CN117744954B - 一种基于标识解析的智能排产方法及相关设备 - Google Patents
一种基于标识解析的智能排产方法及相关设备 Download PDFInfo
- Publication number
- CN117744954B CN117744954B CN202410184413.3A CN202410184413A CN117744954B CN 117744954 B CN117744954 B CN 117744954B CN 202410184413 A CN202410184413 A CN 202410184413A CN 117744954 B CN117744954 B CN 117744954B
- Authority
- CN
- China
- Prior art keywords
- scheduling
- determining
- processing node
- historical
- processing
- 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 48
- 238000004458 analytical method Methods 0.000 title claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 162
- 230000035772 mutation Effects 0.000 claims abstract description 13
- 230000015654 memory Effects 0.000 claims description 25
- 238000003860 storage Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004519 manufacturing process Methods 0.000 description 14
- 239000000047 product Substances 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 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
- 238000004891 communication Methods 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
- 238000004088 simulation Methods 0.000 description 2
- 238000005245 sintering Methods 0.000 description 2
- 238000003723 Smelting Methods 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000005520 cutting process Methods 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
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000005491 wire drawing 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智能排产方法及相关设备,一种基于标识解析的智能排产方法包括:根据第一工业互联网标识确定订单信息,根据订单信息确定加工流程的约束条件;获取每个加工节点的属性数据,根据属性数据和约束条件生成多个初始排产计划,其中,初始排产计划为多个加工节点的组合;根据每个加工节点对应的第二工业互联网标识获取每个加工节点的历史数据;根据历史数据确定初始排产计划的波动概率;根据波动概率对多个初始排产计划进行变异操作,得到多个更新排产计划;确定每个更新排产计划的平均工时,确定平均工时最短的更新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,具体涉及一种基于标识解析的智能排产技术领域,尤其涉及一种基于标识解析的智能排产方法、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智能排产方法及相关设备,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智能排产装置、电子设备及存储介质。
本申请提供一种基于标识解析的智能排产方法,应用于电子设备,所述方法包括:根据第一工业互联网标识确定加工流程的订单信息,根据所述订单信息确定所述加工流程对应的约束条件,其中,所述约束条件包括所述加工流程的交期和良率;获取多个加工节点中每个加工节点的属性数据,根据所述属性数据和所述约束条件随机生成多个初始排产计划,其中,所述初始排产计划为多个加工节点的组合;根据所述每个加工节点对应的第二工业互联网标识获取所述每个加工节点的历史数据,其中,所述历史数据用于表征所述每个加工节点在执行历史订单时的历史工时和历史良率;根据所述历史数据确定所述初始排产计划对应的波动概率;多次根据所述波动概率对所述多个初始排产计划进行变异操作,得到多组更新排产计划,每组包括多个更新排产计划;确定每个更新排产计划的平均工时,确定所述平均工时最短的更新排产计划为目标排产计划。
在一些实施例中,所述获取多个加工节点中每个加工节点的属性数据包括:获取每个加工节点对应的属性数据,其中,所述属性数据对应于多个类型;对每个类型的属性数据进行归一化操作,得到归一化的属性数据;确定所述归一化的属性数据为所述每个加工节点的属性数据。
在一些实施例中,所述根据所述属性数据和所述约束条件随机生成多个初始排产计划包括:随机组合多个加工节点,确定多个候选排产计划;确定满足所述约束条件的候选排产计划为所述初始排产计划。
在一些实施例中,所述根据所述历史数据确定所述初始排产计划对应的波动概率包括:根据所述每个加工节点的历史工时确定第一波动概率;根据所述每个加工节点的历史良率确定第二波动概率;对所述第一波动概率和所述第二波动概率加权求和,得到所述初始排产计划对应的波动概率。
在一些实施例中,确定所述第一波动概率的方法包括:计算所述加工节点的历史工时的第一离散系数以及第一极差;确定所述第一离散系数以及所述第一极差的乘积为所述加工节点的第一波动概率。
在一些实施例中,确定所述第二波动概率的方法包括:计算所述加工节点的历史良率的第二离散系数以及第二极差;确定所述第二离散系数以及所述第二极差的乘积为所述加工节点的第二波动概率。
在一些实施例中,所述多次根据所述波动概率对所述多个初始排产计划进行变异操作,得到多组更新排产计划包括:多次计算所述波动概率与每个所述初始排产计划对应的属性数据的乘积,得到多组更新排产计划。
本申请实施例还提供一种基于标识解析的智能排产装置,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加工流程的订单信息,根据所述订单信息确定所述加工流程对应的约束条件,其中,所述约束条件包括所述加工流程的交期和良率;所述获取模块,还用于获取多个加工节点中每个加工节点的属性数据,根据所述属性数据和所述约束条件随机生成多个初始排产计划,其中,所述初始排产计划为多个加工节点的组合;所述获取模块,还用于根据所述每个加工节点对应的第二工业互联网标识获取所述每个加工节点的历史数据,其中,所述历史数据用于表征所述每个加工节点在执行历史订单时的历史工时和历史良率;确定模块,用于根据所述历史数据确定所述初始排产计划对应的波动概率;所述确定模块,还用于多次根据所述波动概率对所述多个初始排产计划进行变异操作,得到多组更新排产计划,每组包括多个更新排产计划;所述确定模块,还用于确定每个更新排产计划的平均工时,确定所述平均工时最短的更新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智能排产方法。
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智能排产方法。
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确定加工节点的属性数据以及加工流程对应的约束条件,能够以量化数据表征每个加工节点的性能,提升智能排产的准确度。并根据第二工业互联网标识确定加工节点的历史数据,并根据历史数据确定加工节点对应的工时和良率的波动概率,能够为后续模拟排产计划的波动提供数据支撑。最终根据波动概率对初始排产计划进行多次变异操作,得到多个更新排产计划,并从多个更新排产计划中确认平均工时最短的为目标排产计划,如此能够以量化的数据对更新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智能排产方法的应用场景图。
图2是本申请一实施例提供的一种基于标识解析的智能排产方法的流程图。
图3是本申请一实施例提供的一种基于标识解析的智能排产装置的功能模块图。
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智能排产方法,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智能排产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根据第一工业互联网标识确定加工流程的订单信息,根据所述订单信息确定所述加工流程对应的约束条件,其中,所述约束条件包括所述加工流程的交期和良率;获取多个加工节点中每个加工节点的属性数据,根据所述属性数据和所述约束条件随机生成多个初始排产计划,其中,所述初始排产计划为多个加工节点的组合;根据所述每个加工节点对应的第二工业互联网标识获取所述每个加工节点的历史数据,其中,所述历史数据用于表征所述每个加工节点在执行历史订单时的历史工时和历史良率;根据所述历史数据确定所述初始排产计划对应的波动概率;多次根据所述波动概率对所述多个初始排产计划进行变异操作,得到多组更新排产计划,每组包括多个更新排产计划;确定每个更新排产计划的平均工时,确定所述平均工时最短的更新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智能排产方法的流程图。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智能排产方法包括如下步骤。
S20,根据第一工业互联网标识确定加工流程的订单信息,根据所述订单信息确定所述加工流程对应的约束条件,其中,所述约束条件包括所述加工流程的交期和良率。
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加工流程的订单信息。订单信息用于确定各加工流程对应的约束条件,其中,预设条件包括加工流程的交期和良率其中,订单信息包括加工流程中的各个加工节点对应的工时以及良率等需求。
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,获取多个加工节点中每个加工节点的属性数据,根据所述属性数据和所述约束条件随机生成多个初始排产计划,其中,所述初始排产计划为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约束条件随机生成多个初始排产计划。
在本申请一实施例中,所述获取多个加工节点中每个加工节点的属性数据包括:获取每个加工节点对应的属性数据,其中,所述属性数据对应于多个类型;对每个类型的属性数据进行归一化操作,得到归一化的属性数据;确定所述归一化的属性数据为所述每个加工节点的属性数据。
示例性的,加工节点的属性数据包括:工时、良率时,可对多个加工节点的工时数据进行归一化处理,并对多个加工节点的良率数据进行归一化处理,从而通过归一化处理消除不同类型的属性数据之间的量纲差异,降低后续对确定排产计划的准确度。
在本申请一实施例中,所述根据所述属性数据和所述约束条件随机生成多个初始排产计划包括:随机组合多个加工节点,确定多个候选排产计划;确定满足所述约束条件的候选排产计划为所述初始排产计划。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,每个有序组合用于表征一个排产计划,从而利用量化的数据表征多种排产计划,为后续提升确定目标排产计划的性能提供了数据支撑。再由电子设备运行筛选程序以删除不符合约束条件的排产计划,从而确保所有排产计划都满足约束条件,其中,约束条件终于表征用户订单对于各个加工节点的工时和良率的需求。例如,约束条件包括:加工节点的平均工时小于40分钟且平均良率高于0.85。
S22,根据所述每个加工节点对应的第二工业互联网标识获取所述每个加工节点的历史数据,其中,所述历史数据用于表征所述每个加工节点在执行历史订单时的历史工时和历史良率。
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数据,其中,所述历史数据用于表征所述每个加工节点在执行历史订单时的历史工时和历史良率。示例性的,当某一个加工节点A参与交付过5个历史订单,则加工节点A对应的历史工时可以是[40,38,50,45,43],用于表征加工节点A在过去执行第一个订单时工时为40分钟、执行第二个订单时工时为38分钟、执行第三个订单时工时为50分钟、执行第四个订单时工时为45分钟、执行第五个订单时工时为43分钟;加工节点A对应的历史良率可以是[0.8,0.75,0.9,0.85,0.83],用于表征加工节点A在过去执行第一个订单时良率为0.8、执行第二个订单时良率为0.75、执行第三个订单时良率为0.9、执行第四个订单时良率为0.85、执行第五个订单时良率为0.83。
S23,根据所述历史数据确定所述初始排产计划对应的波动概率。
在本申请一实施例中,所述根据所述历史数据确定所述初始排产计划对应的波动概率包括:根据所述每个加工节点的历史工时确定第一波动概率;根据所述每个加工节点的历史良率确定第二波动概率;对所述第一波动概率和所述第二波动概率加权求和,得到所述初始排产计划对应的波动概率。其中,第一波动概率用于表征加工节点对应工时的稳定程度;第二波动概率用于表征加工节点对应的良率的稳定程度。对第一波动概率和第二波动概率进行加权求和之后得到的初始排产计划的波动概率能够表征初始排产计划中多个加工节点的性能稳定性。
在本申请一实施例中,确定所述第一波动概率的方法包括:计算所述加工节点的历史工时的第一离散系数以及第一极差;确定所述第一离散系数以及所述第一极差的乘积为所述加工节点的第一波动概率。具体的,某一加工节点的第一离散系数的计算方式满足以下关系式:
其中,代表某一加工节点第一离散系数;/>代表该加工节点历史工时的标准差;代表该加工节点的历史工时的均值。其中,第一离散系数越高表明该加工节点在执行订单时的工时波动越大,则该加工节点在生产工作时的工时的稳定性较低。
在本申请一实施例中,确定所述第二波动概率的方法包括:计算所述加工节点的历史良率的第二离散系数以及第二极差;确定所述第二离散系数以及所述第二极差的乘积为所述加工节点的第二波动概率。具体的,计算第二离散系数的方式与计算第一离散系数的方式相同,此处不再赘述。
S24,多次根据所述波动概率对所述多个初始排产计划进行变异操作,得到多组更新排产计划,每组包括多个更新排产计划。
在本申请一实施例中,所述多次根据所述波动概率对所述多个初始排产计划进行变异操作,得到多组更新排产计划包括:多次计算所述波动概率与每个所述初始排产计划对应的属性数据的乘积,得到多组更新排产计划。具体的,可多次计算波动概率与每个初始排产计划中的加工节点的属性数据的乘积,得到每个初始排产计划对应的多个更新排产计划。其中,更新排产计划用于表征初始排产计划中的加工节点对应的工时和良率出现波动之后,得到的排产计划。
如此,能够根据加工节点对应的历史数据的波动性对初始排产计划进行变异操作,从而模拟初始排产计划的工时和良率可能出现的波动,能够提升后续筛选目标排产计划的准确度。
S25,确定每个更新排产计划的平均工时,确定所述平均工时最短的更新排产计划为目标排产计划。
在本申请一实施例中,为了从初始排产计划中筛选性能较为优化的排产计划,可根据每个更新排产计划中所有加工节点的工时确定每个更新排产计划的平均工时,并确定平均工时最短的排产计划为目标排产计划。
在本申请一实施例中,还可根据更新排产计划的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,从而根据平均工时和平均良率确定每个更新排产计划的优先级,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。可确定优先级最高的更新排产计划为目标排产计划。
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更新排产计划的性能,能够提升确定目标排产计划的准确度。
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确定加工节点的属性数据以及加工流程对应的约束条件,能够以量化数据表征每个加工节点的性能,提升智能排产的准确度。并根据第二工业互联网标识确定加工节点的历史数据,并根据历史数据确定加工节点对应的工时和良率的波动概率,能够为后续模拟排产计划的波动提供数据支撑。最终根据波动概率对初始排产计划进行多次变异操作,得到多个更新排产计划,并从多个更新排产计划中确认平均工时最短的为目标排产计划,如此能够以量化的数据对更新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智能排产装置的功能模块图。一种基于标识解析的智能排产装置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加工流程的订单信息,根据所述订单信息确定所述加工流程对应的约束条件,其中,所述约束条件包括所述加工流程的交期和良率。
所述获取模块310,还用于获取多个加工节点中每个加工节点的属性数据,根据所述属性数据和所述约束条件随机生成多个初始排产计划,其中,所述初始排产计划为多个加工节点的组合。
所述获取模块310,还用于根据所述每个加工节点对应的第二工业互联网标识获取所述每个加工节点的历史数据,其中,所述历史数据用于表征所述每个加工节点在执行历史订单时的历史工时和历史良率。
所述确定模块311,用于根据所述历史数据确定所述初始排产计划对应的波动概率。
所述确定模块311,还用于多次根据所述波动概率对所述多个初始排产计划进行变异操作,得到多组更新排产计划,每组包括多个更新排产计划。
所述确定模块311,还用于确定每个更新排产计划的平均工时,确定所述平均工时最短的更新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智能排产方法。
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智能排产程序。
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智能排产方法,所述处理器13可执行所述多个指令从而实现:根据第一工业互联网标识确定加工流程的订单信息,根据所述订单信息确定所述加工流程对应的约束条件,其中,所述约束条件包括所述加工流程的交期和良率;获取多个加工节点中每个加工节点的属性数据,根据所述属性数据和所述约束条件随机生成多个初始排产计划,其中,所述初始排产计划为多个加工节点的组合;根据所述每个加工节点对应的第二工业互联网标识获取所述每个加工节点的历史数据,其中,所述历史数据用于表征所述每个加工节点在执行历史订单时的历史工时和历史良率;根据所述历史数据确定所述初始排产计划对应的波动概率;多次根据所述波动概率对所述多个初始排产计划进行变异操作,得到多组更新排产计划,每组包括多个更新排产计划;确定每个更新排产计划的平均工时,确定所述平均工时最短的更新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(FlashCard)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智能排产程序的代码等,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智能排产程序等),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智能排产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智能排产方法的部分。
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智能排产方法。
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 (6)
1.一种基于标识解析的智能排产方法,应用于电子设备,其特征在于,所述方法包括:
根据第一工业互联网标识确定加工流程的订单信息,根据所述订单信息确定所述加工流程对应的约束条件,其中,所述约束条件包括所述加工流程的交期和良率;
获取多个加工节点中每个加工节点的属性数据,根据所述属性数据和所述约束条件随机生成多个初始排产计划,其中,所述初始排产计划为多个加工节点的组合;
根据所述每个加工节点对应的第二工业互联网标识获取所述每个加工节点的历史数据,其中,所述历史数据用于表征所述每个加工节点在执行历史订单时的历史工时和历史良率;
根据所述历史数据确定所述初始排产计划对应的波动概率,包括:根据所述每个加工节点的历史工时确定第一波动概率;根据所述每个加工节点的历史良率确定第二波动概率;对所述第一波动概率和所述第二波动概率加权求和,得到所述初始排产计划对应的波动概率;
其中,确定所述第一波动概率的方法包括:计算所述加工节点的历史工时的第一离散系数以及第一极差;确定所述第一离散系数以及所述第一极差的乘积为所述加工节点的第一波动概率;
其中,确定所述第二波动概率的方法包括:计算所述加工节点的历史良率的第二离散系数以及第二极差;确定所述第二离散系数以及所述第二极差的乘积为所述加工节点的第二波动概率;
多次根据所述波动概率对所述多个初始排产计划进行变异操作,得到多组更新排产计划,包括:多次计算所述波动概率与每个所述初始排产计划对应的属性数据的乘积,得到多组更新排产计划;其中,每组包括多个更新排产计划;
确定每个更新排产计划的平均工时,确定所述平均工时最短的更新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智能排产方法,其特征在于,所述获取多个加工节点中每个加工节点的属性数据包括:
获取每个加工节点对应的属性数据,其中,所述属性数据对应于多个类型;
对每个类型的属性数据进行归一化操作,得到归一化的属性数据;
确定所述归一化的属性数据为所述每个加工节点的属性数据。
3.如权利要求2所述的一种基于标识解析的智能排产方法,其特征在于,所述根据所述属性数据和所述约束条件随机生成多个初始排产计划包括:
随机组合多个加工节点,确定多个候选排产计划;
确定满足所述约束条件的候选排产计划为所述初始排产计划。
4.一种基于标识解析的智能排产装置,其特征在于,所述装置包括实现如权利要求1至3中任意一项所述的一种基于标识解析的智能排产方法的模块,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加工流程的订单信息,根据所述订单信息确定所述加工流程对应的约束条件,其中,所述约束条件包括所述加工流程的交期和良率;
所述获取模块,还用于获取多个加工节点中每个加工节点的属性数据,根据所述属性数据和所述约束条件随机生成多个初始排产计划,其中,所述初始排产计划为多个加工节点的组合;
所述获取模块,还用于根据所述每个加工节点对应的第二工业互联网标识获取所述每个加工节点的历史数据,其中,所述历史数据用于表征所述每个加工节点在执行历史订单时的历史工时和历史良率;
确定模块,用于根据所述历史数据确定所述初始排产计划对应的波动概率;
所述确定模块,还用于多次根据所述波动概率对所述多个初始排产计划进行变异操作,得到多组更新排产计划,每组包括多个更新排产计划;
所述确定模块,还用于确定每个更新排产计划的平均工时,确定所述平均工时最短的更新排产计划为目标排产计划。
5.一种电子设备,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3中任意一项所述的一种基于标识解析的智能排产方法。
6.一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3中任意一项所述的一种基于标识解析的智能排产方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410184413.3A CN117744954B (zh) | 2024-02-19 | 2024-02-19 | 一种基于标识解析的智能排产方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410184413.3A CN117744954B (zh) | 2024-02-19 | 2024-02-19 | 一种基于标识解析的智能排产方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117744954A CN117744954A (zh) | 2024-03-22 |
CN117744954B true CN117744954B (zh) | 2024-05-07 |
Family
ID=90277739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410184413.3A Active CN117744954B (zh) | 2024-02-19 | 2024-02-19 | 一种基于标识解析的智能排产方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117744954B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013012100A (ja) * | 2011-06-30 | 2013-01-17 | Olympus Corp | 生産管理方法および生産管理システム |
CN111461473A (zh) * | 2019-01-22 | 2020-07-28 | 深圳市赢领智尚科技有限公司 | 一种aps服装排产方法及其系统 |
WO2022176073A1 (ja) * | 2021-02-17 | 2022-08-25 | 株式会社日立製作所 | 生産計画支援システム |
CN115545662A (zh) * | 2022-10-21 | 2022-12-30 | 四川启睿克科技有限公司 | 一种智能计划与排产系统 |
CN116542508A (zh) * | 2023-05-08 | 2023-08-04 | 秒优大数据科技(杭州)有限公司 | 一种服装订单的排产方法、装置和设备 |
-
2024
- 2024-02-19 CN CN202410184413.3A patent/CN117744954B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013012100A (ja) * | 2011-06-30 | 2013-01-17 | Olympus Corp | 生産管理方法および生産管理システム |
CN111461473A (zh) * | 2019-01-22 | 2020-07-28 | 深圳市赢领智尚科技有限公司 | 一种aps服装排产方法及其系统 |
WO2022176073A1 (ja) * | 2021-02-17 | 2022-08-25 | 株式会社日立製作所 | 生産計画支援システム |
CN115545662A (zh) * | 2022-10-21 | 2022-12-30 | 四川启睿克科技有限公司 | 一种智能计划与排产系统 |
CN116542508A (zh) * | 2023-05-08 | 2023-08-04 | 秒优大数据科技(杭州)有限公司 | 一种服装订单的排产方法、装置和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN117744954A (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10877962B2 (en) | Deferred update of database hashcode in blockchain | |
CN111883262B (zh) | 疫情趋势预测方法、装置、电子设备及存储介质 | |
CN110442737A (zh) | 基于图数据库的数字孪生方法及系统 | |
CN111190689B (zh) | 数字孪生系统仿真方法及装置 | |
CN108121814B (zh) | 搜索结果排序模型生成方法和装置 | |
CN111371858A (zh) | 群控设备识别方法、装置、介质及电子设备 | |
CN110650170A (zh) | 用于推送信息的方法和装置 | |
CN111401684A (zh) | 一种任务处理的方法和装置 | |
CN112182111B (zh) | 基于区块链的分布式系统分层处理方法和电子设备 | |
CN117744954B (zh) | 一种基于标识解析的智能排产方法及相关设备 | |
CN117745721B (zh) | 一种基于标识解析的排产计划优化方法及相关设备 | |
CN117829562B (zh) | 一种基于标识解析的排产计划生成方法及相关设备 | |
EP4109366A1 (en) | Method and device for managing project by using data merging | |
CN113837694B (zh) | 物品陈列方法、装置、电子设备和可读介质 | |
CN117689186B (zh) | 一种基于标识解析的排产计划筛选方法及相关设备 | |
CN115168509A (zh) | 风控数据的处理方法及装置、存储介质、计算机设备 | |
CN110544165B (zh) | 一种信用风险评分卡创建方法、装置及电子设备 | |
CN113064984A (zh) | 意图识别方法、装置、电子设备及可读存储介质 | |
CN113781237B (zh) | 基于分布式人工智能系统的产品订购单消费方法 | |
CN115550259B (zh) | 基于白名单的流量分配方法及相关设备 | |
CN110688222B (zh) | 资源处理请求的排序方法、装置、介质及电子设备 | |
CN114201175A (zh) | 错误码管理方法、装置、计算机可读存储介质及服务器 | |
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 | |
CN115293808A (zh) | 基于人工智能的车险成本预测模型的构建方法及相关设备 | |
CN113344706A (zh) | 产品限额控制方法、装置、电子设备和计算机可读介质 |
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 |