CN117726080A - 多源异构数据驱动的智能制造决策系统及方法 - Google Patents
多源异构数据驱动的智能制造决策系统及方法 Download PDFInfo
- Publication number
- CN117726080A CN117726080A CN202410161878.7A CN202410161878A CN117726080A CN 117726080 A CN117726080 A CN 117726080A CN 202410161878 A CN202410161878 A CN 202410161878A CN 117726080 A CN117726080 A CN 117726080A
- Authority
- CN
- China
- Prior art keywords
- production
- decision
- data
- model
- material supply
- 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 448
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000007246 mechanism Effects 0.000 claims abstract description 105
- 230000008901 benefit Effects 0.000 claims abstract description 35
- 238000007726 management method Methods 0.000 claims abstract description 33
- 238000004364 calculation method Methods 0.000 claims abstract description 30
- 230000006870 function Effects 0.000 claims description 92
- 230000015654 memory Effects 0.000 claims description 16
- 230000001276 controlling effect Effects 0.000 claims description 13
- 238000005265 energy consumption Methods 0.000 claims description 13
- 230000001105 regulatory effect Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 230000001419 dependent effect Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000001960 triggered effect Effects 0.000 claims description 4
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000003672 processing method 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
本发明涉及智能制造技术领域,具体是多源异构数据驱动的智能制造决策系统及方法,方法包括,采集历史生产数据,构建历史生产数据的函数模型,通过迭代计算的方式,计算出具体函数模型;获取当前生产任务数据和生产变量数据,构建生产决策参数;构建自动决策模型,设立决策机制和决策参数阈值,确定所要执行的决策机制;将生产任务均分为多个生产周期进行生产,通过管控生产变量数据,不断调整每个生产周期的生产效益;构建决策管理平台,记录自动决策模型的工作信息,并生成日志文件,平台管理人员参照日志文件对决策机制进行优化。本发明构建出多种生产需求下的生产决策,能有效提升多机制生产决策下的生产效益。
Description
技术领域
本发明涉及智能制造技术领域,具体是多源异构数据驱动的智能制造决策系统及方法。
背景技术
在生产制造过程中,如何根据当前的生产需求,实现高效率和高收益的生产决策是一个复杂的问题。决策过程中需要考虑多来源数据,这些数据结构不同,虽然数据彼此之间存在内在关联,但无法直接建立对应关系,因此无法直接用于构建生产决策。
公开号为CN113610373A的中国专利公开了基于智能制造的信息决策处理方法及系统,使得信息决策文本训练模型能够与智能制造信息集所获取到的业务决策请求相匹配,提高了信息决策文本训练模型与业务决策请求之间的适配性,进而提升了信息决策的效率。
但是,该发明未能考虑多个生产变量因素对生产制造的影响,以及未能通过控制生产过程中的重要的变量因素来实现多机制的智能生产决策。
鉴于此,本发明提出多源异构数据驱动的智能制造决策系统及方法,用于解决上述问题。
发明内容
本发明解决的技术问题是:如何通过将多来源数据简化,来解决生产过程中变量与生产效益的关系,以及如何建立多个决策机制来实现对生产制造过程的智能控制。
为实现上述目的,本发明提供如下技术方案:
采集历史生产数据,构建历史生产数据的函数模型,通过迭代计算的方式,计算出具体函数模型;
获取当前生产任务数据和生产变量数据,将生产任务数据代入函数模型,并构建生产决策参数;
构建自动决策模型,设立决策机制和决策参数阈值,基于当前生产任务决策参数,确定所要执行的决策机制;
将生产任务均分为多个生产周期进行生产,基于执行的决策机制,通过管控生产变量数据,不断调整每个生产周期的生产效益;
构建决策管理平台,实时记录自动决策模型的工作信息,并生成日志文件,平台管理人员参照日志文件对决策机制进行优化。
优选的,所述历史生产数据包括,成本数据、物料数据和效率数据,所述成本数据包括,物料成本和能耗成本, 所述物料数据包括,物料供给速率,物料供给速率为受调控变量;所述能耗成本包括,能源消耗量和能源价格,能源价格根据时间变化进行上下波动,并且具有周期性。
优选的,所述函数模型包括,第一函数模型和第二函数模型;
在第一函数模型的计算中,将生产效率数据和物料供给速率数据整合为第一数据集,数据集分为训练数据集、验证数据集和测试数据集,以生产效率为因变量和以物料供给速率为自变量,迭代计算生产效率和物料供给速率数据的函数模型参数,设定第一函数模型在损失函数值小于第一目标预设值时停止迭代,通过迭代计算得出生产效率数据和物料供给速率数据的具体函数模型;
在第二函数模型的计算中,将生产效率数据和生产收益数据整合为第二数据集,第二数据集分为训练数据集、验证数据集和测试数据集,以生产收益为自变量和以生产效率为因变量,迭代计算生产收益和生产效率数据的函数模型参数,设定第二函数模型在损失函数值小于第二目标预设值时停止迭代,通过迭代计算得出生产效率数据和生产收益数据的函数模型。
优选的,所述当前生产任务包括,获取当前生产任务的待生产数量和生产任务截止时间;
所述生产变量数据包括,物料供给速率和能源价格;
所述物料供给速率包括,基础物料供给速率和最大物料供给速率/>;
基于任务截止时间和当前时间/>,计算出剩余生产时长/>:/>;
根据基础物料供给速率,计算出当前生产任务的基础生产效率/>,并根据当前生产任务的待生产数量/>,计算出最大生产时长/>:/>;
基于最大生产时长和剩余生产时长,构建决策参数RP,按照参数RP值划分决策机制,决策参数RP的计算公式如下:
其中,RP为决策参数。
优选的,所述决策机制包括,建立第一决策机制、第二决策机制和第三决策机制;设立决策参数阈值、/>和/>;
当时,划分生产任务为第一类型生产任务,自动决策模型执行第一决策机制,采用高收益的生产决策;
当时,划分生产任务为第二类型生产任务,自动决策模型执行第二决策机制,采用平衡的生产决策;
当时,划分生产任务为第三类型生产任务;自动决策模型执行第三决策机制,采用高效率的生产决策。
优选的,所述决策机制还包括,建立物料供给机制,在基础物料供给速率和最大物料供给速率之间构建高收益物料供给速率;
基于生产效率数据和物料供给速率数据的函数模型、生产效率数据和生产收益数据的函数模型,将生产效率数据与物料供给速率数据之间函数模型代入物料供给数据和生产效率数据的函数中,拟合出物料供给速率数据与生产收益数据的函数模型;
求出物料供给速率数据与生产收益数据函数的导函数,设定自变量中基础物料供给速率和最大物料供给速率之间导函数值最大点为高收益物料供给速率。
优选的,所述生产周期包括,在确定所要执行的生产决策机制后,将生产任务均分为n个生产周期;在每个生产周期内,按照当前决策机制的生产决策下达决策指令,构建决策规划模型,通过下达决策指令,控制模型变量,实行决策机制的生产决策。
优选的,所述调整每个生产周期的生产决策包括,
在以第一决策机制的生产决策进行生产时,若当前生产周期的能源价格由波谷向上波动,则减小当前周期的物料供给速率,并在能源价格处于波峰时,将物料供给速率降至基础供给速率;
若当前生产周期的能源价格由波峰向下波动,则增加物料供给速率,并在能源价格到达波谷时,将物料供给速率提升到高收益物料供给速率;
当以第二决策机制的生产决策进行生产时,在能源价格的波谷范围设定价格阈值,若当前周期的能源价格高于价格阈值,在当前生产周期内按照基础物料供给速率供给物料;
若当前周期的能源价格低于价格阈值,以最大物料供给速率供给物料;
当以第三决策机制的生产决策进行生产时,不考虑能源的价格波动和生产收益,始终以最大物料供给速率控制生产效率进行生产。
优选的,所述决策管理平台包括,在决策管理平台管理决策指令,并安排工作人员监管自动决策模型;
决策管理平台收集当前决策机制在每个生产周期的理论生产效益以及实际生产效益,所述理论生产效益包括理论生产效率和理论生产收益/>,所述实际生产效益包括实际生产效率/>和实际生产收益/>;
设立生产效率监管阈值和生产收益监管阈值/>,在生产周期结束时,监管平台收集生产效益数据,计算生产周期内生产效益,若连续两个生产周期内:/>,,则触发决策监管机制;
当触发决策监管机制时,监管平台通过日志功能自动调出监管机制当前生产周期的生产数据以及决策指令,通过交互界面呈现给工作人员,当监管人员检测出自动决策模型中的错误参数时,对错误参数进行修正,修正错误参数后的自动决策机制下达一周期的决策指令。
一种多源异构数据驱动的智能制造决策系统,其基于所述的一种多源异构数据驱动的智能制造决策方法实现。
优选的,所述系统包括数据采集和计算模块、决策参数模块、自动决策模块、生产优化模块以及决策监管模块;
所述数据采集和计算模块,用于采集历史生产数据,构建历史生产数据的函数模型,通过迭代计算的方式,计算出具体函数模型;
所述决策参数模块,用于获取当前生产任务数据和生产变量数据,将生产任务数据代入函数模型,并构建生产决策参数;
所述自动决策模块,用于构建自动决策模型,设立决策机制和决策参数阈值,基于当前生产任务决策参数,确定所要执行的决策机制;
所述生产优化模块,将生产任务均分为多个生产周期进行生产,基于执行的决策机制,通过管控生产变量数据,不断调整每个生产周期的生产效益;
所述决策监管模块,用于构建决策管理平台,实时记录自动决策模型的工作信息,并生成日志文件,平台管理人员参照日志文件对决策机制进行优化。
一种电子设备,包括:处理器和存储器,其中,所述存储器中存储有可供处理器调用的计算机程序;所述处理器通过调用所述存储器中存储的计算机程序,执行所述的多源异构数据驱动的智能制造决策方法。
一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机执行所述的多源异构数据驱动的智能制造决策方法。
本发明的有益效果:本发明相较于传统决策方法,从多来源的生产数据中简化出影像生产的重要变量因素,通过构建函数模型计算出变量因素与生产效益之间的关联,并构建决策参数,划分出多机制的生产决策,构建出多种生产需求下的生产决策,并在生产过程不断优化生产决策,有效提高生产决策的生产效益;本发明还建立决策监管机制,用于监管决策机制是否正常运行。
附图说明
图1为本发明提供的智能制造决策方法的整体方法流程图;
图2为本发明提供的自动决策模型的结构示意图;
图3是本发明提供的智能制造决策系统的系统结构示意图;
图4是本发明提供的计算机电子设备示意图;
图5是本发明提供的计算机可读存储介质结构示意图。
具体实施方式
为了更好地理解本申请,将参考附图对本申请的各个方面作出更详细的说明。应理解,这些详细说明只是对本申请的示例性实施方式的描述,而非以任何方式限制本申请的范围。在说明书全文中,相同的附图标号指代相同的元件。表述“和/或”包括相关联的所列项目中的一个或多个的任何和全部组合。
在附图中,为了便于说明,已稍微调整了元素的大小、尺寸和形状。附图仅为示例而并非严格按比例绘制。如在本文中使用的,用语“大致”、“大约”以及类似的用语用作表近似的用语,而不用作表程度的用语,并且旨在说明将由本领域普通技术人员认识到的、测量值或计算值中的固有偏差。另外,在本申请中,各步骤处理描述的先后顺序并不必然表示这些处理在实际操作中出现的顺序,除非有明确其它限定或者能够从上下文推导出的除外。
还应理解的是,诸如“包括”、“包括有”、“具有”、“包含”和/或“包含有”等表述在本说明书中是开放性而非封闭性的表述,其表示存在所陈述的特征、元件和/或部件,但不排除一个或多个其它特征、元件、部件和/或它们的组合的存在。此外,当诸如“...中的至少一个”的表述出现在所列特征的列表之后时,其修饰整列特征,而非仅仅修饰列表中的单独元件。此外,当描述本申请的实施方式时,使用“可”表示“本申请的一个或多个实施方式”。并且,用语“示例性的”旨在指代示例或举例说明。
除非另外限定,否则本文中使用的所有措辞(包括工程术语和科技术语)均具有与本申请所属领域普通技术人员的通常理解相同的含义。还应理解的是,除非本申请中有明确的说明,否则在常用词典中定义的词语应被解释为具有与它们在相关技术的上下文中的含义一致的含义,而不应以理想化或过于形式化的意义解释。
需要说明的是,在不冲突的情况下,本申请中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本申请。
实施例1
参照图1和图2,本申请第一个实施例提供的多源异构数据驱动的智能制造决策方法。
S1:采集历史生产数据,利用通过迭代计算的方式,计算出历史生产数据中具体的函数模型。
具体的,所述历史生产数据包括,成本数据、物料数据和效率数据,所述成本数据包括,物料成本和能耗成本,所述物料数据包括,物料供给速率,物料供给速率为受调控变量;所述能耗成本包括,能源消耗量和能源价格,能源价格根据时间变化进行上下波动,并且具有周期性。
进一步的,将生产效率数据和物料供给速率数据整合为第一数据集,数据集分为训练数据集和测试数据集,以生产效率为因变量和以物料供给速率/>为自变量,迭代计算生产效率和物料供给速率数据的函数模型参数,设定第一函数模型在损失函数值小于第一目标预设值时停止计算;通过迭代计算得出生产效率数据和物料供给速率数据的函数模型。
构建生产效率数据和物料供给速率数据的第一函数模型:
其中,是物料供给速率,/>和/>为参数,由迭代计算得出。
迭代计算第一函数模型参数和/>的过程如下:
将数据集划分为;选择均方误差MSE作为损失函数;
在第一函数模型中,自变量为,因变量为/>;
迭代计算的具体过程为:随机初始化参数和/>;对于每个数据点/>,计算函数模型输出/>;
计算损失函数;
计算函数模型损失函数;
计算损失函数的梯度参数和/>,使用梯度下降法更新损失参数:
其中,为学习率,可基于实际需求设置为固定值。
重复迭代过程,直至损失函数收敛或损失函数值小于预设损失函数阈值。
使用验证数据集评估函数模型的泛化性能,确保模型没有过拟合;使用测试数据集来评估函数模型的拟合程度。
在迭代完成后,当前的和/>值,为所求的最优参数。
将生产效率数据和生产收益数据整合为第二数据集,第二数据集分为训练数据集和测试数据集,以生产收益数据为因变量和以生产效率数据为自变量,迭代计算生产收益和生产效率/>的函数模型参数,设定第二函数模型在损失函数值小于第二目标预设值时停止迭代计算,通过迭代计算得出生产效率数据和生产收益数据的函数模型。
构建生产效率数据和生产收益数据的第二函数模型:
其中,为生产效率,/>和/>为参数,由迭代计算得出。
第二函数模型中迭代计算参数和/>的方法与计算/>和/>的方法相同。
S2:获取当前生产任务数据和生产变量数据,将生产任务数据代入函数模型,并构建生产决策参数。
所述生产变量数据包括,物料供给速率、能源用量和能源价格。
所述物料供给速率包括,基础物料供给速率和最大物料供给速率/>。
基于任务截止时间和当前时间/>,计算出剩余生产时长/>:/>。
根据基础物料供给速率,计算出当前生产任务的基础生产效率/>,并根据当前生产任务的待生产数量/>,计算出最大生产时长/>:/>。
基于最大生产时长和剩余生产时长,构建决策参数RP,按照参数RP值划分决策机制,决策参数RP的计算公式如下:
其中,RP为决策参数。
S3:构建自动决策模型,设立决策机制和决策参数阈值,基于当前生产任务决策参数,确定所要执行的决策机制。
具体的,所述决策机制包括,建立第一决策机制、第二决策机制和第三决策机制;设立决策参数阈值、/>和/>,且/>,/>;/>。
当时,划分生产任务为第一类型生产任务,自动决策模型执行第一决策机制,采用高收益的生产决策。
当时,划分生产任务为第二类型生产任务,自动决策模型执行第二决策机制,采用平衡的生产决策。
当时,划分生产任务为第三类型生产任务;自动决策模型执行第三决策机制,采用高效率的生产决策。
进一步的,所述决策机制还包括,建立物料供给机制,在基础物料供给速率和最大物料供给速率之间构建高收益物料供给速率。
基于生产效率数据和物料供给速率数据的函数模型、生产效率数据和生产收益数据的函数模型,将生产效率数据与物料供给速率数据之间函数模型代入物料供给数据和生产效率数据的函数,拟合出物料供给速率数据与生产收益数据的函数模型。
求出物料供给速率数据与生产收益数据函数的导函数,设定自变量中基础物料供给速率和最大物料供给速率之间导函数值最大点为高收益物料供给速率。
S4:将生产任务均分为多个生产周期进行生产,基于执行的决策机制,通过管控生产变量数据,不断调整每个生产周期的生产效益。
具体的,所述生产周期包括,在确定所要执行的生产决策机制后,将生产任务均分为n个生产周期;在每个生产周期内,按照当前决策机制的生产决策下达决策指令,构建决策规划模型,通过下达决策指令,控制模型变量,实行决策机制的生产决策。
构建的决策规划模型具体如下:
其中,为待生产数量;/>为基础生产效率;/>为最大生产时长,/>为生产截止时间;/>为当前时间,/>为剩余生产时长;/>为生产总成本,/>为基础物料供给速率;/>为单位物料成本;/>为能源消耗量;/>为能源价格函数;/>为生产收益,/>为单个产品生产收益。
示例性的,能源价格包括但不限于电能价格,以电能价格函数为例,电能价格以24小时为周期循环变化,构建电能价格函数模型:
具体的电能变化可在函数模型导入当地详细的电能价格标准后计算得出。
进一步的,所述调整每个生产周期的生产决策包括,在以第一决策机制的生产决策进行生产时,若当前生产周期的能源价格由波谷向上波动,则减小当前周期的物料供给速率,并在能源价格处于波峰时,将物料供给速率降至基础供给速率;
若当前生产周期的能源价格由波峰向下波动,则增加物料供给速率,并在能源价格到达波谷时,将物料供给速率提升到高收益物料供给速率。
当以第二决策机制的生产决策进行生产时,在能源价格的波谷范围设定价格阈值,若当前周期的能源价格高于价格阈值,在当前生产周期内按照基础物料供给速率供给物料。
若当前周期的能源价格低于价格阈值,以最大物料供给速率供给物料。
当以第三决策机制的生产决策进行生产时,不考虑能源的价格波动和生产收益,始终以最大物料供给速率控制生产效率进行生产。
S5:构建决策管理平台,实时记录自动决策模型的工作信息,并生成日志文件,平台管理人员参照日志文件对决策机制进行优化。
具体的,所述决策管理平台包括,在决策管理平台管理决策指令,并安排工作人员监管自动决策模型。
决策管理平台收集当前决策机制在每个生产周期的理论生产效益以及实际生产效益,所述理论生产效益包括理论生产效率和理论生产收益/>,所述实际生产效益包括实际生产效率/>和实际生产收益/>;
设立生产效率监管阈值和生产收益监管阈值/>,在生产周期结束时,监管平台收集生产效益数据,计算生产周期内生产效益,若连续两个生产周期内:/>,,则触发决策监管机制。
当触发决策监管机制时,监管平台通过日志功能自动调出监管机制当前生产周期的生产数据以及决策指令,通过交互界面呈现给工作人员,当监管人员检测出自动决策模型中的错误参数时,对错误参数进行修正,修正错误参数后的自动决策机制继续下达一周期的决策指令。
实施例2
如图3所示,本申请一个实施例提供的多源异构数据驱动的智能制造决策系统。
所述系统包括数据采集和计算模块、决策参数模块、自动决策模块、生产优化模块以及决策监管模块。
所述数据采集和计算模块,用于采集历史生产数据,通过迭代计算得出历史生产数据中的函数模型。
所述历史生产数据包括,成本数据、物料数据和效率数据,所述成本数据包括,物料成本和能耗成本, 所述物料数据包括,物料供给速率,物料供给速率为受调控变量;所述能耗成本包括,能源消耗量和能源价格,能源价格根据时间变化进行上下波动,并且具有周期性。
所述决策参数模块,用于获取当前生产任务数据和生产变量数据,将生产任务数据代入函数模型,并构建生产决策参数。
所述当前生产任务包括,获取当前生产任务的待生产数量和生产任务截止时间。
所述生产变量数据包括,物料供给速率和能源价格。
所述物料供给速率包括,基础物料供给速率和最大物料供给速率/>;
基于任务截止时间和当前时间/>,计算出剩余生产时长/>:/>;
根据基础物料供给速率,计算出当前生产任务的基础生产效率/>,并根据当前生产任务的待生产数量/>,计算出最大生产时长/>:/>;
基于最大生产时长和剩余生产时长,构建决策参数RP,按照参数RP值划分决策机制,决策参数RP的计算公式如下:
其中,RP为决策参数。
所述自动决策模块,用于构建自动决策模型,设立决策机制和决策参数阈值,基于当前生产任务决策参数,确定所要执行的决策机制。
所述生产优化模块,将生产任务均分为多个生产周期进行生产,基于执行的决策机制,通过管控生产变量数据,不断调整每个生产周期的生产效益。
所述生产周期包括,在确定所要执行的生产决策机制后,将生产任务均分为n个生产周期;在每个生产周期内,按照当前决策机制的生产决策下达决策指令,构建决策规划模型,通过下达决策指令,控制模型变量,实行决策机制的生产决策。
所述决策监管模块,用于构建决策管理平台,实时记录自动决策模型的工作信息,并生成日志文件,平台管理人员参照日志文件对决策机制进行优化。
所述决策管理平台包括,在决策管理平台管理决策指令,并安排工作人员监管自动决策模型。
实施例3
图4是本申请一个实施例提供的电子设备结构示意图。如图4所示,根据本申请的又一方面还提供了一种电子设备500。该电子设备500可包括一个或多个处理器以及一个或多个存储器。其中,存储器中存储有计算机可读代码,计算机可读代码当由一个或多个处理器运行时,可以执行如上所述的多源异构数据驱动的智能制造决策方法。
根据本申请实施方式的方法或系统也可以借助于图4所示的电子设备的架构来实现。如图4所示,电子设备500可包括总线501、一个或多个CPU502、只读存储器(ROM)503、随机存取存储器(RAM)504、连接到网络的通信端口505、输入/输出组件506、硬盘507等。电子设备500中的存储设备,例如ROM503或硬盘507可存储本申请提供的多源异构数据驱动的智能制造决策方法。多源异构数据驱动的智能制造决策方法,包括:采集历史生产数据,构建历史生产数据的函数模型,通过迭代计算的方式,计算出具体函数模型;获取当前生产任务数据和生产变量数据,将生产任务数据代入函数模型,并构建生产决策参数;构建自动决策模型,设立决策机制和决策参数阈值,基于当前生产任务决策参数,确定所要执行的决策机制;将生产任务均分为多个生产周期进行生产,基于执行的决策机制,通过管控生产变量数据,不断调整每个生产周期的生产效益;构建决策管理平台,实时记录自动决策模型的工作信息,并生成日志文件,平台管理人员参照日志文件对决策机制进行优化。
进一步地,电子设备500还可包括用户界面508。当然,图4所示的架构只是示例性的,在实现不同的设备时,根据实际需要,可以省略图4示出的电子设备中的一个或多个组件。
实施例4
图5是本申请一个实施例提供的计算机可读存储介质结构示意图。如图5所示,是根据本申请一个实施方式的计算机可读存储介质600。计算机可读存储介质600上存储有计算机可读指令。当计算机可读指令由处理器运行时,可执行参照以上附图描述的根据本申请实施方式的多源异构数据驱动的智能制造决策方法。存储介质600包括但不限于例如易失性存储器和/或非易失性存储器。易失性存储器例如可包括随机存取存储器(RAM)和高速缓冲存储器(cache)等。非易失性存储器例如可包括只读存储器(ROM)、硬盘、闪存等。
另外,根据本申请的实施方式,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请提供了一种非暂时性机器可读存储介质,所述非暂时性机器可读存储介质存储有机器可读指令,所述机器可读指令能够由处理器运行以执行与本申请提供的方法步骤对应的指令,例如:采集历史生产数据,构建历史生产数据的函数模型,通过迭代计算的方式,计算出具体函数模型;获取当前生产任务数据和生产变量数据,将生产任务数据代入函数模型,并构建生产决策参数;构建自动决策模型,设立决策机制和决策参数阈值,基于当前生产任务决策参数,确定所要执行的决策机制;将生产任务均分为多个生产周期进行生产,基于执行的决策机制,通过管控生产变量数据,不断调整每个生产周期的生产效益;构建决策管理平台,实时记录自动决策模型的工作信息,并生成日志文件,平台管理人员参照日志文件对决策机制进行优化。
可能以许多方式来实现本申请的方法和装置、设备。例如,可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本申请的方法和装置、设备。用于方法的步骤的上述顺序仅是为了进行说明,本申请的方法的步骤不限于以上具体描述的顺序,除非以其它方式特别说明。此外,在一些实施例中,还可将本申请实施为记录在记录介质中的程序,这些程序包括用于实现根据本申请的方法的机器可读指令。因而,本申请还覆盖存储用于执行根据本申请的方法的程序的记录介质。
另外,本申请的实施方式中提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明,以免过多赘述。
如上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明。应理解的是,以上所述仅为本发明的具体实施方式,并不用于限制本发明。凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等均应包含在本发明的保护范围之内。
Claims (12)
1.多源异构数据驱动的智能制造决策方法,其特征在于:包括,
采集历史生产数据,构建历史生产数据的函数模型,通过迭代计算的方式,计算出具体函数模型;
获取当前生产任务数据和生产变量数据,将生产任务数据代入函数模型,并构建生产决策参数;
构建自动决策模型,设立决策机制和决策参数阈值,基于当前生产任务决策参数,确定所要执行的决策机制;
将生产任务均分为多个生产周期进行生产,基于执行的决策机制,通过管控生产变量数据,不断调整每个生产周期的生产效益;
构建决策管理平台,实时记录自动决策模型的工作信息,并生成日志文件,平台管理人员参照日志文件对决策机制进行优化。
2.根据权利要求1所述的多源异构数据驱动的智能制造决策方法,其特征在于:所述历史生产数据包括,成本数据、物料数据和效率数据,所述成本数据包括,物料成本和能耗成本,所述物料数据包括,物料供给速率,物料供给速率为受调控变量;所述能耗成本包括,能源消耗量和能源价格,能源价格根据时间变化进行上下波动,并且具有周期性。
3.根据权利要求2所述的多源异构数据驱动的智能制造决策方法,其特征在于:所述函数模型包括第一函数模型和第二函数模型;
在第一函数模型的计算中,将生产效率数据和物料供给速率数据整合为第一数据集,数据集分为训练数据集、验证数据集和测试数据集,以生产效率为因变量和以物料供给速率为自变量,迭代计算生产效率和物料供给速率数据的函数模型参数,设定第一函数模型在损失函数值小于第一目标预设值时停止迭代,通过迭代计算得出生产效率数据和物料供给速率数据的具体函数模型;
在第二函数模型的计算中,将生产效率数据和生产收益数据整合为第二数据集,第二数据集分为训练数据集、验证数据集和测试数据集,以生产收益为自变量和以生产效率为因变量,迭代计算生产收益和生产效率数据的函数模型参数,设定第二函数模型在损失函数值小于第二目标预设值时停止迭代,通过迭代计算得出生产效率数据和生产收益数据的函数模型。
4.根据权利要求3所述的多源异构数据驱动的智能制造决策方法,其特征在于:所述当前生产任务包括,获取当前生产任务的待生产数量和生产任务截止时间;
所述生产变量数据包括,物料供给速率和能源价格;
所述物料供给速率包括,基础物料供给速率和最大物料供给速率/>;
基于任务截止时间和当前时间/>,计算出剩余生产时长/>:/>;
根据基础物料供给速率,计算出当前生产任务的基础生产效率/>,并根据当前生产任务的待生产数量/>,计算出最大生产时长/>:/>;
基于最大生产时长和剩余生产时长,构建决策参数RP,按照参数RP值划分决策机制,决策参数RP的计算公式如下:
其中,RP为决策参数。
5.根据权利要求4所述的多源异构数据驱动的智能制造决策方法,其特征在于:所述决策机制包括,建立第一决策机制、第二决策机制和第三决策机制;设立决策参数阈值、和/>;
当时,划分生产任务为第一类型生产任务,自动决策模型执行第一决策机制,采用高收益的生产决策;
当时,划分生产任务为第二类型生产任务,自动决策模型执行第二决策机制,采用平衡的生产决策;
当时,划分生产任务为第三类型生产任务;自动决策模型执行第三决策机制,采用高效率的生产决策。
6.根据权利要求5所述的多源异构数据驱动的智能制造决策方法,其特征在于:所述决策机制还包括,建立物料供给机制,在基础物料供给速率和最大物料供给速率之间构建高收益物料供给速率;
基于生产效率数据和物料供给速率数据的函数模型、生产效率数据和生产收益数据的函数模型,将生产效率数据与物料供给速率数据之间函数模型代入物料供给数据和生产效率数据的函数中,拟合出物料供给速率数据与生产收益数据的函数模型;
求出物料供给速率数据与生产收益数据函数的导函数,设定自变量中基础物料供给速率和最大物料供给速率之间导函数值最大点为高收益物料供给速率。
7.根据权利要求6所述的多源异构数据驱动的智能制造决策方法,其特征在于:所述生产周期包括,在确定所要执行的生产决策机制后,将生产任务均分为n个生产周期;在每个生产周期内,按照当前决策机制的生产决策下达决策指令,构建决策规划模型,通过下达决策指令,控制模型变量,实行决策机制的生产决策。
8.根据权利要求7所述的多源异构数据驱动的智能制造决策方法,其特征在于:所述调整每个生产周期的生产决策包括,
在以第一决策机制的生产决策进行生产时,若当前生产周期的能源价格由波谷向上波动,则减小当前周期的物料供给速率,并在能源价格处于波峰时,将物料供给速率降至基础供给速率;
若当前生产周期的能源价格由波峰向下波动,则增加物料供给速率,并在能源价格到达波谷时,将物料供给速率提升到高收益物料供给速率;
当以第二决策机制的生产决策进行生产时,在能源价格的波谷范围设定价格阈值,若当前周期的能源价格高于价格阈值,在生产周期内按照基础物料供给速率供给物料;
若当前周期的能源价格低于价格阈值,以最大物料供给速率供给物料;
当以第三决策机制的生产决策进行生产时,不考虑能源的价格波动和生产收益,始终以最大物料供给速率控制生产效率进行生产。
9.根据权利要求8所述的多源异构数据驱动的智能制造决策方法,其特征在于:所述决策管理平台包括,在决策管理平台管理决策指令,并安排工作人员监管自动决策模型;
决策管理平台收集当前决策机制在每个生产周期的理论生产效益以及实际生产效益,所述理论生产效益包括理论生产效率和理论生产收益/>,所述实际生产效益包括实际生产效率/>和实际生产收益/>;
设立生产效率监管阈值和生产收益监管阈值/>,在生产周期结束时,监管平台收集生产效益数据,计算生产周期内生产效益,若连续两个生产周期内:/>,,则触发决策监管机制;
当触发决策监管机制时,监管平台通过日志功能自动调出监管机制当前生产周期的生产数据以及决策指令,通过交互界面呈现给工作人员,当监管人员检测出自动决策模型中的错误参数时,对错误参数进行修正,修正错误参数后的自动决策机制下达一周期的决策指令。
10.一种多源异构数据驱动的智能制造决策系统,其基于权利要求1-9任一项所述的一种多源异构数据驱动的智能制造决策方法实现,其特征在于:包括数据采集和计算模块、决策参数模块、自动决策模块、生产优化模块以及决策监管模块;
所述数据采集和计算模块,用于采集历史生产数据,构建历史生产数据的函数模型,通过迭代计算的方式,计算出具体函数模型;
所述决策参数模块,用于获取当前生产任务数据和生产变量数据,将生产任务数据代入函数模型,并构建生产决策参数;
所述自动决策模块,用于构建自动决策模型,设立决策机制和决策参数阈值,基于当前生产任务决策参数,确定所要执行的决策机制;
所述生产优化模块,将生产任务均分为多个生产周期进行生产,基于执行的决策机制,通过管控生产变量数据,不断调整每个生产周期的生产效益;
所述决策监管模块,用于构建决策管理平台,实时记录自动决策模型的工作信息,并生成日志文件,平台管理人员参照日志文件对决策机制进行优化。
11.一种电子设备,其特征在于,包括:处理器和存储器,其中,所述存储器中存储有可供处理器调用的计算机程序;所述处理器通过调用所述存储器中存储的计算机程序,执行权利要求1~9任一项所述的多源异构数据驱动的智能制造决策方法。
12.一种计算机可读存储介质,其特征在于:储存有指令,当所述指令在计算机上运行时,使得计算机执行如权利要求1~9任一项所述的多源异构数据驱动的智能制造决策方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410161878.7A CN117726080B (zh) | 2024-02-05 | 2024-02-05 | 多源异构数据驱动的智能制造决策系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410161878.7A CN117726080B (zh) | 2024-02-05 | 2024-02-05 | 多源异构数据驱动的智能制造决策系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117726080A true CN117726080A (zh) | 2024-03-19 |
CN117726080B CN117726080B (zh) | 2024-04-26 |
Family
ID=90209157
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410161878.7A Active CN117726080B (zh) | 2024-02-05 | 2024-02-05 | 多源异构数据驱动的智能制造决策系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117726080B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109614451A (zh) * | 2018-12-06 | 2019-04-12 | 南京邮电大学 | 工业大数据智能分析决策装置 |
CN110377598A (zh) * | 2018-04-11 | 2019-10-25 | 西安邮电大学 | 一种基于智能制造过程的多源异构数据存储方法 |
CN110377648A (zh) * | 2018-04-11 | 2019-10-25 | 西安邮电大学 | 一种面向智能制造的多源异构数据分析平台 |
CN111950927A (zh) * | 2020-08-24 | 2020-11-17 | 清华大学 | 一种智能工厂多源异构大数据的获取与管理系统 |
CN112200489A (zh) * | 2020-10-30 | 2021-01-08 | 中国科学院自动化研究所 | 有色金属冶炼产供销一体优化系统、方法、装置 |
CN113110345A (zh) * | 2021-04-26 | 2021-07-13 | 广州中国科学院沈阳自动化研究所分所 | 基于柔性电路板smt车间的智能制造单元管控系统及装置 |
CN113268486A (zh) * | 2021-06-07 | 2021-08-17 | 清华大学 | 智能工厂的一体化数据应用系统 |
CN113610373A (zh) * | 2021-07-28 | 2021-11-05 | 上海德衡数据科技有限公司 | 基于智能制造的信息决策处理方法及系统 |
CN113627784A (zh) * | 2021-08-09 | 2021-11-09 | 浙江天能优品网络科技有限公司 | 一种基于工业互联网的企业资产管理智能决策系统 |
CN115081728A (zh) * | 2022-07-06 | 2022-09-20 | 中昌(天津)复合材料有限公司 | 一种纺织工厂的多源异构纺织装备调度管理与优化系统 |
CN116740525A (zh) * | 2023-08-16 | 2023-09-12 | 南京迅集科技有限公司 | 基于数据融合的智能制造质量管理方法 |
CN116976549A (zh) * | 2023-06-30 | 2023-10-31 | 大唐互联科技(武汉)有限公司 | 一种面向设备密集离散型制造工厂的智能优化管控方法 |
WO2023227012A1 (zh) * | 2022-05-26 | 2023-11-30 | 卡奥斯工业智能研究院(青岛)有限公司 | 产品数据处理方法、装置及存储介质 |
CN117391307A (zh) * | 2023-11-08 | 2024-01-12 | 东北大学 | 一种基于铸坯质量解析的炼钢生产组批方法 |
-
2024
- 2024-02-05 CN CN202410161878.7A patent/CN117726080B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110377598A (zh) * | 2018-04-11 | 2019-10-25 | 西安邮电大学 | 一种基于智能制造过程的多源异构数据存储方法 |
CN110377648A (zh) * | 2018-04-11 | 2019-10-25 | 西安邮电大学 | 一种面向智能制造的多源异构数据分析平台 |
CN109614451A (zh) * | 2018-12-06 | 2019-04-12 | 南京邮电大学 | 工业大数据智能分析决策装置 |
CN111950927A (zh) * | 2020-08-24 | 2020-11-17 | 清华大学 | 一种智能工厂多源异构大数据的获取与管理系统 |
CN112200489A (zh) * | 2020-10-30 | 2021-01-08 | 中国科学院自动化研究所 | 有色金属冶炼产供销一体优化系统、方法、装置 |
CN113110345A (zh) * | 2021-04-26 | 2021-07-13 | 广州中国科学院沈阳自动化研究所分所 | 基于柔性电路板smt车间的智能制造单元管控系统及装置 |
CN113268486A (zh) * | 2021-06-07 | 2021-08-17 | 清华大学 | 智能工厂的一体化数据应用系统 |
CN113610373A (zh) * | 2021-07-28 | 2021-11-05 | 上海德衡数据科技有限公司 | 基于智能制造的信息决策处理方法及系统 |
CN113627784A (zh) * | 2021-08-09 | 2021-11-09 | 浙江天能优品网络科技有限公司 | 一种基于工业互联网的企业资产管理智能决策系统 |
WO2023227012A1 (zh) * | 2022-05-26 | 2023-11-30 | 卡奥斯工业智能研究院(青岛)有限公司 | 产品数据处理方法、装置及存储介质 |
CN115081728A (zh) * | 2022-07-06 | 2022-09-20 | 中昌(天津)复合材料有限公司 | 一种纺织工厂的多源异构纺织装备调度管理与优化系统 |
CN116976549A (zh) * | 2023-06-30 | 2023-10-31 | 大唐互联科技(武汉)有限公司 | 一种面向设备密集离散型制造工厂的智能优化管控方法 |
CN116740525A (zh) * | 2023-08-16 | 2023-09-12 | 南京迅集科技有限公司 | 基于数据融合的智能制造质量管理方法 |
CN117391307A (zh) * | 2023-11-08 | 2024-01-12 | 东北大学 | 一种基于铸坯质量解析的炼钢生产组批方法 |
Non-Patent Citations (2)
Title |
---|
丁世飞编著: "《高级人工智能》", 31 January 2015, 中国矿业大学出版社, pages: 134 - 136 * |
马玉山: "《智能制造工程理论与实践》", 31 January 2021, 机械工业出版社, pages: 418 - 419 * |
Also Published As
Publication number | Publication date |
---|---|
CN117726080B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112614009B (zh) | 一种基于深度期望q-学习的电网能量管理方法及系统 | |
CN107301472B (zh) | 基于场景分析法和电压调节策略的分布式光伏规划方法 | |
CN110489110A (zh) | 一种基于深度学习的代码生成方法及装置 | |
CN111668877A (zh) | 一种主动配电网分布鲁棒优化调度方法及系统 | |
CN104601104B (zh) | 基于lssvm带arma修正的超短期光伏预测方法 | |
CN108629626B (zh) | 一种基于ai大数据的搜索广告智能托管方法和系统 | |
CN101478157A (zh) | 自动发电控制系统及其负荷预测自动综合的优化方法 | |
CN110321538A (zh) | 一种智能离线数据填报系统 | |
CN115981863A (zh) | 一种结合业务特性的智能云资源弹性伸缩方法和系统 | |
CN117726080B (zh) | 多源异构数据驱动的智能制造决策系统及方法 | |
CN115186916A (zh) | 负荷预测方法、装置、设备及计算机可读存储介质 | |
CN108960410A (zh) | 基于神经网络的参数更新方法、相关平台及计算机存储介质 | |
CN111030109A (zh) | 一种网络约束的电网备用容量减扣计算方法及相关装置 | |
CN116231765A (zh) | 一种虚拟电厂出力控制方法 | |
CN114819406A (zh) | 一种水光互补调度大系统分解协调优化方法 | |
CN114358378A (zh) | 一种用于考虑需量管理的用户侧储能优化配置系统及方法 | |
CN107967528A (zh) | 充电价格显示方法及装置 | |
CN113256118A (zh) | 一种家庭智能用电设备运行优化方法、系统及设备 | |
CN111371091A (zh) | 基于市场效益驱动的光伏发电智能预测系统的计算方法 | |
CN109301820A (zh) | 一种企业电力控制方法及系统 | |
CN109343650A (zh) | 一种最大功率点追踪方法、太阳能控制器及相关设备 | |
CN112950033B (zh) | 一种基于水库调度规则合成的水库调度决策方法及系统 | |
CN115689241A (zh) | 一种基于水风光多能互补的梯级水库群调度图优化方法 | |
CN109217380A (zh) | 一种弃风限电方法及装置 | |
CN113612233A (zh) | 一种风电系统有功功率-无功功率协调的电压稳定控制方法、系统、终端及可读存储介质 |
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 |