CN117590821A - 基于工业大模型的生产线优化方法 - Google Patents
基于工业大模型的生产线优化方法 Download PDFInfo
- Publication number
- CN117590821A CN117590821A CN202410076961.4A CN202410076961A CN117590821A CN 117590821 A CN117590821 A CN 117590821A CN 202410076961 A CN202410076961 A CN 202410076961A CN 117590821 A CN117590821 A CN 117590821A
- Authority
- CN
- China
- Prior art keywords
- production line
- data
- equipment
- target
- optimization
- 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 640
- 238000005457 optimization Methods 0.000 title claims abstract description 186
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000001514 detection method Methods 0.000 claims abstract description 70
- 238000012549 training Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 18
- 239000002994 raw material Substances 0.000 claims description 11
- 238000012512 characterization method Methods 0.000 claims description 4
- 238000003913 materials processing Methods 0.000 claims description 2
- 238000009776 industrial production Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 12
- 239000000047 product Substances 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 239000012467 final product Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000013068 supply chain management Methods 0.000 description 1
- 238000012360 testing method 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]
- G05B19/41845—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 system universality, reconfigurability, modularity
-
- 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
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31094—Data exchange between modules, cells, devices, processors
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
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)
- General Factory Administration (AREA)
Abstract
本申请公开了一种基于工业大模型的生产线优化方法，涉及工业技术领域。先通过生产线数据选取规则，确定出目标生产线数据；然后利用工业大模型和该目标生产线数据确定出生产线检测结果；基于该生产线检测结果，再进一步确定目标生产线设备，从而，利用目标生产线设备和与其关联的生产线设备的生产线数据，确定优化策略。一方面，利用工业大模型和初筛的生产线数据先确定生产线检测结果，基于该生产线检测结果可以较为准确的挖掘可能存在问题的生产线设备；另一方面，通过对存在问题的生产线设备进行扩展，能够扩展生产线的优化范围，实现更为全面的生产线优化。因此，该技术方案能够基于工业大模型，实现生产线的有效、全面且精确的优化。
Description
技术领域
本申请是关于工业技术领域，特别是关于一种基于工业大模型的生产线优化方法。
背景技术
随着工业大模型的发展，工业大模型在工业场景中的应用也随之发展。在各种工业场景中，工业大模型可以用于数据监测、数据排查等各种数据处理流程。在工业场景中，涉及到工业生产线，工业生产线的运行稳定性十分重要。
目前，工业大模型主要用于工业场景中的数据处理，工业大模型与工业生产线的优化没有相关联系。
发明内容
本申请的目的在于提供一种基于工业大模型的生产线优化方法，其能够基于工业大模型，实现生产线的有效、全面且精确的优化。
为实现上述目的，本申请的实施例提供了一种基于工业大模型的生产线优化方法，包括：根据预设的生产线数据选取规则，在第一预设时间段内的生产线数据中确定出目标生产线数据，所述目标生产线数据对应至少两种生产线数据类型，不同生产线数据类型对应不同的生产线设备；根据预设的工业大模型和所述目标生产线数据，确定生产线检测结果，所述生产线检测结果用于表征生产线是否需要优化；若所述生产线检测结果表征生产线需要优化，根据所述目标生产线数据对应的生产线数据类型和生产线阶段，确定目标生产线设备；根据所述目标生产线设备在第二预设时间段内的生产线数据和所述目标生产线设备的关联生产线设备在所述第二预设时间段内的生产线数据，确定第一生产线优化策略，所述关联生产线设备与所述目标生产线设备在预设生产设备链中的连接关系满足预设连接关系，所述预设生产设备链用于表征多个生产设备之间的连接关系；执行所述第一生产线优化策略。
在一种可能的实施方式中，所述至少两种生产线数据类型包括：工业机器人数据类型、传感器数据类型和控制设备数据类型，所述预设的生产线数据选取规则，包括：选取第一数量的工业机器人的生产线数据，所述第一数量根据生产线中的工业机器人总数量确定；选取第二数量的传感器的生产线数据，所述第二数量根据生产线中的传感器总数量和所述第一数量确定；选取第三数量的控制设备的生产线数据，所述第三数量根据生产线中的控制设备总数量、所述第一数量和所述第二数量确定；其中，所述第一数量的工业机器人、所述第二数量的传感器和所述第三数量的控制设备，涉及多个生产线阶段。
在一种可能的实施方式中，所述生产线优化方法还包括：获取预设的训练数据集，所述预设的训练数据集中包括多组训练数据，每一组训练数据中包括多个样本生产线数据和所述多个样本生产线数据对应的样本检测结果，该样本检测结果用于表征所述多个样本生产线数据对应的生产线是否需要优化，所述多个样本生产线数据为按照所述预设的生产线数据选取规则确定的数据；根据所述预设的训练数据集，对初始的工业大模型进行训练，获得所述预设的工业大模型。
在一种可能的实施方式中，所述至少两种生产线数据类型包括：工业机器人数据类型、传感器数据类型和控制设备数据类型，所述生产线阶段包括原材料加工阶段、组装阶段和成品阶段，所述根据所述目标生产线数据对应的生产线数据类型和生产线阶段，确定目标生产线设备，包括：根据所述目标生产线数据对应的生产线数据类型和生产线阶段，确定第一目标生产线数据、第二目标生产线数据和第三目标生产线数据，所述第一目标生产线数据对应的生产线阶段为所述原材料加工阶段，所述第一目标生产线数据对应的生产线数据类型为所述传感器数据类型或者控制设备数据类型；所述第二目标生产线数据对应的生产线阶段为所述组装阶段，所述第二目标生产线数据对应的生产线数据类型为所述工业机器人数据类型或者所述控制设备数据类型；所述第三目标生产线数据对应的生产线阶段为所述成品阶段，所述第三目标生产线数据对应的生产线数据类型为所述传感器数据类型或者所述工业机器人数据类型；根据所述第一目标生产线数据对应的生产线设备、所述第二目标生产线数据对应的生产线设备和所述第三目标生产线数据对应的生产线设备，确定所述目标生产线设备。
在一种可能的实施方式中，所述根据所述第一目标生产线数据对应的生产线设备、所述第二目标生产线数据对应的生产线设备和所述第三目标生产线数据对应的生产线设备，确定所述目标生产线设备，包括：判断所述第一目标生产线数据对应的生产线设备数量、所述第二目标生产线数据对应的生产线设备数量和所述第三目标生产线数据对应的生产线设备数量是否满足预设的数量条件，所述预设的数量条件包括：所述第一目标生产线数据对应的生产线设备数量、所述第二目标生产线数据对应的生产线设备数量和所述第三目标生产线数据对应的生产线设备数量的数量总和小于预设数量，且所述第一目标生产线数据对应的生产线设备数量小于所述第二目标生产线数据对应的生产线设备数量，所述第二目标生产线数据对应的生产线设备数量小于所述第三目标生产线数据对应的生产线设备数量；若是，则将所述第一目标生产线数据对应的生产线设备、所述第二目标生产线数据对应的生产线设备和所述第三目标生产线数据对应的生产线设备均确定为所述目标生产线设备。
在一种可能的实施方式中，所述预设连接关系包括以下的任意一种连接关系：所述关联生产线设备与所述目标生产线设备在所述预设生产设备链中具有直接连接关系；所述关联生产线设备与所述目标生产线设备在所述预设生产设备链中通过中间生产线设备间接连接，所述中间生产线设备所连接的生产线设备对应至少两个生产阶段；所述关联生产线设备与所述目标生产线设备在所述预设生产设备链中不具备连接关系，且所述关联生产线设备为历史优化次数小于预设次数的生产线设备。
在一种可能的实施方式中，所述根据所述目标生产线设备在第二预设时间段内的生产线数据和所述目标生产线设备的关联生产线设备在所述第二预设时间段内的生产线数据，确定第一生产线优化策略，包括：根据所述预设的工业大模型和所述目标生产线设备在第二预设时间段内的生产线数据，确定第一生产线检测结果；根据所述预设的工业大模型和所述目标生产线设备的关联生产线设备在所述第二预设时间段内的生产线数据，确定第二生产线检测结果；根据所述第一生产线检测结果和所述第二生产线检测结果，确定所述第一生产线优化策略。
在一种可能的实施方式中，所述根据所述第一生产线检测结果和所述第二生产线检测结果，确定所述第一生产线优化策略，包括：若所述第一生产线检测结果表征生产线需要优化，且所述第二生产线检测结果表征生产线需要优化，确定所述第一生产线优化策略包括：对所述目标生产线设备和所述关联生产线设备均进行优化；若所述第一生产线检测结果表征生产线需要优化，且所述第二生产线检测结果表征生产线不需要优化，确定所述第一生产线优化策略包括：对所述目标生产线设备进行优化，以及对所述关联生产线设备中的预设数量的生产线设备进行优化；若所述第一生产线检测结果表征生产线不需要优化，且所述第二生产线检测结果表征生产线需要优化，确定所述第一生产线优化策略包括：对所述目标生产线设备中的预设数量的生产线设备进行优化，以及对所述关联生产线设备进行优化。
在一种可能的实施方式中，所述生产线优化方法还包括：获取所述第一生产线优化策略对应的反馈信息，所述反馈信息包括所述第一生产线优化策略的优化结果和用户上报的优化需求，所述优化需求包括需求优化设备和所述需求优化设备的生产线数据；根据所述反馈信息，确定第二生产线优化策略；执行所述第二生产线优化策略。
在一种可能的实施方式中，所述根据所述反馈信息，确定第二生产线优化策略，包括：若所述优化结果中包括所述需求优化设备对应的优化结果，根据所述需求优化设备对应的优化结果和所述需求优化设备的生产线数据，确定第二生产线优化策略；若所述优化结果中不包括所述需求优化设备对应的优化结果，根据所述需求优化设备的生产线数据和所述预设的工业大模型，确定第二生产线优化策略。
与现有技术相比，本申请实施例提供的技术方案具有以下技术效果：
先通过生产线数据选取规则，确定出目标生产线数据；然后利用工业大模型和该目标生产线数据确定出生产线检测结果；基于该生产线检测结果，再进一步确定目标生产线设备，从而，利用目标生产线设备和与其关联的生产线设备的生产线数据，确定优化策略。一方面，利用工业大模型和初筛的生产线数据先确定生产线检测结果，基于该生产线检测结果可以较为准确的挖掘可能存在问题的生产线设备；另一方面，通过对存在问题的生产线设备进行扩展，能够扩展生产线的优化范围，实现更为全面的生产线优化。因此，该技术方案能够基于工业大模型，实现生产线的有效、全面且精确的优化。
附图说明
图1是根据本申请实施例的生产线示例图；
图2是根据本申请实施例的工业生产线优化系统的示例图；
图3是根据本申请实施例的基于工业大模型的生产线优化方法的流程图；
图4是根据本申请实施例的基于工业大模型的生产线优化装置的框图；
图5是根据本申请实施例的终端设备的框图。
具体实施方式
下面结合附图，对本申请的具体实施方式进行详细描述，但应当理解本申请的保护范围并不受具体实施方式的限制。
除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。
本申请实施例提供的技术方案可以应用于各种工业生产线场景中，以实现生产线的优化。
工业生产线是一种用于大规模生产工业产品的自动化流水线，通常由一系列的机械、电气和自动化设备组成。这些设备可以完成从原材料的加工、组装、检测到最终成品的全部或部分制造过程。
工业生产线具有高效、快速和精准的特点，能够在大规模生产中降低成本、提高产品质量和生产效率。同时，工业生产线还能够实现高度的自动化和智能化，减少人工干预，提高生产的一致性和稳定性。
工业生产线在各个行业都有广泛的应用，如汽车制造、电子制造、食品加工等。随着智能制造的不断发展，工业生产线正朝着更加智能化、柔性化和可持续发展的方向发展。
为了实现工业生产线的智能化和柔性化，需要采用一系列先进的技术和设备，如工业机器人、传感器、自动化控制系统等。同时，还需要加强生产线的维护和管理，确保生产线的稳定性和可靠性。
总之，工业生产线是现代工业生产的核心，对于提高生产效率、降低成本和提高产品质量具有重要的作用。
请参照图1，为本申请实施例提供的工业生产线的示例图，如图1所示，在工业生产线中，包括多个生产线设备，这多个生产线设备可能属于不同的设备类型。并且，这多个生产线设备共同贯穿工业生产线的多个生产线阶段。例如，图1中的生产线设备A对应生产线阶段一，生产线设备B对应生产线阶段二，生产线设备C对应生产线阶段三。
可以理解，每一生产线阶段不止对应一个生产线设备，也不止对应一个类型的生产线设备，图1仅作为一种示例。
请参照图2，为本申请实施例提供的工业生产线优化系统的示例图，在该优化系统中，除了包括图1所示出的生产线设备，还包括优化平台和数据平台。数据平台与各个生产线设备分别通信连接，其可以获取各个生产线设备的生产线数据，并对这些生产线数据进行整合，存储在本地。优化平台与数据平台通信连接，其可以从数据平台获取需要的数据，以对整个生产线的数据进行分析，制定出相应的优化策略。
相关技术中，缺少一种有效、精确且全面的生产线优化方案，不能对大量的生产线数据进行整合，并给出相应的优化指引。
基于此，本申请实施例提供一种生产线优化方案，该生产线优化方案可以应用于图2所示的优化平台。
请参照图3，为本申请实施例提供的基于工业大模型的生产线优化方法的流程图，该方法包括：
步骤301，根据预设的生产线数据选取规则，在第一预设时间段内的生产线数据中确定出目标生产线数据，目标生产线数据对应至少两种生产线数据类型，不同生产线数据类型对应不同的生产线设备。
在一些实施例中，第一预设时间段的开始时间可以是上一次生产线优化结束的时间，第一预设时间段的时长可以根据预设的优化周期确定，例如，预设的优化周期为10天，则第一预设时间段的时长可以是8天。从而，基于第一预设时间段的时长，可以确定第一预设时间段的结束时间。
在一些实施例中，由于第一预设时间段内的生产线数据量很大，所以，可以通过选取规则，选取出一些用于评估是否需要优化的数据。
在一些实施例中，可以从数据平台处，获取所需的生产线数据。
作为一种可选的实施方式，至少两种生产线数据类型包括：工业机器人数据类型、传感器数据类型和控制设备数据类型，预设的生产线数据选取规则，包括：选取第一数量的工业机器人的生产线数据，第一数量根据生产线中的工业机器人总数量确定；选取第二数量的传感器的生产线数据，第二数量根据生产线中的传感器总数量和第一数量确定；选取第三数量的控制设备的生产线数据，第三数量根据生产线中的控制设备总数量、第一数量和第二数量确定；其中，第一数量的工业机器人、第二数量的传感器和第三数量的控制设备，涉及多个生产线阶段。
在一些实施例中，工业机器人例如：运输机器人、信息展示机器人等；传感器例如，图像传感器，用于采集图像；温度传感器，用于采集温度；控制设备例如，开关控制设备、传送带控制设备等。对于这些生产线设备来说，均会产生相应的生产线数据，在本申请实施例中，需要获取的是能够评估是否需要优化的一些数据。
工业机器人数据类型，例如：运输机器人的运输路线、信息展示机器人展示的信息等。传感器数据类型，例如：图像、温度、湿度等。控制设备数据类型，例如：控制参数。
进一步地，可以选取第一数量的工业机器人的生产线数据，该第一数量可以是工业机器人总数量的三分之一。可以选取第二数量的传感器的生产线数据，第二数量的确定可以包括：先确定传感器总数量的三分之一数量，若该数量大于第一数量，则可直接确定为第二数量；若该数量小于或者等于第一数量，则该数量的基础上，加上第一数量的二分之一，得到第二数量。可以选取第三数量的控制设备的生产线数据，第三数量的确定可以包括：先确定控制设备的总数量的三分之一数量，若该数量小于第二数量之间，则可直接确定为第三数量，若该数量大于或者等于第二数量，则在该数量的基础上，减去第一数量的二分之一，再减去第二数量的二分之一，得到第三数量。
在一些实施例中，除了数量的限定，在选取时，需要将选取的生产线设备，覆盖到多个生产线阶段。示例的，如果一共选取10个工业机器人的生产线数据，一共有三个生产线阶段，则，这10个工业机器人需要包括生产线阶段一的工业机器人、生产线阶段二的工业机器人和生产线阶段三的工业机器人。至于数量的分布，可以不受限制，即一个生产阶段只需保证选取到至少一个工业机器人即可。
从而，最终确定出的目标生产线数据，对应至少两种生产线数据类型，不同生产线数据类型对应不同的生产线设备。
步骤302，根据预设的工业大模型和目标生产线数据，确定生产线检测结果，生产线检测结果用于表征生产线是否需要优化。
工业大模型是在工业领域中应用的大规模机器学习模型，主要用于解决复杂的问题，如预测、优化、控制等。工业大模型的应用场景包括但不限于生产过程优化、供应链管理、设备故障预测等。
工业大模型的优势在于能够处理大规模的数据，并且能够通过学习和自适应能力不断优化自身的表现。这使得工业大模型在处理复杂的问题时，能够提供更高的精度和更低的误差率。
为了充分发挥工业大模型的潜力，需要采取一系列的措施。首先，需要加强计算基础设施的建设，提高计算能力和存储能力。其次，需要加强数据治理和数据质量控制，确保数据的准确性和完整性。此外，还需要加强人才培养和技术研究，提高大模型的研发和应用水平。
总之，工业大模型是工业领域中的一种重要技术，具有广阔的应用前景和巨大的潜力。通过加强基础设施建设、数据治理和人才培养等措施，可以充分发挥工业大模型的优点，提高工业生产的效率和质量。
在本申请实施例中，基于工业大模型的技术背景，对工业大模型进行应用，使其能够根据生产线数据，确定生产线设备是否需要优化。
因此，作为一种可选的实施方式，该方法还包括：获取预设的训练数据集，预设的训练数据集中包括多组训练数据，每一组训练数据中包括多个样本生产线数据和多个样本生产线数据对应的样本检测结果，该样本检测结果用于表征多个样本生产线数据对应的生产线是否需要优化，多个样本生产线数据为按照预设的生产线数据选取规则确定的数据；根据预设的训练数据集，对初始的工业大模型进行训练，获得预设的工业大模型。
在一些实施例中，多个样本生产线数据也可以是覆盖多种类型的生产设备，以及覆盖多个生产线阶段的数据。
在一些实施例中，样本检测结果可以是专业人士给出的结果，也可以根据实际运行情况所呈现的结果。例如，对于一份数据来说，经过实际的检查，发现生产线确实存在问题，需要优化，则代表需要优化。
在一些实施例中，工业大模型可以采用本领域成熟的模型实施方式，其训练方式也可以参照本领域的成熟技术，在此不作详细介绍。
从而，在步骤302中，将目标生产线数据输入到工业大模型中，工业大模型可输出用于表征是否需要优化的检测结果。可以理解，此处的检测结果并不能定位具体出现问题的生产线设备，所以需要后续进一步定位生产设备。
此外，可以理解，目标生产线数据不止一份数据，其是对应多种生产线设备的多份数据。
步骤303，若生产线检测结果表征生产线需要优化，根据目标生产线数据对应的生产线数据类型和生产线阶段，确定目标生产线设备。
在本申请实施例中，生产线阶段包括原材料加工阶段、组装阶段和成品阶段。原材料加工阶段，可理解为加工原材料的阶段；组装阶段，可理解为对加工的原材料进行组装的阶段；成品阶段，可理解为对组装的产品进行进一步包装，得到成品的阶段。
作为一种可选的实施方式，步骤303包括：根据目标生产线数据对应的生产线数据类型和生产线阶段，确定第一目标生产线数据、第二目标生产线数据和第三目标生产线数据，第一目标生产线数据对应的生产线阶段为原材料加工阶段，第一目标生产线数据对应的生产线数据类型为传感器数据类型或者控制设备数据类型；第二目标生产线数据对应的生产线阶段为组装阶段，第二目标生产线数据对应的生产线数据类型为工业机器人数据类型或者控制设备数据类型；第三目标生产线数据对应的生产线阶段为成品阶段，第三目标生产线数据对应的生产线数据类型为传感器数据类型或者工业机器人数据类型；根据第一目标生产线数据对应的生产线设备、第二目标生产线数据对应的生产线设备和第三目标生产线数据对应的生产线设备，确定目标生产线设备。
在一些实施例中，可以先将目标生产线数据按照对应的生产线阶段进行划分。然后，针对原材料加工阶段类别的目标生产线数据，将数据类型为传感器数据类型或者控制设备数据类型的生产线数据，确定为第一目标生产线数据。针对组装阶段类别的目标生产线数据，将数据类型为工业机器人数据类型或者控制设备数据类型的生产线数据，确定为第二目标生产线数据。针对成品阶段类别的目标生产线数据，将数据类型为传感器数据类型或者工业机器人数据类型的生产线数据，确定为第三目标生产线数据。
进一步地，根据第一目标生产线数据对应的生产线设备、第二目标生产线数据对应的生产线设备和第三目标生产线数据对应的生产线设备，确定目标生产线设备，包括：判断第一目标生产线数据对应的生产线设备数量、第二目标生产线数据对应的生产线设备数量和第三目标生产线数据对应的生产线设备数量是否满足预设的数量条件，预设的数量条件包括：第一目标生产线数据对应的生产线设备数量、第二目标生产线数据对应的生产线设备数量和第三目标生产线数据对应的生产线设备数量的数量总和小于预设数量，且第一目标生产线数据对应的生产线设备数量小于第二目标生产线数据对应的生产线设备数量，第二目标生产线数据对应的生产线设备数量小于第三目标生产线数据对应的生产线设备数量；若是，则将第一目标生产线数据对应的生产线设备、第二目标生产线数据对应的生产线设备和第三目标生产线数据对应的生产线设备均确定为目标生产线设备。
在一些实施例中，预设数量可以是预先设定的用于判定优化策略的数量，例如：100、50等数值；具体可结合实际的应用场景设定。
在一些实施例中，若三种数量不满足预设的数量条件，则从第一目标生产线数据对应的生产线设备、第二目标生产线数据对应的生产线设备和第三目标生产线数据对应的生产线设备中，选取出满足预设数量的生产线设备。选取的规则为，第一目标生产线数据对应的生产线设备选取最少，第三目标生产线数据对应的生产线设备选取最多。
步骤304，根据目标生产线设备在第二预设时间段内的生产线数据和目标生产线设备的关联生产线设备在第二预设时间段内的生产线数据，确定第一生产线优化策略。关联生产线设备与目标生产线设备在预设生产设备链中的连接关系满足预设连接关系，预设生产设备链用于表征多个生产设备之间的连接关系。
在一些实施例中，第二预设时间段的开始时间可以与第一预设时间段的开始时间相同，第二预设时间段的结束时间可以是当前时间。
在一些实施例中，生产线预设有生产设备链，该生产设备链可以表征部分或者全部的生产设备之间的连接关系。若两个生产设备之间存在连接关系，则代表两个生产设备之间的数据存在关联关系。例如，传送带控制设备的数据与传送带设置的图像传感器的数据之间存在关联关系，则两者可以具备连接关系。
根据该连接关系，可以确定出关联生产线设备，以实现生产线设备的扩展。
作为一种可选的实施方式，预设连接关系包括以下的任意一种连接关系：关联生产线设备与目标生产线设备在预设生产设备链中具有直接连接关系；关联生产线设备与目标生产线设备在预设生产设备链中通过中间生产线设备间接连接，中间生产线设备所连接的生产线设备对应至少两个生产阶段；关联生产线设备与目标生产线设备在预设生产设备链中不具备连接关系，且关联生产线设备为历史优化次数小于预设次数的生产线设备。
在一些实施例中，直接连接关系，可以理解为直接连接，代表两者的数据具有关联性。间接连接关系，可以理解为通过其他的生产设备，所具有的广义的连接关系。其中，中间生产线设备可以是分布在至少两个生产阶段中的设备。示例的，中间生产线设备，所连接的其中一个设备为生产阶段一的设备，所连接的另一个设备为生产阶段二的设备；该中间生产线设备可以是生产阶段一和/或生产阶段二的设备；则，中间生产线设备所连接的两个设备具有间接连接关系。
在一些实施例中，对于与目标生产线设备不具有连接关系的设备，如果其历史优化次数小于预设优化次数，则也可确定为关联生产线设备。其中，历史优化次数，可以是优化平台中记录的信息，在每次执行优化策略之后，对历史优化次数进行更新。
进而，步骤304可以包括：根据预设的工业大模型和目标生产线设备在第二预设时间段内的生产线数据，确定第一生产线检测结果；根据预设的工业大模型和目标生产线设备的关联生产线设备在第二预设时间段内的生产线数据，确定第二生产线检测结果；根据第一生产线检测结果和第二生产线检测结果，确定第一生产线优化策略。
在一些实施例中，根据第一生产线检测结果和第二生产线检测结果，确定第一生产线优化策略，包括：若第一生产线检测结果表征生产线需要优化，且第二生产线检测结果表征生产线需要优化，确定第一生产线优化策略包括：对目标生产线设备和关联生产线设备均进行优化；若第一生产线检测结果表征生产线需要优化，且第二生产线检测结果表征生产线不需要优化，确定第一生产线优化策略包括：对目标生产线设备进行优化，以及对关联生产线设备中的预设数量的生产线设备进行优化；若第一生产线检测结果表征生产线不需要优化，且第二生产线检测结果表征生产线需要优化，确定第一生产线优化策略包括：对目标生产线设备中的预设数量的生产线设备进行优化，以及对关联生产线设备进行优化。
在一些实施例中，预设数量可以是预设的基础优化数量，例如：10个、20个等，具体可以根据应用场景进行设定。
在一些实施例中，若生产线检测结果表征生产线不需要优化，则根据用户上报的优化需求，制定优化策略。
步骤305，执行第一生产线优化策略。
在一些实施例中，第一生产线优化策略仅用于表征需要优化的生产线设备，具体的优化策略，可以由相关的优化人员进行制定；也可以采用预设的优化策略。例如，不同的设备分别预设一些优化策略，不同的优化策略对应不同的使用年限，根据当前生产设备的使用年限，从中确定出合理的优化策略。
从而，在步骤305中，可以将第一生产线优化策略反馈给相关用户，以使相关用户对相应设备进行优化；还可以为各个生产线设备选取相应的优化策略，并反馈给相关用户，以使相关用户对相应设备进行优化。
在一些实施例中，生产线优化方法还包括：获取第一生产线优化策略对应的反馈信息，反馈信息包括第一生产线优化策略的优化结果和用户上报的优化需求，优化需求包括需求优化设备和需求优化设备的生产线数据；根据反馈信息，确定第二生产线优化策略；执行第二生产线优化策略。
在一些实施例中，第一生产线优化策略的优化结果可以包括：优化时间和优化信息，优化信息例如优化的具体方式。
在一些实施例中，需求优化设备的生产线数据，可以是用户认为可以证明需要优化的相关数据。
在一些实施例中，根据所述反馈信息，确定第二生产线优化策略，包括：若优化结果中包括需求优化设备对应的优化结果，根据需求优化设备对应的优化结果和需求优化设备的生产线数据，确定第二生产线优化策略；若优化结果中不包括需求优化设备对应的优化结果，根据需求优化设备的生产线数据和预设的工业大模型，确定第二生产线优化策略。
在一些实施例中，判定需求优化设备的生产线数据为优化前的数据，还是优化后的数据，如果是优化前的，则无需优化；若是优化后的，则可以利用需求优化设备的生产线数据和预设的工业大模型，确定第二生产线优化策略。
在一些实施例中，若预设的工业大模型给出的检测结果是需要优化，则确定需要优化设备；否则，确定不需要优化设备。
在一些实施例中，第二生产线优化策略的执行方式，可参照第一生产线优化策略的执行方式，在此不作重复介绍。
通过本申请实施例的介绍可以看出，先通过生产线数据选取规则，确定出目标生产线数据；然后利用工业大模型和该目标生产线数据确定出生产线检测结果；基于该生产线检测结果，再进一步确定目标生产线设备，从而，利用目标生产线设备和与其关联的生产线设备的生产线数据，确定优化策略。一方面，利用工业大模型和初筛的生产线数据先确定生产线检测结果，基于该生产线检测结果可以较为准确的挖掘可能存在问题的生产线设备；另一方面，通过对存在问题的生产线设备进行扩展，能够扩展生产线的优化范围，实现更为全面的生产线优化。因此，该技术方案能够基于工业大模型，实现生产线的有效、全面且精确的优化。
请参照图4，本申请的实施例提供,一种基于工业大模型的生产线优化装置，包括：
选取模块401，用于根据预设的生产线数据选取规则，在第一预设时间段内的生产线数据中确定出目标生产线数据，所述目标生产线数据对应至少两种生产线数据类型，不同生产线数据类型对应不同的生产线设备。
检测模块402，用于根据预设的工业大模型和所述目标生产线数据，确定生产线检测结果，所述生产线检测结果用于表征生产线是否需要优化。
优化模块403，用于若所述生产线检测结果表征生产线需要优化，根据所述目标生产线数据对应的生产线数据类型和生产线阶段，确定目标生产线设备；根据所述目标生产线设备在第二预设时间段内的生产线数据和所述目标生产线设备的关联生产线设备在所述第二预设时间段内的生产线数据，确定第一生产线优化策略，所述关联生产线设备与所述目标生产线设备在预设生产设备链中的连接关系满足预设连接关系，所述预设生产设备链用于表征多个生产设备之间的连接关系；执行所述第一生产线优化策略。
该基于工业大模型的生产线优化装置可以参照前述方法实施例的介绍，在此不进行重复介绍。
请参照图5，本申请实施例还提供一种终端设备，包括处理器501和存储器502，处理器501和存储器502通信连接，该终端设备可作为前述的基于工业大模型的生产线优化方法的执行主体。
处理器501、存储器502之间直接或间接地电连接，以实现数据的传输或交互。例如，这些元件之间可以通过一条或多条通讯总线或信号总线实现电连接。前述的基于工业大模型的生产线优化方法分别包括至少一个可以以软件或固件（firmware）的形式存储于存储器502中的软件功能模块。
处理器501可以是一种集成电路芯片，具有信号处理能力。处理器501可以是通用处理器，包括CPU (Central Processing Unit，中央处理器)、NP (Network Processor，网络处理器)等；还可以是数字信号处理器、专用集成电路、现成可编程门阵列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。其可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。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。
存储器502可以存储各种软件程序以及模块，如本申请实施例提供的基于工业大模型的生产线优化方法及装置对应的程序指令/模块。处理器501通过运行存储在存储器502中的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现本申请实施例中的方法。
存储器502可以包括但不限于RAM（Random Access Memory，随机存取存储器），ROM（Read Only Memory，只读存储器），PROM（Programmable Read-Only Memory，可编程只读存储器），EPROM（Erasable Programmable Read-Only Memory，可擦除只读存储器），EEPROM（Electric Erasable Programmable Read-Only Memory，电可擦除只读存储器）等。
可以理解，图5所示的结构仅为示意，终端设备还可包括比图5中所示更多或者更少的组件，或者具有与图5所示不同的配置。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
前述对本申请的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本申请限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本申请的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本申请的各种不同的示例性实施方案以及各种不同的选择和改变。本申请的范围意在由权利要求书及其等同形式所限定。
Claims (10)
1.一种基于工业大模型的生产线优化方法，其特征在于，包括：
根据预设的生产线数据选取规则，在第一预设时间段内的生产线数据中确定出目标生产线数据，所述目标生产线数据对应至少两种生产线数据类型，不同生产线数据类型对应不同的生产线设备；
根据预设的工业大模型和所述目标生产线数据，确定生产线检测结果，所述生产线检测结果用于表征生产线是否需要优化；
若所述生产线检测结果表征生产线需要优化，根据所述目标生产线数据对应的生产线数据类型和生产线阶段，确定目标生产线设备；
根据所述目标生产线设备在第二预设时间段内的生产线数据和所述目标生产线设备的关联生产线设备在所述第二预设时间段内的生产线数据，确定第一生产线优化策略，所述关联生产线设备与所述目标生产线设备在预设生产设备链中的连接关系满足预设连接关系，所述预设生产设备链用于表征多个生产设备之间的连接关系；
执行所述第一生产线优化策略。
2.根据权利要求1所述的基于工业大模型的生产线优化方法，其特征在于，所述至少两种生产线数据类型包括：工业机器人数据类型、传感器数据类型和控制设备数据类型，所述预设的生产线数据选取规则，包括：
选取第一数量的工业机器人的生产线数据，所述第一数量根据生产线中的工业机器人总数量确定；
选取第二数量的传感器的生产线数据，所述第二数量根据生产线中的传感器总数量和所述第一数量确定；
选取第三数量的控制设备的生产线数据，所述第三数量根据生产线中的控制设备总数量、所述第一数量和所述第二数量确定；
其中，所述第一数量的工业机器人、所述第二数量的传感器和所述第三数量的控制设备，涉及多个生产线阶段。
3.根据权利要求1所述的基于工业大模型的生产线优化方法，其特征在于，所述生产线优化方法还包括：
获取预设的训练数据集，所述预设的训练数据集中包括多组训练数据，每一组训练数据中包括多个样本生产线数据和所述多个样本生产线数据对应的样本检测结果，该样本检测结果用于表征所述多个样本生产线数据对应的生产线是否需要优化，所述多个样本生产线数据为按照所述预设的生产线数据选取规则确定的数据；
根据所述预设的训练数据集，对初始的工业大模型进行训练，获得所述预设的工业大模型。
4.根据权利要求1所述的基于工业大模型的生产线优化方法，其特征在于，所述至少两种生产线数据类型包括：工业机器人数据类型、传感器数据类型和控制设备数据类型，所述生产线阶段包括原材料加工阶段、组装阶段和成品阶段，所述根据所述目标生产线数据对应的生产线数据类型和生产线阶段，确定目标生产线设备，包括：
根据所述目标生产线数据对应的生产线数据类型和生产线阶段，确定第一目标生产线数据、第二目标生产线数据和第三目标生产线数据，所述第一目标生产线数据对应的生产线阶段为所述原材料加工阶段，所述第一目标生产线数据对应的生产线数据类型为所述传感器数据类型或者控制设备数据类型；所述第二目标生产线数据对应的生产线阶段为所述组装阶段，所述第二目标生产线数据对应的生产线数据类型为所述工业机器人数据类型或者所述控制设备数据类型；所述第三目标生产线数据对应的生产线阶段为所述成品阶段，所述第三目标生产线数据对应的生产线数据类型为所述传感器数据类型或者所述工业机器人数据类型；
根据所述第一目标生产线数据对应的生产线设备、所述第二目标生产线数据对应的生产线设备和所述第三目标生产线数据对应的生产线设备，确定所述目标生产线设备。
5.根据权利要求4所述的基于工业大模型的生产线优化方法，其特征在于，所述根据所述第一目标生产线数据对应的生产线设备、所述第二目标生产线数据对应的生产线设备和所述第三目标生产线数据对应的生产线设备，确定所述目标生产线设备，包括：
判断所述第一目标生产线数据对应的生产线设备数量、所述第二目标生产线数据对应的生产线设备数量和所述第三目标生产线数据对应的生产线设备数量是否满足预设的数量条件，所述预设的数量条件包括：所述第一目标生产线数据对应的生产线设备数量、所述第二目标生产线数据对应的生产线设备数量和所述第三目标生产线数据对应的生产线设备数量的数量总和小于预设数量，且所述第一目标生产线数据对应的生产线设备数量小于所述第二目标生产线数据对应的生产线设备数量，所述第二目标生产线数据对应的生产线设备数量小于所述第三目标生产线数据对应的生产线设备数量；
若是，则将所述第一目标生产线数据对应的生产线设备、所述第二目标生产线数据对应的生产线设备和所述第三目标生产线数据对应的生产线设备均确定为所述目标生产线设备。
6.根据权利要求1所述的基于工业大模型的生产线优化方法，其特征在于，所述预设连接关系包括以下的任意一种连接关系：
所述关联生产线设备与所述目标生产线设备在所述预设生产设备链中具有直接连接关系；
所述关联生产线设备与所述目标生产线设备在所述预设生产设备链中通过中间生产线设备间接连接，所述中间生产线设备所连接的生产线设备对应至少两个生产阶段；
所述关联生产线设备与所述目标生产线设备在所述预设生产设备链中不具备连接关系，且所述关联生产线设备为历史优化次数小于预设次数的生产线设备。
7.根据权利要求1所述的基于工业大模型的生产线优化方法，其特征在于，所述根据所述目标生产线设备在第二预设时间段内的生产线数据和所述目标生产线设备的关联生产线设备在所述第二预设时间段内的生产线数据，确定第一生产线优化策略，包括：
根据所述预设的工业大模型和所述目标生产线设备在第二预设时间段内的生产线数据，确定第一生产线检测结果；
根据所述预设的工业大模型和所述目标生产线设备的关联生产线设备在所述第二预设时间段内的生产线数据，确定第二生产线检测结果；
根据所述第一生产线检测结果和所述第二生产线检测结果，确定所述第一生产线优化策略。
8.根据权利要求7所述的基于工业大模型的生产线优化方法，其特征在于，所述根据所述第一生产线检测结果和所述第二生产线检测结果，确定所述第一生产线优化策略，包括：
若所述第一生产线检测结果表征生产线需要优化，且所述第二生产线检测结果表征生产线需要优化，确定所述第一生产线优化策略包括：对所述目标生产线设备和所述关联生产线设备均进行优化；
若所述第一生产线检测结果表征生产线需要优化，且所述第二生产线检测结果表征生产线不需要优化，确定所述第一生产线优化策略包括：对所述目标生产线设备进行优化，以及对所述关联生产线设备中的预设数量的生产线设备进行优化；
若所述第一生产线检测结果表征生产线不需要优化，且所述第二生产线检测结果表征生产线需要优化，确定所述第一生产线优化策略包括：对所述目标生产线设备中的预设数量的生产线设备进行优化，以及对所述关联生产线设备进行优化。
9.根据权利要求1所述的基于工业大模型的生产线优化方法，其特征在于，所述生产线优化方法还包括：
获取所述第一生产线优化策略对应的反馈信息，所述反馈信息包括所述第一生产线优化策略的优化结果和用户上报的优化需求，所述优化需求包括需求优化设备和所述需求优化设备的生产线数据；
根据所述反馈信息，确定第二生产线优化策略；
执行所述第二生产线优化策略。
10.根据权利要求9所述的基于工业大模型的生产线优化方法，其特征在于，所述根据所述反馈信息，确定第二生产线优化策略，包括：
若所述优化结果中包括所述需求优化设备对应的优化结果，根据所述需求优化设备对应的优化结果和所述需求优化设备的生产线数据，确定第二生产线优化策略；
若所述优化结果中不包括所述需求优化设备对应的优化结果，根据所述需求优化设备的生产线数据和所述预设的工业大模型，确定第二生产线优化策略。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410076961.4A CN117590821B (zh) | 2024-01-19 | 2024-01-19 | 基于工业大模型的生产线优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410076961.4A CN117590821B (zh) | 2024-01-19 | 2024-01-19 | 基于工业大模型的生产线优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117590821A true CN117590821A (zh) | 2024-02-23 |
| CN117590821B CN117590821B (zh) | 2024-04-12 |
Family
ID=89916995
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410076961.4A Active CN117590821B (zh) | 2024-01-19 | 2024-01-19 | 基于工业大模型的生产线优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117590821B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118348943A (zh) * | 2024-06-18 | 2024-07-16 | 西安航空学院 | 一种基于自适应控制的工业设备智能调度系统及方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20020071100A (ko) * | 2001-03-03 | 2002-09-12 | (주)에스엠티코리아 | 전자부품 실장시스템의 최적화방법 |
| CN103324175A (zh) * | 2013-06-09 | 2013-09-25 | 广东豪美铝业股份有限公司 | 一种铝型材生产线的管控系统 |
| CN113408828A (zh) * | 2021-08-06 | 2021-09-17 | 太仓韬信信息科技有限公司 | 基于智能制造的生产线优化方法、装置及服务器 |
| CN114065501A (zh) * | 2021-11-11 | 2022-02-18 | 中兵勘察设计研究院有限公司 | 生产线工艺仿真优化方法及系统 |
| CN114064850A (zh) * | 2021-10-18 | 2022-02-18 | 珠海格力电器股份有限公司 | 生产线定制方法、装置、存储介质及电子设备 |
| US20220342401A1 (en) * | 2020-01-02 | 2022-10-27 | Georgia-Pacific LLC | Systems and methods for production-line optimization |
| CN115328063A (zh) * | 2022-09-15 | 2022-11-11 | 北京东华博泰科技有限公司 | 基于人工智能的设备优化系统及方法 |
| CN115759485A (zh) * | 2023-01-06 | 2023-03-07 | 中建科技集团有限公司 | 基于装配式建筑的图像的生产控制方法及相关设备 |
| WO2023124103A1 (zh) * | 2021-12-30 | 2023-07-06 | 卡奥斯工业智能研究院(青岛)有限公司 | 生产线的测试方法、装置和设备 |
| CN116700194A (zh) * | 2023-07-20 | 2023-09-05 | 浪潮云洲工业互联网有限公司 | 一种用于smt生产线的生产效率优化方法、设备及介质 |
-
2024
- 2024-01-19 CN CN202410076961.4A patent/CN117590821B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20020071100A (ko) * | 2001-03-03 | 2002-09-12 | (주)에스엠티코리아 | 전자부품 실장시스템의 최적화방법 |
| CN103324175A (zh) * | 2013-06-09 | 2013-09-25 | 广东豪美铝业股份有限公司 | 一种铝型材生产线的管控系统 |
| US20220342401A1 (en) * | 2020-01-02 | 2022-10-27 | Georgia-Pacific LLC | Systems and methods for production-line optimization |
| CN113408828A (zh) * | 2021-08-06 | 2021-09-17 | 太仓韬信信息科技有限公司 | 基于智能制造的生产线优化方法、装置及服务器 |
| CN114064850A (zh) * | 2021-10-18 | 2022-02-18 | 珠海格力电器股份有限公司 | 生产线定制方法、装置、存储介质及电子设备 |
| CN114065501A (zh) * | 2021-11-11 | 2022-02-18 | 中兵勘察设计研究院有限公司 | 生产线工艺仿真优化方法及系统 |
| WO2023124103A1 (zh) * | 2021-12-30 | 2023-07-06 | 卡奥斯工业智能研究院(青岛)有限公司 | 生产线的测试方法、装置和设备 |
| CN115328063A (zh) * | 2022-09-15 | 2022-11-11 | 北京东华博泰科技有限公司 | 基于人工智能的设备优化系统及方法 |
| CN115759485A (zh) * | 2023-01-06 | 2023-03-07 | 中建科技集团有限公司 | 基于装配式建筑的图像的生产控制方法及相关设备 |
| CN116700194A (zh) * | 2023-07-20 | 2023-09-05 | 浪潮云洲工业互联网有限公司 | 一种用于smt生产线的生产效率优化方法、设备及介质 |
Non-Patent Citations (1)
| Title |
|---|
| 张文祥;李耀杰;: "基于Tecnomatix自动化生产线工艺仿真", 现代制造技术与装备, no. 02, 15 February 2020 (2020-02-15) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118348943A (zh) * | 2024-06-18 | 2024-07-16 | 西安航空学院 | 一种基于自适应控制的工业设备智能调度系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117590821B (zh) | 2024-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3809220B1 (en) | Method and system for semi-supervised deep anomaly detection for large-scale industrial monitoring systems based on time-series data utilizing digital twin simulation data | |
| CN117590821B (zh) | 基于工业大模型的生产线优化方法 | |
| JP2020173551A (ja) | 故障予測装置、故障予測方法、コンピュータプログラム、計算モデルの学習方法および計算モデルの生成方法 | |
| CN110969600A (zh) | 一种产品缺陷检测方法、装置、电子设备及存储介质 | |
| WO2020175084A1 (ja) | 運営評価装置、運営評価方法、およびプログラム | |
| US20050033457A1 (en) | Simulation aid tools and ladder program verification systems | |
| CN113778042B (zh) | 基于信息化建模的工控设备指令模拟运行通信系统 | |
| CN114019921A (zh) | 基于组合模型的生产线设备控制方法、装置、设备及介质 | |
| US20080133031A1 (en) | System and method for validating data for a machine | |
| CN112527610A (zh) | 设备运作状态的监测方法及装置 | |
| CN112733454B (zh) | 一种基于联合学习的设备预测性维护方法及装置 | |
| JP2005284415A (ja) | 組立製造ラインにおける作業工程別タクトタイム推定方法、全体工程編成方法、装置およびプログラム | |
| US11704113B2 (en) | Program development device, project creation method, and storage medium | |
| CN114637350A (zh) | 空间环境控制方法、装置及存储介质 | |
| CN112580942A (zh) | 一种变电站操作票库配置方法及顺控操作任务生成方法 | |
| CN114192583A (zh) | 一种基于Scada平台的带钢轧制过程质量监控方法和系统 | |
| Olsson et al. | Case-based reasoning applied to geometric measurements for decision support in manufacturing | |
| CN113806985A (zh) | 一种仿真分析方法及装置 | |
| CN111124782A (zh) | 一种智能配置计算机集群的方法及装置 | |
| CN118095575B (zh) | 实时产能预测与优化生产计划系统及方法 | |
| CN115903644B (zh) | 一种plc工程逻辑调试方法、系统、终端设备及存储介质 | |
| CN117389659B (zh) | 一种面向工业软件的方法库管理方法及装置 | |
| CN118171538B (zh) | 故障时间预测方法、电子设备及存储介质 | |
| CN115826503B (zh) | 一种基于工业互联网大数据的机床远程诊断方法 | |
| TWI830193B (zh) | 預測系統、資訊處理裝置以及資訊處理程式 |
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 | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: 266000 Room 501, tower a, Haier International Plaza, No. 939, Zhenwu Road, Jimo Economic Development Zone, Qingdao, Shandong Patentee after: Innovation Qizhi Technology Group Co.,Ltd. Country or region after: China Address before: 266000 Room 501, tower a, Haier International Plaza, No. 939, Zhenwu Road, Jimo Economic Development Zone, Qingdao, Shandong Patentee before: Qingdao Chuangxin Qizhi Technology Group Co.,Ltd. Country or region before: China |