CN117666519A - 一种基于大数据的mes智能制造管理方法及系统 - Google Patents

Abstract

本发明涉及数据处理技术领域，尤其涉及一种基于大数据的MES智能制造管理方法及系统，方法包括以下步骤：采集产品制造过程的实时制造数据；获取历史生产数据中的若干统计周期的产品生产速率；基于所述产品生产速率的方差对库存原料总量的更新周期进行调节以输出第一对应更新周期；基于异常停产次数的数量占比和自动恢复生产状态的故障预警数量占比对故障预警阈值进行调节；获取按照所述第一对应更新周期对库存原料总量进行更新后的若干周期的所述控制参数的发送延迟时长；基于所述控制参数的平均发送延迟时长对所述第一对应更新周期进行调节以输出第二对应更新周期。本发明实现了MES智能制造过程稳定性的提高。

Description

一种基于大数据的MES智能制造管理方法及系统

技术领域

本发明涉及智能制造技术领域，尤其涉及一种基于大数据的MES智能制造管理方法及系统。

背景技术

随着信息技术的不断发展，大数据技术已经深入到了各个领域。在智能制造领域，如何利用大数据技术对生产过程进行实时监控和管理，提高生产效率，降低生产成本，成为了亟待解决的问题。MES作为连接企业资源计划和现场控制系统的桥梁，对于实现智能制造具有重要意义。然而，现有的MES系统在智能决策方面仍存在一定的局限性。

中国专利公开号：CN111399453B公开了一种基于MES大数据的催化剂智能制造方法，包括：获取MES系统数据库中预先录入的首检合格品的生产参数和过程关键工艺参数；当新产品上线时，通过PDA识别新产品的产品信息，并根据预先录入的所述首检合格品的过程关键工艺参数自动匹配新产品的过程关键工艺参数；根据所述首检合格品的生产参数对所述新产品进行首检，获得新产品首检的生产参数；将所述新产品首检的生产参数存储至所述MES系统数据库中；由此可见，所述基于MES大数据的催化剂智能制造方法存在以下问题：由于对若干统计周期的产品的生产效率的方差和产品制造过程的异常停产次数反映出的判定产品制造过程的稳定性和数据采集的精准性的判定不准确导致智能制造的稳定性不符合要求。

发明内容

为此，本发明提供一种基于大数据的MES智能制造管理方法及系统，用以克服现有技术中由于对若干统计周期的产品的生产效率的方差和产品制造过程的异常停产次数反映出的判定产品制造过程的稳定性和数据采集的精准性的判定不准确导致智能制造的稳定性不符合要求的问题。

为实现上述目的，本发明提供一种基于大数据的MES智能制造管理方法，包括以下步骤：采集产品制造过程的实时制造数据，并根据经过数据预处理后的所述实时制造数据生成产品制造过程的控制参数；获取历史生产数据中的若干统计周期的产品生产速率；基于所述产品生产速率的方差对库存原料总量的更新周期进行调节以输出第一对应更新周期，或，基于所述产品生产速率的方差和异常停产次数的数量占比对数据采集终端的数据采集粒度进行重新配置；基于所述异常停产次数的数量占比和自动恢复生产状态的故障预警数量占比对故障预警阈值进行调节；获取按照所述第一对应更新周期对库存原料总量进行更新后的若干周期的所述控制参数的发送延迟时长；基于所述控制参数的平均发送延迟时长对所述第一对应更新周期进行调节以输出第二对应更新周期。

进一步地，对所述库存原料总量的更新周期进行调节的过程包括：

基于历史生产数据中的若干统计周期的产品生产速率计算产品生产速率的方差；

将所述产品生产速率的方差分别与预设第一方差和预设第二方差进行比对；

若所述产品生产速率的方差大于预设第一方差，则判定产品制造过程的稳定性不符合要求，并在产品生产速率的方差大于预设第一方差且小于等于预设第二方差时对库存原料总量的更新周期进行调节并输出第一对应更新周期。

进一步地，基于所述产品生产速率的方差与所述预设第二方差的差值确定所述第一对应更新周期。

进一步地，对所述数据采集终端的数据采集粒度进行重新配置的步骤包括：

若所述产品生产速率的方差大于预设第一方差且小于等于所述预设第二方差，初步判定数据采集的精准性不符合要求，并对异常停产次数的数量占比进行计算；

将所述异常停产次数的数量占比分别与预设第一占比和预设第二占比进行比对；

若所述异常停产次数的数量占比大于预设第一占比，则二次判定数据采集的精准性不符合要求，并在异常停产次数的数量占比大于预设第一占比且小于等于预设第二占比时对所述数据采集终端的数据采集粒度进行重新配置。

进一步地，基于所述异常停产次数的数量占比与预设第二占比的差值对所述数据采集终端的数据采集粒度进行重新配置。

进一步地，对所述故障预警阈值进行调节的步骤包括：

若所述异常停产次数的数量占比大于预设第一占比且小于等于预设第二占比，初步判定设备状态的识别准确性不符合要求，并对自动恢复生产状态的故障预警数量占比进行计算；

将所述自动恢复生产状态的故障预警数量占比与预设数量占比进行比对；

若自动恢复生产状态的故障预警数量占比大于预设数量占比，则对所述故障预警阈值进行调节。

进一步地，调节后的所述故障预警阈值通过所述自动恢复生产状态的故障预警数量占比与预设数量占比的差值确定。

进一步地，对所述第一对应更新周期调节的过程包括：

在完成对于所述库存原料总量的更新周期的确定后获取若干周期的控制参数的发送延迟时长并对控制参数的平均发送延迟时长进行计算；

将所述控制参数的平均发送延迟时长与预设延迟时长进行比对；

若所述控制参数的平均发送延迟时长大于预设延迟时长，则对所述第一对应更新周期进行调节并输出第二对应更新周期。

进一步地，所述第二对应更新周期通过所述控制参数的平均发送延迟时长与预设延迟时长的差值确定。

本发明还提供一种基于大数据的MES智能制造管理系统，包括：

数据获取单元，用以分别对产品制造过程的实时制造数据和一级生产特征数据进行采集；

数据处理单元，其与所述数据获取单元相连，包括用以对所述一级生产特征数据进行筛选计算以输出二级生产特征数据的计算组件和用以对所述实时制造数据进行预处理的预处理组件；

数据库，其分别与所述数据获取单元和所述数据处理单元相连，用以存储产品制造过程的实时制造数据、所述一级生产特征数据以及所述二级生产特征数据；

控制单元，其分别与所述数据获取单元、所述数据处理单元以及所述数据库相连，包括与所述预处理组件相连用以根据经过预处理后的实时制造数据生成产品制造过程的对应控制参数的第一控制组件和与所述第一控制组件相连的第二控制组件，其中，

所述第二控制组件用以根据产品生产速率的方差对库存原料总量的更新周期进行调节以输出第一对应更新周期，或，基于所述产品生产速率的方差和异常停产次数的数量占比对数据采集终端的数据采集粒度进行重新配置，以及，根据所述异常停产次数的数量占比和自动恢复生产状态的故障预警数量占比对故障预警阈值进行调节，以及，根据控制参数的平均发送延迟时长对所述第一对应更新周期进行调节以输出第二对应更新周期。

与现有技术相比，本发明的有益效果在于，本发明所述方法对产品生产过程进行检测和参数调节，在对产品的生产速率进行检测的过程中，由于库存数量的更新频率较慢，与生产速率的获取频率具有较大差异，导致获取产品生产速率的稳定性降低，不符合生产要求，通过计算产品生产速率的方差，并根据产品生产速率的方差对库存原料总量的更新周期进行调节，使生产产品的数量及时更新，提高了产品的生产速率计算的准确性，实现了MES智能制造稳定性的提高。

本发明所述方法对产品生产过程进行检测和参数调节，由于设备长期运行导致数据采集终端老化，对数据的获取能力降低，在根据数据采集终端获取的数据对设备运行状况进行调节时，会控制不精准从而导致在设备不存在故障的情况做出对设备强制停产或限制设备生产的指令，从而导致设备运行效率的降低，通过对数据采集终端的数据采集粒度的减小，提高数据的采集数量和采集精度，进而提高指令的准确度，进一步实现了MES智能制造稳定性的提高。

本发明所述方法对产品生产过程中的参数进行检测和调节，在设备运行过程中存在设备瞬时的参数升高、波动或偏离，但由于设备自身具有自我恢复能力，在设备的自我恢复能力范围内发出故障预警导致设备报警疲劳从而降低设备使用寿命和设备的安全性，通过对设备的故障预警阈值的调节，减少故障的误报率和对设备的频繁干预，避免不必要的停机，进一步实现了MES智能制造稳定性的提高。

附图说明

图1为本发明实施例基于大数据的MES智能制造管理方法的整体流程图；

图2为本发明实施例基于大数据的MES智能制造管理方法的对库存原料总量的更新周期进行调节的过程的流程图；

图3为本发明实施例基于大数据的MES智能制造管理方法的对数据采集终端的数据采集粒度进行重新配置的具体流程图；

图4为本发明实施例基于大数据的MES智能制造管理系统的整体结构示意图。

具体实施方式

为了使本发明的目的和优点更加清楚明白，下面结合实施例对本发明作进一步描述；应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。

下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非在限制本发明的保护范围。

请参阅图1、图2、图3以及图4所示，其分别为本发明基于大数据的MES智能制造管理方法的整体流程图、对库存原料总量的更新周期进行调节的过程的流程图、对数据采集终端的数据采集粒度进行重新配置的具体流程图以及基于大数据的MES智能制造管理系统的整体结构示意图。本发明一种基于大数据的MES智能制造管理方法，其特征在于，包括以下步骤：

采集产品制造过程的实时制造数据，并根据经过数据预处理后的所述实时制造数据生成产品制造过程的控制参数；

获取历史生产数据中的若干统计周期的产品生产速率；

基于所述产品生产速率的方差对库存原料总量的更新周期进行调节以输出第一对应更新周期，或，基于所述产品生产速率的方差和异常停产次数的数量占比对数据采集终端的数据采集粒度进行重新配置；

基于所述异常停产次数的数量占比和自动恢复生产状态的故障预警数量占比对故障预警阈值进行调节；

获取按照所述第一对应更新周期对库存原料总量进行更新后的若干周期的所述控制参数的发送延迟时长；

基于所述控制参数的平均发送延迟时长对所述第一对应更新周期进行调节以输出第二对应更新周期。

具体而言，产品制造过程的实时制造数据包括生产进度数据、产品质量数据、设备状态数据、物料追踪数据以及工艺参数数据。

具体而言，生产进度数据包括但不限于各生产工序的开工时间、完工时间以及正在生产的产品数量。

具体而言，产品质量数据包括但不限于产品的尺寸、重量以及强度。

具体而言，设备状态数据包括但不限于生产设备的开机数量、故障代码以及设备的维护维修参数。

具体而言，物料追踪数据包括但不限于物料的出库时间、入库时间以及物料的当前所在位置。

具体而言，工艺参数数据包括但不限于产品生产过程的环境温度、压力以及生产速度。

具体而言，产品制造过程的控制参数包括针对产品制造设备的开机信号、关机信号以及各功能结构的动作信号。

具体而言，库存原料总量的更新周期的含义为库存的原料总量的更新间隔时长，当发生网络攻击或网络卡顿时，会造成库存原料总量的更新不及时，从而导致库存策略的调整不及时，从而导致库存发生积压或待用的生产原料短缺并由此影响产品制造过程的稳定性。

请继续参阅图2所示，对所述库存原料总量的更新周期进行调节的过程包括：

基于历史生产数据中的若干统计周期的产品生产速率计算产品生产速率的方差；

将所述产品生产速率的方差分别与预设第一方差和预设第二方差进行比对；

若所述产品生产速率的方差大于预设第一方差，则判定产品制造过程的稳定性不符合要求，并在产品生产速率的方差大于预设第一方差且小于等于预设第二方差时对库存原料总量的更新周期进行调节并输出第一对应更新周期。

具体而言，所述产品生产速率的方差为根据历史生产数据中的若干统计周期的产品生产速率计算产品生产的平均速率，并根据所述产品生产的平均速率计算得出的，可以理解的是，产品生产速率的方差的计算方法为本领域技术人员的常用技术手段，因此对于产品生产速率的方差的计算过程在此不做赘述。

请继续参阅图1所示，基于所述产品生产速率的方差与所述预设第二方差的差值确定所述第一对应更新周期。

具体而言，产品生产速率的方差记为X，预设第一方差记为X1，预设第二方差记为X2，产品生产速率的方差与预设第二方差的差值记为△X，设定△X=X-X2，预设方差差值记为△X0，对库存原料总量的更新周期的调节过程为：

若△X≤△X0，使用预设第二周期调节系数α2将库存原料总量的更新周期T调节至第一更新周期；

若△X＞△X0，使用预设第一周期调节系数α1将库存原料总量的更新周期T调节至第二更新周期；

其中，0＜α1＜α2＜1，第一对应更新周期T’=T×αi，αi为预设第i周期调节系数，设定i=1，2。

本发明所述方法对产品生产过程进行检测和参数调节，在对产品的生产速率进行检测的过程中，由于库存数量的更新频率较慢，与生产速率的获取频率具有较大差异，导致获取产品生产速率的稳定性降低，不符合生产要求，通过计算产品生产速率的方差，并根据产品生产速率的方差对库存原料总量的更新周期进行调节，使生产产品的数量及时更新，提高了产品的生产速率计算的准确性，实现了MES智能制造稳定性的提高。

请继续参阅图3所示，对所述数据采集终端的数据采集粒度进行重新配置的步骤包括：

若所述产品生产速率的方差大于预设第一方差且小于等于所述预设第二方差，初步判定数据采集的精准性不符合要求，并对异常停产次数的数量占比进行计算；

将所述异常停产次数的数量占比分别与预设第一占比和预设第二占比进行比对；

若所述异常停产次数的数量占比大于预设第一占比，则二次判定数据采集的精准性不符合要求，并在异常停产次数的数量占比大于预设第一占比且小于等于预设第二占比时对所述数据采集终端的数据采集粒度进行重新配置。

具体而言，异常停产次数的数量占比的计算公式为：其中，P为异常停产次数的数量占比，Pa为产品制造过程的异常停产次数，Pb为产品制造过程中的总停产次数。

具体而言，异常停产的含义为在停产前的所有的生产指标参数均在合格范围内的停产。

具体而言，数据采集终端的数据采集粒度的含义为数据采集终端的数据采集的精细程度，作为本发明的优选实施例，数据采集终端的数据采集粒度可以为数据采集终端对数据的采集间隔时长、数据采集终端的采集的单个数据的最小字节量或数据采集终端的单次的数据采集量。

具体而言，本领域技术人员可以理解的是，当数据采集终端的数据采集粒度提高时，数据采集终端的单次的数据采集量变大。

具体而言，数据采集终端包括若干类型的传感器。

具体而言，传感器可以为温度传感器、湿度传感器以及振动传感器。

基于所述异常停产次数的数量占比与预设第二占比的差值对所述数据采集终端的数据采集粒度进行重新配置。

具体而言，异常停产次数的数量占比记为P，预设第一占比记为P1，预设第二占比记为P2，异常停产次数的数量占比与预设第二占比的差值记为△P，设定△P=P-P2，预设占比差值记为△P，

若△P≤△P0，使用预设第一粒度调节系数β1对数据采集终端的数据采集粒度L进行重新配置；

若△P＞△P0，使用预设第二粒度调节系数β2对数据采集终端的数据采集粒度L进行重新配置；

其中，1＜β1＜β2＜2，重新配置后的数据采集终端的数据采集粒度L’=L/βj，βj为预设第j粒度调节系数，设定j=1，2。

本发明所述方法对产品生产过程进行检测和参数调节，由于设备长期运行导致数据采集终端老化，对数据的获取能力降低，在根据数据采集终端获取的数据对设备运行状况进行调节时，会控制不精准从而导致在设备不存在故障的情况做出对设备强制停产或限制设备生产的指令，从而导致设备运行效率的降低，通过对数据采集终端的数据采集粒度的减小，提高数据的采集数量和采集精度，进而提高指令的准确度，进一步实现了MES智能制造稳定性的提高。

请继续参阅图1所示，对所述故障预警阈值进行调节的步骤包括：

若所述异常停产次数的数量占比大于预设第一占比且小于等于预设第二占比，初步判定设备状态的识别准确性不符合要求，并对自动恢复生产状态的故障预警数量占比进行计算；

将所述自动恢复生产状态的故障预警数量占比与预设数量占比进行比对；

若自动恢复生产状态的故障预警数量占比大于预设数量占比，二次判定设备状态的识别准确性不符合要求，并对所述故障预警阈值进行调节。

具体而言，自动恢复生产状态的故障预警数量占比的计算公式为：其中，R为自动恢复生产状态的故障预警数量占比，R_r为设备维修前自动恢复生产状态的故障预警数量，R_c为设备的故障预警总数量。

具体而言，自动恢复生产状态的含义为设备自动恢复至标准运行参数值的状态，在系统识别到设备存在故障并发出预警，并通知维修人员来进行维修，自动恢复生产状态的故障预警数量指的就是在维修前自动恢复至标准运行参数值的预警数量。

具体而言，故障预警阈值的含义为监测和分析设备运行状态时，发出故障预警通知的预警参数的临界值，预警参数包括设备温度、设备振动频率、设备所处环境湿度以及设备电流波动幅度。

请继续参阅图1所示，调节后的所述故障预警阈值通过所述自动恢复生产状态的故障预警数量占比与预设数量占比的差值确定。

具体而言，自动恢复生产状态的故障预警数量占比记为R，预设数量占比记为R0，自动恢复生产状态的故障预警数量占比与预设数量占比的差值记为△R，设定△R=R-R0，预设数量占比差值记为△R0，

若△R≤△R0，使用预设第一阈值调节系数ζ1对故障预警阈值Y进行调节；

若△R＞△R0，使用预设第二阈值调节系数ζ2对故障预警阈值Y进行调节；

其中，1＜ζ1＜ζ2，调节后的故障预警阈值Y’=Y×ζg，ζg为预设第g阈值调节系数，设定g=1，2。

本发明所述方法对产品生产过程中的参数进行检测和调节，在设备运行过程中存在设备瞬时的参数升高、波动或偏离，但由于设备自身具有自我恢复能力，在设备的自我恢复能力范围内发出故障预警导致设备报警疲劳从而降低设备使用寿命和设备的安全性，通过对设备的故障预警阈值的调节，减少故障的误报率和对设备的频繁干预，避免不必要的停机，进一步实现了MES智能制造稳定性的提高。

请继续参阅图1所示，对所述第一对应更新周期调节的过程包括：

在完成对于所述库存原料总量的更新周期的确定后获取若干周期的控制参数的发送延迟时长并对控制参数的平均发送延迟时长进行计算；

将所述控制参数的平均发送延迟时长与预设延迟时长进行比对；

若所述控制参数的平均发送延迟时长大于预设延迟时长，判定产品生产的连续性不符合要求，并对所述第一对应更新周期进行调节并输出第二对应更新周期。

具体而言，控制参数的发送延迟时长为从控制参数发送时刻到设备接收到控制参数时刻的实际间隔时长与标准间隔时长的差值的绝对值。

具体而言，控制参数的平均发送延迟时长的计算公式为：其中，U为控制参数的平均发送延迟时长，U_i为第i个周期的控制参数的发送延迟时长，n为周期的数量，n为大于等于1的自然数。

请继续参阅图1所示，所述第二对应更新周期通过所述控制参数的平均发送延迟时长与预设延迟时长的差值确定。

具体而言，控制参数的平均发送延迟时长记为S，预设延迟时长记为S0，控制参数的平均发送延迟时长与预设延迟时长的差值记为△S，设定△S=S-S0，预设延迟时长差值记为△S0，

若△S≤△S0，使用预设第三周期调节系数α3将第一对应更新周期T’调节至第三更新周期；

若△S＞△S0，使用预设第四周期调节系数α4将第一对应更新周期T’调节至第四更新周期；

其中，1＜α3＜α4，第二对应更新周期T”=T’×αk，αk为预设第k周期调节系数，设定k=3，4。

具体而言，第二对应更新周期包括第三更新周期和第四更新周期。

请继续参阅图4所示，本发明还提供一种基于大数据的MES智能制造管理系统，包括：

数据获取单元，用以分别对产品制造过程的实时制造数据和一级生产特征数据进行采集；

数据处理单元，其与所述数据获取单元相连，包括用以对所述一级生产特征数据进行筛选计算以输出二级生产特征数据的计算组件和用以对所述实时制造数据进行预处理的预处理组件；

数据库，其分别与所述数据获取单元和所述数据处理单元相连，用以存储产品制造过程的实时制造数据、所述一级生产特征数据以及所述二级生产特征数据；

控制单元，其分别与所述数据获取单元、所述数据处理单元以及所述数据库相连，包括与所述预处理组件相连用以根据经过预处理后的实时制造数据生成产品制造过程的对应控制参数的第一控制组件和与所述第一控制组件相连的第二控制组件，其中，

所述第二控制组件用以根据产品生产速率的方差对库存原料总量的更新周期进行调节以输出第一对应更新周期，或，基于所述产品生产速率的方差和异常停产次数的数量占比对数据采集终端的数据采集粒度进行重新配置，以及，根据所述异常停产次数的数量占比和自动恢复生产状态的故障预警数量占比对故障预警阈值进行调节，以及，根据控制参数的平均发送延迟时长对所述第一对应更新周期进行调节以输出第二对应更新周期。

具体而言，对实时制造数据进行预处理的过程包括数据清洗、数据集成合并以及数据转换。

具体而言，数据清洗、数据集成合并以及数据转换等均为本领域技术人员所熟知的数据处理手段，因此对于实时制造数据进行预处理的过程在此不再赘述。

需要指出的是，在本实施例中的数据均为通过本发明所述基于大数据的MES智能制造管理方法及系统在本周期的运行前根据历史运行数据以及对应的历次产品制造过程中的数据统计、参数调节试验以及根据试验结果综合分析得出；本发明基于大数据的MES智能制造管理方法及系统在进行当前周期的运行前对在65天内累计统计、筛选和计算出的1475例的产品生产速率的方差、异常停产次数的数量占比、控制参数的平均发送延迟时长以及自动恢复生产状态的故障预警数量占比并综合确定针对该基于大数据的MES智能制造管理方法及系统的各项预设参数标准的数值。本领域技术人员可以理解的是，本发明所述基于大数据的MES智能制造管理方法及系统针对单项上述参数的确定方式可以为根据数据分布选取占比最高的数值作为预设标准参数，只要满足本发明所述基于大数据的MES智能制造管理方法及系统能够通过获取的数值明确界定单项判定过程中的不同特定情况即可。

实施例1

本实施例1在对产品制造过程采集产品制造过程的实时制造数据，计算得出产品生产速率的方差记为X=0.13（t/h）²，预设第一方差X1=0.09（t/h）²，预设第二方差X2=0.11（t/h）²，计算得出产品生产速率的方差与预设第二方差的差值△X=0.02（t/h）²，设定△X=X-X2，预设方差差值△X0=0.03（t/h）²，

本实施例1求得△X=（t/h）²，判定△X＜△X0，并使用预设第一周期调节系数α1=0.9对库存原料总量的更新周期T=5min进行调节，计算得T’=T×0.9=4.5min。

至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (10)

1.一种基于大数据的MES智能制造管理方法，其特征在于，包括以下步骤：

采集产品制造过程的实时制造数据，并根据经过数据预处理后的所述实时制造数据生成产品制造过程的控制参数；

获取历史生产数据中的若干统计周期的产品生产速率；

基于所述产品生产速率的方差对库存原料总量的更新周期进行调节以输出第一对应更新周期，或，基于所述产品生产速率的方差和异常停产次数的数量占比对数据采集终端的数据采集粒度进行重新配置；

基于所述异常停产次数的数量占比和自动恢复生产状态的故障预警数量占比对故障预警阈值进行调节；

获取按照所述第一对应更新周期对库存原料总量进行更新后的若干周期的所述控制参数的发送延迟时长；

基于所述控制参数的平均发送延迟时长对所述第一对应更新周期进行调节以输出第二对应更新周期。

2.根据权利要求1所述的基于大数据的MES智能制造管理方法，其特征在于，对所述库存原料总量的更新周期进行调节的过程包括：

基于历史生产数据中的若干统计周期的产品生产速率计算产品生产速率的方差；

将所述产品生产速率的方差分别与预设第一方差和预设第二方差进行比对；

若所述产品生产速率的方差大于预设第一方差，则判定产品制造过程的稳定性不符合要求，并在产品生产速率的方差大于预设第一方差且小于等于预设第二方差时对库存原料总量的更新周期进行调节并输出第一对应更新周期。

3.根据权利要求2所述的基于大数据的MES智能制造管理方法，其特征在于，基于所述产品生产速率的方差与所述预设第二方差的差值确定所述第一对应更新周期。

4.根据权利要求3所述的基于大数据的MES智能制造管理方法，其特征在于，对所述数据采集终端的数据采集粒度进行重新配置的步骤包括：

若所述产品生产速率的方差大于预设第一方差且小于等于所述预设第二方差，初步判定数据采集的精准性不符合要求，并对异常停产次数的数量占比进行计算；

将所述异常停产次数的数量占比分别与预设第一占比和预设第二占比进行比对；

若所述异常停产次数的数量占比大于预设第一占比，则二次判定数据采集的精准性不符合要求，并在异常停产次数的数量占比大于预设第一占比且小于等于预设第二占比时对所述数据采集终端的数据采集粒度进行重新配置。

5.根据权利要求4所述的基于大数据的MES智能制造管理方法，其特征在于，基于所述异常停产次数的数量占比与预设第二占比的差值对所述数据采集终端的数据采集粒度进行重新配置。

6.根据权利要求5所述的基于大数据的MES智能制造管理方法，其特征在于，对所述故障预警阈值进行调节的步骤包括：

若所述异常停产次数的数量占比大于预设第一占比且小于等于预设第二占比，初步判定设备状态的识别准确性不符合要求，并对自动恢复生产状态的故障预警数量占比进行计算；

将所述自动恢复生产状态的故障预警数量占比与预设数量占比进行比对；

若自动恢复生产状态的故障预警数量占比大于预设数量占比，则对所述故障预警阈值进行调节。

7.根据权利要求6所述的基于大数据的MES智能制造管理方法，其特征在于，调节后的所述故障预警阈值通过所述自动恢复生产状态的故障预警数量占比与预设数量占比的差值确定。

8.根据权利要求7所述的基于大数据的MES智能制造管理方法，其特征在于，对所述第一对应更新周期调节的过程包括：

在完成对于所述库存原料总量的更新周期的确定后获取若干周期的控制参数的发送延迟时长并对控制参数的平均发送延迟时长进行计算；

将所述控制参数的平均发送延迟时长与预设延迟时长进行比对；

若所述控制参数的平均发送延迟时长大于预设延迟时长，则对所述第一对应更新周期进行调节并输出第二对应更新周期。

9.根据权利要求8所述的基于大数据的MES智能制造管理方法，其特征在于，所述第二对应更新周期通过所述控制参数的平均发送延迟时长与预设延迟时长的差值确定。

10.基于权利要求1-9任一权利要求所述的基于大数据的MES智能制造管理方法的管理系统，其特征在于，包括：

数据获取单元，用以分别对产品制造过程的实时制造数据和一级生产特征数据进行采集；

数据处理单元，其与所述数据获取单元相连，包括用以对所述一级生产特征数据进行筛选计算以输出二级生产特征数据的计算组件和用以对所述实时制造数据进行预处理的预处理组件；

数据库，其分别与所述数据获取单元和所述数据处理单元相连，用以存储产品制造过程的实时制造数据、所述一级生产特征数据以及所述二级生产特征数据；

控制单元，其分别与所述数据获取单元、所述数据处理单元以及所述数据库相连，包括与所述预处理组件相连用以根据经过预处理后的实时制造数据生成产品制造过程的对应控制参数的第一控制组件和与所述第一控制组件相连的第二控制组件，其中，

所述第二控制组件用以根据产品生产速率的方差对库存原料总量的更新周期进行调节以输出第一对应更新周期，或，基于所述产品生产速率的方差和异常停产次数的数量占比对数据采集终端的数据采集粒度进行重新配置，以及，根据所述异常停产次数的数量占比和自动恢复生产状态的故障预警数量占比对故障预警阈值进行调节，以及，根据控制参数的平均发送延迟时长对所述第一对应更新周期进行调节以输出第二对应更新周期。