CN117635082A - 一种饲料专用二氧化硅生产智能化管理系统 - Google Patents
一种饲料专用二氧化硅生产智能化管理系统 Download PDFInfo
- Publication number
- CN117635082A CN117635082A CN202410108914.3A CN202410108914A CN117635082A CN 117635082 A CN117635082 A CN 117635082A CN 202410108914 A CN202410108914 A CN 202410108914A CN 117635082 A CN117635082 A CN 117635082A
- Authority
- CN
- China
- Prior art keywords
- production
- optimization
- batch
- link
- historical
- 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 582
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 title claims abstract description 78
- 239000000377 silicon dioxide Substances 0.000 title claims abstract description 39
- 238000005457 optimization Methods 0.000 claims abstract description 134
- 238000007726 management method Methods 0.000 claims abstract description 38
- 238000004458 analytical method Methods 0.000 claims abstract description 27
- 235000012239 silicon dioxide Nutrition 0.000 claims abstract description 22
- 238000013433 optimization analysis Methods 0.000 claims abstract description 7
- 238000007405 data analysis Methods 0.000 claims abstract description 6
- 238000013075 data extraction Methods 0.000 claims abstract description 6
- 238000012384 transportation and delivery Methods 0.000 claims description 77
- 238000007689 inspection Methods 0.000 claims description 62
- 238000012423 maintenance Methods 0.000 claims description 62
- 238000012163 sequencing technique Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 13
- 239000002699 waste material Substances 0.000 claims description 13
- 238000012544 monitoring process Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000002950 deficient Effects 0.000 claims description 6
- 238000000034 method Methods 0.000 claims description 6
- 238000012797 qualification Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 7
- 238000012790 confirmation Methods 0.000 abstract description 3
- 238000002156 mixing Methods 0.000 description 7
- 238000001035 drying Methods 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 239000002994 raw material Substances 0.000 description 4
- 239000000203 mixture Substances 0.000 description 3
- 238000013439 planning Methods 0.000 description 3
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 229910001385 heavy metal Inorganic materials 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 239000003674 animal food additive Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
Landscapes
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于生产管理技术领域，具体公开提供一种饲料专用二氧化硅生产智能化管理系统，该系统包括：生产数据提取模块、生产数据分析模块、生产优化分析模块、生产数据库和生产更新反馈终端。本发明通过对历史各生产批次对应生产产品的质量状态、进度状态以及在各生产环节的生产状态进行分析，据此进行生产优化需求评定以及确认生产优化方案，实现了二氧化硅多次生产时不同生产批次之间的差异性分析分析，有效解决了当前即时性管理方式存在的管理问题，进而大幅度提升了二氧化硅生产工艺的优化效果，同时也便于隐藏式生产缺陷的及时发掘，从而可以有效提升后续生产工艺的稳定性以及后续二氧化硅生产质量的一致性。
Description
技术领域
本发明属于生产管理技术领域，涉及一种饲料专用二氧化硅生产智能化管理系统。
背景技术
饲料专用二氧化硅是一种常用的饲料添加剂，用于改善饲料的流动性、抗结块性和吸湿性等特性。它可以提高饲料的质量和稳定性，促进动物的消化吸收能力，提高饲料利用率，因此在饲料行业中，饲料专用二氧化硅的生产管理至关重要。
当前饲料专用二氧化硅的生产管理主要集中在各生产环境的生产质量把控，尤其是原料的配比、混合、干燥等关键环节的管理，倾向于生产过程中的管理，属于即时性管理，还存在以下几个方面的不足：1、未进行多次生产时不同生产批次之间的差异性分析，导致生产工艺优化效果不明显，也使得隐藏式生产缺陷不易被察觉，进而无法提升生产工艺的稳定性，也无法保障生产质量的一致性。
2、设备维护的针对性不强，当前主要依据表象层面的数据，未对各生产环节对应生产设备的状态进行规律性分析，无法实现设备的预测式维护，即超前维护，存在维护不及时以及设备故障察觉不及时的可能，进而无法保障设备的生产效率以及生产可靠性。
3、生产改善的针对性不强，当前未根据生产成品的表征进行设备管理等方面的优化，大多按照设定优化计划进行优化，无法保障优化的针对性和优化的适配性，进而无法保障优化效果。
发明内容
鉴于此，为解决上述背景技术中所提出的问题，现提出一种饲料专用二氧化硅生产智能化管理系统。
本发明的目的可以通过以下技术方案实现：本发明提供一种饲料专用二氧化硅生产智能化管理系统，该系统包括：生产数据提取模块，用于将饲料专用二氧化硅标记为目标生产物，提取目标产线中目标生产物的历史生产记录数据表。
生产数据分析模块，用于根据所述历史生产记录数据表，进行生产状态分析，包括：A1、从历史生产记录数据表中定位出历史各生产批次对应计划生产量、生产废品量、生产合格量以及生产标记数据，进行生产质量状态分析，得到生产质量状态吻合度。
A2、从历史生产记录数据表中定位出历史各生产批次对应计划生产交付日期、实际生产交付日期、实际起始生产日期以及记录生产事件，进行生产进度状态分析，得到生产进度状态吻合度。
A3、从历史生产记录数据表中定位出历史各生产批次对应各生产环节的生产记录数据，进行生产环节分析，得到各生产环节的生产状态吻合度，/>表示生产环节编号，。
生产优化分析模块，用于进行生产优化需求评定，当评定结果为需求优化时，确认生产优化方案。
生产数据库，用于存储各生产环节对应生产设备的维护计划表，并存储目标产线的适宜生产量。
生产更新反馈终端，用于将生产优化方案反馈至饲料专用二氧化硅对应生产车间的生产管理人员。
优选地，所述进行生产质量状态分析，包括：将生产废品量和计划生产量的比值作为废品率，设定废品状态干扰因子。
将生产合格量与计划生产量的比值作为合格率，统计合格率大于或者等于设定合格率的历史生产批次数目。
从历史各生产批次的生产标记数据中定位出各达标产品对应各质检项的质检数据，并分别与各质检项对应设定的第一质检值和第二质检值分别进行对比。
将质检数据大于参照第一质检值和参照第二质检值的质检项分别记为达标质检项和达优质检项，统计历史各生产批次的达标质检项数目和达优质检项数目。
将达优质检项数目以及达标质检项数目与质检项数目的比值分别作为达优比以及达标比，将历史各生产批次的达标比和达优比分别记为和/>，/>表示历史生产批次编号，/>。
统计生产质量状态吻合度，/>，/>为历史生产批次数目，分别设定的参照的达标比、达优比。
优选地，所述设定废品状态干扰因子，包括：构建废品率变化曲线，并从中提取位于设定许可废品率上方的曲线段数目、曲线段总长以及位于设定许可废品率下方的曲线段数目，分别记为、/>以及/>。
将废品率变化曲线长度记为，设定废品状态干扰因子/>，，/>分别为设定的参照上下曲线段数目差、下方曲线段偏差，/>分别为设定倍率。
优选地，所述进行生产进度状态分析，包括：将实际生产交付日期在计划生产交付日期之后的历史生产批次记为交付延误批次，从历史各生产批次中筛选出各交付延误批次。
从各交付延误批次的记录生产数据中定位出设备记录数据和返工数据，据此对各交付延误批次进行设备导因和质量导因判断。
若某交付延误批次的设备导因判断结果为是，则将该交付延误批次作为设备导因批次。
若某交付延误批次的质量导因判断结果为是，则将该交付延误批次作为质量导因批次。
统计交付延误批次数目、设备导因批次数目/>和质量导因批次数目/>，统计生产进度状态吻合度/>，/>。
优选地，所述对各交付延误批次进行设备导因和质量导因判断，包括：从各交付延误批次的生产记录数据中定位出各次设备故障维护的时长，求和得到综合故障维护时长，/>表示交付延误批次编号，/>。
将计划生产交付日期和实际生产交付日期之间的间隔天数作为有效生产天数，将历史各生产批次的计划生产量与其有效生产天数进行作比，得到历史各生产批次的计划单日生产量。
从生产数据库中定位出目标产线的适宜生产量，将计划单日生产量大于或者等于适宜生产量的历史生产批次作为紧张生产批次。
将历史各生产批次按照生产先后顺序进行排序，得到历史各生产批次的排序，从中定位出位于各交付延误批次之前的历史生产批次数目和紧张生产批次数目/>，统计各交付延误批次的设备延误趋向度/>，/>，/>为设定参照干扰生产时长。
若某交付延误批次的设备延误趋向度大于设定参照延误趋向度，将是作为设备导因判断结果，反之将否作为设备导因判断结果，以此对各交付延误批次进行设备导因判断。
从各交付延误批次的返工数据中定位出返工次数和综合返工量/>，据此统计各交付延误批次的质量延误趋向度/>。
按照各交付延误批次设备导因的判断方式同理对各交付延误批次进行质量导因判断。
优选地，所述各交付延误批次的质量延误趋向度的统计公式如下：，分别为设定参照的生产干扰返工次数、干扰返工量。
优选地，所述进行生产环节分析，包括：从所述各生产环节的生产记录数据中定位出各生产监测指标对应的记录值，并其设定基准值区间进行对比，据此统计历史各生产批次对应各生产环节的加工吻合度。
统计各生产环节对应加工吻合度小于设定参照加工吻合度的历史各生产批次，作为各偏差批次。
从历史各生产批次的排序中筛选出排序位置为中位的历史生产批次，作为界定批次，据此设定各生产环节的偏差评估权重。
从所述各生产环节的生产记录数据中定位出生产设备对应生产时长和耗电量，将耗电量与生产时长的比值作为单位生产耗电量，并记为。
以历史生产批次为横坐标，以单位生产耗电量为纵坐标，构建各生产环节的耗电变化曲线，并从中进行斜率和幅值/>提取。
统计各生产环节的生产状态吻合度，/>，/>、/>分别为设定参照的耗电变化率、耗电幅值。
优选地，所述进行生产优化需求评定，包括：将、/>、/>导入生产优化需求度计算公式中，输出生产优化需求度/>，所述生产优化需求度计算公式如下：，/>分别为设定参照的生产质量状态吻合度、生产进度状态吻合度、生产状态吻合度。
若，将无需优化作为生产优化需求评定结果，反之将需求优化作为生产优化需求评定结果。
优选地，所述确认生产优化方案，包括：若，将整体式优化作为优化类型，/>为任意命题符号。
若，将局部式优化作为优化类型，/>为存在命题符号。
当优化类型为整体式优化时，将作为生产设备整体增加维护频率/>，/>为单位偏差因子对应增加维护频率，将/>作为生产优化方案。
当优化类型为局部式优化时，统计各生产环节对应生产设备的优化推荐度，将优化推荐度大于设定推荐度/>的各生产环节作为各优化环节，将各优化环节对应生产设备的优化推荐度记为/>，/>表示优化环节编号，/>。
将排序为末位的历史生产批次作为关注批次，从关注批次对应各优化环节生产记录数据中提取各次维护时的维护日期和维护标签，同时从生产数据库中定位出各优化环节的维护计划表，据此通过维护判定规则判定得到各优化环节的深度维护超出比。
从各优化环节的维护计划表定位出当前设定的计划维护比，将作为各优化环节的更新深度维护比/>，/>为设定参照深度维护超出比，/>为单位深度维护超出比对应参照更新深度维护比。
将作为各优化环节的更新维护频率/>，/>为设定的单位推荐度偏差对应补偿更新频率，将/>和/>作为生产优化方案。
优选地，所述统计各生产环节对应生产设备的优化推荐度，包括：从历史各生产批次生产标记数据中定位出各生产废品的标记环节，统计各生产环节在历史各生产批次的标记生产废品数目。
统计各生产环节对应生产设备的优化推荐度，/>，/>为设定参照生产废品数目。
相较于现有技术，本发明的有益效果如下：（1）本发明通过对历史各生产批次对应生产产品的质量状态、进度状态以及在各生产环节的生产状态进行分析，据此进行生产优化需求评定以及确认生产优化方案，实现了二氧化硅多次生产时不同生产批次之间的差异性分析，有效解决了当前即时性管理方式存在的管理问题，进而大幅度提升了二氧化硅生产工艺的优化效果，同时也便于隐藏式生产缺陷的及时发掘，从而可以有效提升后续生产工艺的稳定性以及后续二氧化硅生产质量的一致性。
（2）本发明通过进行产品质量状态、进度状态以及在各生产环节的生产状态进行分析，实现了二氧化硅生产整体式和局部式的双向分析，从而扩展了二氧化硅生产分析的覆盖面，并且也为后续生产优化方案的确定提供了更为可靠和更为丰富的参照数据，从而确保了后续生产优化方案制定的合理性和针对性。
（3）本发明在确认生产优化方案时通过对每个生产环节生产设备的生产状态进行维护规律性和生产状态规律性分析，从而确认优化生产环节，有效弥补了当前设备维护针对性不强的欠缺，实现了设备的预测性维护，进而极大降低了设备维护不及时以及设备故障察觉不及时的可能，从而确保了后续优化生产环节对应生产设备的生产效率和生产可靠性。
（4）本发明在确认生产优化方案时，通过进行优化类型分析，并根据不同的优化类型进行针对性的优化方案设计，打破了当前生产改善针对性不强的局限，同时也规避了当前固定优化计划方式存在的欠缺，提升了生产优化管理的灵活性，并且还确保了生产优化的针对性和优化的适配性，从而保障了生产管理的优化效果。
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为本发明系统各模块连接示意图。
图2为本发明生产状态分析流程示意图。
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。
如图1所示，本发明提供了一种饲料专用二氧化硅生产智能化管理系统，该系统包括：生产数据提取模块、生产数据分析模块、生产优化分析模块、生产数据库和生产更新反馈终端。
上述中，生产数据分析模块分别与生产数据提取模块、生产数据库和生产优化分析模块连接，生产优化分析模块还分别与生产数据库和生产更新反馈终端连接。
所述生产数据提取模块，用于将饲料专用二氧化硅标记为目标生产物，提取目标产线中目标生产物的历史生产记录数据表。
如图2所示，所述生产数据分析模块，用于根据所述历史生产记录数据表，进行生产状态分析，包括：A1、从历史生产记录数据表中定位出历史各生产批次对应计划生产量、生产废品量、生产合格量以及生产标记数据，进行生产质量状态分析，得到生产质量状态吻合度。
具体地，进行生产质量状态分析，包括：A11、将生产废品量和计划生产量的比值作为废品率，设定废品状态干扰因子。
进一步地，设定废品状态干扰因子，包括：以历史生产批次为横坐标，以废品率为纵坐标，构建废品率变化曲线，并从中提取位于设定许可废品率上方的曲线段数目、曲线段总长以及位于设定许可废品率下方的曲线段数目，分别记为、/>以及/>。
将废品率变化曲线长度记为，设定废品状态干扰因子/>，，/>分别为设定的参照上下曲线段数目差、下方曲线段偏差，/>分别为设定倍率。
在一个具体实施例中，依次可以取值为0.55、0.65。
A12、将生产合格量与计划生产量的比值作为合格率，统计合格率大于或者等于设定合格率的历史生产批次数目。
A13、从历史各生产批次的生产标记数据中定位出各达标产品对应各质检项的质检数据，并分别与各质检项对应设定的第一质检值和第二质检值分别进行对比。
在一个具体实施例中，质检项包括但不限于化学成分、重金属、颗粒度和干燥度。
A14、将质检数据大于参照第一质检值和参照第二质检值的质检项分别记为达标质检项和达优质检项，统计历史各生产批次的达标质检项数目和达优质检项数目。
A15、将达优质检项数目以及达标质检项数目与质检项数目的比值分别作为达优比以及达标比，将历史各生产批次的达标比和达优比分别记为和/>，/>表示历史生产批次编号，/>。
A16、统计生产质量状态吻合度，/>，/>为历史生产批次数目，/>分别设定的参照的达标比、达优比。
在一个具体实施例中，分别取值为0.85、0.6。
A2、从历史生产记录数据表中定位出历史各生产批次对应计划生产交付日期、实际生产交付日期、实际起始生产日期以及记录生产事件，进行生产进度状态分析，得到生产进度状态吻合度。
具体地，进行生产进度状态分析，包括：A21、将实际生产交付日期在计划生产交付日期之后的历史生产批次记为交付延误批次，从历史各生产批次中筛选出各交付延误批次。
A22、从各交付延误批次的记录生产数据中定位出设备记录数据和返工数据，据此对各交付延误批次进行设备导因和质量导因判断。
进一步地，对各交付延误批次进行设备导因和质量导因判断，包括：W1、从各交付延误批次的生产记录数据中定位出各次设备故障维护的时长，求和得到综合故障维护时长，/>表示交付延误批次编号，/>。
W2、将计划生产交付日期和实际生产交付日期之间的间隔天数作为有效生产天数，将历史各生产批次的计划生产量与其有效生产天数进行作比，得到历史各生产批次的计划单日生产量。
W3、从生产数据库中定位出目标产线的适宜生产量，将计划单日生产量大于或者等于适宜生产量的历史生产批次作为紧张生产批次。
W4、将历史各生产批次按照生产先后顺序进行排序，得到历史各生产批次的排序，从中定位出位于各交付延误批次之前的历史生产批次数目和紧张生产批次数目/>，统计各交付延误批次的设备延误趋向度/>，/>，/>为设定参照干扰生产时长。
W5、若某交付延误批次的设备延误趋向度大于设定参照延误趋向度，将是作为设备导因判断结果，反之将否作为设备导因判断结果，以此对各交付延误批次进行设备导因判断。
W6、从各交付延误批次的返工数据中定位出返工次数和综合返工量/>，据此统计各交付延误批次的质量延误趋向度/>，/>，/>分别为设定参照的生产干扰返工次数、干扰返工量。
W7、按照各交付延误批次设备导因的判断方式同理对各交付延误批次进行质量导因判断。
A23、若某交付延误批次的设备导因判断结果为是，则将该交付延误批次作为设备导因批次。
A24、若某交付延误批次的质量导因判断结果为是，则将该交付延误批次作为质量导因批次。
A25、统计交付延误批次数目、设备导因批次数目/>和质量导因批次数目/>，统计生产进度状态吻合度/>，/>。
A3、从历史生产记录数据表中定位出历史各生产批次对应各生产环节的生产记录数据，进行生产环节分析，得到各生产环节的生产状态吻合度，/>表示生产环节编号，。
在一个具体实施例中，生产环节包括但不限于原料准备生产环节、混合生产环节、烘干生产环节、筛分生产环节和质检生产环节，其中，原料准备生产环节涉及的生产监测指标包括但不限于原料的硅含量、杂质含量、粒径分布、水分含量和pH，混合生产环节涉及的生产监测指标包括但不限于混合比例、混合均匀度、混合时长和混合后的水分含量，烘干生产环节涉及的生产监测指标包括但不限于烘干的温度、时长、风速以及烘干后产品的水分含量、杂质含量和硅含量，筛分生产环节涉及的生产监测指标包括但不限于筛分粒度、筛分产量和灰分含量，质检生产环节涉及的生产监测指标包括但不限于表面光滑度、颗粒均匀度、水分含量、各化学成分的含量和重金属含量。
进一步地，进行生产环节分析，包括：A31、从所述各生产环节的生产记录数据中定位出各生产监测指标对应的记录值，并其设定基准值区间进行对比，据此统计历史各生产批次对应各生产环节的加工吻合度。
需要说明的是，统计历史各生产批次对应的加工吻合度的具体统计过程参照以下步骤：若某生产批次对应某生产环节中某生产监测指标的记录值不位于该生产监测指标的设定基准值区间，则将该生产监测指标作为偏差指标，统计历史各生产批次对应各生产环节的偏差指标数目。
若历史某生产批次对应某生产环节的偏差指标数目为0，则将1作为历史该生产批次对应该生产环节的加工吻合度。
若历史某生产批次对应某生产环节的偏差指标数目不为0，则将历史该生产批次对应该生产环节的偏差指标数目记为，将/>作为历史该生产批次对应该生产环节的加工吻合度，并记为/>，/>为该生产环节的生产监测指标数目，以此得到历史各生产批次对应的加工吻合度/>，其中，/>取值分别为1或者/>。
A32、统计各生产环节对应加工吻合度小于设定参照加工吻合度的历史各生产批次，作为各偏差批次。
A33、从历史各生产批次的排序中筛选出排序位置为中位的历史生产批次，作为界定批次，据此设定各生产环节的偏差评估权重。
在一个具体实施例中，设定各生产环节的偏差评估权重，具体设定过程如下：提取各生产环节对应各偏差批次的排序位置，若某生产环节对应各偏差批次的排序位置均位于界定批次之前，则将该生产环节的偏差评估权重记为。
若某生产环节对应各偏差批次的排序位置部分位于界定批次之前部分位于界定批次之后，则将该生产环节的偏差评估权重记为。
若某生产环节对应各偏差批次的排序位置均位于界定批次之后，则将该生产环节的偏差评估权重因子记为，以此得到设定各生产环节的偏差评估权重/>，/>取值为/>或者/>或者/>，其中，/>。
需要补充的是，在一个具体实施例中，取值可以为0.3，/>取值为0.6，/>取值为0.9。
A34、从所述各生产环节的生产记录数据中定位出生产设备对应生产时长和耗电量，将耗电量与生产时长的比值作为单位生产耗电量，并记为。
A35、以历史生产批次为横坐标，以单位生产耗电量为纵坐标，构建各生产环节的耗电变化曲线，并从中进行斜率和幅值/>提取。
A36、统计各生产环节的生产状态吻合度，/>，/>、/>分别为设定参照的耗电变化率、耗电幅值。
本发明实施例通过进行产品质量状态、进度状态以及在各生产环节的生产状态进行分析，实现了二氧化硅生产整体式和局部式的双向分析，从而扩展了二氧化硅生产分析的覆盖面，并且也为后续生产优化方案的确定提供了更为可靠和更为丰富的参照数据，从而确保了后续生产优化方案制定的合理性和针对性。
所述生产优化分析模块，用于进行生产优化需求评定，当评定结果为需求优化时，确认生产优化方案。
具体地，进行生产优化需求评定，包括：第一步、将、/>、/>导入生产优化需求度计算公式中，输出生产优化需求度/>，所述生产优化需求度计算公式如下：，/>分别为设定参照的生产质量状态吻合度、生产进度状态吻合度、生产状态吻合度。
第二步、若，将无需优化作为生产优化需求评定结果，反之将需求优化作为生产优化需求评定结果。
进一步地，确认生产优化方案，包括：若，将整体式优化作为优化类型，/>为任意命题符号。
若，将局部式优化作为优化类型，/>为存在命题符号。
当优化类型为整体式优化时，将作为生产设备整体增加维护频率/>，/>为单位偏差因子对应增加维护频率，将/>作为生产优化方案。
本发明实施例在确认生产优化方案时，通过进行优化类型分析，并根据不同的优化类型进行针对性的优化方案设计，打破了当前生产改善针对性不强的局限，同时也规避了当前固定优化计划方式存在的欠缺，提升了生产优化管理的灵活性，并且还确保了生产优化的针对性和优化的适配性，从而保障了生产管理的优化效果。
当优化类型为局部式优化时，统计各生产环节的优化推荐度，将优化推荐度大于设定推荐度/>的各生产环节作为各优化环节，将各优化环节对应生产设备的优化推荐度记为/>，/>表示优化环节编号，/>。
将排序为末位的历史生产批次作为关注批次，从关注批次对应各优化环节生产记录数据中提取各次维护时的维护日期和维护标签，同时从生产数据库中定位出各优化环节的维护计划表，据此通过维护判定规则判定得到各优化环节的深度维护超出比。
从各优化环节的维护计划表定位出当前设定的计划维护比，将作为各优化环节的更新深度维护比/>，/>为设定参照深度维护超出比，/>为单位深度维护超出比对应参照更新深度维护比。
将作为各优化环节的更新维护频率/>，/>为设定的单位推荐度偏差对应补偿更新频率，将/>和/>作为生产优化方案。
本发明实施例在确认生产优化方案时通过对每个生产环节生产设备的生产状态进行维护规律性和生产状态规律性分析，从而确认优化生产环节，有效弥补了当前设备维护针对性不强的欠缺，实现了设备的预测性维护，进而极大降低了设备维护不及时以及设备故障察觉不及时的可能，从而确保了后续优化生产环节对应生产设备的生产效率和生产可靠性。
所述生产数据库，用于存储各生产环节对应生产设备的维护计划表，并存储目标产线的适宜生产量。
所述生产更新反馈终端，用于将生产优化方案反馈至饲料专用二氧化硅对应生产车间的生产管理人员。
本发明实施例通过对历史各生产批次对应生产产品的质量状态、进度状态以及在各生产环节的生产状态进行分析，据此进行生产优化需求评定以及确认生产优化方案，实现了二氧化硅多次生产时不同生产批次之间的差异性分析，有效解决了当前即时性管理方式存在的管理问题，进而大幅度提升了二氧化硅生产工艺的优化效果，同时也便于隐藏式生产缺陷的及时发掘，从而可以有效提升后续生产工艺的稳定性以及后续二氧化硅生产质量的一致性。
以上内容仅仅是对本发明的构思所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的构思或者超越本发明所定义的范围，均应属于本发明的保护范围。
Claims (10)
1.一种饲料专用二氧化硅生产智能化管理系统，其特征在于：该系统包括：
生产数据提取模块，用于将饲料专用二氧化硅标记为目标生产物，提取目标产线中目标生产物的历史生产记录数据表；
生产数据分析模块，用于根据所述历史生产记录数据表，进行生产状态分析，包括：
A1、从历史生产记录数据表中定位出历史各生产批次对应计划生产量、生产废品量、生产合格量以及生产标记数据，进行生产质量状态分析，得到生产质量状态吻合度；
A2、从历史生产记录数据表中定位出历史各生产批次对应计划生产交付日期、实际生产交付日期、实际起始生产日期以及记录生产事件，进行生产进度状态分析，得到生产进度状态吻合度；
A3、从历史生产记录数据表中定位出历史各生产批次对应各生产环节的生产记录数据，进行生产环节分析，得到各生产环节的生产状态吻合度，/>表示生产环节编号，；
生产优化分析模块，用于进行生产优化需求评定，当评定结果为需求优化时，确认生产优化方案；
生产数据库，用于存储各生产环节对应生产设备的维护计划表，并存储目标产线的适宜生产量；
生产更新反馈终端，用于将生产优化方案反馈至饲料专用二氧化硅对应生产车间的生产管理人员。
2.如权利要求1所述的一种饲料专用二氧化硅生产智能化管理系统，其特征在于：所述进行生产质量状态分析，包括：
将生产废品量和计划生产量的比值作为废品率，设定废品状态干扰因子；
将生产合格量与计划生产量的比值作为合格率，统计合格率大于或者等于设定合格率的历史生产批次数目；
从历史各生产批次的生产标记数据中定位出各达标产品对应各质检项的质检数据，并分别与各质检项对应设定的第一质检值和第二质检值分别进行对比；
将质检数据大于参照第一质检值和参照第二质检值的质检项分别记为达标质检项和达优质检项，统计历史各生产批次的达标质检项数目和达优质检项数目；
将达优质检项数目以及达标质检项数目与质检项数目的比值分别作为达优比以及达标比，将历史各生产批次的达标比和达优比分别记为和/>，/>表示历史生产批次编号，/>；
统计生产质量状态吻合度，/>，/>为历史生产批次数目，/>分别设定的参照的达标比、达优比。
3.如权利要求2所述的一种饲料专用二氧化硅生产智能化管理系统，其特征在于：所述设定废品状态干扰因子，包括：
构建废品率变化曲线，并从中提取位于设定许可废品率上方的曲线段数目、曲线段总长以及位于设定许可废品率下方的曲线段数目，分别记为、/>以及/>；
将废品率变化曲线长度记为，设定废品状态干扰因子/>，，/>分别为设定的参照上下曲线段数目差、下方曲线段偏差，/>分别为设定倍率。
4.如权利要求2所述的一种饲料专用二氧化硅生产智能化管理系统，其特征在于：所述进行生产进度状态分析，包括：
将实际生产交付日期在计划生产交付日期之后的历史生产批次记为交付延误批次，从历史各生产批次中筛选出各交付延误批次；
从各交付延误批次的记录生产数据中定位出设备记录数据和返工数据，据此对各交付延误批次进行设备导因和质量导因判断；
若某交付延误批次的设备导因判断结果为是，则将该交付延误批次作为设备导因批次；
若某交付延误批次的质量导因判断结果为是，则将该交付延误批次作为质量导因批次；
统计交付延误批次数目、设备导因批次数目/>和质量导因批次数目/>，统计生产进度状态吻合度/>，/>。
5.如权利要求4所述的一种饲料专用二氧化硅生产智能化管理系统，其特征在于：所述对各交付延误批次进行设备导因和质量导因判断，包括：
从各交付延误批次的生产记录数据中定位出各次设备故障维护的时长，求和得到综合故障维护时长，/>表示交付延误批次编号，/>；
将计划生产交付日期和实际生产交付日期之间的间隔天数作为有效生产天数，将历史各生产批次的计划生产量与其有效生产天数进行作比，得到历史各生产批次的计划单日生产量；
从生产数据库中定位出目标产线的适宜生产量，将计划单日生产量大于或者等于适宜生产量的历史生产批次作为紧张生产批次；
将历史各生产批次按照生产先后顺序进行排序，得到历史各生产批次的排序，从中定位出位于各交付延误批次之前的历史生产批次数目和紧张生产批次数目/>，统计各交付延误批次的设备延误趋向度/>，/>，/>为设定参照干扰生产时长；
若某交付延误批次的设备延误趋向度大于设定参照延误趋向度，将是作为设备导因判断结果，反之将否作为设备导因判断结果，以此对各交付延误批次进行设备导因判断；
从各交付延误批次的返工数据中定位出返工次数和综合返工量/>，据此统计各交付延误批次的质量延误趋向度/>；
按照各交付延误批次设备导因的判断方式同理对各交付延误批次进行质量导因判断。
6.如权利要求5所述的一种饲料专用二氧化硅生产智能化管理系统，其特征在于：所述各交付延误批次的质量延误趋向度的统计公式如下：，/>分别为设定参照的生产干扰返工次数、干扰返工量。
7.如权利要求5所述的一种饲料专用二氧化硅生产智能化管理系统，其特征在于：所述进行生产环节分析，包括：
从所述各生产环节的生产记录数据中定位出各生产监测指标对应的记录值，并其设定基准值区间进行对比，据此统计历史各生产批次对应各生产环节的加工吻合度；
统计各生产环节对应加工吻合度小于设定参照加工吻合度的历史各生产批次，作为各偏差批次；
从历史各生产批次的排序中筛选出排序位置为中位的历史生产批次，作为界定批次，据此设定各生产环节的偏差评估权重；
从所述各生产环节的生产记录数据中定位出生产设备对应生产时长和耗电量，将耗电量与生产时长的比值作为单位生产耗电量，并记为；
以历史生产批次为横坐标，以单位生产耗电量为纵坐标，构建各生产环节的耗电变化曲线，并从中进行斜率和幅值/>提取；
统计各生产环节的生产状态吻合度，/>，/>、/>分别为设定参照的耗电变化率、耗电幅值。
8.如权利要求1所述的一种饲料专用二氧化硅生产智能化管理系统，其特征在于：所述进行生产优化需求评定，包括：
将、/>、/>导入生产优化需求度计算公式中，输出生产优化需求度/>，所述生产优化需求度计算公式如下：
,/>分别为设定参照的生产质量状态吻合度、生产进度状态吻合度、生产状态吻合度；
若，将无需优化作为生产优化需求评定结果，反之将需求优化作为生产优化需求评定结果。
9.如权利要求8所述的一种饲料专用二氧化硅生产智能化管理系统，其特征在于：所述确认生产优化方案，包括：
若，将整体式优化作为优化类型，/>为任意命题符号；
若，将局部式优化作为优化类型，/>为存在命题符号；
当优化类型为整体式优化时，将作为生产设备整体增加维护频率/>，为单位偏差因子对应增加维护频率，将/>作为生产优化方案；
当优化类型为局部式优化时，统计各生产环节对应生产设备的优化推荐度，将优化推荐度大于设定推荐度/>的各生产环节作为各优化环节，将各优化环节对应生产设备的优化推荐度记为/>，/>表示优化环节编号，/>；
将排序为末位的历史生产批次作为关注批次，从关注批次对应各优化环节生产记录数据中提取各次维护时的维护日期和维护标签，同时从生产数据库中定位出各优化环节的维护计划表，据此通过维护判定规则判定得到各优化环节的深度维护超出比；
从各优化环节的维护计划表定位出当前设定的计划维护比，将/>作为各优化环节的更新深度维护比/>，/>为设定参照深度维护超出比，/>为单位深度维护超出比对应参照更新深度维护比；
将作为各优化环节的更新维护频率/>，/>为设定的单位推荐度偏差对应补偿更新频率，将/>和/>作为生产优化方案。
10.如权利要求9所述的一种饲料专用二氧化硅生产智能化管理系统，其特征在于：所述统计各生产环节对应生产设备的优化推荐度，包括：
从历史各生产批次生产标记数据中定位出各生产废品的标记环节，统计各生产环节在历史各生产批次的标记生产废品数目；
统计各生产环节对应生产设备的优化推荐度，/>，/>为设定参照生产废品数目。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410108914.3A CN117635082B (zh) | 2024-01-26 | 2024-01-26 | 一种饲料专用二氧化硅生产智能化管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410108914.3A CN117635082B (zh) | 2024-01-26 | 2024-01-26 | 一种饲料专用二氧化硅生产智能化管理系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117635082A true CN117635082A (zh) | 2024-03-01 |
| CN117635082B CN117635082B (zh) | 2024-04-30 |
Family
ID=90016721
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410108914.3A Active CN117635082B (zh) | 2024-01-26 | 2024-01-26 | 一种饲料专用二氧化硅生产智能化管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117635082B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117970857A (zh) * | 2024-03-29 | 2024-05-03 | 道莅智远技术(苏州)有限公司 | 一种远程智能工业控制方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103627226A (zh) * | 2013-11-27 | 2014-03-12 | 天津市职业大学 | 一种太阳能玻璃减反射防污涂料及其生产方法 |
| CN112258012A (zh) * | 2020-10-16 | 2021-01-22 | 南京专注智能科技有限公司 | 一种香烟生产综合质量管理平台 |
| US20210261374A1 (en) * | 2018-06-26 | 2021-08-26 | Italia Technology Alliance S.R.L. | Method for predicting the presence of product defects during an intermediate processing step of a thin product wound in a roll |
| CN116796903A (zh) * | 2023-06-30 | 2023-09-22 | 红塔烟草(集团)有限责任公司 | 一种烟草烘丝出口水分分批可变设定点的自适应优化方法 |
| CN116934177A (zh) * | 2023-09-14 | 2023-10-24 | 中交二公局东萌工程有限公司 | 一种企业生产任务管理数据跟踪分析处理系统 |
| CN117151624A (zh) * | 2023-08-11 | 2023-12-01 | 江苏康缘药业股份有限公司 | 一种基于scada系统的车间数字化综合管理平台 |
-
2024
- 2024-01-26 CN CN202410108914.3A patent/CN117635082B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103627226A (zh) * | 2013-11-27 | 2014-03-12 | 天津市职业大学 | 一种太阳能玻璃减反射防污涂料及其生产方法 |
| US20210261374A1 (en) * | 2018-06-26 | 2021-08-26 | Italia Technology Alliance S.R.L. | Method for predicting the presence of product defects during an intermediate processing step of a thin product wound in a roll |
| CN112258012A (zh) * | 2020-10-16 | 2021-01-22 | 南京专注智能科技有限公司 | 一种香烟生产综合质量管理平台 |
| CN116796903A (zh) * | 2023-06-30 | 2023-09-22 | 红塔烟草(集团)有限责任公司 | 一种烟草烘丝出口水分分批可变设定点的自适应优化方法 |
| CN117151624A (zh) * | 2023-08-11 | 2023-12-01 | 江苏康缘药业股份有限公司 | 一种基于scada系统的车间数字化综合管理平台 |
| CN116934177A (zh) * | 2023-09-14 | 2023-10-24 | 中交二公局东萌工程有限公司 | 一种企业生产任务管理数据跟踪分析处理系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117970857A (zh) * | 2024-03-29 | 2024-05-03 | 道莅智远技术(苏州)有限公司 | 一种远程智能工业控制方法及系统 |
| CN117970857B (zh) * | 2024-03-29 | 2024-06-07 | 道莅智远技术(苏州)有限公司 | 一种远程智能工业控制方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117635082B (zh) | 2024-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117635082B (zh) | 一种饲料专用二氧化硅生产智能化管理系统 | |
| Bohn | Noise and learning in semiconductor manufacturing | |
| CN113032454A (zh) | 基于云计算的交互式用户用电异常监测预警管理云平台 | |
| CN112198854A (zh) | 一种基于陶瓷生产线数据改造系统 | |
| CN111126759B (zh) | 一种基于异常事件故障关联度的电能表状态评估方法 | |
| CN116934177B (zh) | 一种企业生产任务管理数据跟踪分析处理系统 | |
| CN109459998A (zh) | 钢铁生产过程监控报警系统和方法 | |
| CN111693795A (zh) | 一种基于智能电表的台区线损率评估以及异常判断方法 | |
| CN107067100A (zh) | 风电功率异常数据辨识方法及辨识装置 | |
| CN108267338A (zh) | 一种全自动煤炭采、制样及在线分析一体化方法 | |
| CN116542538B (zh) | 一种工业设备能耗监测方法、装置、电子设备及存储介质 | |
| CN108332987A (zh) | 一种用于火车来煤的全自动煤炭采制样方法 | |
| CN113111955A (zh) | 一种线损异常数据专家系统及检测方法 | |
| CN109309022A (zh) | 一种缺陷抽检方法 | |
| CN106355338A (zh) | 一种原料奶风险监测控制方法 | |
| CN112418548B (zh) | 一种基于人工智能技术的智能车间管理方法和系统 | |
| TW569373B (en) | Method for analyzing defect inspection parameters | |
| CN117172621A (zh) | 一种基于传感器的砂浆生产数据管理分析系统 | |
| CN114625097B (zh) | 一种基于工业互联网的生产工艺控制方法 | |
| CN116629447A (zh) | 应用于pcba产品的智能检测系统 | |
| CN115471048A (zh) | 基于数字孪生的产线设备综合效率的监控与协同优化方法 | |
| CN114325550B (zh) | 一种电能表检定流水线异常表位的自动诊断系统及方法 | |
| CN112069633B (zh) | 一种采用大数据聚类的基于粒子群原理的配电网数据预处理方法 | |
| CN109063218A (zh) | 一种统计过程的控制方法和系统 | |
| CN117172680B (zh) | 一种无纸化智能sop生产质检安灯系统 |
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 |