管理设备通过工业大模型分析所述M条智能生产线在第一时间的排产情况,得到预估的所述M条智能生产线在第二时间的排产情况,包括:
所述管理设备通过工业大模型分析所述M条智能生产线各自在所述第一时间正排产的订单数目,以及所述M条智能生产线各自在所述第一时间等待排产的订单数目,得到预估的所述M条智能生产线各自在所述第二时间正排产的订单数目,以及所述M条智能生产线各自在所述第二时间等待排产的订单数目;其中,所述M条智能生产线在所述第二时间的排产情况包括所述M条智能生产线各自在所述第二时间正排产的订单数目,以及所述M条智能生产线各自在所述第二时间等待排产的订单数目。
4.根据权利要求3所述的方法,其特征在于,所述工业大模型为卷积神经网络模型,所述管理设备通过工业大模型分析所述M条智能生产线各自在所述第一时间正排产的订单数目,以及所述M条智能生产线各自在所述第一时间等待排产的订单数目,得到预估的所述M条智能生产线各自在所述第二时间正排产的订单数目,包括:
所述管理设备将所述M条智能生产线各自在所述第一时间正排产的订单数目,以及所述M条智能生产线各自在所述第一时间等待排产的订单数目,映射为第一图片表征,其中,所述第一图片包括M行双色条纹,所述M行双色条纹中每行双色条纹表征对应所述M条智能生产线中的一个智能生产线,所述M行双色条纹中每行双色条纹的两种颜色在该双色条纹中所占的比例表征:该双色条纹表征的一个智能生产线在所述第一时间正排产的订单数目与等待排产的订单数目的比例;
所述管理设备通过所述工业大模型处理所述第一图片,得到第二图片,其中,所述第二图片包括M行双色条纹,所述M行双色条纹中每行双色条纹表征对应所述M条智能生产线中的一个智能生产线,所述M行双色条纹中每行双色条纹的两种颜色的长度分别表征该双色条纹表征的一个智能生产线在所述第二时间正排产的订单数目和等待排产的订单数目;
所述管理设备根据所述第二图片,确定所述M条智能生产线各自在所述第二时间正排产的订单数目,以及所述M条智能生产线各自在所述第二时间等待排产的订单数目。
5.根据权利要求3所述的方法,其特征在于,所述工业大模型为递归神经网络模型,所述递归神经网络模型的输入数据格式为输出N项数据,N大于或等于2*M,所述管理设备通过工业大模型分析所述M条智能生产线各自在所述第一时间正排产的订单数目,以及所述M条智能生产线各自在所述第一时间等待排产的订单数目,得到预估的所述M条智能生产线各自在所述第二时间正排产的订单数目,包括:
所述管理设备将所述M条智能生产线各自在所述第一时间正排产的订单数目作为一项第一数据,并将所述M条智能生产线各自在所述第一时间等待排产的订单数目作为另一项第一数据,共前2*M项第一数据,以及所述管理设备将后N-2*M项第一数据填充为0;
所述管理设备将所述前2*M项第一数据以及所述后N-2*M项第一数据,共N项第一数据输入所述递归神经网络模型,得到所述递归神经网络模型输出的N项第二数据,其中,所述N项第二数据中前2*M项第二数据为所述M条智能生产线各自在所述第二时间正排产的订单数目以及所述M条智能生产线各自在所述第二时间等待排产的订单数目,所述N项第二数据中后N-2*M项第二数据为0。
6.根据权利要求1所述的方法,其特征在于,所述管理设备请求运营商网络在所述第二时间为所述M条智能生产线,提供匹配所述M条智能生产线在第二时间的排产情况的通信服务,包括:
所述管理设备根据所述M条智能生产线在所述第二时间的排产情况,确定所述M条智能生产线在所述第二时间各自所需的通信资源;
所述管理设备向所述运营商网络中的NEF网元发送应用服务请求,其中,所述应用服务请求用以所述运营商网络在所述第二时间为所述M条智能生产线提供匹配所述通信资源的通信服务。
7.根据权利要求6所述的方法,其特征在于,所述管理设备根据所述M条智能生产线在所述第二时间的排产情况,确定所述M条智能生产线在所述第二时间各自所需的通信资源,包括:
所述管理设备根据预设的完成一个订单所需的单位通信资源、所述M条智能生产线各自在所述第二时间正排产的订单数目,以及所述M条智能生产线各自在所述第二时间等待排产的订单数目,确定所述M条智能生产线各自完成在所述第二时间正排产的订单所需的通信资源;其中,所述M条智能生产线各自完成在所述第二时间正排产的订单所需的通信资源即为所述M条智能生产线在所述第二时间各自所需的通信资源,所述单位通信资源包括单位时域资源和单位频域资源,所述单位时域资源表示完成一个订单所需的时间,所述单位频域资源表示完成一个订单过程中产生的通信所需的频域资源。
8.根据权利要求7所述的方法,其特征在于,所述应用服务请求包括所述M条智能生产线各自在所述运营商网络中的标识,所述M条智能生产线各自的能力信息,以及所述M条智能生产线各自完成在所述第二时间正排产的订单所需的通信资源;其中,所述M条智能生产线各自的能力信息用于表示所述M条智能生产线各自最多能同时排产的订单数目。
9.根据权利要求8所述的方法,其特征在于,所述运营商网络在所述第二时间为所述M条智能生产线提供匹配所述通信资源的通信服务是指:所述运营商网络中服务所述M条智能生产线的RAN设备需要在所述第二时间为所述M条智能生产线预留所述通信资源。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311605031.5A CN117311296B (zh) | 2023-11-29 | 2023-11-29 | 基于工业模型的高强度生产线协同优化与能效管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311605031.5A CN117311296B (zh) | 2023-11-29 | 2023-11-29 | 基于工业模型的高强度生产线协同优化与能效管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117311296A true CN117311296A (zh) | 2023-12-29 |
CN117311296B CN117311296B (zh) | 2024-02-13 |
Family
ID=89281492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311605031.5A Active CN117311296B (zh) | 2023-11-29 | 2023-11-29 | 基于工业模型的高强度生产线协同优化与能效管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117311296B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117590790A (zh) * | 2024-01-17 | 2024-02-23 | 青岛创新奇智科技集团股份有限公司 | 一种基于工业大模型的智能生产线监控方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408113A (zh) * | 2016-08-31 | 2017-02-15 | 广州亿澳斯软件股份有限公司 | 生产订单的排产管理方法与系统 |
CN111522303A (zh) * | 2020-04-07 | 2020-08-11 | 青岛奥利普自动化控制系统有限公司 | 一种计划排产方法和设备 |
CN111612293A (zh) * | 2020-04-07 | 2020-09-01 | 青岛奥利普智能制造研究院有限公司 | 一种基于mes系统的计划排产方法和设备 |
CN112967020A (zh) * | 2021-03-04 | 2021-06-15 | 上海伯俊软件科技有限公司 | 一种订单生产的管理系统及其管理方法 |
CN114612005A (zh) * | 2022-04-02 | 2022-06-10 | 杭州聚玻科技有限公司 | 基于SaaS实现的玻璃工厂数字智能系统 |
CN116205620A (zh) * | 2023-02-01 | 2023-06-02 | 湖南三一智能控制设备有限公司 | 一种生产线的排产方法、装置及电子设备 |
WO2023130709A1 (zh) * | 2022-01-06 | 2023-07-13 | 青岛海尔科技有限公司 | 家电设备的生产排程方法、装置、设备及存储介质 |
CN116523262A (zh) * | 2023-06-02 | 2023-08-01 | 深圳普菲特信息科技股份有限公司 | 基于大数据的生产计划智能规划方法、系统和介质 |
-
2023
- 2023-11-29 CN CN202311605031.5A patent/CN117311296B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408113A (zh) * | 2016-08-31 | 2017-02-15 | 广州亿澳斯软件股份有限公司 | 生产订单的排产管理方法与系统 |
CN111522303A (zh) * | 2020-04-07 | 2020-08-11 | 青岛奥利普自动化控制系统有限公司 | 一种计划排产方法和设备 |
CN111612293A (zh) * | 2020-04-07 | 2020-09-01 | 青岛奥利普智能制造研究院有限公司 | 一种基于mes系统的计划排产方法和设备 |
CN112967020A (zh) * | 2021-03-04 | 2021-06-15 | 上海伯俊软件科技有限公司 | 一种订单生产的管理系统及其管理方法 |
WO2023130709A1 (zh) * | 2022-01-06 | 2023-07-13 | 青岛海尔科技有限公司 | 家电设备的生产排程方法、装置、设备及存储介质 |
CN114612005A (zh) * | 2022-04-02 | 2022-06-10 | 杭州聚玻科技有限公司 | 基于SaaS实现的玻璃工厂数字智能系统 |
CN116205620A (zh) * | 2023-02-01 | 2023-06-02 | 湖南三一智能控制设备有限公司 | 一种生产线的排产方法、装置及电子设备 |
CN116523262A (zh) * | 2023-06-02 | 2023-08-01 | 深圳普菲特信息科技股份有限公司 | 基于大数据的生产计划智能规划方法、系统和介质 |
Non-Patent Citations (1)
Title |
---|
张伟;于成龙;侯俊杰;徐皓;赵颖;: "基于感知信息的车间动态排产方法", 现代制造工程, no. 02 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117590790A (zh) * | 2024-01-17 | 2024-02-23 | 青岛创新奇智科技集团股份有限公司 | 一种基于工业大模型的智能生产线监控方法及系统 |
CN117590790B (zh) * | 2024-01-17 | 2024-04-12 | 青岛创新奇智科技集团股份有限公司 | 一种基于工业大模型的智能生产线监控方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117311296B (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Song et al. | Artificial intelligence enabled Internet of Things: Network architecture and spectrum access | |
WO2021233053A1 (zh) | 计算卸载的方法和通信装置 | |
CN117311296B (zh) | 基于工业模型的高强度生产线协同优化与能效管理方法 | |
CN117289669B (zh) | 一种基于工业大模型的自动调整式生产线控制系统及方法 | |
US20130336206A1 (en) | Communication transmission system | |
WO2019125470A1 (en) | Opportunistic and efficient spectrum sharing between priority access and general access users | |
CN112492637B (zh) | 一种用于小区业务量预测的方法和装置 | |
CN114698138A (zh) | 一种信道接入方法和装置 | |
WO2021233061A1 (zh) | 调度方法、调度系统和调度装置 | |
US20230091815A1 (en) | Method and apparatus for management data analytics service (mdas) assisted paging in a wireless communication system | |
JP2023539912A (ja) | 通信方法及びデバイス | |
CN116208992B (zh) | 一种运行状态的稳定性评估方法及装置 | |
CN115499470B (zh) | 一种智能电表数据的存储管理方法及装置 | |
CN116887009B (zh) | 基于5g网络的端云一体视频结构化方法及系统 | |
CN117499989B (zh) | 一种基于大模型的智能化生产管理方法及系统 | |
CN117641409B (zh) | 一种WiFi6路由器基于AI模型的数据传输优化方法 | |
CN117155805B (zh) | 一种基于统计机器学习的设备管理方法及装置 | |
CN115567899B (zh) | 一种智能电表的误差分析方法及装置 | |
CN117580146B (zh) | 一种伺服电机集群的控制方法及装置 | |
CN117687348B (zh) | 基于物联网的高可靠度的废气处理设备集群的控制方法 | |
CN113630390B (zh) | 基于大数据的终端设备的网络安全通信方法及装置 | |
CN117693040B (zh) | 基于无线网络的激光焊接控制系统及控制方法 | |
CN117221884B (zh) | 基站系统信息管理方法及系统 | |
WO2024036454A1 (zh) | 一种数据特征测量方法及相关装置 | |
WO2023202206A1 (zh) | 通信方法及装置 |
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 |