CN117689186B - 一种基于标识解析的排产计划筛选方法及相关设备 - Google Patents
一种基于标识解析的排产计划筛选方法及相关设备 Download PDFInfo
- Publication number
- CN117689186B CN117689186B CN202410150634.9A CN202410150634A CN117689186B CN 117689186 B CN117689186 B CN 117689186B CN 202410150634 A CN202410150634 A CN 202410150634A CN 117689186 B CN117689186 B CN 117689186B
- Authority
- CN
- China
- Prior art keywords
- correlation
- determining
- processing nodes
- scheduling
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012216 screening Methods 0.000 title claims abstract description 31
- 238000004458 analytical method Methods 0.000 title claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 179
- 238000004519 manufacturing process Methods 0.000 claims abstract description 115
- 238000003860 storage Methods 0.000 claims abstract description 18
- 230000011218 segmentation Effects 0.000 claims description 31
- 230000015654 memory Effects 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 description 7
- 239000000047 product Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000003723 Smelting Methods 0.000 description 4
- 238000000137 annealing Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000005520 cutting process Methods 0.000 description 4
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 2
- 238000009954 braiding Methods 0.000 description 2
- 238000011143 downstream manufacturing Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000005245 sintering Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 238000005491 wire drawing Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007598 dipping method Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提出一种基于标识解析的排产计划筛选方法、装置、电子设备及存储介质，一种基于标识解析的排产计划筛选方法包括：根据第一工业互联网标识确定多个加工节点的属性数据；根据第二工业互联网标识获取多个加工节点对应的历史排产计划；根据多个历史排产计划确定每两个相邻的加工节点之间的相关性；根据相关性构建多个有向图，每个有向图对应多个候选排产计划；根据约束条件分割每个有向图，获得多个排产计划；确定每个排产计划对应的工时以及良率，根据工时和良率确定每个排产计划的优先级；确定最高的优先级对应的排产计划为目标排产计划。本申请涉及智能排产技术领域，能够提升制定排产计划的准确度。
Description
技术领域
本申请涉及智能制造技术领域，具体涉及排产计划筛选技术领域，尤其涉及一种基于标识解析的排产计划筛选方法装置、电子设备及存储介质。
背景技术
目前，线缆的生产工艺较复杂，一般包含配料、摇料、压胚、推挤绝缘烧结、并丝、编织、浸锡、护套、分割、包装等。生产过程中也会流转多个中间件，包括根据配料、摇料、压胚、推挤绝缘烧结等工艺生成的绝缘铜丝件，根据并丝等工艺生成的镀锡铜并丝件，根据编织、浸锡等工艺生成的浸锡线芯件，根据护套、分割、包装等工艺生成的最终产品件。
由于在生成的过程中生产的中间件较多，为了保障交付质量，通常需要生产人员及时管控生产流程，这类管控方式较为机械且需要耗费大量的人工成本，导致生产设备的投入产出比较低、生产过程等待时间长和生产效率低等问题。
发明内容
鉴于以上内容，有必要提出一种基于标识解析的排产计划筛选方法及相关设备，以解决制定排产计划的准确度低的技术问题。其中，相关设备包括一种基于标识解析的排产计划筛选装置、电子设备及存储介质。
本申请提供一种基于标识解析的排产计划筛选方法，应用于电子设备，所述方法包括：通过解析第一工业互联网标识确定多个加工节点的属性数据，其中，所述属性数据包括每个加工节点的额定工时、额定良率以及当前工作状态；通过解析第二工业互联网标识获取所述多个加工节点对应的多个历史排产计划，其中，每个历史排产计划包括所述多个加工节点的组合，每个加工节点对应于历史属性数据；根据所述历史属性数据确定所述多个历史排产计划中每两个相邻的加工节点之间的相关性；根据所述相关性和所述属性数据构建多个有向图，其中，每个有向图对应于多个加工节点的组合，所述每两个相邻的加工节点之间的相关性为所述有向图的边权；根据预存的约束条件分割所述每个有向图，获得多个排产计划，其中，每个排产计划代表多个加工结点对应的属性数据的组合；根据所述属性数据确定所述每个排产计划对应的平均工时以及平均良率，根据所述平均工时和所述平均良率确定所述每个排产计划的优先级；确定最高的所述优先级对应的排产计划为目标排产计划。
在一些实施例中，所述历史属性数据包括历史工时和历史良率，每个历史排产计划对应于多个生产周期，所述根据所述历史属性数据确定所述多个历史排产计划中每两个相邻的加工节点之间的相关性包括：根据所述两个相邻的加工节点在所述多个历史排产计划中对应的所述历史工时确定所述相邻两个加工节点的工时相关性；根据所述两个相邻的加工节点在所述多个历史排产计划中对应的所述历史良率确定所述相邻两个加工节点的良率相关性；根据所述工时相关性和所述良率相关性确定所述两个相邻的加工节点之间的相关性。
在一些实施例中，所述根据所述两个相邻的加工节点在所述多个历史排产计划中对应的所述历史工时确定所述相邻两个加工节点的工时相关性包括：确定所述两个相邻的加工节点在每个历史排产计划对应的多个生产周期中的历史工时；根据每个生产周期对应的所述历史工时确定每个历史排产计划对应的工时相关系数；确定所述多个历史排产计划对应的所述工时相关系数的均值为所述工时相关性。
在一些实施例中，所述根据所述两个相邻的加工节点在所述多个历史排产计划中对应的所述历史良率确定所述相邻两个加工节点的良率相关性包括：确定所述两个相邻的加工节点在每个历史排产计划对应的多个生产周期中的历史良率；根据每个生产周期对应的所述历史良率确定每个历史排产计划对应的良率相关系数；确定所述多个历史排产计划对应的所述良率相关系数的均值为所述良率相关性。
在一些实施例中，所述根据所述工时相关性和所述良率相关性确定所述两个相邻的加工节点之间的相关性包括：对所述工时相关性和所述良率相关性进行归一化处理，得到归一化的工时相关性和归一化的良率相关性；确定所述工时相关性与所述归一化的工时相关性的乘积为第一相关性；确定所述良率相关性与所述归一化的良率相关性的乘积为第二相关性；确定所述第一相关性和所述第二相关性之和为所述两个相邻的加工节点之间的相关性。
在一些实施例中，所述根据预存的约束条件分割所述每个有向图，获得多个排产计划包括：根据所述预存的约束条件确定所述每个有向图对应的多种分割方式，根据所述属性数据以及所述相关性计算每种分割方式的损失值，其中，每种分割方式对应于多个候选排产计划以及所述有向图中的多条边；所述损失值的计算方式满足以下关系式：
L(N)＝a*R(N)+b*B(N)
其中，N代表分割方式；L(N)代表所述分割方式的损失值；a和b代表预设的权重系数，其中，a与b之和为1；R(N)代表所述分割方式对应的第一损失值，所述第一损失值用于表征所述分割方式N对应的候选排产计划中每两个相邻的加工节点的相关性的平均值；B(N)代表所述分割方式对应的第二损失值，所述第二损失值用于表征所述分割方式N对应的所述多条边的边权的均值的倒数；确定所述损失值最小的分割方式对应的所述多个候选排产计划为所述排产计划。
在一些实施例中，所述根据所述属性数据确定所述每个排产计划对应的平均工时以及平均良率，根据所述平均工时和所述平均良率确定所述每个排产计划的优先级包括：根据所述属性数据确定所述每个排产计划中的加工节点对应的平均工时；根据所述属性数据确定所述每个排产计划中的加工节点对应的平均良率；根据所述平均工时和所述平均良率确定所述每个排产计划的优先级，其中，确定所述优先级的方法满足以下关系式：
其中，P代表所述优先级；T代表所述平均工时；R代表所述平均良率。
本申请实施例还提供一种基于标识解析的排产计划筛选装置，所述装置包括：获取模块，用于根据第一工业互联网标识确定多个加工节点的属性数据，其中，所述属性数据包括每个加工节点的工时、良率以及当前工作状态；所述获取模块，还用于根据第二工业互联网标识获取所述多个加工节点对应的多个历史排产计划，其中，每个历史排产计划包括所述多个加工节点的组合；确定模块，用于根据所述多个历史排产计划确定每两个相邻的加工节点之间的相关性；所述确定模块，还用于根据所述相关性构建多个有向图，其中，每个有向图对应于多个加工节点的组合；所述确定模块，还用于根据预存的约束条件分割所述每个有向图，获得多个排产计划，其中，每个排产计划代表多个加工结点的组合；所述确定模块，还用于确定所述每个排产计划对应的工时以及良率，根据所述工时和良率确定每个所述排产计划的优先级；所述确定模块，还用于确定最高的所述优先级对应的排产计划为目标排产计划。
本申请实施例还提供一种电子设备，所述电子设备包括：存储器，存储至少一个指令；处理器，执行所述存储器中存储的指令以实现所述的一种基于标识解析的排产计划筛选方法。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现所述的一种基于标识解析的排产计划筛选方法。
由以上技术方案可以看出，本申请实施例通过解析第一工业互联网标识和第二工业互联网标识确定加工节点的属性数据以及加工节点对应的历史排产计划。其中，每个历史排产计划包括所述多个加工节点的组合，每个加工节点对应于历史属性数据，能够为后续对排产计划进行量化评估提供数据支撑。并根据历史属性数据确定每两个相邻的加工节点之间的相关性，再根据相关性和属性数据构建多个有向图，并根据预存的约束条件分割有向图，获得多个排产计划，从而扩充排产计划的筛选范围，确保后续获得目标排产计划的准确度。最终根据属性数据确定排产计划对应的优先级，并确定最高的优先级对应的排产计划为目标排产计划，能够以量化的数据对排产计划的性能进行评估，从而提升确定目标排产计划的准确度。
附图说明
图1是本申请一实施例提供的一种基于标识解析的排产计划筛选方法的应用场景图。
图2是本申请一实施例提供的一种基于标识解析的排产计划筛选方法的流程图。
图3是本申请一实施例提供的一种基于标识解析的排产计划筛选装置的功能模块图。
图4是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
为了能够更清楚地理解本申请的目的、特征和优点，下面结合附图和具体实施例对本申请进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互结合。在下面的描述中阐述了很多具体细节以便于充分理解本申请，所述描述的实施例仅是本申请一部分实施例，而不是全部的实施例。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本申请实施例提供一种基于标识解析的排产计划筛选方法，可应用于一个或者多个电子设备中，电子设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
电子设备可以是任何一种可与客户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能式穿戴式设备等。
电子设备还可以包括网络设备和/或客户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(Cloud Computing)的由大量主机或网络服务器构成的云。
电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
如图1所示，本申请提供的一种基于标识解析的排产计划筛选方法可应用于电子设备100，电子设备100与数据库200通信连接。电子设备100用于从数据库200中获取第一工业互联网标识对应的加工节点的属性数据，以及第二工业互联网标识对应的历史排产计划。电子设备100根据所述历史属性数据确定所述多个历史排产计划中每两个相邻的加工节点之间的相关性；根据所述相关性和所述属性数据构建多个有向图，其中，每个有向图对应于多个加工节点的组合，所述每两个相邻的加工节点之间的相关性为所述有向图的边权；根据预存的约束条件分割所述每个有向图，获得多个排产计划，其中，每个排产计划代表多个加工结点对应的属性数据的组合；根据所述属性数据确定所述每个排产计划对应的平均工时以及平均良率，根据所述平均工时和所述平均良率确定所述每个排产计划的优先级；确定最高的所述优先级对应的排产计划为目标排产计划。
如图2所示，是本申请一实施例提供的一种基于标识解析的排产计划筛选方法的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。本申请实施例提供的一种基于标识解析的排产计划筛选方法包括如下步骤。
S20，通过解析第一工业互联网标识确定多个加工节点的属性数据，其中，所述属性数据包括每个加工节点的额定工时、额定良率以及当前工作状态。
在本申请一实施例中，智能生产场景中通常包括多种加工节点，例如，在线缆加工场景中，多个加工节点按照一定的先后顺序组合形成排产计划，从而对排产计划进行加工节点的排配。
在本申请一实施例中，第一工业互联网标识用于关联每个加工节点对应的属性数据，其中，属性数据包括加工节点对应的额定工时、额定良率以及工作状态。其中，额定工时用于表征加工节点接收到原材料到加工完原材料所需的时间，额定良率用于表征加工节点实施加工工艺的成功率，工作状态用于表征加工节点当前是否正在执行工艺流程。
在本申请一实施例中，生产场景可以是线缆加工场景，其中，加工节点包括：熔炼节点、拉丝节点、退火节点、绞线节点、绝缘节点、成缆节点、铠装节点、检测节点。
S21，通过解析第二工业互联网标识获取所述多个加工节点对应的多个历史排产计划，其中，每个历史排产计划包括所述多个加工节点的组合，每个加工节点对应于历史属性数据。
在本申请一实施例中，第二工业互联网标识用于关联多个加工节点对应的历史排产计划。
在本申请一实施例中，每个历史排产计划包括多个加工节点的组合。每个加工节点对应于历史属性数据，其中，历史属性数据用于表征加工节点在实施历史排产计划时对应的属性数据。其中，历史属性数据包括历史工时和历史良率。
示例性的，当历史排产计划包括历史排产计划A和历史排产计划B时，历史排产计划A中的多个加工节点的排列顺序可以是：熔炼节点、拉丝节点、退火节点、绞线节点、绝缘节点；历史排产计划B中的多个加工节点的排列顺序可以是：退火节点、绞线节点、绝缘节点、成缆节点。其中，熔炼节点在历史排产计划A中对应的历史属性数据可以是[40,0.8]，用于表征历史排产计划A中的熔炼节点完成加工工艺耗费的工时为40分钟，且良率为0.8；成缆节点在历史排产计划B中对应的历史属性数据可以是[30,0.9]。
S22，根据所述历史属性数据确定所述多个历史排产计划中每两个相邻的加工节点之间的相关性。
在本申请一实施例中，为了确定在排产计划的作业过程中，两个相邻的加工节点之间互相影响的程度，可根据加工节点的历史属性数据确定历史排产计划中每两个相邻的加工节点之间的相关性，从而利用量化数据表征每两个相邻的加工节点之间相互影响的程度，进而提升后续确定排产计划的准确性。
在本申请一实施例中，历史属性数据包括历史工时和历史良率，所述根据所述历史属性数据确定所述多个历史排产计划中每两个相邻的加工节点之间的相关性包括：根据所述两个相邻的加工节点在所述多个历史排产计划中对应的所述历史工时确定所述相邻两个加工节点的工时相关性；根据所述两个相邻的加工节点在所述多个历史排产计划中对应的所述历史良率确定所述相邻两个加工节点的良率相关性；根据所述工时相关性和所述良率相关性确定所述两个相邻的加工节点之间的相关性。
在本申请一实施例中，根据所述两个相邻的加工节点在所述多个历史排产计划中对应的所述历史工时确定所述相邻两个加工节点的工时相关性包括：确定所述两个相邻的加工节点在每个历史排产计划对应的多个生产周期中的历史工时；根据每个生产周期对应的所述历史工时确定每个历史排产计划对应的工时相关系数；确定所述多个历史排产计划对应的所述工时相关系数的均值为所述工时相关性。其中，工时相关系数的计算方式满足以下关系式：
其中，r工时代表任意一个历史排产计划对应的工时相关系数；xi代表两个相邻的加工节点中的一个在第i个生产周期对应的历史工时；代表该节点在多个生产周期对应的历史工时的均值；yi代表两个相邻的加工节点中的另一个在第i个生产周期对应的良率；/>代表该节点在多个生产周期对应的良率的均值；n代表生产周期的数量；i代表生产周期的索引。
在本申请一实施例中，根据所述两个相邻的加工节点在所述多个历史排产计划中对应的所述历史良率确定所述相邻两个加工节点的良率相关性包括：确定所述两个相邻的加工节点在每个历史排产计划对应的多个生产周期中的历史良率；根据每个生产周期对应的所述历史良率确定每个历史排产计划对应的良率相关系数；确定所述多个历史排产计划对应的所述良率相关系数的均值为所述良率相关性。其中，良率相关系数的计算方式与工时相关系数的计算方式相同，此处不再赘述。
在本申请一实施例中，根据工时相关性和良率相关性确定两个相邻的加工节点之间的相关性包括：对工时相关性和良率相关性进行归一化处理，得到归一化的工时相关性和归一化的良率相关性；确定工时相关性与归一化的工时相关性的乘积为第一相关性；确定良率相关性与归一化的良率相关性的乘积为第二相关性；确定第一相关性和第二相关性之和为两个相邻的加工节点之间的相关性。如此，能够通过归一化处理消除工时相关性和良率相关性之间的量纲差异，获得归一化的工时相关性和归一化的良率相关性。并根据归一化的工时相关性和归一化的良率相关性对两个相邻的加工节点对应的工时相关性和良率相关性进行调整，抑制其中较小的值，并增强其中较大的值，从而利用注意力的机制确保后续获得的相关性数值更准确。
示例性的，工时相关性为0.5且良率相关性为0.95时，若利用最大化算法对工时相关性和良率相关性进行归一化处理，得到的归一化工时相关性为0.52，归一化良率相关性为1。则两个相邻的加工节点对应的相关性为1.2412。
S23，根据所述相关性和所述属性数据构建多个有向图，其中，每个有向图对应于多个加工节点的组合。
在本申请一实施例中，为了从多种排产计划中确定目标排产计划，从而提升制定的排产计划的性能，可根据多个加工节点对应的属性数据和每两个加工节点之间的相关性确定多个有向图。具体的，可随机对多个加工节点对应的属性数据进行随机排序，从而得到多个加工节点的有序组合，并确定每两个相邻的加工节点之间具备一条边，且确定两个相邻的加工节点的相关性为该边的边权。其中，边权用于表征两个相邻的加工节点之间的关联程度。如此，每个有向图对应于多个加工节点的组合，从而利用量化的有向图表征多种排产计划，为后续提升确定目标排产计划的性能提供了数据支撑。
S24，根据预存的约束条件分割所述每个有向图，获得多个排产计划，其中，每个排产计划代表多个加工结点对应的属性数据的组合。
在本申请一实施例中，为了根据有向图确定排产计划，可根据预存的约束条件分割每个有向图，确定有向图中的多个加工节点的组合。具体的，预存的约束条件用于表征对排产计划中包括的加工节点的需求，例如，约束条件包括：排产计划中必须包括退火节点和绞线节点。
在本申请一实施例中，可根据预存的约束条件确定每个有向图对应的多种分割方式，分割方式用于表征对有向图中的至少一条边进行切割的方式。其中，每种分割方式对应于多个候选排产计划以及所述有向图中的至少一条边，且每个候选排产计划对应于多个加工节点。为了衡量每个候选排产计划的优劣程度，可根据加工节点对应的属性数据计算每个分割方式的损失值，其中，损失值用于表征利用该分割方式进行分割而获得的候选排产计划的性能优劣，当损失值越高时表明候选排产计划的性能越差，当损失值越小时表明候选排产计划的性能越优化。具体的，损失值的计算方式满足以下关系式：
L(N)＝a*R(N)+b*B(N)
其中，N代表分割方式；L(N)代表所述分割方式的损失值；a和b代表预设的权重系数，其中，a与b之和为1；R(N)代表所述分割方式对应的第一损失值，所述第一损失值用于表征所述分割方式N对应的候选排产计划中每两个相邻的加工节点的相关性的平均值；B(N)代表所述分割方式对应的第二损失值，所述第二损失值用于表征所述分割方式N对应的所述多条边的边权的均值的倒数。
其中，第一损失值越高则表明候选排产计划中每两个相邻的加工节点之间的相关性越高，则候选排产计划中相邻的加工节点之间的关联程度越高，则某一个加工节点的工时和良率出现较大波动时，可能影响上游或下游的加工节点，因此该候选排产计划的稳定性较低且性能较差。
其中，第二损失值越高则表明切割方式对应的切割开的多条边的边权的均值的倒数越高，则该切割方式对应的切割开的多条边的边权的均值越小，则切割开的多条边连接的加工节点之间的相关性较低，因此保留下的边连接的加工节点之间的相关性越高，如此某一个加工节点的工时和良率出现较大波动时，可能影响上游或下游的加工节点，因此该候选排产计划的稳定性较低且性能较差。
在本申请一实施例中，可确定损失值最小的分割方式对应的结果为所述排产计划。损失值越小则表明分割方式对应的候选排产计划中每两个相邻的节点的相关性较低，能够避免相邻的加工节点之间相互影响，而对排产计划造成消极影响。
如此，在分割有向图的过程中对不同分割方式对应的候选排产计划进行评估，从而根据量化的数据确定每个有向图对应的排产计划，从而能够提升获的排产计划的准确度。
S25，根据所述属性数据确定所述每个排产计划对应的平均工时以及平均良率，根据所述平均工时和所述平均良率确定所述每个排产计划的优先级。
在本申请一实施例中，为了从排产计划中筛选中性能较为优化的排产计划，可根据属性数据确定每个排产计划对应的平均工时以及平均良率，从而根据计划工时和计划良率确定每个排产计划的优先级，利用优先级以量化表征每个排产计划的性能。其中，优先级越高则表明排产计划的性能越优化，优先级越小则表明排产计划的性能较为低。
在本申请一实施例中，确定每个排产计划的优先级的具体方式包括：根据所述属性数据确定所述每个排产计划中的加工节点对应的平均工时；根据所述属性数据确定所述每个排产计划中的加工节点对应的平均良率；根据所述平均工时和所述平均良率确定所述每个排产计划的优先级，其中，确定所述优先级的方法满足以下关系式：
其中，P代表所述优先级；T代表所述平均工时；R代表所述平均良率。
示例性的，当某一个排产计划对应的平均工时为40小时，且该排产计划中各个加工节点对应的平均良率为0.8，则该排产计划的优先级为0.825。
如此，根据每个排产计划中的加工节点对应的属性数据确定排产计划的优先级，从而以量化数据表征排产计划的性能，能够提升确定目标排产计划的准确度。
S26，确定最高的所述优先级对应的排产计划为目标排产计划。
在本申请一实施例中，当排产计划对应的优先级较高时，表明实施该排产计划进行生产加工时，能够以较低的工时和较高的良率完成生产订单，因此可确定最高的优先级对应的排产计划为目标排产计划。
由以上技术方案可以看出，本申请实施例通过解析第一工业互联网标识和第二工业互联网标识确定加工节点的属性数据以及加工节点对应的历史排产计划。其中，每个历史排产计划包括所述多个加工节点的组合，每个加工节点对应于历史属性数据，能够为后续对排产计划进行量化评估提供数据支撑。并根据历史属性数据确定每两个相邻的加工节点之间的相关性，再根据相关性和属性数据构建多个有向图，并根据预存的约束条件分割有向图，获得多个排产计划，从而扩充排产计划的筛选范围，确保后续获得目标排产计划的准确度。最终根据属性数据确定排产计划对应的优先级，并确定最高的优先级对应的排产计划为目标排产计划，能够以量化的数据对排产计划的性能进行评估，从而提升确定目标排产计划的准确度。
请参见图3，图3是本申请一实施例提供的一种基于标识解析的排产计划筛选装置的功能模块图。一种基于标识解析的排产计划筛选装置31包括获取模块310和确定模块311。本申请所称的模块/单元是指一种能够被处理器13所执行，并且能够完成固定功能的一系列计算机可读指令段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
所述获取模块310，用于根据第一工业互联网标识确定多个加工节点的属性数据，其中，所述属性数据包括每个加工节点的工时、良率以及当前工作状态。
所述获取模块310，还用于根据第二工业互联网标识获取所述多个加工节点对应的多个历史排产计划，其中，每个历史排产计划包括所述多个加工节点的组合。
所述确定模块311，用于根据所述多个历史排产计划确定每两个相邻的加工节点之间的相关性。
所述确定模块311，还用于根据所述相关性构建多个有向图，其中，每个有向图对应于多个加工节点的组合。
所述确定模块311，还用于根据预存的约束条件分割所述每个有向图，获得多个排产计划，其中，每个排产计划代表多个加工结点的组合。
所述确定模块311，还用于确定所述每个排产计划对应的工时以及良率，根据所述工时和良率确定每个所述排产计划的优先级。
所述确定模块311，还用于确定最高的所述优先级对应的排产计划为目标排产计划。
请参见图4，是本申请实施例提供的一种电子设备的结构示意图。电子设备100包括存储器12和处理器13。存储器12用于存储计算机可读指令，处理器13用执行所述储器中存储的计算机可读指令以实现上述任一实施例所述的一种基于标识解析的排产计划筛选方法。
在本申请一实施例中，电子设备100还包括总线、存储在所述存储器12中并可在所述处理器13上运行的计算机程序，例如一种基于标识解析的排产计划筛选程序。
图4仅示出了具有存储器12和处理器13的电子设备100，本领域技术人员可以理解的是，图4示出的结构并不构成对电子设备100的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
结合图2，电子设备100中的所述存储器12存储多个计算机可读指令以实现一种基于标识解析的排产计划筛选方法，所述处理器13可执行所述多个指令从而实现：通过解析第一工业互联网标识确定多个加工节点的属性数据，其中，所述属性数据包括每个加工节点的额定工时、额定良率以及当前工作状态；通过解析第二工业互联网标识获取所述多个加工节点对应的多个历史排产计划，其中，每个历史排产计划包括所述多个加工节点的组合，每个加工节点对应于历史属性数据；根据所述历史属性数据确定所述多个历史排产计划中每两个相邻的加工节点之间的相关性；根据所述相关性和所述属性数据构建多个有向图，其中，每个有向图对应于多个加工节点的组合，所述每两个相邻的加工节点之间的相关性为所述有向图的边权；根据预存的约束条件分割所述每个有向图，获得多个排产计划，其中，每个排产计划代表多个加工结点对应的属性数据的组合；根据所述属性数据确定所述每个排产计划对应的平均工时以及平均良率，根据所述平均工时和所述平均良率确定所述每个排产计划的优先级；确定最高的所述优先级对应的排产计划为目标排产计划。
具体地，所述处理器13对上述指令的具体实现方法可参考图2对应实施例中相关步骤的描述，在此不赘述。
本领域技术人员可以理解，所述示意图仅仅是电子设备100的示例，并不构成对电子设备100的限定，电子设备100可以是总线型结构，也可以是星形结构，电子设备100还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置，例如电子设备100还可以包括输入输出设备、网络接入设备等。
需要说明的是，电子设备100仅为举例，其他现有的或今后可能出现的电子产品如可适应于本申请，也应包含在本申请的保护范围以内，并以引用方式包含于此。
其中，存储器12至少包括一种类型的可读存储介质，所述可读存储介质可以是非易失性的，也可以是易失性的。所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是电子设备100的内部存储单元，例如该电子设备100的移动硬盘。存储器12在另一些实施例中也可以是电子设备100的外部存储设备，例如电子设备100上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。存储器12不仅可以用于存储安装于电子设备100的应用软件及各类数据，例如一种基于标识解析的排产计划筛选程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器13在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是电子设备100的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备100的各个部件，通过运行或执行存储在所述存储器12内的程序或者模块(例如执行一种基于标识解析的排产计划筛选程序等)，以及调用存储在所述存储器12内的数据，以执行电子设备100的各种功能和处理数据。
所述处理器13执行所述电子设备100的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个一种基于标识解析的排产计划筛选方法实施例中的步骤，例如图2所示的步骤。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机程序在电子设备100中的执行过程。例如，所述计算机程序可以被分割成获取模块310和确定模块311。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块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、计算机设备，或者网络设备等)或处理器(Processor)执行本申请各个实施例所述的一种基于标识解析的排产计划筛选方法的部分。
电子设备100集成的模块/单元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，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指示相关的硬件设备来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。
其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存储器及其他存储器等。
进一步地，计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
总线可以是外设部件互连标准(Peripheral Component Interconnect，简称PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，在图4中仅用一根箭头表示，但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器12以及至少一个处理器13等之间的连接通信。
本申请实施例还提供一种计算机可读存储介质(图未示)，计算机可读存储介质中存储有计算机可读指令，计算机可读指令被电子设备中的处理器执行以实现上述任一实施例所述的一种基于标识解析的排产计划筛选方法。
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，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块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模块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。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。说明书陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本申请的技术方案而非限制，尽管参照较佳实施例对本申请进行了详细说明，本领域的普通技术人员应当理解，可以对本申请的技术方案进行修改或等同替换，而不脱离本申请技术方案的精神和范围。
Claims (8)
1.一种基于标识解析的排产计划筛选方法，应用于电子设备，其特征在于，所述方法包括：
通过解析第一工业互联网标识确定多个加工节点的属性数据，其中，所述属性数据包括每个加工节点的额定工时、额定良率以及当前工作状态；
通过解析第二工业互联网标识获取所述多个加工节点对应的多个历史排产计划，其中，每个历史排产计划包括所述多个加工节点的组合，每个加工节点对应于历史属性数据；
根据所述历史属性数据确定所述多个历史排产计划中每两个相邻的加工节点之间的相关性；
根据所述相关性和所述属性数据构建多个有向图，其中，每个有向图对应于多个加工节点的组合，所述每两个相邻的加工节点之间的相关性为所述有向图的边权；
根据预存的约束条件分割所述每个有向图，获得多个排产计划，其中，每个排产计划代表多个加工结点对应的属性数据的组合；其中，所述根据预存的约束条件分割所述每个有向图，获得多个排产计划包括：根据所述预存的约束条件确定所述每个有向图对应的多种分割方式，根据所述属性数据以及所述相关性计算每种分割方式的损失值，其中，每种分割方式对应于多个候选排产计划以及所述有向图中的多条边；所述损失值的计算方式满足以下关系式：L(N)＝a*R(N)+b*B(N)；其中，N代表分割方式；L(N)代表所述分割方式的损失值；a和b代表预设的权重系数，其中，a与b之和为1；R(N)代表所述分割方式对应的第一损失值，所述第一损失值用于表征所述分割方式N对应的候选排产计划中每两个相邻的加工节点的相关性的平均值；B(N)代表所述分割方式对应的第二损失值，所述第二损失值用于表征所述分割方式N对应的所述多条边的边权的均值的倒数；确定所述损失值最小的分割方式对应的所述多个候选排产计划为所述排产计划；
根据所述属性数据确定所述每个排产计划对应的平均工时以及平均良率，根据所述平均工时和所述平均良率确定所述每个排产计划的优先级，包括：根据所述属性数据确定所述每个排产计划中的加工节点对应的平均工时；根据所述属性数据确定所述每个排产计划中的加工节点对应的平均良率；根据所述平均工时和所述平均良率确定所述每个排产计划的优先级，其中，确定所述优先级的方法满足以下关系式：其中，P代表所述优先级；T代表所述平均工时；R代表所述平均良率；
确定最高的所述优先级对应的排产计划为目标排产计划。
2.如权利要求1所述的一种基于标识解析的排产计划筛选方法，其特征在于，所述历史属性数据包括历史工时和历史良率，每个历史排产计划对应于多个生产周期，所述根据所述历史属性数据确定所述多个历史排产计划中每两个相邻的加工节点之间的相关性包括：
根据所述两个相邻的加工节点在所述多个历史排产计划中对应的所述历史工时确定所述相邻两个加工节点的工时相关性；
根据所述两个相邻的加工节点在所述多个历史排产计划中对应的所述历史良率确定所述相邻两个加工节点的良率相关性；
根据所述工时相关性和所述良率相关性确定所述两个相邻的加工节点之间的相关性。
3.如权利要求2所述的一种基于标识解析的排产计划筛选方法，其特征在于，所述根据所述两个相邻的加工节点在所述多个历史排产计划中对应的所述历史工时确定所述相邻两个加工节点的工时相关性包括：
确定所述两个相邻的加工节点在每个历史排产计划对应的多个生产周期中的历史工时；
根据每个生产周期对应的所述历史工时确定每个历史排产计划对应的工时相关系数；
确定所述多个历史排产计划对应的所述工时相关系数的均值为所述工时相关性。
4.如权利要求2所述的一种基于标识解析的排产计划筛选方法，其特征在于，所述根据所述两个相邻的加工节点在所述多个历史排产计划中对应的所述历史良率确定所述相邻两个加工节点的良率相关性包括：
确定所述两个相邻的加工节点在每个历史排产计划对应的多个生产周期中的历史良率；
根据每个生产周期对应的所述历史良率确定每个历史排产计划对应的良率相关系数；
确定所述多个历史排产计划对应的所述良率相关系数的均值为所述良率相关性。
5.如权利要求2所述的一种基于标识解析的排产计划筛选方法，其特征在于，所述根据所述工时相关性和所述良率相关性确定所述两个相邻的加工节点之间的相关性包括：
对所述工时相关性和所述良率相关性进行归一化处理，得到归一化的工时相关性和归一化的良率相关性；
确定所述工时相关性与所述归一化的工时相关性的乘积为第一相关性；
确定所述良率相关性与所述归一化的良率相关性的乘积为第二相关性；
确定所述第一相关性和所述第二相关性之和为所述两个相邻的加工节点之间的相关性。
6.一种基于标识解析的排产计划筛选装置，其特征在于，所述装置包括实现如权利要求1至5中任意一项所述的一种基于标识解析的排产计划筛选方法的模块，所述装置包括：
获取模块，用于根据第一工业互联网标识确定多个加工节点的属性数据，其中，所述属性数据包括每个加工节点的工时、良率以及当前工作状态；
所述获取模块，还用于根据第二工业互联网标识获取所述多个加工节点对应的多个历史排产计划，其中，每个历史排产计划包括所述多个加工节点的组合；
确定模块，用于根据所述多个历史排产计划确定每两个相邻的加工节点之间的相关性；
所述确定模块，还用于根据所述相关性构建多个有向图，其中，每个有向图对应于多个加工节点的组合；
所述确定模块，还用于根据预存的约束条件分割所述每个有向图，获得多个排产计划，其中，每个排产计划代表多个加工结点的组合；
所述确定模块，还用于确定所述每个排产计划对应的工时以及良率，根据所述工时和良率确定每个所述排产计划的优先级；
所述确定模块，还用于确定最高的所述优先级对应的排产计划为目标排产计划。
7.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至5中任意一项所述的一种基于标识解析的排产计划筛选方法。
8.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5中任意一项所述的一种基于标识解析的排产计划筛选方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410150634.9A CN117689186B (zh) | 2024-02-02 | 2024-02-02 | 一种基于标识解析的排产计划筛选方法及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410150634.9A CN117689186B (zh) | 2024-02-02 | 2024-02-02 | 一种基于标识解析的排产计划筛选方法及相关设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117689186A CN117689186A (zh) | 2024-03-12 |
| CN117689186B true CN117689186B (zh) | 2024-04-16 |
Family
ID=90128580
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410150634.9A Active CN117689186B (zh) | 2024-02-02 | 2024-02-02 | 一种基于标识解析的排产计划筛选方法及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117689186B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114693157A (zh) * | 2022-04-18 | 2022-07-01 | 浙江伟星实业发展股份有限公司 | 排产计划系统、方法、设备及存储介质 |
| CN115660243A (zh) * | 2022-11-14 | 2023-01-31 | 中科云谷科技有限公司 | 用于识别瓶颈工序的方法、装置及存储介质 |
| WO2023005395A1 (zh) * | 2021-07-30 | 2023-02-02 | 华为技术有限公司 | 工业规划的方法、装置、设备、存储介质和程序产品 |
| CN116384651A (zh) * | 2023-02-15 | 2023-07-04 | 上海东尚信息科技股份有限公司 | 一种生产线的排产系统及方法 |
| CN116976599A (zh) * | 2023-07-12 | 2023-10-31 | 信泰(福建)科技有限公司 | 一种智能排产的方法及相关设备 |
| CN117371715A (zh) * | 2023-10-17 | 2024-01-09 | 广州赛意信息科技股份有限公司 | 3c电子制造行业生产计划生成方法、系统、设备及介质 |
-
2024
- 2024-02-02 CN CN202410150634.9A patent/CN117689186B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023005395A1 (zh) * | 2021-07-30 | 2023-02-02 | 华为技术有限公司 | 工业规划的方法、装置、设备、存储介质和程序产品 |
| CN114693157A (zh) * | 2022-04-18 | 2022-07-01 | 浙江伟星实业发展股份有限公司 | 排产计划系统、方法、设备及存储介质 |
| CN115660243A (zh) * | 2022-11-14 | 2023-01-31 | 中科云谷科技有限公司 | 用于识别瓶颈工序的方法、装置及存储介质 |
| CN116384651A (zh) * | 2023-02-15 | 2023-07-04 | 上海东尚信息科技股份有限公司 | 一种生产线的排产系统及方法 |
| CN116976599A (zh) * | 2023-07-12 | 2023-10-31 | 信泰(福建)科技有限公司 | 一种智能排产的方法及相关设备 |
| CN117371715A (zh) * | 2023-10-17 | 2024-01-09 | 广州赛意信息科技股份有限公司 | 3c电子制造行业生产计划生成方法、系统、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117689186A (zh) | 2024-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109840648B (zh) | 用于输出储位信息的方法和装置 | |
| US8869149B2 (en) | Concurrency identification for processing of multistage workflows | |
| CN111143070A (zh) | 一种资源调度方法和装置 | |
| CN110389817B (zh) | 多云系统的调度方法、装置和计算机可读介质 | |
| CN113554301B (zh) | 一种生产计划排程方法及系统 | |
| CN117689186B (zh) | 一种基于标识解析的排产计划筛选方法及相关设备 | |
| CN112181498B (zh) | 并发控制方法、装置和设备 | |
| CN117707761A (zh) | 一种任务构建方法、装置、电子设备及存储介质 | |
| CN117829562B (zh) | 一种基于标识解析的排产计划生成方法及相关设备 | |
| CN117745721B (zh) | 一种基于标识解析的排产计划优化方法及相关设备 | |
| CN111523083A (zh) | 一种电力负荷申报数据的确定方法以及装置 | |
| CN111127114A (zh) | 一种电力负荷申报数据的确定方法以及装置 | |
| CN117744954B (zh) | 一种基于标识解析的智能排产方法及相关设备 | |
| CN114596009A (zh) | 智算中心的算力资源部署方法、装置、设备及存储介质 | |
| CN115237931A (zh) | 一种用于服务编排的子服务处理结果更新的方法和系统 | |
| CN114064403A (zh) | 一种任务延迟分析处理方法和装置 | |
| CN104866493A (zh) | 一种提升信息的曝光率的方法和装置 | |
| CN115344359A (zh) | 算力资源分配方法、装置、计算机可读存储介质及设备 | |
| CN112085426A (zh) | 订单下发控制方法、装置、存储介质及电子设备 | |
| CN113781237B (zh) | 基于分布式人工智能系统的产品订购单消费方法 | |
| CN118154170B (zh) | 故障维护优化方法及相关设备 | |
| CN109934604A (zh) | 获取畅销品名单的方法、系统、存储介质及电子设备 | |
| CN114167223B (zh) | 供电异常的检测方法、装置及计算机可读存储介质 | |
| CN114912944A (zh) | 业务数据处理方法、装置、计算机可读介质及计算机设备 | |
| CN110728125B (zh) | 请假表单生成方法、装置、服务器及存储介质 |
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 |